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。     

基于卷积神经网络的航拍视频轨道异物检测方法

针对无人机航拍视频轨道异物检测存在动态背景及异物类型多样等问题,提出了一种基于CNN(卷积神经网络)的航拍视频轨道异物检测方法：对航拍单帧图像采用Canny边缘检测、概率Hough变换、线段筛选等确定轨道区域;采用改进的MobileNet CNN模型对轨道区域图像进行单帧图像异物检测分类;利用视频的帧间相关性优化单帧检测结果,得到最终的视频轨道异物检测结果;并采用自建的实拍轨道区域图像数据集进行试验。结果表明,该方法适用于航拍视频中存在多种类型异物的情况,并能实现有效检测。     

基于目标识别与跟踪的嵌入式铁路异物侵限检测算法研究

铁路线路异物侵限是威胁行车安全的一个重要隐患。基于机器视觉与嵌入式技术设计了异物侵限自动检测系统,利用FPGA和ARM芯片实现了图像采集处理硬件平台。提出异物目标分类和运动行为分析相结合的嵌入式异物侵限检测算法。算法采用两级判别结构,首先利用支持向量机及一组特征向量对背景差分图像得到的异物目标进行分类,根据分类结果滤除大部分行进列车目标,之后运用Kalman滤波器设计目标跟踪算法,对其余目标进行行为和运动趋势分析,滤除其中非侵限干扰信息提高报警准确率,并对有侵限趋势的异物提前预警。实验表明,该系统能够有效地识别检测区域内的异物目标,系统侵限报警准确率达到97.11%,平均检测频率达13帧/s。     

有轨电车线路槽型轨自动清洁系统研究

针对有轨电车线路槽型轨内异物清洁效率低下的问题,提出了槽型轨异物快速检测算法及基于此算法研发的槽型轨自动清洁系统。通过该算法,自动清洁系统可快速检测且定位出槽型轨内异物的位置,并控制轨道清洁车利用高压水流和负压吸口进行自动清洁。试验结果表明:该快速检测算法对槽型轨内异物检测成功率超过92%;平均每帧图像的处理时间为31.6 ms;轨道清洁车能够在以20 km/h速度行驶过程中实现对槽型轨内异物的自动清理。该自动清洁系统既节约了水资源,又提高了槽型轨的清洁效率,有助于有轨电车在城市公共交通中的进一步推广。     

基于深度学习的铁路限界快速检测算法

列车行驶环境快速、可靠、精准感知是列车安全、高效运行的前提和关键支撑技术。列车若无法提前感知非法侵入铁路限界范围内的异物,并在短时间内有效制动,将会导致严重的安全事故。为解决列车运行环境内影响运行安全的异物侵限问题,基于深度学习算法,提出一种铁路轨道限界快速检测算法。该方法首先采用预设行锚框的方式对图像进行划分,将传统分割算法的逐像素预测,转变为对每个行锚框进行逐网格预测,以达到显著降低算法计算量,并提高检测速度的目的。同时,通过快速识别图像中属于轨道部分的像素,结合轨道线的连续特征进行追踪,达到铁路轨道坐标的智能快速识别。最后根据标准轨距下限界的定义,对识别出的轨道线坐标和侵限区域进行扩充,以确定铁路异物入侵限界的范围。通过在真实轨道数据集上的对比实验,验证所提算法能以172FPS的速度快速检测铁路限界,且轨道线和限界区域的识别精度分别达到98.96%和98.12%,F1值分别达到99.68%和98.95%,限界区域检测的平均交并比MIoU达到96.88%,各类指标均取得当前最好的准确率和性能,满足高速列车对环境感知精度和速度要求,可以为异物侵限检测、目标跟踪和列车控制等环境感知及运...     

有轨电车异物侵限检测及预警方法研究

文章融合混合高斯模型与三帧差分法对有轨电车线路进行异物侵限检测,并结合有轨电车位置、速度、异物运动轨迹等参数,采用 T-S 模糊神经网络进行预警等级划分。以某有轨电车公司提供的视频监控数据作为实例,开展实例仿真研究,仿真结果表明该异物侵限检测算法能够较好地检测出行人、汽车等异物,T-S 模糊神经网络能够用于有轨电车异物侵限预警。     

基于深度残差神经网络的地铁站台门与列车门间异物自动检测方法研究

针对地铁站台门与列车门间现有异物检测方法的精度差、误报率高的问题,提出基于深度残差神经网络图像识别原理,利用地铁站台发车指示器图像数据实现站台门与列车门间异物实时检测.首先,搭建基于深度残差神经网络ResNet50模型的自动异物检测系统;然后,采集站台发车指示器视频帧信息建立数据集并完成系统训练;最后,分析自动异物检测系统对验证信息集的处理效果,并将该系统应用于实际地铁车站中.处理效果表明:实际应用验证中最低准确率为98.7％,单张视频帧处理总耗时不超过65 ms,满足地铁实际运营的要求.     

轨道作业车周边异物侵线监测技术

针对轨道作业车施工现场异物侵线和预警需求,提出一种融合三维激光雷达技术与毫米波雷达感知技术的工务施工现场异物侵线监测技术。采用三维激光雷达感知施工现场周边环境,获取点云数据。通过对点云数据进行滤波、聚类及特征分析,识别出作业现场铁路轨道、道床区域,同时识别出入侵轨道线路的异物并得到其位置信息。再结合毫米波雷达感知结果对识别出的异物进行二次确认。现场试验结果表明:利用该技术进行异物监测定位,精度满足误差不大于200 mm的要求;该技术可以用于轨道作业车施工现场对地面异物侵线的实时监测。     

基于Hu不变矩特征的铁路轨道识别检测算法

针对当前铁路钢轨检测算法在识别中准确性和鲁棒性不高的问题,提出采用Hu不变矩特征实现轨道线搜索,并以B样条曲线为拟合模型的钢轨自动检测方法。算法根据视频帧中钢轨的边缘特征,通过改进的霍夫变换识别并确定图像空间的轨道线消隐边界,完成近远景区的标定。针对近景区直轨,通过直线模型拟合;在远景区,采用可漂移检测窗通过比对Hu不变矩来提取轨道特征点,以最小二乘法实现B样条曲线模型拟合。并制定模型更新和切换原则自动跟踪轨迹线。实验结果表明:轨道线平均跟踪时间为0. 081 s,可以提高钢轨检测识别的精确性和鲁棒性,能够更好地解决曲线轨道的模型拟合问题。     

计算机视觉技术在列车行李遗留检测上的应用

利用计算机视觉技术,通过帧差法和YOLOv3目标检测算法实现了列车车厢内遗留行李的自动检测和识别,检测效果良好。     

高速铁路无砟轨道表面裂缝三维图像自动识别算法

无砟轨道表面伤损的自动检测技术是当前高速铁路检测与监测的关键技术。采用三维图像技术,将原始三维图像转换为二进制图,基于三维光影模型的轨道结构表面裂缝的三维图像识别算法,采用连通域分析与线性形态分析方法,了轨道结构裂缝识别中图像噪声消除算法,从而提高轨道结构表面裂缝自动识别的准确率。室内试验对比结果表明:课题组研发的高速铁路轨道表面伤损检测系统,可获得高精度的裂缝长度、宽度以及深度的数据信息,轨道板裂缝最大宽度的识别结果相对误差为6.25%、9.68%,裂缝长度的测试识别相对误差为1.39%、2.92%,平均深度的测试识别相对误差为15.69%、13.04%。采用提出的裂缝识别算法可实现100%准确率的裂缝自动识别。     

基于单天线载波相位差分的列车姿态解算方法研究

轨道占用的正确识别是列车安全运行的保障,为了进一步提高列车轨道占用自主识别的准确性,将列车姿态测量引入到自主定位过程中辅助判断列车在道岔区段轨道占用状态。基于此提出一种基于全球卫星导航系统双差载波相位的单天线姿态解算方法,与双天线测姿算法相比其安装成本和难度更低,且无需考虑后期天线支架形变的问题。通过使用时间差分与星间差分相结合的双差模型,将卫星定位过程中的卫星钟差、接收机钟差、对流层误差、电离层误差以及整周模糊度消除。利用卡尔曼滤波算法求解历元间位移矢量坐标,并根据位移矢量坐标进一步求解列车的二维姿态。为了验证测姿算法的有效性,选择了两组青藏线列车真实数据进行仿真实验,结果证明单天线测姿算法偏航角误差均方根可以分别达到0.118 5°和0.160 1°。     

时域差分滤波在高速铁路轨道精密检测中的应用

高速铁路轨道精密检测直接服务于轨道精调作业,检测数据的好坏对轨道精调有着重大影响。检测数据在反映轨道真实状态的同时,还存在由误差引起的高频扰动,而这种高频扰动对精调数据分析极为不利。结合轨道精密检测的实践,采用时域差分技术消除数据高频扰动,并通过某高速铁路实测数据对算法进行验证,计算结果表明,数据中的高频分量得到有效消除。     

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%。     

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YOLOv3算法的轨道扣件自动定位与检测

针对目前轨道扣件人工检测效率低、准确率低等问题,提出了基于YOLOv3算法的轨道扣件自动定位及检测方法。采集有砟轨道和无砟轨道的扣件图像并进行标注,通过K-means聚类确定预设边界框大小;为了更好地检测到细粒度特征,采用4个不同尺度的特征图来进行对象检测;对Darknet-53网络进行改进,有利于解决深层次网络的梯度问题,增加轨道扣件目标识别模型的识别效果。试验结果表明,该方法对轨道扣件目标识别效果较好,检测准确率较高。     

基于分段曲线模型的铁路轨道检测算法

针对现有铁路轨道检测识别算法的准确性和鲁棒性不高的问题,提出一种基于直线和双曲线相结合的分段曲线模型实现轨道线的检测、跟踪与验证。本算法首先依据轨道图像的边缘信息,通过多约束条件下的Hough变换初步检测轨道位置,确定轨道线消隐边界并标定近远景区域。然后,在近景区域,采用直线模型实现前方直轨拟合;在远景区域,融合轨间距离、轨道方向和像素灰度等先验知识构造边界置信度函数,设定可漂移窗口搜索算法完成特征点提取,以最小二乘法进行双曲线模型拟合。最后,依据模型切换及窗口搜索策略完成轨道线的跟踪。测试结果表明:该算法不仅较好地解决了弯轨描述问题,而且提高了检测的准确性和鲁棒性。     

基于Canny算子的转辙机缺口自动检测算法

针对大多数现有转辙机缺口自动检测装置需要对缺口区域额外增添标记的不足,本文提出基于Canny算子的转辙机缺口自动检测算法。利用Canny算子提取参考缺口和待测缺口的边缘特征,通过图像帧间差法获得待测缺口的移动部分信息,通过缺口位置标定步骤获得缺口的边缘坐标,从而实现缺口大小的自动检测和标定。算法结合Canny算子和图像帧间差法的优点,不需要对转辙机缺口区域进行额外的标记施工,就可以快速准确地获得缺口大小。实验表明,本算法具备实现简单、缺口识别准确快速和对明暗噪声鲁棒的优点,为缺口检测报警提供了一个新的思路。     

序列图像中运动目标的检测

提出一种新的自适应目标图像分割，它适用于复杂环境下的运动图像跟踪，该算法利用序列连续图像的帧间相关性和差异性检测目标，用直方图滤波法分割目标，根据目标的运动牧场生在相邻帧中确认目标，并尽可能抑制背景噪声的干扰，与某些常规算法不同的是，瓣方法充分考虑了目标－背景条件，帧间相关性和差异性，目标检测及撮算法分三步：运动能量检测，直方图滤波及快速定位。本文给出了在可见了光图像序列上的实验结果。     

基于RGB-D视频的地铁异物风险检测方法研究

地铁异物影响乘客出行安全和列车行车安全,随着自动驾驶时代的到来,采用先进技术检测地铁异物风险是保障地铁安全的重要途径.深度传感器广泛应用在目标检测等领域,弥补彩色信息不足.因此本文采集地铁列车门及屏蔽门间风险区域的RGB-D视频,设计融合深度和颜色信息的异物风险检测算法.首先,提出RGB-D+背景建模(ViBe)算法的...