保障鐵路列車安穩(wěn)運(yùn)行是鐵路運(yùn)輸部門工作的核心工作,提高列車運(yùn)行安全監(jiān)控管理水平已是重中之重。鐵路列車司機(jī)駕駛規(guī)范性與列車運(yùn)行安全有著直接關(guān)系,因此對列車司機(jī)的駕駛行為和狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測和智能評估有著十分重要的現(xiàn)實(shí)意義。本文針對常用行為識別方法在列車司機(jī)行為識別中存在的實(shí)時(shí)性差、誤判率高、魯棒性弱等難點(diǎn),以列車司機(jī)監(jiān)控視頻數(shù)據(jù)和公開數(shù)據(jù)集為基礎(chǔ),結(jié)合注意力機(jī)制思想,提出了一種時(shí)空增強(qiáng)網(wǎng)絡(luò)（Convolutional LSTM Networks with Spatial Temporal Enhancement,CLSTE）,并應(yīng)用于列車司機(jī)行為識別和理解,掌握列車運(yùn)行狀況和司機(jī)的工作狀態(tài),協(xié)助列車司機(jī)安全駕駛,更好的發(fā)揮設(shè)備對人員操作的監(jiān)督作用。本文結(jié)合列車司機(jī)行為識別的應(yīng)用背景,從數(shù)據(jù)預(yù)處理,網(wǎng)絡(luò)模型設(shè)計(jì),數(shù)據(jù)集實(shí)驗(yàn)驗(yàn)證等方面展開研究工作:1、制作實(shí)驗(yàn)數(shù)據(jù)集。首先,針對列車司機(jī)行為識別沒有公開數(shù)據(jù)集,且已有的鐵路列車司機(jī)駕駛數(shù)據(jù)中異常行為較少等情況,在實(shí)驗(yàn)室環(huán)境下,模擬錄制司機(jī)行為視頻,并結(jié)合已有駕駛數(shù)據(jù),制作數(shù)據(jù)集Driver-dataset;其次,為驗(yàn)證本文網(wǎng)絡(luò)結(jié)構(gòu)的有效性,獲取行... 

【文章頁數(shù)】：67 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 列車視頻監(jiān)控研究現(xiàn)狀
        1.2.2 行為識別方法研究現(xiàn)狀
    1.3 主要技術(shù)難點(diǎn)分析
    1.4 主要設(shè)計(jì)思路
    1.5 主要研究內(nèi)容
    1.6 本文結(jié)構(gòu)安排
第2章 實(shí)驗(yàn)數(shù)據(jù)獲取及預(yù)處理
    2.1 實(shí)驗(yàn)數(shù)據(jù)集獲取
        2.1.1 列車司機(jī)數(shù)據(jù)集獲取
        2.1.2 行為識別公開數(shù)據(jù)集獲取
    2.2 實(shí)驗(yàn)數(shù)據(jù)集光流法處理
        2.2.1 光流對于行為識別
        2.2.2 光流基本原理
        2.2.3 光流法預(yù)處理效果
    2.3 本章小結(jié)
第3章 基于CDLN的列車司機(jī)行為識別
    3.1 長循環(huán)卷積網(wǎng)絡(luò)模型LRCN
    3.2 卷積深度長短時(shí)記憶網(wǎng)絡(luò)CDLN
        3.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        3.2.3 CDLN網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        3.2.4 CDLN網(wǎng)絡(luò)參數(shù)設(shè)計(jì)
    3.3 實(shí)驗(yàn)結(jié)果分析及評價(jià)
        3.3.1 實(shí)驗(yàn)平臺及訓(xùn)練參數(shù)設(shè)置
        3.3.2 模型微調(diào)
        3.3.3 行為識別公開數(shù)據(jù)集實(shí)驗(yàn)結(jié)果及分析
        3.3.4 列車司機(jī)數(shù)據(jù)集實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
第4章 基于CLSTE的列車司機(jī)行為識別
    4.1 注意力機(jī)制
    4.2 時(shí)空增強(qiáng)網(wǎng)絡(luò)CLSTE
        4.2.1 空間特征增強(qiáng)網(wǎng)絡(luò)
        4.2.2 時(shí)序特征增強(qiáng)網(wǎng)絡(luò)
        4.2.3 時(shí)空特征融合
    4.3 CLSTE行為識別實(shí)驗(yàn)結(jié)果及分析
        4.3.1 行為識別公開數(shù)據(jù)集實(shí)驗(yàn)結(jié)果及分析
        4.3.2 列車司機(jī)數(shù)據(jù)集實(shí)驗(yàn)結(jié)果及分析
    4.4 本章小結(jié)
總結(jié)與展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文和參與的項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)基礎(chǔ)[J]. 袁冰清,陸悅斌,張杰.  數(shù)字通信世界. 2018(05)
[2]神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制[J]. Adam Kosiorek.  機(jī)器人產(chǎn)業(yè). 2017(06)
[3]基于光流法的運(yùn)動目標(biāo)檢測與跟蹤算法[J]. 肖軍,朱世鵬,黃杭,謝亞男.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(06)
[4]視頻序列中的行為識別研究進(jìn)展[J]. 徐勤軍,吳鎮(zhèn)揚(yáng).  電子測量與儀器學(xué)報(bào). 2014(04)
[5]行人檢測技術(shù)綜述[J]. 蘇松志,李紹滋,陳淑媛,蔡國榕,吳云東.  電子學(xué)報(bào). 2012(04)
[6]基于時(shí)空Markov隨機(jī)場的人體異常行為識別算法[J]. 蒲靜,胡棟.  計(jì)算機(jī)應(yīng)用. 2010(08)
[7]機(jī)車司機(jī)警惕控制技術(shù)探索[J]. 謝興中.  電力機(jī)車與城軌車輛. 2008(03)
[8]智能視頻監(jiān)控技術(shù)——自主創(chuàng)新引領(lǐng)未來[J]. 李子青.  中國安防. 2007(03)

碩士論文
[1]機(jī)車司機(jī)行車安全監(jiān)控中疲勞監(jiān)測和無線傳輸研究[D]. 何偉鋒.中南大學(xué) 2009



本文編號：3724707