一种基于多特征的城轨防汛预警方法及系统技术方案

本发明专利技术公开了一种基于多特征的城轨防汛预警方法及系统，包括以下步骤：(1)视频流抽帧解码及格式转化；(2)图像预处理；(3)提取背景图像；(4)铁轨特征提取；(5)轨道异常入侵检测及定位；(6)深度学习神经网络积水检测；(7)积水检测置信度计算；(8)积水深度检测；(9)智能预警。本发明专利技术有效提高了城轨运营人员对积水灾害识别的及时性和准确性，有助于决策人员迅速做出应急响应，切实保障汛期城轨运营安全。切实保障汛期城轨运营安全。切实保障汛期城轨运营安全。

【技术实现步骤摘要】
一种基于多特征的城轨防汛预警方法及系统


[0001]本专利技术涉及一种基于多特征的城轨防汛预警方法及系统，属于人工智能


技术介绍

[0002]城市轨道交通是城市公共交通的主干线，客流运送的大动脉，是城市的生命线，城市轨道交通的安全运行已成为社会关注的焦点和热点。目前，对城轨点位积水灾害的识别和评估很大程度上依赖于工作人员巡检工作与主观判断，灾害的发现及处置过程需要大量人员参与，从而导致风险规避能力差，风险发现不及时，风险处置效率低。如何通过科学有效的方法识别各点位轨道积水情况，从而及时地采取相应的防御措施以排除安全隐患，是现阶段城市轨道交通亟需解决的关键问题。
[0003]目前，防汛积水检测主要依靠布设积水检测系统，包含水位检测传感模块、信息传输模块以及监控终端等要素，从而实现积水多发地段积水情况的远程监测。上述传统的积水检测方式优点在于能够较为精确、快速的获取积水信息，但存在需要专门为所敷设检测系统建设运行条件以及需人工对监测位置的物理设备进行持续维护等问题，具有建设维护成本高、使用不灵活等缺点。

技术实现思路

[0004]专利技术目的：本申请旨在提出一种基于多特征的城轨防汛预警方法及系统，充分利用城轨现有的视频设备,获取监控视频数据，采用图像处理算法识别轨道区域，综合运用Sobel算子、Canny算子检测边缘，基于Hough变换提取轨顶、轨底、轨枕直线拟合特征，利用基于HSV空间分析算法提取轨道扣件系统图像指纹特征，建立轨道异常入侵检测模型，实现基于轨顶、轨枕、轨底、扣件系统特征的轨道异常入侵检测。采用基于ResNet残差网络模型的深度学习目标检测算法，结合轨道异常入侵检测数据，识别积水情况。通过划分图像切片单元，建立监控区域坐标、面积数据库，实现积水位置、面积的定量分析。此外，分别以轨顶、轨枕、轨底为深度检测标志位，基于汉明距离度量积水状态下标志位与无积水正常状态下标志位的相似度，进而判断积水深度。
[0005]系统充分利用城轨现有的视频设备，采用计算机视觉技术实现易积水点位的全天候不间断监测，无需人工干预，一旦积水达到预警值，系统自动生成预警数据，告知监控管理中心，提醒相关人员及时处理。本专利技术有效提高了城轨运营人员对积水灾害识别的及时性和准确性，有助于决策人员迅速做出应急响应，切实保障汛期城轨运营安全。
[0006]技术方案：一种基于多特征的城轨防汛预警方法，包括以下步骤：
[0007](1)视频流抽帧解码及格式转化，获取视频流并抽帧、解码、格式转换，得到RGB格式的连续帧图像；
[0008](2)图像预处理，对连续帧图像进行图像增强、去噪，对图像进行裁剪，并缩放至指定尺寸；
[0009](3)提取背景图像，获取无异物入侵正常状态下的轨道监控视频，采用统计直方图法提取监控视频影像的背景影像；对N帧图像中每一个像素位置出现的像素值以及各像素值出现的次数进行统计，选取每个像素位置出现次数最多的N/10个像素值，以出现的次数作为权重加权计算得出该像素位置的背景像素值，计算公式如下：
[0010][0011]式中，N
k
(i,j)为背景影像在像素位置(i,j)处出现次数最多的N/10个像素值，Ck为N
k
(i,j)对应的权重；
[0012](4)铁轨特征提取；
[0013](5)轨道异常入侵检测及定位；
[0014](6)深度学习神经网络积水检测，当检测到轨道区域存在异物入侵后，分割异物入侵区域图像，进行积水属性检测；从监控视频中采集备选图像样本，标注积水信息，对每幅图像预处理后，分别提取输入图像的颜色、纹理和轮廓，作为ResNet残差网络并行通道的输入，训练完成后用于实时图像的检测；设置ResNet残差网络共50层，其中，1～20层的卷积核大小为7
×
7，21～40层卷积核的大小为5
×
5，41～50层的卷积核心大小为3
×
3；第50层采用Softmax分类器；
[0015](7)积水检测置信度计算，通过多帧置信分析的策略，提高积水检测的准确率；在提取图像进行分类的同时，启动计数器C、Cw，C和Cw分别表示检测帧数和积水检测结果累计帧数，每识别一帧，则C累加1，如分类结果为积水，则Cw累加1，当C累计到一定帧数，计算积水置信度α
w
，按以下公式计算：
[0016][0017]设置置信度阈值L，当αr>L，判定类别为积水；
[0018](8)积水深度检测模块，针对承接式轨枕的轨道，以轨顶、轨底、轨枕为深度标志位；针对埋入式和嵌入式轨枕的轨道，以轨顶、轨底、扣件系统为深度标志位；当判定检测区图像为积水时，依次分割各深度标志位图像，提取标志位区域的图像指纹特征，结合无积水正常状态轨顶的图像指纹特征，采用基于汉明距离的图像特征相似度判定法，检测该深度标志位是否积水；
[0019]检测积水是否淹没轨底时，按照下式计算积水状况下标志位区域的图像指纹特征与无积水正常状态轨顶的图像指纹特征的汉明距离：
[0020][0021]式中，p[i]为实时图像中轨底标志位的指纹特征，q[i]为无积水状态下轨底标志位的指纹特征；设置阈值D，当相似度s(x,y)小于阈值D时，判定积水深度未达到轨顶；反之，则积水深度达到轨顶；
[0022](9)智能预警，根据积水面积和深度数据，综合分析得到灾害严重程度级别，启动相应的应急措施，智能预警包括光电警报器、系统警报、APP警报、微信小程序警报、短信警报。
[0023]所述步骤(4)具体包括：
[0024](4.1)将铁轨区域图像分割成大小相同的切片单元，在每个切片单元中铁轨的轨顶、轨枕、轨底通常呈现直线状态，因此在边缘检测之后的二值图像中也会表现为直线形态，对于支承式轨枕的轨道，提取各个切片单元的轨顶、轨底、轨枕直线特征；
[0025](4.2)对于埋入式和嵌入式轨枕的轨道，提取各个切片单元的轨顶、轨底直线特征，及扣件系统区域的图像指纹特征；所述扣件系统指轨道上用以联结钢轨和轨枕的部分。
[0026]所述步骤(4.1)具体包括：
[0027](4.1.1)对于支承式轨枕的轨道，将接收的经步骤(3)处理的背景影像分割为大小相同的切片单元，采用OTSU算法对各切片单元进行二值化处理，采用Sobel边缘算子与Canny边缘算子相结合的边缘检测算法对二值化图像中的轨顶、轨枕、轨底边缘进行提取；
[0028](4.1.2)采用Hough变换检测图像中轨顶、轨枕、轨底的直线特征，根据直线的截距和角度信息确定直线的位置，
[0029]每一条直线采用参数方程(ρ,θ)来表示：
[0030]ρ＝x*cosθ+y*sinθ
[0031]设定θ的步长，对切片单元中的每一个像素进行极坐标变换，将变换后对应的累加器加一，设置阈值T，累加器中大于阈值T对应的点即可确定一条直线。
[0032]所述步骤(4.2)具体包括：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征的城轨防汛预警方法，其特征在于，包括以下步骤：(1)视频流抽帧解码及格式转化，获取视频流并抽帧、解码、格式转换，得到RGB格式的连续帧图像；(2)图像预处理，对连续帧图像进行图像增强、去噪，对图像进行裁剪，并缩放至指定尺寸；(3)提取背景图像，获取无异物入侵正常状态下的轨道监控视频，采用统计直方图法提取监控视频影像的背景影像；对N帧图像中每一个像素位置出现的像素值以及各像素值出现的次数进行统计，选取每个像素位置出现次数最多的N/10个像素值，以出现的次数作为权重加权计算得出该像素位置的背景像素值，计算公式如下：式中，N
k
(i,j)为背景影像在像素位置(i,j)处出现次数最多的N/10个像素值，Ck为N
k
(i,j)对应的权重；(4)铁轨特征提取；(5)轨道异常入侵检测及定位；(6)深度学习神经网络积水检测，当检测到轨道区域存在异物入侵后，分割异物入侵区域图像，进行积水属性检测；从监控视频中采集备选图像样本，标注积水信息，对每幅图像预处理后，分别提取输入图像的颜色、纹理和轮廓，作为ResNet残差网络并行通道的输入，训练完成后用于实时图像的检测；设置ResNet残差网络共50层，其中，1～20层的卷积核大小为7
×
7，21～40层卷积核的大小为5
×
5，41～50层的卷积核心大小为3
×
3；第50层采用Softmax分类器；(7)积水检测置信度计算，通过多帧置信分析的策略，提高积水检测的准确率；在提取图像进行分类的同时，启动计数器C、Cw，C和Cw分别表示检测帧数和积水检测结果累计帧数，每识别一帧，则C累加1，如分类结果为积水，则Cw累加1，当C累计到一定帧数，计算积水置信度α
w
，按以下公式计算：设置置信度阈值L，当αr>L，判定类别为积水；(8)积水深度检测模块，针对承接式轨枕的轨道，以轨顶、轨底、轨枕为深度标志位；针对埋入式和嵌入式轨枕的轨道，以轨顶、轨底、扣件系统为深度标志位；当判定检测区图像为积水时，依次分割各深度标志位图像，提取标志位区域的图像指纹特征，结合无积水正常状态轨顶的图像指纹特征，采用基于汉明距离的图像特征相似度判定法，检测该深度标志位是否积水；检测积水是否淹没轨底时，按照下式计算积水状况下标志位区域的图像指纹特征与无积水正常状态轨顶的图像指纹特征的汉明距离：式中，p[i]为实时图像中轨底标志位的指纹特征，q[i]为无积水状态下轨底标志位的指纹特征；设置阈值D，当相似度s(x,y)小于阈值D时，判定积水深度未达到轨顶；反之，则积
水深度达到轨顶；(9)智能预警，根据积水面积和深度数据，综合分析得到灾害严重程度级别，启动相应的应急措施，智能预警包括光电警报器、系统警报、APP警报、微信小程序警报、短信警报。2.根据权利要求1所述一种基于多特征的城轨防汛预警方法，其特征在于，所述步骤(4)具体包括：(4.1)将铁轨区域图像分割成大小相同的切片单元，对于支承式轨枕的轨道，提取各个切片单元的轨顶、轨底、轨枕直线特征；(4.2)对于埋入式和嵌入式轨枕的轨道，提取各个切片单元的轨顶、轨底直线特征，及扣件系统区域的图像指纹特征；所述扣件系统指轨道上用以联结钢轨和轨枕的部分。3.根据权利要求2所述一种基于多特征的城轨防汛预警方法，其特征在于，所述步骤(4.1)具体包括：(4.1.1)对于支承式轨枕的轨道，将接收的经步骤(3)处理的背景影像分割为大小相同的切片单元，采用OTSU算法对各切片单元进行二值化处理，采用Sobel边缘算子与Canny边缘算子相结合的边缘检测算法对二值化图像中的轨顶、轨枕、轨底边缘进行提取；(4.1.2)采用Hough变换检测图像中轨顶、轨枕、轨底的直线特征，根据直线的截距和角度信息确定直线的位置，每一条直线采用参数方程(ρ,θ)来表示：ρ＝x*cosθ+y*sinθ设定θ的步长，对切片单元中的每一个像素进行极坐标变换，将变换后对应的累加器加一，设置阈值T，累加器中大于阈值T对应的点即可确定一条直线。4.根据权利要求2或3所述一种基于多特征的城轨防汛预警方法，其特征在于，所述步骤(4.2)具体包括：(4.2.1)对于埋入式和嵌入式轨枕的轨道，提取各个切片单元的轨顶、轨底直线特征的算法同步骤(4.1)；(4.2.2)对扣件系统各个切片单元进行图像增强及小波去噪处理，并采用双线性内插法调整大小；(4.2.3)提取各个切片单元的色调H通道、饱和度S通道和亮度值V通道图像，归一化HSV信息；(4.2.4)分别提取H通道、S通道、V通道像素平均值特征，如下式：式中，N和M别表示切片单元的高和宽，Pij表示H、S、V每个通道上第i行第j列的像素值；(4.2.5)分别提取H通道、S通道、V通道离散余弦变换矩阵，如下式：
式中，N和M别表示切片单元的高和宽，f(x,y)表示H、S、V每个通道上第i行第j列的像素值；计算DCT矩阵的平均值：式中，N和M别表示切片单元的高和宽；(4.2.6)分别计算各个切片单元H通道、S通道、V通道的像素平均值E和DCT矩阵的平均值P后，得到一个切片单元的6维特征；对每维特征分别设置阈值，...

【专利技术属性】
技术研发人员：郭旭周，徐舒，胡鹏路，张振焜，李勇，孙昊，章澜岚，顾勇，
申请(专利权)人：南京熊猫信息产业有限公司，
类型：发明
国别省市：