一种屏蔽门障碍物检测方法及检测系统与流程

本发明涉及轨道交通技术领域，特别涉及一种屏蔽门障碍物检测方法，还涉及一种屏蔽门障碍物检测系统。

背景技术：

在地铁站台中，轨道列车与屏蔽门之间存在25cm-30cm的空隙，这个空隙足以容纳一个人，当列车启动时如果有乘客或者物品夹在这个空间中则很容易造成人员伤害或者车辆损坏，因此必须增设障碍物检测装置以防意外情况发生。目前屏蔽门所采用的障碍物检测传感装置通常采用光电传感器，通过在屏蔽门与车辆们之间的部分安装发射与接收装置，通过发射器发射光电信号，接收器检测发射器与接收器之间是否存在阻隔，从而判断是否出现了障碍物。而通接收装置有时候会因外界的环境光入射而导致判断错误。光电传感装置属于精密仪器，为保证接收器能确实接收到发射器发送的信号，发射器与接收器必须严格处于同一轴线，即使有较小的偏转也会导致接收器无法接收信号，而轨道站台线路由于经常有列车经过，震动比较大，如不定期对设备进行调整维护，传感器会因长期的震动而导致错位。

授权公告号为cn103661491b(申请号为201310642287.3)的中国发明专利《站台屏蔽门智能控制系统及方法》，其中公开的站台屏蔽门智能控制方法采用图像特征提取和匹配的方法，能够实时判断列车车门和站台屏蔽门之间是否存在异物，以及列车进出站的状态，做出智能化的判断和决策。但是该发明中的站台屏蔽门智能控制方法在判断是否存在异物时，参考图像库中的图像是固定的，而站台周围的环境变化多样，且站台还存在翻修的情况，难免出现场景变化较大的情况，此时则会出现检测失误的情况。

技术实现要素：

本发明所要解决的第一个技术问题是针对上述现有技术提供一种能够在场景变化的情况下，放弃模型识别同时进行针对性实时识别，提高场景变化的情况下障碍物识别率的屏蔽门障碍物检测方法。

本发明索要解决的第二个技术问题是针对现有技术提供一种根据场景变化情况对应采取不同识别方案，可以有效避免场景变化对异物识别造成影响的屏蔽门障碍物检测系统。

本发明解决上述第一个技术问题所采用的技术方案为：一种屏蔽门障碍物检测方法，其特征在于：包括以下步骤：

s1、拍摄屏蔽门与车辆们之间区域的图像；

s2、将拍摄的图像与场景变化标定图像进行对比，并判断是否出现场景出现重大变化，如果否，则进行s3；如果是，则进行s5；

s3、将拍摄的图像送至障碍物识别模型中进行障碍物识别；

s4、利用障碍物识别模型计算判断是否存在障碍物；

s5、将拍摄的图像中检测区域的图像与训练样本图像中对应的检测区域的图像进行比较，判断是否存在障碍物；

同时存储新拍摄的图像，待新存储的图像数量达到设定值后，将新存储的图像作为新的训练样本进行障碍物识别模型的更新训练，进而更新障碍物识别模型。

优选地，s2中，判断场景是否出现重大变化的方法为：

s2.1、将拍摄的图像fr与场景变化标定图像fi进行绝对值差分操作，进而获取差分图像fd，fd＝absdiffimage(fr,fi)；

s2.2、将fd转为灰度图，获得灰度图片fg，fg＝rgb2gray(fd)；

s2.3、对fg执行高斯滤波操作，滤去图片噪点，fb＝gaussianblur(fg(m,n),t)；

其中m、n表示高斯矩阵维度，t表示高斯滤波的标准差；

s2.4、设置灰度阈值tg，以tg为阈值对fb进行二值化处理，获取二值化图片fbi，fbi＝threshold(fb,tg,255)；其中图片fb中像素灰度值位于tg-255之间的像素点设置为1，其余的设置为0；

s2.5、对fbi进行矩阵求和，获取累加值s，s＝sum(fbi)；

s2.6、设置差分阈值td，将累加值s与td进行比较，若s>td则表示差分结果较大，则判断当前场景相对于场景变化标定图像中的场景发生较大的变化，同时将当前拍摄到的图片fr设置为场景变化标定图像。

优选地，s5中，障碍物的判断方法为：

s5.1、随机抽取训练样本图像作为模板图像；

s5.2、读取模板图像的灰度信息数据；

s5.3、对模板图像进行sift特征提取，提取模板图像中的所有sift特征点；

s5.4、选取模板图像中位于检测区域边界处的特征点以确定检测区域，设模板图像的检测区域为r，并获取模板图像检测区域边界上特征点的特征数据feature1；

s5.5、读取当前拍摄图像的灰度信息数据；

s5.6、对当前拍摄图像进行sift特征提取，提取当前拍摄图像中的所有sift特征点；

s5.7、检测当前拍摄图像中与模板图像检测区域边界上特征点的特征数据feature1相匹配的边界特征点，并根据边界特征点确定当前拍摄图像的检测区域r’；

s5.8、将当前拍摄图像的检测区域进行裁剪以及变形，进而获取转化后的图像a；

利用sobel算子计算图像a的水平梯度gradx与垂直梯度grady；

将图像a的水平梯度gradx与垂直梯度grady相减，进而获取具有高水平梯度与低垂直梯度的图像b：

采用低通滤波器对图像b进行平滑操作以滤去图像b上的噪点，会儿获取模糊后的图像c：

对模糊后的图像c进行二值化操作，进而获取二值化图像d：

求取二值化图像d所有像素点灰度值之和s，将s与设定的二值化检测阈值tbinary进行比较计算，若s≥tbinary，则判断存在障碍物，若s＜tbinary，则判断不存在障碍物。

为了提高障碍物识别的准确性，场景未出现重大变化时，定期将拍摄的图像传送至障碍物识别模型的训练样本库，进而根据更新后的训练样本库训练更新障碍物识别模型。

本发明解决上述第二个技术问题所采用的技术方案为：一种屏蔽门障碍物检测系统，其特征在于：包括

摄像头，设置在屏蔽门与车辆门之间空隙的上方；

数据处理单元，与摄像头电连接，用于对图像进行计算处理；

数据存储单元，与所述数据处理单元电连接，用于存储摄像头拍摄的图像以及障碍物识别模型；

后台计算机，通过网络通信接口与所述数据存储单元通信连接，用于训练障碍物识别模型以及进行障碍物识别计算。

为了方便在光线不足的情况下进行补光处理，保证拍摄图像的清晰度，所述摄像头内置有红外灯。

与现有技术相比，本发明的优点在于：该屏蔽门障碍物检测方法及检测系统配合使用，在出现场景发生重大变化的情况下，能够将当前拍摄的图像实时传送至后台计算机，利用后台计算机进行对比计算，进而快速识别障碍物情况，如此可以有效避免在场景较大变化情况下，障碍物识别模型不能及时更新而造成对障碍物识别率低的问题。同时后台计算机能够有效保证计算速度，能够及时传输障碍物情况结果。另外，该屏蔽门障碍物检测方法还可以将场景发生较大变化的图像作为训练样本进行障碍物识别模型的训练，提高障碍物的识别准确性。

附图说明

图1为本发明实施例中屏蔽门障碍物检测系统的结构框图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

如图1所示，本实施例中的屏蔽门障碍物检测系统，包括：

摄像头1，设置在屏蔽门与车辆门之间空隙的上方；摄像头1的数量根据需要进行设置，通常对应于每个屏蔽门均设置一个摄像头1，本实施例中的摄像头1内置有红外灯，如此在光线不足的情况下，可以开启红外灯协助摄像头1进行拍摄，保证拍摄图像的清晰度，增加障碍物判断的准确性；

数据处理单元2，对应于每一个摄像头1设置一个数据处理单元2，该数据处理单元2与摄像头1电连接；通常该数据处理单元2采用单片机，该数据处理单元2的数据处理能力有限，主要用于对图像进行计算处理，并将图像送入至存储的障碍物识别模型中进行计算；

数据存储单元3，对应于每个数据处理单元2设置一个数据存储单元3，该数据存储单元3与所述数据处理单元2电连接，用于存储摄像头1拍摄的图像以及障碍物识别模型；

其中摄像头1、数据处理单元2、数据存储单元3均安装在现场前端；

后台计算机4，通常放置在后端，后台计算机4的处理能力强大，该后台计算机4通过网络通信接口与数据存储单元3通信连接，用于训练障碍物识别模型以及进行障碍物识别计算，后台计算机4与数据存储单元3之间还能够进行数据传输，数据存储单元3中的图像可以传送至后台计算机4的训练数据库中，以供后台计算机4进行障碍物识别模型的训练使用，同时后台计算机4训练好的障碍物识别模型可以传送至数据存储单元3中，以供障碍物识别使用。

本发明中的屏蔽门障碍物检测方法，包括以下步骤：

s1、拍摄屏蔽门与车辆们之间区域的图像；

s2、将拍摄的图像与场景变化标定图像进行对比，并判断是否出现场景出现重大变化，如果否，则进行s3；如果是，则进行s5；

其中判断场景是否出现重大变化的方法为：

s2.1、将拍摄的图像fr与场景变化标定图像fi进行绝对值差分操作，进而获取差分图像fd，fd＝absdiffimage(fr,fi)；

s2.2、将fd转为灰度图，获得灰度图片fg，fg＝rgb2gray(fd)；

s2.3、对fg执行高斯滤波操作，滤去图片噪点，fb＝gaussianblur(fg(m,n),t)；

其中m、n表示高斯矩阵维度，t表示高斯滤波的标准差；

s2.4、设置灰度阈值tg，以tg为阈值对fb进行二值化处理，获取二值化图片fbi，fbi＝threshold(fb,tg,255)；其中图片fb中像素灰度值位于tg-255之间的像素点设置为1，其余的设置为0；

s2.5、对fbi进行矩阵求和，获取累加值s，s＝sum(fbi)；

s2.6、设置差分阈值td，将累加值s与td进行比较，若s>td则表示差分结果较大，则判断当前场景相对于场景变化标定图像中的场景发生较大的变化，同时将当前拍摄到的图片fr设置为场景变化标定图像。

s3、将拍摄的图像送至障碍物识别模型中进行障碍物识别；场景未出现重大变化时，定期将拍摄的一定的图像传送至后台计算机4中，进而将图像放入至障碍物识别模型的训练样本库，后台计算机4可以利用更新后的训练样本库训练更新障碍物识别模型，保证障碍物识别模型的高识别率；

s4、利用障碍物识别模型计算判断是否存在障碍物；由于该过程中的计算量小，通常该过程在数据处理单元2中进行；

s5、将拍摄的图像中检测区域的图像与训练样本图像中对应的检测区域的图像进行比较，判断是否存在障碍物；拍摄出来的图像附带有外围的站台、屏蔽门、车辆壁、车门等这些环境图像，但是对于需要检测的区域，即屏蔽门与车辆门之间的这块区域始终保持空缺状态，因此，及时周围环境发生变化，但是对检测区域进行识别，仍然能够获取准确的障碍物信息；

障碍物的判断方法为：

s5.1、随机抽取训练样本图像作为模板图像；

s5.2、读取模板图像的灰度信息数据；

s5.3、对模板图像进行sift特征提取，提取模板图像中的所有sift特征点；

s5.4、选取模板图像中位于检测区域边界处的特征点以确定检测区域，设模板图像的检测区域为r，并获取模板图像检测区域边界上特征点的特征数据feature1；

s5.5、读取当前拍摄图像的灰度信息数据；

s5.6、对当前拍摄图像进行sift特征提取，提取当前拍摄图像中的所有sift特征点；

s5.7、检测当前拍摄图像中与模板图像检测区域边界上特征点的特征数据feature1相匹配的边界特征点，并根据边界特征点确定当前拍摄图像的检测区域r’；

s5.8、将当前拍摄图像的检测区域进行裁剪以及变形，进而获取转化后的图像a；

利用sobel算子计算图像a的水平梯度gradx与垂直梯度grady；

将图像a的水平梯度gradx与垂直梯度grady相减，进而获取具有高水平梯度与低垂直梯度的图像b：

采用低通滤波器对图像b进行平滑操作以滤去图像b上的噪点，会儿获取模糊后的图像c：

对模糊后的图像c进行二值化操作，进而获取二值化图像d：

求取二值化图像d所有像素点灰度值之和s，将s与设定的二值化检测阈值tbinary进行比较计算，若s≥tbinary，则判断存在障碍物，若s＜tbinary，则判断不存在障碍物；

同时存储新拍摄的图像，待新存储的图像数量达到设定值后，将新存储的图像作为新的训练样本进行障碍物识别模型的更新训练，进而更新障碍物识别模型。