本發(fā)明涉及軌道交通安全，尤其涉及一種鐵路弱光環(huán)境的邊界動(dòng)態(tài)感知檢測(cè)方法。

背景技術(shù)：

1、近年來(lái)，中國(guó)鐵路網(wǎng)迅速擴(kuò)張，截至2024年11月，全國(guó)鐵路總里程達(dá)16萬(wàn)公里，其中高鐵里程達(dá)4.5萬(wàn)公里，周界安全帶來(lái)了巨大挑戰(zhàn)。入侵事件的風(fēng)險(xiǎn)不斷增加，威脅到列車運(yùn)行的安全，尤其是在夜間或隧道等光線不足的條件下，傳統(tǒng)的監(jiān)控和探測(cè)方法往往無(wú)法奏效。大多數(shù)傳統(tǒng)的周邊安全策略通常依靠人工和技術(shù)防御相結(jié)合，主要使用可見(jiàn)光攝像機(jī)。然而，這些系統(tǒng)在低能見(jiàn)度環(huán)境下難以發(fā)揮作用，導(dǎo)致經(jīng)常出現(xiàn)誤報(bào)和漏檢，2023年美國(guó)科羅拉多州bnsf貨運(yùn)列車出軌事件和2024年42109貨運(yùn)列車相撞慘劇就是例證。

2、多起夜間鐵路周界入侵導(dǎo)致的安全事故暴露出鐵路在弱光環(huán)境下周界入侵檢測(cè)的不足，由于我國(guó)鐵路沿線使用的多為普通可見(jiàn)光攝像機(jī)，弱光環(huán)境下監(jiān)控視頻的圖像清晰度和對(duì)比度顯著降低，細(xì)節(jié)特征損失嚴(yán)重，影響了既有周界入侵檢測(cè)算法的準(zhǔn)度和精度，因此迫切需要開(kāi)展弱光環(huán)境下的鐵路周界入侵檢測(cè)算法的研究，提高關(guān)鍵區(qū)段夜間入侵檢測(cè)的精準(zhǔn)性，為全天候鐵路運(yùn)營(yíng)安全提供保障。

3、隨著基于深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)的圖像處理技術(shù)的迅速發(fā)展?；趓etinex的理論通過(guò)估計(jì)場(chǎng)景的真實(shí)反射特性來(lái)增強(qiáng)弱光圖像，并定義了一種無(wú)監(jiān)督訓(xùn)練損失，從而提高了在非均勻和弱光環(huán)境下的目標(biāo)檢測(cè)性能。其他模型，如ulre-net和增強(qiáng)型cyclegan模型，則引入了自適應(yīng)實(shí)例歸一化(adain)和細(xì)節(jié)增強(qiáng)模塊。這些算法通過(guò)創(chuàng)新的神經(jīng)網(wǎng)絡(luò)架構(gòu)改善了弱光環(huán)境下的目標(biāo)檢測(cè)。然而，它們復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)無(wú)法滿足實(shí)際鐵路應(yīng)用的實(shí)時(shí)要求。此外，它們還忽略了在弱光條件下處理小目標(biāo)中缺失的特征，缺乏對(duì)復(fù)雜環(huán)境的適應(yīng)性。同樣，利用激光雷達(dá)技術(shù)、紅外與可見(jiàn)光圖像融合技術(shù)和毫米波雷達(dá)技術(shù)的系統(tǒng)在鐵路弱光環(huán)境下周界入侵檢測(cè)方面取得了重大進(jìn)展，實(shí)現(xiàn)了高檢測(cè)率并提高了可靠性。但是，這些解決方案往往在成本、資源消耗和對(duì)復(fù)雜環(huán)境的適應(yīng)性方面受到限制。

4、在鐵路實(shí)際場(chǎng)景應(yīng)用中，暗光或隧道等光線不足的情況下會(huì)導(dǎo)致鐵路圖像如：亮度、對(duì)比度等低頻特征較低，導(dǎo)致圖像細(xì)節(jié)特征難以捕捉，從而影響目標(biāo)的準(zhǔn)確檢測(cè)。其次，鐵路沿線通常包括復(fù)雜的背景，包括建筑物、信號(hào)設(shè)備等易與列車、人員等檢測(cè)目標(biāo)混淆，特別是在光線不足時(shí)，背景與目標(biāo)的區(qū)分更加困難。除此之外，鐵路環(huán)境中的對(duì)象(如列車)通常以高速運(yùn)動(dòng)出現(xiàn)，容易造成拍攝時(shí)的模糊和動(dòng)態(tài)失真，需要處理不同尺度和形變的目標(biāo)。

5、因此，如何將已有的先進(jìn)技術(shù)應(yīng)用在弱光環(huán)境下鐵路動(dòng)態(tài)邊界感知檢測(cè)上，滿足鐵路周界安全監(jiān)測(cè)需求，仍是待解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種鐵路弱光環(huán)境的邊界動(dòng)態(tài)感知檢測(cè)方法。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采取了如下技術(shù)方案。

3、第一方面，本發(fā)明提供一種鐵路弱光環(huán)境的邊界動(dòng)態(tài)感知檢測(cè)方法，包括：

4、獲取弱光環(huán)境下鐵路周界的待檢測(cè)圖像并輸入至邊界動(dòng)態(tài)感知檢測(cè)網(wǎng)絡(luò)，所述邊界動(dòng)態(tài)感知檢測(cè)網(wǎng)絡(luò)包括照明校正網(wǎng)絡(luò)模塊以及檢測(cè)模塊；

5、通過(guò)所述照明校正網(wǎng)絡(luò)模塊對(duì)所述待檢測(cè)圖像進(jìn)行全域提亮、陰暗矯正及邊緣細(xì)節(jié)增強(qiáng)，以獲得校正后圖像；

6、通過(guò)所述檢測(cè)模塊對(duì)所述校正后圖像進(jìn)行目標(biāo)檢測(cè)，以獲得檢測(cè)結(jié)果。

7、進(jìn)一步地，通過(guò)cbr模塊以及sc模塊對(duì)所述待檢測(cè)圖像進(jìn)行特征提取，以獲得特征提取結(jié)果g(xk)：

8、g(xk)＝sc(cbr1,1(xk))

9、

10、其中，xk表示第k幀待檢測(cè)圖像，g(xk)是第k幀待檢測(cè)圖像的特征提取結(jié)果，cbr模塊由卷積層、批量歸一化層和relu激活函數(shù)組成，sc模塊用于圖像特征提取操作，t代表一個(gè)階段或時(shí)間步長(zhǎng)的索引，用于描述特征的處理過(guò)程中的多階段迭代，y表示圖像或特征輸入，xt表示t階段逐步處理而得的中間特征與y進(jìn)行逐元素乘法的輸入，zt表示通過(guò)逐元素乘法處理后的結(jié)果，κθ為引入的參數(shù)化算子，st表示通過(guò)κθ計(jì)算后的轉(zhuǎn)換輸入，vt表示由y+st組成的另一個(gè)轉(zhuǎn)換階段輸出；

11、通過(guò)所述i模塊對(duì)所述特征提取結(jié)果g(xk)進(jìn)行光照矯正，以獲得光照校正后特征i(xk)：

12、

13、其中，gt表示在第t階段的特征，表示參數(shù)化映射函數(shù)，ut為t階段的殘差項(xiàng)，照度相關(guān)的信息通過(guò)殘差ut累加到當(dāng)前特征gt中，從而逐步校正照度，gt+1則表示在第t+1階段的特征；

14、通過(guò)所述cb模塊對(duì)所述光照校正后特征i(xk)進(jìn)行處理，以獲得所述校正后圖像f(xk)：

15、f(xk)＝cb1,1(i(g(xk)))。

16、進(jìn)一步地，所述檢測(cè)模塊包括第一主干特征提取模塊、第二主干特征提取模塊以及檢測(cè)頭；

17、所述通過(guò)所述檢測(cè)模塊對(duì)所述校正后圖像進(jìn)行目標(biāo)檢測(cè)，以獲得檢測(cè)結(jié)果，包括：

18、通過(guò)所述第一主干特征提取模塊對(duì)所述校正后圖像進(jìn)行多尺度特征提取，獲得多個(gè)第一主干特征；

19、通過(guò)所述第二主干特征提取模塊對(duì)所述校正后圖像以及所述第一主干特征進(jìn)行多尺度特征提取，獲得多個(gè)第二主干特征；

20、將所述第一主干特征與所述第二主干特征輸入至所述檢測(cè)頭以獲得檢測(cè)結(jié)果。

21、進(jìn)一步地，所述通過(guò)所述第一主干特征提取模塊對(duì)所述校正后圖像進(jìn)行多尺度特征提取，獲得第一主干特征，包括：

22、通過(guò)第一主干特征提取公式對(duì)所述校正后圖像進(jìn)行多尺度特征提取，獲得第一主干特征：

23、

24、p3,p4,p5＝lmain(xi)

25、式中，repcsp是多階段增強(qiáng)特征提取模塊，其包括分段卷積、殘差連接、跨階段連接、特征融合與層次化操作，p3、p4、p5分別是不同尺度的第一主干特征；lmain(·)表示主損失函數(shù)，用來(lái)優(yōu)化第一主干特征提取模塊的學(xué)習(xí)過(guò)程；

26、所述通過(guò)所述第二主干特征提取模塊對(duì)所述校正后圖像以及所述第一主干特征進(jìn)行多尺度特征提取，獲得第二主干特征，包括：

27、通過(guò)第二主干特征提取公式對(duì)所述校正后圖像以及所述第一主干特征進(jìn)行多尺度特征提取，獲得第二主干特征：

28、

29、c3,c4,c5＝laux(p3,p4,p5,xi)

30、式中，laux(·)是輔助損失函數(shù)，其通過(guò)對(duì)第一主干特征p3、p4、p5和校正后圖像xi進(jìn)行處理，得到不同尺度的第二主干特征c3、c4、c5，x包括校正后圖像xi與第一主干特征p3、p4、p5，cbl是基礎(chǔ)卷積特征提取模塊，包括卷積、批歸一化和激活函數(shù)的組合操作，ds代表下采樣操作。

31、進(jìn)一步地，所述檢測(cè)頭包括第一子檢測(cè)頭與第二子檢測(cè)頭；

32、所述將所述第一主干特征與所述第二主干特征輸入至所述檢測(cè)頭以獲得檢測(cè)結(jié)果，包括：

33、通過(guò)所述第一子檢測(cè)頭對(duì)多個(gè)所述第一主干特征進(jìn)行融合與檢測(cè)，以獲得多個(gè)初始檢測(cè)結(jié)果；

34、通過(guò)所述第二子檢測(cè)頭對(duì)所述第二主干特征與所述初始檢測(cè)結(jié)果進(jìn)行融合與檢測(cè)，以獲得最終的檢測(cè)結(jié)果。

35、進(jìn)一步地，所述第二子檢測(cè)頭包括多個(gè)卷積塊、池化卷積融合模塊以及特征重組模塊；

36、所述通過(guò)所述第二子檢測(cè)頭對(duì)所述第二主干特征與所述初始檢測(cè)結(jié)果進(jìn)行融合與檢測(cè)，以獲得最終的檢測(cè)結(jié)果，包括：

37、通過(guò)所述多個(gè)卷積塊分別對(duì)所述第二主干特征與所述初始檢測(cè)結(jié)果進(jìn)行卷積，獲得目標(biāo)特征；

38、通過(guò)所述池化卷積融合模塊對(duì)所述目標(biāo)特征進(jìn)行最大池化與平均池化操作，以獲得關(guān)鍵信息；

39、通過(guò)所述特征重組模塊對(duì)所述關(guān)鍵信息進(jìn)行上采樣與下采樣操作，以獲得重組特征，并基于所述重組特征得到預(yù)測(cè)結(jié)果。

40、第二方面，本發(fā)明還提供一種鐵路弱光環(huán)境的邊界動(dòng)態(tài)感知檢測(cè)裝置，包括：

41、圖像獲取模塊，用于獲取弱光環(huán)境下鐵路周界的待檢測(cè)圖像并輸入至邊界動(dòng)態(tài)感知檢測(cè)網(wǎng)絡(luò)，所述邊界動(dòng)態(tài)感知檢測(cè)網(wǎng)絡(luò)包括照明校正網(wǎng)絡(luò)模塊以及檢測(cè)模塊；

42、圖像校正模塊，用于通過(guò)所述照明校正網(wǎng)絡(luò)模塊對(duì)所述待檢測(cè)圖像進(jìn)行全域提亮、陰暗矯正及邊緣細(xì)節(jié)增強(qiáng)，以獲得校正后圖像；

43、檢測(cè)模塊，用于通過(guò)所述檢測(cè)模塊對(duì)所述校正后圖像進(jìn)行目標(biāo)檢測(cè)，以獲得檢測(cè)結(jié)果。

44、第三方面，本發(fā)明還提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如上述的方法。

45、第四方面，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述的方法。

46、第五方面，本發(fā)明還提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述的方法。

47、本發(fā)明有益效果：本發(fā)明提供的鐵路弱光環(huán)境的邊界動(dòng)態(tài)感知檢測(cè)方法，通過(guò)照明校正網(wǎng)絡(luò)模塊對(duì)待檢測(cè)圖像進(jìn)行全域提亮、陰暗矯正及邊緣細(xì)節(jié)增強(qiáng)，實(shí)時(shí)關(guān)注檢測(cè)區(qū)域內(nèi)的閑雜人員入侵，提高軌道區(qū)域內(nèi)的目標(biāo)檢測(cè)精度及監(jiān)測(cè)可視化水平，發(fā)現(xiàn)鐵路周界入侵風(fēng)險(xiǎn)隱患，以提升后續(xù)檢測(cè)模塊的檢測(cè)準(zhǔn)確率，確保在極低光照條件下依然能夠準(zhǔn)確識(shí)別周界閑雜人員，滿足鐵路周界安全監(jiān)測(cè)需求。

48、本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，這些將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。