一种基于多特征的城轨防汛预警方法及系统与流程

1.本发明涉及一种基于多特征的城轨防汛预警方法及系统，属于人工智能技术领域。


背景技术：

2.城市轨道交通是城市公共交通的主干线，客流运送的大动脉，是城市的生命线，城市轨道交通的安全运行已成为社会关注的焦点和热点。目前，对城轨点位积水灾害的识别和评估很大程度上依赖于工作人员巡检工作与主观判断，灾害的发现及处置过程需要大量人员参与，从而导致风险规避能力差，风险发现不及时，风险处置效率低。如何通过科学有效的方法识别各点位轨道积水情况，从而及时地采取相应的防御措施以排除安全隐患，是现阶段城市轨道交通亟需解决的关键问题。
3.目前，防汛积水检测主要依靠布设积水检测系统，包含水位检测传感模块、信息传输模块以及监控终端等要素，从而实现积水多发地段积水情况的远程监测。上述传统的积水检测方式优点在于能够较为精确、快速的获取积水信息，但存在需要专门为所敷设检测系统建设运行条件以及需人工对监测位置的物理设备进行持续维护等问题，具有建设维护成本高、使用不灵活等缺点。


技术实现要素：

4.发明目的：本技术旨在提出一种基于多特征的城轨防汛预警方法及系统，充分利用城轨现有的视频设备,获取监控视频数据，采用图像处理算法识别轨道区域，综合运用sobel算子、canny算子检测边缘，基于hough变换提取轨顶、轨底、轨枕直线拟合特征，利用基于hsv空间分析算法提取轨道扣件系统图像指纹特征，建立轨道异常入侵检测模型，实现基于轨顶、轨枕、轨底、扣件系统特征的轨道异常入侵检测。采用基于resnet残差网络模型的深度学习目标检测算法，结合轨道异常入侵检测数据，识别积水情况。通过划分图像切片单元，建立监控区域坐标、面积数据库，实现积水位置、面积的定量分析。此外，分别以轨顶、轨枕、轨底为深度检测标志位，基于汉明距离度量积水状态下标志位与无积水正常状态下标志位的相似度，进而判断积水深度。
5.系统充分利用城轨现有的视频设备，采用计算机视觉技术实现易积水点位的全天候不间断监测，无需人工干预，一旦积水达到预警值，系统自动生成预警数据，告知监控管理中心，提醒相关人员及时处理。本发明有效提高了城轨运营人员对积水灾害识别的及时性和准确性，有助于决策人员迅速做出应急响应，切实保障汛期城轨运营安全。
6.技术方案：一种基于多特征的城轨防汛预警方法，包括以下步骤：
7.(1)视频流抽帧解码及格式转化，获取视频流并抽帧、解码、格式转换，得到rgb格式的连续帧图像；
8.(2)图像预处理，对连续帧图像进行图像增强、去噪，对图像进行裁剪，并缩放至指定尺寸；
9.(3)提取背景图像，获取无异物入侵正常状态下的轨道监控视频，采用统计直方图法提取监控视频影像的背景影像；对n帧图像中每一个像素位置出现的像素值以及各像素值出现的次数进行统计，选取每个像素位置出现次数最多的n/10个像素值，以出现的次数作为权重加权计算得出该像素位置的背景像素值，计算公式如下：
[0010][0011]
式中，nk(i,j)为背景影像在像素位置(i,j)处出现次数最多的n/10个像素值，ck为nk(i,j)对应的权重；
[0012]
(4)铁轨特征提取；
[0013]
(5)轨道异常入侵检测及定位；
[0014]
(6)深度学习神经网络积水检测，当检测到轨道区域存在异物入侵后，分割异物入侵区域图像，进行积水属性检测；从监控视频中采集备选图像样本，标注积水信息，对每幅图像预处理后，分别提取输入图像的颜色、纹理和轮廓，作为resnet残差网络并行通道的输入，训练完成后用于实时图像的检测；设置resnet残差网络共50层，其中，1～20层的卷积核大小为7
×
7，21～40层卷积核的大小为5
×
5，41～50层的卷积核心大小为3
×
3；第50层采用softmax分类器；
[0015]
(7)积水检测置信度计算，通过多帧置信分析的策略，提高积水检测的准确率；在提取图像进行分类的同时，启动计数器c、cw，c和cw分别表示检测帧数和积水检测结果累计帧数，每识别一帧，则c累加1，如分类结果为积水，则cw累加1，当c累计到一定帧数，计算积水置信度αw，按以下公式计算：
[0016][0017]
设置置信度阈值l，当αr》l，判定类别为积水；
[0018]
(8)积水深度检测模块，针对承接式轨枕的轨道，以轨顶、轨底、轨枕为深度标志位；针对埋入式和嵌入式轨枕的轨道，以轨顶、轨底、扣件系统为深度标志位；当判定检测区图像为积水时，依次分割各深度标志位图像，提取标志位区域的图像指纹特征，结合无积水正常状态轨顶的图像指纹特征，采用基于汉明距离的图像特征相似度判定法，检测该深度标志位是否积水；
[0019]
检测积水是否淹没轨底时，按照下式计算积水状况下标志位区域的图像指纹特征与无积水正常状态轨顶的图像指纹特征的汉明距离：
[0020][0021]
式中，p[i]为实时图像中轨底标志位的指纹特征，q[i]为无积水状态下轨底标志位的指纹特征；设置阈值d，当相似度s(x,y)小于阈值d时，判定积水深度未达到轨顶；反之，则积水深度达到轨顶；
[0022]
(9)智能预警，根据积水面积和深度数据，综合分析得到灾害严重程度级别，启动相应的应急措施，智能预警包括光电警报器、系统警报、app警报、微信小程序警报、短信警报。
[0023]
所述步骤(4)具体包括：
[0024]
(4.1)将铁轨区域图像分割成大小相同的切片单元，在每个切片单元中铁轨的轨顶、轨枕、轨底通常呈现直线状态，因此在边缘检测之后的二值图像中也会表现为直线形态，对于支承式轨枕的轨道，提取各个切片单元的轨顶、轨底、轨枕直线特征；
[0025]
(4.2)对于埋入式和嵌入式轨枕的轨道，提取各个切片单元的轨顶、轨底直线特征，及扣件系统区域的图像指纹特征；所述扣件系统指轨道上用以联结钢轨和轨枕的部分。
[0026]
所述步骤(4.1)具体包括：
[0027]
(4.1.1)对于支承式轨枕的轨道，将接收的经步骤(3)处理的背景影像分割为大小相同的切片单元，采用otsu算法对各切片单元进行二值化处理，采用sobel边缘算子与canny边缘算子相结合的边缘检测算法对二值化图像中的轨顶、轨枕、轨底边缘进行提取；
[0028]
(4.1.2)采用hough变换检测图像中轨顶、轨枕、轨底的直线特征，根据直线的截距和角度信息确定直线的位置，
[0029]
每一条直线采用参数方程(ρ,θ)来表示：
[0030]
ρ＝x*cosθ y*sinθ
[0031]
设定θ的步长，对切片单元中的每一个像素进行极坐标变换，将变换后对应的累加器加一，设置阈值t，累加器中大于阈值t对应的点即可确定一条直线。
[0032]
所述步骤(4.2)具体包括：
[0033]
(4.2.1)对于埋入式和嵌入式轨枕的轨道，提取各个切片单元的轨顶、轨底直线特征的算法同步骤(4.1)；
[0034]
(4.2.2)对扣件系统各个切片单元进行图像增强及小波去噪处理，并采用双线性内插法调整大小；
[0035]
(4.2.3)提取各个切片单元的色调h通道、饱和度s通道和亮度值v通道图像，归一化hsv信息；
[0036]
(4.2.4)分别提取h通道、s通道、v通道像素平均值特征，如下式：
[0037][0038]
式中，n和m别表示切片单元的高和宽，pij表示h、s、v每个通道上第i行第j列的像素值；
[0039]
(4.2.5)分别提取h通道、s通道、v通道离散余弦变换矩阵，如下式：
[0040][0041]
式中，n和m别表示切片单元的高和宽，f(x,y)表示h、s、v每个通道上第i行第j列的像素值；
[0042]
计算dct矩阵的平均值：
[0043][0044]
式中，n和m别表示切片单元的高和宽；
[0045]
(4.2.6)分别计算各个切片单元h通道、s通道、v通道的像素平均值e和dct矩阵的平均值p后，得到一个切片单元的6维特征；对每维特征分别设置阈值，若特征值大于阈值则置为1，否则置为0，得到各个切片单元的哈希序列；将一帧图像各个切片单元的哈希序列按顺序组合在一起则构成该帧图像基于hsv空间分析的指纹特征。
[0046]
所述步骤(5)具体包括：
[0047]
(5.1)轨顶、轨枕、轨底异常入侵检测，对各个实时切片单元采用步骤(4.1)所述的算法进行轨道线特征提取，若检测无直线，则判断该轨道区域存在异物入侵；
[0048]
若检测到直线，将检测得到的直线长度、角度等参数与无异物入侵正常状态下的轨道参数相比较，若偏差超出阈值，则判断该区域存在异物入侵；
[0049]
δangle＝|aactual-anormal|《c1
[0050]
δlength＝|lactual-lnormal|＜c2
[0051]
式中，c1、c2分别代表直线角度阈值及直线长度阈值；
[0052]
通过多帧置信度分析的策略，提高入侵检测的准确率；在检测异物入侵的同时，启动计数器c、cw，c和cw分别表示检测累计帧数和异物入侵累计帧数，每识别一帧，则c累加1，如分类结果为异物入侵，则cw累加1，当c累计到200帧，计算异物入侵置信度αw，按以下公式计算：
[0053][0054]
设置置信度阈值l，当αw》l，判定发生异物入侵；
[0055]
(5.2)扣件系统相似度检测，针对埋入式和嵌入式轨枕的轨道，计算各个切片单元中扣件系统区域与无异物入侵正常状态下扣件系统区域指纹特征的汉明距离；
[0056]
通过异或操作逐位比较各个切片单元中扣件系统区域的h分量、s分量、v分量哈希序列，以h分量的汉明距离计算为例：
[0057][0058]
式中，xh[i]为实时图像各个切片单元中扣件系统的h分量的指纹特征，yh[i]为异物入侵正常状态下扣件系统区域的h分量的指纹特征；
[0059]
以上述方法分别计算出s分量、v分量的汉明距离；
[0060]
根据h、s、v不同分量的权重，计算最终的加权相似度值：
[0061][0062]
式中，c＝h、s、v分别表示h通道、s通道、v通道，wc表示c分量对应的权重，dc表示c分量对应的汉明距离；
[0063]
汉明距离越大则说明图像的不一致程度越高，反之，汉明距离越小则说明图像越相似；设置阈值t，若汉明距离超过t，判断该扣件系统区域存在积水等异物入侵，否则，判断该扣件系统区域无异物入侵；
[0064]
(5.3)异物入侵位置、面积及演变趋势检测。
[0065]
所述步骤(5.3)具体包括：
[0066]
(5.3.1)异物入侵位置检测，从空间数据库中检索识别为异物入侵的切分单位像素坐标对应的实际空间像素坐标，并计算重心坐标。
[0067]
(5.3.2)异物入侵面积检测，计算异物入侵区域面积：
[0068][0069]
式中，qn为检测异物入侵的第n个切片单元的实际面积，n为检测到异物入侵的切片单元总数；
[0070]
(5.3.3)异物入侵区域位置、面积演化趋势分析，以异物入侵区域位置演化趋势分析为例，对检测出的位置qk采用最小二乘法拟合得出曲线函数并求偏导，得出变化度量值用于评估灾情趋势变化情况。
[0071]
一种基于多特征的城轨防汛预警方法的预警系统，包括图像采集模块，轨道区域空间数据库建立模块，正常状态轨道特征提取模块，实时图像轨道特征提取模块，轨道异常入侵检测及定位模块，深度学习卷积神经网络积水识别模块，积水深度检测模块，智能预警模块；
[0072]
所述图像采集模块：获取无异物入侵正常状态下监控区域的历史视频，传输至轨道区域数据库构建模块和正常状态轨道特征提取模块；获取监控区域实时视频影像传输至实时轨道特征提取模块；
[0073]
所述轨道区域空间数据库建立模块：将监控区域多个摄像头拍摄图像中铁轨区域分割成多个切片单元，获取每个切片单元对应的实际空间坐标和空间面积，建立铁轨区域空间数据库，用于积水区域的坐标及面积的量化分析；
[0074]
所述正常状态轨道特征提取模块：根据图像采集模块获取的历史无异物入侵正常状态下铁轨监控视频，提取轨顶、轨枕、轨底的斜率、长度、位置等特征及扣件系统的图像指纹特征，将特征传输至轨道异常状况检测及定位模块；
[0075]
所述实时图像轨道特征提取模块：根据接收的实时影像，提取轨顶、轨枕、轨底的斜率、长度、位置等特征及扣件系统的图像指纹特征，将特征传输至轨道异常状况检测及定位模块；
[0076]
所述轨道异常入侵检测及定位模块：对比正常状态下的轨顶、轨枕、轨底特征，与实时图像轨顶、轨枕、轨底特征；同时，计算正常状态扣件系统与实时扣件系统的图像指纹的汉明距离，分析轨道入侵的位置、面积及变化趋势；
[0077]
所述深度学习卷积神经网络积水识别模块：采用历史视频素材训练resnet残差网络模型，提取异物入侵区域的颜色、纹理等多种图像特征输入训练好的网络模型，实现积水的有效识别；
[0078]
所述积水深度检测模块：当检测到轨道异常入侵物为积水时，以轨顶、轨枕、轨底和扣件系统为标志位，分析无异物入侵正常状态下标志位区域图像，与实时标志位区域图像的相似度，判断积水是否淹没标志位；
[0079]
所述智能预警模块：分析积水面积、深度及随时间的演变趋势，提供定量的积水严
重等级判断，启动相应的应急措施，通过警报器、系统警报、app警报、微信小程序警报、短信警报，推送给相关工作人员进行处理。
[0080]
有益效果：1、采用计算机视觉技术对城轨各点位进行全天候全方位智能积水灾情监测，相比人工巡查，降低了人力成本，提高了排查效率。有效助力地铁相关工作人员及时掌控灾害状况，更好地实现灾前预警预控。
[0081]
2、利用城轨现有摄像头设施进行监测，在确保精度的同时，硬件成本可忽略不计。解决了传统检测方案依靠传感设施，安装复杂，易损坏等问题，具有成本低、维护简单等优势。
[0082]
3、基于构建轨道区域空间数据库，实现积水位置、面积的准确检测，通过设置轨顶、轨底、轨枕、扣件系统等深度标志位，实现积水深度的有效判断，与传统图像检测方法比较，可提供定量的积水严重等级判定。
[0083]
4、过往车辆或动物等快速移动物会造成轨道区域遮挡，进而影响积水检测的准确性。本发明采用二次分类方法，首先检测轨道区域异常，分析异常入侵的位置、面积的变化趋势，筛除车辆或动物等快速移动物，再检测入侵异物属性是否为积水，有效剔除过往车辆或动物对积水事件判定造成显著干扰。
[0084]
5、采用resnet残差网络模型，提取图像的颜色、纹理等特征，从不同维度分析积水情况，结合基于时间、空间的综合决策策略，对于环境的鲁棒性较强，显著提高了积水事件检测准确率。
[0085]
6、本发明采用的基于hsv颜色空间分析的图像指纹特征提取算法，相比rgb颜色空间分析更接近人眼对色彩的感知，更全面、精准地表征图像特征，有效提高检测准确率。
[0086]
7、传统的基于神经网络图像语义分割算法，需要对图像每个像素进行分类，本发明分割异物入侵区域图像进行积水检测，大大减少了计算量，提高了灾情检测的效率。
附图说明
[0087]
图1为本发明的系统原理框图
[0088]
图2为基于多特征的城轨防汛预警方法流程图
[0089]
图3轨枕支承式轨道特征提取流程图
[0090]
图4轨枕埋入式、内嵌式轨道特征提取流程图
[0091]
图5基于hsv空间分析的图像指纹特征提取流程图
具体实施方式
[0092]
下面结合附图对本发明的技术方案作进一步说明。
[0093]
如图1所示，本发明提供一种技术方案：一种基于多特征的城轨防汛预警系统包括图像采集模块，轨道区域空间数据库建立模块，正常状态轨道特征提取模块，实时图像轨道特征提取模块，轨道异常入侵检测及定位模块，深度学习神经网络积水识别模块，积水深度检测模块，智能预警模块。
[0094]
图像采集模块：获取无异物入侵正常状态下监控区域的历史视频，传输至轨道区域数据库构建模块和正常状态轨道特征提取模块；获取监控区域实时视频影像传输至实时轨道特征提取模块。
[0095]
轨道区域空间数据库建立模块：将监控区域多个摄像头拍摄图像中铁轨区域分割成多个切片单元，获取每个切片单元对应的实际空间坐标和空间面积，建立铁轨区域空间数据库，用于积水区域的坐标及面积的量化分析。
[0096]
正常状态轨道特征提取模块：根据图像采集模块获取的历史无异物入侵正常状态下铁轨监控视频，提取轨顶、轨枕、轨底的斜率、长度、位置等特征及扣件系统的图像指纹特征，将特征传输至轨道异常状况检测及定位模块。
[0097]
实时轨道特征提取模块：根据接收的实时影像，提取轨顶、轨枕、轨底的斜率、长度、位置等特征及扣件系统的图像指纹特征，将特征传输至轨道异常状况检测及定位模块。
[0098]
轨道异常入侵检测及定位模块：对比正常状态下的轨顶、轨枕、轨底特征，与实时图像轨顶、轨枕、轨底特征；同时，计算正常状态扣件系统与实时扣件系统的图像指纹的汉明距离，分析轨道入侵的位置、面积及变化趋势。
[0099]
深度学习神经网络积水检测模块：采用历史视频素材训练resnet残差网络模型，提取异物入侵区域的颜色、纹理等多种图像特征输入训练好的网络模型，实现积水的有效识别。
[0100]
积水深度检测模块：当检测到轨道异常入侵物为积水时，以轨顶、轨枕、轨底和扣件系统为标志位，分析无异物入侵正常状态下标志位区域图像，与实时标志位区域图像的相似度，判断积水是否淹没标志位。
[0101]
智能预警模块：分析积水面积、深度及随时间的演变趋势，提供定量的积水严重等级判断，启动相应的应急措施，通过警报器、系统警报、app警报、微信小程序警报、短信警报等，推送给相关工作人员进行处理。
[0102]
一种基于多特征的城轨防汛预警方法及系统，包括如下步骤(如图2)：
[0103]
步骤1、视频流抽帧解码及格式转化。
[0104]
获取视频流并抽帧、解码、格式转换，得到rgb格式的连续帧图像。
[0105]
步骤2、图像预处理。
[0106]
对连续帧图像进行图像增强、去噪，提高图像质量。对图像进行裁剪，并缩放至指定尺寸，以提高检测效率和准确度。
[0107]
步骤3、提取背景图像。
[0108]
获取无异物入侵正常状态下的轨道监控视频，采用统计直方图法提取监控视频影像的背景影像。为了尽可能地消除噪声对背景图像的影响，对最近一段时间内n帧图像中每一个像素位置出现的像素值以及各像素值出现的次数进行统计，选取每个像素位置出现次数最多的n/10个像素值，以出现的次数作为权重加权计算得出该像素位置的背景像素值。计算公式如下：
[0109][0110]
式中，nk(i,j)为背景影像在像素位置(i,j)处出现次数最多的n/10个像素值，ck为nk(i,j)对应的权重。
[0111]
步骤4、铁轨特征提取。(如图2)
[0112]
步骤4.1、将铁轨区域图像分割成大小相同的切片单元，在每个切片单元中铁轨的
轨顶、轨枕、轨底通常呈现直线状态，因此在边缘检测之后的二值图像中也会表现为直线形态。
[0113]
对于支承式轨枕的轨道，提取各个切片单元的轨顶、轨底、轨枕直线特征。
[0114]
(如图3)
[0115]
步骤4.1.1、采用otsu算法将接收的背景影像分割为二值化图像，采用sobel边缘算子与canny边缘算子相结合的边缘检测法对二值化图像中的轨道边缘进行提取。
[0116]
步骤4.1.2、通过hough变换检测出图像中的直线，根据直线的截距和角度信息确定直线的位置。
[0117]
每一条直线采用参数方程(ρ,θ)来表示：
[0118]
ρ＝x*cosθ y*sinθ
[0119]
设定θ的步长，对切片单元中的每一个像素进行极坐标变换，将变换后对应的累加器加一。设置阈值t，累加器中大于阈值t对应的点即可确定一条直线。
[0120]
步骤4.2、对于埋入式和嵌入式轨枕的轨道，提取各个切片单元的轨顶、轨底直线特征，及各个扣件系统区域的图像指纹特征。(如图4)
[0121]
步骤4.2.1、提取各个切片单元的轨顶、轨底直线特征的算法同步骤4.1。
[0122]
步骤4.2.2、对各个切片单元进行图像增强及小波去噪处理，并采用双线性内插法调整大小。
[0123]
步骤4.2.3、提取各个切片单元的色调h通道、饱和度s通道和亮度值v通道图像，归一化hsv信息：
[0124]
步骤4.2.4、分别提取h通道、s通道、v通道像素平均值特征，如下式。
[0125][0126]
式中，n和m别表示切片单元的高和宽，pij表示h、s、v每个通道上第i行第j列的像素值。
[0127]
步骤4.2.5、分别提取h通道、s通道、v通道离散余弦变换矩阵，如下式。
[0128][0129]
式中，n和m别表示切片单元的高和宽，f(x,y)表示h、s、v每个通道上第i行第j列的像素值。
[0130]
计算dct矩阵的平均值：
[0131][0132]
式中，n和m别表示切片单元的高和宽。
[0133]
步骤4.2.6、分别计算各个切片单元h通道、s通道、v通道的像素平均值e和dct矩阵
的平均值p后，最终得到一个切片单元的6维特征。对每维特征分别设置阈值，若特征值大于阈值则置为1，否则置为0，得到各个切片单元的哈希序列。将一帧图像各个切片单元的哈希序列按顺序组合在一起就构成了该帧图像基于hsv空间分析的指纹特征。
[0134]
步骤5、轨道异常入侵检测及定位模块
[0135]
步骤5.1、轨顶、轨枕、轨底异常入侵检测
[0136]
对各个实时切片单元采用步骤4.1的算法进行轨道线特征提取，若检测无直线，则判断该轨道区域存在异物入侵。
[0137]
若检测到直线，将检测得到的直线长度、角度等参数与无异物入侵正常状态下的轨道参数相比较，若偏差超出阈值，则判断该区域存在异物入侵。
[0138]
δangle＝|aactual-anormal|＜c1
[0139]
δlength＝|lactual-lnormal|＜c2
[0140]
式中，c1、c2分别代表直线长度阈值及直线角度阈值。
[0141]
通过多帧置信度分析的策略，提高入侵检测的准确率。在检测异物入侵的同时，启动计数器c、cw，c、cw、分别表示检测累计帧数和异物入侵累计帧数，每识别一帧，则c累加1，如分类结果为异物入侵，则cw累加1，当c累计到200帧，计算异物入侵置信度αw，按以下公式计算：
[0142][0143]
设置置信度阈值l，当αw》l，判定发生异物入侵。
[0144]
步骤5.2、扣件系统相似度检测
[0145]
针对埋入式和嵌入式轨枕的轨道，计算各个切片单元中扣件系统区域与无异物入侵正常状态下扣件系统区域指纹特征的汉明距离。
[0146]
通过异或操作逐位比较各个切片单元中扣件系统区域的h分量、s分量、v分量哈希序列，以h分量的汉明距离计算为例：
[0147][0148]
式中，xh[i]为实时图像各个切片单元中扣件系统的h分量的指纹特征，yh[i]为异物入侵正常状态下扣件系统区域的h分量的指纹特征。
[0149]
以此类推，分别计算出s分量、v分量的汉明距离。
[0150]
根据h、s、v不同分量的权重，计算最终的加权相似度值：
[0151][0152]
式中，c＝h、s、v分别表示h通道、s通道、v通道，wc表示c分量对应的权重，dc表示c分量对应的汉明距离。
[0153]
汉明距离越大则说明图像的不一致程度越高，反之，汉明距离越小则说明图像越相似。设置阈值t，若汉明距离超过t，判断该扣件系统区域存在积水等异物入侵，否则，判断该扣件系统区域无异物入侵。
[0154]
步骤5.3、异物入侵位置、面积及演变趋势检测
[0155]
(1)异物入侵位置检测
[0156]
从空间数据库中检索识别为异物入侵的切分单位像素坐标对应的实际空间像素坐标，并计算重心坐标。
[0157]
(2)异物入侵面积检测
[0158]
计算异物入侵区域面积：
[0159][0160]
式中，qn为检测异物入侵的第n个切片单元的实际面积，n为检测到异物入侵的切片单元总数。
[0161]
(3)异物入侵区域位置、面积演化趋势分析
[0162]
以异物入侵区域位置演化趋势分析为例，对检测出的位置qk采用最小二乘法拟合得出曲线函数并求偏导，得出变化度量值用于评估灾情趋势变化情况。
[0163]
步骤6、深度学习神经网络积水检测
[0164]
当检测到轨道区域存在异物入侵后，分割异物入侵区域图像，进行积水属性检测。从往期监控视频中采集大量备选图像样本，标注积水信息，对每幅图像预处理后，分别提取输入图像的颜色、纹理和轮廓，作为resnet残差网络并行通道的输入，训练完成后用于实时图像的检测。设置resnet残差网络共50层，其中，1～20层的卷积核大小为7
×
7，21～40层卷积核的大小为5
×
5，41～50层的卷积核心大小为3
×
3；第50层采用softmax分类器。
[0165]
步骤7、积水检测置信度计算
[0166]
通过多帧置信分析的策略，提高积水检测的准确率。在提取图像进行分类的同时，启动计数器c、cw，c、cw、分别表示检测帧数和积水检测结果累计帧数，每识别一帧，则c累加1，如分类结果为积水，则cw累加1，当c累计到一定帧数，计算积水置信度αw，按以下公式计算：
[0167][0168]
设置置信度阈值l，当αr》l，判定类别为积水。
[0169]
步骤8、积水深度检测模块
[0170]
针对承接式轨枕的轨道，以轨顶、轨底、轨枕为深度标志位；针对埋入式和嵌入式轨枕的轨道，以轨顶、轨底、扣件系统为深度标志位。当判定检测区图像为积水时，依次分割各深度标志位图像，提取标志位区域的图像指纹特征，结合无积水正常状态轨顶的图像指纹特征，采用基于汉明距离的图像特征相似度判定法，检测该深度标志位是否积水。
[0171]
以检测积水是否淹没轨底为例，按照下式计算积水状况下标志位区域的图像指纹特征与无积水正常状态轨顶的图像指纹特征的汉明距离：
[0172][0173]
式中，p[i]为实时图像中轨底标志位的指纹特征，q[i]为无积水状态下轨底标志位的指纹特征。
[0174]
设置阈值d，当相似度s(x,y)小于阈值d时，判定积水深度未达到轨顶；反之，则积水深度达到轨顶。
[0175]
步骤9、智能预警
[0176]
根据积水面积和深度数据，综合分析得到灾害严重程度级别，启动相应的应急措施，智能预警包括光电警报器、系统警报、app警报、微信小程序警报、短信警报等。
[0177]
本发明提供的技术方案，能够实现如下几点功能：
[0178]
1、利用城轨现有的摄像头资源，监控无异物入侵正常状态下的铁轨视频影像，采用图像处理技术有效、准确地提取复杂背景下的铁轨区域；
[0179]
2、将监控区域多个摄像头拍摄图像中铁轨区域分割成多个切片单元，获取每个切片单元对应的实际空间坐标和实际空间面积，建立监控区域空间数据库；
[0180]
3、综合运用hsv空间分析、边缘检测、霍夫变换等技术，提取背景图像和实时图像中各个切分单元中的轨道轨顶、轨枕、轨底的斜率、长度、位置等特征，以及扣件系统的图像指纹特征；
[0181]
4、将轨道特征输入铁轨异常入侵检测模型，分析背景图像和实时图像的汉明距离及铁轨斜率、长度、位置等特征变化情况，检测轨道异物入侵区域的坐标、面积及变化趋势；
[0182]
5、基于深度学习的resnet残差网络模型，从轨道监控区域历史视频中采集积水、积雪等素材，经截取和标注后构建样本库训练轨道区域入侵异物识别系统，实现轨道障碍物属性的有效识别；
[0183]
6、以轨道轨顶、轨枕、枕木及扣件系统为积水深度检测标定位，当识别轨道障碍物为积水时，分析实时图像标志位区域与无积水正常状态下标志位区域的相似度，判断标志位是否被淹没，实现积水深度检测；
[0184]
7、根据积水检测结果，启动相应的应急措施，通过系统警报、app警报、微信小程序警报、短信警报等方式推送给相关工作人员进行处理。
[0185]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。