軌道圖像中對靜態遮擋異物檢測算法改進

【摘要】針對鐵路軌道線路的相互遮擋異物侵限帶來的威脅。本文提出使用微型飛行器進行軌道數據圖像采集，將數據實時輸入到經過訓練的Faster RCNN算法網絡中進行異物的識別。為了提高檢測率，將網絡結構OutsideNet加入到Faster RCNN網絡算法中。實驗結果表明優化后的網絡模型對軌道遮擋異物的檢測效果更優。

【關鍵詞】異物檢測;微型飛行器;Faster RCNN;OutsideNet;IRNN

【中圖分類號】TP751.1

【文獻標識碼】A

關于鐵道異物入侵的問題，目前基于機器視覺的研究因其思路簡潔[1]，檢測性能可提升空間大，受到眾多學者研究。本文采用了無人機巡航對軌道線路拍攝，同時對拍攝到的圖像進行實時處理檢測異物。

1、系統設計

研究所采用的數據集是建立在PASCAL-VOC2012數據集基礎之上[3]，著重對實驗所使用到的軌道背景，人，石頭以及狗的種類進行訓練。

實驗建立在深層網絡結構VGGNet環境下，修改Prototxt中與類別數目有關的值，在修改值時將人，石頭，狗以及軌道圖像背景四個類別加入進去，然后進行訓練。在識別層中對Classes進行修改，修改為本實驗所訓練的類別，至此，新增的數據集訓練完成。

2、算法描述

2.1 Faster RCNN

Faster RCNN可以看作是“RPN+Fast RCNN”，用RPN代替選擇性搜索（Selective Search， SS）[2]。而RPN的主要思想就是使用卷積神經網絡直接產生候選區域，使用卷積神經網絡的本質就是在網絡的最后一層采用滑動掃描窗口。

在此算法網絡中最重要的是使RPN與Fast RCNN檢測網絡組合形成共享計算。RPN網絡的具體運行過程是使用一個小網絡在神經網絡最后一層特征圖上進行滑動掃描，映射到一個低維向量，然后再經過一個conv+relu層，得到相同維度特征，最后進行分類和候選框調整。

2.2 OutsideNet

Outside Net是指在ROI（感興趣區域）區域外[4]，也就是檢測分析候選框周圍的上下文信息，通過添加RNNs實現上下文的信息提取，通過Outside Net可以對遮擋住的目標有比較好的效果。具體為從conv5輸出的feature maps通過一個1*1的卷積層然后輸入到IRNN單元中，在IRNN單元中由四個方向的轉移運算實現四個方向的信息傳播。

以向右探索為例，對于向右的每一個狀態，都是相同方式，即當前位置的當前激活值等于左邊位置當前激活值乘以一個轉移矩陣然后再加上當前位置原來的激活值，再通過RELU，將這個矩陣簡化為一個單位陣。同理再對其余三個方向進行信息探索，在得到四個方向的特征圖之后，需要把這四個方向的信息進行融合，然后再通過1* 1卷積層再輸入到第二個IRNN單元中，重復第一個IRNN的轉移運算，所以就可以得到整張圖像上的特征圖。對于向右信息探索的表現可以用式2.1表示。

3、實驗結果及對比

在數據集的訓練以及檢測之前先對實驗環境搭建，本實驗采用MATLAB版本實驗環境，進行數據集的訓練和檢測，首先在建立好的環境中進行算法優化之前的實驗，具體實驗結果如圖1所示：

算法優化后的檢測結果如圖2所示，可得出對被遮擋異物有著較好的檢測效果。

結語：

本實驗著重對軌道異物入侵中被遮擋異物的檢測，首先采用了無人機對軌道圖像進行采集，然后在圖像處理時，先使用Faster RCNN算法基礎上進行實驗，之后在原算法上加入具有搜索上下文信息功能的OutsideNet網絡結構，從計算出的算法優化前后候選框生成質量以及圖像檢測結果對比來看，本文方法對被遮擋異物的檢測有著較優的效果。

參考文獻：

[1]宋曉芳，趙凡.基于卷積神經網絡與混合高斯的行人重識別[D].西安理工大學，2018.

[2]衛露寧，劉海風.基于全卷積神經網絡的人臉檢測算法研究[D].浙江大學，2017.

[3]任少卿，孫劍，李斌.基于特征共享的高效物體檢測[D].中國科技大學，2016

[4]朱倩倩，劉森，郭維明.基于Faster R-CNN的車牌檢測研究[J].汽車工業研究，2019：57-60.

作者簡介：

李學順（1992-）男，碩士研究生，中交一航局安裝工程有限公司。