轨道图像中对静态遮挡异物检测算法改进

【摘要】针对铁路轨道线路的相互遮挡异物侵限带来的威胁。本文提出使用微型飞行器进行轨道数据图像采集，将数据实时输入到经过训练的Faster RCNN算法网络中进行异物的识别。为了提高检测率，将网络结构OutsideNet加入到Faster RCNN网络算法中。实验结果表明优化后的网络模型对轨道遮挡异物的检测效果更优。

【关键词】异物检测;微型飞行器;Faster RCNN;OutsideNet;IRNN

【中图分类号】TP751.1

【文献标识码】A

关于铁道异物入侵的问题，目前基于机器视觉的研究因其思路简洁[1]，检测性能可提升空间大，受到众多学者研究。本文采用了无人机巡航对轨道线路拍摄，同时对拍摄到的图像进行实时处理检测异物。

1、系统设计

研究所采用的数据集是建立在PASCAL-VOC2012数据集基础之上[3]，着重对实验所使用到的轨道背景，人，石头以及狗的种类进行训练。

实验建立在深层网络结构VGGNet环境下，修改Prototxt中与类别数目有关的值，在修改值时将人，石头，狗以及轨道图像背景四个类别加入进去，然后进行训练。在识别层中对Classes进行修改，修改为本实验所训练的类别，至此，新增的数据集训练完成。

2、算法描述

2.1 Faster RCNN

Faster RCNN可以看作是“RPN+Fast RCNN”，用RPN代替选择性搜索（Selective Search， SS）[2]。而RPN的主要思想就是使用卷积神经网络直接产生候选区域，使用卷积神经网络的本质就是在网络的最后一层采用滑动扫描窗口。

在此算法网络中最重要的是使RPN与Fast RCNN检测网络组合形成共享计算。RPN网络的具体运行过程是使用一个小网络在神经网络最后一层特征图上进行滑动扫描，映射到一个低维向量，然后再经过一个conv+relu层，得到相同维度特征，最后进行分类和候选框调整。……