[发明专利]一种用于列车行驶方向检测的智能判断方法

说明书

本发明涉及一种用于列车行驶方向检测的智能判断方法，其特征在于包括以下内容：根据列车车头与摄像头之间的位置关系，标定列车车头样本；根据标定的列车车头样本，构建列车车头样本的检测深度网络模型；根据构建的检测深度网络模型，对摄像头获取的列车图像进行检测，得到列车车头样本的特征向量；根据设定时间内所有列车车头样本的特征向量，构建列车车头特征向量；对列车车头特征向量进行插值处理，得到统一长度的列车车头特征向量；对统一长度的列车车头特征向量进行分类方向判断，确定列车的行驶方向，完成列车行驶方向的判断，本发明可以广泛应用于铁路监控技术领域中。

技术领域

本发明是关于一种用于列车行驶方向检测的智能判断方法，属于铁路监控技术领域。

背景技术

近年来，随着高铁的普及以及铁路沿线视频监控设备的部署，越来越多的列车实时运行视频可以用来进行分析和定点监控，然而，由于铁路沿线摄像头的位置和角度不，以及列车的形状、长度、速度等不同，使得列车智能检测系统的设计变得较为困难。目前常用的方法仍然是人工切换需要检测的列车，然后进行人眼判断，造成了大量的人力、物力等资源的浪费。

随着人工智能领域突飞猛进的发展，目前已经有针对列车的检测系统，常用的检测对象是整辆列车(整辆列车的外接矩形作为目标区域)，然后直接根据列车在图像中的位置变化来判断方向，这种方法对于挂在高处的摄像头可以有较好的效果，因为列车只占据了监控画面的一小部分，运动时的位移明显，可以准确地判断其运行方向。但是，对于安置在铁轨平面附近的摄像头，效果往往不理想，因为列车开过的时候，速度很快，且大小变化非常剧烈，这时，整个列车的外接矩形通常会占据全部画面，现有的方法在这种情况下，会出现漏检和方向判断错误的情况。

发明内容

针对上述问题，本发明的目的是提供一种能够避免漏检和方向判断错误情况的用于列车行驶方向检测的智能判断方法。

为实现上述目的，本发明采取以下技术方案：一种用于列车行驶方向检测的智能判断方法，其特征在于包括以下内容：根据列车车头与摄像头之间的位置关系，标定列车车头样本；根据标定的列车车头样本，构建列车车头样本的检测深度网络模型；根据构建的检测深度网络模型，对摄像头获取的列车图像进行检测，得到列车车头样本的特征向量；根据设定时间内所有列车车头样本的特征向量，构建列车车头特征向量；对列车车头特征向量进行插值处理，得到统一长度的列车车头特征向量；对统一长度的列车车头特征向量进行分类方向判断，确定列车的行驶方向，完成列车行驶方向的判断。

优选地，根据列车车头与摄像头之间的位置关系，标定列车车头样本，具体过程为：当列车车头正对摄像头，即摄像头只能获取列车车头的正面图像时，标定列车车头正面的矩形区域为列车车头样本；当列车车头斜对摄像头，即摄像头能够获取列车车头的部分正面和部分侧面的斜侧面图像时，标定列车车头的斜侧面区域为列车车头样本；当列车车头侧对摄像头，即摄像头只能获取列车车头的侧面图像时，标定列车车头的侧面矩形区域为列车车头样本。

优选地，根据标定的列车车头样本，构建列车车头样本的检测深度网络模型，具体过程为：1)对摄像头获取的列车图像进行目标检测，得到若干标定框及其对应的输出框，每一标定框均为摄像头获取的某一列车图像中可能存在列车车头样本的区域，每一输出框均包括对应标定框的中心坐标、宽度和高度；2)根据标定的列车车头样本，对每一标定框均进行目标识别，确定每一标定框内的物体是否为列车车头样本，并输出预测框；3)根据所有标定框的预测框，构建列车车头样本的检测深度网络模型。

优选地，所述列车车头样本的检测深度网络模型包括网络输出分类模型和网络输出位置模型：A)网络输出分类模型L_cls，用于表示识别的物体是否为列车车头样本：

L_cls(p)＝-α(1-p)γlog(p)

其中，α为正图像和负图像的控制因子；γ为分类正图像的权重系数；p为多类分类层输出的概率，其表达式为：