基于连通域分割与SVM的城轨百米标检测与识别算法

城轨道路沿线的百米标志牌是统计行车里程、辅助建图定位的重要参考信息,对其的检测与识别将有助于轨道交通车辆的智能驾驶与维护。文章基于传统的检测与识别技术归纳总结了一种百米标检测识别通用算法,其基于收缩算法进行检测定位,再基于模板匹配进行百米标上的数字识别;同时,对通用算法进行了优化改进,提出了一种基于连通域分割检测与支持向量机(SVM)数字识别的百米标检测识别算法。首先,在对图像进行二值化、形态学填充等预处理后,基于连通域分割剔除噪点斑块并完成百米标定位;然后,对定位得到的百米标进行背景噪点剔除、倾斜校正及字符分割;最后,再将获得的字符输入SVM模型进行识别。实验结果表明,优化后的算法对于百米标的检测准确率提升了约34.4个百分点,识别准确率提高了约25.6个百分点。

基于改进YOLOv3的列车运行环境图像小目标检测算法

列车辅助驾驶离不开对列车运行环境的实时检测,而列车运行环境图像存在丰富的小目标。与大中型目标相比,目标占原图比例小于1%的小目标由于分辨率低而存在误检率高、检测精度较差的问题,因此提出一种基于改进YOLOv3的列车运行环境目标检测算法YOLOv3-TOEI (YOLOv3-Train Operating Environment Image)。首先,利用k-means聚类算法优化anchor,从而提高网络的收敛速度;然后,在DarkNet-53中嵌入空洞卷积以增大感受野,并引入稠密卷积网络(DenseNet)获取更丰富的图像底层细节信息;最后,将原始YOLOv3的单向特征融合结构改进为双向自适应特征融合结构,从而实现深浅层特征的有效结合,并提高网络对多尺度目标(特别是小目标)的检测效果。实验结果表明,与原YOLOv3算法相比,YOLOv3-TOEI算法的平均精度均值(mAP)@0.5达到84.5%,提升了12.2%,每秒传输帧数(FPS)为83,拥有更好的列车运行环境图像小目标检测能力。

轨道交通低能见度场景图像增强系统研究

目标检测、语义分割等视觉任务应用于轨道交通的众多场景,大多数视觉系统被设计为在清晰的环境中执行,然而真实的轨道交通场景必然会包含退化的图像场景,列车一年四季在外遇到的恶劣的天气,以及面对隧道、夜间等环境中较差的照明,这些退化的图像会降低高级视觉任务的性能。本文关注于在恶劣天气(雾天,降雨)和弱光条件导致的能见度低的场景下进行图像增强,改善退化图像质量,为此,本文提出了一种轨道交通低能见度场景图像增强系统,可以自适应地对天气和照度进行分类并对分类后得到的低照度、雾天和雨天这三种场景图像进行增强。将该系统运用于轨道交通场景下的多目标检测以及语义分割应用中,实验结果表明,对于低照度图像以及雾天图像,本文系统可以提升多目标检测及语义分割约1%的准确率,对于雨天图像,本文系统可以提升多目标检测及语义分割4%以上的准确率。

基于人体骨骼信息的列车司机行为智能识别

文章提出了一种基于骨架识别的人体姿态捕捉预测算法,用于识别列车驾驶员违章行为。该方法是将司机作业监控视频拆分成一组连续的图片组合,然后通过构建深度学习模型网络预测每一帧图片中的人体姿态,并使用逻辑回归模型对司机行为进行分类,最终,通过将识别出的司机行为与LKJ数据相关联,裁定司机行为是否违章。该方法比目前机务段靠人工抽检的方式更加高效合理,但其识别效果受限于车载摄像头清晰度。

列车轴温趋势性异常分类、检测方法研究及应用

引入主成分分析方法,利用主贡献率和第一权重值的极大极小值差(以下简称"极差")刻画列车轴温波动一致性。通过对大量历史轴温数据进行上述指标提取,并计算指标取值的分布,由此说明利用主贡献率和极差进行轴温异常检测的合理性。同时给出了一种完备的轴温趋势分类方法,提出了基于数据的轴温异常检测指标阀值设定方法。