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。     

基于高斯混合模型的铁路入侵物体目标识别方法

基于铁路的特殊视频场景,研究铁路入侵物体目标识别技术,提出并应用1种改进的高斯混合模型,拟定合适的颜色变化阈值和背景更新速率,对图像的不同部分分别进行背景更新,实现铁路视频的背景建模,并由此得到稳定的背景图像;通过背景像素与前景像素的贝叶斯分类实现对铁路入侵物体的准确检测。对典型的铁路入侵行为视频进行实验分析,结果表明:应用改进的高斯混合模型可以更好地适应场景的变化,并能够更加快速、准确地实现在铁路环境下对入侵物体的目标识别。     

铁路入侵智能检测方法研究

铁路入侵行为严重影响铁路安全,由于人工监控容易产生疏漏,研究计算机智能铁路入侵检测系统尤为必要,文章提出了一种智能铁路入侵识别方法,主要包括2个方面:一是提出了一种描述n维入侵目标可能存在的m维基本运动过程的数学模型;二是提出基于方向场的铁轨智能识别方法。经轨道监控视频实验验证,文中提出的方法可有效识别监控区域中的轨道,并可对铁路入侵目标进行准确识别和跟踪,算法具有一定鲁棒性,对实现智能铁路入侵检测具有重要意义。     

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。     

高速铁路周界入侵视频图像样本库

随着高速铁路的大规模建设与运营,视频监控系统在铁路沿线的应用规模越来越庞大,产生的视频数据爆炸性增长。基于图像的目标检测算法能及时发现监控画面中入侵高铁周界的异物,对保证安全运营具有重要意义。通过建设高铁周界入侵视频图像样本库,利用统一的高铁场景视频图像数据、目标检测算法、算法运行环境和算法评价标准,测试不同场景、天气下目标检测算法的功能有效性和现场适用性,为相关部门提供智能分析算法的标准化测试,以推动铁路视频图像分析的快速发展。     

基于高阶全连接条件随机场的高速铁路异物入侵检测方法

随着我国高速铁路的快速发展,运营线路里程不断增加,铁路异物入侵对列车运行安全的威胁日趋严重。针对现有基于计算机视觉的铁路异物入侵检测方法存在的检测精度差、误检率高等问题,提出一种新的基于条件随机场CRF的前景提取算法并将其应用于高铁周界入侵检测中。前景提取是计算机视觉中的一个重要问题,也是基于计算机视觉的铁路异物入侵检测方法的核心算法。基于CRF的前景提取算法针对动态背景、伪装色等关键问题引入全连接结构,并增加高阶势,同时采用基于快速卷积的CRF推断算法实现快速求解。实验结果表明,前景提取算法的总体检测效果在通用测试数据集上优于现有算法,并在铁路现场场景取得较好地应用效果。     

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^...     

基于改进FairMOT的铁路周界入侵检测方法

针对铁路综合监控视频中不同远近行人成像面积差异较大、自然环境变化产生干扰等因素造成的检测难题，提出一种改进FairMOT框架的周界入侵检测方法。首先，针对监控视频中不同远近的行人，通过在FairMOT框架中引入感受野模块，丰富不同成像大小行人检测所需的感受野，以更好地提取不同尺度特征信息；其次，针对夜晚时段方法检测性能较低的问题，在编码解码网络后融合空间注意力模块，强化夜间前景行人关键特征，同时优化目标跟踪和判断流程，实现稳定检测；然后，针对缺乏大量学习样本的问题，使用行人检测跟踪数据集与铁路真实数据集混合增强训练，提高方法在全天候检测中的泛化性和鲁棒性；最后，在MOT17数据集和铁路真实数据集上，对改进FairMOT检测方法与CenterTrack,Bytetrack等方法进行对比试验。结果表明：提出的改进FairMOT检测方法在白天和夜晚对不同大小目标检测中，均取得了最高的准确率和召回率调和均值，检测性能最好；方法检测速率为25.2帧·s^-1，能够满足实时检测要求。改进的FairMOT检测方法可以更有效地应用于实际铁路周界入侵检测场景。     

基于改进ViBe算法的运动目标检测

针对视觉背景提取(Visual background extractor,ViBe)算法在镜头抖动和动态场景下运动目标误检率高的问题,提出了一种改进的ViBe算法。首先利用背景点有无整体运动来判断镜头是否抖动,接着根据背景点的运动求出全局运动参数,然后加入运动补偿算法消除镜头抖动对背景模型更新的影响,最后通过前景图像的连通域集合对动态场景下的动态噪声进行过滤,实现更为精准的运动目标检测。多种数据集测试结果表明,改进后的ViBe算法在镜头抖动和动态场景下能准确检测出运动目标,各项评价指标均优于经典ViBe算法和其他对比算法,具有一定的实用价值。     

安防和乘客异动在途监测系统设计

针对城市轨道交通视频监控的重要性与传统的视频监控的局限性,提出利用前端图像处理模块实现动态背景建模、目标检测和跟踪,对正常的群体行为进行建模、识别乘客异动。设计采用贝叶斯分类器将目标和背景进行分类,实现目标检测,并利用乘客特征的先验知识制成模板,将运动区域与目标模型匹配实现跟踪的过程,并将乘客行为抽象成为时空变化的数据分类问题。本系统的设计旨在保证地铁列车的安全运行,建设与轨道交通相适应的车载视频监控系统。     

基于RetinaFace的人脸多属性检测算法研究

为提高铁路刷脸检票业务中人脸检测的平均精度，通过研究分析人脸检测算法RetinaFace，针对闸机应用场景制定损失函数，提出了一种基于RetinaFace的人脸多属性检测算法，实现了人脸框位置、人脸是否佩戴墨镜以及人脸遮挡程度等信息的准确输出。算法使用轻量化骨干网络MobileNet-0.25网络结构，移除非必要的分支，减少计算开销，在铁路标准人脸遮挡数据集上检出率达到95.4%，不同遮挡程度的识别准确率达到了99.2%。     

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%。     

基于光流法检测来车的轨旁作业安全防护策略

鉴于列车接近时预警缺失会使现场作业人员面临安全风险,并且现存的人工三点防护方法、基于雷达的车辆接近预警方法及其他方法并不完善,同时为实现对现场列车的准确检测,现提出一种基于光流法检测来车的轨旁作业人员安全防护策略。该策略利用光流法的视频检测方法检测铁路现场防护区段车辆的运动情况。算法采用两级判别结构,首先利用光流法捕捉视频中的运动物体,其次根据不同运动物体在视频中同一位置的不同面积占比,辨别视频中的运动物体是否为钢轨上行驶的列车。由铁路现场拍摄的视频实验可得,在现场视线较清晰的条件下,该防护策略能够准确检测到铁路防护区段行驶的列车,可为轨旁作业人员的安全提供技术保障。     

用于动车组故障检测的图像识别算法

动车组运行故障动态图像检测系统（TEDS）通过比对现场图像与其历史图像,实现列车运行状态的实时监测和自动报警。由于不同时间采集的图像存在一定程度的差异性,使得单纯基于SIFT特征匹配的故障识别算法误报率较高。为此,本文提出一种自适应融合局部和全局匹配的图像故障识别算法:将图像以车厢为基准对齐配准;基于SIFT特征匹配,通过局部比对粗略定位故障区域;以上述区域为模板,搜寻历史图像以精准定位故障位置。实验结果表明,本算法能有效地分析和预警运行动车组的异常情况,使得系统用户可及时发现重大故障,提升动车运营质量。     

基于深度学习的铁路客站视频融合智能监控系统的图像处理优化技术研究

针对复杂铁路客站现场全景视频高维特征缺乏、融合匹配不准确等问题，提出一种基于深度学习的铁路客站视频融合智能监控系统的图像处理优化技术。文章通过尺度不变特征变换算法检测出图像关键点，利用卷积神经网络进行高维特征提取，对错配点使用随机抽样一致性算法进行剔除，并对虚影问题进行了优化以获得更好的细节效果。提出的图像处理优化技术已应用于连云港—镇江高速铁路扬州东站。应用结果表明，该技术能有效防止图片失真，获得更好的拼接效果。     

基于滞回分配的VBR视频流量带宽管理方案

基于VBR视频流量预测提出了一种新的动态带宽分配算法———滞回算法。与Girish提出的门限算法和Youssef提出的基于GOP场景检测的带宽分配方案相比,对缓存尺寸的需求、信元丢失率等性能有明显提高。大量的仿真表明,该算法能够以较低的开销(带宽重分配次数百分比≤2%)同时兼顾了CLR和带宽利用率,而且只有在缓存队长超过迂回门限时才触发带宽重分配过程,有利于在线实现。     

人体姿态检测系统的设计与实现

针对铁路岗位监控视频需要大量人力查看的问题,设计并实现了人体姿态检测系统,实现7×24 h不间断智能检测。运用人体姿态检测算法对人体关键点进行提取,构建特征向量,通过支持向量机分类算法得到姿态类别,通过滑动窗口法判断是否有异常行为,当发生异常时进行本地提醒和远程报警。在行车室和机车司机室2种环境下进行测试,结果表明,该方法对于人员异常行为的召回率和准确率均达到97%以上,具有实用价值,可以为铁路岗位管控提供有效方法。