[发明专利]一种基于迁移学习的特殊场景下铁路异物侵限检测方法

权利要求书

1.一种基于迁移学习的特殊场景下铁路异物侵限检测方法，其特征在于，包括以下步骤：

S1：数据收集；

S2：数据扩充：利用图像风格转换器将图像转换成不同域的图像，实现图像风格的迁移；

S3：数据处理；

S4：目标检测与跟踪。

2.根据权利要求1所述的一种基于迁移学习的特殊场景下铁路异物侵限检测方法，其特征在于，所述步骤S1中数据收集的方法为：

在铁路区域布置红外高清相机，采集不同时段、不同天气情况下的铁路样本图像；通过网络途径搜集相同场景下的铁路图像与非铁路图像。

3.根据权利要求1所述的一种基于迁移学习的特殊场景下铁路异物侵限检测方法，其特征在于，所述步骤S3中数据处理的方法为：

通过对现有的图像数据进行旋转和/或镜像和/或下采样，进行归一化处理，增加噪声和模糊处理，增加学习样本的复杂性，提高模型学习效果；

再对全部数据样本进行标定，并制作XML文件和LMDB文件，满足模型训练要求。

4.根据权利要求1所述的一种基于迁移学习的特殊场景下铁路异物侵限检测方法，其特征在于，所述步骤S4中目标检测与跟踪的方法为：

通过多尺度特征图对每个目标周围的深层特征进行检测识别；

从深度神经网络不同层特征图中提取目标特征，能够自然地加入更多的目标尺度信息；

采用梯度方向直方图特征配合检测结果进行特定目标跟踪，绘制跟踪轨迹。

5.根据权利要求1所述的一种基于迁移学习的特殊场景下铁路异物侵限检测方法，其特征在于，所述步骤S2中，图像风格的迁移方法为：

图像风格转换器G可以将X域的图像转换为Y域的风格，而F可以将Y域的图像转换为X域的风格，X域的图片经过图像风格转换器G转换为G(X)之后，G(X)也可以通过图像风格转换器F转换为X；同样地，Y域的图片经过F转换为F(Y)之后，F(Y)也可以通过G转换为Y。即参照以下模型进行：

G(X)≈Y F(Y)≈X

F(G(X))≈X G(F(Y))≈Y；

最终实现X域和Y域图像风格的相互迁移。