基于视频的铁路周界异物入侵检测方法与流程

本发明属于轨道交通安全领域，尤其涉及一种基于视频的铁路周界异物入侵检测方法。

背景技术：

随着城市的发展，轨道交通在城市间的贸易往来、人口流动及各方面发挥着越来越重要的作用，轨道交通的安全运营是城市发展的重要保障。其中，列车在运营中可能出现的电路故障、信号故障以及交通事故，除了要通过加强审查来避免的铁路设备故障问题之外，还要通过加强铁路周界安全的检测与防护来避免异物入侵，以保障铁路周界的运行安全。

铁路视频监控是铁路周界异物入侵的重要检测方法，常见的运动目标检测方法有帧差法、背景建模法、光流法和深度学习算法。背景建模法是通过对背景建模，将当前获取的图像与背景图像做运算，该算法也由于实现容易、效果好、准确率高等特点在现场实际应用较多，包括混合高斯算法(gmm)、k-近邻算法(knn)、视觉背景提取法(vibe)等。用于目标检测的深度学习算法包括一阶段法和二阶段法，其中r-cnn(region-basedconvolutionalneuralnetworks)系列算法为二阶段法代表算法，yolo(youonlylookonce)系列算法和ssd(singleshotdetector)算法属于常用的一阶段法。

现有技术中，混合高斯背景建模算法用高斯分布来描述每个像素点的颜色呈现规律，该算法对噪声具有较强的鲁棒性，但是易受光照影响，误报率较高；knn算法是一种像素级的机器学习分类算法，算法简单易懂，但是当特征数较多时计算量较大且仅能检测目标不能识别目标；vibe算法是一种像素级的前景检测的算法，计算量小速度快，但是易产生“鬼影”区域且不能识别目标。r-cnn系列算法通过卷积神经网络产生一系列的稀疏矩阵的候选框，然后对这些候选框进行分类和回归，该方法准确率度高，但是由于占用计算机资源过多导致处理速度较慢。

技术实现要素：

为了保障铁路周界的运行安全，克服铁路周界异物入侵检测方法消耗资源大、准确率不高的问题，本发明提供了一种基于视频的铁路周界异物入侵检测方法，结合改进的knn算法和yolov3模型，降低铁路周界异物入侵检测的计算机资源消耗，降低检测铁路异物入侵的漏报率，提高准确率。

为了实现上述目的，本发明采取了如下技术方案：

本发明实施例提供了一种基于视频的铁路周界异物入侵检测方法，所述铁路周界异物入侵检测方法包括如下步骤：

步骤s1，获取当前铁路周界监控视频图像；

步骤s2，提取所述视频图像中的第n帧；

步骤s3，采用第一算法检测第n帧中的疑似异物目标，对第n帧图像滤掉非疑似目标范围的噪点，并突出疑似入侵目标的轮廓；

步骤s4，将n及检测第n帧的疑似目标数n记入列表l中，当n满足预定条件时，令n＝n+1，转入步骤s2；当n不满足预定条件时，进入步骤s5；

步骤s5，判断列表l中记录的每一帧的疑似目标数n是否为0；当列表l中的所有帧的疑似目标数均为0时，令n＝n+1，转入步骤s2；当列表l中不是所有帧的疑似目标数n均为0时，输出max{n}及对应的帧序号i，进入步骤s6；

步骤s6，将所述帧序号i对应的第i帧输入到第二算法模块中进行检测，并输出检测的入侵目标数量m；

步骤s7，对m、n进行比较；当m＝n时，输出检测目标数g＝m＝n；当m≠n时，根据具体场景的算法置信度α、β进行权重计算，输出检测目标数g＝α×m+β×n。

上述方案中，所述步骤s2中，n从n＝1开始。

上述方案中，所述第一算法比第二算法节约资源，所述第二算法比第一算法计算精度高。

上述方案中，所述第一算法为改进的knn算法，所述第二算法模型为铁路场景yolov3模型。

上述方案中，所述步骤s3中，滤掉非疑似目标范围的噪点，采用5×5的卷积核的中值滤波法，所述突出疑似入侵目标的轮廓，采用6×3卷积核的膨胀处理。

上述方案中，所述铁路场景yolov3模型，用铁路场景样本数据库训练模型，得到适用于该场景的权重，并根据铁路场景图像特征来调整yolov3模型中的anchorbox的大小。

上述方案中，按照场景中距离摄像头50m、100、150、200m处入侵目标的图像大小比例将anchorbox大小设置为32×64、48×96、64×128、128×256。

上述方案中，所述步骤s4中的预定条件为：n除以设定值余数为0。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例的基于视频的铁路周界异物入侵检测方法，获取当前铁路周界监控视频图像并提取第n帧，采用knn算法检测第n帧中的异物目标数n计入列表l中，并判断n是否大于设定阈值；当小于时，令n＝n+1，继续提取帧；当大于时，判断列表l中记录的每一帧的目标数n是否为0；当列表l中的所有帧的目标数n不为0时，输出max{n}及其对应的帧序号i；将所述帧序号i对应的第i帧输入到铁路场景yolov3模块中进行检测，并输出检测的入侵目标数量m；对m、n进行比较；当m＝n，输出检测目标数g＝m＝n；若m≠n，根据具体场景的算法置信度α、β进行权重计算，输出检测目标数g＝α×m+β×n。本发明通过结合改进的knn算法和yolov3模型，对铁路场景中的周界入侵异物进行检测，消耗的计算机资源更小，检测铁路异物入侵的漏报率更低、准确率更高，尤其提高了远距离非显著性目标的检测准确率，提高了识别的精确性；同时，在与yolov3算法检测准确率相同的前提下，由于本实施例仅检测有目标的帧，并不是每一帧都检测，因此降低了计算机内存使用情况，更具有可应用性。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所述基于视频的铁路周界异物入侵检测方法流程示意图；

图2为本发明具体实例中所述基于视频的铁路周界异物入侵检测方法流程图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例对本发明做进一步的解释说明。

实施例

本发明实施例提供了一种基于视频的铁路周界异物入侵检测方法。图1所示为本实施例所述基于视频的铁路周界异物入侵检测方法流程示意图。如图1所示，所述铁路周界异物入侵检测方法包括如下步骤：

步骤s1，获取当前铁路周界监控视频图像；

步骤s2，提取所述视频图像中的第n帧；

步骤s3，采用第一算法检测第n帧中的疑似异物目标，对第n帧图像滤掉非疑似目标范围的噪点，并突出疑似入侵目标的轮廓；

步骤s4，将n及检测第n帧的疑似目标数n记入列表l中，当n满足预定条件时，令n＝n+1，转入步骤s2；当n不满足预定条件时，进入步骤s5；

步骤s5，判断列表l中记录的每一帧的疑似目标数n是否为0；当列表l中的所有帧的疑似目标数均为0时，令n＝n+1，转入步骤s2；当列表l中不是所有帧的疑似目标数n均为0时，输出max{n}及对应的帧序号i，进入步骤s6；

步骤s6，将所述帧序号i对应的第i帧输入到第二算法模块中进行检测，并输出检测的入侵目标数量m；

步骤s7，对m、n进行比较；当m＝n时，输出检测目标数g＝m＝n；当m≠n时，根据具体场景的算法置信度α、β进行权重计算，输出检测目标数g＝α×m+β×n。

其中，所述步骤s2中，n从n＝1开始。

所述步骤s3中，所述第一算法，比第二算法节约资源，省时省力，但是计算质量和精度低于第二算法。作为本发明的一个优选的实施例，所述第一算法为改进的k-近邻(knn)算法；所述滤掉非疑似目标范围的噪点，采用5×5的卷积核的中值滤波法，所述突出疑似入侵目标的轮廓，采用6×3卷积核的膨胀处理。

所述步骤s4中的预定条件为：n除以设定值余数为0。优选地，所述设定值为15。

所述步骤s6中的第二算法质量优于第一算法，但资源耗费劣于第一算法。所述第二算法模型，为铁路场景yolov3模型，用铁路场景样本数据库训练模型，得到适用于该场景的权重，并根据铁路场景图像特征来调整yolov3模型中的anchorbox的大小。优选地，按照场景中距离摄像头50m、100m、150m、200m处入侵目标的图像大小比例分别将anchorbox大小设置为32×64、48×96、64×128、128×256。

下面以一个具体的实例，对本实施例作进一步详细的说明。

采用本实施例对异物入侵进行检测。图2所示为本实例的铁路周界异物入侵检测方法流程图。如图2所示，通过以下步骤进行异物入侵检测：

步骤s101，获取某一时刻铁路周界监控的分辨率大小为720p视频图像；

步骤s102，采用改进的k-近邻(knn)算法提取所述视频图像中的第n＝1帧；

步骤s103，采用knn算法检测第n帧中的疑似异物目标，对第n帧图像通过中值滤波滤掉非疑似目标范围的噪点，并通过膨胀处理填充孔洞突出疑似入侵目标的轮廓；

步骤s104，将n及检测第n帧的疑似目标数n计入列表l中，并判断n是否是15的倍数，如果n除以15取余数为0，则令n＝n+1，转入步骤s102；如果否，进入步骤s105；

步骤s105，判断列表l中记录的每一帧的疑似目标数n是否为0；当列表l中的所有帧的疑似目标数均为0时，转入步骤s102；当列表l中不是所有帧的疑似目标数n均为0时，输出max{n}及其对应的帧序号i，进入步骤s106；

步骤s106，将所述帧序号i对应的第i帧输入到铁路场景yolov3模型中进行检测，并输出检测的入侵目标数量m；

步骤s107，对m、n进行比较；当m＝n时，输出检测目标数g＝m＝n；当m≠n时，根据具体场景的算法置信度α、β进行权重计算，输出检测目标数g＝α×m+β×n。

由以上技术方案可以看出，本实施例基于视频的铁路周界异物入侵检测方法，通过结合改进的knn算法和yolov3模型，对铁路场景中的周界入侵异物进行检测，消耗的计算机资源更小，检测铁路异物入侵的漏报率更低、准确率更高，尤其提高了远距离非显著性目标的检测准确率，提高了识别的精确性；同时，在与yolov3算法检测准确率相同的前提下，由于本实施例仅检测有目标的帧，并不是每一帧都检测，因此降低了计算机内存使用情况，更具有可应用性。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域普通技术人员可以理解：实施例中的装置中的部件可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的部件可以合并为一个部件，也可以进一步拆分成多个子部件。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。