买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：平安科技(深圳)有限公司

摘要：一种列车火情监测方法，包括：连续获取列车行驶过程中的多张图像；采用YOLO目标检测算法检测出每张图像中的多个候选轮廓区域；将所述多个候选轮廓区域输入预先训练好的SVM模型中，当通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情，所述发生了火情的候选轮廓区域在每张图像中的位置不一致时，输出所述列车上有火情的结果。本发明还提供一种列车火情监测装置、终端及存储介质。本发明能够通过视频监控技术，在非站点路段，连续获取列车的多张图像，并对多张图像进行分析来确定列车上是否发生火情，为列车的安全监测提供了有效的辅助技术手段，提高了列车运行的安全性。

主权项：1.一种列车火情监测方法，其特征在于，所述方法包括：连续获取列车行驶过程中的多张图像；采用YOLO目标检测算法检测出每张图像中的多个候选轮廓区域；将所述多个候选轮廓区域输入预先训练好的SVM模型中，通过所述SVM模型识别是否有至少一个所述候选轮廓区域中发生了火情；当通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情时，判断发生了火情的候选轮廓区域在所述多张图像中的位置是否一致；所述判断发生了火情的候选轮廓区域在所述多张图像中的位置是否一致包括：将所述发生了火情的候选轮廓区域作为第一目标轮廓区域，从所述多张图像中获取连续预设张数的图像，所述连续预设张数的图像中均包括所述第一目标轮廓区域，当所述连续预设张数的图像中的所述第一目标轮廓区域的位移发生了变化时，确定所述发生了火情的候选轮廓区域在每张图像中的相对位置不一致，及确定所述火情为所述列车上的火情，或者，当所述连续预设张数的图像中的所述第一目标轮廓区域的位移没有发生变化时，确定所述发生了火情的候选轮廓区域在每张图像中的相对位置一致，及确定所述火情不为所述列车上的火情，其中，所述多张图像通过位于所述列车的轨道侧的支撑架上的图像采集设备获取得到；当判断所述发生了火情的候选轮廓区域在每张图像中的位置不一致时，输出所述列车上有火情的结果。

全文数据：列车火情监测方法、装置、终端及存储介质技术领域本发明涉及视频监控技术领域，具体涉及一种列车火情监测方法、装置、终端及存储介质。背景技术我国高速铁路和高速列车技术经过20多年的发展，已取得了可喜的骄人成绩。但针对于我国铁路网络规模大，覆盖地域面积广，运输线路长等特点，列车的运行安全成为国家铁路发展要解决的重要问题，一旦列车安全事故发生，将给国家和人民带来不可估量的损失和灾难。而列车火灾安全防范又是列车安全防范的重点，已成为国家和各研究机构研究的重要课题。目前列车运行安全及火灾安全监测采用纯人工方式，依靠人工现场查验获取相关数据信息，而人工检测需耗费大量的时间和人力，而且检测效率低下，容易出现错误；另外，在非站点的路段也无法通过人工进行检测。因此，有必要提供一种不依靠人工且在非站点路段的列车火情的监测的技术方案。发明内容鉴于以上内容，有必要提出一种列车火情监测方法、装置、终端及存储介质，能够通过视频监控技术，在非站点路段，连续获取列车的多张图像，并对多张图像进行分析来确定列车上是否发生火情，为列车的安全监测提供了有效的辅助技术手段，提高了列车运行的安全性。本发明的第一方面提供一种列车火情监测方法，所述方法包括：连续获取列车行驶过程中的多张图像；采用YOLO目标检测算法检测出每张图像中的多个候选轮廓区域；将所述多个候选轮廓区域输入预先训练好的SVM模型中，通过所述SVM模型识别是否有至少一个所述候选轮廓区域中发生了火情；当通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情时，判断发生了火情的候选轮廓区域在所述多张图像中的位置是否一致；当判断所述发生了火情的候选轮廓区域在每张图像中的位置不一致时，输出所述列车上有火情的结果。优选的，所述判断发生了火情的候选轮廓区域在所述多张图像中的位置是否一致包括：将所述发生了火情的候选轮廓区域作为第一目标轮廓区域；从所述多张图像中获取连续预设张数的图像；判断所述连续预设张数的图像中的所述第一目标轮廓区域的位移是否发生了变化；当判断所述连续预设张数的图像中的所述第一目标轮廓区域的位移发生了变化时，所述方法还包括：确定所述发生了火情的候选轮廓区域在每张图像中的位置不一致，及确定所述火情为所述列车上的火情；当判断所述连续预设张数的图像中的所述第一目标轮廓区域的位移没有发生变化时，所述方法还包括：确定所述发生了火情的候选轮廓区域在每张图像中的位置一致，及确定所述火情不为所述列车上的火情。优选的，所述SVM模型的训练过程包括：获取多张发生火情的图像作为正样本集，及多张红色物体的图像作为负样本集；根据所获取的正负样本集生成正负样本训练集及正负样本测试集；将所述正负样本训练集输入SVM中进行训练获得SVM模型；将所述正负样本测试集输入所述SVM模型中进行测试，获得测试通过率；若所述测试通过率大于或者等于预设通过率阈值，确定所述SVM模型训练结束；若所述测试通过率小于所述预设通过率阈值，增加所述正负样本训练集的数量，重新进行SVM模型的训练。优选的，所述根据所获取的正负样本集生成正负样本训练集及正负样本测试集包括：采用随机数生成算法，在所述正负样本集中随机选择第一预设数量的图像作为所述正负样本训练集，及随机选择第二预设数量的图像作为所述正负样本测试集。优选的，当通过所述SVM模型识别出没有一个所述候选轮廓区域中发生了火情时；或者当通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情，但所述发生了火情的候选轮廓区域在每张图像中的位置一致时，所述方法还包括：输出所述列车上没有火情的结果。优选的，在所述输出所述列车有火情的结果之后，所述方法还包括：向所述列车的列车司机发送告警信息；同时，向前方车站的调度室发送包含所述列车的机车号的告警信息。优选的，在所述连续获取列车行驶过程中的多张图像之后，所述方法还包括：对所述多张图像进行照度或对比度归一化处理；采用双边滤波算法对进行所述归一化处理后的多张图像进行降噪处理。本发明的第二方面提供一种列车火情监测装置，所述装置包括：获取模块，用于连续获取列车行驶过程中的多张图像；检测模块，用于采用YOLO目标检测算法检测出每张图像中的多个候选轮廓区域；识别模块，用于将所述多个候选轮廓区域输入预先训练好的SVM模型中，通过所述SVM模型识别是否有至少一个所述候选轮廓区域中发生了火情；判断模块，用于当所述识别模块通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情时，判断发生了火情的候选轮廓区域在每张图像中的位置是否一致；输出模块，用于当所述判断模块确定所述发生了火情的候选轮廓区域在每张图像中的位置不一致时，输出所述列车上有火情的结果。本发明的第三方面提供一种终端，所述终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述列车火情监测方法。本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述列车火情监测方法。综上所述，本发明所述的列车火情监测方法、装置、终端及存储介质，在列车行驶的过程中，连续获取多张图像，然后采用YOLO目标检测算法检测出每张图像中的多个候选轮廓区域，最后将所述多个候选轮廓区域输入预先训练好的SVM模型中进行识别，即可得到多个候选轮廓区域中是否有火情发生，当确定有候选轮廓区域发生了火情时，进一步判断发生了火情的候选轮廓区域的位置是否固定，在确定位置固定时，方才输出列车上有火情的结果。为列车及行人的安全检测提供有效的辅助技术手段，打破了完全依靠纯人工视觉、听觉、触觉被动判断列车上是否发生了火情的机制，避免了人工操作容易出错的风险，大大减轻现场工作人员的工作量，提高了列车运行的安全性，提高了工作人员的工作效率，实现了对运输安全生产的有效控制，并为列车调度室提供了有效的高清晰图像依据。其次，结合位置进一步确保火情是否为列车上的火情，避免因误报或者错报造成的停车、延误事件的发生，提高了铁路运输的效率。附图说明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。图1是本发明实施例一提供的列车火情监测方法的流程图。图2是本发明实施例二提供的列车火情监测装置的结构图。图3是本发明实施例三提供的终端的结构示意图。如下具体实施方式将结合上述附图进一步说明本发明。具体实施方式为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本发明，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。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。实施例一图1是本发明实施例一提供的列车火情监测方法的流程图。在本实施例中，所述列车火情监测方法可以应用于终端中，对于需要进行列车火情监测的终端，可以直接在终端上集成本发明的方法所提供的列车火情监测的功能，或者以软件开发工具包SoftwareDevelopmentKit，SKD的形式运行在终端中。如图1所示，所述列车火情监测方法应用于列车行驶过程中的这一特定场景，所述列车火情监测方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。S11：连续获取列车行驶过程中的多张图像。本实施例中的列车是由十几甚至几十节的集装箱车厢组成的，每节集装箱车箱长约35-40米。列车一般包括头部和尾部，头部位于第一节车厢的前端，尾部位于最后一节车厢的末端。本实施例中，可以通过高清数字图像采集设备获取列车在行驶过程中的多张图像。由于列车运行速度较快，可高达几百米每秒，而通过单一图像无法精确的确定列车上是否发生了火情，因此可以采用高速连拍数字照相技术，在列车经过时，通过高清数字图像采集设备快速对所述列车进行连拍从而获取多张包含列车在内的高清数字图像。或者通过高清数字图像采集设备采集视频流，通过提取视频流中的帧得到多张图像，以便通过多张连续性的图像综合识别列车上是否发生了火情。本实施例中，所述高清数字图像采集设备可以包括多台高清相机，所述高清相机安装在被监视列车轨道的两侧沿所述列车行进路线设置的至少一个支撑架上。具体的，多台高清相机可以分别安装在铁轨龙门架的顶梁和两根立柱上，实时获取列车顶部及两侧视频图像并发送至流媒体存储装置。当然在其它实施例中，所述高清相机还可以有其他的安装位置，只要能清晰地获取列车顶部及两侧的清晰图像即可。高清数字图像采集设备可以通过专用视频光端机、有线网络等技术向各个车站调度室的室内视频分析服务器发送采集的所述高清图像，使得列车管理部门能够随时通过室内视频分析服务器掌握列车的运行情况。优选的，在所述连续获取列车行驶过程中的多张图像之后，所述方法还包括：对所述多张图像进行预处理。本实施例中，对所述多张图像进行预处理包括：对所述多张图像进行照度或对比度归一化处理；采用双边滤波算法对进行所述归一化处理后的多张图像进行降噪处理。由于监控的是全天候不同时段、不同光线强度、不同气候特征的列车运行状态，对多张高清图像进行预处理之后，可解决不同时段、不同光照条件下图像的照度或者对比度的归一化，从而将图像中所需要识别部分的特征进行优化凸显，将其余不需要识别部分的特征进行弱化处理，以提高图像识别的准确性和识别速度。所述双边滤波算法能够有效的去除噪声，例如，由高清数字图像采集设备产生的椒盐噪声，同时，还具有良好的边缘细节保持能力。关于双边滤波算法的处理过程为现有技术，本发明在此不再详细赘述。需要说明的是，本实施例中，无需对所述多张图像进行图像灰度归一化处理，即多张图像或者经过预处理后的多张图像为彩色图像。S12：采用YOLO目标检测算法检测出每张图像中的多个候选轮廓区域。本实施例中，在得到包含列车在内的多张图像之后，需要根据预先设置的YOLO目标检测算法来检测每张图像中的多个目标。YOLOYouOnlyLookOnce：Better，Faster，Stronger目标检测算法为快速多目标检测算法，能够同时检测出多个候选目标，且用矩形框的形式框选出了每个候选目标的轮廓区域，候选目标的轮廓区域称之为候选轮廓区域。本实施例中的目标为红色的区域，例如，列车上发生了火情所对应的红色区域，列车车厢外面钩挂了一个红色的袋子所对应的红色区域，或者铁路沿线的其他区域发生了火情所对应的红色区域。S13：将所述多个候选轮廓区域输入预先训练好的SVM模型中，通过所述SVM模型识别是否有至少一个所述候选轮廓区域中发生了火情。本实施例中，检测出多个候选轮廓区域之后，需要从所述多个候选轮廓区域之中筛选出代表可能发生了火情的目标轮廓区域，并在后续进一步对所述目标轮廓区域进行判断是否真的发生了火情。预先训练支持向量机模型SupportVectorMachine，SVM，支持向量机SupportVectorMachine，SVM作为分类模型，具有很好的二分类效果，通常用来进行模式识别、分类及回归分析。SVM的主要思想：一是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。通过支持向量机模型识别出是否有至少一个候选轮廓区域中发生了火情。当通过SVM模型输出某一个候选轮廓区域中发生了火情时，表明列车上发生了火情的可能性较大。当通过SVM模型识别出所有候选轮廓区域中均没有发生火情时，即通过SVM模型识别出没有一个候选轮廓区域中发生了火情时，表明列车上没有发生火情。优选的，所述SVM模型的训练过程包括：131获取多张发生火情的图像作为正样本集，及多张红色物体的图像作为负样本集；由于发生了火情时获取的图像中大部分区域为红色，而红色物体的图像中的大部分区域也为红色，因为，红色物体的图像非常容易被误判为发生了火情的图像，故可以预先获取大量的发生火情的图像作为正样本集，大量的没有发生火情但为红色物体的图像作为负样本集。132根据所获取的正负样本集生成正负样本训练集及正负样本测试集；本较佳实施例中，训练SVM模型时可以采用交叉验证CrossValidation的思想，将获取的正负样本集按照合适的比例进行划分成正负样本训练集及正负样本测试集，合适的划分比例如6：4。具体的，所述根据所获取的正负样本集生成正负样本训练集及正负样本测试集包括：采用随机数生成算法，在所述正负样本集中随机选择第一预设数量的图像作为所述正负样本训练集，及随机选择第二预设数量的图像作为所述正负样本测试集。所述正负样本训练集用以训练SVM模型，所述正负样本测试集用以测试所训练出的SVM模型的性能，若测试的准确率越高，则表明所训练出的SVM模型的性能越好；若测试的准确率较低，则表明所训练出的SVM模型的性能较差。若划分出的正负样本训练集的总数量依旧较大，即将所有的正负样本训练集用来参与SVM模型的训练，将导致寻找SVM模型对应的最优参数的代价较大，因而，可以在所生成的正负样本训练集中随机挑选第一预设比例的样本参与训练，减少了参与训练的样本的数量。本较佳实施例中，为了增加参与训练的正负样本训练集的随机性，可以采用随机数生成算法进行随机选择。本较佳实施例中，所述第一预设数量可以是一个预先设置的固定值，例如，40，即在所生成的正负样本训练集中随机挑选出40个样本参与SVM模型的训练。所述第一预设数量还可以是一个预先设置的比例值，例如，110，即，即在所生成的正负样本训练集中随机挑选110比例的样本参与SVM模型的训练。133将所述正负样本训练集输入SVM中进行训练获得SVM模型；134将所述正负样本测试集输入所述SVM模型中进行测试，获得测试通过率；135若所述测试通过率大于或者等于预设通过率阈值，确定所述SVM模型训练结束；若所述测试通过率小于所述预设通过率阈值，增加所述正负样本训练集的数量，重新进行SVM模型的训练。本实施例中，可以使用第一标识对所述正样本训练集进行标记，使用第二标识对所述负样本训练集进行标记，之后，对携带有第一标识的部分正样本训练集和第二标识的部分负样本训练集进行训练，获得SVM模型。在进行测试时，即可通过所述SVM模型的输出标识来确定候选轮廓区域中是否有火情发生，比如，如果输出的是第一标识，即可确定候选轮廓区域中有火情发生，如果输出的是第二标识，即可确定候选轮廓区域中无火情发生。若通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情时，执行S14；若通过所述SVM模型识别出没有一个所述候选轮廓区域中发生了火情时，执行S16。S14：判断发生了火情的候选轮廓区域在每张图像中的位置是否一致。本实施例中，即使根据预先训练好的SVM模型识别出有至少一个所述候选轮廓区域中发生了火情时，也无法确保火情一定是所述列车上的，也有可能是铁路沿线上的其他设备发生了火情，刚好在列车到来时被拍摄到了，则需要进一步通过判断发生了火情的候选轮廓区域在每张图像中的位置是否一致，来确定所述SVM模型识别出的火情是否是列车上的火情，避免误报或错报。优选的，所述判断发生了火情的候选轮廓区域在所述多张图像中的位置是否一致包括：将所述发生了火情的候选轮廓区域作为第一目标轮廓区域；从所述多张图像中获取连续预设张数的图像；判断所述连续预设张数的图像中的所述第一目标轮廓区域的位移是否发生了变化。通过判断所述多张图像中获取连续预设张数的图像中发生了火情的候选轮廓区域的位移是否发生了变化来确定发生了火情的候选轮廓区域在所述多张图像中的位置是否一致。当判断所述连续预设张数的图像中的所述第一目标轮廓区域的位移发生了变化时，则确定所述发生了火情的候选轮廓区域在每张图像中的位置不一致，认为所述火情为所述列车上的火情；当判断所述连续预设张数的图像中的所述第一目标轮廓区域的位移没有发生变化时，则确定所述发生了火情的候选轮廓区域在每张图像中的位置一致，认为所述火情不为所述列车上的火情。示例性的，假设获取了4张图像，采用LOYO目标检测算法检测出每张图像中有3个候选轮廓区域，这3个候选轮廓区域中，有些候选轮廓区域中可能是发生了火情，有些候选轮廓区域中可能是红色物体，通过预先训练好的SVM图像能够清楚的识别出有2个候选轮廓区域中发生了火情，另1个候选轮廓区域中没有发生火情。此时无法准确的判断出2个候选轮廓中发生的火情为列车上的火情还是铁路沿线上其他设备上的火情，因而需要进一步判断这2个候选轮廓区域中是否有目标轮廓区域在4张图像中的位置不一致。当这2个候选轮廓区域中至少有1个目标轮廓区域在4张图像中的位置不一致，则认为火情是列车上的。当这2个候选轮廓区域在4张图像中的位置均一致，则认为火情不是列车上的，为铁路沿线上的其他设备上的火情。应当理解的是，本实施例中所述的位置是指相对位置，即，每张图像上的轮廓区域相对于该张图像而言的，如果火情是列车上的，那么火情应该随着列车一起运动，在多张图像中的相对位置就会发生变化；如果火情不是列车上的，那么火情应该是固定的，在多张图像中的相对位置就是固定的，保持一致。当判断发生了火情的候选轮廓区域在每张图像中的位置不一致时，执行S15；当判断发生了火情的候选轮廓区域在每张图像中的位置一致时，执行S16。S15：输出所述列车上有火情的结果。本实施例中，当通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情，且所述发生了火情的候选轮廓区域在每张图像中的位置不一致时，输出所述列车上没有火情的结果。S16：输出所述列车上没有火情的结果。本实施例中，当通过所述SVM模型识别出没有一个所述候选轮廓区域中发生了火情时；或者当通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情，但所述发生了火情的候选轮廓区域在每张图像中的位置一致时，输出所述列车上没有火情的结果。进一步的，在所述输出所述列车上有火情的结果之后，所述方法还包括：向所述列车的列车司机发送告警信息；同时，向前方车站的调度室发送包含所述列车的机车号的告警信息。本实施例中，机车号为永久标示列车的号码，包括：型号和编号，机车号在全路管辖范围内是唯一的。在发现有火情时，同时向列车司机和前方站的调度室发送告警信息。向列车司机发送告警信息，便于司机能实时了解正在运行的列车的状况，起到提醒司机及时停车对火情进行处理，避免火情进一步扩散造成更大的损失；而向前方车站发送包含所述列车的机车号的告警信息，便于前方车站工作人员及时赶往发生火情的列车所在的地点进行救援。即，起到了双重保障对发生火情的列车及时救援的效果。综上所述，本发明所述列车火情监测方法，在列车行驶的过程中，连续获取多张图像，然后采用YOLO目标检测算法检测出每张图像中的多个候选轮廓区域，最后将所述多个候选轮廓区域输入预先训练好的SVM模型中进行识别，即可得到多个候选轮廓区域中是否有火情发生，当确定有候选轮廓区域发生了火情时，进一步判断发生了火情的候选轮廓区域的位置是否固定，在确定位置固定时，方才输出列车上有火情的结果。为列车及行人的安全检测提供有效的辅助技术手段，打破了完全依靠纯人工视觉、听觉、触觉被动判断列车上是否发生了火情的机制，避免了人工操作容易出错的风险，大大减轻现场工作人员的工作量，提高了列车运行的安全性，提高了工作人员的工作效率，实现了对运输安全生产的有效控制，并为列车调度室提供了有效的高清晰图像依据。其次，结合位置进一步确保火情是否为列车上的火情，避免因误报或者错报造成的停车、延误事件的发生，提高了铁路运输的效率；再者，对发生有火情的列车进行实时报警，可及时对火情进行控制，避免了火情的进一步扩大。实施例二图2是本发明实施例二提供的列车火情监测装置的结构图。在一些实施例中，所述列车火情监测装置20可以包括多个由程序代码段所组成的功能模块。所述列车火情监测装置20中的各个程序段的程序代码可以存储于终端的存储器中，并由所述至少一个处理器所执行，以执行详见图1描述对存在列车火情进行监测。本实施例中，所述列车火情监测装置20，运行在列车行驶过程中这一特定场景，根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块201、预处理模块202、检测模块203、识别模块204、输出模块205、判断模块206、确定模块207及发送模块208。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。获取模块201，用于连续获取列车行驶过程中的多张图像。本实施例中的列车是由十几甚至几十节的集装箱车厢组成的，每节集装箱车箱长约35-40米。列车一般包括头部和尾部，头部位于第一节车厢的前端，尾部位于最后一节车厢的末端。本实施例中，可以通过高清数字图像采集设备获取列车在行驶过程中的多张图像。由于列车运行速度较快，可高达几百米每秒，而通过单一图像无法精确的确定列车上是否发生了火情，因此可以采用高速连拍数字照相技术，在列车经过时，通过高清数字图像采集设备快速对所述列车进行连拍从而获取多张包含列车在内的高清数字图像。或者通过高清数字图像采集设备采集视频流，通过提取视频流中的帧得到多张图像，以便通过多张连续性的图像综合识别列车上是否发生了火情。本实施例中，所述高清数字图像采集设备可以包括多台高清相机，所述高清相机安装在被监视列车轨道的两侧沿所述列车行进路线设置的至少一个支撑架上。具体的，多台高清相机可以分别安装在铁轨龙门架的顶梁和两根立柱上，实时获取列车顶部及两侧视频图像并发送至流媒体存储装置。当然在其它实施例中，所述高清相机还可以有其他的安装位置，只要能清晰地获取列车顶部及两侧的清晰图像即可。高清数字图像采集设备可以通过专用视频光端机、有线网络等技术向各个车站调度室的室内视频分析服务器发送采集的所述高清图像，使得列车管理部门能够随时通过室内视频分析服务器掌握列车的运行情况。优选的，在所述获取模块201连续获取列车行驶过程中的多张图像之后，所述列车火情监测装置20还包括：预处理模块202，用于对所述多张图像进行预处理。本实施例中，对所述多张图像进行预处理包括：对所述多张图像进行照度或对比度归一化处理；采用双边滤波算法对进行所述归一化处理后的多张图像进行降噪处理。由于监控的是全天候不同时段、不同光线强度、不同气候特征的列车运行状态，对多张高清图像进行预处理之后，可解决不同时段、不同光照条件下图像的照度或者对比度的归一化，从而将图像中所需要识别部分的特征进行优化凸显，将其余不需要识别部分的特征进行弱化处理，以提高图像识别的准确性和识别速度。所述双边滤波算法能够有效的去除噪声，例如，由高清数字图像采集设备产生的椒盐噪声，同时，还具有良好的边缘细节保持能力。关于双边滤波算法的处理过程为现有技术，本发明在此不再详细赘述。需要说明的是，本实施例中，无需对所述多张图像进行图像灰度归一化处理，即多张图像或者经过预处理后的多张图像为彩色图像。检测模块203，用于采用YOLO目标检测算法检测出每张图像中的多个候选轮廓区域。本实施例中，在得到包含列车在内的多张图像之后，需要根据预先设置的YOLO目标检测算法来检测每张图像中的多个目标。YOLOYouOnlyLookOnce：Better，Faster，Stronger目标检测算法为快速多目标检测算法，能够同时检测出多个候选目标，且用矩形框的形式框选出了每个候选目标的轮廓区域，候选目标的轮廓区域称之为候选轮廓区域。本实施例中的目标为红色的区域，例如，列车上发生了火情所对应的红色区域，列车车厢外面钩挂了一个红色的袋子所对应的红色区域，或者铁路沿线的其他区域发生了火情所对应的红色区域。识别模块204，用于将所述多个候选轮廓区域输入预先训练好的SVM模型中，通过所述SVM模型识别是否有至少一个所述候选轮廓区域中发生了火情。本实施例中，检测出多个候选轮廓区域之后，需要从所述多个候选轮廓区域之中筛选出代表可能发生了火情的目标轮廓区域，并在后续进一步对所述目标轮廓区域进行判断是否真的发生了火情。预先训练支持向量机模型SupportVectorMachine，SVM，支持向量机SupportVectorMachine，SVM作为分类模型，具有很好的二分类效果，通常用来进行模式识别、分类及回归分析。SVM的主要思想：一是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。通过支持向量机模型识别出是否有至少一个候选轮廓区域中发生了火情。当通过SVM模型输出某一个候选轮廓区域中发生了火情时，表明列车上发生了火情的可能性较大。当通过SVM模型识别出所有候选轮廓区域中均没有发生火情时，即通过SVM模型识别出没有一个候选轮廓区域中发生了火情时，表明列车上没有发生火情。优选的，所述SVM模型的训练过程包括：131获取多张发生火情的图像作为正样本集，及多张红色物体的图像作为负样本集；由于发生了火情时获取的图像中大部分区域为红色，而红色物体的图像中的大部分区域也为红色，因为，红色物体的图像非常容易被误判为发生了火情的图像，故可以预先获取大量的发生火情的图像作为正样本集，大量的没有发生火情但为红色物体的图像作为负样本集。132根据所获取的正负样本集生成正负样本训练集及正负样本测试集；本较佳实施例中，训练SVM模型时可以采用交叉验证CrossValidation的思想，将获取的正负样本集按照合适的比例进行划分成正负样本训练集及正负样本测试集，合适的划分比例如6：4。具体的，所述根据所获取的正负样本集生成正负样本训练集及正负样本测试集包括：采用随机数生成算法，在所述正负样本集中随机选择第一预设数量的图像作为所述正负样本训练集，及随机选择第二预设数量的图像作为所述正负样本测试集。所述正负样本训练集用以训练SVM模型，所述正负样本测试集用以测试所训练出的SVM模型的性能，若测试的准确率越高，则表明所训练出的SVM模型的性能越好；若测试的准确率较低，则表明所训练出的SVM模型的性能较差。若划分出的正负样本训练集的总数量依旧较大，即将所有的正负样本训练集用来参与SVM模型的训练，将导致寻找SVM模型对应的最优参数的代价较大，因而，可以在所生成的正负样本训练集中随机挑选第一预设比例的样本参与训练，减少了参与训练的样本的数量。本较佳实施例中，为了增加参与训练的正负样本训练集的随机性，可以采用随机数生成算法进行随机选择。本较佳实施例中，所述第一预设数量可以是一个预先设置的固定值，例如，40，即在所生成的正负样本训练集中随机挑选出40个样本参与SVM模型的训练。所述第一预设数量还可以是一个预先设置的比例值，例如，110，即，即在所生成的正负样本训练集中随机挑选110比例的样本参与SVM模型的训练。133将所述正负样本训练集输入SVM中进行训练获得SVM模型；134将所述正负样本测试集输入所述SVM模型中进行测试，获得测试通过率；135若所述测试通过率大于或者等于预设通过率阈值，确定所述SVM模型训练结束；若所述测试通过率小于所述预设通过率阈值，增加所述正负样本训练集的数量，重新进行SVM模型的训练。本实施例中，可以使用第一标识对所述正样本训练集进行标记，使用第二标识对所述负样本训练集进行标记，之后，对携带有第一标识的部分正样本训练集和第二标识的部分负样本训练集进行训练，获得SVM模型。在进行测试时，即可通过所述SVM模型的输出标识来确定候选轮廓区域中是否有火情发生，比如，如果输出的是第一标识，即可确定候选轮廓区域中有火情发生，如果输出的是第二标识，即可确定候选轮廓区域中无火情发生。输出模块205，用于在所述识别模块204通过所述SVM模型识别出没有一个所述候选轮廓区域中发生了火情时；输出所述列车上没有火情的结果。判断模块206，用于在所述识别模块204通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情时，判断发生了火情的候选轮廓区域在每张图像中的位置是否一致。本实施例中，即使根据预先训练好的SVM模型识别出有至少一个所述候选轮廓区域中发生了火情时，也无法确保火情一定是所述列车上的，也有可能是铁路沿线上的其他设备发生了火情，刚好在列车到来时被拍摄到了，则需要进一步通过判断发生了火情的候选轮廓区域在每张图像中的位置是否一致，来确定所述SVM模型识别出的火情是否是列车上的火情，避免误报或错报。优选的，所述判断模块206判断发生了火情的候选轮廓区域在所述多张图像中的位置是否一致包括：将所述发生了火情的候选轮廓区域作为第一目标轮廓区域；从所述多张图像中获取连续预设张数的图像；判断所述连续预设张数的图像中的所述第一目标轮廓区域的位移是否发生了变化。通过判断所述多张图像中获取连续预设张数的图像中发生了火情的候选轮廓区域的位移是否发生了变化来确定发生了火情的候选轮廓区域在所述多张图像中的位置是否一致。当判断所述连续预设张数的图像中的所述第一目标轮廓区域的位移发生了变化时，则确定模块207，用于确定所述发生了火情的候选轮廓区域在每张图像中的位置不一致，认为所述火情为所述列车上的火情；当判断所述连续预设张数的图像中的所述第一目标轮廓区域的位移没有发生变化时，则所述确定模块207，还用于确定所述发生了火情的候选轮廓区域在每张图像中的位置一致，认为所述火情不为所述列车上的火情。示例性的，假设获取了4张图像，采用LOYO目标检测算法检测出每张图像中有3个候选轮廓区域，这3个候选轮廓区域中，有些候选轮廓区域中可能是发生了火情，有些候选轮廓区域中可能是红色物体，通过预先训练好的SVM图像能够清楚的识别出有2个候选轮廓区域中发生了火情，另1个候选轮廓区域中没有发生火情。此时无法准确的判断出2个候选轮廓中发生的火情为列车上的火情还是铁路沿线上其他设备上的火情，因而需要进一步判断这2个候选轮廓区域中是否有目标轮廓区域在4张图像中的位置不一致。当这2个候选轮廓区域中至少有1个目标轮廓区域在4张图像中的位置不一致，则认为火情是列车上的。当这2个候选轮廓区域在4张图像中的位置均一致，则认为火情不是列车上的，为铁路沿线上的其他设备上的火情。应当理解的是，本实施例中所述的位置是指相对位置，即，每张图像上的轮廓区域相对于该张图像而言的，如果火情是列车上的，那么火情应该随着列车一起运动，在多张图像中的相对位置就会发生变化；如果火情不是列车上的，那么火情应该是固定的，在多张图像中的相对位置就是固定的，保持一致。输出模块205，还用于在所述识别模块204通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情，但所述判断模块206判断发生了火情的候选轮廓区域在每张图像中的位置一致时，输出所述列车上没有火情的结果。所述输出模块205，还用于当所述判断模块206判断发生了火情的候选轮廓区域在每张图像中的位置不一致时，输出所述列车上有火情的结果。进一步的，在所述输出所述列车上有火情的结果之后，所述列车火情监测装置20还包括：发送模块208，用于向所述列车的列车司机发送告警信息；所述发送模块208，还用于向前方车站的调度室发送包含所述列车的机车号的告警信息。本实施例中，机车号为永久标示列车的号码，包括：型号和编号，机车号在全路管辖范围内是唯一的。在发现有火情时，同时向列车司机和前方站的调度室发送告警信息。向列车司机发送告警信息，便于司机能实时了解正在运行的列车的状况，起到提醒司机及时停车对火情进行处理，避免火情进一步扩散造成更大的损失；而向前方车站发送包含所述列车的机车号的告警信息，便于前方车站工作人员及时赶往发生火情的列车所在的地点进行救援。即，起到了双重保障对发生火情的列车及时救援的效果。综上所述，本发明所述列车火情监测装置，在列车行驶的过程中，连续获取多张图像，然后采用YOLO目标检测算法检测出每张图像中的多个候选轮廓区域，最后将所述多个候选轮廓区域输入预先训练好的SVM模型中进行识别，即可得到多个候选轮廓区域中是否有火情发生，当确定有候选轮廓区域发生了火情时，进一步判断发生了火情的候选轮廓区域的位置是否固定，在确定位置固定时，方才输出列车上有火情的结果。为列车及行人的安全检测提供有效的辅助技术手段，打破了完全依靠纯人工视觉、听觉、触觉被动判断列车上是否发生了火情的机制，避免了人工操作容易出错的风险，大大减轻现场工作人员的工作量，提高了列车运行的安全性，提高了工作人员的工作效率，实现了对运输安全生产的有效控制，并为列车调度室提供了有效的高清晰图像依据。其次，结合位置进一步确保火情是否为列车上的火情，避免因误报或者错报造成的停车、延误事件的发生，提高了铁路运输的效率；再者，对发生有火情的列车进行实时报警，可及时对火情进行控制，避免了火情的进一步扩大。实施例三参阅图3所示，为本发明实施例三提供的终端的结构示意图。在本发明较佳实施例中，所述终端3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。本领域技术人员应该了解，图3示出的终端的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述终端3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。在一些实施例中，所述终端3包括一种能够按照事先设定或存储的指令，自动进行数值计算和或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述终端3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。需要说明的是，所述终端3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述终端3中的列车火情监测装置20，并在终端3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器Read-OnlyMemory，ROM、随机存储器RandomAccessMemory，RAM、可编程只读存储器ProgrammableRead-OnlyMemory，PROM、可擦除可编程只读存储器ErasableProgrammableRead-OnlyMemory，EPROM、一次可编程只读存储器One-timeProgrammableRead-OnlyMemory，OTPROM、电子擦除式可复写只读存储器Electrically-ErasableProgrammableRead-OnlyMemory，EEPROM、只读光盘CompactDiscRead-OnlyMemory，CD-ROM或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器CentralProcessingunit，CPU、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述终端3的控制核心ControlUnit，利用各种接口和线路连接整个终端3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行终端3的各种功能和处理数据，例如执行列车火情监测的功能。在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。尽管未示出，所述终端3还可以包括给各个部件供电的电源比如电池，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述终端3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备可以是个人计算机，终端，或者网络设备等或处理器processor执行本发明各个实施例所述方法的部分。在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述终端3的操作装置以及安装的各类应用程序如所述的列车火情监测装置20、程序代码等，例如，上述的各个模块。所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到列车火情监测的目的。在本发明的一个实施例中，所述存储器31存储多个指令，所述多个指令被所述至少一个处理器32所执行以实现列车火情监测的功能。具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。在本发明所提供的几个实施例中，应该理解到，所揭露的装置，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

权利要求：1.一种列车火情监测方法，其特征在于，所述方法包括：连续获取列车行驶过程中的多张图像；采用YOLO目标检测算法检测出每张图像中的多个候选轮廓区域；将所述多个候选轮廓区域输入预先训练好的SVM模型中，通过所述SVM模型识别是否有至少一个所述候选轮廓区域中发生了火情；当通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情时，判断发生了火情的候选轮廓区域在所述多张图像中的位置是否一致；当判断所述发生了火情的候选轮廓区域在每张图像中的位置不一致时，输出所述列车上有火情的结果。2.如权利要求1所述的方法，其特征在于，所述判断发生了火情的候选轮廓区域在所述多张图像中的位置是否一致包括：将所述发生了火情的候选轮廓区域作为第一目标轮廓区域；从所述多张图像中获取连续预设张数的图像；判断所述连续预设张数的图像中的所述第一目标轮廓区域的位移是否发生了变化；当判断所述连续预设张数的图像中的所述第一目标轮廓区域的位移发生了变化时，所述方法还包括：确定所述发生了火情的候选轮廓区域在每张图像中的位置不一致，及确定所述火情为所述列车上的火情；当判断所述连续预设张数的图像中的所述第一目标轮廓区域的位移没有发生变化时，所述方法还包括：确定所述发生了火情的候选轮廓区域在每张图像中的位置一致，及确定所述火情不为所述列车上的火情。3.如权利要求1所述的方法，其特征在于，所述SVM模型的训练过程包括：获取多张发生火情的图像作为正样本集，及多张红色物体的图像作为负样本集；根据所获取的正负样本集生成正负样本训练集及正负样本测试集；将所述正负样本训练集输入SVM中进行训练获得SVM模型；将所述正负样本测试集输入所述SVM模型中进行测试，获得测试通过率；若所述测试通过率大于或者等于预设通过率阈值，确定所述SVM模型训练结束；若所述测试通过率小于所述预设通过率阈值，增加所述正负样本训练集的数量，重新进行SVM模型的训练。4.如权利要求3所述的方法，其特征在于，所述根据所获取的正负样本集生成正负样本训练集及正负样本测试集包括：采用随机数生成算法，在所述正负样本集中随机选择第一预设数量的图像作为所述正负样本训练集，及随机选择第二预设数量的图像作为所述正负样本测试集。5.如权利要求1所述的方法，其特征在于，当通过所述SVM模型识别出没有一个所述候选轮廓区域中发生了火情时；或者当通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情，但所述发生了火情的候选轮廓区域在每张图像中的位置一致时，所述方法还包括：输出所述列车上没有火情的结果。6.如权利要求1所述的方法，其特征在于，在所述输出所述列车有火情的结果之后，所述方法还包括：向所述列车的列车司机发送告警信息；同时，向前方车站的调度室发送包含所述列车的机车号的告警信息。7.如权利要求1至6中任意一项所述的方法，其特征在于，在所述连续获取列车行驶过程中的多张图像之后，所述方法还包括：对所述多张图像进行照度或对比度归一化处理；采用双边滤波算法对进行所述归一化处理后的多张图像进行降噪处理。8.一种列车火情监测装置，其特征在于，所述装置包括：获取模块，用于连续获取列车行驶过程中的多张图像；检测模块，用于采用YOLO目标检测算法检测出每张图像中的多个候选轮廓区域；识别模块，用于将所述多个候选轮廓区域输入预先训练好的SVM模型中，通过所述SVM模型识别是否有至少一个所述候选轮廓区域中发生了火情；判断模块，用于当所述识别模块通过所述SVM模型识别出有至少一个所述候选轮廓区域中发生了火情时，判断发生了火情的候选轮廓区域在每张图像中的位置是否一致；输出模块，用于当所述判断模块确定所述发生了火情的候选轮廓区域在每张图像中的位置不一致时，输出所述列车上有火情的结果。9.一种终端，其特征在于，所述终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述列车火情监测方法。10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述列车火情监测方法。

百度查询： 平安科技(深圳)有限公司 列车火情监测方法、装置、终端及存储介质