列车异常检测方法和系统

1.一种列车异常检测方法，其特征在于，包括：
利用线阵或面阵成像的方式获取当前列车全局图像；
确定当前列车车号，在预设图像库中选择与当前列车车号相对应的全局图像作为参考图像；
将所述当前列车全局图像与所述参考图像进行对齐比对，以确定所述当前列车全局图像与所述参考图像的不一致的区域为列车异常区域；
所述将所述当前列车全局图像与所述参考图像进行对齐包括：对于面阵成像方式获取的全局图像，采用全局配准的方式；对于线阵成像方式获取的全局图像，确定当前列车与参考图像对应的列车的速度差值，当所述当前列车速度与所述参考图像对应的列车速度的差值小于预设数值时，利用特征点全局配准的方式对所述当前列车全局图像和所述参考图像进行对齐，否则，以局部配准方式对所述当前列车全局图像和所述参考图像进行对齐。
2.如权利要求1所述的方法，其特征在于，还包括：
将所述列车异常区域进行图例化标识。
3.如权利要求2所述的方法，其特征在于，所述将所述列车异常区域进行图例化标识具体为：
将所述列车异常区域按照严重程度进行分级，其中严重异常区域利用常规故障检测方法进行重点故障识别分类，不同等级、不同类别的异常区域以不同颜色或形状标示并显示。
4.如权利要求1所述的方法，其特征在于，还包括：
根据预设的级别设定标准，确定异常区域的级别；
对异常级别大于预设门限的异常区域进行图例化显示。
5.如权利要求1所述的方法，其特征在于，还包括：
在接收到用户取消异常区域的指示后，在所述当前全局图像中取消所述用户指定的异常区域。
6.如权利要求5所述的方法，其特征在于，还包括，将所述当前列车全局图像存入所述预设图像库。
7.如权利要求1所述的方法，其特征在于，所述与当前列车车号相对应的参考图像为：
预先设置的正常列车的图像，或者，
在与当前时间最邻近通过的同辆车的图像，或者，
在与当前时间邻近通过的同辆车的多张全局图像，或者，
由所述在与当前时间邻近通过的同辆车的多张全局图像进行融合或统计分析后得到的参考图像。
8.如权利要求1所述的方法，其特征在于，所述特征点全局配准的方式包括：
利用SIFT/SURF方法求得所述当前列车图像和参考图像的多个特征点，并保存每个特征点的尺度和方向构成的特征向量，利用欧式距离方法分别找出当前列车图像的特征点在所述参考图像中对应的特征点，构成同名点对；
依据RANSAC算法根据射影关系剔除错误点对；
确定RANSAC保留的同名点对对应的坐标变换映射关系；
对参考图像进行插值运算。
9.如权利要求1所述的方法，其特征在于，所述局部配准的方式包括：
利用SIFT/SURF方法求得所述当前列车图像和参考图像的多个特征点，并保存每个特征点的尺度和方向构成的特征向量，利用欧式距离方法分别找出当前列车图像的特征点在所述参考图像中对应的特征点，构成同名点对；
依次利用射影变换确定各同名点对对应的坐标变换映射关系对参考图像进行插值运算。
10.如权利要求1所述的方法，所述比对包括：
确定当前列车图像和参考图像的边缘部分，利用边缘信息进行比对。
11.如权利要求10所述的方法，其特征在于，在确定当前列车图像和参考图像的边缘部分之前还包括：
利用直方图统计方法将当前列车图像与参考图像进行亮度归一化处理。
12.如权利要求10所述的方法，其特征在于，在确定当前列车图像和参考图像的边缘部分之后还包括：将当前列车图像与参考图像的边缘进行归一化处理。
13.一种列车异常检测系统，其特征在于，包括：
图像获取单元，用于利用线阵或面阵成像的方式获取当前列车全局图像；
列车车号确定单元，用于确定当前列车车号；
参考图像选取单元，用于在预设图像库中选择与当前列车车号相对应的全局图像作为参考图像；
对齐比对单元，用于将所述当前列车全局图像与所述参考图像进行对齐比对；所述将所述当前列车全局图像与所述参考图像进行对齐包括：对于面阵成像方式获取的全局图像，采用全局配准的方式；对于线阵成像方式获取的全局图像，确定当前列车与参考图像对应的列车的速度差值，当所述当前列车速度与所述参考图像对应的列车速度的差值小于预设数值时，利用特征点全局配准的方式对所述当前列车全局图像和所述参考图像进行对齐，否则，以局部配准方式对所述当前列车全局图像和所述参考图像进行对齐；
列车异常区域确定单元，用于根据所述对齐比对单元的对齐比对结果，确定所述当前列车全局图像与所述参考图像的不一致的区域为列车异常区域，并根据异常区域的严重程度，对严重异常进行重点故障识别分类。
14.如权利要求13所述的系统，其特征在于，还包括：
图例化单元，用于将所述列车异常区域进行图例化标识，或者，在存在多个异常区域时，对级别超过预设门限的异常区域进行图例化标识。
15.如权利要求13或14所述的系统，其特征在于，还包括：
图像存入单元，用于将所述当前列车全局图像存入所述预设图像库。

列车异常检测方法和系统\n技术领域\n[0001] 本发明涉及交通运输技术领域，更具体的说是涉及一种列车异常检测方法和系统。\n背景技术\n[0002] 铁路运输以运输量大、快捷、安全性可靠性高等优点，在交通运输技术领域中占据着较为重要的位置。\n[0003] 而列车作为铁路运输的核心，其异常检测的全面、准确、快速对于铁路运输安全保障来说是至关重要的。\n[0004] 但是，现在的列车异常检测方式主要是工作人员根据经验进行排查，这种方式至少存在以下缺点：\n[0005] 1、列车(包括货车、客车、动车组及其他类型列车)组成结构复杂，细小部件较多，采用人工检测方式存在工作效率低及容易漏检的问题；\n[0006] 2、运行方式等诸多因素都会增加了人工检测的难度，进一步降低了工作效率并进一步增加了漏检的概率：\n[0007] 以动车为例，现在站台高度较高，造成列车隐蔽部件数量增多；其组成结构与传统的列车差别较大，检修作业人员较难记住各零部件的正常状态形式；另外，在入库后，其车轮的内外轮辋、踏面、轮缘由于钢轨和转向架结构的遮挡，存在着视觉盲区。此外，动车组运行特点是：一站直达、停站时间短和长交路运行，这些特点导致其无法中途以人工方式予以检修。\n[0008] 因此需利用计算机自动异常检测方式辅助人工检测，降低工作难度并提高工作效率。此外，由于列车零部件数目颇多，故障类型难以预计，而现有的故障检测方法很难建立准确且完整的故障模型，所以，所述的列车故障检测方法通过全局图像比对发现异常区域，并结合重点故障进一步识别确认的方式对异常区域分级、分类，并且图例化报警提示。\n发明内容\n[0009] 有鉴于此，本发明提供一种列车异常检测方法和系统，用以解决现有技术人工检测方式带来的效率低下及容易出现漏检的问题。\n[0010] 为实现上述目的，本发明提供如下技术方案：\n[0011] 一种列车异常检测方法，包括：\n[0012] 获取当前列车全局图像；\n[0013] 确定当前列车车号，在预设图像库中选择与当前列车车号相对应的全局图像作为参考图像；\n[0014] 将所述当前列车全局图像与所述参考图像进行对齐比对，以确定所述当前列车全局图像与所述参考图像的不一致的区域为列车异常区域。\n[0015] 优选的，上述方法还包括：\n[0016] 将所述列车异常区域进行图例化标识。\n[0017] 优选的，上述方法中，所述将所述列车异常区域进行图例化标识具体为：\n[0018] 将所述列车异常区域按照严重程度进行分级，其中严重异常区域利用常规故障检测方法进行重点故障识别分类，不同等级、不同类别的异常区域以不同颜色或形状标示并显示。\n[0019] 优选的，上述方法还包括：\n[0020] 根据预设的级别设定标准，确定异常区域的级别；\n[0021] 对异常级别大于预设门限的异常区域进行图例化显示。\n[0022] 优选的，上述方法还包括：\n[0023] 在接收到用户取消异常区域的指示后，在所述当前全局图像中取消所述用户指定的异常区域。\n[0024] 优选的，上述方法还包括，将所述当前列车全局图像存入所述预设图像库。\n[0025] 优选的，上述方法中，所述获取当前列车图像具体为：利用线阵或面阵成像的方式获取当前列车全局图像。\n[0026] 优选的，上述方法中，所述与当前列车车号相对应的参考图像为：\n[0027] 预先设置的正常列车的图像，或者，\n[0028] 在与当前时间最邻近通过的同辆车的图像，或者，\n[0029] 在与当前时间邻近通过的同辆车的多张全局图像，或者，\n[0030] 由所述在与当前时间邻近通过的同辆车的多张全局图像进行融合或统计分析后得到的参考图像。\n[0031] 优选的，上述方法中，所述将所述当前列车全局图像与所述参考图像进行对齐包括：\n[0032] 对于面阵图像，采用全局配准的方式；\n[0033] 对于线阵图像，检测当前列车速度，并查询得到所述参考图像对应的列车速度；\n[0034] 当所述当前列车速度与所述参考图像对应的列车速度的差值小于预设数值时，利用特征点全局配准的方式对所述当前列车图像和所述参考图像进行对齐，否则，以局部配准方式对所述当前列车图像和所述参考图像进行对齐。\n[0035] 优选的，上述方法中，所述特征点全局配准的方式包括：\n[0036] 利用SIFT/SURF方法求得所述当前列车图像和参考图像的多个特征点，并保存每个特征点的尺度和方向构成的特征向量，利用欧式距离方法分别找出当前列车图像的特征点在所述参考图像中对应的特征点，构成同名点对；\n[0037] 依据RANSAC算法根据射影关系剔除错误点对；\n[0038] 确定RANSAC保留的同名点对对应的坐标变换映射关系；\n[0039] 对参考图像进行插值运算。\n[0040] 优选的，上述方法中，所述局部配准的方式包括：\n[0041] 利用SIFT/SURF方法求得所述当前列车图像和参考图像的多个特征点，并保存每个特征点的尺度和方向构成的特征向量，利用欧式距离方法分别找出当前列车图像的特征点在所述参考图像中对应的特征点，构成同名点对；\n[0042] 依次利用射影变换确定各同名点对对应的坐标变换映射关系对参考图像进行插值运算。\n[0043] 优选的，上述方法中，所述比对包括：\n[0044] 确定当前列车图像和参考图像的边缘部分，利用边缘信息进行比对。\n[0045] 优选的，上述方法中，在确定当前列车图像和参考图像的边缘部分之前还包括：\n[0046] 利用直方图统计方法将当前列车图像与参考图像进行亮度归一化处理。\n[0047] 优选的，上述方法中，在确定当前列车图像和参考图像的边缘部分之后还包括：将当前列车图像与参考图像的边缘进行归一化处理。\n[0048] 本发明同时还公开了一种列车异常检测系统，包括：\n[0049] 图像获取单元，用于获取当前列车全局图像；\n[0050] 列车车号确定单元，用于确定当前列车车号；\n[0051] 参考图像选取单元，用于在预设图像库中选择与当前列车车号相对应的全局图像作为参考图像；\n[0052] 对齐比对单元，用于将所述当前列车全局图像与所述参考图像进行对齐比对；\n[0053] 列车异常区域确定单元，用于根据所述对齐比对单元的对齐比对结果，确定所述当前列车全局图像与所述参考图像的不一致的区域为列车异常区域，并根据异常区域的严重程度，对严重异常进行重点故障识别分类。\n[0054] 优选的，上述系统还包括：\n[0055] 图例化单元，用于将所述列车异常区域进行图例化标识，或者，在存在多个异常区域时，对级别超过预设门限的异常区域进行图例化标识。\n[0056] 优选的，上述系统还包括：\n[0057] 图像存入单元，用于将所述当前列车全局图像存入所述预设图像库。\n[0058] 经由上述的技术方案可知，与现有技术相比，本实施例提供的方案将对实际车辆的检测转换到对图像的分析，从而可以采用计算机辅助方式自动进行比较，解决现有技术过多依赖人工而导致的效率低下及容易出现漏检的问题。\n附图说明\n[0059] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。\n[0060] 图1为本发明实施例提供的一种列车异常检测方法流程图；\n[0061] 图2为本发明实施例提供的一种列车异常检测方法流程图中步骤S14的具体流程图；\n[0062] 图3为本发明实施例提供的一种列车异常检测方法流程图中步骤S15的具体流程图；\n[0063] 图4为本发明实施例提供的另一种列车异常检测方法流程图；\n[0064] 图5为本发明实施例提供的又一种列车异常检测方法流程图；\n[0065] 图6为本发明实施例提供的一种列车异常检测系统的结构示意图；\n[0066] 图7为本发明实施例提供的另一种列车异常检测系统的结构示意图；\n[0067] 图8为本发明实施例提供的又一种列车异常检测系统的结构示意图；\n[0068] 图9为本发明实施例提供的又一种列车异常检测系统的结构示意图；\n[0069] 图10为本发明实施例提供的又一种列车异常检测系统的结构示意图。\n具体实施方式\n[0070] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。\n[0071] 本发明实施例公开了一种列车异常检测方法，其主要是通过图像比对的方式确定异常，将对实际车辆的检测转换到对图像的分析，从而可以采用计算机辅助方式自动进行比较，解决现有技术过多依赖人工而导致的效率低下及容易出现漏检的问题。该方法的基本内容为：通过自动获取当前列车全局图像，并确定当前列车车号，然后，在预设图像库中选择与当前列车车号相对应的全局图像作为参考图像，将所述当前全局图像和参考图像进行比较，最终确定当前列车是否出现异常。\n[0072] 下面通过几个实施例对本发明技术方案进行详细说明。\n[0073] 实施例一\n[0074] 本实施例提供的一种列车异常检测方法流程图，包括如下步骤：\n[0075] 步骤S11、获取当前列车全局图像。\n[0076] 所述全局图像指的是从各个角度(如底部、顶部、左侧、右侧等)拍摄到的列车图像。\n[0077] 获取当前列车全局图像的具体方式可以是：通过预先设置在列车行驶路径中的某预设位置(下位统称为探测点)的多个摄像头摄取。\n[0078] 其摄取方式可以采用线阵或面阵的成像方式。\n[0079] 步骤S12、确定当前列车车号。\n[0080] 所述当前列车车号具体是指列车各节(辆)车厢，每节车厢均具有唯一的编号，如ZE210103。\n[0081] 步骤S13、在预设图像库中选择与当前列车类型相对应的全局图像作为参考图像。\n[0082] 所述参考图像可以是以下图像中的任意一种：\n[0083] 1、固定模板图像\n[0084] 固定模板图像，即列车出厂时拍摄的标准图像，存储时关联车号信息。可将当前车辆图像(即当前车厢图像)与固定模板图像进行比对分析。\n[0085] 2、与拍摄所述当前列车全局图像时的时间最近邻的一张正常图像，所述正常图像是指经过对齐比对后确定列车无异常，所述对齐比对的具体方式在下文将会详细介绍。一般来说，时间越邻近，参考价值最大，将其与当前图像比对分析的结果可信度最高。\n[0086] 3、当前列车在最邻近时间驶过某个探测点时拍摄到的图像；\n[0087] 4、当前列车在最邻近时间驶过其他探测点时拍摄到的图像。\n[0088] 5、所述当前列车在邻近当前时间被拍摄到的多张图像。\n[0089] 选择多张时间近邻的图像与当前图像分别比对分析，将比对结果按照不同权重融合处理，降低误检率和漏检率。\n[0090] 6、基于所述当前列车在邻近当前时间被拍摄到的多张图像经过统计数学模型后得到的图像。\n[0091] 步骤S14、将所述当前列车全局图像与所述参考图像进行对齐。\n[0092] 图像″对齐″，过程类似于图像配准，是解决变化检测的必要前提。图像对齐就是找出两幅图像中的公共场景部分，并确定他们之间的变换参数，这两幅图像通常是拍摄于不同时间、不同光照条件、基于不同分辨率或者不同角度和位置等，它们之间的变换可以是刚体变换，也可以非线性的仿射变换等。\n[0093] 针对列车故障检测应用，对于面阵图像，采用全局对齐的方式，对于线阵图像，″对齐″主要解决纵向变形问题，并主要遵从两种模式执行，一是当参考列车与当前列车车速相差不大时，直接对线阵图像利用特征点全局对齐；二是当参考列车车速与当前车速差距较大时，则对线阵图像局部对齐，下面分别介绍：\n[0094] 模式一：全局对齐\n[0095] 全局对齐模式中的″对齐″(上述步骤S14)步骤主要如图2所示的流程图执行，图2所示流程包括以下步骤：\n[0096] 步骤S21、特征点提取。\n[0097] 本实施例中，主要采用SIFT/SURF并结合harris等角点检测算法按不同权重进行加权方式保留特征点。\n[0098] 具体方式为：首先，利用SIFT算法在尺度空间进行特征检测，并确定关键点的位置和关键点所处的尺度，然后，使用关键点邻域梯度的主方向作为该点的方向特征，以实现算子对尺度和方向的无关性。\n[0099] SIFT算法可以处理两幅图像之间发生平移、旋转、尺度变化、光照变化情况下的特征匹配问题，并能在一定程度上对视角变化、仿射变换也具备较为稳定的特征匹配能力。\n[0100] SURF算法是SIFT算法的加速版，通过积分图像haar求导，SURF算法在适中的条件下完成两幅图像中物体的匹配基本实现了实时处理。\n[0101] Harris角点检测算法是在Moravec算法基础上发展起来的。Moravec角点检测算法的思想是：在图像中设计一个局部检测窗口，当该窗口沿各个方向作微小移动时，考察窗口的平均能量变化，当该能量变化值超过设定的阈值时，就将窗口的中心像素点提取为角点。Harris检测算法选取高斯函数为检测窗口，对图像进行平滑滤波后再提取角点，对噪声有一定抑制作用。\n[0102] 步骤S22、利用RANSAC方法剔除错误点。\n[0103] 步骤S21中求得特征点的同时可获得每个特征点的尺度、方向构成特征向量，利用欧式距离方法分别找出当前图像的特征点在参考图像中对应的特征点，构成同名点对。\n[0104] RANSAC算法根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据。本实施例中，首先由SIFT/SURF检测出特征点，再由RANSAC对误匹配进行剔除。\n[0105] 在利用特征点对齐中，模型即为从一个平面上的特征点到另外一个平面上的特征点的射影关系，反应为射影矩阵H。H是一个包含8个自由度的3×3矩阵，它最少可以由两平面中的4对匹配点计算出，但同一平面上的3个点必须不共线。\n[0106] 步骤S23、计算坐标变换映射函数。\n[0107] 将RANSAC剔除错误点之后保留下的特征点对，此时要求至少保留四个同名点对，利用射影变换求得当前图像与参考图像之间坐标变换关系。\n[0108] 步骤S24、插值运算。\n[0109] 将参考图像根据步骤S33求得的射影变换矩阵进行坐标变换及插值处理。这里考虑到插值效果及运算效率，采用双线性插值方法。在数学上，双线性插值是有两个变量的插值函数的线性插值扩展，其核心思想是在两个方向分别进行一次线性插值。\n[0110] 模式二：局部对齐\n[0111] 当参考列车车速与当前车速差距较大时，说明有可能在两次采集列车图像的时候，列车出现变速，常规的全局射影变换很难求得准确的坐标映射关系，这种情况下，可以采用局部对齐模式，该模式的具体内容包括：利用SIFT/SURF方法求得所述当前列车图像和参考图像的多个特征点，并保存每个特征点的尺度和方向构成的特征向量，利用欧式距离方法分别找出当前列车图像的特征点在所述参考图像中对应的特征点，构成同名点对；\n依次利用射影变换确定各同名点对对应的坐标变换映射关系对历史图像进行插值运算。\n[0112] 可以看出，与全局对齐模式相比，整体思路一致，但少了步骤S22。\n[0113] 可以在比较当前列车车速与参考列车车速后，根据比较结果确定采用哪种模式的对齐方式：\n[0114] 当所述当前列车速度与所述参考图像对应的列车速度的差值小于预设数值时，利用特征点全局配准的方式(即上述模式一)对所述当前列车图像和所述参考图像进行对齐，否则，以局部配准的方式(即上述模式二)对所述当前列车图像和所述参考图像进行对齐。\n[0115] 步骤S15、比对对齐后的所述当前全局图像及参考图像。\n[0116] 当前车辆图像与对应的参考图像对齐后，进行图像″比对″，通过检测图像间差异的方法，发现列车故障发生区域。\n[0117] 步骤S16、确定所述当前列车全局图像与所述参考图像的不一致的区域为列车异常区域。\n[0118] 可以看出，本实施例提供的方案将对实际车辆的检测转换到对图像的分析，从而可以采用计算机辅助方式自动进行比较，解决现有技术过多依赖人工而导致的效率低下及容易出现漏检的问题。\n[0119] 上述方法中，步骤S15所述的图像比对过程主要按如下流程执行，见图3，包括如下步骤：\n[0120] 步骤S31、边缘提取。\n[0121] 分别提取当前图像与参考图像的边缘区域。\n[0122] 步骤S32、将所述当前图像与参考图像的边缘区域进行比对分析。\n[0123] 本实施例将图像的边缘区域的比对等同于图像的整体比对，节约比对时间，提高效率。\n[0124] 需要说明的是，由于当前图像与参考图像成像过程中很容易受光照影响，直接进行图像比对，会影响比对结果，造成误报，因此在其他实施例中，通过以下两种方式削减光照影响：\n[0125] 预处理模式：利用直方图统计方法将当前图像与参考图像进行亮度归一化处理，而后进行比对；\n[0126] 实时处理模式：将当前图像与参考图像求得的边缘/灰度/纹理实时归一化处理，然后进行差值比对，达到光照影响去除的目的。\n[0127] 此外，考虑到边缘差异只代表主要差异，虽具代表性但缺乏全面性，因此，可以检测边缘差异之外，进一步检测当前图像与参考图像的灰度/纹理特征差异，也即以检测边缘差异为主，当前图像与参考图像的灰度/纹理特征差异检测为辅的思路确定图像变化区域。\n[0128] 在其他的实施例中，还可以将所述异常区域进行标识，以便操作者能够方便地了解异常区域的位置及数量，具体如图4所示，包括以下流程：\n[0129] 步骤S41～步骤S46与上述图1中的步骤S11～步骤S16内容基本相同；\n[0130] 步骤S47、将所述异常区域进行标识后输出。\n[0131] 将所述异常区域进行标识具体可以采用各种方式(例如，以颜色或者加框等形式)进行，只要是能够把异常区域与其佘区域区别开来即可。\n[0132] 此外，在其他实施例中，还可以依据异常区域所在位置对当前列车安全的影响程度对异常区域进行分级，并对不同级别的异常区域赋予不同的标识，例如以红色来标识等级最高的异常区域，以黄色标识等级次高的异常区域。如此，操作人员能够根据标识的不同快速、直观地确定当前列车的状态。\n[0133] 需要说明的是，出现异常区域并非一定就表示当前列车出现异常，本实施例中，针对图像比对的结果判断异常并进行报警主要依据的可以是变化区域的幅值(即两幅图像对应区域的变化幅度)和变化区域的面积大小，当满足变化区域幅值或者面积大于某一设定值则认为此区域为异常。\n[0134] 可以看出，本实施例将异常区域以图例化的方式进行显示，能够给操作人员以直观、形象、明确的指示，能够提高操作人员识别异常的效率。\n[0135] 当然，采用不同标识表示不同等级的异常区域能够让操作人员直观、方便地了解当前列车情况，当仍然需要操作人员对各种等级和标识的关系进行记忆，当等级划分细致时，需要操作人员记住很多等级和标识的关系，这给操作人员对当前列车状态的判断带来不便。为此，本发明另外实施例提供了一种方案，自动对异常进行判断并在出现异常时进行报警，具体过程如图5所示，包括以下流程：\n[0136] 步骤S51～步骤S56与上述图1中的步骤S11～步骤S16内容基本相同。\n[0137] 步骤S57、判断异常区域的严重程度是否超过预设门限，若是，进入步骤S58，否则，结束流程；\n[0138] 具体的，判断异常区域的严重程度是否超过预设门限具体可以是：利用常规故障检测方法判断当前异常区域是否为重点部件故障，或者，判断变化区域的幅值(即两幅图像对应区域的变化幅度)是否超过预定门限，或者判断变化区域的面积是否超过预定门限等。\n[0139] 步骤S58、进行报警。\n[0140] 报警的形式可以有很多，例如通过声音、图像或者运动(振动)进行报警，具体报警形式属于现有技术，在此不再赘述。\n[0141] 如果没有出现异常区域或者异常区域等级较低，则可以认为当前列车处于正常状态，这种情况下，所获取到的当前列车全局图像可以作为后续同列列车异常检测的参考图像。即：当所述异常区域数量为零或者所述异常区域的异常级别低于预设门限时，将所述当前列车全局图像存入所述预设图像库。\n[0142] 此外，在另外的实施例中，操作人员可以依据本实施例提供的比对结果进行处理：\n人工判断异常区域是否真的出现故障，若是，则进行修理，并在修理完毕后通过人机交互单元发送取消指令取消对应的异常区域，否则，则直接通过人机交互单元发送取消指令取消对应的异常区域，然后再将所述当前全局图像存入预设图像库。\n[0143] 当然，还可以直接将当前全局图像存入预设图像库，作为参考图像。这种情况下，如要后续操作人员再调出所述全局图像，对对应的列车进行异常排查，并依据排查结果更新所述全局图像，即：将排除异常的异常区域取消。\n[0144] 于是，在下次调用到所述全局图像时，一方面能够以正常区域为参考进行比对，另一方面可以监控其上面的异常是否被修理，或者是否变得更严重，以便采取措施予以解决。\n[0145] 对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。\n[0146] 针对前文提出的列车异常检测方法，本发明还提供了一种实现该方法的列车异常检测系统，其一种具体结构如图6所示，包括：图像获取单元61、列车车号确定单元62、参考图像选取单元63、对齐比对单元64和列车异常区域确定单元65，其中：\n[0147] 图像获取单元61，用于获取当前列车全局图像；\n[0148] 列车车号确定单元62，用于确定当前列车类型；\n[0149] 参考图像选取单元63，用于在预设图像库中选择与当前列车类型相对应的全局图像作为参考图像；\n[0150] 对齐比对单元64，用于将所述当前列车全局图像与所述参考图像进行对齐比对；\n[0151] 列车异常区域确定单元65，用于根据所述对齐比对单元的对齐比对结果，确定所述当前列车全局图像与所述参考图像的不一致的区域为列车异常区域，并根据异常区域的严重程度，对严重异常进行重点故障识别分类。\n[0152] 图像获取单元61获取当前列车全局图像的具体方式、列车车号确定单元62确定当前列车类型的具体方式、参考图像选取单元63选取参考图像的方式、对齐比对单元64执行对齐、比对步骤的过程，以及列车异常区域确定单元65确定列车异常区域的具体方式请参考前文方法部分的内容，在此不再赘述。\n[0153] 列车异常检测系统的另一种具体结构如图7所示，包括图像获取单元71、列车车号确定单元72、参考图像选取单元73、对齐比对单元74、列车异常区域确定单元75和图例化单元76，其中：\n[0154] 图像获取单元71、列车车号确定单元72、参考图像选取单元73、对齐比对单元74和列车异常区域确定单元75的功能，与前文图像获取单元61、列车车号确定单元62、参考图像选取单元63、对齐比对单元64和列车异常区域确定单元65的功能基本相同。\n[0155] 图例化单元76，用于将所述列车异常区域进行图例化标识。\n[0156] 列车异常检测系统的另一种具体结构如图8所示，包括图像获取单元81、列车车号确定单元82、参考图像选取单元83、对齐比对单元84、列车异常区域确定单元85、图例化单元86和报警单元87，其中：\n[0157] 图像获取单元81、列车车号确定单元82、参考图像选取单元83、对齐比对单元84、列车异常区域确定单元85和图例化单元86的功能，与前文图像获取单元71、列车车号确定单元72、参考图像选取单元73、对齐比对单元74、列车异常区域确定单元75和图例化单元\n76的功能基本相同。\n[0158] 报警单元87，用于在异常区域的异常级别超过预设级别时，进行报警。\n[0159] 列车异常检测系统的另一种具体结构如图9所示，包括图像获取单元91、列车车号确定单元92、参考图像选取单元93、对齐比对单元94、列车异常区域确定单元95、图例化单元96、报警单元97和图像存入单元98，其中：\n[0160] 图像获取单元91、列车车号确定单元92、参考图像选取单元93、对齐比对单元94、列车异常区域确定单元95、图例化单元96、报警单元97的功能，与前文图像获取单元81、列车车号确定单元82、参考图像选取单元83、对齐比对单元84、列车异常区域确定单元85、图例化单元86、报警单元87的功能基本相同。\n[0161] 图像存入单元98，用于将所述当前列车全局图像存入所述预设图像库，作为参考图像。\n[0162] 此外，本实施例还可以包括人机交互单元，如图10所示，本实施例包括图像获取单元101、列车车号确定单元102、参考图像选取单元103、对齐比对单元104、列车异常区域确定单元105、图例化单元106、报警单元107、图像存入单元108和人机交互单元109，其中：\n[0163] 图像获取单元101、列车车号确定单元102、参考图像选取单元103、对齐比对单元\n104、列车异常区域确定单元105、图例化单元106、报警单元107、图像存入单元108，与前文图像获取单元91、列车车号确定单元92、参考图像选取单元93、对齐比对单元94、列车异常区域确定单元95、图例化单元96、报警单元97、图像存入单元98基本相同；\n[0164] 所述人机交互单元109一方面将经过所述列车异常区域确定单元85确定的当前全局图像显示给操作人员，另一方面还可以接收所述操作人员对列车异常排查后发送的指示信息，对所述全局图像中的异常区域进行更新，即：将排除异常的异常区域取消。\n[0165] 本实施例提供的列车异常检测系统进行图像的获取、图像的比对对齐均可以自动进行，无需过多的人工参与，提高了工作效率且降低了漏检的概率。\n[0166] 为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。\n[0167] 需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。\n[0168] 另外，需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语″包括″、″包含″或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句″包括一个......″限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。\n[0169] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。\n对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。