一种铁路调车信号安全预警系统的制作方法

本发明属于铁路安全预警技术领域，具体涉及一种铁路调车信号安全预警系统。本发明还涉及该铁路调车信号安全预警系统的安全预警方法。

背景技术：

铁路运输是提高运输生产和人民物资集体化水平的重要行业。经济的快速发展不断推动着运输量的增长，使得铁路在运输业中占有举足轻重的地位。而在诸多铁路工种中，调车作业是铁路车站行车组织工作中的一项重要环节。随着运输量的增大和铁路速度的提高，铁路运输事故也层出不穷，给国家和人民造成了巨大的损失。其中，调车作业由于具有全天候、范围广、对象多等特点，调车事故在铁路事故中占了很大比例。据相关资料统计，调车事故约占铁路总事故的百分之八十左右，尤其是穿越正线时发生的调车事故。尽管各路局都加强了调车作业安全防护措施，但调车事故还是无法避免。目前，人为因素造成的调车事故时有发生，例如进行调车作业或机车出、入库时，主要还是依靠作业人员瞭望来确认地面调车信号，但常常由于机车乘务员的疏忽或天气等外界条件的干扰，而发生不能正确辨别调车信号的事故。因此，一旦人员操作失误，往往会造成轻则脱线、挤岔子、溜逸等危险性事故，重则出现侧面冲突、颠覆，甚至造成车毁人亡事故。因此急需要设计一种铁路调车信号安全预警系统引导司机安全驾驶，杜绝人为因素造成调车事故的发生。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种铁路调车信号安全预警系统，引导司机安全驾驶，达到安全作业的目的。本发明采用机器视觉识别、智能视频分析技术，通过对车辆行进中拍摄的前方视频图像进行处理来获取信号灯及行进站线路信息，从而判断出列车前方行进路线以及该路线沿途信号灯的状态，并根据信号灯距离和机车行车速度判断机车安全状态并语音报警提示。

为实现以上目的，本发明采用如下技术方案，

一种铁路调车信号安全预警系统，包括视频数据采集模块、图像分析仪、信号显示屏、语音提示器和电信4g路由器，其特征在于，

所述视频数据采集模块采集调车前方1-150m的视频数据；

所述图像分析仪接收所述视频数据采集模块采集的视频数据后获得分析数据，并发送至所述信号显示屏和语音提示器；

所述图像分析仪包括信号灯颜色辨别模块，所述分析数据包括信号灯数据；所述信号灯颜色辨别模块直接对视频图像中信号灯的空间位置、大小和种类与预设数据进行判断，获得信号灯的空间位置、大小和种类的信号灯数据，并发送至所述信号显示屏和语音提示器；

所述信号显示屏接收并显示所述视频数据采集模块采集的视频数据、所述图像分析仪发送的分析数据；

所述语音提示器提供语音播报提示，接收所述图像分析仪发送的分析数据并将分析数据进行语音播报提示；

所述电信4g路由器包括4g通信和路由功能，收发和/或中转所述视频数据采集模块采集的视频数据和所述图像分析仪获得的分析数据，和/或向上位机通过4g网络传输数据。

作为一种优选技术方案，所述视频数据采集模块包括第一视频采集摄像机、第二视频采集摄像机，所述第一视频采集摄像机安装于机车两端的顶部，采集列车前方远距离的视频数据；所述第二视频采集摄像机安装于机车两端的中间位置，采集列车前方近距离的视频数据；根据列车运行速度选择采集列车前方不同距离的视频数据，在普通调车或运行速度小于160km/h的列车中，所述第一视频采集摄像机采集列车前方80-150m的视频数据，所述第二视频采集摄像机采集列车前方1-80m的视频数据，在动车或高铁列车中，所述第一视频采集摄像机和所述第二视频采集摄像机的采集视频数据的距离要延长。

作为一种优选技术方案，所述视频数据采集模块为带有200万1/2.8"逐行扫描图像传感器的网络摄像机，所述第一视频采集摄像机使用长焦镜头，焦距20mm以上；所述第二视频采集摄像机使用广角短焦镜头，焦距5-20mm。

作为一种优选技术方案，还有视频数据预处理模块，所述视频数据预处理模块接收所述视频数据采集模块采集的视频数据后，去除视频数据在采集、转换和传输的过程中的噪声，提高视频数据的图像质量，获得预处理视频数据，并将预处理视频数据发送至所述图像分析仪进行处理。

作为一种优选技术方案，所述视频数据预处理模块的一种数据预处理方法，其步骤为，

(1)依据retinex理论，建立公式：i(x,y)＝l(x,y)r(x,y)，

其中i(x,y)表示将被去雾操作的rgb图像，l(x,y)表示光照分量，是指图像中的低频分量；r(x,y)表示反射分量，与光照影响没有关系，只是图像的细节信息；

(2)采用灰度图像进行处理，将rgb图像i(x,y)转换成灰度图像i^h(x,y)，

(3)使用高斯滤波估计求光照分量l(x,y)，建立公式：

其中，g为高斯核，大小为m×n，*表示卷积运算；

(4)通过retinex原理，求出反射分量r(x,y)，建立公式：

r(x,y)＝i(x,y)/l(x,y)；

(5)依据retinex原理，对图像增强得到i^r(x,y)，建立公式：

i^r(x,y)＝i^h(x,y)-i^h(x,y)*g(x,y)；

(6)依据欧道明大学litao的色彩还原算法，可以得到：

i^c(x,y)＝i(x,y)(i^h(x,y)/i^r(x,y))

(7)对三通道i^c(x,y)分别进行求反操作，如公式所示：

i^fi(x,y)＝255-i^ci(x,y)；

其中i∈{r,g,b}，i^f为去除噪声操作后的图像，即为预处理视频数据，本方法用于雨天、雾天、雾霾天气时去除雨、去除雾、去除雾霾背景。

作为一种优选技术方案，还包括视频数据存储模块，所述视频数据存储模块存储所述视频数据采集模块采集的视频数据、所述视频数据预处理模块获得的预处理视频数据、所述图像分析仪获得的分析数据。

作为一种优选技术方案，所述视频数据存储模块包括本地存储器和远程云存储。

作为一种优选技术方案，所述本地存储器为网络硬盘刻录机。

作为一种优选技术方案，所述远程云存储接收并存储所述电信4g路由器转发的所述视频数据采集模块采集的数据和所述图像分析仪获得的分析数据。

作为一种优选技术方案，所述信号灯颜色辨别模块的一种对视频图像中信号灯的空间位置、大小和种类进行判断的方法，其步骤为，

(1)将接收到视频数据的视频图像划分为s×s的网格；

(2)加载darknet网络模型对步骤(1)获得的图像进行特征提取；

(3)取darknet网络模型中的卷积层l获得维度为n×n×512的图像特征，再使用1×1×1024的卷积层对其进行卷积操作得到维度为n×n×1024的图像特征t；

(4)取darknet网络模型中的卷积层l+4获得维度为m×m×1024的图像特征，其中m＝n/2；

(5)采用最近邻上采样的反卷积方式对步骤(4)获得的图像特征进行操作，计算得到维度为n×n×1024的图像特征t'；

(6)选取第3步与第5步计算得到的图像特征t与t'作为输入，使用1×1×1024卷积层将两部分图像特征进行融合得到融合后的图像特征r；

(7)使用3×3×1024对图像特征r进行卷积操作得到图像特征金字塔网络分辨率较大的部分r'；

(8)使用3×3×1024对步骤(4)获得的图像特征进行卷积操作得到图像特征金字塔网络分辨率较小的部分r”；

(9)使用1×1×125的卷积层对第7步与第8步计算得到的图像特征r'与r”分别进行卷积操作，合并后得到预测数据；

(10)使用非极大值抑制算法对预测数据进行过滤，得到最终的检测结果。

作为一种优选技术方案，所述图像分析仪还包括信号灯距离计算模块，所述信号灯距离计算模块测量至信号灯距离获得至前方信号灯的位置距离数据，并将至前方信号灯的位置距离数据发送至所述信号显示屏和语音提示器。本发明自动提示前方地面调车信号灯的显示状态及位置距离，以达到辅助机车乘务员安全行驶的目的。针对信号灯距离测量的实际应用，并考虑到机车主要在平坦的路面上行驶，不需要考虑空间内距离，只需要平面测距即可，所以可通过单目视觉来完成目标距离测量。

作为一种优选技术方案，所述信号灯距离计算模块的一种计算信号灯距离的方法，其步骤如下，

(1)选用摄像机的镜头焦距设置为f，预先统计获得信号灯到机车摄像机的实际距离d与信号灯在视频图像中的像素宽度为s一一对应的数据；

(2)根据摄像机成像原理，得到实际距离d与信号灯在视频图像中的像素宽度s呈二次曲线关系，选取二项式模型进行建模，如公式所示：

d＝p0+p1s+p2s²；

(3)采用最小二乘法对系数进行求解，根据曲线拟合的最小二乘法原理，得到测距模型；

(4)根据信号灯在视频图像中的像素宽度，按步骤(3)获得的模型计算距离信号灯的实时距离，获得至前方信号灯的位置距离数据。

作为一种优选技术方案，所述图像分析仪还包括轨道方向判别模块，所述轨道方向判别模块识别并判断交叉轨道的方向，获得交叉轨道方向数据，并将交叉轨道方向数据发送至所述信号显示屏和语音提示器。

作为一种优选技术方案，所述轨道方向判别模块的一种识别并判断交叉轨道方向的方法，其步骤为，

(1)建立训练模型，其步骤为，

(1.1)将vgg16模型作为预训练模型，加载vgg16网络结构；

(1.2)把n×n大小的原始输入图像进行m次卷积和池化操作得到第一l×l特征图；

(1.3)对第一l×l特征图分别进行三种不同尺度的最大值池化操作，然后对采取三种不同尺度的最大值池化后的三个池化结果进行采样得到第二l×l特征图；所述三种不同尺度为预先固定设置的三个不同的尺度参数；

具体采样步骤为，

(1.3.1)计算第一种尺度的第二l×l特征图，模板大小为2×2，步长为2，得到(l/2)×(l/2)的特征图x1；

(1.3.2)计算第二种尺度的第二l×l特征图，模板大小为7×7，步长为7，得到(l/7)×(l/7)的特征图x2；

(1.3.3)计算第三种尺度的第二l×l特征图，模板大小为14×14，步长为14，得到(l/14)×(l/14)的特征图x3；

(1.4)使用加权(a1,a2,a3)求和的方式融合三个尺度结果的特征图获得融合特征图x，x＝a1×x1+a2×x2+a3×x3；

(1.5)对融合特征图x使用unpooling方法上采样直到输入图像的尺寸大小为n×n，获得n×n上采样图像，再对n×n上采样图像中的每个像素做分类识别；

(1.5.1)图2中阶段1：在步骤(1.5)获得图像上采样至1/16层处设置误差反向传播，此处学习率设置为第一学习率，同时将原始输入图像的标签降采样16倍作为新的监督学习标签；多次迭代更新直至误差逐渐收敛至预设收敛值后，再接入vgg16网络结构，完成对vgg16网络结构第一部分的权值训练，所述误差为多次迭代更新后的结果与学习标签的差值；所述原始输入图像的标签是指是在建立模型时人工对采集的n×n大小的原始输入图像设定的标签；

(1.5.2)图2中阶段2：继续使用unpooling方法上采样到了1/4层处，此处学习率设置为第二学习率，第二学习率小于第一学习率，再继续对vgg16网络结构进行训练；

(1.5.3)至特征图上采样到了1/2层处，此处学习率设置为第三学习率，第三学习率为比第二学习率更小的数值，直至完成unpooling方法上采样后面的训练；

(2)轨道方向判断，其步骤为，

(2.1)将轨道视频数据输入至训练完成的vgg16网络结构中，使vgg16网络结构能够对每个像素进行分类识别；

(2.2)将步骤(2.1)获得的分类识别后的数据按照保留的位置信息映射到输出特征图中，其余的位置填0补充，得到轨道方向。

本发明采用以上技术方案，至少具备以下有益效果：本发明通过电信4g路由器可以把视频数据传输到铁路管理部门，在铁路运营维护、工程建设、防灾减灾、以及治安维护中起到了至关重要的作用。同时图像分析仪采用机器视觉识别、智能视频分析技术，通过对车辆行进中拍摄的前方视频图像进行处理来获取信号灯及行进站线路信息，从而判断出列车前方行进路线以及该路线沿途信号灯的状态，并实时计算信号灯与机车的距离，通过信号显示屏显示相关信息，并使用语音提示器进行适当的语音提示。通过信号灯颜色、距离及机车行车速度进行综合判断机车安全状态，并使用语音提示器进行语音报警提示，引导司机安全驾驶，达到安全作业的目的。

附图说明

图1为本发明实施例结构示意图；

图2为本发明实施例流程示意图。

具体实施方式

下面结合附图和实施例，进一步详细阐述本发明的内容。

实施例1

一种铁路调车信号安全预警系统，包括视频数据采集模块、视频数据预处理模块、图像分析仪、信号显示屏、语音提示器、电信4g路由器和视频数据存储模块，

所述视频数据采集模块采集调车前方1-150m的视频数据；

所述视频数据采集模块包括第一视频采集摄像机、第二视频采集摄像机，所述第一视频采集摄像机安装于机车两端的顶部，采集列车前方远距离的视频数据；所述第二视频采集摄像机安装于机车两端的中间位置，采集列车前方近距离的视频数据；根据列车运行速度选择采集列车前方不同距离的视频数据，在普通调车或运行速度小于160km/h的列车中，所述第一视频采集摄像机采集列车前方80-150m的视频数据，所述第二视频采集摄像机采集列车前方1-80m的视频数据，在动车或高铁列车中，所述第一视频采集摄像机和所述第二视频采集摄像机的采集视频数据的距离要延长；

所述视频数据采集模块优选为带有200万1/2.8"逐行扫描图像传感器的网络摄像机，所述第一视频采集摄像机使用长焦镜头，焦距20mm以上；所述第二视频采集摄像机使用广角短焦镜头，焦距5-20mm，本实施例中所述第一视频采集摄像机优选使用36mm的镜头带有200万1/2.8"逐行扫描图像传感器的网络摄像机，第二视频采集摄像机优选使用12mm的镜头带有200万1/2.8"逐行扫描图像传感器的网络摄像机；

所述视频数据预处理模块接收所述视频数据采集模块采集的视频数据后，去除视频数据在采集、转换和传输的过程中的噪声，提高视频数据的图像质量，获得预处理视频数据，并将预处理视频数据发送至所述图像分析仪进行处理；

所述图像分析仪接收所述视频数据预处理模块发送的预处理视频数据后获得分析数据，并分别发送至所述视频数据存储模块、信号显示屏和语音提示器；

所述图像分析仪包括信号灯颜色辨别模块、信号灯距离计算模块和轨道方向判别模块；所述分析数据包括信号灯数据、至前方信号灯的位置距离数据、交叉轨道方向数据；

所述信号灯颜色辨别模块直接对视频图像中信号灯的空间位置、大小和种类与预设数据进行判断，获得信号灯的空间位置、大小和种类的信号灯数据，并分别发送至所述视频数据存储模块、信号显示屏和语音提示器；

所述信号灯距离计算模块测量至信号灯距离获得至前方信号灯的位置距离数据，并将至前方信号灯的位置距离数据分别发送至所述视频数据存储模块、信号显示屏和语音提示器；本发明自动提示前方地面调车信号灯的显示状态及位置距离，以达到辅助机车乘务员安全行驶的目的，针对信号灯距离测量的实际应用，并考虑到机车主要在平坦的路面上行驶，不需要考虑空间内距离，只需要平面测距即可，所以可通过单目视觉来完成目标距离测量；

所述轨道方向判别模块识别并判断交叉轨道的方向，获得交叉轨道方向数据，并将交叉轨道方向数据分别发送至所述视频数据存储模块、信号显示屏和语音提示器；

在本实施例中所述图像分析仪获得的所述分析数据包括信号灯的空间位置、大小和种类的信号灯数据、至前方信号灯的位置距离数据和交叉轨道方向数据；

所述信号显示屏接收并显示所述视频数据采集模块采集的视频数据、所述图像分析仪获得的所述分析数据；

所述语音提示器提供语音播报提示，接收所述图像分析仪获得的所述分析数据并将所述分析数据进行语音播报提示；

所述电信4g路由器包括4g通信和路由功能，收发和/或中转所述视频数据采集模块采集的视频数据数据和所述图像分析仪获得的所述分析数据，和/或向上位机通过4g网络传输数据。

所述视频数据存储模块存储所述视频数据采集模块采集的视频数据、所述视频数据预处理模块获得的预处理视频数据、所述图像分析仪的所述分析数据；

所述视频数据存储模块包括本地存储器和远程云存储；

所述本地存储器为网络硬盘刻录机；

所述远程云存储接收并存储所述电信4g路由器转发的所述视频数据采集模块采集的数据和所述图像分析仪获得的所述分析数据。

实施例2

实施例1中所述视频数据预处理模块的一种数据预处理方法，其步骤为，

(1)依据retinex理论，建立公式：i(x,y)＝l(x,y)r(x,y)，

其中i(x,y)表示将被去雾操作的rgb图像，l(x,y)表示光照分量，是指图像中的低频分量；r(x,y)表示反射分量，与光照影响没有关系，只要是图像的细节信息；

(2)采用灰度图像进行处理，将rgb图像i(x,y)转换成灰度图像i^h(x,y)，

(3)使用高斯滤波估计求光照分量l(x,y)，建立公式：

其中，g为高斯核，大小为m×n，*表示卷积运算；

(4)通过retinex原理，求出反射分量r(x,y)，建立公式：

r(x,y)＝i(x,y)/l(x,y)；

(5)依据retinex原理，对图像增强得到i^r(x,y)，建立公式：

i^r(x,y)＝i^h(x,y)-i^h(x,y)*g(x,y)；

(6)依据欧道明大学litao的色彩还原算法，可以得到：

i^c(x,y)＝i(x,y)(i^h(x,y)/i^r(x,y))

(7)对三通道i^c(x,y)分别进行求反操作，如公式所示：

i^fi(x,y)＝255-i^ci(x,y)；

其中i∈{r,g,b}，i^f为去除噪声操作后的图像，主要用于雨天、雾天、雾霾天气时去除雨、去除雾、去除雾霾背景。

实施例3

我国铁路调车作业显示信号主要有红、蓝、白三种颜色。红灯是站内不办理闭塞的岔线入口和尽头式到发线上的调车防护信号；蓝灯是站内调车作业时的禁止信号；白灯为调车作业时的通过信号，因此需要所述信号灯颜色辨别模块直接对视频图像中信号灯的空间位置、大小和种类进行判断，所述信号灯颜色辨别模块对视频图像中信号灯的空间位置、大小和种类进行判断。

实施例1中所述信号灯颜色辨别模块的一种对视频图像中信号灯的空间位置、大小和种类进行判断的方法，其步骤为，

(1)将接收到视频数据的视频图像划分为s×s的网格；

(2)加载darknet网络模型对步骤(1)获得的图像进行特征提取；

(3)取darknet网络模型中的卷积层l获得维度为n×n×512的图像特征，再使用1×1×1024的卷积层对其进行卷积操作得到维度为n×n×1024的图像特征t；

(4)取darknet网络模型中的卷积层l+4获得维度为m×m×1024的图像特征，其中m＝n/2；

(5)采用最近邻上采样的反卷积方式对步骤(4)获得的图像特征进行操作，计算得到维度为n×n×1024的图像特征t'；

(6)选取第3步与第5步计算得到的图像特征t与t'作为输入，使用1×1×1024卷积层将两部分图像特征进行融合得到融合后的图像特征r；

(7)使用3×3×1024对图像特征r进行卷积操作得到图像特征金字塔网络分辨率较大的部分r'；

(8)使用3×3×1024对步骤(4)获得的图像特征进行卷积操作得到图像特征金字塔网络分辨率较小的部分r”；

(9)使用1×1×125的卷积层对第7步与第8步计算得到的图像特征r'与r”分别进行卷积操作，合并后得到预测数据；

(10)使用非极大值抑制算法对预测数据进行过滤，得到最终的检测结果。

在本实施例中，系统预设s＝416，l＝8，经过了4次卷积池化，n＝s/(2⁴)＝26，m＝n/2＝13，对视频图像中信号灯的空间位置、大小和种类进行判断的方法，具体步骤为，

(1)将接收到视频数据的视频图像经过预处理后划分为分辨率为416×416的网格；

(2)加载darknet网络模型对步骤(1)获得的图像进行特征提取；

(3)取darknet网络模型中的卷积层8获得维度为26×26×512的图像特征，再使用1×1×1024的卷积层对其进行卷积操作得到维度为26×26×1024的图像特征t；

(4)选取darknet网络模型中的卷积层12获得维度为13×13×1024的图像特征；

(5)采用最近邻上采样的反卷积方式对步骤(4)获得的图像特征进行操作，计算得到维度为26×26×1024的图像特征t'；

(6)选取第3步与第5步计算得到的图像特征t与t'作为输入，使用1×1×1024卷积层将两部分图像特征进行融合得到融合后的图像特征r；

(7)使用3×3×1024对图像特征r进行卷及操作得到图像特征金字塔网络分辨率较大的部分r'；

(8)使用3×3×1024对步骤(4)获得的图像特征进行卷积操作得到图像特征金字塔网络分辨率较小的部分r”；

(9)使用1×1×125的卷积层对第7步与第8步计算得到的图像特征r'与r”分别进行卷积操作，合并后得到预测数据；

(10)使用非极大值抑制算法对预测数据进行过滤，得到最终的检测结果；

实施例4

本发明自动提示前方地面调车信号灯的显示状态及位置距离，以达到辅助机车乘务员安全行驶的目的。针对信号灯距离测量的实际应用，并考虑到机车主要在平坦的路面上行驶，不需要考虑空间内距离，只需要平面测距即可，所以可通过单目视觉来完成目标距离测量。当信号灯在列车前方较远距离时，使用第一视频采集摄像机采集的视频数据进行距离计算，当信号灯在列车前方较近距离时，再使用第二视频采集摄像机采集的视频数据进行距离计算。这样能够避免第一视频采集摄像机在近距离采集图像发虚造成距离计算不准确的问题，补充使用第二视频采集摄像机采集的清晰的视频数据在较近距离进行距离的准确计算。

实施例1中所述信号灯距离计算模块的一种计算信号灯距离的方法，其步骤如下，

(1)实施例1选用第一视频采集摄像机的镜头焦距设置为36mm，统计得到的信号灯到机车摄像机的实际距离d与信号灯在视频图像中的像素宽度为s对应的数据，记录如下表所示：

(2)观察数据及根据摄像机成像原理，预计距离d与信号灯像素宽度s呈二次曲线关系，因此本发明选取二项式模型进行建模，如公式所示：

d＝p0+p1s+p2s²；

(3)采用最小二乘法对系数进行求解，根据曲线拟合的最小二乘法原理，所求的测距模型如下式所示：

d＝166.268-1.653s+0.0025s²

(4)根据信号灯在视频图像中的像素宽度，按步骤(3)获得的模型计算距离信号灯的实时距离，获得至前方信号灯的位置距离数据。

当计算的距离达到预设距离数据时，再切换成第二视频采集摄像机参数按步骤(1)-(4)方法进行距离计算。

作为一种改进方法，实施例1所述铁路调车信号安全预警系统包括两套信号灯距离计算模块，第一信号灯距离计算模块接收第一视频采集摄像机采集的数据获得第一至前方信号灯的位置距离数据，第二信号灯距离计算模块接收第二视频采集摄像机采集数据获得第二至前方信号灯的位置距离数据，当计算的距离超过预设距离数据时，输出第一至前方信号灯的位置距离数据；当将计算的距离小于和/或等于预设距离数据时，输出第二至前方信号灯的位置距离数据。

实施例5

实施例1中所述轨道方向判别模块的一种识别并判断交叉轨道方向的方法，基本框架如图2所示，其步骤为，

(1)建立训练模型，其步骤为，

(1.1)将vgg16模型作为预训练模型，加载vgg16网络结构；

(1.2)把n×n大小的原始输入图像进行m次卷积和池化操作得到第一l×l特征图；

(1.3)对第一l×l特征图分别进行三种不同尺度的最大值池化操作，然后对采取三种不同尺度的最大值池化后的三个池化结果进行采样得到第二l×l特征图；所述三种不同尺度为预先固定设置的三个不同的尺度参数；

具体采样步骤为，

(1.3.1)计算第一种尺度的第二l×l特征图，模板大小为2×2，步长为2，得到(l/2)×(l/2)的特征图x1；

(1.3.2)计算第二种尺度的第二l×l特征图，模板大小为7×7，步长为7，得到(l/7)×(l/7)的特征图x2；

(1.3.3)计算第三种尺度的第二l×l特征图，模板大小为14×14，步长为14，得到(l/14)×(l/14)的特征图x3；

(1.4)使用加权(a1,a2,a3)求和的方式融合三个尺度结果的特征图获得融合特征图x，x＝a1×x1+a2×x2+a3×x3；

(1.5)对融合特征图x使用unpooling方法上采样直到输入图像的尺寸大小为n×n，获得n×n上采样图像，再对n×n上采样图像中的每个像素做分类识别；；

(1.5.1)图2中阶段1：在步骤(1.5)获得图像上采样至1/16层处设置误差反向传播，此处学习率设置为第一学习率，同时将原始输入图像的标签降采样16倍作为新的监督学习标签；多次迭代更新直至误差逐渐收敛至预设收敛值后，再接入vgg16网络结构，完成对vgg16网络结构第一部分的权值训练，所述误差为多次迭代更新后的结果与学习标签的差值；所述原始输入图像的标签是指是在建立模型时人工对采集的n×n大小的原始输入图像设定的标签；

(1.5.2)图2中阶段2：继续使用unpooling方法上采样到了1/4层处，此处学习率设置为第二学习率，第二学习率小于第一学习率，再继续对vgg16网络结构进行训练；

(1.5.3)图2中阶段3：至特征图上采样到了1/2层处，此处学习率设置为第三学习率，第三学习率为比第二学习率更小的数值，直至完成unpooling方法上采样后面的训练；

(2)轨道方向判断，其步骤为，

(2.1)将轨道视频数据输入至训练完成的vgg16网络结构中，使vgg16网络结构能够对每个像素进行分类识别；

(2.2)将输入特征图的每个像素分类识别后的数据按照保留的位置信息映射到输出特征图中，其余的位置填0补充，得到轨道方向。

在本实施例中，预设图像大小n＝224，经过四层卷积和池化操作后，l＝n/(2⁴)，本实施例轨道方向判别模块识别并判断交叉轨道方向的方法，具体步骤为，

(1)建立训练模型，其步骤为，

(1.1)将vgg16模型作为预训练模型，加载vgg16网络结构；

(1.2)把224×224的原始输入图像进行多次(m次)卷积和池化操作得到第一14×14特征图；

(1.3)对第一14×14特征图分别进行三种不同尺度的最大值池化操作，然后对采取三种不同尺度的最大值池化后的三个池化结果进行采样得到第二14×14的特征图；所述三种不同尺度为预先固定设置的三个不同的尺度参数；

具体采样步骤为，

(1.3.1)计算第一种尺度的第二l×l特征图，模板大小为2×2，步长为2，得到(l/2)×(l/2)的特征图x1；

(1.3.2)计算第二种尺度的第二l×l特征图，模板大小为7×7，步长为7，得到(l/7)×(l/7)的特征图x2；

(1.3.3)计算第三种尺度的第二l×l特征图，模板大小为14×14，步长为14，得到(l/14)×(l/14)的特征图x3；

(1.4)使用加权(a1,a2,a3)求和的方式融合三个尺度结果的特征图获得融合特征图x，x＝a1×x1+a2×x2+a3×x3；

(1.5)对融合特征图x使用unpooling方法上采样直到获得224×224大小的输入图像尺寸，再对输入图像中的每个像素做分类识别；

(1.5.1)图2中阶段1：对步骤(1.5)获得图像进行上采样，在1/16层处设置误差反向传播，此处学习率设置为第一学习率，同时将原始输入图像的标签降采样16倍作为新的监督学习标签，多次迭代更新直至误差逐渐收敛至预设收敛值后，再接入vgg16网络结构，完成对vgg16网络结构第一部分的权值训练；所述误差为多次迭代更新后的结果与学习标签的差值；所述原始输入图像的标签是指是在建立模型时人工对采集的224×224大小的原始输入图像设定的标签；

(1.5.2)图2中阶段2：继续使用unpooling方法上采样到1/4层处，此处学习率设置为第二学习率，第二学习率小于第一学习率，再继续对vgg16网络结构进行训练；

(1.5.3)图2中阶段3：至特征图上采样到1/2层处，此处学习率设置为第三学习率，第三学习率为比第二学习率更小的数值，直至完成unpooling方法上采样后面的训练；

(2)轨道方向判断，其步骤为，

(2.1)将轨道视频数据输入至训练完成的vgg16网络结构中，使vgg16网络结构能够对每个像素进行分类识别；

(2.2)将步骤(2.1)获得的分类识别后的数据按照保留的位置信息映射到输出特征图中，其余的位置填0补充，得到轨道方向。

视频监控数据作为一种直观、实时、准确的维护管理应用系统，在铁路工程建设、运营、防灾减灾、以及治安维护中起到了至关重要的作用。海量视频数据的存储和管理已经成为铁路视频监控系统在视频存储领域急需解决的重要问题。从云存储技术的角度出发，解决了目前铁路视频监控系统存储方案中存在的空间占用率高、扩容升级复杂、运营维护难度大等问题，为实际工程建设提供了新的思路。