基于高清视频的高速铁路周界入侵预警技术研究

随着我国高速铁路的快速发展,对其周界安防的要求也提到了新高度。结合高速铁路周界入侵智能识别预警系统,提出基于高清视频的周界入侵预警图像分析算法,探讨深度学习技术应用于人员入侵检测的实现方法,并对系统的可用性进行论证。建议尽快确定若干标准监控场景,建立高速铁路周界视频设备安装规范,以制定算法标准参数和深度学习训练数据集。     

铁路周界入侵目标多尺度特征感知算法

准确识别侵入周界范围内的人和大型牲畜是铁路周界入侵视频智能分析技术的重点内容,对保障铁路安全运营具有重要意义。基于现有目标检测算法难以处理铁路监控场景中入侵目标呈现显著尺度变化的状况,提出一种多输入双输出神经网络(Multiple Input Double Output Network,MIDO-Net)和基于自适应特征加权融合的目标多尺度特征感知算法。首先,通过MIDO-Net多层级联的多输入和双输出网络结构,提取图像目标更丰富的多尺度特征信息;其次,依据骨干网络多阶段的特点,先将多级特征上采样至统一分辨率,再利用注意力模块和自适应参数对多级特征进行加权;然后,将特征输入到检测头中完成铁路周界入侵的识别;最后,通过视觉目标类别(Visual Object Classes,VOC)公共数据集和制作的多场景、多尺度铁路异物侵限数据集,对算法进行验证。结果表明：提出的多尺度特征感知算法在VOC公共数据集中的检测精确率达83.3%,在多场景、多尺度铁路异物侵限数据集中的检测精确率达91.1%,平均召回率达56.2%,均优于当前广泛使用的各种特征提取骨干网络;算法检测速率为45帧·s^...     

基于微波阵列技术的高铁周界入侵探测系统应用研究

分析高铁周界安防技术现状,结合未来发展趋势,立足于核心管理需求,结合基于深度学习算法模型库的入侵目标探测与识别技术,以及基于数据通信技术的合法识别技术,提出基于微波阵列技术的高铁周界入侵探测系统。该系统能提升高铁周界入侵目标报警准确率,同时为合法施工人员管理提供了有效的技术手段。系统在京沪高速铁路廊坊段开展应用示范,取得了良好的测试效果,具备推广应用价值。     

基于多种传感技术融合的高铁周界入侵监测报警技术及应用

铁路运输的行车安全是重中之重。人员违规上道、非法破坏或穿越铁路栅栏等人为因素，落石塌方、泥石流等客观自然因素，随时对列车行车安全构成重大威胁，高铁周界入侵报警监测技术对保证高铁安全运营具有重要作用。结合现阶段高铁周界入侵监测系统应用的具体情况及不足，针对不同场景的关键需求设计不同的监测方案，包括振动光纤+视频融合、毫米波雷达+双光谱融合、激光雷达+视频融合等3种技术方案，并将3种方案在银兰高铁中兰段宝台山隧道口（K357+147）进行现场部署及实测，测试结果表明应用效果良好。     

基于微波阵列技术的高铁周界安防系统应用研究

阐述高速铁路周界环境复杂多样的特殊性,以及入侵精确定位、目标识别与可视跟踪、低误报漏报的业务需求。分析得出在高铁周界中红外对射、振动光纤、视频监控3类现有安防手段的优势与不足。总结微波阵列技术的技术原理,及系统的核心能力与环境适应性。系统能够满足高铁周界防护中的高精度入侵探测与定位、智能识别合法人员、多维度入侵事件表达、特殊复杂环境一体化部署的应用需求。     

铁路入侵运动目标实时检测技术

针对铁路场景下入侵异物的特点,采用智能视频技术,对监控视频图像序列中入侵运动目标检测方法进行研究．提出基于参考点的“相对背景差分法”、基于目标特征的跟踪算法和基于透视规律的目标分类方法,实现对多目标场景运动目标的实时检测识别。典型场景实验结果表明：上述算法实现了铁路入侵运动目标的高效检测,与基础背景差分法相比,误检率和漏检率分别减小了24．56％和54．17％;与基于区域的传统目标跟踪方法相比,误匹配率和漏匹配率分别减小了64．78％和22．58％,且算法具有较强的实时性和鲁棒性。     

基于智能视频分析的铁路入侵检测技术研究

针对视频监控系统人工监视容易产生疏漏的问题,研究在铁路场景下基于智能视频监控图像序列处理和分析的识别物体入侵行为检测技术,给出铁路入侵物体检测、定位与跟踪的适用算法,实现基于轨迹点行为模型的入侵行为分析与理解。设计和开发了基于OpenCV的铁路入侵检测实验平台,在此平台上实现背景建模、运动检测与跟踪等项功能,初步实现了对入侵行为的识别、分析以及对危险行为的报警。     

高铁周界异物入侵感知与识别系统

针对高铁周界异物入侵监测和预警需求,提出了一种融合分布式光纤传感技术、视频联动技术和智能识别技术的分布式、多维度高铁周界异物入侵感知与识别系统。通过使用布里渊光时域分析(BOTDA)技术进行应变监测以及相位光时域反射(Φ-OTDR)技术进行振动监测,可有效捕捉异物入侵事件。同时使用人工神经网络(ANN)对报警信号进行大数据分析,可降低系统误报率。该系统的应用能够大幅提高高铁运营安全预警完备率和应急响应效率,具有重大社会价值。     

多维三鉴复合传感探测技术在高速铁路周界安防中的应用

高速铁路周界入侵报警系统要求零漏报、低误报和精准定位。介绍高速铁路沿线环境特点和周界入侵的主要形式,提出在周界入侵报警系统中采用多维三鉴复合传感探测技术;阐述技术原理和系统结构,并提出采用视频监控作为复核手段,以便入侵确认和事后处置;重点对该技术在高速铁路周界安防中的应用场景和前端探测装置的安装位置进行分析研究;通过现场试验,验证了该技术在高速铁路周界安防中的有效性。     

振动光纤周界入侵报警系统在铁路的应用

为了及时发现并快速处置恐怖袭击和破坏铁路的犯罪活动,针对目前铁路沿线防护栅栏和人防能力薄弱的问题,建设周界入侵报警系统迫在眉睫。通过对周界报警系统的分析,提出振动光纤技术监测的解决方案。系统具有在线入侵行为实时监测报警能力,并能调取现场视频图像,第一时间向监控人员提供报警信息和事发现场的视频信息,为快速处置提供可靠的技术支持。     

机车车载视觉识别系统中的稳像技术研究

提出一种基于特征的机车车载图像配准稳定算法。通过计算视频帧中的特征曲线来估计图像的偏移。算法计算量较低,可以应用快速变化的实时图像序列。对从铁路现场获取的机车车载摄像机视频序列的处理验证本算法的有效性。     

变电站遥视系统中运动目标检测

根据无人值守变电站的实际要求,将智能视频监控技术引入到变电站的遥视系统中,实现了运动目标的自动检测.介绍了独立分量分析的基本理论和算法,并用快速独立分量分析(FastICA)方法对运动目标检测进行了试验,试验结果表明这是一种鲁棒性较强的运动目标检测方法.     

高速铁路弓网检测监测体系研究

良好的弓网关系是保障列车高速安全运行的基础,为确保弓网系统长期服役的可靠性,有必要建立高速铁路弓网检测监测体系。在梳理高速铁路弓网系统检测监测需求的基础上,吸收供电6C系统成果,构建高速铁路弓网检测监测体系框架,从感知、传输、数据、分析和应用5个层面进行分析描述,论述弓网检测监测系统的关键技术与实现方法,阐述体系在弓网系统全生命周期管理和技术创新中的运用实践,并对体系的发展方向进行展望,以期为高速铁路弓网系统研究提供参考。     

基于帧间差分累积的铁路限界异物检测提取算法

为满足轨道交通全自动运行系统对铁路限界内异物检测提取的需求,改进帧间差分法,提出一种以帧间差分累积为基础的铁路限界内异物检测提取算法。算法针对图像序列帧匹配提取的轨道线为依据标定限界区域,通过多帧隔帧帧差法得到差分结果,根据铁路限界内道床纹理特征,通过数学形态学实现背景纹理的重构来降低背景噪声影响。最后,以侧向差分灰度的累积投影值来动态确定不同环境下的异物前景范围,并通过最大类间方差法提取得到前景目标。通过对47个路轨场景进行测试,算法对有前景目标场景的目标检测率为96.87%,定位提取过程的平均耗时为137 ms。实验结果表明:算法可完成对运动背景下的轨道限界内前景目标的定位和提取,具有较好的实时性和准确性。     

高速列车轮轨检测和监测方法综述

随着高铁技术的快速发展,无损检测(NDT)技术已被广泛研究并应用于铁路系统,以保证列车安全运行和乘坐舒适度.结构健康监测(SHM)作为NDT技术的发展,可实现列车运行过程中铁路系统状态的实时评估,对高速铁路的运营和发展具有重要作用.文章首先综述NDT技术在列车车轮及轨道上的应用,然后介绍基于光纤传感器、压电传感器等新型...     

基于Faster R-CNN网络模型的铁路异物侵限检测算法研究

行人和车辆等异物侵入铁路周边限界内的情况严重威胁了行人自身安全及铁路行车安全。针对传统铁路异物检测算法识别精度不高、分类不明确和结果易受外界环境影响等缺点,提出了一种基于Faster R-CNN网络模型的铁路异物侵限检测算法,并对该模型做适应性改进以满足铁路异物检测的现实需要。提出将全连接层用全局平均池化层替代来减少参数量;通过增加锚点个数来提高对目标区域建议的精确性;引入迁移学习思想训练网络以解决铁路异物侵限数据匮乏问题。在铁路异物侵限视频数据集上进行测试表明,本算法对于人、车及部分动物的综合检测精确度达到了97.81%。     

基于雷达与视频分析技术的铁路崩塌落石自动监测报警系统设计与实现

提出一种基于雷达与视频分析综合报警评判的铁路崩塌落石自动监测报警系统。系统实时分析高于轨道70 mm的平面雷达扫描数据,结合目标识别、入侵监测、滞留检测等视频分析技术,对监测区域的障碍物情况进行综合分析,及时、准确地发出预警和报警信息,并启动紧急处置预案,避免线路障碍物对行车安全造成影响。     

基于改进YOLOv3的站口行人检测方法

针对YOLOv3算法在行人检测上准确率低和漏检率高的问题,提出一种改进型YOLOv3的行人检测方法,并将其定义为GA-Wide-YOLOv3。该方法首先以行人头肩小目标为检测对象,进行重构数据集,利用遗传算法重新对目标先验框进行聚类,优化anchor参数,提高先验框与数据集的重合程度;其次改进YOLOv3,通过加宽网络宽度、减少网络深度,获得针对小目标检测的较大视野阈,避免梯度消失;最后,将多尺度检测算法3个yolo层前的1*1,3*3的卷积组各去掉2组,减少头肩小目标在复杂背景下的漏检率。在收集的数据集HS6936上进行对比实验,结果表明,基于遗传算法改进的K-means算法,平均交并比为81.89%,提高了0.8%;改进的YOLOv3算法检测平均准确率(mAP)为75.35%,召回率为81.20%,查准率为99.99%,较原始YOLOv3算法分别提高了2.53%,0.88%和2.75%。