基于自适应高斯混合模型的铁轨异物入侵检测研究

针对复杂铁路环境下异物入侵动态检测抗扰能力弱和快速性差等问题,本文提出了一种基于自适应高斯混合模型(adaptive Gaussian mixture model, AGMM)的铁轨异物入侵检测方法。通过分析铁路场景发生复合抖动时存在随机性的特点,首先对输入的铁路视频进行抖动检测,然后引入仿射变换与中值滤波,对视频序列中存在抖动的图像进行处理。再采用逐帧迭代填充的方法,对去抖后图像出现的黑边进行填充,得到无抖动和无黑边的铁路视频帧。最后,在现有高斯混合模型的基础上,设计了自适应选择高斯分布个数和学习率,利用改进后的高斯混合模型实现复杂铁路视频的背景建模,并由此提高前景目标的检测速度。实验结果表明,本文方法在铁路视频存在抖动的情形下,轨道异物入侵目标检测的精度是原有的2.6倍,检测速度是2.8倍,能提高目标检测的抗干扰性和快速性。