發(fā)布時(shí)間：2020-09-01 15:51

　　 信息化對中國鐵路的高速發(fā)展而言既是機(jī)遇又是挑戰(zhàn)。高速動車組列車在給人們出行帶來方便的同時(shí),面臨的安全問題也日益嚴(yán)峻,特別近些年出現(xiàn)的一系列鐵路事故,列車安全行駛再次引起人們的關(guān)注。然而,要實(shí)現(xiàn)對異常事件的快速應(yīng)對,使用傳統(tǒng)的監(jiān)控手段是無法達(dá)到要求的。因此,面向鐵路駕駛員的智能視頻監(jiān)控系統(tǒng)的提出,成為鐵路列車提速大環(huán)境下的迫切需求和保證鐵路安全運(yùn)營的重要保障。本文基于行為識別算法對駕駛員進(jìn)行行為分析,其目的在于借助機(jī)器視覺,對監(jiān)控畫面中出現(xiàn)的異常事件及時(shí)作出反應(yīng)。系統(tǒng)發(fā)送警告信息到終端,提醒監(jiān)控人員作出回應(yīng),將有效降低和避免鐵路事故的發(fā)生。達(dá)到傳統(tǒng)監(jiān)控中“事后處理”轉(zhuǎn)換為更加智能化的“事前處理”的目的,將有效避免事故可能帶來的損失。論文主要研究內(nèi)容如下:(1)介紹了視頻事件檢測和行為識別的研究現(xiàn)狀,分析了面向駕駛員的智能視頻監(jiān)控系統(tǒng)對鐵路行車安全的重要意義,進(jìn)一步說明了計(jì)算機(jī)視覺理論在鐵路行業(yè)中的重要作用及其對安全運(yùn)營的現(xiàn)實(shí)意義。(2)設(shè)計(jì)了鐵路駕駛員監(jiān)控系統(tǒng)框架,首先對采集的視頻數(shù)據(jù)進(jìn)行低級階段的預(yù)處理,然后將符合標(biāo)準(zhǔn)的數(shù)據(jù)作為輸入,使用機(jī)器視覺算法處理視頻數(shù)據(jù),將底層圖像信息上升為高層語義信息,最后對理解的視頻內(nèi)容進(jìn)行語義描述。(3)通過分析駕駛員行為特點(diǎn),確定識別步驟為目標(biāo)檢測、跟蹤、行為識別和語義描述。并結(jié)合基于復(fù)合性原則的異常判斷模型,模型產(chǎn)生的異常警報(bào)則提示監(jiān)控人員通過語義描述確定事件類型。中級階段的目標(biāo)檢測中,本文基于目標(biāo)局部特征,提出一種幀間差分法與目標(biāo)膚色信息相結(jié)合的檢測算法,再采用HOG+SVM實(shí)現(xiàn)對頭部的檢測,有效檢測并區(qū)分了手部和頭部;高級階段的事件檢測中,本文提出一種全新的框架,該框架將異常檢測問題模塊化為一組變量集合,構(gòu)成了對場景的低層次描述,實(shí)驗(yàn)結(jié)果的準(zhǔn)確率和實(shí)時(shí)性滿足要求。本文最后對全文工作進(jìn)行總結(jié),進(jìn)一步明確今后的研究方向。
【學(xué)位單位】：石家莊鐵道大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：U298;TP391.41
【部分圖文】：

第二章 鐵路駕駛員視頻事件檢測系統(tǒng)設(shè)計(jì)統(tǒng)硬件選擇設(shè)備是鐵路事件檢測系統(tǒng)的基礎(chǔ)，合理的硬件選擇可以提高量�？紤]到監(jiān)控位置位于車廂頂部，觀察范圍為車廂內(nèi)部，控，同時(shí)需要高分辨率的圖像作為輸入，再權(quán)衡視頻占用的率，鐵路部門最終選用 Axis P33 720P 分辨率的固定半球攝像模擬整個(gè)處理流程，選擇高性能、低功耗的 i5-6400 處理器，0 顯卡，4GBGDDR5 顯存容量，128bit 顯存位寬，足以滿足應(yīng)端獲得的視頻幀分辨率高達(dá) 1 280×720，全部為通道數(shù)為 3 深序列，滿足鐵路監(jiān)控系統(tǒng)對源數(shù)據(jù)的質(zhì)量要求，如圖 2-1 所

配置成功圖示

-11-圖 2-3 系統(tǒng)異常事件檢測流程圖視頻圖像進(jìn)行預(yù)處理，以加強(qiáng)有用信息位于低級階段。因?yàn)楣庹諒?qiáng)度不同和的圖像往往存在噪聲、對比度不夠等生影響。為了保證圖像質(zhì)量的一致性，后的視頻數(shù)據(jù)進(jìn)入系統(tǒng)的核心，即異別和場景下的異常判斷，目標(biāo)的行為語義描述構(gòu)成；構(gòu)建異常事件檢測模組變量和規(guī)則間運(yùn)算的結(jié)果，即 0 或 1者結(jié)合比對實(shí)現(xiàn)異常事件的識別與分類別結(jié)果包括邏輯 1 或 0，0 表示正常，即報(bào)警，同時(shí)目標(biāo)識別結(jié)果會提供異常

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 許肖;顧磊;;基于主動輪廓模型的文本檢測方法[J];計(jì)算機(jī)科學(xué);2015年06期

2 李子印;倪軍;;面向彩色增強(qiáng)圖像的客觀質(zhì)量評價(jià)算法[J];中國圖象圖形學(xué)報(bào);2015年05期

3 王宗祺;范勇;高琳;歐陽寒;;基于局部特征匹配的多目標(biāo)跟蹤算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2014年12期

4 趙通;王國胤;肖斌;;基于多峰高斯函數(shù)的直方圖規(guī)定化算法[J];計(jì)算機(jī)科學(xué);2014年12期

5 陳磊;黃繼風(fēng);;基于視頻的火焰檢測方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2014年09期

6 黃凱奇;陳曉棠;康運(yùn)鋒;譚鐵牛;;智能視頻監(jiān)控技術(shù)綜述[J];計(jì)算機(jī)學(xué)報(bào);2015年06期

7 江二華;王匯源;;一種改進(jìn)的運(yùn)動目標(biāo)跟蹤算法[J];計(jì)算機(jī)工程與應(yīng)用;2015年22期

8 霍亞松;張錕;;非重疊低維度梯度方向直方圖[J];模式識別與人工智能;2014年03期

9 李瑞峰;王亮亮;王珂;;人體動作行為識別研究綜述[J];模式識別與人工智能;2014年01期

10 呂澤華;梁虎;唐赫;王光偉;;目標(biāo)跟蹤研究綜述[J];計(jì)算機(jī)工程與科學(xué);2012年10期

相關(guān)碩士學(xué)位論文 前6條

1 鞠蓉;基于特征提取的視覺跟蹤算法研究[D];南京信息工程大學(xué);2016年

2 羅子安;基于特征匹配目標(biāo)跟蹤的研究與仿真[D];北京工業(yè)大學(xué);2016年

3 劉濤濤;基于背景建模運(yùn)動目標(biāo)檢測算法的研究[D];鄭州大學(xué);2016年

4 繆雨潤;基于Qt的圖形用戶界面的研究與實(shí)現(xiàn)[D];東南大學(xué);2015年

5 沈忱;視頻監(jiān)控中的預(yù)處理、目標(biāo)檢測和跟蹤方法研究[D];南京郵電大學(xué);2014年

6 馬宇飛;基于梯度算子的圖像邊緣檢測算法研究[D];西安電子科技大學(xué);2012年

本文編號：2809937