尺度自适应的铁路异物侵限PSA-Kcf降维跟踪方法

基于深度学习的铁路异物侵限快速检测方法王辉;姜朱丰;吴雨杰;范自柱;罗国亮;杨辉【期刊名称】《铁道科学与工程学报》【年(卷),期】2024(21)5【摘要】针对列车运行环境内因意外突发事件所造成的异物侵限而影响列车安全运行的问题,在被广泛应用于工业领域的YOLOv3目标检测模型的基础之上,提出一种融合轨道限界和侵限异物识别的快速检测方法。

首先,以ResNet-18网络作为铁路限界检测的主干网络,利用辅助检测模块提升限界检测精度,达到特征提取速度快,语义信息丰富充足等目标。

同时采用基于行锚框的分割算法检测轨道线坐标位置,结合标准轨距下的限界定义确定铁路异物入侵限界的范围,以减少侵限异物检测的区域。

其次,设计基于Octave卷积的层内多尺度残差模块,将单通道卷积变为基于图像频率的双通道卷积,以降低卷积计算量,进一步提升异物侵限算法的检测速度。

最后,引入空间金字塔模块和特征自适应融合模块,实现高、低级语义信息交换,从而增加网络对不同尺度目标的感知能力,并减少语义冲突问题。

通过对比实验验证异物侵限检测算法的精度、速度和有效性。

实验结果表明,所述方法能以172帧/s的速度对轨道位置和限界区域进行检测,精确度达98.12%。

与其他算法相比,在大中小3种目标尺度上都超越了其他对比算法。

所提出的融合轨道限界和侵限异物检测的方法,在保证精度的前提下,速度达到YOLOv3算法的2倍,能够满足列车对侵限异物的实时检测需求。

【总页数】13页(P2086-2098)【作者】王辉;姜朱丰;吴雨杰;范自柱;罗国亮;杨辉【作者单位】华东交通大学软件学院;江西省先进控制与优化重点实验室;南昌虚拟现实研究院股份有限公司【正文语种】中文【中图分类】TP391;U216.3【相关文献】1.铁路侵限异物检测方法综述2.基于YOLO的铁路侵限异物检测方法3.基于CNN 的高速铁路侵限异物特征快速提取算法4.基于快速DBSCAN聚类的铁路异物侵限检测算法5.基于深度学习的铁路异物侵限检测模型因版权原因，仅展示原文概要，查看原文内容请购买。

KCF（Kernelized Correlation Filters）是一种在计算机视觉领域广泛使用的跟踪算法。

然而，KCF算法在处理目标尺度变化和遮挡问题时存在一定的挑战。

为了解决这些问题，我们提出了一种基于尺度自适应和遮挡重定位机制的KCF改进算法。

首先，我们引入了一个自适应尺度机制来处理目标尺度变化的问题。

在传统的KCF算法中，跟踪框的大小是固定的，这使得算法在目标尺度变化时容易失效。

为了解决这个问题，我们根据目标的运动信息和周围环境的特征，动态调整跟踪框的大小，以适应目标尺度的变化。

具体来说，我们使用一个滑动窗口来检测目标的运动信息，并根据窗口内目标的特征计算出一个自适应的尺度因子。

然后，我们将这个尺度因子应用于KCF算法中的滤波器，以调整滤波器的大小和响应范围。

其次，我们引入了一个遮挡重定位机制来处理目标遮挡的问题。

当目标被其他物体遮挡时，KCF算法可能会出现跟踪失败的情况。

为了解决这个问题，我们采用了一种基于背景减除的方法来检测遮挡。

具体来说，我们使用一个背景减除器来计算出前景图像和背景图像的差异，并根据差异的大小来判断目标是否被遮挡。

如果目标被遮挡，我们将会重新定位跟踪框的位置，以避免遮挡对跟踪结果的影响。

在实现上，我们使用OpenCV库进行算法的开发和测试。

我们首先对输入的视频帧进行预处理，包括灰度化和滤波等操作。

然后，我们根据预处理后的图像计算出目标的位置和尺度信息，并根据这些信息初始化KCF算法的滤波器和跟踪框。

在每一帧中，我们使用KCF 算法计算出目标的响应图，并根据响应图和自适应尺度因子调整跟踪框的位置和大小。

同时，我们使用背景减除器检测遮挡情况，并根据遮挡情况重新定位跟踪框的位置。

最后，我们将跟踪结果输出到控制台或保存到文件中。

实验结果表明，我们的改进算法在处理目标尺度变化和遮挡问题时具有更好的性能。

在多个标准数据集上的测试结果表明，我们的算法在大多数情况下都能够准确地跟踪目标，并且在处理目标尺度变化和遮挡问题时具有更高的鲁棒性。

基于深度学习的铁路异物侵限检测算法研究基于深度学习的铁路异物侵限检测算法研究摘要：随着铁路交通的不断发展，保障铁路安全运营成为一项重要任务。

铁路异物侵限是指在铁路线路上出现的各种外来物体，如树木、杂草、建筑物等，它们可能会对列车正常运营造成严重威胁。

因此，提出一种高效准确的铁路异物侵限检测算法对于铁路运输的安全至关重要。

本文基于深度学习的技术，针对铁路异物侵限问题进行了研究，提出了一种基于深度学习的铁路异物侵限检测算法，并通过实验验证了算法的有效性。

一、引言近年来，随着我国铁路交通的高速发展，铁路运输已成为我国重要的交通方式之一。

然而，铁路线路上常常会出现各种外来物体，如杂草、树木、建筑物等，它们可能会对铁路的安全运营构成威胁。

因此，铁路异物侵限检测成为一项关键技术，能够有效保障铁路的安全运营。

二、铁路异物侵限检测算法的相关工作在以往的研究中，人工特征提取和传统的机器学习算法被广泛应用于铁路异物侵限检测中。

然而，这些方法往往依赖于手工设计的特征，无法自动学习和表示复杂的图像特征。

而深度学习则能够通过多层网络自动学习特征表示，因此近年来深度学习在图像识别领域取得了显著成果。

三、基于深度学习的铁路异物侵限检测算法本文提出了一种基于深度学习的铁路异物侵限检测算法，该算法主要分为数据预处理、网络结构设计和模型训练三个步骤。

首先，对采集到的铁路图像进行预处理。

包括图像的大小调整、图像增强等操作，以提高图像输入网络的质量。

其次，设计了一种卷积神经网络结构用于提取图像特征。

该网络包含多个卷积层、池化层和全连接层，能够有效地学习图像的抽象表示。

最后，通过对大量标注好的铁路图像进行模型训练，优化网络参数。

训练过程中，采用了交叉熵损失函数和梯度下降法进行网络训练，以提高算法的准确性和鲁棒性。

四、实验结果与分析本文在铁路异物侵限检测数据集上进行了实验。

实验结果表明，本文提出的基于深度学习的铁路异物侵限检测算法相比传统方法具有更高的准确率和鲁棒性。

KCF追踪⽅法流程原理读"J. F. Henriques, R. Caseiro, P. Martins, J. Batista, 'High-speed tracking with kernelized correlation filters'" 笔记KCF是⼀种鉴别式追踪⽅法，这类⽅法⼀般都是在追踪过程中训练⼀个⽬标检测器，使⽤⽬标检测器去检测下⼀帧预测位置是否是⽬标，然后再使⽤新检测结果去更新训练集进⽽更新⽬标检测器。

⽽在训练⽬标检测器时⼀般选取⽬标区域为正样本，⽬标的周围区域为负样本，当然越靠近⽬标的区域为正样本的可能性越⼤。

注意论⽂中关于向量是⾏向量还是列向量总是指⽰不清楚，所以本⽂对变量符号统⼀之后进⾏推导，⾸先所有的⼩写字母均表⽰列向量，所有的⼤写字母表⽰矩阵，其中矩阵的每⼀⾏是⼀个样本，⽂中的函数除了是对⾏向量操作，其余都是对元素操做的，四则运算符号也都是针对元素操作的。

还有所有对循环矩阵使⽤傅⾥叶变换时使⽤的⽣成向量都是循环矩阵的第⼀⾏向量，这点很重要。

KCF的主要贡献使⽤⽬标周围区域的循环矩阵采集正负样本，利⽤脊回归训练⽬标检测器，并成功的利⽤循环矩阵在傅⾥叶空间可对⾓化的性质将矩阵的运算转化为向量的Hadamad积，即元素的点乘，⼤⼤降低了运算量，提⾼了运算速度，使算法满⾜实时性要求。

将线性空间的脊回归通过核函数映射到⾮线性空间，在⾮线性空间通过求解⼀个对偶问题和某些常见的约束，同样的可以使⽤循环矩阵傅⾥叶空间对⾓化简化计算。

给出了⼀种将多通道数据融⼊该算法的途径。

⼀维脊回归脊回归设训练样本集,那么其线性回归函数,是列向量表⽰权重系数，可通过最⼩⼆乘法求解其中⽤于控制系统的结构复杂性，也就是VC维以保证分类器的泛化性能。

写成矩阵形式其中的每⼀⾏表⽰⼀个向量，是列向量，每个元素对应⼀个样本的标签，于是令导数为0，可求得因为后⾯实在傅⾥叶域内计算，牵涉到复数矩阵，所以我们将结果都统⼀写成复数域中形式其中表⽰复共轭转置矩阵。