一种铁路异物入侵监测方法及系统技术方案

本发明专利技术提出了一种铁路异物入侵监测方法及系统，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。避免事故的发生。避免事故的发生。

【技术实现步骤摘要】
一种铁路异物入侵监测方法及系统


[0001]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系统、介质及设备。

技术介绍

[0002]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。
[0003]自然灾害或者周边爆破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。

技术实现思路

[0004]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系统、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。
[0005]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。
[0006]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。
[0007]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。
[0008]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。
[0009]根据本文的另一方面，提供一种铁路异物入侵监测系统，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。
[0010]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。
[0011]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。
[0012]本文提出了一种铁路异物入侵监测方法及系统。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。
[0013]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
[0014]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。
[0015]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。
[0016]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。
[0017]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
[0018]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。
[0019]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。
[0020]在本专利技术公开的描述中，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，在本专利技术公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0021]本文提供一种铁路异物入侵监测方法及系统，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系统，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。
[0022]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。
[0023]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系统包含静止的摄像机测控装置、视频数据传本文档来自技高网...

【技术保护点】

【技术特征摘要】
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系统，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...

【专利技术属性】
技术研发人员：安良程，康秋静，孙云蓬，张淮，高玉亮，王鹤，蒋梦，高飞，丁海有，黄玉君，曹钰，
申请(专利权)人：北京大成国测科技有限公司，
类型：发明
国别省市：