基于视频技术的铁路道口防护区域安全智能识别方法
【技术领域】
[0001] 本发明设及铁路/公路交叉道口的安全装置技术领域，具体设及一种基于视频技 术的铁路道口防护区域安全智能识别方法。
【背景技术】
[0002] 随着国内区域性产业集群和区域性城市群的发展，用于连接该些产业集群和城市 群的铁路网也得到快速发展。我国拥有世界上运输里程最长、分布最密集的铁路网。同时 在铁路网上运行的列车速度和列车密度均大幅提升。铁路道口安全管理是铁路运输安全的 重要组成部分其管理水平的高低直接制约着铁路网的畅通性和安全性。铁路道口安全管理 包括有人值守管理道口、声光报警管理道口、远程集中控制管理道口 =种基础方式，W及在 上述=种基础方式基础上引入道口区域安全智能识别判断的自动智能管理技术。
[0003] 道口区域安全智能识别判断是道口安全管理自动化、智能化的基础。无人自动铁 路道口安全管理完全依赖于道口区域安全智能识别技术。现有的区域安全智能识别技术包 括基于雷达的智能识别技术和基于视频的智能识别技术。其中基于雷达的智能识别技术， 存在整体识别精度差，对体积较小的物体不能识别，由于周围环境对雷达波存在干扰，误报 率很高；现有的基于视频的智能识别技术，识别精度较高，其被广泛用于仓储管理、智能汽 车、生产管理，停车场管理，但由于其无法识别阴影、树叶、光斑等平面图像，因此不适用于 地理环境比较复杂的铁路道口。
[0004] 现有的铁路道口的视频监控系统主要用于现场录像，供后续查询使用。如公开号 为CN103661502A的中国专利文献，针对有人值守管理道口存在铁路平交道口的安全完全 依赖于工作人员，难免会发生遗漏的安全的技术问题，从而影响铁路网线运输的技术问题， 公开一种铁路平交道口自动化监测与控制系统，其中的视频监控系统包括多个带红外高清 摄像机、多个可见光高清摄像机、硬盘录像机和视频处理主机，带红外高清摄像机和可见光 高清摄像机的输出分别与硬盘录像机相连，硬盘录像机的输出与视频处理主机连接，视频 处理主机的输出与道口控制主机相连。该技术方案中只有视频监控的技术方案，没有任何 提及任何基于视频的智能识别的技术方案。
[000引如公开号为CN101830218A的中国专利文献，针对制动机的检查还采用在货车静 止状态下，工对制动机韓韓杆进行监测，存在主观因素，对监测结果难W控制技术问题，公 开一种列车制动机智能识别监测系统，其中的所述视觉监测单元用于对车厢底部进行连续 拍照，并与控制单元相配合，自动识别判断当前视觉范围内制动机存在与否，制动机在图片 中的位置等；所述摆动单元用于驱动视觉监测单元的摆动，由控制单元控制调整制动机在 视觉监测单元视觉范围内的位置，达到最佳拍摄及测量效果；该方案的视觉监测单元只适 用于制动机检查，不适用于地理环境比较复杂的铁路道口。
[0006] 综上所述，现有的基于视频的智能识别技术，只适用于仓储管理、智能汽车、生产 管理，停车场管理，由于其无法识别阴影、树叶、光斑等平面图像，不适用于地理环境比较复 杂的铁路道口区域安全智能识别。
【发明内容】
[0007] 本发明所要解决的技术问题是提供一种能对地理环境比较复杂的铁路道口区域 进行安全智能识别的基于视频技术的铁路道口防护区域安全智能识别方法，从而进一步增 强铁路道口安全管理的实时性和可靠性。
[0008] 本发明解决技术问题所采用的技术方案是：
[0009] 基于视频技术的铁路道口防护区域安全智能识别方法，该方法所采用的设备包括 网络摄像机、具有视频分析处理系统的视频分析主机，采用摄像视角相互错开方式在同一 铁路道口架设多个网络摄像机，在管理中屯、设置具有视频分析处理系统的视频分析主机， 将每个网络摄像机与视频分析主机网络连接，将每个网络摄像机的摄像模式设置为YUV模 式；每个网络摄像机W YUV模式实时采集铁路道口防护区域的现场视频图像数据并将现场 视频图像数据传递给视频分析主机，视频分析主机的视频分析处理系统对现场视频图像数 据进行智能识别，通过智能识别判断视频图像中的目标物体是否为障碍物；该方法包括W 下步骤：
[0010] 步骤UWYUV模式实时采集铁路道口防护区域的现场视频图像数据海台网络摄 像机WYUV模式实时采集铁路道口防护区域的现场视频图像数据数据，并通过网络将现场 视频图像数据数据传递给视频分析主机，视频分析主机预存接收到的现场视频图像数据， 将其作为待分析现场视频图像数据；
[0011] 步骤2、采用具有混合高斯模型特性的工作码本对待分析现场视频图像做运动检 测确定目标物体：建立用于分析视频图像数据的混合高斯模型，初始化混合高斯模型得出 初始背景图像，将初始背景图像在YUV颜色空间下抽样量化成由码元构成的初始码本，使 用多帖待分析视频图像的像素点对初始码本进行匹配性训练学习得出具有混合高斯模型 特性的工作码本，采用工作码本对待分析现场视频图像进行处理确定视频图像中的目标物 体；
[0012] 步骤3、建立SVM分类器通过SVM分类器对待分析视频图像中的目标物体进行分 类；制作包括行人图像、车辆图像、背景物图像的分类训练图像集，创建具有行人特征库、车 辆特征库、背景物特征库的SVM分类初始模型，采用分类训练图像集对SVM分类初始模型进 行训练学习得到SVM分类器，采用SVM分类器对待分析视频图像中的目标物体进行分析归 类；
[0013] 步骤4、使用多摄像机融合坐标变换矩阵判断目标物体是否为障碍物；采用SIFT 算法得出不同网络摄像机采集的视频图像之间的SIFT特征关键点对，对W SIFT特征关键 点对为样本的SIFT特征关键点对原始样本集使用随机抽样一致RANSAC算法构建多摄像机 融合坐标变换矩阵，使用多摄像机融合坐标变换矩阵判断出现在同一铁路道口不同网络摄 像机所采集到的视频图像中的目标物体是否为可疑目标物体，使用多摄像机融合坐标变换 矩阵通过共面性判断可疑目标物体是否为障碍物。
[0014] 进一步，步骤4前还包括采用直方图均衡法对各个网络摄像机采集到的现场视频 图像的亮度进行调整，对各个网络摄像机采集到的现场视频图像做高斯模糊处理。
[0015] 进一步，步骤3中采用SIFT算法得出不同网络摄像机采集的视频图像之间的SIFT 特征关键点对后还包括将视频图像画面分割成多个子区域，对于关键点较多的子区域，人 工剔除匹配性差的SIFT特征关键点对及相应的关键点，对于关键点较少的子区域，人工增 加关键点及增加相应的SIFT特征关键点对。
[0016] 进一步，步骤3中的创建具有行人特征库、车辆特征库、背景物特征库的SVM分类 初始模型为；W面积、周长、面积除W周长得数的平方、占空比、长宽比、惯性主轴方向几何 特征为提取特征，创建具有行人特征库、车辆特征库、背景物特征库的SVM分类初始模型， 并对SVM分类初始模型进行初始化。
[0017] 进一步，步骤3中的采用分类训练图像集对SVM分类初始模型进行训练学习得到 SVM分类器为；W训练图像集中行人图像为行人训练样本，采用行人训练样本对SVM分类初 始模型进行学习训练，将学习训练结果和实际图片进行比对，直到学习训练的均方误差达 到期望值，得到行人SVM分类器；W训练图像集中车辆图像为车辆训练样本，采用车辆训练 样本对SVM分类初始模型进行学习训练，将学习训练结果和实际图片进行比对，直到学习 训练的均方误差达到期望值，得到车辆SVM分类器；W训练图像集中背景物图像为背景物 训练样本，采用背景物训练样本对SVM分类初始模型进行学习训练，将学习训练结果和实 际图片进行比对，直到学习训练的均方误差达到期望值，得到背景物SVM分类器；从而得到 用于铁道路口防护区域现场视频图像处理的SVM分类器。
[0018] 进一步，步骤4中的采用SIFT算法得出不同网络摄像机采集的视频图像之间的 SIFT特征关键点对为；对待分析视频图像进行关键点检测确定视频图像中的关键点，构造 关键点SIFT特征向量，通过SIFT特征向量匹配原则对不同网络摄像机采集的视频图像中 的关键点进行匹配获得SIFT特征关键点对。
[0019] 进一步，对待分析视频图像进行关键点检测确定视频图像中的关键点后，还包括 将视频图像画面分割成多个子画面，确定子画面中的关键点阔值，对于关键点数量少于关 键点阔值的子画面，采用人工标注补齐关键点，确保每个子画面内的关键点数量不少于关 键点阔值。
[0020] 进一步，步骤4中的对W SIFT特征关键点对为样本的SIFT特征关键点对原始样 本集使用随机抽样一致RANSAC算法构建多摄像机融合坐标变换矩阵为：
[0021] 构建SIFT特征关键点对原始样本集；构建坐标变换矩阵；使用坐标变换矩阵进行 SIFT特征关键点对的相似性迭代运算，消除SIFT特征关键点对原始样本集中的错配SIFT 特征关键点对，得到SIFT特征关键点对最终样本集；使用坐标变换矩阵和SIFT特征关键点 对最终样本集构建多摄像机融合坐标变换矩阵，得到同一铁路道口的多台网络摄像机所采 集到的视频图像之间的映射关系。
[0022] 进一步，步骤4中的使用多摄像机融合坐标变换矩阵判断出现在同一铁路道口不 同网络摄像机所采集到的视频图像中的目标物体是否为可疑目标物体为：通过多摄像机融 合坐标变换矩阵，得到同一目标物体在不同摄像机视角内的尺寸、位置、出现时间，从而判 断出现在不同网络摄像机视频图像内的目标物体是否为同一物体，再根据简单多数原则判 断判断目标物体是否为可疑目标物体。
[0023] 进一步，步骤4中的使用多摄像机融合坐标变换矩阵通过共面性判断可疑目标物 体是否为障碍物为；采用多摄像机融合坐标变换矩阵将其他网络摄像机采集到的视频图像 画面转换到基准网络摄像机坐标系下的视频图像画面，将转换得到其他网络摄像机的视频 图像画面与基准网络摄像机采集到的视频图像画面差分计算得到差分图像，如果差分图像 像素点值小于差分阔值，则可疑目标物体为误报，如果大于等于差分阔值，则可疑目标物体 为障碍物。
[0024] 本发明的基于视频技术的铁路道口防护区域安全智能识别方法适用于铁路/公 路交叉道口的安全防护。
[00巧]与现有技术相比，本发明的有益效果是：
[0026] 1、本发明的基于视频技术的铁路道口防护区域安全智能识别方法，由于采用多个 摄像视角相互错开的网络摄像机WYUV模式实时采集同一铁路道口的现场视频图像，采集 到的视频图像中目标物体的视频图像为立体图像，消除了光斑、树叶或者拍摄视角对网络 摄像机成像质量的平面化影响，且YUV模式的视频图像能较好地抑制高