[发明专利]一种基于超快速结构感知深度网络的地铁轨道识别方法

说明书

本发明公开了一种基于超快速结构感知深度网络的地铁轨道识别方法，包括摄像机拍摄地铁轨道视频，并逐帧提取构成地铁轨道数据集；对地铁轨道数据集进行类别划分和轨道线标注；将地铁轨道图像数据集逐张送入超快速结构感知深度网络轨道识别模型中得到预测结果，所述超快速感知深度网络轨道识别明星包括特征提取模块、辅助模块及组分类模块。本方法不仅可以在低时延条件下检测并识别出地铁轨道所在位置，还能有效应对因恶劣光照条件下难以提取检测物体特征而导致无法识别物体的问题。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于超快速结构感知深度网络的地铁轨道识别方法。

背景技术

现有的地铁轨道检测识别模型一部分基于传统的图像处理算法提取特征点从而得到轨道轮廓，可能因为图像模糊或待检测物体边缘光滑导致特征提取无法起到作用，且实时性不高；另一部分使用到的算子的参数和阈值需要根据手工设定，鲁棒性较差。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种基于超快速结构感知深度网络的地铁轨道识别方法。

本发明采用超快速结构感知深度网络轨道识别模型，解决了现有的地铁轨道检测识别方法因为图像质量或者待测物体边缘光滑等原因导致的特征提取失败的问题，可达到实时性检测识别效果，鲁棒性较强。

本发明采用如下技术方案：

一种基于超快速结构感知深度网络的地铁轨道识别方法，包括：

摄像机拍摄地铁轨道视频，并逐帧提取构成地铁轨道数据集；

对地铁轨道数据集进行类别划分和轨道线标注；

将地铁轨道图像数据集逐张送入超快速结构感知深度网络轨道识别模型中，所述超快速感知深度网络轨道识别明星包括特征提取模块、辅助模块及组分类模块，具体过程为：

特征提取模块对地铁轨道图像数据集进行特征提取；

当超快速结构感知深度网络轨道识别模型处于训练阶段，则提取特征输入辅助模块，进行语义分割输出轨道特征向量；

当超快速结构感知深度网络轨道识别模型处于非训练阶段，则提取特征输入组分类模块，对提取特征进行轨道线检测与识别，得到预测轨道位置。

进一步，使用具备结构感知的损失函数训练超快速结构感知深度网络轨道识别模型。

进一步，损失函数包括两部分，分别为L1范数和softmax函数。

进一步，所述组分类模块采用基于行锚的行选择算法对特征提取模块的特征进行分类。

进一步，所述特征提取模块以Resnet-34网络为基础，共含34层，包括高层网络及低层网络。

进一步，每一层操作包括3×3或7×7且步长为1或2的卷积操作。

进一步，使用恒等映射直接把低层网络特征输入高层网络使用。

进一步，层与层之间的通道数不相同。

进一步，所述辅助模块基于DeepLab模型。

本发明的有益效果：

本发明通过深度学习网络模型，针对地铁轨道所处的特殊场景，提出了适用于检测和识别地铁轨道特征的行选择算法和具有结构感知的损失函数。本申请提案不仅可以在低时延条件下检测并识别出地铁轨道所在位置，还能有效应对因恶劣光照条件下难以提取检测物体特征而导致无法识别物体的问题。

附图说明

图1是本发明的工作流程图；

图2是本发明超快速结构感知深度网络轨道识别模型的结构示意图；