CN106156780A - 轨道上异物侵限识别中排除误报的方法 - Google Patents

Abstract

本发明公开了一种轨道上异物侵限识别中排除误报的方法，包括如下步骤：（1）、快速获得视频图像；（2）、对采集到的视频图像进行初步处理；（3）、得到两条轨道路径；（4）、绘制列车的动态包络线；（5）、启动训练模式，在确定没有异物侵限的环境中，将识别到的异物定义为轨道上的设备，提取图像特征存入误报特征库；（6）、车辆正常运行模式下，根据轨道路径由近到远在动态包络线内取图像块进行特征对比，确认是否是异物侵限。有益之处在于：本发明的方法能够降低轨道异物侵限识别中的误报概率，排除轨道中间或两侧的设备、标识牌等被误认为是异物侵限的可能性，从而提升识别的准确性，确保列车正常有序地运行。

Description

轨道上异物侵限识别中排除误报的方法

技术领域

本发明涉及一种轨道上异物侵限识别的方法，具体涉及一种轨道上异物侵限识别中排除误报的方法；属于轨道交通技术领域。

背景技术

随着交通新技术的发展，探测异物侵限和预测危险是智能车辆不可缺少的重要功能之一。对前方车辆进行实时自动探测和识别对于保持安全车距、防止发生碰撞事故具有十分重要的意义,也是安全行驶的前提条件。在传统的驾驶技术中，驾驶员驾驶车辆过程中所需要信息基本来自视觉，受此启发，基于图像处理与模式识别发展了计算机视觉(也称机器视觉)，能够利用图像和图像序列来识别和认知三维世界,使计算机代替并超越人类视觉***的某些功能。逐步地，机器视觉已成为目前智能车辆及安全辅助驾驶中信息获取手段的主要途径。

在现有技术的道路异物侵限检测中，检测原理是基于图像特征和级联分类器训练分类两种算法，在汽车外形特征运用了三种方法：一是灰度空间的阈值分割进行汽车底部阴影识别，二是利用对称性来验证图像区域是否是汽车，三是利用HIS色彩空间阈值分割来进行汽车尾灯的识别。级联分类器训练时，需要大量的样本，通过大量样本训练得到由若干个弱分类器组成的级联分类器，检测时将检图像转换为积分图，然后利用不同比例的分类器窗口扫描整幅图像，得到包含汽车的不同大小的图像区域，最后将重叠的区域合并，得到最终的检测结果。由于对整幅图像进行多次扫描，必然导致要处理的图像信息大、运算效率低，但是上述传统的方法检测到的异物侵限单一，主要检测道路上其他车辆，不能检测其它的异物侵限，对类似于汽车的非异物侵限物体无法排除，更无法排除正常交通标志等设施，容易导致误判。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种轨道上异物侵限识别中排除误报的方法，从而提高对轨道上出现的异物侵限识别的准确性。

为了实现上述目标，本发明采用如下的技术方案：

轨道上异物侵限识别中排除误报的方法，包括如下步骤：

(1)、通过视频采集模块快速获得视频图像并传输至图像预处理模块；

(2)、通过图像预处理模块对采集到的视频图像进行初步处理；

(3)、轨道检测模块对经过初步处理的图像依次进行霍夫变换、双目匹配、两轨间熟路判断、边缘检测、曲线拟合及平滑处理得到两条轨道路径；

(4)、动态包络线绘制模块根据两轨之间的像素距离比例由近到远绘制列车的动态包络线；

(5)、启动训练模式，在确定没有异物侵限的环境中，将识别到的异物侵限定义为轨道上的设备，提取图像特征存入误报特征库；

(6)、车辆正常运行模式下，根据轨道路径由近到远在动态包络线内取图像块，将距车头最近处固定高度、长度为左轨到右轨距离的待比较轨道图像块，与紧邻待比较轨道图像块前方固定高度、长度为左轨到右轨距离的轨道图像块进行特征对比，特征不一致的初步认定待比较轨道图像块为异物侵限并输出告警；再将其特征与误报特征库中的图像特征逐一对比，与误报特征库中任一特征匹配，则排除异物侵限的可能，均不匹配则确认为异物侵限。

优选地，前述视频采集模块包括：分设于列车头部挡风玻璃内左右两侧、同步采集视频图像的第一摄像头和第二摄像头，这样能够确保采集到长距离清晰的视频图像。

再优选地，前述步骤(2)的初步处理过程具体如下：

图像预处理模块将接收到的RGB图像转换为灰度图像；

使用Scharr算子进行滤波操作，滤波器系数

图像平滑操作，对图像进行高斯卷积，核大小为3*3，标准差sigma＝(n/2-1)*0.3+0.8，其中n对应水平核或垂直核大小；

对平滑后图像进行二次缩放：使用Gaussian金字塔分解对输入图像向下采样，首先对输入图像用高斯滤波器进行卷积，然后通过拒绝偶数的行与列向下采样图像；使用Gaussian金字塔分解对输入图像向上采样，首先通过在图像中***0偶数行和偶数列，然后对得到的图像用高斯滤波器进行高斯卷积，其中滤波器乘以4做插值，输出图像是输入图像的4倍大小，高斯卷积核大小为5*5；

消除图像噪声，分割独立的图像元素，使用内核形状为矩形、大小为3*3的结构元素，扫描二值图像每一个像素，用结构元素与覆盖的二值图像做“与”运算，如果都为1，则结构图像的该像素为1，否则为0，使二值图像减小一圈，此操作重复三次；连接相邻元素，使用内核形状为矩形、大小为3*3的结构元素，扫描二值图像每一个像素，用结构元素与覆盖的二值图像做“与”运算，如果都为0，则结构图像的该像素为0，否则为1，使二值图像扩大一圈，操作三次；

对图像进行二值化操作，其中thresh为100。

更优选地，前述步骤(3)的具体过程为：霍夫变换使用opencv的库函数HoughLinesP，其中rho为1，theta为pi/180，threshold为80；对左右视图采用SGBM算法计算视差进行三维重建，再计算两直线间距离；摄像机坐标系与世界坐标系之间的转换公式其中(Xc,Yc,Zc)表示P点在摄像机坐标系下的位置，(Xw,Yw,Zw)表示P点在世界坐标系下的位置，R为旋转矩阵，T为平移矩阵，R和T由双目相机标定的内外参数得到；计算两直线夹角，tanθ＜0.1；边缘检测提取轮廓，拟合为曲线，寻找与直线重叠度最高的曲线，平滑曲线得到左右轨道路径。

进一步优选地，步骤(5)中的图像特征为不变矩特征，包含原点矩、中心矩及归一化后的组合，二维图像用f(x,y)表示，则其(p+q)阶原点矩为：中心矩为：p,q＝0,1,2…,x₀,y₀为图像的中心坐标；为了使图像特征对平移、旋转和比例变换具有不变性，用零阶中心矩对其余各阶中心矩进行归一化，得到图像归一化中心矩其中，p+q＝2,3...取p,q＝0,1,2,3。

更进一步地，前述不变矩采用七种不变矩计算结果，七种不变矩的定义为：

m₁＝η₂₀+η₀₂

$m_2=({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})2+{4\mathrm{\η}}_{11}^2$

m₃＝(η₃₀-3η₁₂)²+(η₀₃-3η₂₁)²

m₄＝(η₃₀+η₁₂)²+(η03+η21)²

m₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(η₀₃-3η₂₁)(η₀₃+η₂₁)

m₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₀₃+η₂₁)

m₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(η₃₀-3η₁₂)(η₂₁+η₀₃)[(η₂₁+η₀₃)²-3(η₃₀+η₁₂)²]。

再进一步地，前述步骤(6)中的特征匹配为相似量度量，p为待识别图像，q为误报特征库中图像。

更进一步地，将误报特征库存储于一硬盘中，车辆正常运行模式下误报特征库全部读入内存，从而提高运算速度。

本发明的有益之处在于：本发明的方法能够降低轨道异物侵限识别中的误报概率，排除轨道中间或两侧的设备、标识牌等被误认为是异物侵限的可能性，从而提升异物侵限识别的准确性，确保列车正常有序地运行。

附图说明

图1是本发明的轨道上异物侵限识别中排除误报的方法的流程图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

结合图1的流程图来看，本实施例的轨道上异物侵限识别中排除误报的方法，包括如下步骤：

(1)、通过视频采集模块快速获得视频图像并传输至图像预处理模块，其中，视频采集模块包括分设于列车头部挡风玻璃内左右两侧的第一摄像头和第二摄像头，这两个摄像头通过自带的二次开发包同步采集视频图像，而且，摄像头应安装于高处，才能确保采集到长距离清晰的视频图像。

(2)、通过图像预处理模块对采集到的视频图像进行初步处理，具体过程为：

图像预处理模块将接收到的RGB图像转换为灰度图像；

使用Scharr算子进行滤波操作，滤波器系数

图像平滑操作，对图像进行高斯卷积，核大小为3*3，标准差sigma＝(n/2-1)*0.3+0.8，其中n对应水平核或垂直核大小；

对平滑后图像进行二次缩放：使用Gaussian金字塔分解对输入图像向下采样，首先对输入图像用高斯滤波器进行卷积，然后通过拒绝偶数的行与列向下采样图像；使用Gaussian金字塔分解对输入图像向上采样，首先通过在图像中***0偶数行和偶数列，然后对得到的图像用高斯滤波器进行高斯卷积，其中滤波器乘以4做插值，输出图像是输入图像的4倍大小，高斯卷积核大小为5*5；

消除图像噪声，分割独立的图像元素，使用内核形状为矩形、大小为3*3的结构元素，扫描二值图像每一个像素，用结构元素与覆盖的二值图像做“与”运算，如果都为1，则结构图像的该像素为1，否则为0，使二值图像减小一圈，此操作重复三次；连接相邻元素，使用内核形状为矩形、大小为3*3的结构元素，扫描二值图像每一个像素，用结构元素与覆盖的二值图像做“与”运算，如果都为0，则结构图像的该像素为0，否则为1，使二值图像扩大一圈，操作三次；

对图像进行二值化操作，其中thresh为100。

(3)、轨道检测模块对经过初步处理的图像依次进行霍夫变换、双目匹配、两轨间熟路判断、边缘检测、曲线拟合及平滑处理得到两条轨道路径，具体过程为：

霍夫变换使用opencv的库函数HoughLinesP，其中rho为1，theta为pi/180，threshold为80；对左右视图采用SGBM算法计算视差进行三维重建，再计算两直线间距离；摄像机坐标系与世界坐标系之间的转换公式其中(Xc,Yc,Zc)表示P点在摄像机坐标系下的位置，(Xw,Yw,Zw)表示P点在世界坐标系下的位置，R为旋转矩阵，T为平移矩阵，R和T由双目相机标定的内外参数得到；计算两直线夹角，tanθ＜0.1；边缘检测提取轮廓，拟合为曲线，寻找与直线重叠度最高的曲线，平滑曲线得到左右轨道路径。

(4)、动态包络线绘制模块根据两轨之间的像素距离比例由近到远绘制列车的动态包络线；

(5)、启动训练模式，在确定没有异物侵限的环境中，将识别到的异物侵限定义为轨道上的设备，提取图像特征存入误报特征库，误报特征库以数据形式存储于一硬盘中，方便随时调用；

在本步骤中，存入误报特征库的图像特征为不变矩特征，包含原点矩、中心矩及归一化后的组合，二维图像用f(x,y)表示，则其(p+q)阶原点矩为：中心矩为：p,q＝0,1,2…,x₀,y₀为图像的中心坐标；

为了使图像特征对平移、旋转和比例变换具有不变性，本实施例中用零阶中心矩对其余各阶中心矩进行归一化，得到图像归一化中心矩其中，p+q＝2,3...取p,q＝0,1,2,3。

不变矩采用七种不变矩计算结果，七种不变矩的定义为：

m₁＝η₂₀+η₀₂

$m_2=({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})2+{4\mathrm{\η}}_{11}^2$

m₃＝(η₃₀-3η₁₂)²+(η₀₃-3η₂₁)²

m₄＝(η₃₀+η₁₂)²+(η03+η21)²

m₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(η₀₃-3η₂₁)(η₀₃+η₂₁)

m₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₀₃+η₂₁)

m₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(η₃₀-3η₁₂)(η₂₁+η₀₃)[(η₂₁+η₀₃)²-3(η₃₀+η₁₂)²]。

通过这七种不变矩计算结果即可准确地提取到图像特征，提高后续特征比对的准确性和可靠性。

(6)、车辆正常运行模式下，误报特征库全部读入内存，从而提高运算速度。根据轨道路径由近到远在动态包络线内取图像块，将距车头最近处固定高度、长度为左轨到右轨距离的待比较轨道图像块，与紧邻待比较轨道图像块前方固定高度、长度为左轨到右轨距离的轨道图像块进行特征对比，特征不一致的初步认定待比较轨道图像块为异物侵限并输出告警；再将其特征与误报特征库中的图像特征逐一对比，与误报特征库中任一特征匹配，则排除异物侵限的可能，均不匹配则确认为异物侵限；

在本步骤中，特征匹配为相似量度量，p为待识别图像，q为误报特征库中图像。

综上，本发明的方法能够降低轨道异物侵限识别中的误报概率，排除轨道中间或两侧的设备、标识牌等被误认为是异物侵限的可能性，从而提升异物侵限识别的准确性，确保列车正常有序地运行。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (8)

1.轨道上异物侵限识别中排除误报的方法，其特征在于，包括如下步骤：

(1)、通过视频采集模块快速获得视频图像并传输至图像预处理模块；

(2)、通过图像预处理模块对采集到的视频图像进行初步处理；

(3)、轨道检测模块对经过初步处理的图像依次进行霍夫变换、双目匹配、两轨间熟路判断、边缘检测、曲线拟合及平滑处理得到两条轨道路径；

(4)、动态包络线绘制模块根据两轨之间的像素距离比例由近到远绘制列车的动态包络线；

(5)、启动训练模式，在确定没有异物侵限的环境中，将识别到的异物定义为轨道上的设备，提取图像特征存入误报特征库；

(6)、车辆正常运行模式下，根据轨道路径由近到远在动态包络线内取图像块，将距车头最近处固定高度、长度为左轨到右轨距离的待比较轨道图像块，与紧邻待比较轨道图像块前方固定高度、长度为左轨到右轨距离的轨道图像块进行特征对比，特征不一致的初步认定待比较轨道图像块为异物侵限并输出告警；再将其特征与误报特征库中的图像特征逐一对比，与误报特征库中任一特征匹配，则排除异物侵限的可能，均不匹配则确认为异物侵限。

2.根据权利要求1所述的轨道上异物侵限识别中排除误报的方法，其特征在于，所述视频采集模块包括：分设于列车头部挡风玻璃内左右两侧、同步采集视频图像的第一摄像头和第二摄像头。

3.根据权利要求1所述的轨道上异物侵限识别中排除误报的方法，其特征在于，所述步骤(2)的初步处理过程具体如下：

图像预处理模块将接收到的RGB图像转换为灰度图像；

使用Scharr算子进行滤波操作，滤波器系数

图像平滑操作，对图像进行高斯卷积，核大小为3*3，标准差sigma＝(n/2-1)*0.3+0.8，其中n对应水平核或垂直核大小；

对平滑后图像进行二次缩放：使用Gaussian金字塔分解对输入图像向下采样，首先对输入图像用高斯滤波器进行卷积，然后通过拒绝偶数的行与列向下采样图像；使用Gaussian金字塔分解对输入图像向上采样，首先通过在图像中***0偶数行和偶数列，然后对得到的图像用高斯滤波器进行高斯卷积，其中滤波器乘以4做插值，输出图像是输入图像的4倍大小，高斯卷积核大小为5*5；

消除图像噪声，分割独立的图像元素，使用内核形状为矩形、大小为3*3的结构元素，扫描二值图像每一个像素，用结构元素与覆盖的二值图像做“与”运算，如果都为1，则结构图像的该像素为1，否则为0，使二值图像减小一圈，此操作重复三次；连接相邻元素，使用内核形状为矩形、大小为3*3的结构元素，扫描二值图像每一个像素，用结构元素与覆盖的二值图像做“与”运算，如果都为0，则结构图像的该像素为0，否则为1，使二值图像扩大一圈，操作三次；

对图像进行二值化操作，其中thresh为100。

4.根据权利要求1所述的轨道上异物侵限识别中排除误报的方法，其特征在于，所述步骤(3)的具体过程为：霍夫变换使用opencv的库函数HoughLinesP，其中rho为1，theta为pi/180，threshold为80；对左右视图采用SGBM算法计算视差进行三维重建，再计算两直线间距离；摄像机坐标系与世界坐标系之间的转换公式其中(Xc,Yc,Zc)表示P点在摄像机坐标系下的位置，(Xw,Yw,Zw)表示P点在世界坐标系下的位置，R为旋转矩阵，T为平移矩阵，R和T由双目相机标定的内外参数得到；计算两直线夹角，tanθ＜0.1；边缘检测提取轮廓，拟合为曲线，寻找与直线重叠度最高的曲线，平滑曲线得到左右轨道路径。

5.根据权利要求1所述的轨道上异物侵限识别中排除误报的方法，其特征在于，步骤(5)中的图像特征为不变矩特征，包含原点矩、中心矩及归一化后的组合，二维图像用f(x,y)表示，则其(p+q)阶原点矩为：中心矩为：为图像的中心坐标；用零阶中心矩对其余各阶中心矩进行归一化，得到图像归一化中心矩其中，取p,q＝0,1,2,3。

6.根据权利要求5所述的轨道上异物侵限识别中排除误报的方法，其特征在于，所述不变矩采用七种不变矩计算结果，七种不变矩的定义为：

m₁＝η₂₀+η₀₂

$m_2=({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})2+4{\mathrm{\η}}_{11}^2$

m₃＝(η₃₀-3η₁₂)²+(η₀₃-3η₂₁)²

m₄＝(η₃₀+η₁₂)²+(η03+η21)²

m₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(η₀₃-3η₂₁)(η₀₃+η₂₁)

m₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₀₃+η₂₁)

m₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(η₃₀-3η₁₂)(η₂₁+η₀₃)[(η₂₁+η₀₃)²-3(η₃₀+η₁₂)²]。

7.根据权利要求1所述的轨道上异物侵限识别中排除误报的方法，其特征在于，步骤(6)中的特征匹配为相似量度量，p为待识别图像，q为误报特征库中图像。

8.根据权利要求1所述的轨道上异物侵限识别中排除误报的方法，其特征在于，误报特征库存储于一硬盘中，车辆正常运行模式下误报特征库全部读入内存。