視頻圖像識別技術在機器學習、計算機視覺、圖像處理、模式識別等相關領域的發(fā)展推動下逐漸得以應用于社會各行各業(yè)。其中,航運物流領域也將視頻監(jiān)控作為其安全生產(chǎn)的主要管理手段。很多研究都提出將視頻圖像識別算法植入到視頻監(jiān)控系統(tǒng)以實現(xiàn)集裝箱貨運站（Container Freight Station,CFS）的智能化監(jiān)管,但CFS物流作業(yè)繁忙,各種作業(yè)設備復雜。對于監(jiān)管來說,在安全隱患相對較多的復雜環(huán)境下,如何實現(xiàn)作業(yè)現(xiàn)場的危險源識別是一個頗具挑戰(zhàn)性的難題。就保障作業(yè)員工人身安全這一具體目標而言,佩戴安全帽是最直接最有效的方法,所以監(jiān)督作業(yè)員工佩戴安全帽成為了安全生產(chǎn)中最重要的環(huán)節(jié)。為了解決碼頭安全保障中的安全帽檢測仍主要依賴人工值守的方式而造成的資源浪費和監(jiān)控效率低下等問題,本文主要針對CFS這一重要的碼頭作業(yè)場所,對CFS作業(yè)人員安全帽檢測系統(tǒng)中的識別算法模塊進行了較為深入的研究。首先,從視頻中提取圖像,通過對圖像進行灰度化、形態(tài)學等預處理之后,對視覺背景提取算法（Visual Background Extractor,ViBe）和高斯混合模型（Gaussian Mixture Model,G... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

圖２．１目標識別算法基本框圖??Ｆｉｇ．?２．１?Ｂａｓｉｃ?ｂｌｏｃｋ?ｄｉａｇｒａｍ?ｏｆ?ｔａｒｇｅｔ?ｒｅｃｏｇｎｉｔｉｏｎ?ａｌｇｏｒｉｔｈｍ??

?寬度學習算法在碼頭安全保障中的應用研究???題，并且通過相應的分解算法，將問題化歸為多個子問題實現(xiàn)最終的求解［５８］。鑒于本文??主要通過ＳＶＭ算法實現(xiàn)圖像的分類，所以接下來本文將側(cè)重于介紹ＳＶＭ在分類應用??上的一些知識點。其算法的基本原理是找到最優(yōu)分類線，即能夠?qū)⒉煌愋蜆颖痉珠_的??同時，還需要保證分類的間隔達到最大的分類線。該分類線通常意味著對于其他未知樣??本的分類具有最大的容忍度［５９】。??對于低維線性可分問題，即待分類的樣本集合＝??線性可分且滿足式子：??７，．［（ｘ，．；ｗ）?＋?６］－１＞０，／?＝?１，．．．，？?（２．１１）??通過對構(gòu)造的分類線方程（ｗ、ｘ）?＋?Ｚ／＝０進行歸一化處理。此時，求得的分類面就是??最優(yōu)分類線。其中，支持向量（ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒ）是指距離最優(yōu)分類線最近的訓練樣本點，??從圖２．８上看即落在Ｈ１，Ｈ２上的樣本點。??Ｈ１??Ｈ?°?〇??Ｈ２?＼Ｑ??？?＾?Ｍａｒｇｉｎ二２／ＰｗＰ??圖２．８廣義最優(yōu)分類面??Ｆｉｇ．?２．８?Ｔｈｅ?ｇｅｎｅｒａｌｉｚｅｄ?ｏｐｔｉｍａｌ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｌａｎｅ??對于上述分類線方程》／－Ｖ－?＋?６?＝?０，其中＞ｖ?＝?（Ｈ＾；？ｖ２；．．．；＞ｖｒｆ）為法向量，６為位移項，??則分類超平面可由向量（Ｍ，，／））確定，則樣本空間中任意一點Ａ：到超平面（Ｗ，６）的距離可以??－１８?－??

六層來說，即全連接層，主要實現(xiàn)分類器的功能，將前一層抽象出的特征圖??連接起來作為特征向量進行學習。??對于第七層來說，即輸出層，輸出相應的分類標簽值。??Ｉ?Ｉｎｐｕｔ??Ｆｉｒｓｔ?Ｓｔａｇｅ?＾?Ｓｅｃｏｎｄ?Ｓｔａｇｅ??Ｃｌａｓｓｉｆｉｅｒ??Ｉ?Ｓ２?Ｌ＾ｒ?Ｈ?Ｕｙｅｒ?＾?＇??Ｃｏｎｖｏｌｕｔｉｏｎ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎ?Ｓｕｂｓａｒａｐｌｉｎｇ?Ｆｕｌｌ?Ｃｏｎｎｅｃｔｉｏｎ?Ｆｕｌｌ?Ｃｏｎｎｅｃｔｉｏｎ??圖２．１０?ＣＮＮ結(jié)構(gòu)圖??Ｆｉｇ．?２．１０?ＣＮＮ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??２．?３．?３?ＢＬＳ相關知識??（１）?ＢＬＳ簡介??深度學習結(jié)構(gòu)的神經(jīng)網(wǎng)絡雖然非常強大并且己經(jīng)在很多領域都取得了不錯的表現(xiàn)，??但是因其網(wǎng)絡結(jié)構(gòu)復雜且涉及大量超參數(shù)，加之反向傳播計算需要大量的計算開銷導致??其訓練過程極度耗時，為了在使用過程中獲取更高的精度，深度模型需要額外地增加網(wǎng)??絡層數(shù)或者調(diào)整參數(shù)個數(shù)［６５］。此外，容易陷入局部最優(yōu)，網(wǎng)絡分類性能受初始化區(qū)域影??響較大等也是傳統(tǒng)的神經(jīng)網(wǎng)絡難以避免的缺陷［６６］。??為了解決上述問題，許多研宄人員致力于尋求更簡單的單層網(wǎng)絡模型，并且通過廣??義逆的方式求解全局最優(yōu)來優(yōu)化網(wǎng)絡的效率＾１，典型的單層網(wǎng)絡模型有：單層前饋神經(jīng)??網(wǎng)絡（Ｓｉｎｇｌｅ?Ｌａｙｅｒ?Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＳＬＦＮ）［６７］、隨機向量函數(shù)連接網(wǎng)絡??（Ｒａｎｄｏｍ?Ｖｅｃｔｏｒ?Ｆｕｎｃｔｉｏｎａｌ?Ｌｉｎｋ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＶＦＬＮＮ）［６８－７。］、極限學習機（Ｅ

【參考文獻】：
期刊論文
[1]改進YOLO v3的安全帽佩戴檢測方法[J]. 施輝,陳先橋,楊英.  計算機工程與應用. 2019(11)
[2]基于最小p-范數(shù)的寬度學習系統(tǒng)[J]. 鄭云飛,陳霸東.  模式識別與人工智能. 2019(01)
[3]基于改進Faster RCNN的安全帽佩戴檢測研究[J]. 徐守坤,王雅如,顧玉宛,李寧,莊麗華,石林.  計算機應用研究. 2020(03)
[4]�？低暋昂现悄堋毕盗袛z像機正式發(fā)布[J].   現(xiàn)代建筑電氣. 2018(08)
[5]基于寬度學習方法的多模態(tài)信息融合[J]. 賈晨,劉華平,續(xù)欣瑩,孫富春.  智能系統(tǒng)學報. 2019(01)
[6]基于卷積神經(jīng)網(wǎng)絡的礦工安全帽佩戴識別研究[J]. 畢林,謝偉,崔君.  黃金科學技術. 2017(04)
[7]地鐵車廂人員識別及計數(shù)的研究[J]. 張華樑.  電子技術與軟件工程. 2016(23)
[8]視頻監(jiān)控行業(yè)發(fā)展觀察[J]. 魏廣巨.  中國安防. 2016(11)
[9]基于LBP統(tǒng)計特征的低分辨率安全帽識別[J]. 周艷青,薛河儒,姜新華,孫海鑫,尋言言.  計算機系統(tǒng)應用. 2015(07)
[10]施工現(xiàn)場安全帽佩戴情況監(jiān)控技術研究[J]. 劉云波,黃華.  電子科技. 2015(04)

博士論文
[1]基于計算機視覺的行人交通信息智能檢測理論和關鍵技術研究[D]. 王愛麗.北京交通大學 2016
[2]視頻中人體動作識別關鍵技術研究[D]. 王斌.國防科學技術大學 2015
[3]基于視頻的煤礦井下人員目標檢測與跟蹤研究[D]. 蔡利梅.中國礦業(yè)大學 2010
[4]面向智能視頻監(jiān)控的運動目標檢測與跟蹤方法研究[D]. 焦波.國防科學技術大學 2009

碩士論文
[1]基于人工神經(jīng)網(wǎng)絡的有機混合物定量結(jié)構(gòu)性質(zhì)關系研究[D]. 秦玉翠.西安石油大學 2018
[2]基于數(shù)學形態(tài)學的焊接熔池圖像邊緣檢測技術研究[D]. 吳凱.西安石油大學 2018
[3]基于光流算法的運動目標檢測應用研究[D]. 張艷艷.西安石油大學 2018
[4]智能視頻監(jiān)控下的安全帽佩戴檢測系統(tǒng)的設計與實現(xiàn)[D]. 王忠玉.北京郵電大學 2018
[5]基于視頻監(jiān)控的智慧幼兒園安全檢測關鍵技術研究[D]. 高鵬輝.浙江大學 2017
[6]基于隨機森林和SVM的食物圖像識別的研究[D]. 楊迪.安徽理工大學 2017
[7]基于人體識別的安全帽視頻檢測系統(tǒng)研究與實現(xiàn)[D]. 李琪瑞.電子科技大學 2017
[8]基于CNN的金絲猴面部識別研究與實現(xiàn)[D]. 方楠.西安電子科技大學 2017
[9]基于CUDA架構(gòu)的遙感圖像濾波算法并行處理[D]. 丁毅樂.解放軍信息工程大學 2017
[10]變電站人員安全帽佩戴識別算法研究[D]. 杜思遠.重慶大學 2017



本文編號：3029883