本发明涉及图像处理技术，尤其涉及一种轨道泥石流检测方法和装置。
背景技术：
随着铁路系统的迅速发展建设，铁路网络规模迅速扩大，铁路运输安全也面临更多的挑战和考验。铁路周边环境复杂，自然气候环境变化频繁，灾害天气对铁路运输安全尤其是高铁运行安全带来影响。我国是泥石流多发国家，铁路沿线由于天气变化、施工或者人为破坏等因素，易发生泥石流等灾害，这对铁路的安全构成严重的威胁。
现有的轨道泥石流灾情报警和防护主要采取人工检测或者探测器自动检测的方式进行泥石流监控。人工检测例如设立维护站点、人工定期巡检，探测器自动检测例如在铁路沿线埋置位移探测器，以检测泥石流等地质移动现象。
然而，铁路沿线地质灾害主要发生在边远山区，尤其是多雾多雨等潮湿地带，不仅增加了人工巡检的难度，也使得埋置的探测器更加易于腐蚀损坏，维修难度大，这些都导致了现有的轨道泥石流检测难度大的问题。
技术实现要素：
本发明提供一种轨道泥石流检测方法和装置，以解决现有的轨道泥石流检测难度大的问题。
根据本发明的第一方面，提供一种轨道泥石流检测方法，包括：
对待检测轨道区域进行图像采集，获取待检测图片，所述待检测图片为高光谱图片；
用预设的轨道泥石流检测模型对所述待检测图片进行检测，得到检测结果，所述检测结果用于指示所述待检测轨道区域是否发生泥石流，所述预设的轨道泥石流检测模型为根据带标签的非轨道泥石流高光谱图片和带标签的轨道泥石流高光谱图片训练得到的模型。
可选地，在所述用预设的轨道泥石流检测模型对所述待检测图片进行检测之前，还包括：
对带标签的非轨道泥石流高光谱图片中的每个像素确定第一类特征，并对带标签的轨道泥石流高光谱图片中的每个像素确定第二类特征，其中，每个所述第一类特征和每个所述第二类特征分别预设有标签信息，所述标签信息用于指示所述第一类特征相对应的像素和所述第二类特征相对应的像素分别为泥石流像素或非泥石流像素；
对每个所述第一类特征以及每个所述第二类特征分别进行特征选择，得到具有预设维数的第一类选择特征和具有所述预设维数的第二类选择特征，所述第一类选择特征为每个第一类特征中与第二类特征最相似的选择特征，所述第二类选择特征为每个第二类特征中与第一类特征最相似的选择特征，所述第一类选择特征与所述第一类特征的标签信息对应，所述第二类选择特征与所述第二类特征的标签信息对应；
根据所述第一类特征和所述第二类特征，获得第一类映射矩阵、第二类映射矩阵、以及属于共同映射子空间的第一类映射特征和第二类映射特征，所述第一类映射矩阵用于将所述第一类特征映射为所述第一类映射特征，所述第二类映射矩阵用于将所述第二类特征映射为所述第二类映射特征；
将所述第一类映射特征与所述第一类选择特征进行拼接，得到第一类增强特征，并将所述第二类映射特征与所述第二类选择特征进行组合，得到第二类增强特征，所述第一类增强特征的标签信息为所述第一类特征的标签信息，所述第二类增强特征的标签信息为所述第二类特征的标签信息；
根据所有所述第一类增强特征、各所述第一类增强特征的标签信息、所有所述第二类增强特征以及各所述第二类增强特征的标签信息，得到最优模型参数；
根据所述最优模型参数对检测模型进行参数配置，得到所述预设的轨道泥石流检测模型。
可选地，所述根据所有所述第一类增强特征、各所述第一类增强特征的标签信息、所有所述第二类增强特征以及各所述第二类增强特征的标签信息，得到最优模型参数，包括：
根据所述检测模型得到结构风险最小化模型，所述结构风险最小化模型为与所述第一类增强特征、所述第一类增强特征的标签信息、所述第二类增强特征以及所述第二类增强特征的标签信息相关的模型；
根据所述结构风险最小化模型，得到目标优化模型，所述目标优化模型的优化参数包含所述检测模型中待优化的相关系数矩阵和待优化的拉格朗日乘子矩阵；
根据所述目标优化模型，得到最优模型参数为最优的相关系数矩阵θ＝[θ1,…θ∞]′和最优的拉格朗日乘子矩阵
可选地，所述对每个所述第一类特征以及每个所述第二类特征分别进行特征选择，得到具有预设维数的第一类选择特征和具有所述预设维数的第二类选择特征，还包括：
根据所述第一类选择特征和所述第一类特征，或者所述第二类选择特征和所述第二类特征，确定被选维度，所述被选维度是所述第一类选择特征在所述第一类特征中的维度，以及所述第二类选择特征在所述第二类特征中的维度。
可选地，在所述用预设的轨道泥石流检测模型对所述待检测图片进行检测，得到检测结果之前，还包括：
对所述待检测图片中的每个像素确定待检测特征；
按照所述被选维度对每个所述待检测特征进行特征选择，得到待检测选择特征，所述待检测选择特征在所述待检测特征中的维度为所述被选维度；
相应地，所述用预设的轨道泥石流检测模型对所述待检测图片进行检测，得到检测结果，包括：
用预设的轨道泥石流检测模型对所述待检测图片各像素对应的待检测特征和待检测选择特征进行检测，得到所述待检测图片各像素的分类信息，所述分类信息指示了所述像素为泥石流像素或非泥石流像素；
判断所述待检测图片所有像素的分类信息中是否包含指示为泥石流像素的分类信息，若是，则将所述检测结果确定为所述待检测轨道区域发生泥石流，若否，则将所述检测结果确定为所述待检测轨道区域未发生泥石流。
可选地，所述最优模型参数包括最优的相关系数矩阵θ＝[θ1,…θ∞]′和最优的拉格朗日乘子矩阵
所述根据所述最优模型参数对检测模型进行参数配置，得到所述预设的轨道泥石流检测模型，包括：
将所述最优的相关系数矩阵θ和最优的拉格朗日乘子矩阵α代入检测模型，得到所述预设的轨道泥石流检测模型，所述预设的轨道泥石流检测模型为：
其中，y是所有训练样本的标签向量，中间变量矩阵
根据本发明的第二方面，还提供一种轨道泥石流检测装置，包括：
待检测图片采集模块，用于对待检测轨道区域进行图像采集，获取待检测图片，所述待检测图片为高光谱图片；
检测结果获取模块，用于用预设的轨道泥石流检测模型对所述待检测图片进行检测，得到检测结果，所述检测结果用于指示所述待检测轨道区域是否发生泥石流，所述预设的轨道泥石流检测模型为根据带标签的非轨道泥石流高光谱图片和带标签的轨道泥石流高光谱图片训练得到的模型。
可选地，所述装置还包括：
特征获取模块，用于在所述用预设的轨道泥石流检测模型对所述待检测图片进行检测之前，对带标签的非轨道泥石流高光谱图片中的每个像素确定第一类特征，并对带标签的轨道泥石流高光谱图片中的每个像素确定第二类特征，其中，每个所述第一类特征和每个所述第二类特征分别预设有标签信息，所述标签信息用于指示所述第一类特征相对应的像素和所述第二类特征相对应的像素分别为泥石流像素或非泥石流像素；
特征选择模块，用于对每个所述第一类特征以及每个所述第二类特征分别进行特征选择，得到具有预设维数的第一类选择特征和具有所述预设维数的第二类选择特征，所述第一类选择特征为每个第一类特征中与第二类特征最相似的选择特征，所述第二类选择特征为每个第二类特征中与第一类特征最相似的选择特征，所述第一类选择特征与所述第一类特征的标签信息对应，所述第二类选择特征与所述第二类特征的标签信息对应；
特征映射模块，用于根据所述第一类特征和所述第二类特征，获得第一类映射矩阵、第二类映射矩阵、以及属于共同映射子空间的第一类映射特征和第二类映射特征，所述第一类映射矩阵用于将所述第一类特征映射为所述第一类映射特征，所述第二类映射矩阵用于将所述第二类特征映射为所述第二类映射特征；
增强特征获取模块，用于将所述第一类映射特征与所述第一类选择特征进行拼接，得到第一类增强特征，并将所述第二类映射特征与所述第二类选择特征进行组合，得到第二类增强特征，所述第一类增强特征的标签信息为所述第一类特征的标签信息，所述第二类增强特征的标签信息为所述第二类特征的标签信息；
模型参数优化模块，用于根据所有所述第一类增强特征、各所述第一类增强特征的标签信息、所有所述第二类增强特征以及各所述第二类增强特征的标签信息，得到最优模型参数；
轨道泥石流检测模型配置模块，用于根据所述最优模型参数对检测模型进行参数配置，得到所述预设的轨道泥石流检测模型。
可选地，所述模型参数优化模块具体用于：
根据所述检测模型得到结构风险最小化模型，所述结构风险最小化模型为与所述第一类增强特征、所述第一类增强特征的标签信息、所述第二类增强特征以及所述第二类增强特征的标签信息相关的模型；根据所述结构风险最小化模型，得到目标优化模型，所述目标优化模型的优化参数包含所述检测模型中待优化的相关系数矩阵和待优化的拉格朗日乘子矩阵；根据所述目标优化模型，得到最优模型参数为最优的相关系数矩阵θ＝[θ1,…θ∞]′和最优的拉格朗日乘子矩阵
可选地，所述特征选择模块，还用于：根据所述第一类选择特征和所述第一类特征，或者所述第二类选择特征和所述第二类特征，确定被选维度，所述被选维度是所述第一类选择特征在所述第一类特征中的维度，以及所述第二类选择特征在所述第二类特征中的维度；
相应地，所述待检测图片采集模块，还用于：在所述用预设的轨道泥石流检测模型对所述待检测图片进行检测，得到检测结果之前，对所述待检测图片中的每个像素确定待检测特征；按照所述被选维度对每个所述待检测特征进行特征选择，得到待检测选择特征，所述待检测选择特征在所述待检测特征中的维度为所述被选维度；
相应地，所述检测结果获取模块，具体用于用预设的轨道泥石流检测模型对所述待检测图片各像素对应的待检测特征和待检测选择特征进行检测，得到所述待检测图片各像素的分类信息，所述分类信息指示了所述像素为泥石流像素或非泥石流像素；判断所述待检测图片所有像素的分类信息中是否包含指示为泥石流像素的分类信息，若是，则将所述检测结果确定为所述待检测轨道区域发生泥石流，若否，则将所述检测结果确定为所述待检测轨道区域未发生泥石流。
根据本发明的第三方面，提供一种电子设备，包括：存储器、处理器以及计算机程序，其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行，以实现本发明第一方面及第一方面各种可能设计的所述方法。
根据本发明的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种轨道泥石流检测方法和装置，通过对待检测轨道区域进行图像采集，获取待检测图片，所述待检测图片为高光谱图片，从而获得更多采集信息，提高检测结果的精确性；用预设的轨道泥石流检测模型对所述待检测图片进行检测，得到检测结果，所述检测结果用于指示所述待检测轨道区域是否发生泥石流，所述预设的轨道泥石流检测模型为根据带标签的非轨道泥石流高光谱图片和带标签的轨道泥石流高光谱图片训练得到的模型，从而实现对轨道场景泥石流的检测。
附图说明
图1为本发明实施例提供的一种轨道泥石流检测方法；
图2为本发明实施例提供的另一种轨道泥石流检测方法；
图3为本发明实施例提供的一种轨道泥石流检测装置；
图4为本发明实施例提供的另一种轨道泥石流检测装置；
图5为本发明提供的一种电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本申请的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应当理解，在本申请中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“与a对应的b”、“与a相应的b”表示b与a相关联，根据a可以确定b。根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
符号声明：
本发明使用上标′代表一个向量或者矩阵的转置运算。
in被定义为一个n×n的单位矩阵；相应的on×m被定义为一个全部由零组成的n×m的矩阵。
定义1n，
对向量a[a1,…,an]′的lp-范数定义为
关于向量不等式a≤b意味着对两个向量a、b或两个矩阵a、b对应维度都满足该不等式。除此以外，还定义a°b为两个向量a、b的点积运算或两个一维矩阵a、b的点积运算，即
min*表示在以*为自变量其他变量均为定值时，求后续整个算式的最小值，max*表示在以*为自变量其他变量均为定值时，求后续整个算式的最大值。这里*用于代表变量字符。
h≥0则表明h矩阵是一个半正定矩阵。
在具体实施方式中，我们假定所有非轨道泥石流高光谱图片为一个源域，假定所有轨道泥石流高光谱图片为一个目标域。我们从源域获得大量带标签的数据
在轨道交通的泥石流监测场景下，本发明提供了一种基于高光谱特征的跨场景泥石流检测方法，本发明的检测方法是对待检测轨道区域的高光谱图片进行模型检测，尤其是轨道泥石流高光谱图片训练样本缺少的情况下，使用非轨道泥石流高光谱图片样本与轨道泥石流高光谱图片样本结合的训练样本对检测模型进行跨场景训练，实现跨场景的样本学习，解决了轨道泥石流检测难度大的问题。
图1为本发明实施例提供的一种轨道泥石流检测方法，该方法的执行主体可以是轨道泥石流检测装置，该装置具体可以是服务器或终端等具有图像处理功能的电子设备。如图1所示的方法可以包括：
s101，对待检测轨道区域进行图像采集，获取待检测图片。
其中，所述待检测图片为高光谱图片(hyperspectralimage)。所谓高光谱图片就是在光谱维度上不仅仅是传统所谓的黑、白或者r、g、b三通道，而是在光谱维度上也有n个通道。例如：我们可以把400nm-1000nm的光谱分为300个通道。可以理解为，高光谱图片的每一个像素都是一个数据立方，不仅有图像的信息，并且在光谱维度上进行展开，结果不仅可以获得图像上每个点的光谱数据，还可以获得任一个谱段的影像信息。高光谱图片不仅具有普通二维图像的空间信息，而且还包含信息量更为丰富的光谱信息部分。因此，采用高光谱图片这种数据类型进行泥石流监控，能够获得更加准确的检测结果。
s102，用预设的轨道泥石流检测模型对所述待检测图片进行检测，得到检测结果。
其中，所述检测结果用于指示所述待检测轨道区域是否发生泥石流，所述预设的轨道泥石流检测模型为根据带标签的非轨道泥石流高光谱图片和带标签的轨道泥石流高光谱图片训练得到的模型。带标签的非轨道泥石流高光谱图片和带标签的轨道泥石流高光谱图片，可以理解为作为训练样本的每张图片上每一个像素都是带标签的像素，标签是人为或数据库预先加注的，用来指示该像素是泥石流像素还是非泥石流像素。检测结果可以理解为是得到类似0或1的指示结果，用于指示待检测图片是拍摄有泥石流的图片，还是拍摄到正常场景的图片。若检测结果指示拍摄到泥石流，则表明待检测轨道区域发生泥石流，否则，表明待检测轨道区域没有发生泥石流。
本发明实施例提供了一种轨道泥石流检测方法，通过对待检测轨道区域进行图像采集，获取待检测图片，所述待检测图片为高光谱图片，从而获得更多采集信息，提高检测结果的精确性；用预设的轨道泥石流检测模型对所述待检测图片进行检测，得到检测结果，所述检测结果用于指示所述待检测轨道区域是否发生泥石流，所述预设的轨道泥石流检测模型为根据带标签的非轨道泥石流高光谱图片和带标签的轨道泥石流高光谱图片训练得到的模型，从而实现对轨道场景泥石流的检测。
图2为本发明实施例提供的另一种轨道泥石流检测方法。为了更加清楚地描述图1所示的方法步骤，尤其是其中轨道泥石流检测模型的预设过程，下面结合图2和具体实施例进行详细说明。在图1所示实施例的基础上，在所述用预设的轨道泥石流检测模型对所述待检测图片进行检测之前，还可以包括：
s201，对带标签的非轨道泥石流高光谱图片中的每个像素确定第一类特征，并对带标签的轨道泥石流高光谱图片中的每个像素确定第二类特征。
其中，每个所述第一类特征和每个所述第二类特征分别预设有标签信息，所述标签信息用于指示所述第一类特征相对应的像素和所述第二类特征相对应的像素分别为泥石流像素或非泥石流像素。可以理解为每个第一类特征只对应一个标签信息，每个第二类特征也是只对应一个标签信息。每个第一类特征和每个第二类特征都可以理解为是根据高光谱图片中一个像素得到的多维特征数据，例如第一类特征和第二类特征都分别为一个125维的特征。
由于第一类特征和第二类特征分别是非轨道场景和有轨道场景下的图像特征，因此直接进行模型训练是无法得到有轨道场景下泥石流检测模型的，因此下面通过特征选择和特征映射，以及特征拼接的方法将两种场景下的特征进行场景迁移，从而得到适用于进行轨道场景泥石流检测模型训练的样本数据。
s202，对每个所述第一类特征以及每个所述第二类特征分别进行特征选择，得到具有预设维数的第一类选择特征和具有所述预设维数的第二类选择特征。
具体地，所述第一类选择特征为每个第一类特征中与第二类特征最相似的选择特征，所述第二类选择特征为每个第二类特征中与第一类特征最相似的选择特征。第一类选择特征和第二类选择特征可以理解为是第一类特征和第二类特征最相似的知识，这部分知识可以知道后续特征映射过程中的共同子空间，从而减少第一类特征和第二类特征的数据分布不同的情况，使结果的鲁棒性更高。
其中，所述第一类选择特征与所述第一类特征的标签信息对应，所述第二类选择特征与所述第二类特征的标签信息对应。应当理解的，在本发明实施例的整个场景迁移过程中，无论是特征选择过程，还是特征映射过程，以及特征拼接过程，与标签信息的对应关系都不改变。例如从带标签的非轨道泥石流高光谱图片获得带标签的源域数据
在非轨道泥石流高光谱图片像素与轨道泥石流高光谱图片像素之间，因是否包含轨道图像而必然存在特征分布差异，而本发明实施例通过特征选择得到的第一类选择特征和第二类选择特征，能够降低两类特征之间特征分布特定的差异，提高两类特征的相似程度。第一类选择特征和第二类选择特征具有相同的维数dl，则定义第一类选择特征
s203，根据所述第一类特征和所述第二类特征，获得第一类映射矩阵、第二类映射矩阵、以及属于共同映射子空间的第一类映射特征和第二类映射特征。
本实施例中步骤s202与步骤s203并不受所描述的动作顺序的限制，步骤s202与步骤s203可以采用其他顺序或者同时进行。
具体地，所述第一类映射矩阵用于将所述第一类特征映射为所述第一类映射特征，所述第二类映射矩阵用于将所述第二类特征映射为所述第二类映射特征。通过对第一类特征和所述第二类特征分别引入第一类映射矩阵p、第二类映射矩阵q两个映射矩阵到一个共同子空间，得到第一类映射特征pxs和第二类映射特征qxt。
s204，将所述第一类映射特征与所述第一类选择特征进行拼接，得到第一类增强特征，并将所述第二类映射特征与所述第二类选择特征进行组合，得到第二类增强特征。
具体地，通过引入具体的p和q两个映射矩阵，可以实现对两个域(
其中，所述第一类增强特征
s205，根据所有所述第一类增强特征、各所述第一类增强特征的标签信息、所有所述第二类增强特征以及各所述第二类增强特征的标签信息，得到最优模型参数。
具体地，根据带标签的第一类增强特征、和带标签的第二类增强特征对检测模型的目标优化模型进行反复学习和训练，最终得到最优模型参数。具体过程包括：
步骤一，根据所述检测模型得到如下公式(1-4)所示的结构风险最小化模型。
所述结构风险最小化模型为与所述第一类增强特征、所述第一类增强特征的标签信息、所述第二类增强特征以及所述第二类增强特征的标签信息相关的模型。本发明实施例通过支持向量机(supportvectormachine，简称：svm)结构风险函数最小化的过程实现对p和q两个映射矩阵以及具体权重向量的学习。结构风险最小化模型如下所示：
s.t.
‖p‖2≤λp,‖q‖2≤λq(4)
其中，cs＞0是第一类特征的惩罚参数，ct＞0是第二类特征的惩罚参数，惩罚参数是用于平衡模型复杂度与来自不同类特征的预设经验误差。λp＞0,λq＞0，λp是预设的第一映射矩阵约束参数，用于控制第一映射矩阵p的复杂度，λq是预设的第二映射矩阵约束参数，用于控制第二映射矩阵q的复杂度。b是偏置参量。
步骤二，根据所述结构风险最小化模型，得到目标优化模型。
所述目标优化模型的优化参数包含所述检测模型中待优化的相关系数矩阵和待优化的拉格朗日乘子矩阵。为了解决如公式(2-3)所示的svm最优化问题，本实施例首先推导该优化问题更容易求解的对偶形式。具体的做法是，首先引入了两组拉格朗日乘子
将具体的kkt条件带入对偶问题的拉格朗日函数中，得到结果整理如下公式(8)，满足公式(9)和原本的公式(4)：
s.t.y′α＝0,o≤α≤c(9)
在公式(8)中，定义所有拉格朗日乘子为一个拉格朗日矩阵
为了解决公式(8、9、4)中的优化问题，又由于在中心核矩阵kp,q中，映射矩阵p和q总是以p′p，p′q，q′p和q′q这样的形式出现在具体的理论推导部分。因此，本实施例引入了一个中间变量矩阵
随着引入中间变量矩阵h，我们得到公式(8、9、4)中优化问题的新的表达式，如下公式(10)所示：
s.t.y′α＝0,o≤α≤c(9)
trace(h)≤λ(11)
在公式(10)中，
为了使(10)更适合于解决实际问题中样本不可分的情况，本实施例使用径向基核函数对其进行核化。x被替换为
s.t.y′α＝0,o≤α≤c(9)
步骤三，根据所述目标优化模型，得到最优模型参数为最优的相关系数矩阵θ＝[θ1,…θ∞]′和最优的拉格朗日乘子矩阵
具体地，可以理解为是对目标优化模型进行迭代，获得最优模型参数。在第一迭代中，首先设置迭代次数r＝1，标准正定矩阵集m进行初始化，其中只包含一个分解矩阵m1，该分解矩阵可以由一个列向量及其转置而成的行向量相乘得到。该列向量每一个元素被初始化为特征总数n＝ns+nt的倒数的平方根。ns是第一类特征的数量，nt是的第二类特征的数量。
循环开始，迭代求当前最优的拉格朗日乘子矩阵α和相关系数矩阵θ。每一次迭代，可以产生一个新的分解矩阵mr+1和θr+1，r为当前迭代次数。其中m＝hh′，
s206，根据所述最优模型参数对检测模型进行参数配置，得到所述预设的轨道泥石流检测模型。
具体地，用学习得到的最优模型参数对检测模型进行配置，可以得到最适合对轨道泥石流进行检测的轨道泥石流检测模型，由此完成了模型的预设置。
本发明实施例根据带标签的非轨道泥石流高光谱图片和带标签的轨道泥石流高光谱图片，得到两种场景下分属于两个域的特征，然后通过特征选择和特征映射，从两个不同域得到最相近的选择特征和属于同一子空间的映射特征，并分别对选择特征与映射特征拼接增强特征，得到了一个更稳定的具有较高鲁棒性的增强特征空间，根据两类带标签的增强特征对模型参数进行优化，以最终的最优模型参数对检测模型进行配置，得到轨道泥石流检测模型，完成模型的预设，利用迁移学习方法将非轨道交通场景下发生泥石流的高光谱图片加入分类模型中，解决轨道交通场景下泥石流的检测分类问题。
在上述实施例的基础上，在所述对每个所述第一类特征以及每个所述第二类特征分别进行特征选择，得到具有预设维数的第一类选择特征和具有所述预设维数的第二类选择特征的过程中，还可以包括：根据所述第一类选择特征和所述第一类特征，或者所述第二类选择特征和所述第二类特征，确定被选维度，所述被选维度是所述第一类选择特征在所述第一类特征中的维度，以及所述第二类选择特征在所述第二类特征中的维度。例如第一类选择特征和第二类选择特征选择的都是第一类特征和第二类特征中第40至60维度中的特征，则被选维度为第40至60维度。
在上述实施例的基础上，在所述用预设的轨道泥石流检测模型对所述待检测图片进行检测，得到检测结果之前，还包括：对所述待检测图片中的每个像素确定待检测特征。按照所述被选维度对每个所述待检测特征进行特征选择，得到待检测选择特征，所述待检测选择特征在所述待检测特征中的维度为所述被选维度。
在上述实施例的基础上，所述用预设的轨道泥石流检测模型对所述待检测图片进行检测，得到检测结果，包括：用预设的轨道泥石流检测模型对所述待检测图片各像素对应的待检测特征和待检测选择特征进行检测，得到所述待检测图片各像素的分类信息，所述分类信息指示了所述像素为泥石流像素或非泥石流像素；判断所述待检测图片所有像素的分类信息中是否包含指示为泥石流像素的分类信息，若是，则将所述检测结果确定为所述待检测轨道区域发生泥石流，若否，则将所述检测结果确定为所述待检测轨道区域未发生泥石流。
在上述实施例的基础上，所述最优模型参数包括最优的相关系数矩阵θ＝[θ1,…θ∞]′和最优的拉格朗日乘子矩阵
所述根据所述最优模型参数对检测模型进行参数配置，得到所述预设的轨道泥石流检测模型，包括：
将所述最优的相关系数矩阵θ和最优的拉格朗日乘子矩阵α代入检测模型，得到所述预设的轨道泥石流检测模型，所述预设的轨道泥石流检测模型路下述公式(13)所示。
其中，y是所有训练样本的标签向量，中间变量矩阵
图3为本发明实施例提供的一种轨道泥石流检测装置，包括：
待检测图片采集模块31，用于对待检测轨道区域进行图像采集，获取待检测图片，所述待检测图片为高光谱图片；
检测结果获取模块32，用于用预设的轨道泥石流检测模型对所述待检测图片进行检测，得到检测结果，所述检测结果用于指示所述待检测轨道区域是否发生泥石流，所述预设的轨道泥石流检测模型为根据带标签的非轨道泥石流高光谱图片和带标签的轨道泥石流高光谱图片训练得到的模型。
图3所示实施例的装置对应地可用于执行图1所示方法实施例中的步骤，其实现原理和技术效果类似，此处不再赘述。
图4为本发明实施例提供的另一种轨道泥石流检测装置，在图3所示实施例的基础上，还包括：
特征获取模块33，用于在所述用预设的轨道泥石流检测模型对所述待检测图片进行检测之前，对带标签的非轨道泥石流高光谱图片中的每个像素确定第一类特征，并对带标签的轨道泥石流高光谱图片中的每个像素确定第二类特征，其中，每个所述第一类特征和每个所述第二类特征分别预设有标签信息，所述标签信息用于指示所述第一类特征相对应的像素和所述第二类特征相对应的像素分别为泥石流像素或非泥石流像素；
特征选择模块34，用于对每个所述第一类特征以及每个所述第二类特征分别进行特征选择，得到具有预设维数的第一类选择特征和具有所述预设维数的第二类选择特征，所述第一类选择特征为每个第一类特征中与第二类特征最相似的选择特征，所述第二类选择特征为每个第二类特征中与第一类特征最相似的选择特征，所述第一类选择特征与所述第一类特征的标签信息对应，所述第二类选择特征与所述第二类特征的标签信息对应；
特征映射模块35，用于根据所述第一类特征和所述第二类特征，获得第一类映射矩阵、第二类映射矩阵、以及属于共同映射子空间的第一类映射特征和第二类映射特征，所述第一类映射矩阵用于将所述第一类特征映射为所述第一类映射特征，所述第二类映射矩阵用于将所述第二类特征映射为所述第二类映射特征；
增强特征获取模块36，用于将所述第一类映射特征与所述第一类选择特征进行拼接，得到第一类增强特征，并将所述第二类映射特征与所述第二类选择特征进行组合，得到第二类增强特征，所述第一类增强特征的标签信息为所述第一类特征的标签信息，所述第二类增强特征的标签信息为所述第二类特征的标签信息；
模型参数优化模块37，用于根据所有所述第一类增强特征、各所述第一类增强特征的标签信息、所有所述第二类增强特征以及各所述第二类增强特征的标签信息，得到最优模型参数；
轨道泥石流检测模型配置模块38，用于根据所述最优模型参数对检测模型进行参数配置，得到所述预设的轨道泥石流检测模型。
在上述实施例的基础上，所述模型参数优化模块具体用于：
根据所述检测模型得到结构风险最小化模型，所述结构风险最小化模型为与所述第一类增强特征、所述第一类增强特征的标签信息、所述第二类增强特征以及所述第二类增强特征的标签信息相关的模型；根据所述结构风险最小化模型，得到目标优化模型，所述目标优化模型的优化参数包含所述检测模型中待优化的相关系数矩阵和待优化的拉格朗日乘子矩阵；根据所述目标优化模型，得到最优模型参数为最优的相关系数矩阵θ＝[θ1,…θ∞]′和最优的拉格朗日乘子矩阵
在上述实施例的基础上，所述特征选择模块，还用于：根据所述第一类选择特征和所述第一类特征，或者所述第二类选择特征和所述第二类特征，确定被选维度，所述被选维度是所述第一类选择特征在所述第一类特征中的维度，以及所述第二类选择特征在所述第二类特征中的维度；
相应地，所述待检测图片采集模块，还用于：在所述用预设的轨道泥石流检测模型对所述待检测图片进行检测，得到检测结果之前，对所述待检测图片中的每个像素确定待检测特征；按照所述被选维度对每个所述待检测特征进行特征选择，得到待检测选择特征，所述待检测选择特征在所述待检测特征中的维度为所述被选维度；
相应地，所述检测结果获取模块，具体用于用预设的轨道泥石流检测模型对所述待检测图片各像素对应的待检测特征和待检测选择特征进行检测，得到所述待检测图片各像素的分类信息，所述分类信息指示了所述像素为泥石流像素或非泥石流像素；判断所述待检测图片所有像素的分类信息中是否包含指示为泥石流像素的分类信息，若是，则将所述检测结果确定为所述待检测轨道区域发生泥石流，若否，则将所述检测结果确定为所述待检测轨道区域未发生泥石流。
图5为本发明提供的一种电子设备的硬件结构示意图。如图5所示，该电子设备包括：处理器51、存储器52和计算机程序；其中
存储器52，用于存储所述计算机程序，该存储器还可以是闪存(flash)。
处理器51，用于执行所述存储器存储的计算机程序，以实现上述方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地，存储器52既可以是独立的，也可以跟处理器51集成在一起。
当所述存储器52是独立于处理器51之外的器件时，所述电子设备还可以包括：
总线53，用于连接所述存储器52和处理器51。图5的电子设备还可以进一步包括发送器(图中未画出)，用于向其他电子设备发送处理器51生成的检测结果。
本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时用于实现上述的各种实施方式提供的方法。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(applicationspecificintegratedcircuits，简称：asic)中。另外，该asic可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述电子设备的实施例中，应理解，处理器可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。