CN113537007A - 应用于铁路站台的非工作人员入侵检测与报警方法和装置 - Google Patents
应用于铁路站台的非工作人员入侵检测与报警方法和装置 Download PDFInfo
- Publication number
- CN113537007A CN113537007A CN202110751325.3A CN202110751325A CN113537007A CN 113537007 A CN113537007 A CN 113537007A CN 202110751325 A CN202110751325 A CN 202110751325A CN 113537007 A CN113537007 A CN 113537007A
- Authority
- CN
- China
- Prior art keywords
- alarm
- video
- intrusion detection
- target
- detection model
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000013526 transfer learning Methods 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims description 5
- 238000013138 pruning Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/292—Multi-camera tracking
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19608—Tracking movement of a target, e.g. by detecting an object predefined as a target, using target direction and or velocity to predict its new position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种应用于铁路站台的非工作人员入侵检测与报警方法和装置。该方法包括获取站台的站端区域的实时视频;使用入侵检测模型对所述视频中的目标进行检测和跟踪,并基于所述检测和跟踪的结果,判断是否触发报警;其中,所述入侵检测模型利用基于YOLO v4的非工作人员特征检测模型对视频中的目标进行检测,并且利用DCF算法对检测到目标进行追踪。根据本发明提供的方法和装置,通过使用入侵检测模型,能够分辨工作人员和非工作人员,可实现一台图像处理器运行几十路高清视频的实时在线分析,在一定程度上解决工作人员定期巡检造成的误报,同时有效缓解了客流增长时客运站安全管理的压力,***可靠性强,费用低。
Description
技术领域
本发明涉及铁路客运站运营安全监测与防控领域,尤其涉及一种应用于铁路站台的非工作人员入侵检测与报警方法和装置。
背景技术
铁路运营线路尤其是高速铁路的发展得到了越来越多的关注,也受到了更多有出行需求人们的青睐。铁路客运站作为高铁与旅客出行首要的交互窗口,在更多的人们将其作为出行第一选择的同时,对铁路客运站生产运营效率和安全生产管理也有了更高的要求。铁路客运站站台是其比较薄弱的环节,特别是站台两端属于站内禁限区域,乘客的误入或者有意闯入都会对客运生产管理带来影响。2020年通过的《高速铁路安全防护管理办法》也明确指出在站台两端应当安装、设置警示标志和封闭设施,防止无关人员进入高速铁路线路。
为保证旅客正常的乘降秩序,维护站台两端禁限区域的安全,客运站大多采用人员值守的方式来解决这一问题。但这样必然带来了人员成本的增加。随着当今先进技术的发展,将技防和物防相结合的安全防范方式为站台两端的防护提供了新的思路。当前人员检测的技术有很多种,比较常用的方法有:光波对射、雷达、图像处理等方法。光波对射技术采用目标遮挡光线时报警,无法可视化,存在飞鸟、雾气、雨雪等干扰且检测角度极窄;雷达探测技术可以实现几百米的监控范围,但其目标分辨能力较低,可视化差,更无法对是否是工作人员做出区分;并且这两项技术的实施必须需要安装相应的设备,介于当前客运站实际情况,将会带来较高的施工成本并且施工过程会干扰客运站的正常秩序。《高速铁路安全防护管理办法》中指出在站台等重要场所配备、安装监控***。在原有监控***的基础上可以选择图像检测技术,但图像处理的大规模应用主要还是人工特征设计的传统方法,传统的技术虽然对行人的检测有一定效果,但如何在行人中分辨工作人员和旅客,仍具有很高的难度。深度学习虽具有提取分辨物体特征的优势,但其运算的复杂度,使其无法达到上线应用的要求。
发明内容
本发明的目的是提供一种应用于铁路站台的非工作人员入侵检测与报警方法和装置,以解决现有技术中存在的问题。
第一方面,本发明提供一种应用于铁路站台的非工作人员入侵检测与报警方法,包括:
获取站台的站端区域的实时视频;
使用入侵检测模型对所述视频中的目标进行检测和跟踪,并基于所述检测和跟踪的结果,判断是否触发报警;其中,所述入侵检测模型利用基于YOLO v4的非工作人员检测模型对视频中的目标进行检测,并且利用DCF算法对检测到目标进行追踪。
进一步地,所述入侵检测模型采用DCF算法对检测到的目标进行跟踪,并为其分配唯一的ID,并且判断相邻帧中的目标是否属于同一目标,如果检测到的目标为同一个,则为所述目标分配的ID在当前帧中保持不变。
进一步地,所述基于所述检测和跟踪的结果,判断是否触发报警包括:
从所述实时视频中划定禁止非工作人员进入的禁限区域;
当视频中被识别为非工作人员的目标出现在所述禁限区域中,并且所述被识别为非工作人员的目标的有效范围内不存在被识别为工作人员的目标时,确定触发报警;或
当视频中被识别为非工作人员的目标出现在所述禁限区域中,并且所述被识别为非工作人员的目标的有效范围内存在被识别为工作人员的目标时,不触发报警。
进一步地,所述方法还包括:对基于YOLO v4的非工作人员特征检测模型进行训练,所述对基于YOLO v4的非工作人员特征检测模型进行训练包括:
针对铁路站台场景下,获取覆盖站端禁限区域的视频,并按预定规则提取所述视频中的图像帧;
构建包括所述图像帧的数据集;
利用所述数据集对预训练的YOLO v4网络模型进行迁移学习、模型压缩和推理加速。
进一步地,所述利用所述数据集对预训练的YOLO v4网络模型进行迁移学习包括:对所述数据集进行分析,对分布不均匀的数据进行补充或者数据增强。
进一步地,所述模型压缩和推理加速是利用TensorRT和网络剪枝方法来实现的。
进一步地,所述构建包括所述图像帧的数据集包括:基于工作人员和非工作人员的区别特征,对提取到的图像帧进行标注。
第二方面,本发明提供一种应用于铁路站台的非工作人员入侵检测与报警装置,包括:
视频获取模块,用于获取站台的站端区域的实时视频;
检测与报警模块,用于使用入侵检测模型对所述视频中的目标进行检测和跟踪,并基于所述检测和跟踪的结果,判断是否触发报警;其中,所述入侵检测模型利用基于YOLOv4的非工作人员特征检测模型对视频中的目标进行检测,并且利用DCF算法对检测到目标进行追踪。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现根据第一方面所述应用于铁路站台的非工作人员入侵检测与报警方法的步骤。
第四方面,本发明提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现根据第一方面所述应用于铁路站台的非工作人员入侵检测与报警方法的步骤。
根据本发明提供的应用于铁路站台的非工作人员入侵检测与报警方法和装置,通过使用入侵检测模型,能够分辨工作人员和非工作人员,可以实现一张图形处理器运行几十路高清视频的实时在线分析,在一定程度上解决工作人员定期巡检造成的误报,同时有效缓解了客流增长时客运站安全管理的压力,***可靠性强,费用低。
附图说明
图1是根据本发明实施例的应用于铁路站台的非工作人员入侵检测与报警方法的流程图;
图2是根据本发明实施例的基于YOLO v4的非工作人员分类模型的训练流程图;
图3是根据本发明实施例的应用于铁路站台的非工作人员入侵检测与报警方法的另一流程图;
图4是根据本发明实施例的应用于铁路站台的非工作人员入侵检测与报警装置的结构示意图;以及
图5是根据本发明实施例的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都属于本发明保护的范围。
高速铁路客运站的客流量逐年增加,对客运站安全生产管理特别是站台两端的安全防护提出了新的要求,雷达、光波对射的检测技术不能解决对站台两端(在下文中简称为站端)例行检查的工作人员与误入的乘客进行有效分辨的矛盾,且还要破坏原有环境安装新设备。传统图像处理技术存在无法解决非工作人员识别特征的提取问题以及深度学***。
具体地,本发明提供一种应用于铁路站台的非工作人员入侵检测与报警方法,图1是根据本发明实施例的应用于铁路站台的非工作人员入侵检测与报警方法的流程图,参考图1,本发明实施例的应用于铁路站台的非工作人员入侵检测与报警方法包括:
步骤110,获取站台的站端区域的实时视频;
步骤120,使用入侵检测模型对所述视频中的目标进行检测和跟踪,并基于所述检测和跟踪的结果,判断是否触发报警;其中,所述入侵检测模型利用基于YOLO v4的非工作人员特征检测模型对视频中的目标进行检测,并且利用DCF算法对检测到目标进行追踪。
在本发明实施例中,需要说明的是,所述入侵检测模型采用DCF算法对检测到的目标进行跟踪,并为其分配唯一的ID,并且判断相邻帧中的目标是否属于同一目标,如果检测到的目标为同一个,则为所述目标分配的ID在当前帧中保持不变。
具体地,下面对使用DCF算法的多目标跟踪作进一步阐述。在保证算法检测速度的前提下,为进一步提高算法的鲁棒性和可行性,本发明实施例的入侵检测模型采用一种PtDCF算法,涉及当前帧中多目标的跟踪。对相邻帧中检测到每个目标利用DCF算法进行判定是否属于同一物体,如果检测到的目标为同一个,则该目标分配的ID在当前帧中保持不变。本发明实施例的入侵检测模型采用的PtDCF算法相较于IOU、KLT等传统算法精度高,比Deepsort等深度学习关联的算法资源消耗少,运算速度快。
在本发明实施例中,需要说明的是,所述基于所述检测和跟踪的结果,判断是否触发报警包括:
从所述实时视频中划定禁止非工作人员进入的禁限区域;
当视频中被识别为非工作人员的目标出现在所述禁限区域中,并且所述被识别为非工作人员的目标的有效范围内不存在被识别为工作人员的目标时,确定触发报警;或
当视频中被识别为非工作人员的目标出现在所述禁限区域中,并且所述被识别为非工作人员的目标的有效范围内存在被识别为工作人员的目标时,不触发报警。
具体地,下面对报警策略的设计作进一步阐述。报警策略包括:
步骤(1),划定禁限区域。站端摄像头一般视场较大,需要在其画面中划定需要监测的禁限区域R;
步骤(2),YOLO网络进行多摄像头同步实时分析,检测当前画面中的物体。利用DCF算法对检测到的目标进行跟踪,并为其分配唯一的ID;
步骤(3),在跟踪过程中,如果仅仅只有行人P出现在禁限区域中,说明有非工作人员闯入,立即通过socket通信(或者其他如http、rabbitMQ等协议和消息中间件)向平台发送报警消息(消息的格式不固定,但内容至少包含报警类型和发送时间),并截取视频片段(视频持续时间大于或等于10s)保存留证;如果检测到行人出现的同时,并且在其附近邻近区域(像素点不超过20)有其他标签的目标L存在,说明其本身是工作人员或者有效范围内存在工作人员,不产生报警消息;
步骤(4),如果目标ID一直不变则在当前情况下不再产生报警消息。如果有新的跟踪ID出现,则根据重复步骤(2)和(3)。
在本发明实施例中,需要说明的是,所述方法还包括:对基于YOLO v4的非工作人员特征检测模型进行训练,所述对基于YOLO v4的非工作人员特征检测模型进行训练包括:
获取覆盖站端禁限区域的视频,并按预定规则提取所述视频中的图像帧;
构建包括所述图像帧的数据集;
利用所述数据集对预训练的YOLO v4网络模型进行迁移学习、模型压缩和推理加速。
其中,所述利用所述数据集对预训练的YOLO v4网络模型进行迁移学习包括:对所述数据集进行分析,对分布不均匀的数据进行补充或者数据增强。所述模型压缩和推理加速是利用TensorRT和网络剪枝方法来实现的。所述构建包括所述图像帧的数据集包括:基于工作人员和非工作人员的区别特征,对提取到的图像帧进行标注。
具体地,图2是根据本发明实施例的基于YOLO v4的非工作人员分类模型的训练流程图,参考图2,对本发明实施例提供的基于YOLO v4的非工作人员分类模型的训练方法作进一步阐述。
首先需要构建数据集。搜集覆盖站端禁限区域的摄像头视频,视频的内容应包含一年四季及不同季节中白天夜晚的时间跨度,对视频中进行关键帧或每隔n(n>5)帧图像提取;所述数据集中的标注的类别包括用于区分工作人员和非工作人员的类别。利用标注工具(例如LableIMG工具包)对提取到的图像帧进行标注制作用于训练YOLO的数据集,其中标注的分类不限于铁路春秋服(含帽)、铁路夏服(含帽)、铁路冬服(含帽)、红黄反光马甲、行人、安全帽、拖把、保洁用推车等。最终得到一个包含3万张图片的数据集。
然后,需要对YOLO v4网络进行迁移学习及模型压缩、推理加速。利用构建的数据集对预训练YOLO v4网络模型进行迁移学习,训练参数不固定,但为实现本场景下较好的检测效果,建议多次微调训练参数,分析所创建的数据集,对分布不均匀的数据进行补充或者数据增强;利用TensorRT和网络剪枝方法对训练好的YOLO模型进行推理加速和模型压缩,生成新的可在GPU硬件上部署的模型YOLO_Infer。该模型利用一块T4推理卡,至少可达到50FPS。
图3是根据本发明实施例的应用于铁路站台的非工作人员入侵检测与报警方法的另一流程图,参考图3,对根据本发明实施例的应用于铁路站台的非工作人员入侵检测与报警方法作进一步阐述。
首先通过其视场覆盖铁路站台两端区域的监控***获取实时视频。可以采用有线或无线监控摄像机,其配置应符合各项安全规范,特别的是,可以采用现有已安装的监控***。
将通过监控***获取的RTSP流或混流输入YOLO_Infer模型。该YOLO_Infer模型是通过本发明实施例提供的基于YOLO v4的非工作人员分类模型的训练方法得到的。
然后采用DCF算法跟踪站台上的目标,并使用本发明实施例提供的报警策略判断是否触发报警逻辑。当触发报警逻辑时,立即通过socket通信(或者其他如http、rabbitMQ等协议和消息中间件)向平台发送报警消息。当没有触发报警逻辑时,继续通过本发明实施例提供的入侵检测模型进行检测和跟踪。
本发明属于视频智能分析技术应用下的铁路客站安全监测管理领域,克服了雷达、光波对射等非可见光技术检测范围有限且无法分辨工作人员和非工作人员的弊端,同时有效克服了传统视频处理技术人工特征设计与提取困难导致识别性能差的痛点以及深度学习模型算力要求高无法大规模实时应用的问题。本发明可以在现有客站监控***的基础上实现铁路客站站台两端禁限区域内非工作人员入侵的检测,并可以实现几十路高清视频的实时在线分析,也可在一定程度上解决工作人员定期巡检造成的误报,同时有效缓解了客流增长时客运站安全管理的压力,***可靠性强,费用低。
参照图4,图4是根据本发明实施例的应用于铁路站台的非工作人员入侵检测与报警装置的结构示意图,本实施例提供的应用于铁路站台的非工作人员入侵检测与报警装置,包括:视频获取模块410和检测与报警模块420:
视频获取模块410,用于获取站台的站端区域的实时视频;
检测与报警模块420,用于使用入侵检测模型对所述视频中的目标进行检测和跟踪,并基于所述检测和跟踪的结果,判断是否触发报警;其中,所述入侵检测模型利用基于YOLO v4的非工作人员特征检测模型对视频中的目标进行检测,并且利用DCF算法对检测到目标进行追踪。
由于本发明实施例提供的应用于铁路站台的非工作人员入侵检测与报警装置,可以用于执行上述实施例所述的应用于铁路站台的非工作人员入侵检测与报警方法,其工作原理和有益效果类似,故此处不再详述,具体内容可参见上述实施例的介绍。
在本实施例中,需要说明的是,本发明实施例的装置中的各个模块可以集成于一体,也可以分离部署。上述模块可以合并为一个模块,也可以进一步拆分成多个子模块。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行应用于铁路站台的非工作人员入侵检测与报警方法,该方法包括获取站台的站端区域的实时视频;使用入侵检测模型对所述视频中的目标进行检测和跟踪,并基于所述检测和跟踪的结果,判断是否触发报警;其中,所述入侵检测模型利用基于YOLO v4的非工作人员特征检测模型对视频中的目标进行检测,并且利用DCF算法对检测到目标进行追踪。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的应用于铁路站台的非工作人员入侵检测与报警方法,该方法包括:获取站台的站端区域的实时视频;使用入侵检测模型对所述视频中的目标进行检测和跟踪,并基于所述检测和跟踪的结果,判断是否触发报警;其中,所述入侵检测模型利用基于YOLO v4的非工作人员特征检测模型对视频中的目标进行检测,并且利用DCF算法对检测到目标进行追踪。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的应用于铁路站台的非工作人员入侵检测与报警方法,该方法包括:获取站台的站端区域的实时视频;使用入侵检测模型对所述视频中的目标进行检测和跟踪,并基于所述检测和跟踪的结果,判断是否触发报警;其中,所述入侵检测模型利用基于YOLO v4的非工作人员特征检测模型对视频中的目标进行检测,并且利用DCF算法对检测到目标进行追踪。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种应用于铁路站台的非工作人员入侵检测与报警方法,其特征在于,包括:
获取站台的站端区域的实时视频;
使用入侵检测模型对所述视频中的目标进行检测和跟踪,并基于所述检测和跟踪的结果,判断是否触发报警;其中,所述入侵检测模型利用基于YOLO v4的非工作人员特征检测模型对视频中的目标进行检测,并且利用DCF算法对检测到目标进行追踪。
2.根据权利要求1所述的应用于铁路站台的非工作人员入侵检测与报警方法,其特征在于,所述入侵检测模型采用DCF算法对检测到的目标进行跟踪,并为其分配唯一的ID,并且判断相邻帧中的目标是否属于同一目标,如果检测到的目标为同一个,则为所述目标分配的ID在当前帧中保持不变。
3.根据权利要求1所述的应用于铁路站台的非工作人员入侵检测与报警方法,其特征在于,所述基于所述检测和跟踪的结果,判断是否触发报警包括:
从所述实时视频中划定禁止非工作人员进入的禁限区域;
当视频中被识别为非工作人员的目标出现在所述禁限区域中,并且所述被识别为非工作人员的目标的有效范围内不存在被识别为工作人员的目标时,确定触发报警;或
当视频中被识别为非工作人员的目标出现在所述禁限区域中,并且所述被识别为非工作人员的目标的有效范围内存在被识别为工作人员的目标时,不触发报警。
4.根据权利要求1所述的应用于铁路站台的非工作人员入侵检测与报警方法,其特征在于,所述方法还包括:对基于YOLO v4的非工作人员特征检测模型进行训练,所述对基于YOLO v4的非工作人员特征检测模型进行训练包括:
针对铁路站台场景下,获取覆盖站端禁限区域的视频,并按预定规则提取所述视频中的图像帧;
构建包括所述图像帧的数据集;
利用所述数据集对预训练的YOLO v4网络模型进行迁移学习、模型压缩和推理加速。
5.根据权利要求4所述的应用于铁路站台的非工作人员入侵检测与报警方法,其特征在于,所述利用所述数据集对预训练的YOLO v4网络模型进行迁移学习包括:对所述数据集进行分析,对分布不均匀的数据进行补充或者数据增强。
6.根据权利要求4所述的应用于铁路站台的非工作人员入侵检测与报警方法,其特征在于,所述模型压缩和推理加速是利用TensorRT和网络剪枝方法来实现的。
7.根据权利要求4所述的应用于铁路站台的非工作人员入侵检测与报警方法,其特征在于,所述构建包括所述图像帧的数据集包括:基于工作人员和非工作人员的区别特征,对提取到的图像帧进行标注。
8.一种应用于铁路站台的非工作人员入侵检测与报警装置,其特征在于,包括:
视频获取模块,用于获取站台的站端区域的实时视频;
检测与报警模块,用于使用入侵检测模型对所述视频中的目标进行检测和跟踪,并基于所述检测和跟踪的结果,判断是否触发报警;其中,所述入侵检测模型利用基于YOLO v4的非工作人员检测模型对视频中的目标进行检测,并且利用DCF算法对检测到目标进行追踪。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现根据权利要求1至7任一项所述应用于铁路站台的非工作人员入侵检测与报警方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现根据权利要求1至7任一项所述应用于铁路站台的非工作人员入侵检测与报警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751325.3A CN113537007A (zh) | 2021-07-02 | 2021-07-02 | 应用于铁路站台的非工作人员入侵检测与报警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751325.3A CN113537007A (zh) | 2021-07-02 | 2021-07-02 | 应用于铁路站台的非工作人员入侵检测与报警方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537007A true CN113537007A (zh) | 2021-10-22 |
Family
ID=78126584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110751325.3A Pending CN113537007A (zh) | 2021-07-02 | 2021-07-02 | 应用于铁路站台的非工作人员入侵检测与报警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537007A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283544A (zh) * | 2021-12-10 | 2022-04-05 | 中国电子科技集团公司第三十八研究所 | 一种基于人工智能的铁路站台入侵监测***及方法 |
CN116597587A (zh) * | 2023-05-31 | 2023-08-15 | 河南龙宇能源股份有限公司 | 基于音视协同识别的井下运转设备高危区域入侵预警方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635835A (zh) * | 2008-07-25 | 2010-01-27 | 深圳市信义科技有限公司 | 智能视频监控方法及*** |
CN102013147A (zh) * | 2010-09-29 | 2011-04-13 | 北京航空航天大学 | 高压输电塔智能防盗监控方法和装置 |
CN106507037A (zh) * | 2016-09-30 | 2017-03-15 | 北京中星微电子有限公司 | 人员入侵/越界的智能监控方法和*** |
CN108765817A (zh) * | 2018-08-17 | 2018-11-06 | 西南交大(上海)智能***有限公司 | 一种铁路站台入侵报警*** |
CN109040669A (zh) * | 2018-06-28 | 2018-12-18 | 国网山东省电力公司菏泽供电公司 | 变电站智能视频围栏方法及*** |
CN109448116A (zh) * | 2018-10-31 | 2019-03-08 | 广西路桥工程集团有限公司 | 一种基于bim模型的智慧工地*** |
CN109920186A (zh) * | 2019-04-19 | 2019-06-21 | 沈阳风驰软件股份有限公司 | 一种站台边缘检测与越界报警控制***和方法 |
US20190325584A1 (en) * | 2018-04-18 | 2019-10-24 | Tg-17, Llc | Systems and Methods for Real-Time Adjustment of Neural Networks for Autonomous Tracking and Localization of Moving Subject |
CN110532852A (zh) * | 2019-07-09 | 2019-12-03 | 长沙理工大学 | 基于深度学习的地铁站行人异常事件检测方法 |
CN110675586A (zh) * | 2019-09-25 | 2020-01-10 | 捻果科技(深圳)有限公司 | 一种视频分析和深度学习的机场围界入侵监控方法 |
CN110781964A (zh) * | 2019-10-28 | 2020-02-11 | 兰州交通大学 | 一种基于视频图像的人体目标检测方法及*** |
CN110796819A (zh) * | 2019-10-18 | 2020-02-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种针对站台黄线入侵越界人员的检测方法及*** |
CN111192426A (zh) * | 2020-01-14 | 2020-05-22 | 中兴飞流信息科技有限公司 | 基于拟人视觉图像分析视频巡航的铁路周界入侵检测方法 |
CN111310934A (zh) * | 2020-02-14 | 2020-06-19 | 北京百度网讯科技有限公司 | 一种模型生成方法、装置、电子设备和存储介质 |
CN111832457A (zh) * | 2020-07-01 | 2020-10-27 | 济南浪潮高新科技投资发展有限公司 | 基于云边协同的陌生人入侵检测方法 |
CN112052824A (zh) * | 2020-09-18 | 2020-12-08 | 广州瀚信通信科技股份有限公司 | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、***及存储介质 |
CN112257492A (zh) * | 2020-08-27 | 2021-01-22 | 重庆科技学院 | 一种多路摄像头实时入侵检测与跟踪方法 |
CN112381778A (zh) * | 2020-11-10 | 2021-02-19 | 国网浙江嵊州市供电有限公司 | 一种基于深度学***台 |
CN112434828A (zh) * | 2020-11-23 | 2021-03-02 | 南京富岛软件有限公司 | 一种5t运维中安全防护智能识别方法 |
CN113034541A (zh) * | 2021-02-26 | 2021-06-25 | 北京国双科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
-
2021
- 2021-07-02 CN CN202110751325.3A patent/CN113537007A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635835A (zh) * | 2008-07-25 | 2010-01-27 | 深圳市信义科技有限公司 | 智能视频监控方法及*** |
CN102013147A (zh) * | 2010-09-29 | 2011-04-13 | 北京航空航天大学 | 高压输电塔智能防盗监控方法和装置 |
CN106507037A (zh) * | 2016-09-30 | 2017-03-15 | 北京中星微电子有限公司 | 人员入侵/越界的智能监控方法和*** |
US20190325584A1 (en) * | 2018-04-18 | 2019-10-24 | Tg-17, Llc | Systems and Methods for Real-Time Adjustment of Neural Networks for Autonomous Tracking and Localization of Moving Subject |
CN109040669A (zh) * | 2018-06-28 | 2018-12-18 | 国网山东省电力公司菏泽供电公司 | 变电站智能视频围栏方法及*** |
CN108765817A (zh) * | 2018-08-17 | 2018-11-06 | 西南交大(上海)智能***有限公司 | 一种铁路站台入侵报警*** |
CN109448116A (zh) * | 2018-10-31 | 2019-03-08 | 广西路桥工程集团有限公司 | 一种基于bim模型的智慧工地*** |
CN109920186A (zh) * | 2019-04-19 | 2019-06-21 | 沈阳风驰软件股份有限公司 | 一种站台边缘检测与越界报警控制***和方法 |
CN110532852A (zh) * | 2019-07-09 | 2019-12-03 | 长沙理工大学 | 基于深度学习的地铁站行人异常事件检测方法 |
CN110675586A (zh) * | 2019-09-25 | 2020-01-10 | 捻果科技(深圳)有限公司 | 一种视频分析和深度学习的机场围界入侵监控方法 |
CN110796819A (zh) * | 2019-10-18 | 2020-02-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种针对站台黄线入侵越界人员的检测方法及*** |
CN110781964A (zh) * | 2019-10-28 | 2020-02-11 | 兰州交通大学 | 一种基于视频图像的人体目标检测方法及*** |
CN111192426A (zh) * | 2020-01-14 | 2020-05-22 | 中兴飞流信息科技有限公司 | 基于拟人视觉图像分析视频巡航的铁路周界入侵检测方法 |
CN111310934A (zh) * | 2020-02-14 | 2020-06-19 | 北京百度网讯科技有限公司 | 一种模型生成方法、装置、电子设备和存储介质 |
CN111832457A (zh) * | 2020-07-01 | 2020-10-27 | 济南浪潮高新科技投资发展有限公司 | 基于云边协同的陌生人入侵检测方法 |
CN112257492A (zh) * | 2020-08-27 | 2021-01-22 | 重庆科技学院 | 一种多路摄像头实时入侵检测与跟踪方法 |
CN112052824A (zh) * | 2020-09-18 | 2020-12-08 | 广州瀚信通信科技股份有限公司 | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、***及存储介质 |
CN112381778A (zh) * | 2020-11-10 | 2021-02-19 | 国网浙江嵊州市供电有限公司 | 一种基于深度学***台 |
CN112434828A (zh) * | 2020-11-23 | 2021-03-02 | 南京富岛软件有限公司 | 一种5t运维中安全防护智能识别方法 |
CN113034541A (zh) * | 2021-02-26 | 2021-06-25 | 北京国双科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
Y LIU等: ""Non-staff Detection for End-Intrusion in Railway Station Platform Based on YOLO and DCF Techniques"", 《HTTPS://LINK.SPRINGER.COM/CHAPTER/10.1007/978-981-16-9909-2_20》, 19 February 2022 (2022-02-19) * |
ZHIJIAN QU等: "全文", 《IEEE ACCESS 》, 4 September 2019 (2019-09-04) * |
王瑞: ""一种基于视频的铁路周界入侵检测智能综合识别技术研究"", 《仪器仪表学报》, 15 September 2020 (2020-09-15), pages 1 - 4 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283544A (zh) * | 2021-12-10 | 2022-04-05 | 中国电子科技集团公司第三十八研究所 | 一种基于人工智能的铁路站台入侵监测***及方法 |
CN116597587A (zh) * | 2023-05-31 | 2023-08-15 | 河南龙宇能源股份有限公司 | 基于音视协同识别的井下运转设备高危区域入侵预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103106766B (zh) | 林火识别方法与*** | |
CN108062349B (zh) | 基于视频结构化数据及深度学习的视频监控方法和*** | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
CN103069434B (zh) | 用于多模式视频事件索引的方法和*** | |
CN103108159B (zh) | 一种电力智能视频分析监控***和方法 | |
CN110032977A (zh) | 一种基于深度学习图像火灾识别的安全预警管理*** | |
CN113537007A (zh) | 应用于铁路站台的非工作人员入侵检测与报警方法和装置 | |
KR20200058260A (ko) | 객체 이미지 인식 dcnn 기반 cctv 영상분석장치 및 그 장치의 구동방법 | |
CN106741008B (zh) | 铁路线路异物识别方法及*** | |
CN113469654B (zh) | 一种基于智能算法融合的变电站多层次安全管控*** | |
KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
CN104981818A (zh) | 将机场中的移动的飞机分类的***和方法 | |
Ozcelik et al. | A vision based traffic light detection and recognition approach for intelligent vehicles | |
CN111753651A (zh) | 一种基于车站二维人群密度分析的地铁群体异常行为检测方法 | |
CN111931726B (zh) | 交通灯检测的方法、装置、计算机存储介质和路侧设备 | |
CN110263623B (zh) | 列车攀爬监测方法、装置、终端及存储介质 | |
CN111918039A (zh) | 基于5g网络的人工智能高风险作业管控*** | |
CN106412508A (zh) | 车辆违章压线智能监控方法和*** | |
CN112287823A (zh) | 一种基于视频监控的面部口罩识别方法 | |
CN110781844A (zh) | 保安巡察监测方法及装置 | |
CN102324018A (zh) | 综合客运枢纽集散服务网络行人安全状态识别方法及*** | |
CN111985295A (zh) | 一种电动自行车行为识别方法、***、工控机及摄像头 | |
CN113283273B (zh) | 基于视觉技术的前方障碍物实时检测方法及*** | |
CN112686130A (zh) | 一种智慧渔船监管决策*** | |
CN112532927A (zh) | 一种施工现场智能安全管控*** |
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 |