基于智能视频分析铁路入侵检测.pptxVIP

09级数媒3班李婉 海丽丝200910013286200910013288基于智能视频分析的铁路入侵检测技术研究研究的主要问题及意义铁路作为一种传统的运输形式，在客运和货运中都占有很大的比重。由于其单次载重量较大，因而一旦发生事故，造成的人员伤亡和财产损失也很大。铁路入侵检测技术旨在通过对铁路监控视频的智能分析，在入侵物体物体出现时作出及时报警，防患于未然，以减少事故发生率。问题现状分析目前来看，铁路部门主要采取人工视频监控的手段来预防事故的发生。这种做法的主要弊端在于：一、效率低。由于连续监视会使人变得疲倦,容易产生疏漏。二、投入大。由于监控需要全天进行，因此投入的人力和财力相对较大。 相对于上面提到的两点弊端，铁路入侵检测技术的优势就在于它是完全的程序监控，效率相对较高而投入相对较低。主要步骤铁路入侵检测技术主要包括以下几个步骤：一、铁路入侵物体的检测、定位与跟踪 构建从动态的图像序列到人的语义概念之间的映射关系,从二维图像序列中定位、跟踪和识别其中的入侵物体二、铁路入侵行为的识别与分析 从运动物体的入侵行为做出语义分析三、实验平台的构建 用自然语言进行描述,并实现报警技术难点铁路入侵行为的识别与分析原因：在铁路环境下,监控的目标主要是人、动物、地方车辆以及其他物体。由于目标的运动具有不确定性,对于某个需要检测的行为而言,运动目标的运动轨迹中包含了许多我们不关心的行为段。解决方案：从目标的运动轨迹中选择感兴趣的部分进行分析。如果目标的运动轨迹中包含了使某一特定行为成立的轨迹段,则认为该行为发生了。整体流程具体步骤一、铁路入侵物体的检测、定位与跟踪1、采用背景差分法实现运动物体检测。 背景差分法就是在假设背景保持不变的条件下,记录背景图像,若当前帧图像中某个象素值与保存的背景图像对应象素的颜色值不同,则认为该象素所在位置为前景。一般使用图像减法来比较当前帧图像中象素值与背景图像对应象素之间的差异,因此这种技术也被称为“减背景”。2、入侵物体的定位 图像中运动物体的边界信息往往为运动跟踪提供了绝大部分信息。而获取目标轮廓的一般方法是先进行图像灰度分割得到目标, 然后提取目标轮廓边缘; 或是对图像作梯度运算获取边缘, 再进行边界跟踪或曲线拟合形成目标轮廓等。这些方法仅利用了图像的局部信息, 不但不稳定而且对噪声敏感。3、入侵物体的跟踪 由于图像中存在噪声以及定位算法存在误差等, 在对视频序列的每1 帧图像进行定位时得到的结果往往含有一定的误差, 这些误差将给后续处 理工作带来一定的困难, 因此需要1 个滤波器对 跟踪结果进行平滑处理; 此外滤波器还可以起到预测的作用, 可以对运动物体的当前状态进行估计和预测, 以缩小目标搜索匹配的范围, 从而加速目标匹配的速度。二、铁路入侵行为的识别与分析 采用基于轨迹点的行为模型C,C,P 对事件进行描述。为了描述方便, 以O 代替模型中第2 个字母C, 表示原子运动的集合, 构成新的模型形式为C,O,P 。其基本思想是, 首先将入侵行为分成若干个原子运动和子行为, 选择使目标行为发生的最小原子运动集合, 然后判断该集合中的所有原子运动是否发生, 若全部的原子运动在入侵物体的行为轨迹中都出现, 则认为识别出了该入侵行为。研究成果 （1) 研究了在铁路场景下基于智能视频分析的铁路入侵行为的检测技术, 这项技术可以在人不参与的情况下分析和识别出铁路上的入侵行为, 并对其进行语言描述, 对危险或有潜在危险的行为做出报警, 以提高铁路运营的安全性。 (2) 经过分析给出了基于智能视频分析的铁路入侵行为检测技术框架, 同时, 设计并实现了1 个铁路入侵检测实验系统平台, 在此平台上能够实现背景建模、运动检测与跟踪等功能, 初步实现了对入侵行为的识别和分析, 并对危险行为做出报警。