[發(fā)明專利]一種鐵路邊坡落石侵限檢測(cè)的圖像識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010432481.9
• 申請(qǐng)日: 2020-05-20
• 公開（公告）號(hào): CN111626170B
• 公開（公告）日: 2023-05-23
• 發(fā)明（設(shè)計(jì)）人: 劉孜學(xué);王富斌;嚴(yán)瑾;余超;李高豐;王學(xué)林;謝聯(lián)蓮;蘇愷;虞凱;樊偉;楊捷;楊崗;易立富;高柏松
• 申請(qǐng)（專利權(quán)）人: 中鐵二院工程集團(tuán)有限責(zé)任公司
• 主分類號(hào): G06V20/58
• 分類號(hào): G06V20/58;G06V10/26;G06V10/762;G06V10/764;G06V10/82;G06N3/0464;G06N3/08;G08B13/196;H04N7/18;B61L23/04
• 代理公司: 四川力久律師事務(wù)所 51221
• 代理人: 韓洋

1.一種鐵路邊坡落石侵限檢測(cè)的圖像識(shí)別方法，其特征在于，包括以下步驟：

A，獲取視頻序列圖像，并標(biāo)記出包含鐵軌的限界區(qū)域；

B，基于預(yù)設(shè)的落石侵限檢測(cè)圖像識(shí)別模型，識(shí)別出所述限界區(qū)域里是否有落石，所述落石侵限檢測(cè)圖像識(shí)別模型基于YOLOv3算法對(duì)圖像中的落石進(jìn)行識(shí)別；

所述步驟B包括以下步驟：

S11，通過預(yù)設(shè)的落石侵限檢測(cè)圖像識(shí)別模型，判斷所述限界區(qū)域內(nèi)的移動(dòng)物體是否為列車，如果不是，則執(zhí)行步驟S12；

S12，在所述視頻序列圖像中，采用檢測(cè)框標(biāo)記所述限界區(qū)域內(nèi)的移動(dòng)物體，所述檢測(cè)框根據(jù)YOLOv3網(wǎng)絡(luò)算法生成，并獲取所述檢測(cè)框的中心點(diǎn)坐標(biāo)；

S13，在所述視頻序列圖像中，根據(jù)所述檢測(cè)框的中心點(diǎn)坐標(biāo)，判斷所述限界區(qū)域內(nèi)的移動(dòng)物體是否丟失，如果沒有丟失，則執(zhí)行步驟S14；

S14，在所述視頻序列圖像中，根據(jù)所述檢測(cè)框的中心點(diǎn)坐標(biāo)，判斷所述限界區(qū)域內(nèi)的移動(dòng)物體是否靜止，如果是靜止的，則執(zhí)行步驟S15；

S15，通過所述落石侵限檢測(cè)圖像識(shí)別模型，判斷所述限界區(qū)域內(nèi)的移動(dòng)物體是否為落石；

所述步驟S13包括以下步驟：

令y_i＝y(tǒng)_right＝y(tǒng)_left，若x_left-m＜x_i＜x_right-m，判定為所述限界區(qū)域內(nèi)的移動(dòng)物體沒有丟失，所述(x_i,y_i)是所述檢測(cè)框的中心點(diǎn)坐標(biāo)，i為所述視頻序列圖像的序列號(hào)，所述限界區(qū)域左側(cè)邊緣線的像素坐標(biāo)矩陣為[x_left-m,y_left]，右側(cè)邊緣線的像素坐標(biāo)矩陣為[x_right+m,y_right]，m是劃定所述限界區(qū)域時(shí)，橫坐標(biāo)平移的像素值，x_left是鐵軌左側(cè)內(nèi)邊緣線的像素橫坐標(biāo)，y_left是鐵軌左側(cè)內(nèi)邊緣線的像素縱坐標(biāo)，x_right是鐵軌右側(cè)內(nèi)邊緣線的像素橫坐標(biāo)，y_right是鐵軌右側(cè)內(nèi)邊緣線的像素縱坐標(biāo)；

所述步驟S14包括以下步驟：

獲取所述視頻序列圖像中檢測(cè)框的中心點(diǎn)坐標(biāo)；

獲取未丟失的所述限界區(qū)域內(nèi)的移動(dòng)物體首次出現(xiàn)時(shí)相應(yīng)的檢測(cè)框的中心點(diǎn)坐標(biāo)(x₁,y₁)；

獲取所述視頻序列圖像中第i幀圖像中，未丟失的所述限界區(qū)域內(nèi)的移動(dòng)物體相應(yīng)的檢測(cè)框的中心點(diǎn)坐標(biāo)(x_i,y_i)，其中i為所述視頻序列圖像的序列號(hào)，i＝2,3……K，K為所述視頻序列圖像的總數(shù)；

計(jì)算所述檢測(cè)框的中心點(diǎn)坐標(biāo)(x_i,y_i)和所述檢測(cè)框的中心點(diǎn)坐標(biāo)(x₁,y₁)之間的歐氏距離，計(jì)算公式為：

當(dāng)d_i＝0時(shí)，則未丟失的所述限界區(qū)域內(nèi)的移動(dòng)物體在序號(hào)為i的幀圖像中處于靜止?fàn)顟B(tài)。

2.如權(quán)利要求1所述的一種鐵路邊坡落石侵限檢測(cè)的圖像識(shí)別方法，其特征在于，所述落石侵限檢測(cè)圖像識(shí)別模型是通過“列車”目標(biāo)圖片和“落石”目標(biāo)圖片對(duì)YOLOv3網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的，并對(duì)所述YOLOv3網(wǎng)絡(luò)的超參數(shù)進(jìn)行了設(shè)置，所述設(shè)置包括：

輸出層節(jié)點(diǎn)個(gè)數(shù)設(shè)置為類別個(gè)數(shù)，所述類別個(gè)數(shù)為4，包括列車、行人、落石、工作人員四個(gè)類別；

設(shè)置yolo層random＝1；設(shè)置ignore_thresh＝0.7，ignore_thresh是參與計(jì)算的IOU閾值大小；設(shè)置訓(xùn)練步數(shù)steps為70000步，其中，前30000步學(xué)習(xí)率以0.0001收斂，后40000步學(xué)習(xí)率以0.00001收斂；設(shè)置saturation＝1.5；設(shè)置exposure＝1.5；設(shè)置hue＝0.1；設(shè)置batch/subdivision＝4。