基于RGB-D视频的地铁异物风险检测方法研究

地铁异物影响乘客出行安全和列车行车安全,随着自动驾驶时代的到来,采用先进技术检测地铁异物风险是保障地铁安全的重要途径。深度传感器广泛应用在目标检测等领域,弥补彩色信息不足。因此本文采集地铁列车门及屏蔽门间风险区域的RGB-D视频,设计融合深度和颜色信息的异物风险检测算法。首先,提出RGB-D+背景建模(ViBe)算法的异物目标检测方法,通过新增深度模型和融合深度和颜色的像素模型,并在模型更新策略中增加深度判断条件,实现对异物目标的准确检测;然后通过基于RGB-D+最小外接矩形法的异物尺寸近似计算方法,完成异物风险判断。研究结果表明:提出的RGB-D+ViBe异物目标检测方法在不同光照环境下达到90%以上的准确率,鲁棒性和准确性明显高于基于单一图像的ViBe算法;同时异物尺寸方法检测精度达到1mm,能够准确判断异物风险。

SOM与HL融合的地铁异物分类算法

地铁站台门与列车门之间异物的检测和对异物的种类判别是保障乘客安全乘车和列车安全运行的基础。使用改进的Self-organizing Map(SOM)分别学习训练图片的数据分布和分类标签的数据分布,再通过Hebbian Learning(HL)学习图片SOM神经元和对应标签SOM神经元之间的数学关并编码在HL矩阵中,最后以查表方式完成异物分类。研究结果表明:改进的SOM+HL模型把分类准确率从原始模型的64.44%提高到72.6%;增加PCA(Principal components analysis)模块的SOM+HL模型使异物检测分类器的分类准确率从72.6%提高到86.2%,且其在NannoPC-T2嵌入式板上的检测速度从45FPS提高到60FPS,在满足分类精度的同时也实现了异物实时分类。且有PCA模块的模型在NannoPC-T2嵌入式板上检测速度为60FPS,移除PCA模块后其在NannoPC-T2嵌入式板上的检测速度为45FPS。