本發(fā)明涉及圖像處理技術領域，特別是涉及基于卷積神經(jīng)網(wǎng)絡的一種地鐵異物檢測方法、裝置及地鐵屏蔽門系統(tǒng)。

背景技術：

近年來，隨著我國城市軌道交通的迅猛發(fā)展，客流量不斷增大，如何保障乘客安全、高效的出行成為地鐵運營的首要目標。為了保障乘客乘車安全，防止在客流擁擠時發(fā)生乘客乘車危險的情況，目前的地鐵站臺與列車之間一般都設置了一個屏蔽門。然而，地鐵列車與屏蔽門之間存在一定的空隙，如果在列車啟動瞬間發(fā)生乘客被夾在屏蔽門和列車門之間的情況，將會造成嚴重的乘車事故。

為了消除上述安全隱患，防止夾人夾物事件的發(fā)生，目前主要是采用列車司機觀察或光學探測的方法檢測屏蔽門和列車門之間的空隙是否存在異物，即主要是通過列車司機下車觀察地鐵列車的車位處的“光帶”，根據(jù)司機視線受阻的程度來判斷列車和屏蔽門之間狹長的通道是否有異物存在；或者采用傳感器檢測的方法，在屏蔽門兩側安裝紅外探測或激光探測器。上述采用司機觀察的方法使得司機負擔大，當客流量大時容易收到限制；而采用傳感器檢測的方法容易受灰塵影響而誤報。所以，目前對地鐵異物的檢測方法在檢測精度和性能方面均存在缺陷，易產(chǎn)生檢測失誤的現(xiàn)象。

技術實現(xiàn)要素：

針對于上述問題，本發(fā)明提供一種地鐵異物檢測方法、裝置、設備及地鐵屏蔽門系統(tǒng)，用以解決現(xiàn)有技術中對地鐵異物檢測識別的效率和精度不高的問題。

為了實現(xiàn)上述目的，根據(jù)本發(fā)明的第一方面，提供了一種地鐵異物檢測方法，該方法包括：

讀取地鐵異物訓練樣本，并獲取所述訓練樣本中的二維彩色圖像，對所述二維彩色圖像進行預處理提取其特征，得到處理后的二維彩色圖像，其中，所述二維彩色圖像包括包含地鐵異物的圖片和不包含地鐵異物的圖片；

獲取通過分類器訓練所述處理后的二維彩色圖像后得到的卷積神經(jīng)網(wǎng)絡參數(shù)，建立訓練好的卷積神經(jīng)網(wǎng)絡模型；

選擇特定范圍的二維彩色圖像作為第一地鐵異物測試樣本，并對所述第一地鐵異物測試樣本通過圖像歸一化和特征提取的方法進行預處理，得到第二地鐵異物測試樣本；

在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對所述第二地鐵異物測試樣本進行處理，得到所述第二地鐵異物測試樣本中的每張二維彩色圖像的特征向量；

在所述分類器中對所述特征向量進行分類，并獲得所述每張二維彩色圖像中包含每種地鐵異物的概率；

統(tǒng)計分析所述每張二維彩色圖像中包含地鐵異物的概率，獲得相應的出現(xiàn)概率最高的地鐵異物種類的二維彩色圖像；

在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含出現(xiàn)概率最高的地鐵異物種類的每張二維彩色圖像進行檢測，得到能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果。

優(yōu)選的，所述讀取地鐵異物訓練樣本，并獲取所述訓練樣本中的二維彩色圖像，對所述二維彩色圖像進行預處理提取其特征，得到處理后的二維彩色圖像，包括：

讀取地鐵異物訓練樣本，并獲取所述訓練樣本中的二維彩色圖像；

根據(jù)卷積神經(jīng)網(wǎng)絡結構要求，將所述二維彩色圖像壓縮到像素為64*64的二維彩色圖像；

將所述像素為64*64的二維彩色圖像進行圖像分割，得到8*8的圖像子區(qū)域；

對所述8*8的圖像子區(qū)域進行圖像白化處理，得到處理后的二維彩色圖像。

優(yōu)選的，所獲取通過分類器訓練所述處理后的二維彩色圖像后得到的卷積神經(jīng)網(wǎng)絡參數(shù)，建立訓練好的卷積神經(jīng)網(wǎng)絡模型，包括：

在卷積神經(jīng)網(wǎng)絡的卷基層和子采樣層中對所述處理后的二維彩色圖像進行處理，得到所述處理后的二維彩色圖像的采樣后的特征；

將所述采樣后的特征和所述訓練樣本中的二維彩色圖像作為訓練數(shù)據(jù)，在所述分類器中對所述訓練數(shù)據(jù)進行訓練，得到卷積神經(jīng)網(wǎng)絡參數(shù)，并建立訓練好的卷積神經(jīng)網(wǎng)絡模型。

優(yōu)選的，在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含概率最高的地鐵異物種類的每張二維彩色圖像進行檢測，得到能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果，包括：

在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含概率最高的地鐵異物種類的每張二維彩色圖像進行統(tǒng)計分析，得到每一種地鐵異物出現(xiàn)的概率；

將所述每一種地鐵異物出現(xiàn)的概率與所述訓練好的卷積神經(jīng)網(wǎng)絡模型中預設的每一種地鐵異物出現(xiàn)概率的閾值進行比較，如果超過所述閾值，所述訓練好的神經(jīng)網(wǎng)絡模型將檢測到的該種地鐵異物的檢測結果，判斷為能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果。

根據(jù)本發(fā)明的第二方面，提供了一種地鐵異物檢測裝置，該裝置包括：

第一處理模塊，用于讀取地鐵異物訓練樣本，并獲取所述訓練樣本中的二維彩色圖像，對所述二維彩色圖像進行預處理提取其特征，得到處理后的二維彩色圖像，其中，所述二維彩色圖像包括包含地鐵異物的圖片和不包含地鐵異物的圖片；

建立模塊，用于獲取通過分類器訓練所述處理后的二維彩色圖像后得到的卷積神經(jīng)網(wǎng)絡參數(shù)，建立訓練好的卷積神經(jīng)網(wǎng)絡模型；

第二處理模塊，用于選擇特定范圍的二維彩色圖像作為第一地鐵異物測試樣本，并對所述第一地鐵異物測試樣本通過圖像歸一化和特征提取的方法進行預處理，得到第二地鐵異物測試樣本；

第三處理模塊，用于在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對所述第二地鐵異物測試樣本進行處理，得到所述第二地鐵異物測試樣本中的每張二維彩色圖像的特征向量；

獲取模塊，用于在所述分類器中對所述特征向量進行分類，并獲得所述每張二維彩色圖像中包含每種地鐵異物的概率；

統(tǒng)計模塊，用于統(tǒng)計分析所述每張二維彩色圖像中包含地鐵異物的概率，獲得相應出現(xiàn)概率最高的地鐵異物種類的二維彩色圖像；

檢測模塊，用于在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含出現(xiàn)概率最高的地鐵異物種類的每張二維彩色圖像進行檢測，得到能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果。

優(yōu)選的，所述第一處理模塊包括：

第一獲取單元，用于讀取地鐵異物訓練樣本，并獲取所述訓練樣本中的二維彩色圖像；

第一處理單元，用于根據(jù)卷積神經(jīng)網(wǎng)絡結構要求，將所述二維彩色圖像壓縮到像素為64*64的二維彩色圖像；

圖像分割單元，用于將所述像素為64*64的二維彩色圖像進行圖像分割，得到8*8的圖像子區(qū)域；

第二處理單元，用于對所述8*8的圖像子區(qū)域進行圖像白化處理，得到處理后的二維彩色圖像。

優(yōu)選的，所述建立模塊包括：

第三處理單元，用于在卷積神經(jīng)網(wǎng)絡的卷基層和子采樣層中對所述處理后的二維彩色圖像進行處理，得到所述處理后的二維彩色圖像的采樣后的特征；

第二獲取單元，用于將所述采樣后的特征和所述訓練樣本中的二維彩色圖像作為訓練數(shù)據(jù)，在所述分類器中對所述訓練數(shù)據(jù)進行訓練，得到卷積神經(jīng)網(wǎng)絡參數(shù)，并建立訓練好的卷積神經(jīng)網(wǎng)絡模型。

優(yōu)選的，所述檢測模塊包括：

統(tǒng)計單元，用于在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含概率最高的地鐵異物種類的每張二維彩色圖像進行統(tǒng)計分析，得到每一種地鐵異物出現(xiàn)的概率；

比較單元，用于將所述每一種地鐵異物出現(xiàn)的概率與所述訓練好的卷積神經(jīng)網(wǎng)絡模型中預設的每一種地鐵異物出現(xiàn)概率的閾值進行比較，如果超過所述閾值，所述訓練好的神經(jīng)網(wǎng)絡模型將檢測到的該種地鐵異物的檢測結果，判斷為能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果。

根據(jù)本發(fā)明的第三方面，提供了一種地鐵異物檢測設備，該設備包括：

第一決策分類裝置和集中決策分類裝置，其中，

所述第一決策分類裝置，用于讀取地鐵異物訓練樣本，并獲取所述訓練樣本中的二維彩色圖像，對所述二維彩色圖像進行預處理提取其特征，得到處理后的二維彩色圖像，其中，所述二維彩色圖像包括包含地鐵異物的圖片和不包含地鐵異物的圖片；獲取通過分類器訓練所述處理后的二維彩色圖像后得到的卷積神經(jīng)網(wǎng)絡參數(shù)，建立訓練好的卷積神經(jīng)網(wǎng)絡模型；選擇特定范圍的二維彩色圖像作為第一地鐵異物測試樣本，并對所述第一地鐵異物測試樣本通過圖像歸一化和特征提取的方法進行預處理，得到第二地鐵異物測試樣本；在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對所述第二地鐵異物測試樣本進行處理，得到所述第二地鐵異物測試樣本中的每張二維彩色圖像的特征向量；在所述分類器中對所述特征向量進行分類，并獲得所述每張二維彩色圖像中包含每種地鐵異物的概率；統(tǒng)計分析所述每張二維彩色圖像中包含地鐵異物的概率，獲得相應出現(xiàn)概率最高的地鐵異物種類的二維彩色圖像；

所述集中決策分類裝置，用于在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含出現(xiàn)概率最高的地鐵異物種類的每張二維彩色圖像進行檢測，得到能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果。

根據(jù)本發(fā)明的第四方面，提供了一種地鐵門屏蔽系統(tǒng)，該系統(tǒng)包括：地鐵門、地鐵屏蔽門、攝像頭、地鐵列車、障礙物檢測預警裝置和本發(fā)明第三方面提供的一種地鐵異物檢測設備，其中，

所述地鐵門安裝在所述地鐵列車上，并且所述地鐵門與所述地鐵屏蔽門之間存在夾縫；

所述攝像頭與所述地鐵異物檢測設備中的第一層決策分類裝置集成在同一塊集成板上，并且所述攝像頭安裝在所述地鐵門的正中位置，并位于所述地鐵門與所述地鐵屏蔽門的夾縫中間位置；

所述地鐵異物檢測設備中的集中決策裝置和所述障礙物檢測警報裝置安裝在地鐵控制處；

所述集中決策裝置將得到的能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果發(fā)送到所述障礙物檢測預警裝置，所述障礙物檢測預警裝置根據(jù)所述檢測結果進行報警。

相較于現(xiàn)有技術，本發(fā)明通過讀取地鐵異物訓練樣本，提取其特征；獲取卷積神經(jīng)網(wǎng)絡參數(shù)，建立訓練好的卷積神經(jīng)網(wǎng)絡模型；獲得所述每張二維彩色圖像中包含每種地鐵異物的概率；統(tǒng)計分析獲得相應的出現(xiàn)概率最高的地鐵異物種類的二維彩色圖像；在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含出現(xiàn)概率最高的地鐵異物種類的每張二維彩色圖像進行檢測，得到能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果。解決了現(xiàn)有技術中對地鐵異物檢測識別的效率和精度不高的問題。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實施例一提供的一種地鐵異物檢測方法的流程示意圖；

圖2為本發(fā)明實施例二對應的圖1所示S11步驟中的具體對訓練樣本預處理的流程示意圖；

圖3為本發(fā)明實施例二對應的圖1所示S12步驟中的具體建立訓練好的卷積神經(jīng)網(wǎng)絡模型的流程示意圖；

圖4為本發(fā)明實施例二對應的圖1所示S16步驟中的具體獲取檢測結果的流程示意圖；

圖5為本發(fā)明實施例三提供的一種地鐵異物檢測裝置的結構示意圖；

圖6為本發(fā)明實施例四提供的一種地鐵異物檢測設備的結構示意圖；

圖7為本發(fā)明實施例五提供的一種地鐵門屏蔽系統(tǒng)的結構示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明的說明書和權利要求書及上述附圖中的術語“第一”和“第二”等是用于區(qū)別不同的對象，而不是用于描述特定的順序。此外術語“包括”和“具有”以及他們?nèi)魏巫冃?，意圖在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設備沒有設定于已列出的步驟或單元，而是可包括沒有列出的步驟或單元。

實施例一

參見圖1為本發(fā)明實施例一提供的一種地鐵異物檢測方法的流程示意圖，該方法包括以下步驟：

S11、讀取地鐵異物訓練樣本，并獲取所述訓練樣本中的二維彩色圖像，對所述二維彩色圖像進行預處理提取其特征，得到處理后的二維彩色圖像，其中，所述二維彩色圖像包括包含地鐵異物的圖片和不包含地鐵異物的圖片，并且本發(fā)明的實施例中訓練樣本的容量不做限制。

S12、獲取通過分類器訓練所述處理后的二維彩色圖像后得到的卷積神經(jīng)網(wǎng)絡參數(shù)，建立訓練好的卷積神經(jīng)網(wǎng)絡模型；

具體的，在本發(fā)明的實施例中優(yōu)選使用softmax分類器，當然在能夠實現(xiàn)本發(fā)明的技術方案的前提下也可以選取其他類型的分類器，本發(fā)明對此不做限制。

S13、選擇特定范圍的二維彩色圖像作為第一地鐵異物測試樣本，并對所述第一地鐵異物測試樣本通過圖像歸一化和特征提取的方法進行預處理，得到第二地鐵異物測試樣本；

具體的，在選取測試樣本時需要選擇特定范圍的二維彩色圖像，是由于攝像頭拍攝圖片時的焦距問題，為了實現(xiàn)方案的準確性，要選擇異物清晰的二維彩色圖像作為測試樣本；

舉例說明，先在攝像頭固定一個聚焦的位置，根據(jù)已取得的圖像內(nèi)物體的大小，與原來訓練樣本物體的平均大小進行對比，比率為x，由于當x>1時，可能現(xiàn)在對焦位置所取得圖像偏大，所以需要縮小焦距，當x<1時，可能現(xiàn)在對焦位置所取得圖像偏大，所以要放大焦距。綜合，對聚焦范圍進行調(diào)整：

在范圍內(nèi)，平均取6個焦距值，獲取該焦距下的二維彩色圖像。

S14、在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對所述第二地鐵異物測試樣本進行處理，得到所述第二地鐵異物測試樣本中的每張二維彩色圖像的特征向量；

具體的，得到所述處理后的測試樣本的二維彩色圖像的特征向量，即為CNN(卷積神經(jīng)網(wǎng)絡)特征向量，包含地鐵各類異物的特征。

S15、在所述分類器中對所述特征向量進行分類，并獲得所述每張二維彩色圖像中包含每種地鐵異物的概率；

S16、統(tǒng)計分析所述每張二維彩色圖像中包含地鐵異物的概率，獲得相應的出現(xiàn)概率最高的地鐵異物種類的二維彩色圖像；

具體舉例說明，假設圖片一包含異物1和異物2，圖片二包含異物1和異物3，圖片三包含異物2和異物4，統(tǒng)計發(fā)現(xiàn)異物1和異物2出現(xiàn)的概率較高，包含異物1和異物2的圖片為圖片一，所以出現(xiàn)概率最高的地鐵異物的圖片為圖片一。

S17、在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含出現(xiàn)概率最高的地鐵異物種類的每張二維彩色圖像進行檢測，得到能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果。

具體的，參見步驟S16下面的例子，將包含出現(xiàn)概率最高的地鐵異物的種類的二維彩色圖像即圖片一，發(fā)送到所述訓練好的卷積神經(jīng)網(wǎng)絡中，在上述步驟中主要是確定了是否存在異物，即把出現(xiàn)概率高的異物種類確定為真正的異物，而在此步驟中主要是將確定為真正的地鐵異物的進行進一步分析，確定是否為能夠引起報警的異物，比如，異物分別為小紙片和人體，對于地鐵的異物檢測系統(tǒng)來說，由于小紙片不足以引起乘客乘車事故或者運營危險，所以小紙片作為異物出現(xiàn)時，并不能引起警報器報警，而如果人體被視為異物，則有可能會出現(xiàn)被地鐵屏蔽門夾住的現(xiàn)象，造成人身傷害，所以能夠引起警報器報警。

通過本發(fā)明實施例一公開的技術方案，具體為讀取地鐵異物訓練樣本，提取其特征；獲取卷積神經(jīng)網(wǎng)絡參數(shù)，建立訓練好的卷積神經(jīng)網(wǎng)絡模型；獲得所述每張二維彩色圖像中包含每種地鐵異物的概率；統(tǒng)計分析獲得相應的出現(xiàn)概率最高的地鐵異物種類的二維彩色圖像；在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含出現(xiàn)概率最高的地鐵異物種類的每張二維彩色圖像進行檢測，得到能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果。解決了現(xiàn)有技術中對地鐵異物檢測識別的效率和精度不高的問題。

實施例二

參照本發(fā)明實施例一和圖1中所描述的S11到S16步驟的具體過程，并參見圖2為本發(fā)明實施例二中對應的圖1所示S11步驟中的具體對訓練樣本預處理的流程示意圖，圖1中步驟S11具體包括：

S111、讀取地鐵異物訓練樣本，并獲取所述訓練樣本中的二維彩色圖像；

S112、根據(jù)卷積神經(jīng)網(wǎng)絡結構要求，將所述二維彩色圖像壓縮到像素為64*64的二維彩色圖像；

S113、將所述像素為64*64的二維彩色圖像進行圖像分割，得到8*8的圖像子區(qū)域；

具體的，將圖像進行分割成大小是8*8的圖像子區(qū)域。分割方式是從圖像的左上角依次向右向下將圖像分割為8*8的圖像塊，使得子區(qū)域不重疊。

S114、對所述8*8的圖像子區(qū)域進行圖像白化處理，得到處理后的二維彩色圖像。

具體的，8*8的二維彩色圖像表示為一個8*8*3的向量x，為了不失一般性，表示為m維，然后對子塊使用ZCA白化預處理，使輸入的圖像的像素之間不相關，所有的像素都有相同的均值和方差。

先將圖像轉化為0均值，

PCA要求輸入數(shù)據(jù)0均值和方差，計算圖像的協(xié)方差矩陣：

得到協(xié)方差的特征向量和特征值，根據(jù)特征向量對應的特征值的大小，將特征向量以列的形式組成一個特征向量矩陣：U＝[u₁u₂...u_n]，特征值由大到小為λ₁，λ₂...λ_n，以U為基坐標，將x表示成U空間中的向量，便得到了各維不相關的向量：x_rot＝U^Tx，為了使x_rot的各個維度都是標準方差，將x_rot轉化成PCA白化后的向量x_PCAwhite：其中ε是為了防止特征值太小而加入的正則化，同時對輸入圖像輕微平滑，ε≈10^-5，為了使輸入圖像盡可能接近原始的圖像再使用ZCA白化：x_ZCAwhite＝Ux_PCAwhite

在得到了處理后的二維彩色圖像后，參見圖3，圖1中的步驟S12具體建立訓練好的卷積神經(jīng)網(wǎng)絡模型包括：

S121、在卷積神經(jīng)網(wǎng)絡的卷基層和子采樣層中對所述處理后的二維彩色圖像進行處理，得到所述處理后的二維彩色圖像的采樣后的特征；

S122、將所述采樣后的特征和所述訓練樣本中的二維彩色圖像作為訓練數(shù)據(jù)，在所述分類器中對所述訓練數(shù)據(jù)進行訓練，得到卷積神經(jīng)網(wǎng)絡參數(shù)，并建立訓練好的卷積神經(jīng)網(wǎng)絡模型。

具體的，網(wǎng)絡的輸入是64*64的二維彩色圖像，接下來是一個卷積層。卷積層有400個卷積核，每個卷積核從輸入圖像的8*8子區(qū)域提取特征。子區(qū)域從圖像的左上角滑動到右下角，步幅為1，每個卷積核提取57*57個特征。所以圖像在卷積后得到400個57*57的特征映射，卷積層后是子采樣，采樣區(qū)域為19*19，所以每個特征映射采樣后的大小是3*3的特征映射，采樣方式是均值采樣。采樣后的特征是最終從圖像中提取的特征，是400個3*3的特征映射。將特征映射表示為一個向量，并將400個向量聯(lián)合組成一個大小為3600的特征向量。這個向量維度比較大，但因為特征是稀疏的，所以向量元素大部分接近0，這個特征向量輸入一個邏輯回歸層，用于最終的分類。

訓練過程：網(wǎng)絡需要訓練的權值主要分為兩部分，一部分是輸入層和卷積層之間的權值，另一部分是Softmax層的權值。其中輸入層和卷積層之間的權值有自動編碼器訓練。

自動編碼器訓練：

自編碼器是一個三層的神經(jīng)網(wǎng)絡，網(wǎng)絡的輸入是經(jīng)過ZCA白化的圖像子塊，大小為8*8的二維彩色子區(qū)域轉化為為向量大小是192，隱藏層家的是輸入節(jié)點的兩倍，400個節(jié)點。隱藏層使用sigmoid激活函數(shù)，輸出層使用恒等函數(shù)。定義輸入為向量x,偏執(zhí)項b,輸出層和隱含層之間的的權值矩陣為W¹，隱含層和輸出層之間的權值矩陣為W²，sigmoid函數(shù)為f.

均方差為：

$J(W,b;x)=\frac{1}{2}\left|\right|h_{w,b}\left(x\right)-x|{|}^2$

損失函數(shù)：

$J(W,b;x)=\&lsqb;\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}J(W,b;x^i)\&rsqb;+\frac{\mathrm{\&lambda;}}{2}\underset{l=1}{\overset{n_l-1}{\&Sigma;}}\underset{i=1}{\overset{s_i}{\&Sigma;}}\underset{j=1}{\overset{s_{j+1}}{\&Sigma;}}{\left(W_{ji}^l\right)}^2$

其中n^l代表網(wǎng)絡的3層數(shù)網(wǎng)絡，，s^l表示第l層的節(jié)點個數(shù)。λ是權值衰減系數(shù)，是權值損失和均方差的一個折中項。

網(wǎng)絡的隱含節(jié)點數(shù)遠多于輸入層的節(jié)點數(shù)，自動編碼學習到數(shù)據(jù)的稀疏特征。對于每個輸入，如果隱藏層某個節(jié)點被激活，我們近似地認為這個輸 入數(shù)據(jù)有個節(jié)點所表示的特征?，F(xiàn)有的損失函數(shù)基礎上增加一項稀疏限制，使自動編碼器能學到稀疏的特征。用表示第j個隱含層節(jié)點在輸入數(shù)據(jù)x時的輸出值。由于使用sigmoid激活函數(shù)時候，接近0，加入稀疏參數(shù)p，使用隱藏節(jié)點的平均激活值來擬合稀疏參數(shù)：

${\hat{p}}_j=\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}\&lsqb;a_j^2\left(x^j\right)\&rsqb;$

$s.t.\hat{p}=p$

在損失函數(shù)增加一項，用于懲罰和p的偏離程度：

$\underset{j=1}{\overset{s_2}{\&Sigma;}}\&lsqb;plog\frac{p}{{\hat{p}}_j}+(1-p)log\frac{1-p}{1-{\hat{p}}_j}\&rsqb;$

表示p和之間的KL(Kullback-Leibler)散度，增加稀疏約束的損失函數(shù)如下：

$J(W,b;x)=\&lsqb;\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}J(W,b;x^i)\&rsqb;+\frac{\mathrm{\&lambda;}}{2}\underset{l=1}{\overset{n_l-1}{\&Sigma;}}\underset{i=1}{\overset{s_i}{\&Sigma;}}\underset{j=1}{\overset{s_{j+1}}{\&Sigma;}}{\left(W_{ji}^l\right)}^2+\mathrm{\&beta;}\underset{j=1}{\overset{s_2}{\&Sigma;}}KL\left(p\right|\left|{\hat{p}}_j\right)$

隱藏層的誤差項為：

${\mathrm{\&delta;}}_i^2=\left(\right(\underset{j=1}{\overset{s_2}{\&Sigma;}}{W}_{ji}^2{\mathrm{\&delta;}}_j^3)+\mathrm{\&beta;}(-\frac{p}{{\hat{p}}_j}+\frac{1-p}{1-{\hat{p}}_j}\left)\right)f^{\&prime;}\left(z_i^2\right)$

梯度公式加上權值約束：

$\frac{\&part;}{\&part;W_{ij}^l}J(W,b)=\&lsqb;\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}\frac{\&part;}{\&part;W_{ij}^l}J(W,b,x^i)\&rsqb;+{\mathrm{\&lambda;W}}_{ij}^l$

使用LBFGS訓練方法進行訓練，設置參數(shù)為p＝0.03；權值衰減λ＝3e-3；稀疏約束重要性β＝5

Softmax的訓練大體分兩步：

將訓練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡的卷積層和子采樣層，得到采樣后的特征。

將子采樣后的特征和原來數(shù)據(jù)的標簽作為訓練數(shù)據(jù)，訓練Softmax。

Softmax每種分類的概率為：

$p(y^{\left(i\right)}=j|x^{\left(i\right)};\mathrm{\&theta;})=\frac{e^{{\mathrm{\&theta;}}_j^T{x}^{\left(i\right)}}}{{\mathrm{\&Sigma;}}_{l=1}^k{e}^{{\mathrm{\&theta;}}_l^T{x}^{\left(i\right)}}}$

Softmax訓練的損失函數(shù)：

有了這個權重衰減項以后(λ＞0)，代價函數(shù)就變成了嚴格的凸函數(shù)，這樣就可以保證得到唯一的解。

其中：x表示輸入向量，y⁽ⁱ⁾表示輸出向量，J(θ)表示損失函數(shù)，p表示概率，m表示輸入向量的個數(shù)，k表示分類類別。

需要得這個新函數(shù)J(θ)的導數(shù)

${\&dtri;}_{{\mathrm{\&theta;}}_j}J\left(\mathrm{\&theta;}\right)=-\frac{1}{m}\underset{i=1}{\overset{m}{\&Sigma;}}\&lsqb;x^{\left(i\right)}\left(1\right\{y^{\left(i\right)}=j\}-p(y^{\left(i\right)}=j|x^{\left(i\right)};\mathrm{\&theta;}\left)\right)\&rsqb;+{\mathrm{\&lambda;\&theta;}}_j$

權值更新為：

其中，θ表示參數(shù)，α表示學習率。

相應的，參見圖1中步驟S17，并參見圖4在步驟S17中的具體獲取檢測結果包括：

S171、在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含概率最高的地鐵異物種類的每張二維彩色圖像進行統(tǒng)計分析，得到每一種地鐵異物出現(xiàn)的概率；

具體的，每幅測試圖像都有一定的概率。將p(O|w)＝∑_c∈Cp(c|w)，C表示異物目標的分類。將所有測試圖片p(O|w)與設置的閾值對比，如果超過閾值，選取p(O|w)中最大值送到訓練好的卷積神經(jīng)網(wǎng)絡模型中。

S172、將所述每一種地鐵異物出現(xiàn)的概率與所述訓練好的卷積神經(jīng)網(wǎng)絡模型中預設的每一種地鐵異物出現(xiàn)概率的閾值進行比較，如果超過所述閾值，所述訓練好的神經(jīng)網(wǎng)絡模型將檢測到的該種地鐵異物的檢測結果，判斷為能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果。

具體的，將圖片輸入已經(jīng)訓練好的CNN卷積神經(jīng)網(wǎng)絡模型，p(O|w)＝∑_c∈Cp(c|w)將檢測圖片中的每一個出現(xiàn)概率的種類，與模型設置的閾值進行對比，如果超過設置的閾值，模型將進行進一步的按種類識別物體。超過閾值的種類假設c1,c2,c3(c1,c2,c3∈C)對c1,c2,c3從小到大排序，先對c2,c3的圖像區(qū)域進行高斯模糊處理，將處理后的圖像輸入模型，將c1種類得到的概率，與模型設置的閾值進行比較，得到是否存在該類別的異物，同樣分別對c2,c3進行同樣的操作。

通過本發(fā)明實施例二公開的技術方案，對具體的預處理過程、建立訓練好的卷積神經(jīng)網(wǎng)絡模型的過程以及獲取檢測結果的過程進行了描述，從中可以得到本方案中通過訓練樣本建立卷積神經(jīng)網(wǎng)絡模型，通過檢測樣本結合圖像識別方法獲得最終的檢測結果，解決了現(xiàn)有技術中對地鐵異物檢測識別的效率和精度不高的問題。

實施例三

與本發(fā)明實施例一和實施例二所公開的地鐵異物檢測方法相對應，本發(fā)明實施例三還提供了一種地鐵異物檢測裝置，參見圖5為本發(fā)明實施例三提供的地鐵異物檢測裝置的結構示意圖，該裝置具體包括：

第一處理模塊501，用于讀取地鐵異物訓練樣本，并獲取所述訓練樣本中的二維彩色圖像，對所述二維彩色圖像進行預處理提取其特征，得到處理后的二維彩色圖像，其中，所述二維彩色圖像包括包含地鐵異物的圖片和不包含地鐵異物的圖片；

建立模塊502，用于獲取通過分類器訓練所述處理后的二維彩色圖像后得到的卷積神經(jīng)網(wǎng)絡參數(shù)，建立訓練好的卷積神經(jīng)網(wǎng)絡模型；

第二處理模塊503，用于選擇特定范圍的二維彩色圖像作為第一地鐵異物測試樣本，并對所述第一地鐵異物測試樣本通過圖像歸一化和特征提取的方法進行預處理，得到第二地鐵異物測試樣本；

第三處理模塊504，用于在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對所述第二地鐵異物測試樣本進行處理，得到所述第二地鐵異物測試樣本中的每張二維彩色圖像的特征向量；

獲取模塊505，用于在所述分類器中對所述特征向量進行分類，并獲得所述每張二維彩色圖像中包含每種地鐵異物的概率；

統(tǒng)計模塊506，用于統(tǒng)計分析所述每張二維彩色圖像中包含地鐵異物的概率，獲得相應出現(xiàn)概率最高的地鐵異物種類的二維彩色圖像；

檢測模塊507，用于在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含出現(xiàn)概率最高的地鐵異物種類的每張二維彩色圖像進行檢測，得到能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果。

相應的，所述第一處理模塊501包括：

第一獲取單元5011，用于讀取地鐵異物訓練樣本，并獲取所述訓練樣本中的二維彩色圖像；

第一處理單元5012，用于根據(jù)卷積神經(jīng)網(wǎng)絡結構要求，將所述二維彩色圖像壓縮到像素為64*64的二維彩色圖像；

圖像分割單元5013，用于將所述像素為64*64的二維彩色圖像進行圖像分割，得到8*8的圖像子區(qū)域；

第二處理單元5014，用于對所述8*8的圖像子區(qū)域進行圖像白化處理，得到處理后的二維彩色圖像。

相應的，所述建立模塊502包括：

第三處理單元5021，用于在卷積神經(jīng)網(wǎng)絡的卷基層和子采樣層中對所述處理后的二維彩色圖像進行處理，得到所述處理后的二維彩色圖像的采樣后的特征；

第二獲取單元5022，用于將所述采樣后的特征和所述訓練樣本中的二維彩色圖像作為訓練數(shù)據(jù)，在所述分類器中對所述訓練數(shù)據(jù)進行訓練，得到卷積神經(jīng)網(wǎng)絡參數(shù)，并建立訓練好的卷積神經(jīng)網(wǎng)絡模型。

相應的，所述檢測模塊507包括：

統(tǒng)計單元5071，用于在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含概率最高的地鐵異物種類的每張二維彩色圖像進行統(tǒng)計分析，得到每一種地鐵異物出現(xiàn)的概率；

比較單元5072，用于將所述每一種地鐵異物出現(xiàn)的概率與所述訓練好的卷積神經(jīng)網(wǎng)絡模型中預設的每一種地鐵異物出現(xiàn)概率的閾值進行比較，如果超過所述閾值，所述訓練好的神經(jīng)網(wǎng)絡模型將檢測到的該種地鐵異物的檢測結果，判斷為能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果。

在本發(fā)明的實施例三中，通過第一處理模塊得到處理后的二維彩色圖像；建立模塊，建立訓練好的卷積神經(jīng)網(wǎng)絡模型；第二處理模塊得到處理后的測試樣本；第三處理模塊和獲取模塊類獲得所述測試樣本中每張二維彩色圖像中包含地鐵異物的概率；統(tǒng)計模塊獲得相應的出現(xiàn)概率最高的地鐵異物的圖片；檢測模塊得到能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果，解決了現(xiàn)有技術中對地鐵異物檢測識別的效率和精度不高的問題。

與本發(fā)明實施例一、實施例二所公開的地鐵異物檢測方法和實施例三提供了一種地鐵異物檢測裝置相對應，本發(fā)明實施例四還提供了一種地鐵異物檢測設備，參見圖6為本發(fā)明實施例四提供的地鐵門地鐵異物檢測設備，該設備具體包括：

第一決策分類裝置601，用于讀取地鐵異物訓練樣本，并獲取所述訓練樣本中的二維彩色圖像，對所述二維彩色圖像進行預處理提取其特征，得到處理后的二維彩色圖像，其中，所述二維彩色圖像包括包含地鐵異物的圖片和不包含地鐵異物的圖片；獲取通過分類器訓練所述處理后的二維彩色圖像后得到的卷積神經(jīng)網(wǎng)絡參數(shù)，建立訓練好的卷積神經(jīng)網(wǎng)絡模型；選擇特定范圍的二維彩色圖像作為第一地鐵異物測試樣本，并對所述第一地鐵異物測試樣本通過圖像歸一化和特征提取的方法進行預處理，得到第二地鐵異物測試樣本；在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對所述第二地鐵異物測試樣本進行處理，得到所述第二地鐵異物測試樣本中的每張二維彩色圖像的特征向量；在所述分類器中對所述特征向量進行分類，并獲得所述每張二維彩色圖像中包含每種地鐵異物的概率；統(tǒng)計分析所述每張二維彩色圖像中包含地鐵異物的概率，獲得相應出現(xiàn)概率最高的地鐵異物種類的二維彩色圖像；

所述集中決策分類裝置602，用于在所述訓練好的卷積神經(jīng)網(wǎng)絡模型中對包含出現(xiàn)概率最高的地鐵異物種類的每張二維彩色圖像進行檢測，得到能夠引發(fā)地鐵預警系統(tǒng)進行報警的地鐵異物的檢測結果。

根據(jù)本發(fā)明實施例四提供的地鐵異物檢測設備，主要通過第一決策分類裝置和集中決策分類裝置實現(xiàn)了對地鐵異物的檢測，解決了現(xiàn)有技術中對地鐵異物檢測識別的效率和精度不高的問題。

實施例五

與本發(fā)明實施例一、實施例二所公開的地鐵異物檢測方法、實施例三提供了一種地鐵異物檢測裝置及實施例四提供的地鐵異物檢測設備相對應，本發(fā)明實施例五提供了一種地鐵門屏蔽系統(tǒng)，參見圖6為本發(fā)明實施例四提供的地鐵門屏蔽系統(tǒng)，該系統(tǒng)具體包括：

地鐵門1、地鐵屏蔽門3、攝像頭2、地鐵列車4、障礙物檢測預警裝置7和本發(fā)明實施例四中提供的地鐵異物檢測設備，其中，

所述地鐵門1安裝在所述地鐵列車7上，并且所述地鐵門1與所述地鐵屏蔽門3之間存在夾縫；

所述攝像頭2與所述地鐵異物檢測設備中的所述第一層決策分類裝置5集成在同一塊集成板上，并且所述攝像頭2安裝在所述地鐵門1的正中位置，并位于所述地鐵門1與所述地鐵屏蔽門3的夾縫中間位置；

所述地鐵異物檢測設備中的集中決策裝置6和所述障礙物檢測警報裝置7安裝在地鐵控制處；

所述集中決策裝置6將得到的能夠引發(fā)報警的地鐵異物的檢測結果發(fā)送到所述障礙物檢測預警裝置7，所述障礙物檢測預警裝置根據(jù)所述檢測結果進行報警。

在本發(fā)明實施例五公開的技術方案中，通過攝像頭采集圖像，并在地鐵門屏蔽系統(tǒng)中加入了第一層決策分類裝置和集中決策裝置通過建立卷積神經(jīng)網(wǎng)絡模型利用圖像處理的方法，檢測出能夠引發(fā)報警的地鐵異物的存在，解決了現(xiàn)有技術中對地鐵異物檢測識別的效率和精度不高的問題。

對所公開的實施例的上述說明，使本領域專業(yè)技術人員能夠實現(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領域的專業(yè)技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下， 在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。