王 堯，余祖俊，朱力強，郭保青

(北京交通大學 機械與電子控制工程學院，北京 100044)

近年來，我國高速鐵路發(fā)展迅速，建成和開通運營的高速鐵路里程不斷增加。隨著高速鐵路成為人們出行的主要交通方式之一，其運行安全受到更加廣泛的關注。在眾多影響高速鐵路運行安全的因素中，人員以及異物入侵的檢測難度較大，防范措施有限。主要是因為其具有隨機性強、情況復雜等特點。由于高速鐵路運行速度快，線路需要采取全封閉管理，一旦有人員或其他動物或物體侵入線路，將對列車運行安全造成巨大威脅[1]，因此對高速鐵路線路的入侵防范十分必要?，F(xiàn)有高速鐵路的異物入侵檢測主要有接觸式監(jiān)測網、激光掃描檢測系統(tǒng)、計算機視覺等方法。其中基于計算機視覺的異物入侵檢測方法具有智能化程度高、應用靈活、適用范圍廣、人員成本低等特點，受到了較為廣泛地關注。

基于計算機視覺和模式識別等人工智能方法的鐵路異物檢測技術的主要思路是應用圖像處理、特征提取、圖像識別、智能視頻分析等方法處理鐵路現(xiàn)場視頻圖像，從而檢測圖像中出現(xiàn)入侵的物體。目前已經有了不少研究成果[2-16]，根據采用的計算機視覺處理方法不同，主要有基于背景差分的方法、基于三維信息的方法、基于特征提取的方法以及基于機器學習的方法等幾類。其中基于背景差分的方法使用最為廣泛，例如：董宏輝等[6]提出了一種基于智能視頻分析的鐵路入侵檢測系統(tǒng)，可判別場景中的移動物體。文獻[9-10]利用FPGA以及嵌入式系統(tǒng)搭建了鐵路異物硬件檢測平臺，將相關圖像處理算法移植到硬件平臺，實現(xiàn)了鐵路異物的檢測和分類，提高了處理效率，但是受硬件平臺處理能力的限制，采用了較簡單的處理算法，在復雜場景下檢測效果較差。文獻[12]提出的檢測系統(tǒng)，實現(xiàn)了入侵目標的跟蹤。文獻[15]采用了背景差分方法實現(xiàn)了鐵路異物的檢測，并引入去抖算法以減少相機的抖動帶來的誤檢。郭保青等[16]提出一種針對鐵路場景的改進的相機去抖算法，提高了相機抖動時的檢測效果。這些方法在較為簡單的場景和光照條件較好的情況下都取得了較好的檢測結果，但是在復雜場景和夜間的檢測效果較差。

現(xiàn)有背景差分方法在復雜場景檢測效果較差的主要原因是沒有很好地對動態(tài)背景進行建模。在實際視頻監(jiān)控場景中，雖然圖像是由固定的相機拍攝的，但是由于實際場景的復雜性，圖像的背景并不是不變的。場景中的一些因素，如顯著的光照變化、運動背景物體(搖晃的樹枝，波動的水面等)、移動的陰影、相機的振動等都會使背景發(fā)生變化。因此實際場景的背景是動態(tài)的并帶有較強的隨機性。此外，緩慢移動的前景，以及帶有偽裝色的前景(前景物體與其覆蓋的背景區(qū)域相似)等問題也加大了前景提取的難度。

因此，本文針對現(xiàn)有基于計算機視覺的異物檢測方法以及前景檢測算法的不足，提出了一種基于帶有高階項的全連接條件隨機場CRF(Conditional Random Fields)的前景檢測算法。該方法將現(xiàn)有的基于馬爾科夫隨機場背景模型的4-鄰域范圍內連接的二階項推廣到在整個圖像范圍，同時針對異物檢測問題提出一種新的高階項。并且，為了提高CRF模型的最大后驗概率求解速度，引入了基于高維雙通道濾波的均值場推斷算法場，有效解決了帶有高階項的全連接CRF模型最大后驗概率求解速度慢的問題。實驗結果表明，長距離連接二階項可以防止提取的前景物體的邊緣被過度平滑，而本文提出的高階項的引入可以提高前景物體邊緣部分和偽裝色區(qū)域的檢測準確率。本文在通用的前景提取數據庫上進行實驗，并與現(xiàn)有檢測結果較好的算法進行比較。在大部分場景中，本文方法的檢測準確率好于現(xiàn)有算法，總體檢測準確率優(yōu)于現(xiàn)有方法，利用視覺高鐵場景圖像對本文方法進行測試，實驗表明該方法可以在各種場景下取得較好的檢測結果。

1 基于條件隨機場的鐵路異物入侵檢測

異物入侵高鐵線路時必然有進入線路的運動過程，線路視頻中的運動物體可以被認為是潛在的異物(行駛的列車可以通過進一步處理剔除)。這樣異物檢測就轉換為運動物體的提取，通常也被稱為前景提取。現(xiàn)有的前景提取方法通常建立一個背景模型，獲取的視頻圖像中與背景模型不相符的像素被認為是前景物體。由于實際場景背景具有較強的隨機性，因此通常使用隨機模型對背景進行建模。早期的模型如混合高斯模型MoG[17-19]、核密度估計KDE[20]等，通常只對單個像素的統(tǒng)計特征進行建模，這類方法沒有考慮像素間的相關性，因此對于復雜場景效果不理想。文獻[21-22]提出了基于區(qū)域特征的方法，通過計算像素鄰域內的局部特征或顯式地對鄰域相關性進行建模，在一定程度上提高了提取效果。其中基于馬爾科夫隨機場MRF(Markov Random Fields)的方法[23-27]，通過對單個像素與其4-鄰域內像素的互相關性進行顯式地建模作為先驗概率模型，結合單像素的似然概率模型，最后通過最大后驗概率MAP(Maxium a Post-probability)推斷，可以得到較好地前景分割結果。但是該方法容易在前景物體邊緣出現(xiàn)過度平滑現(xiàn)象，并對偽裝色區(qū)域的檢測結果較差，主要是MRF模型只考慮了像素4-鄰域內二階基團的相關性，沒有考慮高階基團的特征。本文提出的基于全連接高階條件隨機場CRF的前景提取模型，將二階勢的鏈接范圍從MRF模型的4-鄰域范圍擴展到全局范圍，從而得到全連接的條件隨機場，全連接的二階勢可以改善前景物體邊緣出現(xiàn)的過度平滑現(xiàn)象；同時可解決偽裝色區(qū)域檢測效果差的問題，本文提出了一種新的高階勢，得到了高階條件隨機場模型。從而取得了較好地檢測效果，基于CRF的前景提取方法的示意見圖1。

圖1 基于CRF的前景提取示意

CRF模型將前景提取問題表示為一種圖像標記問題，即給圖像的每一個像素i賦予一個標記xi∈{0，1}，0和1分別表示該像素屬于背景或前景。如果將每個圖像標記x看作是一個隨機變量，而圖像標記組成的二值圖像則可以看作是定義在圖像網格上的一個隨機場，表示為x′，這樣一幅二值圖像X則為x′的一個樣本。如果CRF定義了適當的概率分布，當輸入當前圖像I時，就可以求解在已知當前圖像I的條件下，每個二值圖像X的條件概率率P(X|I)。則前景提取問題轉換為找到x′中使得條件概率P(X|I)最大的樣本X的問題，即CRF的最大后驗概率MAP求解問題。CRF模型的關鍵是定義適當的條件概率P(X|I)使得準確的前景分割結果為使條件概率最大的樣本。但是由于一幅圖像包含的像素數量十分巨大，條件概率的分布P(X|I)無法直接定義。因此，通常利用吉布斯分布來表示CRF的分布

(1)

(2)

式中：E(X|I)為吉布斯能量；G=(V，ε)為定義在x上的一個圖模型；CG為定義在G上的基團的集合；φc為基團c∈CG相關聯(lián)的勢函數。

這樣求解P(X|I)最大值的問題就變成了求解能量函數最小化的問題。因此只要定義適當的能量函數，使得在理想情況下，前景提取結果能使能量式(2)最小，可以實現(xiàn)前景的提取。由式(2)可得，能量函數是一系列與CRF的基團相關的勢函數的和，勢函數根據其相關聯(lián)基團的階數，可分為一階勢，二階勢和高階勢。因此能量式(2)可以表示為所有這三種勢的和。

(3)

式中：φu，φp，φc分別為一階勢，二階勢和高階勢；C為高階基團的集合。其中一階勢是定義在單個像素上的函數，其表示的是單個像素屬于背景(xi=0)或前景(xi=1)的概率，與MRF模型中的似然概率類似；二階勢為定義在一對像素上的函數，表示的是兩個像素標記的相容性，可顯式地對標記的平滑性等先驗知識進行建模，與MRF中的先驗概率類似；高階勢為定義在二階以上基團(基團包含兩個以上像素)的函數，可以對更加復雜基團結構上的先驗知識進行建模。

因此，只要根據前景提取問題，定義合適的能量函數式(3)中各階次的勢函數，使得能量函數對準確的前景提取結果取最小值，而對錯誤的提取結果取較大的值，就可以利用CRF的MAP求解方法，實現(xiàn)準確的前景提取。

2 條件隨機場背景模型的建立

2.1 一階勢的建立

一階勢定義在單個像素上，表示每個像素屬于背景或前景的可能性。在本文模型中，一階勢被定義為

φu(xi)=PB(Ii)xiPF(Ii)1-xi

(4)

式中：Ii為圖像在像素i的顏色向量；PB和PF分別為該像素屬于背景或前景的可能性，可以通過各種基于單像素的背景模型和前景模型得到。

關于PB的定義，本文通過保存每個像素的歷史顏色向量作為背景模型，當新得到某個像素的顏色向量后，通過一個核函數來計算當前值與該像素歷史值的相似性來表示該像素屬于背景的可能性。具體計算方法為

PB(Ii)=K(Ii，Bi)

(5)

(6)

式中：D(I-I′)為衡量兩個像素顏色向量差別的函數。本文采用顏色向量各個通道中最大偏差來衡量兩個顏色向量的差別，D(I-I′)可表示為

(7)

從式(6)、式(7)可以看出，當前像素與歷史背景像素的平均偏差值較小時，PB越大，說明該像素屬于背景的概率越大，反之亦然。

對于PF，本文假設前景像素的顏色向量是均勻分布的，因此PF定義為一個常數，具體數值可根據各個場景的情況選擇，一般可取0.1～0.5。

若對式(4)求關于xi的最小值，當PB(Ii)>PF(Ii)時，xi將等于0，當PB(Ii)

2.2 二階勢的建立及作用

二階勢為定義在二階基團(包含兩個像素的基團)上的勢函數。在本文模型中二階勢用于表征兩個像素之間標記的相容性。建立二階勢的基本假設是兩個距離相近且顏色相似的像素應該具有相同的標記。

由于本文將二階勢的定義范圍擴展到了整個圖像范圍，得到一個全連接的CRF模型。為了能夠評價兩個距離較遠像素的標記相容性，采用空間-值域特征。該特征是通過將像素位置(空間域)p=[xy]和顏色向量(值域)I=[rgb]組合后，得到的向量f=[xyrgb]。本文模型的二階勢定義為標記相容性函數和像素相似性函數的乘積。

φp(fi，fj)=μ(xi，xj)g(fi，fj)

(8)

式中：向量fi，fj分別為像素i和j的特征；μ(xi，xj)為標記差別函數；g(fi，fj)為像素相似性函數。本文利用兩個高斯核函數的和來評價像素特征向量的相似度為

(9)

其中右側第一項為特征核，第二項為平滑核。特征核在兩個像素相似且距離較近時輸出較大，其行為受θα和θβ兩個參數控制。而引入平滑核的作用是去除較小的誤檢區(qū)域。

標記差別函數評價兩個不同標記的差別程度。對于二值CRF，由于標記只能取0和1，可以采用如下的簡單形式。

(10)

根據式(8)～式(10)可以看出，當兩個像素的標記相同時，與其相關的二階勢輸出為0；而兩個像素的標記不同時，二階勢輸出一個大于0的值，該值為兩個像素特征向量的相似度。

為了驗證全連接CRF的作用，測試了長距離連接在本文模型中的作用。連接的有效長度實際上受θα和θβ兩個參數的控制，通過改變這兩個參數可以研究不同有效連接距離對檢測結果的影響。圖2展示了對于“Wallflow”數據庫中的“waving tree”場景，θα和θβ兩個參數取不同值時的檢測結果，圖2檢測結果中白色像素表示前景，黑色像素表示背景。

圖2(c)中第1行為較為典型的1幀圖像和其真實分割，后面是不同參數下的檢測結果?？梢钥闯?，θβ對檢測結果的影響不大，增大θβ只小幅度地提高了檢測效果。但是，增大θα，即增加有效空間連接距離，可以顯著地提高檢測效果。通過定量分析誤檢像素的數量，可以證實以上結論。誤檢像素數量相對θα和θβ的變化見圖3。圖3中不同曲線表示了不同θβ取值條件下，誤檢像素數量隨θα變化的關系，總體上θβ對檢測效果影響相對較小，而誤檢像素數量大致隨θα的增大而明顯下降。但是當θα從0增加到10左右時，誤檢數量有小幅增加，這主要是因為較小的空間連接距離還沒有起到應對動態(tài)背景的作用，反而在前景物體邊緣產生了過度平滑現(xiàn)象；而當θα進一步增加時應對動態(tài)背景的作用明顯增加，整體的誤檢數量下降；最后當θα較大而θβ較小時，誤檢數量反而會增加，這主要是因為較小的θβ和較大的θα會加劇前景物體邊緣過度平滑現(xiàn)象，可參照圖2中最后一行頭部的檢測結果。因此在實際檢測過程中，可以針對各個場景選擇適當的θα和θβ，具體方法見4.1節(jié)。

在這個場景中，背景中的樹隨風劇烈晃動，部分樹枝對應的像素在圖像中有較大的位移，很容易被誤檢為前景。空間上長距離的連接可以使像素的信息傳遞到較遠的范圍，當背景像素移動到較遠距離時，可以在更大的范圍內判斷是否有相似的背景像素，從而可以被正確地檢測為背景。

(a)輸入圖像 (b)正確分割

(c)前景分割結果圖2 不同有效連接長度下CRF前景分割結果對比

圖3 誤檢像素數量隨有效連接長度的變化曲線

通過以上分析可以看出，CRF的長距離連接可以有效應對動態(tài)背景問題，但是過長的連接距離會增加前景物體過度平滑情況，因此在對不同場景時需要根據每個場景的具體情況選擇適當的參數。I2R數據集各個場景的測試表明，增加了長距離連接后，在參數優(yōu)化后的條件下，檢測結果的F-測度都有2%～5%左右的提高，I2R測試集上的平均F-測度從83.25%提高到了86.11%。

2.3 高階勢的建立與作用

現(xiàn)有的MRF背景模型通常沒有高階項，為了改善CRF前景提取方法對偽裝色區(qū)域的提取效果，并減少過度平滑現(xiàn)象，本文引入基于圖模式的模型來強化相似區(qū)域的標記一致性。雖然高階項的引入增加了模型求解的難度和效率，但是本文發(fā)現(xiàn)通過適當的改進，可以實現(xiàn)帶高階項CRF模型的快速求解。

將高階勢定義在一個2×2像素大小的矩形4階基團系統(tǒng)上。假設某基團中的左上角像素坐標為(i，j)，則該基團表示為ci，j，其包含的像素集合為：{(i，j)，(i+1，j)，(i，j+1)，(i+1，j+1)}。這4個像素的各種取值組合被稱為該基團的模式，表示為xc。每個像素的標記有兩種取值，因此一個4階基團可以有16個模式。高階勢函數就是定義在基團模式xc上的函數。對于特定的問題，通常只關心一些特殊的模式。因此在定義高階勢時，可以給一些特殊的模式賦予一個較小的勢，而給其他模式賦予一個較大的勢。這樣高階勢可以定義為

(11)

式中：Pc?L|c|為選定的特殊模式的集合；rxc與rmax分別為特殊模式和其他模式對應的高階勢，通常選取rxc

本文選定的特殊模式被定義為矩形4階基團包含的所有像素標記為“1”的模式。這樣高階勢實際上加強了大面積的前景區(qū)域勢能，有助于防止前景物體中小的偽裝色區(qū)域被誤檢為背景，同時也有助于前景物體的邊緣被過度平滑。這樣定義是因為通常前景物體在圖像區(qū)域中所占的比例較小，而圖像中大面積都是背景區(qū)域。因此大面積的區(qū)域被標記為“0”是很常見的模式，不需要被強調，并且小的誤檢為前景的區(qū)域可以通過二階勢中的平滑核有效去除，不需要再通過高階勢加強。因此，本文采用的高階勢式(11)可轉換為簡化的形式

(12)

為了驗證高階勢的作用，實現(xiàn)了兩個版本的CRF模型：一個帶高階勢(full CRF)，另一個不帶高階勢(part full)。兩個模型都針對不同場景進行優(yōu)化選取最優(yōu)參數。實驗結果表明帶有高階勢的模型可以取得更好的檢測結果，以I2R數據集中的“water surface”場景為例說明高階勢的具體作用。圖4展示了兩種CRF模型就該場景檢測結果的對比。圖4中選取了3幀較為典型的圖像，其中第1行為場景圖像，第2行為真實的前景標記，第3行和第4行分別為帶高階勢模型和不帶高階勢模型的檢測結果。

圖4 帶有高階勢和不帶高階勢模型的對比

從圖4中可以看出，總體上帶高階勢的模型比不帶高階勢的模型檢測效果更好。通過對比分析可以發(fā)現(xiàn)高階勢主要有兩個方面的效果：有助于防止檢測出的前景區(qū)域被過度平滑；有助于檢測出偽裝色區(qū)域。采用不帶高階勢的模型時，一些前景物體中的一些像素，特別是邊緣區(qū)域的像素以及顏色與其覆蓋的背景顏色相近的區(qū)域，容易被誤檢為背景，如圖4中人物的腿部區(qū)域。前景被誤檢為背景對后續(xù)檢測結果的影響很大，因為被誤檢的前景像素會通過背景更新過程進入背景模型，后續(xù)檢測中前景將更容易被誤檢為背景，誤檢的區(qū)域會隨檢測的進行不斷擴大。這種情況主要是由二階勢中的平滑效應引入，平滑效應原本是去除由于動態(tài)背景中小范圍背景變化而造成的被誤檢為前景背景像素，但是該作用也造成了部分真實前景被去除。事實上，這是所有帶有平滑處理算法的共同問題，通常的做法是引入一些后處理步驟，從而增加了額外的計算量。而引入高階勢后，前景區(qū)域中大面積完整的區(qū)域具有較小的勢能，引導前景中具有相似特征的像素具有相同的標記，從而可避免邊緣區(qū)域和偽裝色區(qū)域被背景“吞噬”。

3 基于濾波的CRF模型快速求解

在建立了基于CRF的背景模型后，需要求解該隨機場的最大后驗概率問題MAP，以獲得最優(yōu)的前景標記。CRF的MAP求解問題通常也稱為CRF上的推斷問題。本文采用基于雙邊高斯濾波器的推斷方法來實現(xiàn)CRF的快速推斷[28]。該推斷算法以均值場推斷為基礎，通過適當的變形，推斷中的部分計算通過濾波器實現(xiàn)，并利用快速濾波算法實現(xiàn)快速計算，從而提高了推斷速度。

3.1 均值場推斷方法

Qi(xi=l)=

(13)

式中：xc為基團c中所有變量的一個樣本；xc-i為基團c中除了變量xi外其他所有變量的一個樣本；Qc-i為基團c中除了變量xi外其他所有變量的邊緣分布；Zi為歸一化常數。

對于一階勢，化簡后為

(14)

對于二階勢，化簡后為

(15)

對于由式(11)定義的高階勢，轉換后為

(16)

式中：Pc|xi=l為圖模式Pc中xi=l的子集。

3.2 基于濾波的推斷

如果遞推式(13)是逐個像素串行迭代的，KL-散度可以確保逐漸減小。但是，式(13)串行迭代的直接實現(xiàn)方法計算量極大，對于全連接的CRF計算量則更大。文獻[29]指出通過高維的高斯濾波器可以實現(xiàn)式(15)的并行計算。具體變換為

[Gm?Q(l)](fi)-Qi(l)

(17)

式中：Gm為與式(15)中第m項相關的高斯核；?表示卷積運算。卷積運算可以利用高效的雙邊濾波算法，例如基于permutohdral網絡的快速濾波方法[30]，從而實現(xiàn)快速計算。采用該方法后算法的時間復雜度從指數增長下降到了O(Nd)，在MATLAB平臺下算法運行時間為原來的1/10左右，關于該算法運算速度的具體分析可參考文獻[29]。

執(zhí)行固定次數的迭代運算后，選擇xi=maxarglQi(xi=l)為最終的標記值。即每個像素選取使得該像素邊緣概率最大的標記值作為最終標記。

4 實驗

實驗中，算法大部分利用MATLAB實現(xiàn)，一些需要大量計算的函數利用C語言編程實現(xiàn)，并編譯為MEX文件在MATLAB中進行調用。對于不同的檢測場景，采用相同的勢函數形式，而模型參數根據不同的場景進行訓練或設定。本文首先在常用的前景檢測數據集[31-32]上進行測試，以便與其他方法進行對比。數據集都包含了多個檢測難度較大的場景，并且都是實際拍攝的自然場景。每個場景被設計為測試某一類前景提取的難點，場景基本覆蓋了大部分前景提取的難點，如：動態(tài)背景、光照變化、遮擋等。同時數據集提供了部分幀的手動標記的真實分割結果。

4.1 模型參數選擇

本文模型中多個參數需要根據場景的特點進行確定，其中部分參數在很大程度上影響最終的檢測效果。采用分步確定參數的方法，首先，一階勢中采用的背景模型通過現(xiàn)有的方法進行訓練，訓練方法與這些模型單獨使用時的方法相同。然后，使用只包括一階勢的模型檢測結果，手動確定θα和θβ兩個參數。通常，較大的θα會產生較好的檢測效果，特別是在背景的動態(tài)特性較強時。但是，當前景物體中有較明顯的偽裝色區(qū)域時，較大的θα會導致偽裝色及其周圍區(qū)域被誤檢為背景，此時需要減小θα。θβ對檢測結果的影響不大，通常較大的θα配合較大的θβ可以取得較好地效果。平滑核的參數可以選取固定值：ω(2)=1，θγ=3，在不同場景中均可取得較好的效果。最后根據文獻[29]的方法學習二階勢中的ω(1)參數，并設定高階勢模型的參數rmax=ω(1)，rl=0.1rmax。

4.2 通用數據集實驗

我們將本文的模型與其他7種前景提取算法進行比較，其中包括4種現(xiàn)有檢測結果最好的方法和3種經典方法。本文使用F-測度[34]作為評價檢測結果的參數，該參數綜合考慮的檢出率與誤檢率，數值越大說明效果越好。

本文方法和其他對比算法對I2R數據集各個場景的檢測結果(F-測度)見表1。圖5給出了效果較好地3個算法在I2R數據集的各個場景關鍵幀的前景分割結果以及正確分割的對比?？梢钥闯觯傮w上本文帶有高階勢的CRF方法對于大部分場景的檢測結果與真實結果最接近?？梢钥闯?，本文方法在所有場景上都取得了較好地檢測結果，其中在5個場景取得了最好的檢測效果。特別是在“Lobby”和“Hall”場景，本文方法的F-測度比第二好的結果分別提高了7.32%、7.94%，在另外3個場景中，本文方法取得了第二好的結果，并與最好的結果十分接近。但是，對于“Campus”場景，本文方法的結果相對較差，主要是該場景中既有明顯的偽裝色區(qū)域背景又有強烈的動態(tài)特性。而兩種情況的最優(yōu)參數是沖突的，因此很難取得很好的結果。

表1 本文方法與其他對比算法在I2R數據集上的測試結果(F-測度) %

注：“*”為每個場景最高的F-測度。

圖5 I2R數據集取結果對比(從上至下各行：輸入圖像、正確結果、ViBe[33]結果、GFL[34]結果、本文方法結果)

4.3 現(xiàn)場實驗

以本文的前景提取算法為核心的高速鐵路異物檢測系統(tǒng)，在滬寧線、杭甬線等高鐵線路進行了現(xiàn)場實驗。實驗采用了滬寧線10路現(xiàn)場高清視頻圖像和杭甬線55路現(xiàn)場高清視頻圖像，對本文提出的算法在實際高鐵場景中的有效性進行了驗證。高鐵現(xiàn)場的場景較測試數據集更為復雜，精確的前景提取更加困難。尤其是夜間場景，圖像質量差，光線變化復雜，提取難度較大。本文的算法在大部分鐵路場景中取得了較好的效果。圖6給出了本文算法對于典型現(xiàn)場場景的前景提取結果，可以看出在夜間光照較差的條件下，本文方法基本準確地提取了前景。

因為實際場景沒有手工標記的正確分割，無法定量評價本文算法的準確性，所以統(tǒng)計了以本文算法為核心的高鐵線路異物檢測系統(tǒng)的檢測準確率。該系統(tǒng)在本文算法檢測的前景二值圖像基礎上，通過進行形態(tài)學處理、連通區(qū)域提取、區(qū)域選擇等后處理算法，實現(xiàn)了高鐵線路異物的檢測，圖7給出了一些異物檢測的典型情況，由于現(xiàn)場在白天沒有異物入侵的情況，因此只有夜間場景的檢測結果。實驗中，利用30 d的現(xiàn)場圖像數據統(tǒng)計了系統(tǒng)檢測的準確性，系統(tǒng)的檢測準確率達到95.2%，其中白天沒有入侵的情況，實際上該準確率是夜間場景的統(tǒng)計結果。運算速度方面，在處理服務器(Intel E5處理器，64 GBit內存，Window Server 2008操作系統(tǒng))上處理速度達到了10幀/s，基本可以滿足現(xiàn)場使用的要求。

圖6 鐵路場景前景分割結果

圖7 基于本文算法的高鐵異物檢測系統(tǒng)檢測結果

5 結束語

本文提出一種基于帶有高階勢的全連接CRF模型的前景提取算法，該算法針對前景提取中動態(tài)背景、偽裝色等問題建立了CRF模型。定義了基于KDE模型的一階勢、全連接的二階勢以及基于區(qū)域特征的高階勢。針對全連接的高階CRF模型引入了快速卷積的CRF快速推斷方法。在現(xiàn)有測試集上和鐵路現(xiàn)場對本文方法進行了測試。實驗結果表明，全連接二階勢的引入可以使特征在更遠的范圍內傳播，從而正確識別較大的背景物體移動情況，對劇烈的動態(tài)背景有較好的前景提取結果。而高階勢的引入可以避免提取結果出現(xiàn)過度平滑的情況，同時可以提高前景偽裝色區(qū)域的檢測結果。在與其他方法的對比實驗中可以發(fā)現(xiàn)，本文方法在測試集上獲得了較好的檢測結果，大部分場景的檢測結果優(yōu)于現(xiàn)有方法。基于本文前景提取算法的高速鐵路異物入侵檢測系統(tǒng)在滬寧線和杭甬線進行了現(xiàn)場實驗，取得了較好的實驗效果。