高速铁路周界快速识别算法研究

快速获取铁路周界的准确位置是高速铁路周界入侵视频智能分析技术的基础,对于高速铁路安全运营具有重要意义。为了实现各种线路场景的周界自动快速精确识别,提出基于多尺度信息融合的铁路周界识别深度神经网络模型LDNet,该模型不依赖传统目标检测算法所使用的大量预设锚框,直接利用不同尺度特征图上铁轨、护栏的特征点拟合得到精确的周界,计算量少并可适用于各种铁路场景。为进一步提高模型的实时性,提出基于特征相似度的深度神经网络裁剪准则,将网络尺寸从114.29 MB压缩至2.99 MB,压缩后网络精度几乎无损失,但单张图片计算耗时降低61.5%。通过多场景铁路视频图像进行验证,该算法识别精度达到96.37%,明显优于现有的其他算法,并且计算耗时最短。

基于鱼眼镜头的无盲区周界入侵识别系统研究

周界入侵识别已经慢慢成为智能视频监控系统的一项所必需的功能,使用鱼眼镜头作为视频采集节点的光学系统,较大型的监控场合只需布置少量的视频采集节点便可得到无盲区的周界环境信息。采用图像拼接技术和识别技术将服务器端收集到的信息拼接成全景视频图像并进行入侵行为识别,从而有效避免了针对多节点独立进行入侵识别的并行运算,可大大减轻系统对多CPU运算平台的依赖性,提高系统的可靠性。现场测试结果表明,使用该方案设计的周界入侵识别系统,可有效保证不出现识别盲区,在使用同一识别算法和同等级识别延时的前提下,大大降低对监控系统服务器的配置要求,特别是对处理器个数的要求。