一种降低铁路轨道目标检测虚警的方法与流程

1.本发明涉及铁路红外监测技术领域，尤其涉及一种降低铁路轨道目标检测虚警的方法。


背景技术：

2.目前，红外成像由于具有夜视以及恶劣天气环境成像的优势，逐步开始应用于轨道交通领域的安全监测，但同时红外图像是单色灰度图像，具有分辨率低，目标纹理特征少的特点；由于红外图像中地物特征信息少，背景复杂，其中非目标地物于目标外形轮廓等特征相近，导致误识别率增加；在应用红外图像做目标检测时，不可避免地产生虚警和误报现象，而且虚警概率较大，实际应用中效果有限。


技术实现要素：

3.鉴于目前铁路红外安全监测领域存在的红外图像监测产生虚警和误报的问题，本发明提供一种降低铁路轨道目标检测虚警的方法，能够提取红外图像中铁路轨道及其邻近区域作为roi区域，目标检测时只检测roi区域中目标，可以降低目标检测的误识别率。
4.为达到上述目的，本发明的实施例采用如下技术方案：
5.一种降低铁路轨道目标检测虚警的方法，所述方法包括以下步骤：
6.获取原始图像并进行预处理；
7.对预处理的图像进行检测获得铁路轨道线；
8.基于铁路轨道线提取roi区域；
9.将提取的roi区域输入目标检测算法进行目标检测；
10.输出目标检测结果。
11.依照本发明的一个方面，所述基于铁路轨道线提取roi区域包括：提取图像中铁路轨道及其邻近区域作为roi区域。
12.依照本发明的一个方面，所述基于铁路轨道线提取roi区域包括以下步骤：
13.选取任一条轨道线上的任一坐标点a；
14.基于选取的坐标点生成该条轨道线的法线并交另一条轨道线于另一坐标点b；
15.沿直线ab在a、b点分别外扩指定的外扩像素值获得外扩边界点c、d；
16.选取轨道线上多个坐标点并获得各坐标点对应的外扩边界点，根据各外扩边界点拟合成两条边界曲线，选取两条边界曲线所围的区域为roi区域。
17.依照本发明的一个方面，所述外扩像素值通过如下步骤获得：
18.设a点坐标为(xa，ya)，b点坐标为(xb，yb)；
19.计算a、b之间间距l，l＝sqrt((xb–
xa)2+(yb–
ya)2)；
20.设轨间线间距为e，轨道边界外扩f；
21.则外扩像素值为i＝f
×
l/e。
22.依照本发明的一个方面，所述基于铁路轨道线提取roi区域包括：将roi区域外的
所有像素灰度填充为0值。
23.依照本发明的一个方面，所述将提取的roi区域输入目标检测算法进行目标检测包括：roi区域外的所有像素灰度为0值的图像输到目标检测算法进行目标检测，所述目标检测算法基于改进型的yolov5网络模型实现。
24.依照本发明的一个方面，所述输出目标检测结果包括：输出roi区域内目标的中心坐标值和锚框宽高像素个数值。
25.依照本发明的一个方面，所述对预处理的图像进行检测获得铁路轨道线包括：基于全卷积网络对预处理的图像进行分割检测获得并提取铁路轨道线。
26.依照本发明的一个方面，所述对预处理的图像进行检测获得铁路轨道线包括基于全卷积网络改进优化，所述改进优化包括：
27.主体网络增加4个resnet残差网络，三层卷积核分别1
×
1、3
×
3和1
×
1；
28.算法卷积核更改优化为3
×
3结构；
29.通道数目根据嵌入式运算平台计算时间确定，为8的倍数。
30.依照本发明的一个方面，所述改进优化包括：激活函数更改为relu6函数。
31.本发明实施的优点：本发明所提供的方法针对轨道交通领域特定应用场景，通过提取轨道及其相邻区域作为roi区域，并限定在该区域内进行目标检测，比全图目标检测误报率降低了90％，且便于在嵌入式的边缘计算盒子上部署实现，提升了红外成像在轨道交通领域的应用效果；算法部署到nvidiaxaviernx平台，输入红外图像分辨率为640
×
480；目标识别准确率高于97％。
附图说明
32.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
33.图1为本发明所述的降低铁路轨道目标检测虚警的方法示意图；
34.图2为本发明所述的roi区域提取示意图；
35.图3为本发明所述的实际应用案例检测图。
具体实施方式
36.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
37.如图1、图2和图3所示，一种降低铁路轨道目标检测虚警的方法，所述方法包括以下步骤：
38.步骤s1：获取原始图像并进行预处理；
39.首先，用热红外成像设备接收轨道列车前方区域内不同物体的热辐射，实现对物体的检测成像，获取原始图像；
40.然后，对原始图像进行预处理，所述预处理方法可以采用matlab进行预处理，具体通过matlab中imageacquisition对图像做预处理：在其它实施例中，还可以采用其它预处理方法。
41.步骤s2：对预处理的图像进行检测获得铁路轨道线；
42.通过全卷积(fcn)神经网络对预处理的图像进行分割提取，获得铁路轨道线。针对铁路轨道线检测，基于fcn网络改进优化，改进优化包括：
43.1)主体网络增加4个resnet残差网络，三层卷积核分别1
×
1、3
×
3和1
×
1；
44.2)激活函数更改为relu6函数；
45.3)算法卷积核更改优化为3
×
3结构；
46.4)通道数目根据嵌入式运算平台计算时间确定，必须为8个倍数，如8/16/24等；
47.在本实施例中，通过改进后的fcn网络提取铁路轨道线的步骤如下：
48.1)通过labelimg软件将数据集中的所有铁道线标识出来，铁道线内的区域值设为1，铁道线外的区域值设为0。
49.2)将标识好的标签图像输入改进后的fcn网络进行多次训练并得到最终的fcn模型。
50.3)将实时拍摄的图片输入训练好的fcn模型，模型输出的结果就会划分好铁道线。
51.步骤s3：基于铁路轨道线提取roi区域；
52.针对roi区域获取，实施步骤可包括：
53.1)如图2所示，图中实线所示为红外图像中提取的铁路轨道线，在轨道线上选取n个个坐标点(x
i，
yi),例如：上图中a为其中一点，其坐标为(x
a，
ya)；
54.2)经过a点计算轨道线的法线，交另一侧轨道线于b点(x
b，
yb)；
55.3)计算a、b之间间距l，l＝sqrt((xb–
xa)2+(yb–
ya)2)；
56.4)轨间线按标准间距1.435m，则单位像素表征物理距离1.435m/l；
57.5)假定轨道边界外扩2m，则外扩像素值为l＝2m
×
l/1.435m；
58.6)沿直线ab在a、b点分别外扩l像素分别为c、d点，则c、d点为a、b对应的外扩边界点；
59.7)按上述步骤重复计算n个坐标点对应的外扩边界点，将2侧的边界点曲线拟合形成边界曲线pcn和qdm，则pcn和qdm所围成的区域则为roi区域；
60.8)将roi区域外的所有像素灰度填充为0值，即上图中的网状区域。
61.步骤s4：将提取的roi区域输入目标检测算法进行目标检测；
62.将上述步骤s3获得的图像输入目标检测算法，由于roi区域外的像素灰度均为0值，不能检测到目标，仅能检测到roi区域内的目标；目标检测算法基于改进型的yolov5网络模型实现。
63.步骤s5：输出目标检测结果。
64.输出roi区域内目标的中心坐标值和锚框宽高像素个数值。
65.实际应用案例为：如图3所示，为实际应用时的目标识别图像，算法部署到nvidiaxaviernx平台，输入红外图像分辨率为640
×
480；目标识别准确率高于97％。
66.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应
涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。