CN114494983A - 一种铁路异物入侵监测方法及*** - Google Patents
一种铁路异物入侵监测方法及*** Download PDFInfo
- Publication number
- CN114494983A CN114494983A CN202210392148.9A CN202210392148A CN114494983A CN 114494983 A CN114494983 A CN 114494983A CN 202210392148 A CN202210392148 A CN 202210392148A CN 114494983 A CN114494983 A CN 114494983A
- Authority
- CN
- China
- Prior art keywords
- image
- gaussian
- background model
- volume
- gaussian mixture
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000009545 invasion Effects 0.000 title claims abstract description 16
- 239000000203 mixture Substances 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 239000004575 stone Substances 0.000 description 10
- 238000005259 measurement Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种铁路异物入侵监测方法及***，涉及图像识别领域。首先，读取视频序列的图像，在所述图像中划定检测区域；判断所述图像与高斯混合背景模型是否匹配，若否，则提取所述图像的前景对象；计算所述检测区域内前景对象的体积；判断所述体积是否大于第一阈值，若是，则判断为入侵异物；标记所述入侵异物的位置和体积。该方法通过判断获取的图像与高斯混合背景模型是否匹配，确定图像的前景对象；并进一步地基于前景图像的体积判断是否为入侵异物。能够有效的识别隧道中入侵异物，及时向工作人员报警，避免事故的发生。
Description
技术领域
本文涉及图像识别领域，尤其涉及一种铁路异物入侵监测方法及***、介质及设备。
背景技术
近年来，国家大力发展高速铁路基础设施建设，“四纵四横”快速铁路网已初具规模，极大地方便了人们的出行。由于高速铁路运行速度快的特点，决定了高速铁路的曲线半径往往较大，坡率较缓，所以高铁线路中的隧道占比会很重。由于隧道的封闭性原因，与铁路相关的安全事故也时有发生，特别是因自然灾害导致列车脱轨翻车，这些事故表明沿线检查和预警的必要性。
自然灾害或者周边***可能会引起隧道围岩的扰动很大，造成围岩更加松散，会导致隧道中围岩砌脱落，这样列车在隧道内的安全运行得不到保障。因此，探索一种更快速、更智能地检测铁路隧道内落块的监测方法是当前亟需解决的问题。
发明内容
为克服相关技术中存在的问题，本文提供铁路异物入侵监测方法及***、介质及设备，通过判断获取的图像与高斯混合背景模型是否匹配，确定图像的前景对象；并进一步地基于前景图像的体积判断是否为入侵异物。能够有效的识别隧道中入侵异物，及时向工作人员报警，避免事故的发生。
根据本文的第一方面，提供一种铁路异物入侵监测方法，包括：读取视频序列的图像，在所述图像中划定检测区域；判断所述图像与高斯混合背景模型是否匹配，若否，则提取所述图像的前景对象；计算所述检测区域内前景对象的体积；判断所述体积是否大于第一阈值，若是，则判断为入侵异物；标记所述入侵异物的位置和体积。
基于前述方案，在判断所述原始图像与高斯混合背景模型是否匹配前，对所述高斯混合背景模型建模；背景图像的每一个像素分别用由K个高斯分布构成的混合高斯模型来建模, 高斯混合背景模型建模的具体过程如下：
其中，
表示像素j在t时刻的取值，如果像素j为RGB三通道，则
为向量，
，
表示时刻t混合高斯背景模型中第i个高斯分布的权系数的估计值，
表示时刻t混合高斯背景模型中第i个高斯分布的均值向量；
表示时刻t混合高斯背景模型中第i个高斯分布的协方差矩阵;η表示高斯分布概率密度函数。
基于前述方案，判断所述原始图像与高斯混合背景模型匹配，包括像素值
与高斯混合背景模型中第i个高斯分布均值的距离小于其标准差的2.5倍, 则定义该高斯分布与像素值
匹配；即
。
基于前述方案，判断所述体积大于第一阈值后，计算所述前景对象的停留时间，若所述停留时间大于第二阈值，则判定为入侵异物。
根据本文的另一方面，提供一种铁路异物入侵监测***，包括：包括:检测单元，用于读取视频序列的图像，在所述图像中划定检测区域；第一判断单元，用于判断所述图像与高斯混合背景模型是否匹配，若否，则提取所述图像的前景对象；计算单元，用于计算所述检测区域内前景对象的体积；第二判断单元，用于判断所述体积是否大于第一阈值，若是，则判断为入侵异物；标记单元，用于标记所述入侵异物的位置和体积。
根据本文的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述提及的铁路异物入侵监测方法。
根据本文的另一方面，提供一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，所述处理器执行所述计算机程序时实现上述提及的铁路异物入侵方法的步骤。
本文提出了一种铁路异物入侵监测方法及***。首先，读取视频序列的图像，在所述图像中划定检测区域；判断所述图像与高斯混合背景模型是否匹配，若否，则提取所述图像的前景对象；计算所述检测区域内前景对象的体积；判断所述体积是否大于第一阈值，若是，则判断为入侵异物；标记所述入侵异物的位置和体积。该方法通过判断获取的图像与高斯混合背景模型是否匹配，确定图像的前景对象；并进一步地基于前景图像的体积判断是否为入侵异物。能够有效的识别隧道中入侵异物，及时向工作人员报警，避免事故的发生。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本文。
附图说明
构成本文的一部分的附图用来提供对本文的进一步理解，本文的示意性实施例及其说明用于解释本文，并不构成对本文的不当限定。在附图中：
图1是根据一示例性实施例示出的铁路异物入侵监测方法的流程图。
图2是根据一示例性的另一实施例示出的铁路异物入侵监测方法的流程图。
图3是根据一示例性实施例示出的铁路异物入侵装置的框图。
图4是根据一示例性实施例示出的计算机设备的框图。
具体实施方式
为使本文实施例的目的、技术方案和优点更加清楚，下面将结合本文实施例中的附图，对本文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文一部分实施例，而不是全部的实施例。基于本文中的实施例，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，都属于本文保护的范围。需要说明的是，在不冲突的情况下，本文中的实施例及实施例中的特征可以相互任意组合。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明公开的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本文提供一种铁路异物入侵监测方法及***，铁路隧道的异物可以是大的跌落石块，对隧道内入侵异物的监测实质上是对运动目标跟踪，跌落的石块经过滚动后成为静止不动的物体。因此，隧道内异物入侵检测的研究是基于视频监控中的运动目标检测，对异物入侵检测可以转化为运动物体的检测。本文提供了一种铁路异物入侵监测方法及***，通过判断获取的图像与高斯混合背景模型是否匹配，确定图像的前景对象；并进一步地基于前景图像的体积判断是否为入侵异物。能够有效的识别隧道中入侵异物，及时向工作人员报警，避免事故的发生。
图1是根据一示例性实施例示出的一种铁路异物入侵监测方法的流程图。参考图1，铁路异物入侵监测方法至少包括：
步骤101：读取视频序列的图像，在所述图像中划定检测区域；
具体地说，视频序列的图像是指某个时间段内连续的图像帧；例如一个小时内摄像机所采集地连续的帧图像。本文中入侵异物一般是指体积较大的物体，例如跌落的大石块，可能会对列车通行造成安全隐患的物体，跌落石块有一定的体积范围，影响列车安全的石块体积有一定的下限。通常是隧道铁路线是封闭的，除了维护人员的定期检查外，其他移动的动物很难进入。 并且其他运动物体例如牲畜的运动是连续的，最终不会像石块一样静止。
进一步地，基于隧道内摄像机的布局和检测距离范围划定检测区域。隧道内摄像机的布局***包含静止的摄像机测控装置、视频数据传输线、视频与光纤信号转换设备、光纤线缆、光纤与视频信号转换设备。
其中的一个实施例中，每个摄像机测控装置的检测距离范围为15m，摄像机每15m布设一个监测断面，每个监测断面布设1套摄像机测控***，每套监测***含7个摄像机测控装置，覆盖范围105m；该摄像机测控装置安装高度为相对线缆槽表面垂直高度1.5m，摄像机测控装置通过M10内胀螺栓刚性固定在隧道侧壁表面；视频数据传输线通过直径为10mm的PVC管保护且固定在摄像机测控装置下方的隧道侧壁上，该测控装置与光纤转换设备连接的数据线缆布设在线缆槽内。
需要说明的是，划定的检测区域可以是基于摄像机拍摄图像的中间区域，也可以是用户感兴趣的区域；不限于使用OpenCV和Python从图像中提取感兴趣区域。划定检测区域是最能体现异物出现的区域。这样避免了识别使用摄像机拍摄的整个图像，只集中分析重点的图像区域，减少了后续图像处理的工作量，提高了图像识别的效率。
步骤102：判断所述图像与高斯混合背景模型是否匹配，若否，则提取所述图像的前景对象；
具体地说，固定的摄像机观察场景，背景几乎保持不变。在这种情况下，感兴趣的元素是在场景中运动的物体。我们将这些运动的物体称为前景对象，为了提取出这些前景对象，我们需要对图像背景建模，然后将当前图像帧的模型与背景模型进行比较，以检测前景物体。
高斯混合背景模型建模使用K个（K取3-5）高斯模型来表征图像中各个像素点的特征。高斯混合背景模型建模的具体过程如下：
用当前图像中的每个像素点与高斯混合背景模型匹配，如果成功则判定该像素点为背景点，否则为前景点。前景点的集合构成前景对象。匹配条件是指像素值
与高斯混合背景模型中第i个高斯分布均值的距离小于其标准差的2.5倍, 则定义该高斯分布与像素值
匹配。即
需要说明的是，通过高斯混合背景模型提取前景图像，聚焦分析该前景对象，可以准确地识别运动物体，相比于分析整个图像，可以减少分析数据的工作量，提高目标物体的识别效率，同时也能提高识别目标物体的精度。
步骤103：计算所述检测区域内前景对象的体积；
具体地说，前景对象的形状特征变化不大；通过计算前景对象的体积可以获知运动物体的大小。本领域常规的用于计算图像大小的方法包括基于目标形状轮廓的计算方法，OpenCV提取方法等。本文不限于具体的方式。
步骤104：判断所述体积是否大于第一阈值，若是，则判断为入侵异物；
具体地说，入侵异物一般是指体积较大的物体，例如跌落的大石块，可能会对列车通行造成安全隐患的物体，跌落石块有一定的体积范围，影响列车安全的石块体积有一定的下限。第一阈值可以设置为影响列车安全的石块体积下限。可以由本领域技术人员根据实际经验设置。
步骤105：标记所述入侵异物的位置和体积。
具体来说，在有入侵异物时，标记所述入侵异物。该标记方式可以是本领域常用于图像标记的常规手段。例如，矩形框标注、关键点标注、点云标注等方式。在此不做具体限定。标记位置可以由摄像机所在位置进行标记。
进一步地，通过传输线将入侵异物的位置和体积大小输出到监控终端，该监控终端发出警报，提醒工作人员及时查看，第一时间赶赴现场，从而避免事故发生。
本实施例通过判断获取的图像与高斯混合背景模型是否匹配，确定图像的前景对象；并进一步地基于前景图像的体积判断是否为入侵异物。能够有效的识别隧道中入侵异物，及时向工作人员报警，避免事故的发生。
本申请的第二实施例涉及一种铁路异物入侵监测方法，本实施例是对第一实施例的进一步补充，在步骤104中增加了其他相关步骤，并具体说明了步骤104。
如图2所示，本实施例包括步骤201至步骤205。其中，步骤201、步骤202、步骤203和步骤205分别与第一实施例中的步骤101、步骤102、步骤103和步骤105大致相同，此处不再详述，下面主要介绍不同之处：
步骤204：判断所述体积大于第一阈值后，计算所述前景对象的停留时间，若所述停留时间大于第二阈值，则判定为入侵异物。
具体地说，为了能够提高识别出入侵异物的准确率，将出现在监控区域内的物体的成像尺寸和停留时间作为判断是否入侵异物的重要依据。入侵物体例如跌落的石块会长时间的停留，直至被清理。当停留时间超过第二阈值，例如1小时、2小时，那么在被认定为入侵异物的基础上，会进一步提高认定异物的准确率。另外当停留时间不超过第二阈值时，不会被认定为入侵异物，例如操作人员进入该监控范围内，由于停留的时间短，并不会识别为入侵异物。该第二阈值可以根据实际需要设置。本实施例可以进一步地提高识别入侵异物的准确度。
图3是根据一示例性实施例，示出的一种铁路异物入侵监测***30。所述装置30包括:
检测单元301，用于读取视频序列的图像，在所述图像中划定检测区域；
第一判断单元302，用于判断所述图像与高斯混合背景模型是否匹配，若否，则提取所述图像的前景对象；
计算单元303，用于计算所述检测区域内前景对象的体积；
第二判断单元304，用于判断所述体积是否大于第一阈值，若是，则判断为入侵异物；
标记单元305，用于标记所述入侵异物的位置和体积。
不难发现，本实施方式为与第一实施方式相对应的装置实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
进一步地，所述第一判断单元在判断所述图像与高斯混合背景模型是否匹配前，对所述高斯混合背景模型建模；在判断所述图像与高斯混合背景模型是否匹配前，对所述高斯混合背景模型建模。
另外的一个实施例，所述第一判断单元在判断所述原始图像与高斯混合背景模型匹配，包括像素值
与高斯混合背景模型中第i个高斯分布均值的距离小于其标准差的2.5倍, 则定义该高斯分布与像素值
匹配；即
。
另外的一个实施例，所述第二判断单元判断所述体积大于第一阈值后，计算所述前景对象的停留时间，若所述停留时间大于第二阈值，则判定为入侵异物。
在另外的一个方面，本文提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现以上任意方法实施例所描述的铁路异物入侵监测方法。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本申请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-OnlyMemory）、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。
图4是根据一示例性实施例示出的一种用于计算机设备40的框图。参照图4，设备40包括处理器401，处理器的个数可以根据需要设置为一个或者多个。设备40还包括存储器402，用于存储可由处理器401的执行的指令，例如应用程序。存储器的个数可以根据需要设置一个或者多个。其存储的应用程序可以为一个或者多个。处理器401被配置为执行指令，以执行上述方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施方式中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员应明白，本文的实施例可提供为方法、装置（设备）、或计算机程序产品。因此，本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本文可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质,包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置（设备）和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本文的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本文范围的所有变更和修改。
显然，本领域的技术人员可以对本文进行各种改动和变型而不脱离本文的精神和范围。这样，倘若本文的这些修改和变型属于本文权利要求及其等同技术的范围之内，则本文的意图也包含这些改动和变型在内。
Claims (10)
1.一种铁路异物入侵监测方法，其特征在于，包括：
读取视频序列的图像，在所述图像中划定检测区域；
判断所述图像与高斯混合背景模型是否匹配，若否，则提取所述图像的前景对象；
计算所述检测区域内前景对象的体积；
判断所述体积是否大于第一阈值，若是，则判断为入侵异物；
标记所述入侵异物的位置和体积。
2.如权利要求1所述的一种铁路异物入侵监测方法，其特征在于，在判断所述图像与高斯混合背景模型是否匹配前，对所述高斯混合背景模型建模；背景图像的每一个像素分别用由K个高斯分布构成的混合高斯模型来建模, 高斯混合背景模型建模的具体过程如下：
其中，
表示像素j在t时刻的取值，如果像素j为RGB三通道，则
为向量，
，
表示时刻t混合高斯背景模型中第i个高斯分布的权系数的估计值，
表示时刻t混合高斯背景模型中第i个高斯分布的均值向量；
表示时刻t混合高斯背景模型中第i个高斯分布的协方差矩阵;η表示高斯分布概率密度函数。
3.如权利要求2所述的一种铁路异物入侵监测方法，其特征在于，判断所述图像与高斯混合背景模型匹配，包括像素值
与高斯混合背景模型中第i个高斯分布均值的距离小于其标准差的2.5倍, 则定义该高斯分布与像素值
匹配；即
。
4.如权利要求3所述的一种铁路异物入侵监测方法，其特征在于，判断所述体积大于第一阈值后，计算所述前景对象的停留时间，若所述停留时间大于第二阈值，则判定为入侵异物。
5.一种铁路异物入侵监测***，其特征在于，包括:
检测单元，用于读取视频序列的图像，在所述图像中划定检测区域；
第一判断单元，用于判断所述图像与高斯混合背景模型是否匹配，若否，则提取所述图像的前景对象；
计算单元，用于计算所述检测区域内前景对象的体积；
第二判断单元，用于判断所述体积是否大于第一阈值，若是，则判断为入侵异物；
标记单元，用于标记所述入侵异物的位置和体积。
6.如权利要求5所述的一种铁路异物入侵监测***，其特征在于，所述第一判断单元在判断所述图像与高斯混合背景模型是否匹配前，对所述高斯混合背景模型建模；背景图像的每一个像素分别用由K个高斯分布构成的混合高斯模型来建模, 高斯混合背景模型建模的具体过程如下：
其中，
表示像素j在t时刻的取值，如果像素j为RGB三通道，则
为向量，
，
表示时刻t混合高斯背景模型中第i个高斯分布的权系数的估计值，
表示时刻t混合高斯背景模型中第i个高斯分布的均值向量；
表示时刻t混合高斯背景模型中第i个高斯分布的协方差矩阵;η表示高斯分布概率密度函数。
7.如权利要求6所述的一种铁路异物入侵监测***，其特征在于，判断所述图像与高斯混合背景模型匹配，包括像素值
与高斯混合背景模型中第i个高斯分布均值的距离小于其标准差的2.5倍, 则定义该高斯分布与像素值
匹配；即
。
8.如权利要求7所述的一种铁路异物入侵监测***，其特征在于，所述第二判断单元判断所述体积大于第一阈值后，计算所述前景对象的停留时间，若所述停留时间大于第二阈值，则判定为入侵异物。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1-4中任意一项所述方法的步骤。
10.一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210392148.9A CN114494983A (zh) | 2022-04-15 | 2022-04-15 | 一种铁路异物入侵监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210392148.9A CN114494983A (zh) | 2022-04-15 | 2022-04-15 | 一种铁路异物入侵监测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114494983A true CN114494983A (zh) | 2022-05-13 |
Family
ID=81488256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210392148.9A Pending CN114494983A (zh) | 2022-04-15 | 2022-04-15 | 一种铁路异物入侵监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114494983A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115019158A (zh) * | 2022-08-03 | 2022-09-06 | 威海海洋职业学院 | 一种基于图像识别的海洋污染区域识别方法及*** |
| CN115797866A (zh) * | 2022-12-06 | 2023-03-14 | 河北知数信息技术有限公司 | 一种基于孪生网络的电力安全控制方法、装置和电子设备 |
| CN115892131A (zh) * | 2023-02-15 | 2023-04-04 | 深圳大学 | 一种地铁隧道智能监测方法以及*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232682A (zh) * | 2019-05-31 | 2019-09-13 | 宁波中车时代传感技术有限公司 | 一种基于图像的轨道异物探测方法 |
| CN111488866A (zh) * | 2020-06-29 | 2020-08-04 | 北京大成国测科技有限公司 | 基于深度学习的入侵物识别方法、装置及电子设备 |
| CN111507235A (zh) * | 2020-04-13 | 2020-08-07 | 北京交通大学 | 基于视频的铁路周界异物入侵检测方法 |
| CN111681267A (zh) * | 2020-06-10 | 2020-09-18 | 北京大成国测科技有限公司 | 基于图像识别的轨道防侵入方法 |
| CN111914784A (zh) * | 2020-08-10 | 2020-11-10 | 北京大成国测科技有限公司 | 轨旁障碍物入侵实时检测方法、装置及电子设备 |
| CN112528861A (zh) * | 2020-12-11 | 2021-03-19 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 应用于铁路隧道内道床的异物检测方法及装置 |
| CN112776856A (zh) * | 2021-01-15 | 2021-05-11 | 中国神华能源股份有限公司神朔铁路分公司 | 轨道异物侵限监测方法、装置、***及监控主机设备 |
| CN112949484A (zh) * | 2021-03-01 | 2021-06-11 | 浙江大学 | 一种基于聚合通道特征和纹理特征的高速铁路落石实时检测方法 |
| CN114005074A (zh) * | 2021-12-30 | 2022-02-01 | 以萨技术股份有限公司 | 交通事故的确定方法、装置及电子设备 |
| CN114241390A (zh) * | 2021-12-23 | 2022-03-25 | 通号工程局集团北京研究设计实验中心有限公司 | 基于深度学习理论的铁路异物检测与识别方法 |
-
2022
- 2022-04-15 CN CN202210392148.9A patent/CN114494983A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232682A (zh) * | 2019-05-31 | 2019-09-13 | 宁波中车时代传感技术有限公司 | 一种基于图像的轨道异物探测方法 |
| CN111507235A (zh) * | 2020-04-13 | 2020-08-07 | 北京交通大学 | 基于视频的铁路周界异物入侵检测方法 |
| CN111681267A (zh) * | 2020-06-10 | 2020-09-18 | 北京大成国测科技有限公司 | 基于图像识别的轨道防侵入方法 |
| CN111488866A (zh) * | 2020-06-29 | 2020-08-04 | 北京大成国测科技有限公司 | 基于深度学习的入侵物识别方法、装置及电子设备 |
| CN111914784A (zh) * | 2020-08-10 | 2020-11-10 | 北京大成国测科技有限公司 | 轨旁障碍物入侵实时检测方法、装置及电子设备 |
| CN112528861A (zh) * | 2020-12-11 | 2021-03-19 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 应用于铁路隧道内道床的异物检测方法及装置 |
| CN112776856A (zh) * | 2021-01-15 | 2021-05-11 | 中国神华能源股份有限公司神朔铁路分公司 | 轨道异物侵限监测方法、装置、***及监控主机设备 |
| CN112949484A (zh) * | 2021-03-01 | 2021-06-11 | 浙江大学 | 一种基于聚合通道特征和纹理特征的高速铁路落石实时检测方法 |
| CN114241390A (zh) * | 2021-12-23 | 2022-03-25 | 通号工程局集团北京研究设计实验中心有限公司 | 基于深度学习理论的铁路异物检测与识别方法 |
| CN114005074A (zh) * | 2021-12-30 | 2022-02-01 | 以萨技术股份有限公司 | 交通事故的确定方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 荆静: "基于图像处理的轨旁异物入侵检测研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115019158A (zh) * | 2022-08-03 | 2022-09-06 | 威海海洋职业学院 | 一种基于图像识别的海洋污染区域识别方法及*** |
| CN115019158B (zh) * | 2022-08-03 | 2022-10-25 | 威海海洋职业学院 | 一种基于图像识别的海洋污染区域识别方法及*** |
| CN115797866A (zh) * | 2022-12-06 | 2023-03-14 | 河北知数信息技术有限公司 | 一种基于孪生网络的电力安全控制方法、装置和电子设备 |
| CN115797866B (zh) * | 2022-12-06 | 2023-08-25 | 河北知数信息技术有限公司 | 一种基于孪生网络的电力安全控制方法、装置和电子设备 |
| CN115892131A (zh) * | 2023-02-15 | 2023-04-04 | 深圳大学 | 一种地铁隧道智能监测方法以及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114494983A (zh) | 一种铁路异物入侵监测方法及*** | |
| CN108345822B (zh) | 一种点云数据处理方法及装置 | |
| US20210004607A1 (en) | Identification and classification of traffic conflicts | |
| Zhang et al. | Real-time traffic analysis using deep learning techniques and UAV based video | |
| KR101095528B1 (ko) | 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법 | |
| CN109993789A (zh) | 一种共享单车的违停判定方法、装置及相机 | |
| CN105303191A (zh) | 一种前视监视场景下的行人计数方法和装置 | |
| CN107239746A (zh) | 一种面向道路救援安全监控的障碍物识别跟踪方法 | |
| CN104200466A (zh) | 一种预警方法及摄像机 | |
| Ketcham et al. | The intruder detection system for rapid transit using CCTV surveillance based on histogram shapes | |
| CN114248819B (zh) | 基于深度学习的铁路侵限异物无人机检测方法、装置及*** | |
| CN112071084A (zh) | 一种利用深度学习判断违章停车的方法和*** | |
| CN113484858A (zh) | 一种入侵检测方法和*** | |
| CN103632427A (zh) | 一种道闸防砸方法及道闸控制*** | |
| CN108156406A (zh) | 行车记录仪的信息处理方法和装置 | |
| CN113807220A (zh) | 交通事件检测方法、装置、电子设备和可读存储介质 | |
| CN114373162B (zh) | 用于变电站视频监控的危险区域人员入侵检测方法及*** | |
| CN115600124A (zh) | 地铁隧道巡检***及巡检方法 | |
| KR102576001B1 (ko) | 딥러닝 모델을 이용한 암반 등급을 평가하는 자동화 장치 및 방법 | |
| CN112382068A (zh) | 基于bim与dnn的车站候车线跨越检测*** | |
| CN115440071B (zh) | 一种自动驾驶违规停车检测方法 | |
| CN116311071A (zh) | 一种融合帧差和ca的变电站周界异物识别方法及*** | |
| CN110378298B (zh) | 矿车队列的监控方法、装置、设备和存储介质 | |
| CN110333517B (zh) | 障碍物感知方法、装置及存储介质 | |
| Wang et al. | Transportation Safety Improvements Through Video Analysis: An Application of Obstacles and Collision Detection Applied to Railways and Roads |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: B713 (Changping Demonstration Park), Building 8, No. 97, Changping Road, Shahe Town, Changping District, Beijing, 102206 Applicant after: Beijing Dacheng Guoce Technology Co.,Ltd. Address before: 102206 room 503, building 6, No.97, Changping Road, Changping District, Beijing Applicant before: BEIJING DACHENG GUOCE SCIENCE AND TECHNOLOGY CO.,LTD. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220513 |