CN109492519A - 用于深度学习地铁轨道识别的训练数据集标注的生成方法 - Google Patents

用于深度学习地铁轨道识别的训练数据集标注的生成方法 Download PDF

Info

Publication number
CN109492519A
CN109492519A CN201811063363.4A CN201811063363A CN109492519A CN 109492519 A CN109492519 A CN 109492519A CN 201811063363 A CN201811063363 A CN 201811063363A CN 109492519 A CN109492519 A CN 109492519A
Authority
CN
China
Prior art keywords
railway track
underground railway
subway
image
mark
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811063363.4A
Other languages
English (en)
Inventor
李邺
尤新
兰未
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Zhejiang University Train Intelligent Engineering Technology Research Center Co ltd
Original Assignee
Zhejiang Zhejiang University Train Intelligent Engineering Technology Research Center Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Zhejiang University Train Intelligent Engineering Technology Research Center Co ltd filed Critical Zhejiang Zhejiang University Train Intelligent Engineering Technology Research Center Co ltd
Priority to CN201811063363.4A priority Critical patent/CN109492519A/zh
Publication of CN109492519A publication Critical patent/CN109492519A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于深度学习地铁轨道识别的训练数据集标注的生成方法，包括：利用安装在地铁车头前方的摄像头采集得到地铁行驶时的地铁轨道图像，对每一帧地铁轨道图像执行以下操作：从地铁位置信息中提取地铁轨道图像拍摄时地铁所在的公里标，将所述公里标导入到地铁轨道电子地图中，得到所述公里标所对应的轨道参数；利用所述轨道参数构建三维地铁轨道；利用摄像头的内、外参数将所述三维地铁轨道映射变换到地铁轨道图像中，计算出地铁轨道图像中的轨道位置，并生成对地铁轨道图像中的轨道区域的标注；由每一帧地铁轨道图像得到的对地铁轨道图像中的轨道区域的标注合集得到所述训练数据集标注。

Description

用于深度学习地铁轨道识别的训练数据集标注的生成方法
技术领域
本发明涉及一种用于深度学习地铁轨道识别训练数据集标注的生成方法，属于计算机视觉技术领域。
背景技术
近年来，随着城市规模的逐渐扩大以及城市人口的不断增加，城市内的交通压力越来越大。为了方便市民的出行，许多城市开始或已经修建了地铁。地铁在为市民提供方便快捷的出行方式的同时，其安全性也日益引起社会的关注。因此，计算机辅助地铁前方轨道障碍物检测成为非常重要的研究课题。
但是地铁隧道里的轨道相比普通轨道，周边环境更为复杂，轨道在图像上的梯度特征也更不明显，并且存在着较大曲率的弯道，所以给轨道识别带来了许多困难，除深度学习外的其他识别效果都不理想。深度学习是目前计算机视觉上很好的方法，在许多图像识别问题上已经体现了其巨大的优势。但是深度学习方法需要大量的数以万计的标注图片作为数据集进行训练，而地铁轨道训练数据集的生成需要对数据集中的每一张地铁轨道图片进行人工标注。在这个问题中，所谓的标注训练数据集，就是将数据集中每一张地铁轨道图像的轨道区域画出来。传统图像处理的标注方法需要使用人机交互手段通过人工的方式在每一张地铁轨道图像中框出轨道区域，每张图片需要数十秒的时间完成标注操作，耗费大量的人力和时间，效率低下。
发明内容
本发明所要解决的技术问题是：提供一种用于深度学习地铁轨道识别的训练数据集标注生成方法，以克服传统图像处理的人工标注方法的效率低下的缺点，快速完成对地铁列车前方轨道的标注并生成带标注的地铁轨道数据。
为解决上述技术问题，本发明的构思是：为了代替传统图像处理手工标注方法，提出对于有电子轨道地图的地铁路线，通过安装在地铁车头前方的摄像头采集到的地铁轨道图像，结合地铁轨道的电子地图，完成对地铁轨道图像中的轨道区域的标注，快速生成训练数据集以用于进一步进行深度学习地铁轨道识别。虽然通过电子轨道地图的方法可以快速准确地计算生成轨道区域，但是在很多真正的应用当中，并没有电子轨道地图。所以，利用本发明方法，再进一步通过深度学习地铁轨道识别训练，可以得到一种通用的地铁轨道识别方法。本发明可为深度学习地铁轨道识别训练快速生成带有地铁轨道标注的训练集。
为解决上述技术问题，本发明所采取的技术方案是：本发明用于深度学习地铁轨道识别的训练数据集标注的生成方法包括：
利用安装在地铁车头前方的摄像头采集得到地铁行驶时的地铁轨道图像，对每一帧地铁轨道图像执行以下操作：
从地铁位置信息中提取地铁轨道图像拍摄时地铁所在的公里标，将所述公里标导入到地铁轨道电子地图中，得到所述公里标所对应的轨道参数，所述轨道参数包括轨道曲率；利用所述轨道参数构建三维地铁轨道；利用摄像头的内、外参数将所述三维地铁轨道映射变换到地铁轨道图像中，计算出地铁轨道图像中的左轨道位置和右轨道位置，并生成对地铁轨道图像中的轨道区域的标注。
再由每一帧地铁轨道图像得到的对地铁轨道图像中的轨道区域的标注合集得到所述训练数据集标注。
当地铁位置信息不准确时，可在从地铁位置信息中提取地铁轨道图像拍摄时地铁所在的公里标导入到地铁轨道电子地图中前，以参照点的地铁公里标为参照，对地铁轨道图像拍摄时地铁所在的公里标进行人工校正，所述参照点为地铁站点或预设的地点（如一些轨道曲率变化的地点），从而保证生成标注的准确性。
作为本发明的优选方案，在计算出每一帧地铁轨道图像中的左轨道位置和右轨道位置后，将每一帧地铁轨道图像中的左轨道位置、右轨道位置以及该帧地铁轨道图像的上、下界所共同形成的封闭区域作为该帧地铁轨道图像的轨道区域并对轨道区域进行填充染色作为对地铁轨道图像中的轨道区域的标注。
与现有技术相比，本发明的有益效果是：本发明所提出的用于深度学习地铁轨道识别的训练数据集标注生成方法，结合了地铁轨道电子地图，利用摄像头的内、外参数，将三维地铁轨道映射变换到地铁轨道图像中，能够将轨道区域在地铁轨道图像中快速生成标注，从而替代了传统图像处理的人工标注方法。传统图像处理的人工标注方法需要使用人机交互手段，通过人工的方式在每一张地铁轨道图像中框出轨道区域，每张图片需要数十秒的时间完成标注操作，耗费大量的人力和时间，效率低下。而本发明能够在40ms以内在地铁轨道图像中生成轨道区域的标注，节省了大量时间和人力资源。
具体实施方式
下面以具体的实施例，对本发明的技术方案作进一步详细描述。以下实施例仅用于说明本发明，但不用来限制本发明的保护范围。具体方法如下：
找到一条有电子轨道地图的地铁路线，在该地铁路线的地铁车头的前方（优选正前方）的固定位置安装摄像头，列车行驶时采集得到地铁轨道图像。然后对每一帧地铁轨道图像执行以下操作：
从通过GPS获得的地铁位置信息中提取地铁轨道图像拍摄时，地铁所在的公里标，将地铁轨道图像拍摄时地铁所在的公里标导入到地铁轨道电子地图中，得到地铁轨道图像拍摄时地铁所在的公里标所对应的轨道参数。轨道参数一般为轨道曲率即可，轨道参数除了轨道曲率外，还可包括轨道前缓长、轨道后缓长和轨道坡度等。
若所获得的地铁位置信息不够精准，则可在从地铁位置信息中提取地铁轨道图像拍摄时地铁所在的公里标导入到地铁轨道电子地图中之前，以参照点的地铁公里标为参照，对地铁轨道图像拍摄时地铁所在的公里标进行人工校正，参照点的选取一般为地铁站点或预设的地点。预设的地点可选轨道曲率变化明显的地点（例如大弯道）。若所获得的地铁位置信息足够精准，则不必做人工校正。
利用得到的轨道曲率构建出三维地铁轨道，利用摄像头的内、外参数将构建出的三维地铁轨道进行坐标系变换，映射到二维的地铁轨道图像中，计算得到地铁轨道图像中的左轨道位置和右轨道位置。摄像头的内参数通常指与摄像机自身特性相关的参数，比如摄像机的焦距、像素大小等，外参数通常指在世界坐标系中的参数，比如摄像机的位置、旋转方向等。
如果以左轨道位置和右轨道位置作为轨道区域，则每一帧地铁轨道图像得到左轨道位置和右轨道位置的标注，即表示生成对地铁轨道图像中的轨道区域的标注。所谓“生成对地铁轨道图像中的轨道区域的标注”是指在地铁轨道图像中把轨道区域画出来。作为本发明的一种优选实施方式，可将地铁轨道图像中左轨道位置、右轨道位置、以及地铁轨道图像的上下界所共同形成的封闭区域作为轨道区域，然后对地铁轨道图像的轨道区域进行填充染色作为标注。本发明中所使用的填充染色方法可为Flood Fill算法，该方法是很多图形绘制软件中常用的填充算法。算法原理为从区域内一个点开始搜索区域内相邻的未染色像素点，将其填充成新的颜色，直到封闭区域内的所有像素点都被填充成新颜色为止。
由每一帧地铁轨道图像得到的轨道区域标注合集得到用于深度学习地铁轨道识别的训练数据集标注，可用于进一步的深度学习地铁轨道识别训练。
本发明能够代替传统图像处理的手工标注方法，快速生成对地铁轨道图像中的轨道区域的标注，用于进一步的深度学习轨道识别训练。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求书限定。

Claims (3)

1.一种用于深度学习地铁轨道识别的训练数据集标注的生成方法，其特征在于，包括：
利用安装在地铁车头前方的摄像头采集得到地铁行驶时的地铁轨道图像，对每一帧地铁轨道图像执行以下操作：
从地铁位置信息中提取地铁轨道图像拍摄时地铁所在的公里标，将所述公里标导入到地铁轨道电子地图中，得到所述公里标所对应的轨道参数，所述轨道参数包括轨道曲率；利用所述轨道参数构建三维地铁轨道；利用摄像头的内、外参数将所述三维地铁轨道映射变换到地铁轨道图像中，计算出地铁轨道图像中的左轨道位置和右轨道位置，并生成对地铁轨道图像中的轨道区域的标注；
由每一帧地铁轨道图像得到的对地铁轨道图像中的轨道区域的标注合集得到所述训练数据集标注。
2.根据权利要求1所述的训练数据集标注的生成方法，其特征在于：在将所述公里标导入到地铁轨道电子地图中前，以参照点的地铁公里标为参照，对地铁轨道图像拍摄时地铁所在的公里标进行人工校正，所述参照点为地铁站点或预设的地点。
3.根据权利要求1或2所述的训练数据集标注生成方法，其特征在于：将每一帧地铁轨道图像中的左轨道位置、右轨道位置以及该帧地铁轨道图像的上、下界所共同形成的封闭区域作为该帧地铁轨道图像的轨道区域，并对轨道区域进行填充染色作为对地铁轨道图像中的轨道区域的标注。
CN201811063363.4A 2018-09-12 2018-09-12 用于深度学习地铁轨道识别的训练数据集标注的生成方法 Pending CN109492519A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811063363.4A CN109492519A (zh) 2018-09-12 2018-09-12 用于深度学习地铁轨道识别的训练数据集标注的生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811063363.4A CN109492519A (zh) 2018-09-12 2018-09-12 用于深度学习地铁轨道识别的训练数据集标注的生成方法

Publications (1)

Publication Number Publication Date
CN109492519A true CN109492519A (zh) 2019-03-19

Family

ID=65690432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811063363.4A Pending CN109492519A (zh) 2018-09-12 2018-09-12 用于深度学习地铁轨道识别的训练数据集标注的生成方法

Country Status (1)

Country Link
CN (1) CN109492519A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117237881A (zh) * 2023-11-16 2023-12-15 合肥中科类脑智能技术有限公司 三跨塔的绝缘子异常监测方法及装置、计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102316541A (zh) * 2011-08-09 2012-01-11 上海通号轨道交通工程技术研究中心有限公司 一种基于gps的高速列车越区切换方法
CN103236084A (zh) * 2013-05-15 2013-08-07 中南大学 一种大规模轨道线路的动态建模方法
CN106372094A (zh) * 2015-07-24 2017-02-01 通用电气公司 一种路径数据库的构建方法及基于该数据库的车辆运行控制***
CN107909581A (zh) * 2017-11-03 2018-04-13 杭州依图医疗技术有限公司 Ct影像的肺叶段分割方法、装置、***、存储介质及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102316541A (zh) * 2011-08-09 2012-01-11 上海通号轨道交通工程技术研究中心有限公司 一种基于gps的高速列车越区切换方法
CN103236084A (zh) * 2013-05-15 2013-08-07 中南大学 一种大规模轨道线路的动态建模方法
CN106372094A (zh) * 2015-07-24 2017-02-01 通用电气公司 一种路径数据库的构建方法及基于该数据库的车辆运行控制***
CN107909581A (zh) * 2017-11-03 2018-04-13 杭州依图医疗技术有限公司 Ct影像的肺叶段分割方法、装置、***、存储介质及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王云泽: "《列车前方轨道识别算法的设计与实现》", 《万方数据知识服务平台》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117237881A (zh) * 2023-11-16 2023-12-15 合肥中科类脑智能技术有限公司 三跨塔的绝缘子异常监测方法及装置、计算机设备
CN117237881B (zh) * 2023-11-16 2024-02-02 合肥中科类脑智能技术有限公司 三跨塔的绝缘子异常监测方法及装置、计算机设备

Similar Documents

Publication Publication Date Title
CN103236160B (zh) 基于视频图像处理技术的路网交通状态监测***
CN103996036B (zh) 一种地图数据采集方法及装置
CN110148196A (zh) 一种图像处理方法、装置以及相关设备
CN103345630B (zh) 一种基于球面全景视频的交通标志定位方法
CN106407315A (zh) 一种基于街景图像数据库的车辆自主定位方法
CN108256413A (zh) 可通行区域检测方法及装置、存储介质、电子设备
CN110675415B (zh) 一种基于深度学习增强实例分割的道路积水区域检测方法
CN103925927B (zh) 一种基于车载视频的交通标识定位方法
CN107397658B (zh) 一种多尺度全卷积网络及视觉导盲方法和装置
CN106092114A (zh) 一种图像识别的汽车实景导航装置及方法
CN102800126A (zh) 基于多模态融合的实时人体三维姿态恢复的方法
CN103227888B (zh) 一种基于经验模式分解和多种评价准则的视频去抖动方法
CN106652448A (zh) 基于视频处理技术的公路交通状态监测***
CN104834784A (zh) 一种铁路应急辅助救援三维虚拟电子沙盘***
CN115388902B (zh) 室内定位方法和***、ar室内定位导航方法和***
CN112308913B (zh) 一种基于视觉的车辆定位方法、装置及车载终端
CN112163701B (zh) 一种车站枢纽换乘管理方法及装置
CN106980855A (zh) 交通标志快速识别定位***及方法
CN107316332A (zh) 一种应用智能驾驶的相机和场景关联标定方法及***
CN106951829A (zh) 一种基于最小生成树的视频显著对象检测方法
CN106940187A (zh) 用于矿井地面快速巡查的导航方法及***
JP5544595B2 (ja) 地図画像処理装置、地図画像処理方法、および、コンピュータプログラム
CN109492519A (zh) 用于深度学习地铁轨道识别的训练数据集标注的生成方法
CN112837414B (zh) 基于车载点云数据的三维高精度地图的构建方法
KR102029741B1 (ko) 객체를 추적하는 방법 및 시스템

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190319