基于视频深度学习的铁路周界入侵检测算法研究

被引：23

作者：

王瑞 ^{[1
]}

李霄峰 ^{[2
]}

史天运 ^{[3
]}

邹琪 ^{[2
]}

机构：

[1] 中国铁道科学研究院研究生部

[2] 北京交通大学轨道交通与数据挖掘北京市重点实验室

[3] 中国铁道科学研究院集团有限公司

来源：

交通运输系统工程与信息 | 2020年 / 20卷 / 02期

关键词：

铁路运输; 视频智能分析; 深度学习; 周界入侵检测; 特征金字塔; 空洞卷积;

D O I：

10.16097/j.cnki.1009-6744.2020.02.010

中图分类号：

U29-39 [运输管理自动化]; TP391.41 [];

学科分类号：

080203 ;

摘要：

基于视频智能分析的铁路周界入侵检测算法相比于雷达、振动光纤,具有成本低、误报率低的优点.针对视频中存在不同分辨率目标的问题,提出一种改进的Cascade Mask RCNN(CMR)模型,使用级联结构获得目标的准确定位.为增强模型对小目标的检测能力,在原始模型的基础上,增加基于特征金字塔网络(FPN)的多尺度特征提取模块和基于空洞金字塔汇聚(ASPP)子网络的空间上下文增强模块.在实际铁路周界入侵场景视频中验证了模型的有效性.结果表明,该模型可实现不同场景下的铁路周界入侵检测,相较于原始模型,新模型对小目标检测的F-measure提高了0.24.模型既解决了不同场景下铁路周界入侵检测问题,又有效地提高了视频智能分析对小目标检测的准确率.

引用

页码：61 / 68

页数：8

共 7 条

[1] 铁路轨道异物完整性检测与跟踪算法研究 [J].

牛宏侠 ;

张肇鑫 ;

宁正 ;

陈光武 .

交通运输系统工程与信息, 2019, 19 (01) :45-54

[2] 高速铁路周界入侵报警系统关键技术研究及应用 [J].

李一凡 .

铁道通信信号, 2017, 53 (07) :53-55+85

[3] 高速铁路周界防护技术研究 [J].

关晟 .

高速铁路技术, 2015, 6 (02) :63-67

[4]

基于视频识别的铁路入侵检测研究与实现.[D].李荣增.武汉理工大学.2016, 05

[5]

Foreground segmentation using convolutional neural networks for multiscale feature encoding.[J].Long Ang Lim;Hacer Yalim Keles.Pattern Recognition Letters.2018,

[6]

A deep convolutional neural network for video sequence background subtraction.[J].Mohammadreza Babaee;Duc Tung Dinh;Gerhard Rigoll.Pattern Recognition.2018,

[7]

Interactive deep learning method for segmenting moving objects.[J].Yi Wang;Zhiming Luo;Pierre-Marc Jodoin.Pattern Recognition Letters.2016,

← 1 →