地铁异物检测方法、装置、设备及地铁屏蔽门系统

1.一种地铁异物检测方法，其特征在于，该方法包括：
读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像，对所述二维彩色图像进行预处理提取其特征，得到处理后的二维彩色图像，其中，所述二维彩色图像包括包含地铁异物的图片和不包含地铁异物的图片；
获取通过分类器训练所述处理后的二维彩色图像后得到的卷积神经网络参数，建立训练好的卷积神经网络模型；
选择特定范围的二维彩色图像作为第一地铁异物测试样本，并对所述第一地铁异物测试样本通过图像归一化和特征提取的方法进行预处理，得到第二地铁异物测试样本；
在所述训练好的卷积神经网络模型中对所述第二地铁异物测试样本进行处理，得到所述第二地铁异物测试样本中的每张二维彩色图像的特征向量；
在所述分类器中对所述特征向量进行分类，并获得所述每张二维彩色图像中包含每种地铁异物的概率；
统计分析所述每张二维彩色图像中包含地铁异物的概率，获得相应的出现概率最高的地铁异物种类的二维彩色图像；
在所述训练好的卷积神经网络模型中对包含出现概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果。
2.根据权利要求1所述的方法，其特征在于，所述读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像，对所述二维彩色图像进行预处理提取其特征，得到处理后的二维彩色图像，包括：
读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像；
根据卷积神经网络结构要求，将所述二维彩色图像压缩到像素为64*64的二维彩色图像；
将所述像素为64*64的二维彩色图像进行图像分割，得到8*8的图像子区域；
对所述8*8的图像子区域进行图像白化处理，得到处理后的二维彩色图像。
3.根据权利要求1所述的方法，其特征在于，所获取通过分类器训练所述处理后的二维彩色图像后得到的卷积神经网络参数，建立训练好的卷积神经网络模型，包括：
在卷积神经网络的卷基层和子采样层中对所述处理后的二维彩色图像进行处理，得到所述处理后的二维彩色图像的采样后的特征；
将所述采样后的特征和所述训练样本中的二维彩色图像作为训练数据，在所述分类器中对所述训练数据进行训练，得到卷积神经网络参数，并建立训练好的卷积神经网络模型。
4.根据权利要求1所述的方法，其特征在于，在所述训练好的卷积神经网络模型中对包含概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果，包括：
在所述训练好的卷积神经网络模型中对包含概率最高的地铁异物种类的每张二维彩色图像进行统计分析，得到每一种地铁异物出现的概率；
将所述每一种地铁异物出现的概率与所述训练好的卷积神经网络模型中预设的每一种地铁异物出现概率的阈值进行比较，如果超过所述阈值，所述训练好的神经网络模型将检测到的该种地铁异物的检测结果，判断为能够引发地铁预警系统进行报警的地铁异物的检测结果。
5.一种地铁异物检测装置，其特征在于，该装置包括：
第一处理模块，用于读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像，对所述二维彩色图像进行预处理提取其特征，得到处理后的二维彩色图像，其中，所述二维彩色图像包括包含地铁异物的图片和不包含地铁异物的图片；
建立模块，用于获取通过分类器训练所述处理后的二维彩色图像后得到的卷积神经网络参数，建立训练好的卷积神经网络模型；
第二处理模块，用于选择特定范围的二维彩色图像作为第一地铁异物测试样本，并对所述第一地铁异物测试样本通过图像归一化和特征提取的方法进行预处理，得到第二地铁异物测试样本；
第三处理模块，用于在所述训练好的卷积神经网络模型中对所述第二地铁异物测试样本进行处理，得到所述第二地铁异物测试样本中的每张二维彩色图像的特征向量；
获取模块，用于在所述分类器中对所述特征向量进行分类，并获得所述每张二维彩色图像中包含每种地铁异物的概率；
统计模块，用于统计分析所述每张二维彩色图像中包含地铁异物的概率，获得相应出现概率最高的地铁异物种类的二维彩色图像；
检测模块，用于在所述训练好的卷积神经网络模型中对包含出现概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果。
6.根据权利要求5所述的装置，其特征在于，所述第一处理模块包括：
第一获取单元，用于读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像；
第一处理单元，用于根据卷积神经网络结构要求，将所述二维彩色图像压缩到像素为
64*64的二维彩色图像；
图像分割单元，用于将所述像素为64*64的二维彩色图像进行图像分割，得到8*8的图像子区域；
第二处理单元，用于对所述8*8的图像子区域进行图像白化处理，得到处理后的二维彩色图像。
7.根据权利要求5所述的装置，其特征在于，所述建立模块包括：
第三处理单元，用于在卷积神经网络的卷基层和子采样层中对所述处理后的二维彩色图像进行处理，得到所述处理后的二维彩色图像的采样后的特征；
第二获取单元，用于将所述采样后的特征和所述训练样本中的二维彩色图像作为训练数据，在所述分类器中对所述训练数据进行训练，得到卷积神经网络参数，并建立训练好的卷积神经网络模型。
8.根据权利要求5所述的装置，其特征在于，所述检测模块包括：
统计单元，用于在所述训练好的卷积神经网络模型中对包含概率最高的地铁异物种类的每张二维彩色图像进行统计分析，得到每一种地铁异物出现的概率；
比较单元，用于将所述每一种地铁异物出现的概率与所述训练好的卷积神经网络模型中预设的每一种地铁异物出现概率的阈值进行比较，如果超过所述阈值，所述训练好的神经网络模型将检测到的该种地铁异物的检测结果，判断为能够引发地铁预警系统进行报警的地铁异物的检测结果。
9.一种地铁异物检测设备，其特征在于，该设备包括：第一决策分类装置和集中决策分类装置，其中，
所述第一决策分类装置，用于读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像，对所述二维彩色图像进行预处理提取其特征，得到处理后的二维彩色图像，其中，所述二维彩色图像包括包含地铁异物的图片和不包含地铁异物的图片；获取通过分类器训练所述处理后的二维彩色图像后得到的卷积神经网络参数，建立训练好的卷积神经网络模型；选择特定范围的二维彩色图像作为第一地铁异物测试样本，并对所述第一地铁异物测试样本通过图像归一化和特征提取的方法进行预处理，得到第二地铁异物测试样本；
在所述训练好的卷积神经网络模型中对所述第二地铁异物测试样本进行处理，得到所述第二地铁异物测试样本中的每张二维彩色图像的特征向量；在所述分类器中对所述特征向量进行分类，并获得所述每张二维彩色图像中包含每种地铁异物的概率；统计分析所述每张二维彩色图像中包含地铁异物的概率，获得相应出现概率最高的地铁异物种类的二维彩色图像；
所述集中决策分类装置，用于在所述训练好的卷积神经网络模型中对包含出现概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果。
10.一种地铁门屏蔽系统，其特征在于，该系统包括：地铁门、地铁屏蔽门、摄像头、地铁列车、障碍物检测预警装置和如权利要求9所述的地铁异物检测设备，其中，所述地铁门安装在所述地铁列车上，并且所述地铁门与所述地铁屏蔽门之间存在夹缝；
所述摄像头与所述地铁异物检测设备中的第一层决策分类装置集成在同一块集成板上，并且所述摄像头安装在所述地铁门的正中位置，并位于所述地铁门与所述地铁屏蔽门的夹缝中间位置；
所述地铁异物检测设备中的集中决策装置和所述障碍物检测警报装置安装在地铁控制处；
所述集中决策装置将得到的能够引发地铁预警系统进行报警的地铁异物的检测结果发送到所述障碍物检测预警装置，所述障碍物检测预警装置根据所述检测结果进行报警。

地铁异物检测方法、装置、设备及地铁屏蔽门系统\n技术领域\n[0001] 本发明涉及图像处理技术领域，特别是涉及基于卷积神经网络的一种地铁异物检测方法、装置及地铁屏蔽门系统。\n背景技术\n[0002] 近年来，随着我国城市轨道交通的迅猛发展，客流量不断增大，如何保障乘客安全、高效的出行成为地铁运营的首要目标。为了保障乘客乘车安全，防止在客流拥挤时发生乘客乘车危险的情况，目前的地铁站台与列车之间一般都设置了一个屏蔽门。然而，地铁列车与屏蔽门之间存在一定的空隙，如果在列车启动瞬间发生乘客被夹在屏蔽门和列车门之间的情况，将会造成严重的乘车事故。\n[0003] 为了消除上述安全隐患，防止夹人夹物事件的发生，目前主要是采用列车司机观察或光学探测的方法检测屏蔽门和列车门之间的空隙是否存在异物，即主要是通过列车司机下车观察地铁列车的车位处的“光带”，根据司机视线受阻的程度来判断列车和屏蔽门之间狭长的通道是否有异物存在；或者采用传感器检测的方法，在屏蔽门两侧安装红外探测或激光探测器。上述采用司机观察的方法使得司机负担大，当客流量大时容易收到限制；而采用传感器检测的方法容易受灰尘影响而误报。所以，目前对地铁异物的检测方法在检测精度和性能方面均存在缺陷，易产生检测失误的现象。\n发明内容\n[0004] 针对于上述问题，本发明提供一种地铁异物检测方法、装置、设备及地铁屏蔽门系统，用以解决现有技术中对地铁异物检测识别的效率和精度不高的问题。\n[0005] 为了实现上述目的，根据本发明的第一方面，提供了一种地铁异物检测方法，该方法包括：\n[0006] 读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像，对所述二维彩色图像进行预处理提取其特征，得到处理后的二维彩色图像，其中，所述二维彩色图像包括包含地铁异物的图片和不包含地铁异物的图片；\n[0007] 获取通过分类器训练所述处理后的二维彩色图像后得到的卷积神经网络参数，建立训练好的卷积神经网络模型；\n[0008] 选择特定范围的二维彩色图像作为第一地铁异物测试样本，并对所述第一地铁异物测试样本通过图像归一化和特征提取的方法进行预处理，得到第二地铁异物测试样本；\n[0009] 在所述训练好的卷积神经网络模型中对所述第二地铁异物测试样本进行处理，得到所述第二地铁异物测试样本中的每张二维彩色图像的特征向量；\n[0010] 在所述分类器中对所述特征向量进行分类，并获得所述每张二维彩色图像中包含每种地铁异物的概率；\n[0011] 统计分析所述每张二维彩色图像中包含地铁异物的概率，获得相应的出现概率最高的地铁异物种类的二维彩色图像；\n[0012] 在所述训练好的卷积神经网络模型中对包含出现概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果。\n[0013] 优选的，所述读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像，对所述二维彩色图像进行预处理提取其特征，得到处理后的二维彩色图像，包括：\n[0014] 读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像；\n[0015] 根据卷积神经网络结构要求，将所述二维彩色图像压缩到像素为64*64的二维彩色图像；\n[0016] 将所述像素为64*64的二维彩色图像进行图像分割，得到8*8的图像子区域；\n[0017] 对所述8*8的图像子区域进行图像白化处理，得到处理后的二维彩色图像。\n[0018] 优选的，所获取通过分类器训练所述处理后的二维彩色图像后得到的卷积神经网络参数，建立训练好的卷积神经网络模型，包括：\n[0019] 在卷积神经网络的卷基层和子采样层中对所述处理后的二维彩色图像进行处理，得到所述处理后的二维彩色图像的采样后的特征；\n[0020] 将所述采样后的特征和所述训练样本中的二维彩色图像作为训练数据，在所述分类器中对所述训练数据进行训练，得到卷积神经网络参数，并建立训练好的卷积神经网络模型。\n[0021] 优选的，在所述训练好的卷积神经网络模型中对包含概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果，包括：\n[0022] 在所述训练好的卷积神经网络模型中对包含概率最高的地铁异物种类的每张二维彩色图像进行统计分析，得到每一种地铁异物出现的概率；\n[0023] 将所述每一种地铁异物出现的概率与所述训练好的卷积神经网络模型中预设的每一种地铁异物出现概率的阈值进行比较，如果超过所述阈值，所述训练好的神经网络模型将检测到的该种地铁异物的检测结果，判断为能够引发地铁预警系统进行报警的地铁异物的检测结果。\n[0024] 根据本发明的第二方面，提供了一种地铁异物检测装置，该装置包括：\n[0025] 第一处理模块，用于读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像，对所述二维彩色图像进行预处理提取其特征，得到处理后的二维彩色图像，其中，所述二维彩色图像包括包含地铁异物的图片和不包含地铁异物的图片；\n[0026] 建立模块，用于获取通过分类器训练所述处理后的二维彩色图像后得到的卷积神经网络参数，建立训练好的卷积神经网络模型；\n[0027] 第二处理模块，用于选择特定范围的二维彩色图像作为第一地铁异物测试样本，并对所述第一地铁异物测试样本通过图像归一化和特征提取的方法进行预处理，得到第二地铁异物测试样本；\n[0028] 第三处理模块，用于在所述训练好的卷积神经网络模型中对所述第二地铁异物测试样本进行处理，得到所述第二地铁异物测试样本中的每张二维彩色图像的特征向量；\n[0029] 获取模块，用于在所述分类器中对所述特征向量进行分类，并获得所述每张二维彩色图像中包含每种地铁异物的概率；\n[0030] 统计模块，用于统计分析所述每张二维彩色图像中包含地铁异物的概率，获得相应出现概率最高的地铁异物种类的二维彩色图像；\n[0031] 检测模块，用于在所述训练好的卷积神经网络模型中对包含出现概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果。\n[0032] 优选的，所述第一处理模块包括：\n[0033] 第一获取单元，用于读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像；\n[0034] 第一处理单元，用于根据卷积神经网络结构要求，将所述二维彩色图像压缩到像素为64*64的二维彩色图像；\n[0035] 图像分割单元，用于将所述像素为64*64的二维彩色图像进行图像分割，得到8*8的图像子区域；\n[0036] 第二处理单元，用于对所述8*8的图像子区域进行图像白化处理，得到处理后的二维彩色图像。\n[0037] 优选的，所述建立模块包括：\n[0038] 第三处理单元，用于在卷积神经网络的卷基层和子采样层中对所述处理后的二维彩色图像进行处理，得到所述处理后的二维彩色图像的采样后的特征；\n[0039] 第二获取单元，用于将所述采样后的特征和所述训练样本中的二维彩色图像作为训练数据，在所述分类器中对所述训练数据进行训练，得到卷积神经网络参数，并建立训练好的卷积神经网络模型。\n[0040] 优选的，所述检测模块包括：\n[0041] 统计单元，用于在所述训练好的卷积神经网络模型中对包含概率最高的地铁异物种类的每张二维彩色图像进行统计分析，得到每一种地铁异物出现的概率；\n[0042] 比较单元，用于将所述每一种地铁异物出现的概率与所述训练好的卷积神经网络模型中预设的每一种地铁异物出现概率的阈值进行比较，如果超过所述阈值，所述训练好的神经网络模型将检测到的该种地铁异物的检测结果，判断为能够引发地铁预警系统进行报警的地铁异物的检测结果。\n[0043] 根据本发明的第三方面，提供了一种地铁异物检测设备，该设备包括：\n[0044] 第一决策分类装置和集中决策分类装置，其中，\n[0045] 所述第一决策分类装置，用于读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像，对所述二维彩色图像进行预处理提取其特征，得到处理后的二维彩色图像，其中，所述二维彩色图像包括包含地铁异物的图片和不包含地铁异物的图片；获取通过分类器训练所述处理后的二维彩色图像后得到的卷积神经网络参数，建立训练好的卷积神经网络模型；选择特定范围的二维彩色图像作为第一地铁异物测试样本，并对所述第一地铁异物测试样本通过图像归一化和特征提取的方法进行预处理，得到第二地铁异物测试样本；在所述训练好的卷积神经网络模型中对所述第二地铁异物测试样本进行处理，得到所述第二地铁异物测试样本中的每张二维彩色图像的特征向量；在所述分类器中对所述特征向量进行分类，并获得所述每张二维彩色图像中包含每种地铁异物的概率；统计分析所述每张二维彩色图像中包含地铁异物的概率，获得相应出现概率最高的地铁异物种类的二维彩色图像；\n[0046] 所述集中决策分类装置，用于在所述训练好的卷积神经网络模型中对包含出现概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果。\n[0047] 根据本发明的第四方面，提供了一种地铁门屏蔽系统，该系统包括：地铁门、地铁屏蔽门、摄像头、地铁列车、障碍物检测预警装置和本发明第三方面提供的一种地铁异物检测设备，其中，\n[0048] 所述地铁门安装在所述地铁列车上，并且所述地铁门与所述地铁屏蔽门之间存在夹缝；\n[0049] 所述摄像头与所述地铁异物检测设备中的第一层决策分类装置集成在同一块集成板上，并且所述摄像头安装在所述地铁门的正中位置，并位于所述地铁门与所述地铁屏蔽门的夹缝中间位置；\n[0050] 所述地铁异物检测设备中的集中决策装置和所述障碍物检测警报装置安装在地铁控制处；\n[0051] 所述集中决策装置将得到的能够引发地铁预警系统进行报警的地铁异物的检测结果发送到所述障碍物检测预警装置，所述障碍物检测预警装置根据所述检测结果进行报警。\n[0052] 相较于现有技术，本发明通过读取地铁异物训练样本，提取其特征；获取卷积神经网络参数，建立训练好的卷积神经网络模型；获得所述每张二维彩色图像中包含每种地铁异物的概率；统计分析获得相应的出现概率最高的地铁异物种类的二维彩色图像；在所述训练好的卷积神经网络模型中对包含出现概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果。解决了现有技术中对地铁异物检测识别的效率和精度不高的问题。\n附图说明\n[0053] 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[0054] 图1为本发明实施例一提供的一种地铁异物检测方法的流程示意图；\n[0055] 图2为本发明实施例二对应的图1所示S11步骤中的具体对训练样本预处理的流程示意图；\n[0056] 图3为本发明实施例二对应的图1所示S12步骤中的具体建立训练好的卷积神经网络模型的流程示意图；\n[0057] 图4为本发明实施例二对应的图1所示S16步骤中的具体获取检测结果的流程示意图；\n[0058] 图5为本发明实施例三提供的一种地铁异物检测装置的结构示意图；\n[0059] 图6为本发明实施例四提供的一种地铁异物检测设备的结构示意图；\n[0060] 图7为本发明实施例五提供的一种地铁门屏蔽系统的结构示意图。\n具体实施方式\n[0061] 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[0062] 本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。\n[0063] 实施例一\n[0064] 参见图1为本发明实施例一提供的一种地铁异物检测方法的流程示意图，该方法包括以下步骤：\n[0065] S11、读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像，对所述二维彩色图像进行预处理提取其特征，得到处理后的二维彩色图像，其中，所述二维彩色图像包括包含地铁异物的图片和不包含地铁异物的图片，并且本发明的实施例中训练样本的容量不做限制。\n[0066] S12、获取通过分类器训练所述处理后的二维彩色图像后得到的卷积神经网络参数，建立训练好的卷积神经网络模型；\n[0067] 具体的，在本发明的实施例中优选使用softmax分类器，当然在能够实现本发明的技术方案的前提下也可以选取其他类型的分类器，本发明对此不做限制。\n[0068] S13、选择特定范围的二维彩色图像作为第一地铁异物测试样本，并对所述第一地铁异物测试样本通过图像归一化和特征提取的方法进行预处理，得到第二地铁异物测试样本；\n[0069] 具体的，在选取测试样本时需要选择特定范围的二维彩色图像，是由于摄像头拍摄图片时的焦距问题，为了实现方案的准确性，要选择异物清晰的二维彩色图像作为测试样本；\n[0070] 举例说明，先在摄像头固定一个聚焦的位置，根据已取得的图像内物体的大小，与原来训练样本物体的平均大小进行对比，比率为x，由于当x>1时，可能现在对焦位置所取得图像偏大，所以需要缩小焦距，当x<1时，可能现在对焦位置所取得图像偏大，所以要放大焦距。综合，对聚焦范围进行调整：\n[0071] 在范围内，平均取6个焦距值，获取该焦距下的二维彩色\n图像。\n[0072] S14、在所述训练好的卷积神经网络模型中对所述第二地铁异物测试样本进行处理，得到所述第二地铁异物测试样本中的每张二维彩色图像的特征向量；\n[0073] 具体的，得到所述处理后的测试样本的二维彩色图像的特征向量，即为CNN(卷积神经网络)特征向量，包含地铁各类异物的特征。\n[0074] S15、在所述分类器中对所述特征向量进行分类，并获得所述每张二维彩色图像中包含每种地铁异物的概率；\n[0075] S16、统计分析所述每张二维彩色图像中包含地铁异物的概率，获得相应的出现概率最高的地铁异物种类的二维彩色图像；\n[0076] 具体举例说明，假设图片一包含异物1和异物2，图片二包含异物1和异物3，图片三包含异物2和异物4，统计发现异物1和异物2出现的概率较高，包含异物1和异物2的图片为图片一，所以出现概率最高的地铁异物的图片为图片一。\n[0077] S17、在所述训练好的卷积神经网络模型中对包含出现概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果。\n[0078] 具体的，参见步骤S16下面的例子，将包含出现概率最高的地铁异物的种类的二维彩色图像即图片一，发送到所述训练好的卷积神经网络中，在上述步骤中主要是确定了是否存在异物，即把出现概率高的异物种类确定为真正的异物，而在此步骤中主要是将确定为真正的地铁异物的进行进一步分析，确定是否为能够引起报警的异物，比如，异物分别为小纸片和人体，对于地铁的异物检测系统来说，由于小纸片不足以引起乘客乘车事故或者运营危险，所以小纸片作为异物出现时，并不能引起警报器报警，而如果人体被视为异物，则有可能会出现被地铁屏蔽门夹住的现象，造成人身伤害，所以能够引起警报器报警。\n[0079] 通过本发明实施例一公开的技术方案，具体为读取地铁异物训练样本，提取其特征；获取卷积神经网络参数，建立训练好的卷积神经网络模型；获得所述每张二维彩色图像中包含每种地铁异物的概率；统计分析获得相应的出现概率最高的地铁异物种类的二维彩色图像；在所述训练好的卷积神经网络模型中对包含出现概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果。解决了现有技术中对地铁异物检测识别的效率和精度不高的问题。\n[0080] 实施例二\n[0081] 参照本发明实施例一和图1中所描述的S11到S16步骤的具体过程，并参见图2为本发明实施例二中对应的图1所示S11步骤中的具体对训练样本预处理的流程示意图，图1中步骤S11具体包括：\n[0082] S111、读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像；\n[0083] S112、根据卷积神经网络结构要求，将所述二维彩色图像压缩到像素为64*64的二维彩色图像；\n[0084] S113、将所述像素为64*64的二维彩色图像进行图像分割，得到8*8的图像子区域；\n[0085] 具体的，将图像进行分割成大小是8*8的图像子区域。分割方式是从图像的左上角依次向右向下将图像分割为8*8的图像块，使得子区域不重叠。\n[0086] S114、对所述8*8的图像子区域进行图像白化处理，得到处理后的二维彩色图像。\n[0087] 具体的，8*8的二维彩色图像表示为一个8*8*3的向量x，为了不失一般性，表示为m维，然后对子块使用ZCA白化预处理，使输入的图像的像素之间不相关，所有的像素都有相同的均值和方差。\n[0088] 先将图像转化为0均值，\n[0089] PCA要求输入数据0均值和方差，计算图像的协方差矩阵：\n[0090] 得到协方差的特征向量和特征值，根据特征向量对应的特征\n值的大小，将特征向量以列的形式组成一个特征向量矩阵：U＝[u1u2...un]，特征值由大到小为λ1，λ2...λn，以U为基坐标，将x表示成U空间中的向量，便得到了各维不相关的向量：xrot＝UTx，为了使xrot的各个维度都是标准方差，将xrot转化成PCA白化后的向量xPCAwhite：\n其中ε是为了防止特征值太小而加入的正则化，同时对输入图像轻微平\n-5\n滑，ε≈10 ，为了使输入图像尽可能接近原始的图像再使用ZCA白化：xZCAwhite＝UxPCAwhite[0091] 在得到了处理后的二维彩色图像后，参见图3，图1中的步骤S12具体建立训练好的卷积神经网络模型包括：\n[0092] S121、在卷积神经网络的卷基层和子采样层中对所述处理后的二维彩色图像进行处理，得到所述处理后的二维彩色图像的采样后的特征；\n[0093] S122、将所述采样后的特征和所述训练样本中的二维彩色图像作为训练数据，在所述分类器中对所述训练数据进行训练，得到卷积神经网络参数，并建立训练好的卷积神经网络模型。\n[0094] 具体的，网络的输入是64*64的二维彩色图像，接下来是一个卷积层。卷积层有400个卷积核，每个卷积核从输入图像的8*8子区域提取特征。子区域从图像的左上角滑动到右下角，步幅为1，每个卷积核提取57*57个特征。所以图像在卷积后得到400个57*57的特征映射，卷积层后是子采样，采样区域为19*19，所以每个特征映射采样后的大小是3*3的特征映射，采样方式是均值采样。采样后的特征是最终从图像中提取的特征，是400个3*3的特征映射。将特征映射表示为一个向量，并将400个向量联合组成一个大小为3600的特征向量。这个向量维度比较大，但因为特征是稀疏的，所以向量元素大部分接近0，这个特征向量输入一个逻辑回归层，用于最终的分类。\n[0095] 训练过程：网络需要训练的权值主要分为两部分，一部分是输入层和卷积层之间的权值，另一部分是Softmax层的权值。其中输入层和卷积层之间的权值有自动编码器训练。\n[0096] 自动编码器训练：\n[0097] 自编码器是一个三层的神经网络，网络的输入是经过ZCA白化的图像子块，大小为\n8*8的二维彩色子区域转化为为向量大小是192，隐藏层家的是输入节点的两倍，400个节点。隐藏层使用sigmoid激活函数，输出层使用恒等函数。定义输入为向量x,偏执项b,输出层和隐含层之间的的权值矩阵为W1，隐含层和输出层之间的权值矩阵为W2，sigmoid函数为f.\n[0098] 均方差为：\n[0099]\n[0100] 损失函数：\n[0101]\n[0102] 其中nl代表网络的3层数网络，，sl表示第l层的节点个数。λ是权值衰减系数，是权值损失和均方差的一个折中项。\n[0103] 网络的隐含节点数远多于输入层的节点数，自动编码学习到数据的稀疏特征。对于每个输入，如果隐藏层某个节点被激活，我们近似地认为这个输 入数据有个节点所表示的特征。现有的损失函数基础上增加一项稀疏限制，使自动编码器能学到稀疏的特征。用表示第j个隐含层节点在输入数据x时的输出值。由于使用sigmoid激活函数时候，接近0，加入稀疏参数p，使用隐藏节点的平均激活值来拟合稀疏参数：\n[0104]\n[0105]\n[0106] 在损失函数增加一项，用于惩罚 和p的偏离程度：\n[0107]\n[0108] 表示p和 之间的KL(Kullback-Leibler)散度，增加稀疏约束的损失函\n数如下：\n[0109]\n[0110] 隐藏层的误差项为：\n[0111]\n[0112] 梯度公式加上权值约束：\n[0113]\n[0114] 使用LBFGS训练方法进行训练，设置参数为p＝0.03；权值衰减λ＝3e-3；稀疏约束重要性β＝5\n[0115] Softmax的训练大体分两步：\n[0116] 将训练数据输入神经网络的卷积层和子采样层，得到采样后的特征。\n[0117] 将子采样后的特征和原来数据的标签作为训练数据，训练Softmax。\n[0118] Softmax每种分类的概率为：\n[0119]\n[0120] Softmax训练的损失函数：\n[0121] 有了这个权重衰减项以后\n(λ＞0)，代价函数就变成了严格的凸函数，这样就可以保证得到唯一的解。\n[0122] 其中：x表示输入向量，y(i)表示输出向量，J(θ)表示损失函数，p表示概率，m表示输入向量的个数，k表示分类类别。\n[0123] 需要得这个新函数J(θ)的导数\n[0124]\n[0125] 权值更新为：\n[0126] 其中，θ表示参数，α表示学习率。\n[0127] 相应的，参见图1中步骤S17，并参见图4在步骤S17中的具体获取检测结果包括：\n[0128] S171、在所述训练好的卷积神经网络模型中对包含概率最高的地铁异物种类的每张二维彩色图像进行统计分析，得到每一种地铁异物出现的概率；\n[0129] 具体的，每幅测试图像都有一定的概率。将p(O|w)＝∑c∈Cp(c|w)，C表示异物目标的分类。将所有测试图片p(O|w)与设置的阈值对比，如果超过阈值，选取p(O|w)中最大值送到训练好的卷积神经网络模型中。\n[0130] S172、将所述每一种地铁异物出现的概率与所述训练好的卷积神经网络模型中预设的每一种地铁异物出现概率的阈值进行比较，如果超过所述阈值，所述训练好的神经网络模型将检测到的该种地铁异物的检测结果，判断为能够引发地铁预警系统进行报警的地铁异物的检测结果。\n[0131] 具体的，将图片输入已经训练好的CNN卷积神经网络模型，p(O|w)＝∑c∈Cp(c|w)将检测图片中的每一个出现概率的种类，与模型设置的阈值进行对比，如果超过设置的阈值，模型将进行进一步的按种类识别物体。超过阈值的种类假设c1,c2,c3(c1,c2,c3∈C)对c1,c2,c3从小到大排序，先对c2,c3的图像区域进行高斯模糊处理，将处理后的图像输入模型，将c1种类得到的概率，与模型设置的阈值进行比较，得到是否存在该类别的异物，同样分别对c2,c3进行同样的操作。\n[0132] 通过本发明实施例二公开的技术方案，对具体的预处理过程、建立训练好的卷积神经网络模型的过程以及获取检测结果的过程进行了描述，从中可以得到本方案中通过训练样本建立卷积神经网络模型，通过检测样本结合图像识别方法获得最终的检测结果，解决了现有技术中对地铁异物检测识别的效率和精度不高的问题。\n[0133] 实施例三\n[0134] 与本发明实施例一和实施例二所公开的地铁异物检测方法相对应，本发明实施例三还提供了一种地铁异物检测装置，参见图5为本发明实施例三提供的地铁异物检测装置的结构示意图，该装置具体包括：\n[0135] 第一处理模块501，用于读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像，对所述二维彩色图像进行预处理提取其特征，得到处理后的二维彩色图像，其中，所述二维彩色图像包括包含地铁异物的图片和不包含地铁异物的图片；\n[0136] 建立模块502，用于获取通过分类器训练所述处理后的二维彩色图像后得到的卷积神经网络参数，建立训练好的卷积神经网络模型；\n[0137] 第二处理模块503，用于选择特定范围的二维彩色图像作为第一地铁异物测试样本，并对所述第一地铁异物测试样本通过图像归一化和特征提取的方法进行预处理，得到第二地铁异物测试样本；\n[0138] 第三处理模块504，用于在所述训练好的卷积神经网络模型中对所述第二地铁异物测试样本进行处理，得到所述第二地铁异物测试样本中的每张二维彩色图像的特征向量；\n[0139] 获取模块505，用于在所述分类器中对所述特征向量进行分类，并获得所述每张二维彩色图像中包含每种地铁异物的概率；\n[0140] 统计模块506，用于统计分析所述每张二维彩色图像中包含地铁异物的概率，获得相应出现概率最高的地铁异物种类的二维彩色图像；\n[0141] 检测模块507，用于在所述训练好的卷积神经网络模型中对包含出现概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果。\n[0142] 相应的，所述第一处理模块501包括：\n[0143] 第一获取单元5011，用于读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像；\n[0144] 第一处理单元5012，用于根据卷积神经网络结构要求，将所述二维彩色图像压缩到像素为64*64的二维彩色图像；\n[0145] 图像分割单元5013，用于将所述像素为64*64的二维彩色图像进行图像分割，得到\n8*8的图像子区域；\n[0146] 第二处理单元5014，用于对所述8*8的图像子区域进行图像白化处理，得到处理后的二维彩色图像。\n[0147] 相应的，所述建立模块502包括：\n[0148] 第三处理单元5021，用于在卷积神经网络的卷基层和子采样层中对所述处理后的二维彩色图像进行处理，得到所述处理后的二维彩色图像的采样后的特征；\n[0149] 第二获取单元5022，用于将所述采样后的特征和所述训练样本中的二维彩色图像作为训练数据，在所述分类器中对所述训练数据进行训练，得到卷积神经网络参数，并建立训练好的卷积神经网络模型。\n[0150] 相应的，所述检测模块507包括：\n[0151] 统计单元5071，用于在所述训练好的卷积神经网络模型中对包含概率最高的地铁异物种类的每张二维彩色图像进行统计分析，得到每一种地铁异物出现的概率；\n[0152] 比较单元5072，用于将所述每一种地铁异物出现的概率与所述训练好的卷积神经网络模型中预设的每一种地铁异物出现概率的阈值进行比较，如果超过所述阈值，所述训练好的神经网络模型将检测到的该种地铁异物的检测结果，判断为能够引发地铁预警系统进行报警的地铁异物的检测结果。\n[0153] 在本发明的实施例三中，通过第一处理模块得到处理后的二维彩色图像；建立模块，建立训练好的卷积神经网络模型；第二处理模块得到处理后的测试样本；第三处理模块和获取模块类获得所述测试样本中每张二维彩色图像中包含地铁异物的概率；统计模块获得相应的出现概率最高的地铁异物的图片；检测模块得到能够引发地铁预警系统进行报警的地铁异物的检测结果，解决了现有技术中对地铁异物检测识别的效率和精度不高的问题。\n[0154] 与本发明实施例一、实施例二所公开的地铁异物检测方法和实施例三提供了一种地铁异物检测装置相对应，本发明实施例四还提供了一种地铁异物检测设备，参见图6为本发明实施例四提供的地铁门地铁异物检测设备，该设备具体包括：\n[0155] 第一决策分类装置601，用于读取地铁异物训练样本，并获取所述训练样本中的二维彩色图像，对所述二维彩色图像进行预处理提取其特征，得到处理后的二维彩色图像，其中，所述二维彩色图像包括包含地铁异物的图片和不包含地铁异物的图片；获取通过分类器训练所述处理后的二维彩色图像后得到的卷积神经网络参数，建立训练好的卷积神经网络模型；选择特定范围的二维彩色图像作为第一地铁异物测试样本，并对所述第一地铁异物测试样本通过图像归一化和特征提取的方法进行预处理，得到第二地铁异物测试样本；\n在所述训练好的卷积神经网络模型中对所述第二地铁异物测试样本进行处理，得到所述第二地铁异物测试样本中的每张二维彩色图像的特征向量；在所述分类器中对所述特征向量进行分类，并获得所述每张二维彩色图像中包含每种地铁异物的概率；统计分析所述每张二维彩色图像中包含地铁异物的概率，获得相应出现概率最高的地铁异物种类的二维彩色图像；\n[0156] 所述集中决策分类装置602，用于在所述训练好的卷积神经网络模型中对包含出现概率最高的地铁异物种类的每张二维彩色图像进行检测，得到能够引发地铁预警系统进行报警的地铁异物的检测结果。\n[0157] 根据本发明实施例四提供的地铁异物检测设备，主要通过第一决策分类装置和集中决策分类装置实现了对地铁异物的检测，解决了现有技术中对地铁异物检测识别的效率和精度不高的问题。\n[0158] 实施例五\n[0159] 与本发明实施例一、实施例二所公开的地铁异物检测方法、实施例三提供了一种地铁异物检测装置及实施例四提供的地铁异物检测设备相对应，本发明实施例五提供了一种地铁门屏蔽系统，参见图6为本发明实施例四提供的地铁门屏蔽系统，该系统具体包括：\n[0160] 地铁门1、地铁屏蔽门3、摄像头2、地铁列车4、障碍物检测预警装置7和本发明实施例四中提供的地铁异物检测设备，其中，\n[0161] 所述地铁门1安装在所述地铁列车7上，并且所述地铁门1与所述地铁屏蔽门3之间存在夹缝；\n[0162] 所述摄像头2与所述地铁异物检测设备中的所述第一层决策分类装置5集成在同一块集成板上，并且所述摄像头2安装在所述地铁门1的正中位置，并位于所述地铁门1与所述地铁屏蔽门3的夹缝中间位置；\n[0163] 所述地铁异物检测设备中的集中决策装置6和所述障碍物检测警报装置7安装在地铁控制处；\n[0164] 所述集中决策装置6将得到的能够引发报警的地铁异物的检测结果发送到所述障碍物检测预警装置7，所述障碍物检测预警装置根据所述检测结果进行报警。\n[0165] 在本发明实施例五公开的技术方案中，通过摄像头采集图像，并在地铁门屏蔽系统中加入了第一层决策分类装置和集中决策装置通过建立卷积神经网络模型利用图像处理的方法，检测出能够引发报警的地铁异物的存在，解决了现有技术中对地铁异物检测识别的效率和精度不高的问题。\n[0166] 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。