Based on deep learning of city rail traffic monitoring video panorama fault detection method, including data set classification model training process and generating process, image process, data set processing of high-definition video, panoramic view of city rail traffic anomaly in video surveillance and video color abnormal normal video, divided into training set and test set model; training the generation process, including model training and model test, the model of training including training on fault video image recognition model based on convolutional neural network, the convolution neural network includes a plurality of coils and a plurality of laminated connecting layer; the test model including the calculation accuracy of the test, if not reached it is expected to optimize the fault video image recognition model; image recognition process, including the single frame to be identified The video input model, the fault video image recognition model, and the output image classification results are used to realize the panoramic monitoring of urban rail traffic, and the video failure picture detection.
【技术实现步骤摘要】
基于深度学习的城市轨道交通全景监控视频故障检测方法
本专利技术属于深度学习领域,具体涉及基于深度学习的城市轨道交通全景监控视频故障检测方法。
技术介绍
近几年随着私家汽车数量的增长,城市交通阻塞问题成为都市生活面临的大问题,而且交通事故的发生也越来越多,这些问题越来越影响到普通城市人民的正常生活。因此城市轨道交通全景监控视频的正常运行显得尤为重要,这就要求能够实时对城市轨道交通全景监控视频的运行状态进行检查,及时识别相应的故障并进行及时检修。其中全景指的是多个监控视频和区域三维模型融合拼接后的图像或者全景监控系统中的单个监控视频,而城市轨道交通全景监控视频即指全景监控系统中的单个监控视频。城市轨道交通全景监控的图片属于数字图像,具有数字图像的像素表示的特性,可以由计算机存储和处理的特点。而对城市轨道交通全景监控视频故障的检测可以转化为对视频质量的检测与诊断。对视频质量的检测与诊断即是对数字图像质量的评价,而数字图像质量的评价也即是对失真和降质图像的识别与诊断。图像质量下降通常表现为图像清晰度异常(图像模糊)、色偏、雪花(噪点)、画面出现条纹等情况。传统的故障图像客观评价方法主要思路都是依靠人工经验来提取和分析图像的特征,通过对比故障图片和正常图片之间的差异,特别是像素点的差异来确定是否为故障图片。这些算法在应用的过程中,图片特征的选择和定义的好坏决定了检测结果的优劣程度,具有很大的局限性。
技术实现思路
为了克服现有技术在实际应用中大量人工提取特征所造成的时间和精力上的浪费,本专利技术提出一种基于深度学习的城市轨道交通全景监控视频故障检测方法。该方法包括数据集 ...
【技术保护点】
一种基于深度学习的城市轨道交通全景监控视频故障检测方法,其特征在于:包括数据集构建过程和模型训练生成过程、图片分类识别过程,所述数据集构建过程,包括对城市轨道交通全景监控视频中的清晰度异常视频、色偏异常视频以及正常视频进行处理,将视频转化为单帧图像,并对图片尺寸进行归一化处理,构建清晰度异常图像数据集、偏色异常图像数据集和正常图像数据集,从中任意抽取图像划分为训练集和测试集,获取所需的图像数据集;所述模型训练生成过程,包括模型训练和模型测试,所述模型训练,包括对基于卷积神经网络的故障视频图像识别模型进行训练,所述卷积神经网络包括多个卷积层和多个全连接层;训练方式如下,将训练集中的图片经过数据格式转换后作为底层数据输入到卷积神经网络,多个卷积层级联,对输入的图像数据进行卷积运算,抽取图像特征,生成多个特征图;最后一个卷积层的输出作为输入,传入全连接层,经过各全连接层将特征完全转化成一维向量输出;确定实际输出值与期望值之间的误差,对网络进行反向传播,调整网络参数;然后判断训练误差是否收敛,若否则返回训练起始端输入图片进行特征学习,若是则判断模型训练迭代次数是否达到预定的迭代次数,当达到预定 ...
【技术特征摘要】
1.一种基于深度学习的城市轨道交通全景监控视频故障检测方法,其特征在于:包括数据集构建过程和模型训练生成过程、图片分类识别过程,所述数据集构建过程,包括对城市轨道交通全景监控视频中的清晰度异常视频、色偏异常视频以及正常视频进行处理,将视频转化为单帧图像,并对图片尺寸进行归一化处理,构建清晰度异常图像数据集、偏色异常图像数据集和正常图像数据集,从中任意抽取图像划分为训练集和测试集,获取所需的图像数据集;所述模型训练生成过程,包括模型训练和模型测试,所述模型训练,包括对基于卷积神经网络的故障视频图像识别模型进行训练,所述卷积神经网络包括多个卷积层和多个全连接层;训练方式如下,将训练集中的图片经过数据格式转换后作为底层数据输入到卷积神经网络,多个卷积层级联,对输入的图像数据进行卷积运算,抽取图像特征,生成多个特征图;最后一个卷积层的输出作为输入,传入全连接层,经过各全连接层将特征完全转化成一维向量输出;确定实际输出值与期望值之间的误差,对网络进行反向传播,调整网络参数;然后判断训练误差是否收敛,若否则返回训练起始端输入图片进行特征学习,若是则判断模型训练迭代次数是否达到预定的迭代次数,当达到预定的迭代次数时,模型训练结束,否则返回训练起始端输入图片继续训练;训练结束后获得基于卷积神经网络的故障视频图像识别模型;所述模型测试,包括将测试集中的图片输入模型训练所得故障视频图像识别模型的网络底层,故障视频图像识别模型输出图片的分类结果,包括有质量正常和质量异常两种类别,最后与测试集中已设置的相应标签进行比对,计算测试的准确率,如果没有达到预期,则优化故障视频图像识别模型,直到达到预期,得到最终的故障视频图像识别模型;所述图片分类识别过程,包括将待识别的单帧图片输入模型训练生成过程得到的故障视频图像识别模型的网络底层,故障视频图像识...
【专利技术属性】
技术研发人员:赵刚,刘闪,徐丽华,陈亚雯,张傲,
申请(专利权)人:华中师范大学,武汉烽火信息集成技术有限公司,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。