隨著人工智能在近幾年的快速發(fā)展,以及硬件技術(shù)的不斷更新,特別是并行計算硬件GPU的運算能力提高迅猛。圖像識別技術(shù)已經(jīng)深入應(yīng)用在了我們生產(chǎn)生活的方方面面。雖然人體位姿圖像識別算法有了很多的創(chuàng)新,性能上也有了不錯的表現(xiàn),但是由于現(xiàn)場環(huán)境復(fù)雜多變,不確定因素眾多,想要將其應(yīng)用在鐵路調(diào)車安全防護(hù)方面還有許多需要改進(jìn)和創(chuàng)新的方面。本論文在總結(jié)前人在人體位姿識別算法和安全防護(hù)的應(yīng)用基礎(chǔ)之上,采用人體骨骼關(guān)節(jié)點進(jìn)行特征描述,提出一種人體關(guān)節(jié)點位姿識別模型,針對靜態(tài)位姿和動態(tài)位姿,分別提出了距離法和坐標(biāo)法。靜態(tài)位姿識別用于單幀畫面人體的骨架,通過計算目標(biāo)關(guān)節(jié)點作為參考節(jié)點,換算出它與其他的目標(biāo)節(jié)點的距離從而構(gòu)建出特征矩陣。動態(tài)位姿識別用于連續(xù)畫面中的人體骨架,也叫光流信息,計算每個節(jié)點相對于最后一刻的位移,并將其用作動態(tài)位姿的特征向量。實驗表明,人體位姿圖像識別的準(zhǔn)確率達(dá)到了96.2%,識別速度可以達(dá)到26幀每秒。應(yīng)用本論文設(shè)計的人體位姿識別算法,針對鐵路調(diào)車安全防護(hù)事故的痛點,開發(fā)了鐵路調(diào)車安全防護(hù)監(jiān)控和預(yù)警系統(tǒng)。系統(tǒng)從鐵路作業(yè)人員行為監(jiān)控和預(yù)警機(jī)制以及前端結(jié)果可視化需求出發(fā),提出了以速度問題、數(shù)據(jù)...

【文章來源】： 華東交通大學(xué)江西省

【文章頁數(shù)】：68 頁

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與目的
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 人體位姿識別研究現(xiàn)狀
        1.2.2 智能監(jiān)控領(lǐng)域
        1.2.3 人體識別數(shù)據(jù)集的發(fā)展
    1.3 本論文主要研究的內(nèi)容
    1.4 本論文章節(jié)安排
    1.5 本章小結(jié)
第二章 人體位姿圖像識別模型
    2.1 人體位姿圖像識別數(shù)學(xué)模型
        2.1.1 人體骨架關(guān)節(jié)點
        2.1.2 靜態(tài)位姿模型
        2.1.3 動態(tài)位姿模型
    2.2 人體關(guān)節(jié)點圖像識別
        2.2.1 人體關(guān)節(jié)點坐標(biāo)提取
        2.2.2 基于關(guān)節(jié)點坐標(biāo)構(gòu)建人體骨架
    2.3 本章小結(jié)
第三章 基于BP、卷積神經(jīng)網(wǎng)絡(luò)的位姿識別
    3.1 BP、卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)計
        3.1.1 Convolution(卷積過程)
        3.1.2 池化層(下采樣)
        3.1.3 神經(jīng)網(wǎng)絡(luò)的全連接層
    3.2 基于Tensorflow的位姿識別模型
        3.2.1 Tensorflow介紹
        3.2.2 神經(jīng)元網(wǎng)絡(luò)位姿識別建模
    3.3 模型參數(shù)訓(xùn)練
        3.3.1 神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 神經(jīng)元網(wǎng)絡(luò)參數(shù)
    3.4 本章小結(jié)
第四章 鐵路調(diào)車安全防護(hù)系統(tǒng)設(shè)計與實現(xiàn)
    4.1 系統(tǒng)需求分析
        4.1.1 項目背景及意義
        4.1.2 功能和性能分析
    4.2 系統(tǒng)總體設(shè)計
        4.2.1 系統(tǒng)工作流程設(shè)計
        4.2.2 系統(tǒng)架構(gòu)設(shè)計
    4.3 系統(tǒng)硬件部署
        4.3.1 網(wǎng)絡(luò)監(jiān)控攝像頭
        4.3.2 無線數(shù)傳電臺
        4.3.3 圖像處理服務(wù)器
    4.4 系統(tǒng)軟件設(shè)計
        4.4.1 圖像獲取
        4.4.2 圖像識別與分析
        4.4.3 系統(tǒng)客戶端設(shè)計
    4.5 系統(tǒng)功能實現(xiàn)
        4.5.1 鐵路作業(yè)人員位姿監(jiān)控預(yù)警機(jī)制
        4.5.2 人體位姿識別平移選擇框
        4.5.3 異常預(yù)警平移選擇框
    4.6 本章小結(jié)
第五章 系統(tǒng)測試
    5.1 系統(tǒng)展示
    5.2 實驗環(huán)境與參數(shù)
    5.3 實驗結(jié)果分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文工作總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
附錄A 系統(tǒng)程序代碼
個人簡歷 在讀期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于三維人體語義骨架點的姿態(tài)匹配 [J]. 王大鵬,黎琳,韓麗,張美超,王露晨.  計算機(jī)應(yīng)用與軟件. 2017(01)
[2]基于動態(tài)路徑優(yōu)化的人體姿態(tài)識別 [J]. 陳芙蓉,唐棣,王露晨,王玉龍,韓麗.  計算機(jī)工程與設(shè)計. 2016(10)
[3]基于多神經(jīng)網(wǎng)絡(luò)融合的運動人體姿態(tài)識別 [J]. 郭鈞,韓新樂,李鶴喜.  數(shù)字技術(shù)與應(yīng)用. 2016(10)
[4]基于模糊模式識別的人體姿態(tài)識別 [J]. 王玉坤,高煒欣,湯楠,王欣,姬江.  計算機(jī)工程與設(shè)計. 2016(06)
[5]基于深度學(xué)習(xí)的人體行為識別算法綜述 [J]. 朱煜,趙江坤,王逸寧,鄭兵兵.  自動化學(xué)報. 2016(06)
[6]改進(jìn)高斯核函數(shù)的人體姿態(tài)分析與識別 [J]. 林海波,王浩,張毅.  智能系統(tǒng)學(xué)報. 2015(03)
[7]一種結(jié)合姿態(tài)和場景的圖像中人體行為分類方法 [J]. 雷慶,李紹滋,陳鍛生.  小型微型計算機(jī)系統(tǒng). 2015(05)
[8]基于多分類器投票機(jī)的人體姿態(tài)識別算法 [J]. 陳慧杰,謝毅雄.  計算機(jī)與現(xiàn)代化. 2014(04)
[9]基于Hu不變矩特征優(yōu)化的人體運動姿態(tài)識別算法 [J]. 張永強(qiáng).  計算機(jī)科學(xué). 2014(03)
[10]基于關(guān)鍵幀的人體行為識別方法 [J]. 成勛,常飛,吳志杰.  計算機(jī)工程與應(yīng)用. 2013(18)

博士論文
[1]基于計算機(jī)視覺的人體行為識別研究[D]. 邵延華.重慶大學(xué). 2015

碩士論文
[1]基于3D卷積神經(jīng)網(wǎng)絡(luò)的行為識別方法研究[D]. 吉璐.西安理工大學(xué). 2018
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人體動作識別[D]. 張瑞.南昌航空大學(xué). 2018
[3]基于深度學(xué)習(xí)的人體行為識別分析研究[D]. 傅夢雨.哈爾濱工業(yè)大學(xué). 2017
[4]基于隱馬爾可夫模型的駕駛員行為分析研究[D]. 李土深.哈爾濱工程大學(xué). 2017



本文編號：3550964