本发明涉及视觉识别，尤其涉及铁路立柱识别方法、存储介质、电子设备、系统。
背景技术
随着高铁事业的快速发展，铁路沿线环境的检测工作越来越重要，目前国内已开展基于图像处理的铁路限界研究工作。吴健等提出一种复杂背景下的铁路防护栏网格提取算法，对铁路沿线的防护栏网进行检测并及时修复。王浩等设计了铁路隧道限界检测仪，实现了在机车运行过程中对周围环境的自动检测，判断是否存在超限物体。铁路沿线除防护栏网等超限物体外，还存在大量接触网的支柱、通信柱和隔离柱，铁路部门必需定期进行立柱检测以保证限界测量的准确性。
技术实现要素：
为了克服现有技术的不足，本发明的目的在于提供铁路立柱识别方法，用自动图像识别的方式，同时后期结合gps定位技术完成对铁路沿线立柱的自动判别，大幅度提高机车高速运行过程中的立柱识别的工作效率以及检测精度。
本发明提供铁路立柱识别方法，包括以下步骤：
图像获取，获取第一图像采集装置采集的rgb图像，获取第二图像采集装置采集的rgbd图像，其中，所述rgb图像与所述rgbd图像为同一时刻同一目标采集的图像，所述rgbd图像为包含深度信息的图像；
图像融合，将所述rgb图像与所述rgbd图像进行融合匹配，将rgbd图像中的深度信息映射至rgb图像中，得到第一融合图像；
预处理，对所述第一融合图像进行双三次样条差值，缩小第一融合图像大小，得到第二图像；
特征提取，计算第二图像内梯度幅值、梯度角度、深度值，提取hog特征；
训练分类器，采用svm作为样本分类器与待训练样本训练得到立柱分类器；
立柱识别，获取待识别图像进所述立柱分类器进行分类识别。
进一步地，特征提取具体为：计算图像水平方向和垂直方向的梯度值及深度值，计算像素点的梯度幅值和梯度方向，将所述第二图像进行分割成若干n×n的像素单元，将所述像素单元在梯度方向上将π平均分割成m个区间，对所述像素单元内所有像素的梯度幅值在各个所述梯度方向区间进行直方图统计，得到一个m维的特征向量；将相邻四个所述像素单元组成像素块，并将所述像素块的特征向量串联起来得到4×m维的特征向量，即为hog特征，其中n大于等于6，m大于等于6。
进一步地，还包括步骤区域提取：将所述第二图像沿宽度方向分割成若干子区，遍历每一所述子区，计算所述子区的梯度幅值与梯度角度，计算每一所述子区中梯度角度在±2°至±5°的梯度幅值和，即得到所述第二图像内立柱区域。
进一步地，所述像素单元为9×9，所述像素单元在梯度方向上平均分割成9个区间。
进一步地，区域提取中还包括：采用深度值对所述立柱区域进行二次区域提取，获取沿长度方向深度值变化率为固定值的区域，得到优化立柱区域。
一种电子设备，包括：处理器；存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行铁路立柱识别方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行铁路立柱识别方法。
铁路立柱识别系统，包括第一图像采集装置、第二图像采集装置、图像融合模块、预处理模块、特征提取模块、立柱分类器；其中，
所述第一图像采集装置用于采集rgb图像，所述第二图像采集装置用于采集rgbd图像；
所述图像融合模块用于获取所述rgb图像与所述rgbd图像并进行图像融合，rgbd图像中的深度信息映射至rgb图像中，得到第一融合图像；
所述预处理模块用于对所述第一融合图像进行双三次样条差值，缩小第一融合图像大小，得到第二图像；
所述特征提取模块用于计算第二图像内梯度幅值、梯度角度、深度值，提取hog特征；
所述立柱分类器采用svm作为样本分类器，用于获取待识别样本进行分类。
进一步地，所述第一图像采集装置具体为工业相机；所述第二图像采集装置具体为深度相机。
相比现有技术，本发明的有益效果在于：
本发明提供铁路立柱识别方法，包括以下步骤：图像获取，获取第一图像采集装置采集的rgb图像，获取第二图像采集装置采集的rgbd图像；图像融合，将rgb图像与rgbd图像进行融合匹配，将rgbd图像中的深度信息映射至rgb图像中，得到第一融合图像；预处理，对第一融合图像进行双三次样条差值，缩小第一融合图像大小，得到第二图像；特征提取，计算第二图像内梯度幅值、梯度角度、深度值，提取hog特征；训练分类器，采用svm作为样本分类器与待训练样本训练得到立柱分类器；立柱识别，获取待识别图像进立柱分类器进行分类识别。本发明还涉及存储介质、电子设备、铁路立柱识别方法，本发明采用自动图像识别的方式，同时后期结合gps定位技术完成对铁路沿线立柱的自动判别，大幅度提高机车高速运行过程中的立柱识别的工作效率以及检测精度。本发明构思巧妙，便于铁路部门推广应用。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的铁路立柱识别方法流程示意图；
图2为本发明的铁路立柱识别系统结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
铁路立柱识别方法，如图1所示，包括以下步骤：
图像获取，获取第一图像采集装置采集的rgb图像，获取第二图像采集装置采集的rgbd图像，其中，rgb图像与rgbd图像为同一时刻同一目标采集的图像，rgbd图像为包含深度信息的图像；在一实施例中如图2所示，第一图像采集装置具体为工业相机；第二图像采集装置具体为深度相机；图像获取时，工业相机与深度相机为相同采集尺寸，同时刻采集同一位置图像，为保持两相机采集图像尽量消除视觉角度差，工业相机与深度相机呈垂直上下布局，镜头方向为水平方向。
图像融合，将rgb图像与rgbd图像进行融合匹配，将rgbd图像中的深度信息映射至rgb图像中，得到第一融合图像；
预处理，对第一融合图像进行双三次样条差值，缩小第一融合图像大小，得到第二图像；例如，第一图像采集装置采集的图片大小为480×640，直接处理图片会增加运算时间和计算量，因此首先对图片进行三次样条插值，减小图片大小，降低运算时间，提高处理速度。
在一实施例中，还包括步骤区域提取：将第二图像沿宽度方向分割成若干子区，遍历每一子区，分析可得，立柱边缘像素的梯度角度全部在水平区域，而背景像素的梯度角度不定，由于拍摄误差，可能造成图片中柱子有一定的倾斜角度，计算每一子区中梯度角度在±2°至±5°的梯度幅值和，即得到第二图像内立柱区域。特别地，采用深度值对立柱区域进行二次区域提取，获取沿长度方向深度值变化率为固定值的区域，得到优化立柱区域，其中，深度值为校验信息，由于背景中的深度值变化为非线性变化，立柱上沿长度方向上的深度值为连续变化或保持不变，故对深度值进行二阶求导，当深度值变化率二阶导为零值时，则辅助验证区域提取的立柱区域的正确性。
特征提取，计算第二图像内梯度幅值、梯度角度、深度值，提取hog特征；具体地，计算图像水平方向和垂直方向的梯度值及深度值，计算像素点的梯度幅值和梯度方向，将第二图像进行分割成若干n×n的像素单元，将像素单元在梯度方向上将π平均分割成m个区间，对像素单元内所有像素的梯度幅值在各个梯度方向区间进行直方图统计，得到一个m维的特征向量；将相邻四个像素单元组成像素块，并将像素块的特征向量串联起来得到4×m维的特征向量，即为hog特征，其中n大于等于6，m大于等于6。在一实施例中，将第二图像进行分割成若干9×9的像素单元，将像素单元在梯度方向上将π平均分割成9个区间，每个区间覆盖20°，对像素单元内所有像素的梯度幅值在各个梯度方向区间进行直方图统计，得到一个9维的特征向量；将相邻四个像素单元组成像素块，并将像素块的特征向量串联起来得到36维的特征向量，即为hog特征，然后用像素块对样本图像进行扫描，扫描步长为一个像素单元；最后将所有像素块的特征串联得到目标图片的特征，及hog特征。
训练分类器，采用svm作为样本分类器与待训练样本训练得到立柱分类器；采用svm作为样本分类器，训练样本包括正样本和负样本，正样本为包含立柱的图片，负样本为随机背景图片。例如，分别选取500张立柱图片和随机背景图片作为正、负样本，对图片进行双三次样条插值，然后粗提取疑似包含立柱区域，求取立柱区域的hog特征送入svm中训练，得到初步的立柱分类器；再分别选取200张正、负样本作为测试样本，将误判的样本分别加入到正确的样本集中重新训练分类器；重复上一步骤训练分类器，得到最终的立柱分类器。立柱识别，获取待识别图像进立柱分类器进行分类识别。将待识别图像送入训练好的立柱分类器中，筛选出包含立柱的目标图片。
一种电子设备，包括：处理器；存储器；以及程序，其中程序被存储在存储器中，并且被配置成由处理器执行，程序包括用于执行铁路立柱识别方法；一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行铁路立柱识别方法。
铁路立柱识别系统，如图2所示，包括第一图像采集装置、第二图像采集装置、图像融合模块、预处理模块、特征提取模块、立柱分类器；其中，
第一图像采集装置用于采集rgb图像，第二图像采集装置用于采集rgbd图像；在一实施例中如图2所示，第一图像采集装置具体为工业相机；第二图像采集装置具体为深度相机。
图像融合模块用于获取rgb图像与rgbd图像并进行图像融合，rgbd图像中的深度信息映射至rgb图像中，得到第一融合图像；
预处理模块用于对第一融合图像进行双三次样条差值，缩小第一融合图像大小，得到第二图像；
特征提取模块用于计算第二图像内梯度幅值、梯度角度、深度值，提取hog特征；
立柱分类器采用svm作为样本分类器，用于获取待识别样本进行分类。
本发明提供铁路立柱识别方法，包括以下步骤：图像获取，获取第一图像采集装置采集的rgb图像，获取第二图像采集装置采集的rgbd图像；图像融合，将rgb图像与rgbd图像进行融合匹配，将rgbd图像中的深度信息映射至rgb图像中，得到第一融合图像；预处理，对第一融合图像进行双三次样条差值，缩小第一融合图像大小，得到第二图像；特征提取，计算第二图像内梯度幅值、梯度角度、深度值，提取hog特征；训练分类器，采用svm作为样本分类器与待训练样本训练得到立柱分类器；立柱识别，获取待识别图像进立柱分类器进行分类识别。本发明还涉及存储介质、电子设备、铁路立柱识别方法，本发明采用自动图像识别的方式，同时后期结合gps定位技术完成对铁路沿线立柱的自动判别，大幅度提高机车高速运行过程中的立柱识别的工作效率以及检测精度。本发明构思巧妙，便于铁路部门推广应用。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。