視頻圖像識(shí)別技術(shù)在機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、圖像處理、模式識(shí)別等相關(guān)領(lǐng)域的發(fā)展推動(dòng)下逐漸得以應(yīng)用于社會(huì)各行各業(yè)。其中,航運(yùn)物流領(lǐng)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(shí)別算法植入到視頻監(jiān)控系統(tǒng)以實(shí)現(xiàn)集裝箱貨運(yùn)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(shè)備復(fù)雜。對(duì)于監(jiān)管來(lái)說(shuō),在安全隱患相對(duì)較多的復(fù)雜環(huán)境下,如何實(shí)現(xiàn)作業(yè)現(xiàn)場(chǎng)的危險(xiǎn)源識(shí)別是一個(gè)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(biāo)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(cè)仍主要依賴(lài)人工值守的方式而造成的資源浪費(fèi)和監(jiān)控效率低下等問(wèn)題,本文主要針對(duì)CFS這一重要的碼頭作業(yè)場(chǎng)所,對(duì)CFS作業(yè)人員安全帽檢測(cè)系統(tǒng)中的識(shí)別算法模塊進(jìn)行了較為深入的研究。首先,從視頻中提取圖像,通過(guò)對(duì)圖像進(jìn)行灰度化、形態(tài)學(xué)等預(yù)處理之后,對(duì)視覺(jué)背景提取算法（Visual Background Extractor,ViBe）和高斯混合模型（Gaussian Mixture Model,G... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１目標(biāo)識(shí)別算法基本框圖??Ｆｉｇ．?２．１?Ｂａｓｉｃ?ｂｌｏｃｋ?ｄｉａｇｒａｍ?ｏｆ?ｔａｒｇｅｔ?ｒｅｃｏｇｎｉｔｉｏｎ?ａｌｇｏｒｉｔｈｍ??

?寬度學(xué)習(xí)算法在碼頭安全保障中的應(yīng)用研究???題，并且通過(guò)相應(yīng)的分解算法，將問(wèn)題化歸為多個(gè)子問(wèn)題實(shí)現(xiàn)最終的求解［５８］。鑒于本文??主要通過(guò)ＳＶＭ算法實(shí)現(xiàn)圖像的分類(lèi)，所以接下來(lái)本文將側(cè)重于介紹ＳＶＭ在分類(lèi)應(yīng)用??上的一些知識(shí)點(diǎn)。其算法的基本原理是找到最優(yōu)分類(lèi)線，即能夠?qū)⒉煌?lèi)型樣本分開(kāi)的??同時(shí)，還需要保證分類(lèi)的間隔達(dá)到最大的分類(lèi)線。該分類(lèi)線通常意味著對(duì)于其他未知樣??本的分類(lèi)具有最大的容忍度［５９】。??對(duì)于低維線性可分問(wèn)題，即待分類(lèi)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(guò)對(duì)構(gòu)造的分類(lèi)線方程（ｗ、ｘ）?＋?Ｚ／＝０進(jìn)行歸一化處理。此時(shí)，求得的分類(lèi)面就是??最優(yōu)分類(lèi)線。其中，支持向量（ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒ）是指距離最優(yōu)分類(lèi)線最近的訓(xùn)練樣本點(diǎn)，??從圖２．８上看即落在Ｈ１，Ｈ２上的樣本點(diǎn)。??Ｈ１??Ｈ?°?〇??Ｈ２?＼Ｑ??？?＾?Ｍａｒｇｉｎ二２／ＰｗＰ??圖２．８廣義最優(yōu)分類(lèi)面??Ｆｉｇ．?２．８?Ｔｈｅ?ｇｅｎｅｒａｌｉｚｅｄ?ｏｐｔｉｍａｌ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｌａｎｅ??對(duì)于上述分類(lèi)線方程》／－Ｖ－?＋?６?＝?０，其中＞ｖ?＝?（Ｈ＾；？ｖ２；．．．；＞ｖｒｆ）為法向量，６為位移項(xiàng)，??則分類(lèi)超平面可由向量（Ｍ，，／））確定，則樣本空間中任意一點(diǎn)Ａ：到超平面（Ｗ，６）的距離可以??－１８?－??

六層來(lái)說(shuō)，即全連接層，主要實(shí)現(xiàn)分類(lèi)器的功能，將前一層抽象出的特征圖??連接起來(lái)作為特征向量進(jìn)行學(xué)習(xí)。??對(duì)于第七層來(lái)說(shuō)，即輸出層，輸出相應(yīng)的分類(lèi)標(biāo)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(guān)知識(shí)??（１）?ＢＬＳ簡(jiǎn)介??深度學(xué)習(xí)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)雖然非常強(qiáng)大并且己經(jīng)在很多領(lǐng)域都取得了不錯(cuò)的表現(xiàn)，??但是因其網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜且涉及大量超參數(shù)，加之反向傳播計(jì)算需要大量的計(jì)算開(kāi)銷(xiāo)導(dǎo)致??其訓(xùn)練過(guò)程極度耗時(shí)，為了在使用過(guò)程中獲取更高的精度，深度模型需要額外地增加網(wǎng)??絡(luò)層數(shù)或者調(diào)整參數(shù)個(gè)數(shù)［６５］。此外，容易陷入局部最優(yōu)，網(wǎng)絡(luò)分類(lèi)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(luò)難以避免的缺陷［６６］。??為了解決上述問(wèn)題，許多研宄人員致力于尋求更簡(jiǎn)單的單層網(wǎng)絡(luò)模型，并且通過(guò)廣??義逆的方式求解全局最優(yōu)來(lái)優(yōu)化網(wǎng)絡(luò)的效率＾１，典型的單層網(wǎng)絡(luò)模型有：?jiǎn)螌忧梆伾窠?jīng)??網(wǎng)絡(luò)（Ｓｉｎｇｌｅ?Ｌａｙｅｒ?Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＳＬＦＮ）［６７］、隨機(jī)向量函數(shù)連接網(wǎng)絡(luò)??（Ｒａｎｄｏｍ?Ｖｅｃｔｏｒ?Ｆｕｎｃｔｉｏｎａｌ?Ｌｉｎｋ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＶＦＬＮＮ）［６８－７。］、極限學(xué)習(xí)機(jī)（Ｅ

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)YOLO v3的安全帽佩戴檢測(cè)方法[J]. 施輝,陳先橋,楊英.  計(jì)算機(jī)工程與應(yīng)用. 2019(11)
[2]基于最小p-范數(shù)的寬度學(xué)習(xí)系統(tǒng)[J]. 鄭云飛,陳霸東.  模式識(shí)別與人工智能. 2019(01)
[3]基于改進(jìn)Faster RCNN的安全帽佩戴檢測(cè)研究[J]. 徐守坤,王雅如,顧玉宛,李寧,莊麗華,石林.  計(jì)算機(jī)應(yīng)用研究. 2020(03)
[4]�？低暋昂现悄堋毕盗袛z像機(jī)正式發(fā)布[J].   現(xiàn)代建筑電氣. 2018(08)
[5]基于寬度學(xué)習(xí)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(xué)報(bào). 2019(01)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的礦工安全帽佩戴識(shí)別研究[J]. 畢林,謝偉,崔君.  黃金科學(xué)技術(shù). 2017(04)
[7]地鐵車(chē)廂人員識(shí)別及計(jì)數(shù)的研究[J]. 張華樑.  電子技術(shù)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(guó)安防. 2016(11)
[9]基于LBP統(tǒng)計(jì)特征的低分辨率安全帽識(shí)別[J]. 周艷青,薛河儒,姜新華,孫海鑫,尋言言.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2015(07)
[10]施工現(xiàn)場(chǎng)安全帽佩戴情況監(jiān)控技術(shù)研究[J]. 劉云波,黃華.  電子科技. 2015(04)

博士論文
[1]基于計(jì)算機(jī)視覺(jué)的行人交通信息智能檢測(cè)理論和關(guān)鍵技術(shù)研究[D]. 王愛(ài)麗.北京交通大學(xué) 2016
[2]視頻中人體動(dòng)作識(shí)別關(guān)鍵技術(shù)研究[D]. 王斌.國(guó)防科學(xué)技術(shù)大學(xué) 2015
[3]基于視頻的煤礦井下人員目標(biāo)檢測(cè)與跟蹤研究[D]. 蔡利梅.中國(guó)礦業(yè)大學(xué) 2010
[4]面向智能視頻監(jiān)控的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法研究[D]. 焦波.國(guó)防科學(xué)技術(shù)大學(xué) 2009

碩士論文
[1]基于人工神經(jīng)網(wǎng)絡(luò)的有機(jī)混合物定量結(jié)構(gòu)性質(zhì)關(guān)系研究[D]. 秦玉翠.西安石油大學(xué) 2018
[2]基于數(shù)學(xué)形態(tài)學(xué)的焊接熔池圖像邊緣檢測(cè)技術(shù)研究[D]. 吳凱.西安石油大學(xué) 2018
[3]基于光流算法的運(yùn)動(dòng)目標(biāo)檢測(cè)應(yīng)用研究[D]. 張艷艷.西安石油大學(xué) 2018
[4]智能視頻監(jiān)控下的安全帽佩戴檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 王忠玉.北京郵電大學(xué) 2018
[5]基于視頻監(jiān)控的智慧幼兒園安全檢測(cè)關(guān)鍵技術(shù)研究[D]. 高鵬輝.浙江大學(xué) 2017
[6]基于隨機(jī)森林和SVM的食物圖像識(shí)別的研究[D]. 楊迪.安徽理工大學(xué) 2017
[7]基于人體識(shí)別的安全帽視頻檢測(cè)系統(tǒng)研究與實(shí)現(xiàn)[D]. 李琪瑞.電子科技大學(xué) 2017
[8]基于CNN的金絲猴面部識(shí)別研究與實(shí)現(xiàn)[D]. 方楠.西安電子科技大學(xué) 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(lè).解放軍信息工程大學(xué) 2017
[10]變電站人員安全帽佩戴識(shí)別算法研究[D]. 杜思遠(yuǎn).重慶大學(xué) 2017



本文編號(hào)：3029883