本文關(guān)鍵詞：復(fù)雜場景下挖掘機(jī)運(yùn)動(dòng)狀態(tài)分析與識(shí)別，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著智能視頻分析技術(shù)的快速發(fā)展,如何使計(jì)算機(jī)從原始的視頻數(shù)據(jù)提取出符合人類認(rèn)知的語義理解,成為一個(gè)研究熱點(diǎn)。我國經(jīng)濟(jì)快速發(fā)展的同時(shí),土地資源日益嚴(yán)峻,各類違法用地案件也呈多發(fā)頻發(fā)態(tài)勢。在建設(shè)用地重點(diǎn)違法行為易發(fā)區(qū)進(jìn)行視頻監(jiān)控,通過智能視頻分析,實(shí)現(xiàn)對(duì)土地間的挖掘機(jī)等施工機(jī)械的準(zhǔn)確快速檢測與識(shí)別,是實(shí)現(xiàn)土地有效監(jiān)管的重要手段。為此,本論文研究了挖掘機(jī)檢測算法以及挖掘機(jī)運(yùn)動(dòng)狀態(tài)識(shí)別算法,并在此基礎(chǔ)上初步設(shè)計(jì)和開發(fā)了挖掘機(jī)運(yùn)動(dòng)狀態(tài)分析與識(shí)別系統(tǒng)。本論文的主要研究工作如下:(1)挖掘機(jī)檢測算法研究。針對(duì)挖掘機(jī)各個(gè)部件的靈活性比較大導(dǎo)致其整體外觀形變較大的問題,研究了一種混合可變形部件模型的挖掘機(jī)檢測方法,并通過實(shí)驗(yàn)優(yōu)化得到了最終的挖掘機(jī)混合可變形部件模型,該模型是3個(gè)不同DMP的集成模型,其中每個(gè)DPM均包含6個(gè)部件濾波器。實(shí)踐證明,該方法可以較好地檢測出視頻圖像中的挖掘機(jī),準(zhǔn)確率達(dá)到88.40%,比基于HOG+SVM的方法高4.05%。(2)挖掘機(jī)運(yùn)動(dòng)狀態(tài)分析與識(shí)別算法研究。論文通過挖掘機(jī)連續(xù)視頻幀分析,來識(shí)別挖掘機(jī)運(yùn)動(dòng)狀態(tài)。首先,研究了基于局部二值特征(LBF)的物體形狀回歸算法,并針對(duì)挖掘機(jī)長寬比(長與寬之間的比值)變化較大的問題,提出了基于混合LBF模型的挖掘機(jī)形狀回歸算法。通過該算法,可回歸出每一張視頻幀中挖掘機(jī)的形狀(即特征點(diǎn)的相對(duì)坐標(biāo)的集合)。然后,根據(jù)這些特征點(diǎn)的坐標(biāo)以及檢測到的挖掘機(jī)的長寬比,設(shè)計(jì)了一種挖掘機(jī)運(yùn)動(dòng)狀態(tài)特征描述子MMF(Machine Motion Feature)。接著,采用該特征描述子并利用支持向量機(jī)(SVM)的方法來訓(xùn)練挖掘機(jī)運(yùn)動(dòng)狀態(tài)識(shí)別分類器。最后,使用此分類器來判斷當(dāng)前視頻片段中挖掘機(jī)的運(yùn)動(dòng)狀態(tài),即判斷此挖掘機(jī)是否處于工作狀態(tài)。通過實(shí)驗(yàn)證明,該方法可以較好地判斷出視頻片段中挖掘機(jī)的運(yùn)動(dòng)狀態(tài),準(zhǔn)確高達(dá)93.53%,比基于Delta_WHRatio(長寬比變化)+SVM的方法高了30.73%,比基于Delta_Angle(角度變化)+SVM的方法高了0.87%。(3)挖掘機(jī)運(yùn)動(dòng)狀態(tài)分析與識(shí)別系統(tǒng)的構(gòu)建。利用Microsoft Visual Studio 2008和OpenCV2.4.8進(jìn)行編程,并在驗(yàn)證挖掘機(jī)檢測算法與運(yùn)動(dòng)狀態(tài)識(shí)別算法的有效的前提下,集成這些算法來構(gòu)建挖掘機(jī)運(yùn)動(dòng)狀態(tài)分析與識(shí)別系統(tǒng)。此系統(tǒng)通過對(duì)輸入視頻進(jìn)行分析,識(shí)別出當(dāng)前片段中挖掘機(jī)的運(yùn)動(dòng)狀態(tài)信息,并將該信息反饋給系統(tǒng)用戶。
【關(guān)鍵詞】：物體檢測 運(yùn)動(dòng)狀態(tài)識(shí)別 混合可變形部件模型 混合LBF形狀回歸模型 支持向量機(jī)
【學(xué)位授予單位】：華南農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TU621;TP391.41
【目錄】：

• 摘要3-4
• Abstract4-8
• 1 前言8-16
• 1.1 課題的研究背景與意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-11
• 1.3 本文的主要研究內(nèi)容11-12
• 1.4 技術(shù)路線12-14
• 1.5 論文結(jié)構(gòu)安排14
• 1.6 本章小結(jié)14-16
• 2 基于混合可變形部件模型的挖掘機(jī)檢測16-33
• 2.1 基于梯度方向直方圖的特征表示16-19
• 2.1.1 梯度方向直方圖16-19
• 2.1.2 直方圖特征金字塔19
• 2.2 挖掘機(jī)檢測模型19-21
• 2.3 挖掘機(jī)模型的檢測21-22
• 2.4 挖掘機(jī)模型的訓(xùn)練22-24
• 2.4.1 隱支持向量機(jī)22
• 2.4.2 模型的訓(xùn)練過程22-24
• 2.5 實(shí)驗(yàn)24-32
• 2.5.1 實(shí)驗(yàn)素材的準(zhǔn)備24-26
• 2.5.2 可變形部件模型（DPM）部件濾波器個(gè)數(shù)的實(shí)驗(yàn)與分析26-27
• 2.5.3 混合可變形部件模型包含DPM個(gè)數(shù)的實(shí)驗(yàn)與分析27-28
• 2.5.4 挖掘機(jī)檢測模型參數(shù)調(diào)優(yōu)28-31
• 2.5.5 挖掘機(jī)檢測對(duì)比實(shí)驗(yàn)31-32
• 2.6 本章小結(jié)32-33
• 3 基于混合LBF模型的挖掘機(jī)形狀回歸33-44
• 3.1 局部二值特征(LBF，Local Binary Features)34-36
• 3.1.1 隨機(jī)森林34-35
• 3.1.2 局部二值特征35-36
• 3.2 全局形狀的線性回歸36-37
• 3.2.1 回歸學(xué)習(xí)36-37
• 3.2.2 全局回歸模型37
• 3.3 混合LBF模型37-38
• 3.4 混合LBF模型的訓(xùn)練和預(yù)測過程38-39
• 3.5 實(shí)驗(yàn)39-43
• 3.5.1 基于LBF模型的形狀回歸實(shí)驗(yàn)39-41
• 3.5.2 基于混合LBF模型的形狀回歸實(shí)驗(yàn)41-43
• 3.6 總結(jié)43-44
• 4 基于支持向量機(jī)的挖掘機(jī)運(yùn)動(dòng)狀態(tài)識(shí)別44-57
• 4.1 挖掘機(jī)運(yùn)動(dòng)狀態(tài)的分析44-48
• 4.1.1 姿態(tài)變化分析44-47
• 4.1.2 運(yùn)動(dòng)狀態(tài)分析47-48
• 4.2 挖掘機(jī)運(yùn)動(dòng)狀態(tài)特征描述子的設(shè)計(jì)48-49
• 4.3 挖掘機(jī)運(yùn)動(dòng)狀態(tài)識(shí)別分類器的構(gòu)建49-52
• 4.3.1 支持向量機(jī)49-51
• 4.3.2 挖掘機(jī)運(yùn)動(dòng)狀態(tài)識(shí)別分類器51-52
• 4.4 實(shí)驗(yàn)52-56
• 4.4.1 實(shí)驗(yàn)素材的準(zhǔn)備52-53
• 4.4.2 實(shí)驗(yàn)結(jié)果與分析53-56
• 4.5 總結(jié)56-57
• 5 挖掘機(jī)運(yùn)動(dòng)狀態(tài)分析與識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)57-64
• 5.1 系統(tǒng)的運(yùn)行環(huán)境簡介57-58
• 5.1.1 硬件環(huán)境57-58
• 5.1.2 軟件環(huán)境58
• 5.2 系統(tǒng)模塊的設(shè)計(jì)與實(shí)現(xiàn)58-63
• 5.2.1 系統(tǒng)功能模塊的設(shè)計(jì)與實(shí)現(xiàn)58-59
• 5.2.2 系統(tǒng)展示59-63
• 5.3 本章小結(jié)63-64
• 6 總結(jié)與展望64-66
• 6.1 總結(jié)64-65
• 6.2 展望65-66
• 致謝66-67
• 參考文獻(xiàn)67-70
• 附錄70

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 王小玉;張亞洲;陳德運(yùn);;基于多塊局部二值模式特征和人眼定位的人臉檢測[J];儀器儀表學(xué)報(bào);2014年12期

2 王欣;唐俊;王年;;基于雙層卷積神經(jīng)網(wǎng)絡(luò)的步態(tài)識(shí)別算法[J];安徽大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年01期

3 黃凱奇;任偉強(qiáng);譚鐵牛;;圖像物體分類與檢測算法綜述[J];計(jì)算機(jī)學(xué)報(bào);2014年06期

4 李源;何榮開;王慶;張小國;;基于顏色及投影特征的挖掘機(jī)圖像分割算法[J];小型微型計(jì)算機(jī)系統(tǒng);2013年11期

5 李雪峰;李曉華;周激流;;基于完全局部二值模式的人群密度估計(jì)[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年03期

6 鄒蕾;張先鋒;;人工智能及其發(fā)展應(yīng)用[J];信息網(wǎng)絡(luò)安全;2012年02期

7 陳昌紅;梁繼民;朱秀昌;;基于分層時(shí)序模型的步態(tài)識(shí)別算法[J];南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年06期

8 王科俊;劉麗麗;賁f[燁;陳薇;;基于步態(tài)能量圖像和2維主成分分析的步態(tài)識(shí)別方法[J];中國圖象圖形學(xué)報(bào);2009年12期

9 陳丹;;計(jì)算機(jī)視覺技術(shù)的發(fā)展及應(yīng)用[J];電腦知識(shí)與技術(shù);2008年35期

10 孫玉秋,田金文,柳健;基于圖像金字塔的分維融合算法[J];計(jì)算機(jī)應(yīng)用;2005年05期

  本文關(guān)鍵詞：復(fù)雜場景下挖掘機(jī)運(yùn)動(dòng)狀態(tài)分析與識(shí)別，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：433314