(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210315202.X (22)申请日 2022.03.29 (65)同一申请的已公布的文献号 申请公布号 CN 114419825 A (43)申请公布日 2022.04.29 (73)专利权人 中国铁路 设计集团有限公司 地址 300308 天津市滨 海新区自贸试验区 （空港经济区） 东七道109号 (72)发明人 孙琪皓　刘桂卫　崔庆国　张璇钰　 王飞　王衍汇　 (74)专利代理 机构 天津市鼎和专利商标代理有 限公司 12101 专利代理师 蒙建军 (51)Int.Cl. G08B 13/196(2006.01)G08B 13/181(2006.01) G06T 7/73(2017.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G01S 13/86(2006.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (56)对比文件 CN 105389920 A,2016.0 3.09 GB 201301101 D0,2013.0 3.06 审查员 郝洁 (54)发明名称 基于毫米波雷达和摄像头的高铁周界入侵 监测装置及方法 (57)摘要 本发明公开了一种基于毫米波雷达和摄像 头的高铁周界入侵监测装置及方法， 属于高铁周 界安防技术领域， 其特征在于， 感知模块包括成 像毫米波雷达和摄像头； 信息处理部接收感知部 的点云数据和图像数据， 首先对点云数据进行预 处理和异物特征识别、 对图像数据进行预处理和 异物特征识别； 然后进行初步入侵异物判定和识 别， 最后对点云数据和图像数据融合处理， 再次 对入侵异物进行判定和识别； 响应部接收信息处 理部的输 出结果， 并根据结果做出是否报警和信 息显示的动作。 本发明将成像毫米波雷达和超高 清摄像头感知信息融合， 进而克服单一监测手段 的局限性， 能够实现对复杂环境中入侵的行人、 动物、 落石等异物的快速精准识别， 并自动发布 报警信息 。 权利要求书4页 说明书11页 附图6页 CN 114419825 B 2022.06.21 CN 114419825 B 1.一种基于毫米波雷达和摄像头的高铁周界入侵监测方法， 其特征在于， 包括如下步 骤： S1、 高铁周界布设成像毫米波雷达和带红外补光功能的摄 像头； S2、 建立不同异物特征的点云数据库和图像数据库： 选取不同材质和尺寸的异物， 在 现 场开展高铁周界入侵的模拟试验， 分别采集海量点云数据和图像数据， 通过深度学习算法 提取异物特征信息， 建立周界入侵异物标准点云数据库和图像数据库， 并进行储存； 所述点 云数据库是基于深度学习的VGG模型， 在点云数据库中提取能够反映异物目标的8维特征信 息， 包括目标点云数量、 径向距离、 平均高度、 最小矩形目标框长度、 宽度、 相对运动速度、 方 位角、 信噪比， 对典型异物数据样本进行标注， 同时也标注无效目标的反向样本， 形成包含 不同异物特征信息的点云数据库； 所述图像数据库基于深度学习的VGG模型， 在图像中提取 能够反映异物目标的特征信息， 包括轮廓边界、 尺 寸、 距离、 色彩、 亮度、 边缘、 纹理、 像素数， 对典型异物数据样本进行标注， 同时也标注无效目标的反向样本， 形成包含不同异物特征 信息的图像数据库； S3、 现场实时同频采集 点云和图像数据； S4、 对点云数据和图像数据进行 预处理； S5、 基于点云数据的异 物特征识别； 具体为： 第一步， 采用恒虚警检测器确定有无异物 目标存在： 首先采用  CA‑CFAR检测算法确定 一个可自适应变化的动态检测阈值T； 然后将输入端信号与该动态检测阈值T相比较， 若输 入信号超 过动态检测阈值T， 则存在异物目标， 否则无异物目标存在； 所述CA ‑CFAR检测算法 的原理为： 利用参考窗内采样数据的平均值来估计背 景功率， 从而得到变化的检测阈值； 具 体实现步骤为： 首先使用检波器从输入信号中检出低频信号， 然后利用处理单元将参考单 元数据求和并取平均值X、 Y和Z， 通过阈值缩放因子α 得出动态检测阈值T， 最后将待检单元D 与动态检测阈值T比较， 若待检单元D大于动态检测阈值T， 则检测结果为存在异物目标， 反 之， 则无异 物目标存在， 输出 结果； 第二步， 采用目标生命周期法滤除虚假目标： 将入侵目标的生命周期分为三个阶段： 形 成阶段、 持续阶段和消失阶段； 通过出现次数A和丢失次数B两个参数进 行过滤操作， 针对同 一异物目标， 出现次数A表示被探测到的次数， 丢失次数B表示连续丢失的次数； 通过在现场 开展试验测试， 确定出现次数A和丢失次数B两个参数的阈值， 并在装置正式运行工作时设 置两个参数的阈值进行 过滤操作； 第三步， 采用卡尔曼 滤波法实现异 物目标运动参数的估计； 第四步， 基于特征信 息训练随机森林分类器， 实现检出异物目标的自动分类； 具体实现 步骤为： 首先采用最值法对提取点云数据库中的8维特征信息进行标准化处理， 标准化处理的 公式为： ；权　利　要　求　书 1/4 页 2 CN 114419825 B 2其中： 为特征x的标准 化值， 分别为特 征x的最小值和最大值； 然后选用C4.5算法构建决策树模型， 使用信息增益率作为选择分支的准则， 采用如下 公式： ； 其中， 为某特征的熵值， 为第 个类的概率， 为特征x的分裂信息， 为第 个子数据 集的样本数量， 为原数据 集的样本总数量， 为经过特征x分裂之 后的样本集信息增益， 为经过特征x分裂之后的信息增益 率； 最后设置随机森林的参数， 将子树数量设置为100棵， 确保点云分类结果稳定和训练运 算速度； S6、 基于图像数据的异物特征识别； 具体为： 利用S2中不同种类的异物特征信息， 采用 图像帧间差 分法和背 景差分法相结合的算法进行异物目标识别， 识别图像数据中的有效异 物目标信息， 同时剔除无效目标信息； 所述 算法的公式如下： 其中， 和 分别表示第k帧和第(k+1)帧的图像像素值， T为差分图 像二值化阈值， 为差分图像 像素值； 具体实现步骤 包括： 步骤一， 首先选取视频序列中的前100帧图像逐帧相减， 最终得到差值 图像， 然后再将 当前帧图像与该差值图像相减， 获得没有异 物目标的背景图像模型； 步骤二， 将当前帧图像与背景图像作差得到前景图像后， 再进一步进行数学形态学和 二值化操作， 得 出包含异物目标区域； 步骤三， 基于S2现场试验中提取的图像异物特征信息， 利用Adaboost算法识别出有效 的异物目标及其信息； 具体为： 首 先准备好训练数据集 ， 并对训练数据的权重分布 进行初始化， 均赋予1/N的权重； 然后进行多次的迭代计算， 使用具有一定权重的数据集进 行学习， 得到基本分类器Gm（x） ， 计算该基本分类器在最终分类器 中所占的权重αm和分类误 差率em， 并用该结果更新数据集的权 重分布,所用公式如下：权　利　要　求　书 2/4 页 3 CN 114419825 B 3