【技术实现步骤摘要】
本专利技术涉及计算机视觉、5g通信技术和铁路安全监测等，尤其涉及利用先进的视频分析技术，实现对高铁轨道上的落物进行实时、准确的监测。
技术介绍
1、在当今社会，高铁已经成为一种重要的交通工具，人们依赖高铁进行快速、准确和方便的长途出行。然而，高铁的运行安全性是一个重要的问题，需要得到严格的监控和管理。其中，高铁轨道上的落物是一个重要的安全隐患。一旦有物体落在轨道上，可能会对高铁运行造成严重影响，甚至可能引发严重的事故。在过去，对于高铁轨道上的落物的监控主要依靠人工巡检，这种方法不仅效率低，而且可能会遗漏一些小的或者难以察觉的物体。因此，有必要开发一种能够自动、实时地检测和分析高铁轨道上的落物的技术。5g网络的出现为实现这一目标提供了可能。5g网络具有高带宽、低延迟的特性，能够支持大量的数据传输，这为实时视频监控提供了基础。借助5g网络，可以在高铁上部署高清视频监控设备，实时地获取高铁轨道的视频数据。在视频数据的处理方面，算法的作用尤为重要。通过使用目标检测和跟踪的算法，可以在视频中自动识别出落物，并进行跟踪。这种方法不仅可以大大提高落物检测的效率，还可以实时地发现落物，从而及时地进行处理，防止可能的事故。
技术实现思路
1、本专利技术所要解决的技术问题是克服现有技术的不足而提供的一种基于视频的5g网络下高铁落物分析监测方法与系统，其目标为对于通过5g传输的监控视频流进行分析处理，实现对于轨道上落物的识别与追踪。
2、在现行的铁路安全监测系统中，经常遇到以下问题：边缘计算
3、本专利技术为解决上述技术问题采用以下技术方案：
4、一种基于视频的5g网络下高铁落物分析监测方法，包括步骤如下：
5、步骤1，云服务器通过5g网络接收监控设备采集的实时视频；
6、步骤2，云服务器对接收的视频进行解码，转换为逐帧的图像序列，从图像序列中提取出每一帧图像；
7、步骤3，目标识别，包括以下步骤：
8、步骤3.1特征图提取：从每一帧图像中提取特征图；
9、步骤3.2目标检测：基于提取的特征图，对每一帧的图像进行目标检测；首先，对特征图进行卷积，特征图f为输入，卷积权重为w，卷积操作表示为：
10、f'＝f*w
11、其中f'是卷积后的特征图，*表示卷积操作；
12、通过非极大值抑制算法，对卷积后的特征图消除冗余的边界框，生成目标预测边界框和类别概率；
13、步骤3.3损失函数计算：分别计算坐标损失函数lcoord、类别损失函数lcls和物体存在损失函数lobj；坐标损失函数用于度量预测边界框和真实边界框之间的差异，类别损失函数用于预测类别和真实类别之间的差异，物体存在损失函数用于预测物体存在概率和真实物体存在概率之间的差异；
14、根据上述三种损失函数的加权和计算得到总的损失函数；
15、步骤3.4优化和更新：对总的损失函数进行优化，更新参数；
16、首先需要计算总的损失函数的梯度，gt表示在时间t处的损失函数l(θ)对于设定参数θ的梯度
17、
18、最后使用偏差修正后的一阶矩估计和二阶矩估计来更新参数；
19、
20、θt为更新前的时间t处设定参数值，θt+1为更新后时间t-1处的参数，η是学习率；是偏差修正后的一阶矩估计，是偏差修正后的二阶矩估计；
21、步骤4，目标跟踪：在目标识别的基础上，进行目标跟踪，主要包括以下步骤：
22、步骤4.1生成检测结果：在每一帧图像中，获取一系列的目标检测结果，每一个目标检测结果都由目标的位置信息和表面特征信息构成；
23、每一个目标检测结果表示为一个元组(x,y,w,h,f)，其中(x,y,w,h)是目标的位置信息，x、y是边界框的左上角的坐标，w、h是边界框的宽度和高度；f是目标的表面特征信息；
24、步骤4.2卡尔曼滤波预测：采用状态空间模型预测目标的位置和速度信息；
25、步骤4.3使用匈牙利算法将预测后的目标和当前帧中的目标检测结果进行匹配；
26、步骤4.4卡尔曼滤波更新：在匹配完成后，采用卡尔曼滤波更新目标的状态；如果一个目标在当前帧中被成功匹配，它的状态更新为新的观测值；如果一个目标在当前帧中没有被匹配，它的状态保持不变，或者根据预测模型进行更新。
27、进一步地，步骤3.1中，特征图提取的步骤为：
28、对于一个输入的图像i，经过卷积层计算后得到特征图f：
29、f＝σ(w×i+b)
30、其中，×表示卷积操作，w是卷积核的权重，b是偏置项，σ是激活函数。
31、进一步地，所述坐标损失函数计算公式如下：
32、
33、其中，和分别表示第i个预测的边界框的中心坐标，和分别表示第i个实际的边界框的中心坐标。
34、进一步地，所述类别损失函数计算公式如下：
35、
36、其中，是实际类别的独热编码，是预测的类别概率，c表示当前的类别。c表示所有可能的类别集合。
37、进一步地，所述物体存在损失函数计算公式如下：
38、
39、其中，是实际的物体存在概率，是预测的物体存在概率。
40、进一步地，步骤3.4中，偏差修正后的一阶矩估计和偏差修正后的二阶矩估计计算步骤如下：
41、更新偏差一阶矩估计，mt是在时间t处的一阶矩估计，β1是超参数；
42、mt＝β1·mt-1+(1-β1)·gt
43、计算偏差修正后的一阶矩估计
44、
45、更新偏差二阶矩估计，vt是在时间t处的二阶矩估计，β2是超参数；
46、
47、计算偏差修正后的二阶矩估计
48、
49、进一步地，步骤4.2中，状态空间模型为：
50、
51、
52、其中，是在时刻k的预测状态估计，fk是在时刻k的状态转移模型，xk-1是在时刻k-1的目标状态，bk是控制输入模型，uk是控制向量，是预测状态估计的协方差，qk是过程噪声的协方差。
53、进一步地，步骤4.4中，预测模型的更新式为：
54、
55、
56、
57、其中，kk是时刻k的卡尔曼增益，是预测状态估计的协方差，hk是时刻k的观测模型，rk是时刻k的观测噪声的协方差，xk是在时刻k的目标状态，是在时刻k的本文档来自技高网...
【技术保护点】
1.一种基于视频的5G网络下高铁落物分析监测方法，其特征在于，包括步骤如下：
2.根据权利要求1所述的基于视频的5G网络下高铁落物分析监测方法，其特征在于，步骤3.1中，特征图提取的步骤为：
3.根据权利要求1所述的基于视频的5G网络下高铁落物分析监测方法，其特征在于，所述坐标损失函数计算公式如下：
4.根据权利要求1所述的基于视频的5G网络下高铁落物分析监测方法，其特征在于，所述类别损失函数计算公式如下：
5.根据权利要求1所述的基于视频的5G网络下高铁落物分析监测方法，其特征在于，所述物体存在损失函数计算公式如下：
6.根据权利要求1所述的基于视频的5G网络下高铁落物分析监测方法，其特征在于，步骤3.4中，偏差修正后的一阶矩估计和偏差修正后的二阶矩估计计算步骤如下：
7.根据权利要求1所述的基于视频的5G网络下高铁落物分析监测方法，其特征在于，步骤4.2中，状态空间模型为：
8.根据权利要求1所述的基于视频的5G网络下高铁落物分析监测方法，其特征在于，步骤4.4中，预测模型的更新式为：
...【技术特征摘要】
1.一种基于视频的5g网络下高铁落物分析监测方法，其特征在于，包括步骤如下：
2.根据权利要求1所述的基于视频的5g网络下高铁落物分析监测方法，其特征在于，步骤3.1中，特征图提取的步骤为：
3.根据权利要求1所述的基于视频的5g网络下高铁落物分析监测方法，其特征在于，所述坐标损失函数计算公式如下：
4.根据权利要求1所述的基于视频的5g网络下高铁落物分析监测方法，其特征在于，所述类别损失函数计算公式如下：
5.根据权利要求1所述的基于视频的5g网络下高铁落物分析监测方法，其特征在...
【专利技术属性】
技术研发人员：吉鹏程，李钦迟，倪小龙，何潞，李蒙，李健华，赵海涛，徐波，
申请(专利权)人：南京泰通科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。