[發(fā)明專利]入侵檢測模型建立方法、裝置及數(shù)據(jù)處理設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 201811261791.8
• 申請(qǐng)日: 2018-10-26
• 公開（公告）號(hào): CN109460787B
• 公開（公告）日: 2020-08-18
• 發(fā)明（設(shè)計(jì)）人: 郭保青;余祖俊;寧濱;朱力強(qiáng);王堯
• 申請(qǐng)（專利權(quán)）人: 北京交通大學(xué);中國鐵路總公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04
• 代理公司: 北京超凡志成知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11371
• 代理人: 吳迪

本申請(qǐng)?zhí)峁┮环N入侵檢測模型建立方法、裝置及數(shù)據(jù)處理設(shè)備，方法包括：獲取從鐵路沿線采集的多個(gè)訓(xùn)練圖像；分別對(duì)多個(gè)訓(xùn)練圖像進(jìn)行HOG特征提取，獲得各訓(xùn)練圖像的第一圖像特征；將多個(gè)訓(xùn)練圖像和圖像標(biāo)簽輸入改進(jìn)AlexNet網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；針對(duì)每個(gè)訓(xùn)練圖像，通過卷積神經(jīng)網(wǎng)絡(luò)提取第二圖像特征，并根據(jù)該訓(xùn)練圖像的第一圖像特征及第二圖像特征的組合進(jìn)行分類訓(xùn)練。通過對(duì)圖像進(jìn)行HOG特征提取并結(jié)合改進(jìn)AlexNet網(wǎng)絡(luò)結(jié)構(gòu)的模型提取的圖像特征一起進(jìn)行分類訓(xùn)練，從而使得訓(xùn)練得到的入侵檢測模型能夠有針對(duì)性地從畫面中判斷出是否存在入侵行人，擁有較高的識(shí)別準(zhǔn)確性，并且不易受到光線等環(huán)境因素的影響。

技術(shù)領(lǐng)域

本申請(qǐng)涉及圖像處理技術(shù)領(lǐng)域，具體而言，涉及一種入侵檢測模型建立方法、裝置及數(shù)據(jù)處理設(shè)備。

背景技術(shù)

隨著高速鐵路的不斷發(fā)展，高鐵線路數(shù)量和行車速度均在不斷提高，列車行駛的安全性也越來越受到關(guān)注。在維護(hù)高鐵安全運(yùn)行的工作中，檢測高鐵線路是否有異物入侵對(duì)行車安全十分重要，其中，識(shí)別是否存在行人入侵高鐵線路又是入侵檢測中最重要的部分?，F(xiàn)有技術(shù)中采用了一些圖像差分算法從監(jiān)控視頻中識(shí)別出變化畫面從而判斷是否有異物入侵。但是這些方法對(duì)異物入侵的識(shí)別能力有限，無法精準(zhǔn)區(qū)分是何種異物入侵，因此針對(duì)于行人入侵的檢測存在大量誤報(bào)。并且這些方法的檢測精度容易受到光線等環(huán)境因素的影響，不能保證較高的識(shí)別準(zhǔn)確性。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)中的上述不足，本申請(qǐng)的目的之一在于提供一種入侵檢測模型建立方法，所述方法包括：

獲取從鐵路沿線采集的多個(gè)訓(xùn)練圖像，所述多個(gè)訓(xùn)練圖像包括圖像標(biāo)簽為有入侵行人的訓(xùn)練圖像及圖像標(biāo)簽為沒有入侵行人的訓(xùn)練圖像；

分別對(duì)所述多個(gè)訓(xùn)練圖像進(jìn)行HOG特征提取，獲得各所述訓(xùn)練圖像的第一圖像特征；

將所述多個(gè)訓(xùn)練圖像和所述圖像標(biāo)簽輸入改進(jìn)AlexNet網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；針對(duì)每個(gè)所述訓(xùn)練圖像，通過所述改進(jìn)AlexNet網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)提取該訓(xùn)練圖像的第二圖像特征，并根據(jù)該訓(xùn)練圖像的第一圖像特征及第二圖像特征的組合進(jìn)行分類訓(xùn)練，得到訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型。

可選地，在獲取訓(xùn)練樣本集之后，所述方法還包括：

將所述多個(gè)訓(xùn)練圖像調(diào)整為相同尺寸。

可選地，所述分別對(duì)所述多個(gè)訓(xùn)練圖像進(jìn)行HOG特征提取，獲得各所述訓(xùn)練圖像的第一圖像特征的步驟，包括：

對(duì)所述訓(xùn)練圖像進(jìn)行顏色空間標(biāo)準(zhǔn)化；

計(jì)算所述訓(xùn)練圖像各像素點(diǎn)的梯度幅值和梯度方向；

按照預(yù)設(shè)窗口尺寸及預(yù)設(shè)滑動(dòng)步長從所述訓(xùn)練圖像提取為多個(gè)圖像塊；

根據(jù)所述像素點(diǎn)的梯度幅值和梯度方向，計(jì)算每個(gè)所述圖像塊內(nèi)每個(gè)預(yù)設(shè)大小的圖像細(xì)胞內(nèi)的HOG特征，并根據(jù)所述圖像細(xì)胞的HOG特征組合得到每個(gè)像素塊的HOG特征；

將多個(gè)圖像塊的HOG特征組合得到所述訓(xùn)練圖像的第一圖像特征。

可選地，所述將所述多個(gè)訓(xùn)練圖像調(diào)整為相同尺寸的步驟，包括：

將所述多個(gè)訓(xùn)練圖像通過拉伸或壓縮的方式調(diào)整為預(yù)設(shè)尺寸。

可選地，所述改進(jìn)AlexNet網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)包括：

第一卷積層，由32個(gè)大小為7*7的卷積核構(gòu)成，該第一卷積層包括卷積部分、BN層和ReLu激勵(lì)函數(shù)；

第二卷積層，由32個(gè)大小為7*7，擴(kuò)充邊緣為2的卷積核構(gòu)成，該第二卷積層包括卷積部分、標(biāo)準(zhǔn)化層、ReLu激勵(lì)函數(shù)和降采樣層，該第二卷積層的降采樣層中卷積核大小為3*3，步長為2；