高速鐵路的發(fā)展帶來了巨大的便利,鐵路事業(yè)高速發(fā)展的同時,鐵路安全問題也值得關(guān)注。國內(nèi)現(xiàn)有的鐵路安全,主要是依靠視頻監(jiān)控和人工巡檢相結(jié)合的方法。由于中國的鐵路軌道錯綜復(fù)雜,分布廣泛,列車具有較高的行駛速度,同時工作人員存在缺乏專業(yè)素養(yǎng)、操作不當(dāng),疏忽大意等現(xiàn)象。而我國的鐵路網(wǎng)規(guī)模較大,很難通過人工檢測的方法判斷所有線路是否有行人非法闖入和逗留。因此,為提高鐵路安全性、可靠性,同時節(jié)省人力成本,軌道視頻監(jiān)控系統(tǒng)迫切需要全面的技術(shù)升級和大規(guī)模應(yīng)用。而傳統(tǒng)的算法常常存在實時性較差,精度不高等問題。近年來隨著深度學(xué)習(xí)的興起,卷積神經(jīng)網(wǎng)絡(luò)作用于視覺領(lǐng)域的算法層出不窮,均取得了不錯的效果,因此,針對上述任務(wù)以及難點,本文提構(gòu)建了一種細(xì)粒度行人檢測模型,該方法利用該領(lǐng)域大規(guī)模數(shù)據(jù)集,以YOLOv2高性能檢測算法為基礎(chǔ),引入混合注意力機制,使得算法在特定的場景內(nèi)有著優(yōu)異的表現(xiàn)。本論文主要工作有:構(gòu)建了鐵路行人數(shù)據(jù)集;對比了RCNN、Fast RCNN、Faster RCNN、YOLO等深度學(xué)習(xí)算法,權(quán)衡了各種算法的實驗精度和運行速度,采用改進(jìn)的YOLOv2模型實現(xiàn)目標(biāo)檢測任務(wù);本論文改良了YOLO算法的... 

【文章來源】：江蘇科技大學(xué)江蘇省

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 論文研究內(nèi)容及組織安排
        1.3.1 論文的研究內(nèi)容
        1.3.2 論文的結(jié)構(gòu)安排
第2章 傳統(tǒng)圖像算法
    2.1 圖像預(yù)處理法
        2.1.1 圖像灰度化處理
        2.1.2 直方圖均衡化
        2.1.3 高斯濾波
    2.2 圖像特征提取
        2.2.1 主成分分析
        2.2.2 HOG特征提取算法
    2.3 特征分類決策
        2.3.1 SVM分類器算法
        2.3.2 AdaBoost算法
    2.4 本章小結(jié)
第3章 深度學(xué)習(xí)的圖像算法
    3.1 神經(jīng)網(wǎng)絡(luò)
        3.1.1 神經(jīng)元
        3.1.2 激活函數(shù)
        3.1.3 神經(jīng)網(wǎng)路
    3.2 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.1 卷積層
        3.2.2 激活層
        3.2.3 池化層
        3.2.4 Dropout層
        3.2.5 全連接層
    3.3 RCNN網(wǎng)絡(luò)
        3.3.1 選擇域生成模塊
        3.3.2 卷積神經(jīng)網(wǎng)絡(luò)模塊
        3.3.3 線性 SVM 模塊
    3.4 Fast Rcnn網(wǎng)絡(luò)
        3.4.1 Fast RCNN基本原理
        3.4.2 感興趣池化層
    3.5 Faster Rcnn網(wǎng)絡(luò)
        3.5.1 Faster RCNN網(wǎng)絡(luò)原理和框架圖
        3.5.2 RCNN、Fast RCNN、Faster RCNN比較
    3.6 YOLO網(wǎng)絡(luò)
        3.6.1 YOLO概述
        3.6.2 YOLO流程
        3.6.3 提取候選框
        3.6.4 目標(biāo)檢測和分類
        3.6.5 Y行人檢測
    3.7 YOLOv2 網(wǎng)絡(luò)
        3.7.1 Anchor Box
        3.7.2 YOLO 的損失函數(shù)
    3.8 本章小結(jié)
第4章 混合注意力機制
    4.1 注意力機制
        4.1.1 Encoder-Decoder框架
        4.1.2 Attention Model
    4.2 基于注意力機制的行人場景分類
        4.2.1 殘差注意力機制的行人場景分類
        4.2.2 單網(wǎng)絡(luò)分支生成軟權(quán)重掩碼
    4.3 空間注意力與通道注意力
        4.3.1 空間注意力
        4.3.2 通道注意力
    4.4 本章小結(jié)
第5章 基于深度學(xué)習(xí)的鐵路細(xì)粒度行人檢測
    5.1 模型架構(gòu)
    5.2 實現(xiàn)過程
        5.2.1 數(shù)據(jù)增強模塊
        5.2.2 混合注意力模塊
        5.2.3 目標(biāo)檢測模塊
    5.3 融合深度特征與底層圖像特征的行人分類
        5.3.1 行人的顏色特征
        5.3.2 行人區(qū)域的灰度特征
        5.3.3 行人圖像的紋理特征
    5.4 實驗結(jié)果及評估
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文的工作總結(jié)
    6.2 進(jìn)一步研究方向
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的道路擁堵識別研究[J]. 羅榮輝,袁航,鐘發(fā)海,聶上上.  鄭州大學(xué)學(xué)報(工學(xué)版). 2019(02)
[2]基于多尺度殘差網(wǎng)絡(luò)的壓縮感知重構(gòu)算法[J]. 練秋生,富利鵬,陳書貞,石保順.  自動化學(xué)報. 2019(11)
[3]自適應(yīng)融合目標(biāo)和背景的圖像特征提取方法[J]. 于來行,馮林,張晶,劉勝藍(lán).  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2016(08)
[4]改進(jìn)卷積玻爾茲曼機的圖像特征深度提取[J]. 劉凱,張立民,范曉磊.  哈爾濱工業(yè)大學(xué)學(xué)報. 2016(05)
[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]基于稀疏和低秩表示的顯著性目標(biāo)檢測[J]. 劉甜甜.  電子科技. 2015(02)
[7]基于分層區(qū)域合并的自然場景理解[J]. 孫麗坤,劉波.  計算機系統(tǒng)應(yīng)用. 2014(11)
[8]鐵路入侵運動目標(biāo)實時檢測技術(shù)[J]. 李家才,陳治亞,王夢格.  鐵道科學(xué)與工程學(xué)報. 2013(06)
[9]鐵路客運線路入侵行為智能綜合監(jiān)控系統(tǒng)[J]. 陳紅.  中國公共安全. 2013(17)
[10]鐵路綜合視頻監(jiān)控新技術(shù)應(yīng)用“跨欄”而進(jìn)[J]. 葛瑞鈞.  中國鐵路. 2013(02)

博士論文
[1]基于機器視覺的鐵路異物侵限分布式智能監(jiān)控技術(shù)研究[D]. 馬宏鋒.蘭州交通大學(xué) 2014

碩士論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的鐵路異物檢測算法[D]. 劉文祺.北京交通大學(xué) 2016
[2]基于變換域特征與深度學(xué)習(xí)的圖像分類研究[D]. 鄒曉藝.華南理工大學(xué) 2015
[3]基于智能視頻分析的鐵路入侵檢測系統(tǒng)研究[D]. 李凡.北京交通大學(xué) 2012
[4]面向高速鐵路的軌道異物檢測研究[D]. 王永亮.北京交通大學(xué) 2011
[5]基于智能視頻技術(shù)的鐵路入侵檢測[D]. 習(xí)可.中南大學(xué) 2010
[6]基于視頻內(nèi)容分析的鐵路入侵檢測研究[D]. 葛大偉.北京交通大學(xué) 2009



本文編號：3511842