[发明专利]一种铁路接触网鸟窝检测方法

说明书

本发明提供了一种铁路接触网鸟窝检测方法。该方法包括：根据包含鸟窝的图片通过逆向推理得到包含鸟窝区域的兴趣域图片，将兴趣域图片作为模板图片，根据所有模板图片构成模板库，利用模板库对第二级YOLO检测器进行训练；将不包含鸟窝的图片与模板库中的每个模板图片依次进行匹配，得到兴趣域图片数据集，利用兴趣域图片数据集对第一级YOLO检测器进行训练；将待检测图片输入训练后的第一级YOLO检测器，第一级YOLO检测器输出兴趣域图片，将兴趣域图片输入训练后的第二级YOLO检测器，第二级YOLO检测器输出待检测图片的鸟窝检测结果。本发明可以解决由于接触网中鸟窝信息量较少，缺乏显著的特征造成的识别困难，能够对铁路接触网进行有效的自动鸟窝识别检测。

技术领域

本发明涉及铁路接触网异物检测技术领域，尤其涉及一种铁路接触网鸟窝检测方法。

背景技术

当前，对于目表示别领域的相关研究已成为计算机视觉检测领域最受关注的热点之一。动态视频中目标的标记主要是通过分析图片传感器所采集到的图片序列，并对图片序列中感兴趣的目标场景进行提取，标记同一目标的像素区域，并对目标的位置、大小和廓形等信息进行识别。典型的目标标记识别方法有目标特征描述、特征信息提取以及目标特征匹配等步骤。通过将所要表示目标的特征信息例如位置、颜色、轮廓、纹理等进行提取，随后依托这些特征信息对于检测目标进行评估，从而判断目标是否能够与特征信息进行匹配从而完成对目标的标注。

目前，现有技术中的高速铁路接触网异物的检测方法包括：基于Faster R-CNN检测模型的检测、基于相对位置不变性的检测以及利用HOG(方向梯度直方图，HistogramofOriented Gradient)特征对铁路接触网上的鸟窝进行的检测。其中，基于Faster R-CNN检测模型的检测是引入了一个RPN(Region Proposal Network，区域生成网络)，用来对目标物产生候选区域。Faster R-CNN可以看作是由产生目标候选区的RPN网络和利用这些候选区域进行预测分类的Faster R-CNN检测组成。首先输入一张图片，向前传播到最后一个共享卷积层，一方面将得到的特征映射传送到RPN网络，另一方面继续向前传播产生更高维的特征映射。在RPN网络中，经过一系列的处理，产生多个候选区域和候选区域得分，对候选区域框采用非极大值过滤，以减少候选区数量。将大于设定阈值的候选区域和之前产生的高维特征映射一同输入到RoI池化层提取对应区域的特征，最后将该区域特征和全连接层连接输出目标分类和得分，以及bounding box目标定位框回归值。

基于相对位置不变性的检测则是利用机器视觉处理技术，在初步分析图片的颜色特征、纹理特征和形状特征等之后，结合鸟窝筑巢平台的特征，将预处理后的检测图片利用sobel水平边缘检测算子得到图片边缘，然后再利用概率Hough变换直线检测方法对图片进行角度校正，并结合待分析图片中线段长度关系实现最前景硬横梁的检测，最后对图片进行二值化处理，通过统计硬横梁之间的白色区域面积，判断该横梁上是否存在鸟窝。

利用HOG特征对铁路接触网上的鸟窝进行的检测是根据先验知识对鸟巢在图片中可能出现的区域进行粗提取，然后求出提取区域的HOG特征，最后通过支持向量机(SVM，support vector machines)根据图片的HOG特征对图片中的鸟巢进行精确的识别。因为神经网络在图片处理方面有着其他算法无可比拟的优势，所以国内有一部份学者把神经网络与传统的图片处理技术相结合，对图片中感兴趣的目标进行检测，以此方法可以有效地提升检测的速度与精度。

上述现有技术中的高速铁路接触网异物的检测方法的缺点为：在鸟窝检测的实际操作过程中，由于列车的运行环境变化多样，并且本身形态多样的鸟窝是位于复杂的接触网之中的，由此，基于HOG与DMP模型而搭建的识别系统其准确率和召回率都远达不到期望的标准。这是因为HOG和DPM这类传统识别模型采用的是人工提取特征作为检测模板再进行滑框匹配检测的方式。这类方式很容易受到形状、纹理特征的影响，因此在这种环境中存在的鸟窝很难提取出标准的检测特征。