[发明专利]一种基于视频的铁路货车洒落物自动检测方法

摘要

本发明属于视频处理和模式识别领域，具体涉及基于背景建模的运动目标检测和基于神经网络的目标识别算法的一种基于视频的铁路货车洒落物自动检测方法。其基于背景建模的运动目标检测和基于神经网络的目标识别算法，包括如下步骤：步骤1.获取视频；步骤2.建立火车走行部直方图梯度特征模型；步骤3.使用背景建模技术提取疑似洒落物；步骤4.基于神经网络（ANN）的疑似洒落物识别。本发明实现在火车高速运行的状态下对货车洒落物进行自动检测识别，具有较高的检测精度和较低的误分率,较快的检测速度也满足实际工程需要。

主权项

1.一种基于视频的铁路货车洒落物自动检测方法，其基于背景建模的运动目标检测和基于神经网络的目标识别算法，其特征在于，包括如下步骤：步骤1获取视频；利用高速高清网络摄像机，在铁路现场获得分辨率为1280*720的高清视频，视频中轴与列车行驶方向成30度；步骤2建立火车走行部直方图梯度特征模型；步骤a、搜集走行部样本和非走行部样本并进行标注，所有样本都截取为64*64大小；步骤b、计算每一个样本的直方图梯度特征；直方图梯度特征的计算方法如下：图像水平梯度和垂直梯度如(1)(2)式进行计算：G_h(x，y)＝f(x+1，y)‑f(x‑1，y)   (1)G_v(x，y)＝f(x，y+1)‑f(x，y‑1)   (2)式中，(x，y)为图像坐标点；G_h(x，y)，G_v(x，y)分别表示该像素点的水平、垂直梯度值；f(x，y)表示图像在坐标(x，y)处的灰度值；该像素点的梯度值以及梯度方向计算公式如式(3)(4)所示：θ(x，y)＝arctanθ(G_h(x，y)/G_v(x，y))   (4)如上所示，使用矩形块结构，将64*64的样本分割为4个区域，分别计算每个区域的直方图梯度特征；再将每个区域分为4*4个cell，每个cell包含4*4个block，每个block包含2*2个像素；每个block实现按照9个方向进行梯度直方图统计；再以block为单位，采用遍历扫描的方式可以得到每个block的36维特征向量，使得每个样本的一个区域可得到一个9216维的特征向量；最后将特征向量归一化，得到该样本的直方图梯度特征；步骤c、使用反向传播神经网络训练走行部模型；采用反向传播算法，用梯度下降方法对网络输出值和目标值之间的误差平方进行最小化处理：其中，Outputs是网络输出单元的集合，t_kd和o_kd是与训练样例d和第k个输出单元的相关输出值；步骤3使用背景建模技术提取疑似洒落物；步骤a、基于梯度的背景建模；利用单帧视频序列初始化背景作为模型，对其中一个像素点，利用其相邻像素点拥有相近像素值的空间分布特性，随机的选择它的邻域点的像素值作为它的模型样本值；当检测到背景突然变化明显时，需舍弃原始的模型，重新利用变化后的首帧图像建立背景模型；步骤b、基于梯度前景检测；背景模型为每个背景点存储一个样本集，再对每个新的像素值和样本集进行比较，判断其是否属于背景；计算新像素值和样本集中每个样本值的距离，若距离小于阈值，则近似样本点数目增加；如果近似样本点数目大于阈值，则将新的像素点设为背景；步骤c、形态学处理与团块检测；在完成前景检测后，得到一幅二值化图像，对二值化图像进行形态学处理：用腐蚀操作去除孤立点和噪点，再用二倍膨胀尽可能的连通多个运动区域；经过处理得到膨胀后的二值化图像后，再对每个运动区域的位置进行团块检测：使用边缘检测得到不规则运动区域的边缘信息，并将每个区域的边缘点存入一个对应的队列中，统计每个队列中的最大最小高度和最大最小宽度，得到该不规则运动区域的最小外接矩形；当最小外接矩形的矩形面积小于32*32时，由于无法计算充足的梯度特征，会将这些区域滤除；同时，根据上层设置的最大区域面积滤除过大的运动区域；步骤4基于神经网络(ANN)的疑似洒落物识别；步骤a、计算疑似洒落物的直方图梯度特征；在得到所有的运动区域后，对每一个区域计算2*2个梯度特征：选取区域的4个顶角，每个顶角截取一幅32*32的图像；当区域不足64*64时会产生重叠区域，当区域大于64*64时会有忽略区域；分别计算每一个顶角图像的直方图梯度特征，即选取4*4个cell和2*2像素的block，计算9216维特征；步骤b、使用神经网络(ANN)判断是否为真实洒落物；将每一个顶角图像的特征向量与训练好的模型使用神经网络算法进行匹配，当匹配得分大于阈值时认为其符合走行部特征，反之认为其为洒落物；当4个顶角图像都认为为洒落物时，才认定之前的运动区域为真实洒落发生区域；只要有一个顶角图像符合走行部特征即判断为非洒落。