详情

原文传递基于深度学习的高铁周界入侵监测方法研究

论文题名：	基于深度学习的高铁周界入侵监测方法研究
关键词：	高铁安全;周界入侵;图像识别;激光雷达检测;多传感器融合
摘要：	安全是铁路运输的基础和前提，随着我国高铁路网规模的不断扩大和运行时速的不断提高、智能高铁的发展以及人防、物防、技防“三位一体”的安全保障体系的初步建立，对高铁周界安全提出了更高的要求，图像识别、雷达等检测技术得到了越来越高的关注，这些技防手段检测的准确性、可靠性、鲁棒性是周界安防工程应用中亟待解决的痛点和难题。　　本文面向高铁周界典型场景，提出了基于多传感器融合的高铁周界入侵监测技术方案，针对高铁场景复杂、小目标识别困难等应用难题，研究基于图像识别、激光雷达及二者融合的算法，为高铁周界安全防范提供技术支持，论文主要研究内容如下：　　（1）提出面向场景的高铁周界入侵监测技术方案　　针对单一监测技术难以有效防护所有高铁周界入侵场景，提出了基于多传感器融合的高铁周界入侵监测技术方案。根据高铁周界入侵事故调研，梳理形成路基地段、桥头、隧道口、路堑等典型场景，对不同场景的特点、监测对象、干扰因素、传感器特点与环境适应性等要素进行了分析，提出面向场景的高铁周界入侵监测技术方案，在开阔地段的路基段和桥头采用基于“毫米波雷达+摄像机”的监测技术方案，在隧道口、路堑、临近山体的路基段采用基于“激光雷达+摄像机”的监测技术方案，有力支持了高铁周界入侵识别精度的提升。　　（2）研究基于图像识别的高铁周界入侵监测方法　　针对高铁周界入侵复杂场景，图像识别存在小目标识别困难、复杂背景下前景特征不明显等痛点和难题，提出了基于改进ByteTrack的高铁周界入侵目标检测跟踪方法，实时跟踪入侵目标的行为轨迹。首先基于图像去雾预处理方法，提高了图像在有雾环境下的可见度，接着利用坐标注意力机制提高复杂背景下前景目标的识别效果，采用空间-深度转化模块改善小目标特征丢失的问题，融合YOLOv7与BYTE数据关联方法保留低分检测框以改善目标遮挡时模型跟踪能力。另外考虑实际部署时神经网络占存大速度慢的问题，进行了模型轻量化。最后构建包含不同场景、光照、气候、距离、入侵行为、入侵动作等条件的高铁周界入侵图像样本库对改进模型进行了验证，实验结果表明检测精度提升了5.2%，小目标检测精度提升了6.6%，有效解决了远距离小目标、复杂环境等条件下入侵目标的检测跟踪问题。　　（3）研究基于激光雷达的高铁周界入侵监测方法　　针对高铁周界入侵复杂场景，激光雷达存在从庞杂无序的背景点云数据中精确快速识别前景目标的难题，提出了基于改进PV-RCNN的高铁周界入侵目标检测方法。结合体素特征与原始点特征，改善体素下采样造成的信息损失，并提高了检测速度。利用样本增强提高模型在复杂环境中的泛化能力，基于自适应可变形卷积提升了模型对复杂环境中前景目标的识别能力，基于k-means聚类得到anchor框尺寸，提高前景目标检测框定位精度。最后构建了包含不同场景、光照、气候、距离、入侵行为、入侵动作等条件的高铁周界入侵三维点云样本库对改进模型进行了验证，实验结果表明检测精度提高了3.02%，提升了基于激光雷达的高铁周界入侵监测能力。　　（4）研究基于多传感器融合的高铁周界入侵监测方法　　为提高单一检测方法的检测效果，结合图像识别和激光雷达在高铁周界场景感知上的互补特性，提出了基于张量的图像识别和激光雷达融合监测方法，在各传感器输出最终结果的前一步进行融合，即对检测候选对象进行了融合，尽量多的保留可能存在的目标，减少漏报，构建融合张量并利用融合网络进行学习，降低误报，得到具备三维空间和二维语义信息的融合检测目标，实现对不同传感器检测结果的融合和修正。最后利用联合标定实现两种传感设备的时空同步，并构建包含不同场景、光照、气候、距离、入侵行为、入侵动作等条件的高铁周界入侵多传感器样本库对模型进行了验证。实验结果表明，融合模型降低了单一图像识别、激光雷达识别的误报率与漏报率，可进一步提升高铁周界入侵检测效果。　　本文提出了基于场景的、多传感融合的高铁周界入侵监测技术方案，针对图像和雷达检测中的入侵复杂场景、小目标识别等挑战进行了深入研究，提出了一种基于图像识别和激光雷达融合的周界入侵监测方法，构建了包含不同场景、光照、气候、距离、入侵行为、入侵动作等条件的高铁周界入侵图像样本库、三维点云样本库和多传感器样本库，对高铁周界入侵监测技术的研究、算法测试和工程化应用具有一定的价值。
作者：	傅荟瑾
专业：	交通信息工程及控制
导师：	史天运
授予学位：	博士
授予学位单位：	中国铁道科学研究院
学位年度：	2023