CN111368812B - 一种列车前方异物侵限检测方法及*** - Google Patents

一种列车前方异物侵限检测方法及*** Download PDF

Info

Publication number
CN111368812B
CN111368812B CN202010458971.6A CN202010458971A CN111368812B CN 111368812 B CN111368812 B CN 111368812B CN 202010458971 A CN202010458971 A CN 202010458971A CN 111368812 B CN111368812 B CN 111368812B
Authority
CN
China
Prior art keywords
key detection
image
detection image
pixel
value
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.)
Active
Application number
CN202010458971.6A
Other languages
English (en)
Other versions
CN111368812A (zh
Inventor
郑万林
李慧
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.)
Zhangjiakou Dongchu Technology Co ltd
Original Assignee
Beijing Weijie Dongbo Information Technology 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 Beijing Weijie Dongbo Information Technology Co ltd filed Critical Beijing Weijie Dongbo Information Technology Co ltd
Priority to CN202010458971.6A priority Critical patent/CN111368812B/zh
Publication of CN111368812A publication Critical patent/CN111368812A/zh
Application granted granted Critical
Publication of CN111368812B publication Critical patent/CN111368812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

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

Abstract

本申请提供一种列车前方异物侵限检测方法及***，该方法包括如下步骤：在列车行驶的过程中，采集列车前方轨道的监控视频，并在预设的时间节点，获取监控视频内的多帧监测图像；在监测图像中建立危险区域异物检测窗口，分割出监测图像位于危险区域异物检测窗口内的关键检测图像；对关键检测图像进行预处理；依次计算相邻两个时间节点的预处理后的关键检测图像之间的相似度值；每计算完一对相邻两个时间节点的关键检测图像之间相似度值后，将该相似度值与预设的阈值进行比较，判断该相似度值是否超过阈值，若相似度值小于或等于预设的阈值，则关键检测图像中存在异物。本申请具有对列车前方异物检测准确度高，节省人力，节约成本的特点。

Description

一种列车前方异物侵限检测方法及***
技术领域
本申请涉及图像处理技术领域，尤其涉及一种列车前方异物侵限检测方法及***。
背景技术
我国高速铁路分布区域广、长距离、地质条件复杂、自然灾害严重，同时高速公路具有昼夜运营、封闭式、只允许火车行驶等特点。由于距离长、分布面积广、昼夜运营、封闭式等特点，当高速铁路沿线发生山体滑坡、地质沉降等自然灾害时，无法及时发布道路交通故障警告，容易引发严重的交通安全事故及连锁反应。为了降低高速铁路交通事故，减小人员伤亡和财产损失，迫切需要解决高速铁路沿线自然灾害预警和特殊交通安全事故报警。
滚石，行人或动物等异物侵入铁路界限，具有突发性、无规律和不可预测性，频频引发铁路交通事故，严重威胁了人民的生命安全，传统的轨道检测主要依靠人力，通过在全国范围内设置大量巡检人员来检查轨道的入侵情况，但是较为耗费人力和财力，并且，对于紧急的事故反应的不够迅速。
另外，视频监控***用于铁路安全监控，监测是否有异物入侵铁路的界限，但是，目前的视频监控***需要专人监看，监控人员的工作量很大，在劳累的时候容易产生疏漏，造成危险隐患。现有的采用激光幕墙的方法进行异物监测，该方法通过安装多个二维激光传感器形成激光幕墙来检测入侵异物，该方法检测速度快，灵敏度高，但是安装比较复杂，受环境影响较大，且成本较高。
发明内容
本申请的目的在于提供一种列车前方异物侵限检测方法及***，该方法检测准确度高，自动报警，节省人力，成本较低。
为达到上述目的，本申请提供一种列车前方异物侵限检测方法，该方法包括如下步骤：在列车行驶的过程中，采集列车前方轨道的监控视频，并在预设的时间节点，获取监控视频内的多帧监测图像；在监测图像中建立危险区域异物检测窗口，分割出监测图像位于危险区域异物检测窗口内的关键检测图像；对关键检测图像进行预处理；依次计算相邻两个时间节点的预处理后的关键检测图像之间的相似度值；每计算完一对相邻两个时间节点的关键检测图像之间相似度值后，将该相似度值与预设的阈值进行比较，判断该相似度值是否超过阈值，若相似度值小于或等于预设的阈值，则关键检测图像中存在异物，***发出报警信号，否则，不存在异物，继续计算下一对相邻两个时间节点的关键检测图像之间的相似度值。
如上的，其中，依次计算相邻两个时间节点的关键检测图像之间的相似度值包括如下步骤：
将相邻两个时间节点的关键检测图像分别均匀分成多个等大的矩形窗口，为每个矩形窗口按照从左到右、并且从上至下进行顺序编号；
计算相同编号矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值；
计算所有编号矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值的平均值作为相邻两个时间节点的关键检测图像之间的相似度值。
如上的，其中，计算相同编号矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值的公式为：
Figure 19756DEST_PATH_IMAGE001
；
其中，
Figure 733635DEST_PATH_IMAGE002
表示编号为
Figure 434743DEST_PATH_IMAGE003
的矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值；
Figure 236477DEST_PATH_IMAGE004
表示第一个关键检测图像中像素点坐标为
Figure 582008DEST_PATH_IMAGE005
的像素的像素值；
Figure 328771DEST_PATH_IMAGE006
表示第一个关键检测图像中所有像素点的像素值的平均值；
Figure 126963DEST_PATH_IMAGE007
表示第二个关键检测图像中像素点坐标为
Figure 466809DEST_PATH_IMAGE008
的像素的像素值；
Figure 666846DEST_PATH_IMAGE009
表示第二个关键检测图像中所有像素点的像素值的平均值；
Figure 316002DEST_PATH_IMAGE010
表示第一个关键检测图像或第二关键检测图像的像素点总行数；
Figure 601490DEST_PATH_IMAGE011
表示第一个关键检测图像或第二关键检测图像的像素点总列数;
Figure 10606DEST_PATH_IMAGE012
表示第二个关键检测图像的清晰度；
Figure 65149DEST_PATH_IMAGE013
表示第一个关键检测图像的清晰度；符号||表示取绝对值。
如上的，其中，第一个关键检测图像中所有像素点的像素值的平均值
Figure 416365DEST_PATH_IMAGE014
的计算公式为：
Figure 64515DEST_PATH_IMAGE015
；
其中，
Figure 870797DEST_PATH_IMAGE010
表示第一个关键检测图像的像素点总行数；
Figure 779847DEST_PATH_IMAGE016
表示第一个关键检测图像的像素点总列数；
Figure 770806DEST_PATH_IMAGE017
表示第一关键键检测图像中像素点坐标；
Figure 30886DEST_PATH_IMAGE018
表示第一个关键检测图像中像素点坐标为
Figure 250646DEST_PATH_IMAGE019
的像素的像素值。
如上的，其中，第二个关键检测图像中所有像素点的像素值的平均值
Figure 545361DEST_PATH_IMAGE020
的计算公式为：
Figure 969870DEST_PATH_IMAGE021
；
其中，
Figure 592613DEST_PATH_IMAGE022
表示第二个关键检测图像中像素点坐标为
Figure 6277DEST_PATH_IMAGE023
的像素的像素值；
Figure 14553DEST_PATH_IMAGE024
表示第二个关键检测图像中所有像素点的像素值的平均值；
Figure 222680DEST_PATH_IMAGE025
表示第二个关键检测图像的像素点总行数；
Figure 191773DEST_PATH_IMAGE026
表示第二个关键检测图像的像素点总列数。
如上的，其中，相邻两个时间节点的关键检测图像之间的相似度值计算公式为：
Figure 18915DEST_PATH_IMAGE027
;
其中，
Figure 22643DEST_PATH_IMAGE028
表示相邻两个时间节点的关键检测图像之间的相似度值；
Figure 791885DEST_PATH_IMAGE029
表示矩形窗口的个数；
Figure 982695DEST_PATH_IMAGE030
表示矩形窗口的编号。
如上的，其中，在监测图像中建立危险区域异物检测窗口，分割出监测图像位于危险区域异物检测窗口内的关键检测图像的方法包括：
识别监测图像中轨道的形状和位置；
根据轨道的形状和位置，在轨道外周侧建立危险区域异物检测窗口；
将位于危险区域异物检测窗口外侧的图像分割出来，保留位于危险区域异物检测窗口内侧的图像，形成关键检测图像。
如上的，其中，对关键检测图像进行预处理的方法包括:
对关键检测图像进行滤波处理;
对滤波处理后的图像进行对比度增强处理;
对对比度增强处理后的关键检测图像进行清晰化处理，获得理想清晰的关键检测图像。
如上的，其中，滤波处理后输出的图像的像素值的计算公式如下：
Figure 613527DEST_PATH_IMAGE031
;
其中,
Figure 206183DEST_PATH_IMAGE032
表示滤波处理后输出图像中像素点坐标为
Figure 146326DEST_PATH_IMAGE033
的像素值,
Figure 90011DEST_PATH_IMAGE034
表示关键检测图像中像素点坐标为
Figure 524534DEST_PATH_IMAGE035
的像素的像素值，
Figure 237276DEST_PATH_IMAGE036
表示高斯噪声的方差；
Figure 692528DEST_PATH_IMAGE037
表示卷积运算; e表示常数，e=2.718，
Figure 251072DEST_PATH_IMAGE038
表示滤波窗口的维数。
本申请还提供一种列车前方异物侵限检测***，该***包括：
图像采集模块，用于在列车行驶的过程中，采集列车前方轨道的监控视频，并在预设的时间节点，获取监控视频内的多帧监测图像；
图像提取模块，用于在监测图像中建立危险区域异物检测窗口，分割出监测图像位于危险区域异物检测窗口内的关键检测图像；
图像预处理模块，用于对关键检测图像进行预处理；
相似度计算模块，用于依次计算相邻两个时间节点的预处理后的关键检测图像之间的相似度值；
比较模块，用于每计算完一对相邻两个时间节点的关键检测图像之间的相似度值后，将该相似度值与预设的阈值进行比较，判断该相似度值是否超过阈值，若相似度值小于或等于预设的阈值，则关键检测图像中存在异物，***发出报警信号，否则，不存在异物，继续计算下一对相邻两个时间节点的关键检测图像之间的相似度值。
本申请实现的有益效果如下：
（1）本申请通过对采集的关键检测图像进行图像处理，自动判断关键检测图像中是否存在异物，并对相邻两个时间节点获取的关键检测图像之间的相似度进行计算，比较相邻两个时间节点获取的关键检测图像之间的相似度是否超过预设的阈值，若超过，则说明没有异物，否则，说明有异物，***自动进行报警，提醒驾驶人员前方有危险异物，使得驾驶人员即使刹车，避免危险发生。
（2）本申请通过在监测图像中建立危险区域异物检测窗口，排除监测图像中房屋、平原或山脉等对监测结果的影响，从而提高关键检测图像中异物检测的准确度。
（3）本申请检测滤波处理后的图像的清晰度是否符合要求，如果符合要求，则合格，否则，需对图像进行清晰化处理，提高了检测的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种列车前方异物侵限检测方法的流程图。
图2为本申请实施例的关键检测图像的示意图。
图3为本申请实施例的提取关键检测图像的方法流程图。
图4为本申请实施例的对关键检测图像进行预处理的方法流程图。
图5为本申请实施例的计算相邻两个关键检测图像的相似度值的方法流程图。
图6为本申请实施例的一种列车前方异物侵限检测***的结构示意图。
附图标记：1-危险区域异物检测窗口；2-第一轨道；3-第二轨道；4-异物；10-图像采集模块；20-图像提取模块；30-图像预处理模块；40-相似度计算模块；50-比较模块；100-列车前方异物侵限检测***。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
如图1所示，本申请提供一种列车前方异物侵限检测方法，该方法包括如下步骤：
步骤S1，在列车行驶的过程中，采集列车前方轨道的监控视频，并在预设的时间节点，获取监控视频内的多帧监测图像。
具体的，选取多个时间节点来获取监控视频的多帧监测图像，每个时间节点对应一帧监测图像，每帧监测图像反应其对应的时间节点时轨道的环境状况。
在夜间行驶时，开启前方照明***，保证采集列车前方轨道的监控视频较为清晰。
步骤S2，在监测图像中建立危险区域异物检测窗口，分割出监测图像位于危险区域异物检测窗口内的关键检测图像。
通过在监测图像中建立危险区域异物检测窗口，排除监测图像中房屋、平原或山脉等对监测结果的影响，从而提高关键检测图像中异物检测的准确度。
如图3所示，步骤S2包括如下子步骤：
步骤S210，识别监测图像中轨道的形状和位置。
步骤S220，根据轨道的形状和位置，在轨道外周侧建立危险区域异物检测窗口，其中，危险区域异物检测窗口的侧边与轨道平行。
步骤S230，将位于危险区域异物检测窗口外侧的图像分割出来，保留位于危险区域异物检测窗口内侧的图像，形成关键检测图像。
具体的，危险区域异物检测窗口根据轨道的形状建立，若铁路轨道为直线型，则建立直线型铁路轨道危险区域异物检测窗口；若铁路轨道为曲线型，则建立曲线型危险区域异物检测窗口。危险区域异物检测窗口的两侧边线平行于铁路轨道线，且向铁路轨道线两侧偏移一定距离，危险区域异物检测窗口的前边缘位于铁路轨道线的尽头，危险区域异物检测窗口的后边缘位于靠近列车的头部边缘。
如图2所示，建立危险区域异物检测窗口1，危险区域异物检测窗口1的两侧边位于第一轨道2和第二轨道3的两侧，可在危险区域异物检测窗口内检测到异物4（如图2所示）。
步骤S3，对关键检测图像进行预处理。
如图4所示，步骤S3包括如下子步骤：
步骤S310，对关键检测图像进行滤波处理。
使用高斯低通滤波算法对关键检测图像进行滤波处理，滤除高频噪声，尽量保留图像细节特征下对关键检测图像的噪声进行抑制。
根据本发明的一个实施例，滤波处理方法为：使用一个k X k维的包含加权系数的窗口放在关键检测图像上，对关键检测图像进行加权平均，每一个像素点的值都由其本身和窗口邻域内的其他像素值进行加权平均后得到，即用窗口扫描图像中的每一个像素点，用窗口确定的邻域内的像素的加权平均值替换模板中心像素点的值。
根据本发明的一个具体实施例，滤波处理后输出的图像的像素值的计算公式如下：
Figure 348341DEST_PATH_IMAGE039
;
其中,
Figure 56534DEST_PATH_IMAGE040
表示滤波处理后输出图像中像素点坐标为
Figure 682688DEST_PATH_IMAGE041
的像素的像素值,
Figure 725599DEST_PATH_IMAGE042
表示关键检测图像中像素点坐标为
Figure 360980DEST_PATH_IMAGE043
的像素的像素值，
Figure 782734DEST_PATH_IMAGE044
表示像素点的坐标，
Figure 986313DEST_PATH_IMAGE045
表示高斯噪声的方差，
Figure 126308DEST_PATH_IMAGE046
越大，频带越宽，能够很好的抑制噪声；
Figure 690013DEST_PATH_IMAGE047
表示卷积运算; e表示常数，e=2.718，
Figure 231853DEST_PATH_IMAGE048
表示滤波窗口的维数。
步骤S320，对滤波处理后的图像进行对比度增强处理。
具体的，使用CLAHE算法对滤波后的图像进行对比度增强处理。
步骤S330，对对比度增强处理后的关键检测图像进行清晰化处理，获得理想清晰的关键检测图像。
清晰化处理的公式为：
Figure 606333DEST_PATH_IMAGE049
;
其中，
Figure 233624DEST_PATH_IMAGE050
表示清晰化处理后的图像中像素点坐标为
Figure 210807DEST_PATH_IMAGE051
的像素的像素值,
Figure 731787DEST_PATH_IMAGE052
表示实际采集监控视频的镜头的衍射极限值；
Figure 401803DEST_PATH_IMAGE053
表示频率；
Figure 126176DEST_PATH_IMAGE054
表示傅里叶逆运算。
步骤S340,计算清晰化处理后关键检测图像的清晰度
Figure 907051DEST_PATH_IMAGE055
，并判断清晰度
Figure 157903DEST_PATH_IMAGE056
是否超过预设的合格阈值
Figure 120525DEST_PATH_IMAGE057
，若未超过，则对关键检测图像继续进行清晰化处理，否则，结束预处理。
关键检测图像的清晰度的计算公式为：
Figure 722407DEST_PATH_IMAGE058
;
其中，
Figure 182338DEST_PATH_IMAGE059
表示清晰度，
Figure 287698DEST_PATH_IMAGE060
表示关键检测图像中像素点坐标为
Figure 424150DEST_PATH_IMAGE061
的像素的像素值；
Figure 982170DEST_PATH_IMAGE062
表示关键检测图像横向像素点的总个数；
Figure 370426DEST_PATH_IMAGE063
表示关键检测图像纵向像素点的总个数；符号||表示取绝对值。
步骤S4，依次计算相邻两个时间节点的关键检测图像之间的相似度值。
如图5所示，步骤S4包括如下子步骤：
步骤S410，将相邻两个时间节点的关键检测图像分别均匀分成多个等大的矩形窗口，为每个矩形窗口按照从左到右、并且从上至下进行顺序编号，编号表示为
Figure 471237DEST_PATH_IMAGE064
。
步骤S420，计算相同编号矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值，计算公式如下：
Figure 653957DEST_PATH_IMAGE065
;
其中，
Figure 89486DEST_PATH_IMAGE066
表示编号为
Figure 15854DEST_PATH_IMAGE067
的矩形窗口对应的相邻两个时间节点的关键检测图像的相似度值；
Figure 971172DEST_PATH_IMAGE068
表示第一个关键检测图像中像素点坐标为
Figure 590372DEST_PATH_IMAGE069
的像素的像素值；
Figure 122984DEST_PATH_IMAGE070
表示第一个关键检测图像中所有像素点的像素值的平均值；
Figure 977677DEST_PATH_IMAGE071
表示第二个关键检测图像中像素点坐标为
Figure 912135DEST_PATH_IMAGE072
的像素的像素值；
Figure 312023DEST_PATH_IMAGE073
表示第二个关键检测图像中所有像素点的像素值的平均值；
Figure 597511DEST_PATH_IMAGE074
表示第一个关键检测图像或第二关键检测图像的像素点总行数；
Figure 993245DEST_PATH_IMAGE075
表示第一个关键检测图像或第二关键检测图像的像素点总列数;
Figure 47789DEST_PATH_IMAGE076
表示第二个关键检测图像的清晰度；
Figure 743212DEST_PATH_IMAGE077
表示第一个关键检测图像的清晰度；符号||表示取绝对值。
其中，第一个关键检测图像为在第一个时间节点获得的关键检测图像，第一个关键检测图像中所有像素点的像素值的平均值计算方法为第一个关键检测图像中所有像素点的像素值之和的平均值，计算公式如下：
Figure 125783DEST_PATH_IMAGE078
。
其中，第二个关键检测图像为在第二个时间节点获得的关键检测图像，第二个关键检测图像中所有像素点的像素值的平均值计算方法为第二个关键检测图像中所有像素点的像素值之和的平均值，计算公式如下：
Figure 197644DEST_PATH_IMAGE079
；
Figure 496907DEST_PATH_IMAGE080
表示第二个关键检测图像中像素点坐标为（x,y）的像素的像素值；
Figure 97653DEST_PATH_IMAGE081
表示第二个关键检测图像中所有像素点的像素值的平均值；
Figure 233099DEST_PATH_IMAGE082
表示第二个关键检测图像的像素点总行数；
Figure 843072DEST_PATH_IMAGE083
表示第二个关键检测图像的像素点总列数；第二关键检测图像的像素点的总行数与第一关键检测图像的像素点的总行数相等，第二关键检测图像的像素点的总列数与第一关键检测图像的像素点的总列数相等。
步骤S430，计算所有编号矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值的平均值作为相邻两个时间节点的关键检测图像的相似度值，即相邻两个时间节点的关键检测图像之间的相似度值计算公式为：
Figure 606629DEST_PATH_IMAGE084
;
其中，
Figure 768489DEST_PATH_IMAGE085
表示相邻两个时间节点的关键检测图像的相似度值；
Figure 515865DEST_PATH_IMAGE086
表示矩形窗口的个数；
Figure 804895DEST_PATH_IMAGE087
表示矩形窗口的编号。
相邻两个时间节点的关键检测图像的相似度值
Figure 688537DEST_PATH_IMAGE088
越大说明相邻两个时间节点的关键检测图像越相似，越没有出现异物的可能。
如果相邻时间节点的第一个关键检测图像和第二个关键检测图像之间的相似度值大于预设的阈值，则不存在异物，将此次进行计算的第二个关键检测图像作为下一次计算相邻两个关键检测图像之间相似度值的新的第一个关键检测图像，选取与新的第一个关键检测图像相邻的下一个时间节点的关键检测图像作为新的第二个关键检测图像，计算新的第一个关键检测图像和新的第二个关键检测图像之间的相似度值，如果，计算的相似度值小于或等于预设的阈值，说明新的第二个关键检测图像中存在异物。
步骤S5，每计算完一对相邻两个时间节点的关键检测图像之间的相似度值后，将该相似度值与预设的阈值进行比较，判断该相似度值是否超过阈值，若相似度值小于或等于预设的阈值，则关键检测图像中存在异物，***发出报警信号，否则，不存在异物，继续计算下一对相邻两个时间节点的关键检测图像之间的相似度值。
若
Figure 21299DEST_PATH_IMAGE089
,则判断结果为存在异物，***发出报警信号，否则，不存在异物，无需报警。
实施例二
如图6所示，本申请提供一种列车前方异物侵限检测***100，该***包括：
图像采集模块10，用于在列车行驶的过程中，采集列车前方轨道的监控视频，并在预设的时间节点，获取监控视频内的多帧监测图像；
图像提取模块20，用于在监测图像中建立危险区域异物检测窗口，分割出监测图像位于危险区域异物检测窗口内的关键检测图像；
图像预处理模块30，用于对关键检测图像进行预处理；
相似度计算模块40，用于依次计算相邻两个时间节点获取的预处理后的关键检测图像之间的相似度值；
比较模块50，用于每计算完一对相邻两个时间节点的关键检测图像之间的相似度值后，将该相似度值与预设的阈值进行比较，判断该相似度值是否超过阈值，若相似度值小于或等于预设的阈值，则关键检测图像中存在异物，***发出报警信号，否则，不存在异物，继续计算下一对相邻两个时间节点的关键检测图像之间的相似度值。
本申请实现的有益效果如下：
（1）本申请通过对采集的关键检测图像进行图像处理，自动判断关键检测图像中是否存在异物，并对相邻两个时间节点获取的关键检测图像之间的相似度进行计算，比较相邻两个时间节点获取的关键检测图像之间的相似度是否超过预设的阈值，若超过，则说明没有异物，否则，说明有异物，***自动进行报警，提醒驾驶人员前方有危险异物，使得驾驶人员即使刹车，避免危险发生。
（2）本申请通过在监测图像中建立危险区域异物检测窗口，排除监测图像中房屋、平原或山脉等对监测结果的影响，从而提高关键检测图像中异物检测的准确度。
（3）本申请检测滤波处理后的图像的清晰度是否符合要求，如果符合要求，则合格，否则，需对图像进行清晰化处理，提高了检测的准确度。
上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (8)

1.一种列车前方异物侵限检测方法，其特征在于，该方法包括如下步骤：
在列车行驶的过程中，采集列车前方轨道的监控视频，并在预设的时间节点，获取监控视频内的多帧监测图像；
在监测图像中建立危险区域异物检测窗口，分割出监测图像位于危险区域异物检测窗口内的关键检测图像；
对关键检测图像进行预处理；
依次计算相邻两个时间节点的预处理后的关键检测图像之间的相似度值：将相邻两个时间节点的关键检测图像分别均匀分成多个等大的矩形窗口，为每个矩形窗口按照从左到右、并且从上至下进行顺序编号；
计算相同编号矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值；
其中，计算相同编号矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值的公式为：
Figure FDA0002720209830000011
其中，Sα表示编号为α的矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值；Hc(x，y)表示第一个关键检测图像中像素点坐标为(x，y)的像素的像素值；
Figure FDA0002720209830000012
表示第一个关键检测图像中所有像素点的像素值的平均值；Hb(x，y)表示第二个关键检测图像中像素点坐标为(x，y)的像素的像素值；
Figure FDA0002720209830000013
表示第二个关键检测图像中所有像素点的像素值的平均值；m表示第一个关键检测图像或第二关键检测图像的像素点总行数；n表示第一个关键检测图像或第二关键检测图像的像素点总列数；Q2表示第二个关键检测图像的清晰度；Q1表示第一个关键检测图像的清晰度；符号||表示取绝对值；
计算所有编号矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值的平均值作为相邻两个时间节点的关键检测图像之间的相似度值；
每计算完一对相邻两个时间节点的关键检测图像之间相似度值后，将该相似度值与预设的阈值进行比较，判断该相似度值是否超过阈值，若相似度值小于或等于预设的阈值，则关键检测图像中存在异物，***发出报警信号，否则，不存在异物，继续计算下一对相邻两个时间节点的关键检测图像之间的相似度值；
其中，若判断结果为无异物，则将该次计算的第二关键检测图像作为下一次计算相邻两个时间节点的新的第一关键检测图像，选取与新的第一关键检测图像相邻时间节点的关键检测图像作为第二关键检测图像，以执行下一次异物检测。
2.根据权利要求1所述的列车前方异物侵限检测方法，其特征在于，第一个关键检测图像中所有像素点的像素值的平均值
Figure FDA0002720209830000024
的计算公式为：
Figure FDA0002720209830000021
其中，m表示第一个关键检测图像的像素点总行数；n表示第一个关键检测图像的像素点总列数；(x，y)表示第一关键检测图像中像素点坐标；Hc(x，y)表示第一个关键检测图像中像素点坐标为(x，y)的像素的像素值。
3.根据权利要求1所述的列车前方异物侵限检测方法，其特征在于，第二个关键检测图像中所有像素点的像素值的平均值
Figure FDA0002720209830000025
的计算公式为：
Figure FDA0002720209830000022
其中，Hb(x，y)表示第二个关键检测图像中像素点坐标为(x，y)的像素的像素值；
Figure FDA0002720209830000026
表示第二个关键检测图像中所有像素点的像素值的平均值；m表示第二关键检测图像的像素点总行数；n表示第二关键检测图像的像素点总列数。
4.根据权利要求1所述的列车前方异物侵限检测方法，其特征在于，相邻两个时间节点的关键检测图像之间的相似度值计算公式为：
Figure FDA0002720209830000023
其中，S表示相邻两个时间节点的关键检测图像之间的相似度值；K表示矩形窗口的个数；α表示矩形窗口的编号。
5.根据权利要求1所述的列车前方异物侵限检测方法，其特征在于，在监测图像中建立危险区域异物检测窗口，分割出监测图像位于危险区域异物检测窗口内的关键检测图像的方法包括：
识别监测图像中轨道的形状和位置；
根据轨道的形状和位置，在轨道外周侧建立危险区域异物检测窗口；
将位于危险区域异物检测窗口外侧的图像分割出来，保留位于危险区域异物检测窗口内侧的图像，形成关键检测图像。
6.根据权利要求1所述的列车前方异物侵限检测方法，其特征在于，对关键检测图像进行预处理的方法包括：
对关键检测图像进行滤波处理；
对滤波处理后的图像进行对比度增强处理；
对对比度增强处理后的关键检测图像进行清晰化处理，获得理想清晰的关键检测图像。
7.根据权利要求6所述的列车前方异物侵限检测方法，其特征在于，滤波处理后输出的图像的像素值的计算公式如下：
Figure FDA0002720209830000031
其中，p(x，y)表示滤波处理后输出图像中像素点坐标为(x，y)的像素值，f(x，y)表示关键检测图像中像素点坐标为(x，y)的像素的像素值，σ表示高斯噪声的方差；*表示卷积运算；e表示常数，e＝2.718，k表示滤波窗口的维数。
8.一种列车前方异物侵限检测***，其特征在于，该***包括：
图像采集模块，用于在列车行驶的过程中，采集列车前方轨道的监控视频，并在预设的时间节点，获取监控视频内的多帧监测图像；
图像提取模块，用于在监测图像中建立危险区域异物检测窗口，分割出监测图像位于危险区域异物检测窗口内的关键检测图像；
图像预处理模块，用于对关键检测图像进行预处理；
相似度计算模块，用于依次计算相邻两个时间节点的预处理后的关键检测图像之间的相似度值：将相邻两个时间节点的关键检测图像分别均匀分成多个等大的矩形窗口，为每个矩形窗口按照从左到右、并且从上至下进行顺序编号；
计算相同编号矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值；
其中，计算相同编号矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值的公式为：
Figure FDA0002720209830000041
其中，Sα表示编号为α的矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值；Hc(x，y)表示第一个关键检测图像中像素点坐标为(x，y)的像素的像素值；
Figure FDA0002720209830000042
表示第一个关键检测图像中所有像素点的像素值的平均值；Hb(x，y)表示第二个关键检测图像中像素点坐标为(x，y)的像素的像素值；
Figure FDA0002720209830000043
表示第二个关键检测图像中所有像素点的像素值的平均值；m表示第一个关键检测图像或第二关键检测图像的像素点总行数；n表示第一个关键检测图像或第二关键检测图像的像素点总列数；Q2表示第二个关键检测图像的清晰度；Q1表示第一个关键检测图像的清晰度；符号||表示取绝对值；
计算所有编号矩形窗口对应的相邻两个时间节点的关键检测图像之间的相似度值的平均值作为相邻两个时间节点的关键检测图像之间的相似度值；
比较模块，用于每计算完一对相邻两个时间节点的关键检测图像之间的相似度值后，将该相似度值与预设的阈值进行比较，判断该相似度值是否超过阈值，若相似度值小于或等于预设的阈值，则关键检测图像中存在异物，***发出报警信号，否则，不存在异物，继续计算下一对相邻两个时间节点的关键检测图像之间的相似度值；
其中，若判断结果为无异物，则将该次计算的第二关键检测图像作为下一次计算相邻两个时间节点的新的第一关键检测图像，选取与新的第一关键检测图像相邻时间节点的关键检测图像作为第二关键检测图像，以执行下一次异物检测。
CN202010458971.6A 2020-05-27 2020-05-27 一种列车前方异物侵限检测方法及*** Active CN111368812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010458971.6A CN111368812B (zh) 2020-05-27 2020-05-27 一种列车前方异物侵限检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010458971.6A CN111368812B (zh) 2020-05-27 2020-05-27 一种列车前方异物侵限检测方法及***

Publications (2)

Publication Number Publication Date
CN111368812A CN111368812A (zh) 2020-07-03
CN111368812B true CN111368812B (zh) 2020-12-08

Family

ID=71211043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010458971.6A Active CN111368812B (zh) 2020-05-27 2020-05-27 一种列车前方异物侵限检测方法及***

Country Status (1)

Country Link
CN (1) CN111368812B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108163014A (zh) * 2017-12-26 2018-06-15 郑州畅想高科股份有限公司 一种机车乘务员辅助瞭望预警方法及装置
CN108319884A (zh) * 2017-01-16 2018-07-24 北海和思科技有限公司 一种车前方静态障碍物检测方法
CN109591850A (zh) * 2018-12-24 2019-04-09 郑州畅想高科股份有限公司 一种轨道异物检测方法及装置
CN109884727A (zh) * 2019-03-15 2019-06-14 Oppo广东移动通信有限公司 异物检测方法、异物检测装置和电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014050518A1 (ja) * 2012-09-28 2014-04-03 日本電気株式会社 情報処理装置、情報処理方法および情報処理プログラム
CN103927749A (zh) * 2014-04-14 2014-07-16 深圳市华星光电技术有限公司 图像处理方法、装置和自动光学检测机
JP6507862B2 (ja) * 2015-06-02 2019-05-08 トヨタ自動車株式会社 周辺監視装置及び運転支援装置
CN108257152B (zh) * 2017-12-28 2022-04-08 清华大学苏州汽车研究院（吴江） 一种基于视频的道路入侵检测方法及***
CN110298837B (zh) * 2019-07-08 2023-03-24 上海天诚比集科技有限公司 基于帧间差分法的消防占道异常物体检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108319884A (zh) * 2017-01-16 2018-07-24 北海和思科技有限公司 一种车前方静态障碍物检测方法
CN108163014A (zh) * 2017-12-26 2018-06-15 郑州畅想高科股份有限公司 一种机车乘务员辅助瞭望预警方法及装置
CN109591850A (zh) * 2018-12-24 2019-04-09 郑州畅想高科股份有限公司 一种轨道异物检测方法及装置
CN109884727A (zh) * 2019-03-15 2019-06-14 Oppo广东移动通信有限公司 异物检测方法、异物检测装置和电子设备

Also Published As

Publication number Publication date
CN111368812A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN111626204B (zh) 一种铁路异物入侵监测方法及***
CN111626207B (zh) 一种基于图像处理的列车前方异物入侵检测方法及***
CN111626203B (zh) 一种基于机器学习的铁路异物识别方法及***
CN108647572B (zh) 一种基于霍夫变换的车道偏离预警方法
CN103593649B (zh) 一种用于车道偏离预警的车道线检测方法
CN110862033B (zh) 一种应用于煤矿斜井绞车的智能预警检测方法
CN102628814B (zh) 一种基于数字图像处理的钢轨光带异常自动检测方法
CN103400111B (zh) 基于视频检测技术的高速公路隧道火灾事件检测方法
CN111626170B (zh) 一种铁路边坡落石侵限检测的图像识别方法
CN108596169B (zh) 基于视频流图像的分块信号转换与目标检测方法及装置
Han et al. Development of early tunnel fire detection algorithm using the image processing
CN102496275B (zh) 客车超载检测方法
CN111259718A (zh) 一种基于高斯混合模型的扶梯滞留检测方法及***
CN110874592A (zh) 一种基于总有界变分的森林火灾烟雾图像检测方法
CN108765453B (zh) 基于视频流数据的高速公路团雾识别方法
CN102110366B (zh) 一种基于块累积的高速公路车辆停车事件检测方法
Lee et al. Real-time fire detection using camera sequence image in tunnel environment
CN114529880A (zh) 一种城市轨道异物侵限检测方法、装置、***及存储介质
CN115311631A (zh) 一种隧道内的图像采集方法、设备及介质
CN106980810A (zh) 一种基于敏感区图像轮廓递增的超高车辆接近检测方法
CN111368812B (zh) 一种列车前方异物侵限检测方法及***
CN116597394A (zh) 一种基于深度学习的铁路异物侵限检测***及方法
CN104657975A (zh) 一种视频图像横向条纹扰动检测的方法
CN109978896A (zh) 一种基于图像处理技术的铁路货车车厢烟火监测方法
JP2008152586A (ja) エリア警戒自動識別監視システム

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230717

Address after: Room 1503, Hongqilou Business Building, No. 11, Gongye East Street, Qiaodong District, Zhangjiakou City, Hebei Province, 075000

Patentee after: Zhangjiakou Dongchu Technology Co.,Ltd.

Address before: 101300 room 3001, 3rd floor, 102 door, building 8, yard 12, Xinzhong street, Nanfaxin Town, Shunyi District, Beijing

Patentee before: Beijing Weijie Dongbo Information Technology Co.,Ltd.

TR01 Transfer of patent right
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200703

Assignee: Hebei Yuncha Technology Co.,Ltd.

Assignor: Zhangjiakou Dongchu Technology Co.,Ltd.

Contract record no.: X2023980049711

Denomination of invention: A foreign object intrusion detection method and system in front of trains

Granted publication date: 20201208

License type: Common License

Record date: 20231204

EE01 Entry into force of recordation of patent licensing contract