具体实施方式

下面结合具体实施方式作进一步说明：

一种基于深度学习的地铁有轨电车异物入侵的识别方法，其特征在于：它包括以下步骤：

1)每段轨道设置摄像头(例如100米设置一个)；所述步骤1中每段轨道设置的摄像头朝向均一致，其朝向与车辆行驶方向一致，虽然轨道不是直线，但通过将摄像头拍摄范围接驳成连续的线段式分布有利于对某些移动物体进行连续追踪。所述步骤1中摄像头设置有辅助照明装置，与传统的轨交不同，地铁线路大部分位于地下，光照条件可能不足以为视觉识别提供有力条件，故设置辅助照明装置，例如在地铁沿线的侧壁设置壁灯。

2)视频图像采集；

3)异物识别；所述步骤3包括以下步骤：

S11使用2D高斯滤波模板与原始图像进行卷积，消除噪声；

S12利用导数算子找到图像灰度沿着两个方向的导数Gx和Gy，并求出梯度大小；

S13利用步骤s12的结果计算出梯度方向；

S14把边缘的梯度方向分为0°、45°、90°和135°，并找到这个像素梯度方向的邻接像素；

S15如果某个像素的灰度值与其梯度方向上前后两个像素的梯度值相比不是最大的，那么这个像素值置为0，也就是说不是边缘，反之则是边缘；

S16得到边缘信息后，读取每个像素，如果边缘像素长度大于T，则认为是一个异物候选区域，当检测出异物候选区之后，将异物的坐标记录；由于灯光、天气等原因，视频图像中可能产生一些光影，为了防止误报，故设置阈值；

S17使用支持向量机(SVM)进行异物分类，分类包括检修工、车辆(地铁车厢)、入侵异物。

4)异物是否是动物的识别；S18若步骤s17确定分类为检修工或者车辆则跳过s21-s27，若确定分类为入侵异物则进入步骤s21；

S21接收第一帧视频图像，并进行存储；

S22接收第二帧视频图像，并进行存储；其中，第一帧视频图像和第二帧视频图像是指相邻两帧视频图像；

S23对比第二帧视频图像与第一帧视频图像，判断是否有变化区域，若没有，则执行步骤s24，若有，执行步骤s25；

S24丢弃第一帧视频图像，即将相邻两帧视频图像中前一帧视频图像丢弃，并向决策者反馈该入侵异物分类为物品，不再执行后续操作；

S25确定入侵异物的移动像素距离；也就是比对入侵异物在两帧视频图像中的位置确定入侵异物的移动像素距离；

S26基于比例参数确定入侵异物的移动真实距离，也就是根据比例尺确定移动像素距离对应的移动真实距离；

S27基于入侵异物的移动真实距离确定入侵异物的移动速度，也就是根据移动真实距离与两帧视频图像拍摄的时间间隔确定入侵异物的移动速度；向决策者反馈该入侵异物为动物并预判其运动方向。

5)如果确定有异物则根据异物类型发出对应形式的预警。

例如，当出现物品异物时，将信息通过互联网发送到所属路段维护人员的手机，以便其定点清除；当出现动物时，系统对其跨镜头追踪，并自动生成路线，以便维护人员对动物进行寻找和清除。

其中跨镜头追踪的方法(该方法仅为举例，使用其他跨镜头追踪方法也可行)为：

通过获取单镜头下的视频流，对单镜头下的视频流进行解码，得到单镜头下的多帧视频帧图像，单镜头下的多帧视频帧图像包括动物目标或形态目标。将所述多帧视频帧图像进行目标检测跟踪，确定所述多帧视频帧图像中动物目标与形态目标的关联信息。该动物目标与形态目标的关联信息可以是动物目标与形态目标关联，也可以是动物目标与形态目标不关联，是否关联都称为关联信息。具体的，可以先使用第一目标检测模型对多帧视频帧图像中的动物目标进行检测，得到动物目标边界框，然后使用第二目标检测模型对多帧视频帧图像中的形态目标进行检测，得到形态目标边界框，最后根据动物目标边界框和形态目标边界框的交并比以及动物目标和形态目标的轨迹重叠率确定多帧视频帧图像中动物目标与形态目标的关联信息。其中，第一目标检测模型主要是用来检测动物目标，第二目标检测模型主要是用来检测形态目标。当根据动物目标边界框和所述形态目标边界框的交并比以及动物目标和形态目标的轨迹重叠率确定多帧视频帧图像中动物目标与形态目标的关联信息时，可以通过以下步骤来实现：若动物目标边界框和所述形态目标边界框的交并比大于第一预设阈值，则初步确定动物目标和形态目标关联，然后再判断动物目标和形态目标的跟踪链是否断裂，若断裂，则在确定动物目标和形态目标的轨迹重叠率大于第二预设阈值时，进一步确定动物目标和形态目标关联。若未断裂，继续确定动物目标边界框和形态目标边界框的交并比，直到确定出动物目标与形态目标的关联信息为止。该第一预设阈值和第二预设阈值可以依据经验设置。

上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。