[发明专利]基于GMM模型与BP神经网络的高速铁路异物识别与分类方法

权利要求书

1.基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，其特征在于，包括以下操作步骤：

步骤一：通过部署在铁路线路两旁的高清摄像机，连续不断地拍摄移动的目标物体，记录目标物体从出现直至停止移动或离开摄像机的监控视野范围内的视频图像；

步骤二：根据高清摄像机实时拍摄的视频图像进行异物识别与分析，包括：

利用每次拍摄的视频图像获得目标物体的轮廓形状；

根据所拍摄的目标物体的最终状态，判断此目标物体是否为异物，若目标物体最终离开铁路线路或是离开摄像机的监控视野范围，则判断目标不是线路上的异物；若目标物体最终落在监控的范围内或明确存在于铁路线路上，则根据所获取的目标物体的轮廓形状进一步进行异物识别与分类，得出异物的类型；

步骤三：将所获得的有关异物的参数以及位置信息发送给控制中心；

步骤四：由控制中心向列车发出警示信息，并采取相应的解决措施。

2.根据权利要求1所述的基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，其特征在于所述步骤一中根据高清摄像机的监控视野范围，在铁路线路两旁间隔安置高清摄像机，其中，高清摄像机根据自身所在的位置，可向控制中心提供目标物体存在于铁路线路路段上的位置信息。

3.根据权利要求1所述的基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，其特征在于所述步骤二中通过输入视频图像帧，选取拍摄的无任何异物的图像作为最初始的背景图像，之后则选取每天早上8点拍摄的视频图像作为初始背景图像，接着使用高斯混合模型进行背景建模，使前景与背景分离，得到当前背景图，并将当前背景与初始背景进行图像差分，获得目标物体的轮廓形状。

4.根据权利要求3所述的基于GMM模型与BP神经网络的高速铁路异物识别与分类方法，其特征在于所述步骤二中通过所获取的目标物体轮廓形状进一步进行异物识别及分类，采用的是基于BP神经网络进行分类的方法，采集在不同天气、光线情况下，任意可能成为入侵物体的多角度图像对BP神经网络进行模型的训练，得到多种目标物体可能存在的分类情况，再将所获得的目标物体的轮廓模型作为BP神经网络的输入，最终确定目标物体的类型。