[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

说明书

本发明提出了一种基于迁移学习的特殊场景下铁路异物侵限检测方法，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。本发明首先针对恶劣天气环境和夜晚场景下训练样本过少的问题，将常规场景样本迁移到相应场景下，建立不同天气、不同时间条件下的铁路场景目标样本库；其次，基于深度卷积神经网络，通过目标检测SSD算法与CAFFE框架的结合，实现铁路场景下异常目标的检测，再结合生成的复杂样本库，实现基于迁移学习的复杂天气情况下的模型训练，利用模型的目标检测、跟踪与行为分析。

技术领域

本发明涉及铁路异物侵限检测领域，特别是涉及一种基于迁移学习的特殊场景下铁路异物侵限检测方法。

背景技术

行人、动物、边坡落石等高危异物进入铁路周界会给列车的行车安全带来巨大威胁。因此，对异常事件进行实时的检测预警工作，对于保障列车运行安全具有重大意义。目前铁路异物侵限检测主要有两种方法：接触式铁路异物检测和非接触式铁路异物检测。接触式检测技术包括双电网布防检测方法、光纤光栅方式检测等；非接触式检测技术包括雷达技术、红外对射技术、基于视频分析等。其中基于视频分析的检测方法，利用相机采集视频后，后端进行检测分析处理，能够实时的进行检测预警，使用较为广泛。然而该类方法在特殊场景下容易受到环境因素的干扰，检测效果存在一定缺陷，影响实际使用中的正常工作。

对于夜晚场景下的高效检测是重点之一。在夜晚场景下，通过高清红外相机所获取到的实时图像，区别于白天获取的图像，夜晚红外图像存在不具备颜色特征、图像内质量偏低、纹理信息不足和区分度不高的问题。由于夜晚普通场景样本和夜晚铁路场景样本数量较少，采用传统深度学习所实现的检测算法训练，并不能达到良好的检测效果。为了解决这个问题，使用迁移学习方法，将铁路场景训练样本赋予夜晚场景特征，增大学习样本的数量，提高检测模型对夜晚场景的适应性与检测效果。

对于极端恶劣天气的高效检测也是重点之一。雨雪，雾霾等特殊天气会严重影响检测图像的成像效果，从而影响检测效果。首先利用傅里叶变换降低各种背景条件对图像检测的干扰，降低噪声的影响；然后进行提升检测模型的检测能力工作，利用迁移学习增大特殊天气场景训练样本，提高模型对特殊天气场景的适应性，以此提升模型在特殊天气场景下的检测效果。

既有研究方法使用的训练样本过于简单，无法对特殊天气、夜晚场景和铁路场景的复杂图像检测取得良好的效果，因而很难满足在实际应用中的要求，使用价值较低。为满足场景特殊性的实时检测效果要求，通常需要人工采集大量学习样本，但铁路场景下特殊天气和夜晚场景的样本采集难度大，样本量少，无法达到良好的学习效果，难以对检测效果进行提升。

发明内容

铁路异物侵限检测是保障铁路安全重要的手段之一。在列车正常行驶中，如若不能及时检测出异物侵入铁路周界，就可能引发重大的交通事故，造成严重危害。因此，高效可靠的铁路异物侵限检测方法具有很重大的应用价值。常用的检测方法能够在光线良好、干扰噪声少、场景复杂性低的状态下，取得较为良好的检测效果，但是在夜晚以及特殊天气场景下，检测图像受到多种因素影响，检测效果并不能满足具体使用的要求。为了提高检测效率以及检测工作的可靠性，本发明结合迁移学习与深度学习实现复杂情况下铁路异物侵限的高效可靠检测，提出了一种基于迁移学习的特殊场景下铁路异物侵限检测方法。

为了解决上述技术问题，本发明采用以下技术方案：

一种基于迁移学习的特殊场景下铁路异物侵限检测方法，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。

作为优选的技术方案，所述步骤S1中数据收集的方法为：