隨著我國(guó)高速鐵路的快速發(fā)展,鐵路運(yùn)輸在人們生活中的重要性日益提高,高鐵成網(wǎng)運(yùn)營(yíng)后的安全問(wèn)題已成當(dāng)務(wù)之急。異物入侵高速鐵路限界將會(huì)引發(fā)行車事故,嚴(yán)重危害國(guó)家財(cái)產(chǎn)和人民生命安全。針對(duì)既有鐵路圖像異物侵入檢測(cè)系統(tǒng)只能檢測(cè)報(bào)警圖像,無(wú)法區(qū)分是人員侵入的正確報(bào)警還是光線干擾導(dǎo)致的誤報(bào)警的問(wèn)題,本文旨在開(kāi)發(fā)一套基于融合特征的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)行人分類算法,將報(bào)警圖像中的行人正確分離出來(lái),從而減少由光線干擾造成的誤報(bào)警,解決既有鐵路異物侵入檢測(cè)系統(tǒng)夜間誤報(bào)率高的問(wèn)題。本文為了準(zhǔn)確地區(qū)分報(bào)警圖片是行人還是光線干擾造成的誤報(bào)警,提出將改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)提取的高層Alex特征、HOG特征、LBP特征進(jìn)行多特征加權(quán)融合,并利用全連接分類網(wǎng)絡(luò)對(duì)融合特征訓(xùn)練分類的算法。首先,采集既有鐵路圖像異物侵入檢測(cè)系統(tǒng)的現(xiàn)場(chǎng)報(bào)警圖片,以有無(wú)行人為標(biāo)準(zhǔn)對(duì)數(shù)據(jù)庫(kù)中的圖像逐一標(biāo)注構(gòu)建鐵路侵限行人樣本庫(kù),構(gòu)建的樣本庫(kù)包括5240張誤報(bào)警樣本和2216張行人樣本。隨后,分別提取圖像的HOG、LBP單一特征和加權(quán)融合特征,輸入到SVM進(jìn)行分類識(shí)別,并對(duì)SVM的參數(shù)進(jìn)行尋優(yōu)。實(shí)驗(yàn)結(jié)果表明,融合特征的識(shí)別準(zhǔn)確率明顯高于單一特征。然而,由于鐵路場(chǎng)景的復(fù)雜性、環(huán)境因素的干擾以及樣本的數(shù)量不夠豐富等因素的影響,基于傳統(tǒng)特征的SVM分類算法準(zhǔn)確率并不滿足系統(tǒng)要求。最終本文引入了卷積神經(jīng)網(wǎng)絡(luò),提出了將卷積神經(jīng)網(wǎng)絡(luò)提取的高層特征與傳統(tǒng)特征加權(quán)作為融合特征提高分類算法的準(zhǔn)確性,并利用深度可分離卷積和L1范數(shù)裁剪卷積核對(duì)網(wǎng)絡(luò)進(jìn)行精簡(jiǎn)優(yōu)化以提高實(shí)時(shí)性,降低了算法的運(yùn)行時(shí)間和計(jì)算量,能夠準(zhǔn)確快速地區(qū)分報(bào)警圖片是行人還是光線干擾造成的誤報(bào)警。本文提出的基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的融合特征分類算法,彌補(bǔ)了現(xiàn)有方法的欠缺,鐵路侵限行人樣本庫(kù)的實(shí)驗(yàn)表明,本文提出的算法對(duì)1472張測(cè)試樣本圖像的識(shí)別準(zhǔn)確率高達(dá)98.58%,單張圖片的測(cè)試時(shí)間為10.86ms,極大提高了行人分類檢測(cè)的準(zhǔn)確率,減少了夜間光線干擾造成的誤報(bào)警,具有較強(qiáng)適用性和實(shí)時(shí)性,對(duì)降低系統(tǒng)誤報(bào)率和保證鐵路安全運(yùn)營(yíng)具有重要意義。

 

【文章來(lái)源】：四川師范大學(xué)四川省

 

【文章頁(yè)數(shù)】：102 頁(yè)

 

【學(xué)位級(jí)別】：碩士

 

【文章目錄】：

 

文章目錄

致謝

摘要

ABSTRACT

1 引言

    1.1 研究背景及意義

    1.2 研究現(xiàn)狀

        1.2.1 異物侵限的研究現(xiàn)狀

        1.2.2 行人分類的研究現(xiàn)狀

        1.2.3 存在問(wèn)題及發(fā)展方向

    1.3 研究?jī)?nèi)容與章節(jié)安排

2 基于多特征融合的行人侵限檢測(cè)總體算法設(shè)計(jì)

    2.1 既有鐵路異物侵入檢測(cè)系統(tǒng)及存在問(wèn)題

    2.2 鐵路侵限行人分類算法設(shè)計(jì)

        2.2.1 總體算法設(shè)計(jì)

        2.2.2 行人分類關(guān)鍵算法設(shè)計(jì)

    2.3 本章小結(jié)

3 鐵路侵限行人樣本庫(kù)的構(gòu)建

    3.1 建立鐵路侵限行人樣本庫(kù)的意義

    3.2 鐵路侵限行人樣本庫(kù)的構(gòu)建

        3.2.1 PyTorch平臺(tái)簡(jiǎn)介

        3.2.2 鐵路侵限行人樣本庫(kù)的構(gòu)建

    3.3 本章小結(jié)

4 基于傳統(tǒng)特征的SVM行人分類算法

    4.1 圖像傳統(tǒng)特征提取方法

        4.1.1 圖像HOG特征提取

        4.1.2 圖像LBP特征提取

        4.1.3 圖像融合特征提取方法

    4.2 支持向量機(jī)分類模型優(yōu)化研究

        4.2.1 基于支持向量機(jī)的分類方法

        4.2.2 基于支持向量機(jī)的參數(shù)優(yōu)化研究

    4.3 SVM行人分類實(shí)驗(yàn)結(jié)果與分析

        4.3.1 基于HOG特征的SVM行人分類方法

        4.3.2 基于LBP特征的SVM行人分類方法

        4.3.3 基于HOG+LBP融合特征的SVM行人分類方法

    4.4 本章小結(jié)

5 基于融合特征的卷積神經(jīng)網(wǎng)絡(luò)行人分類方法

    5.1 基于卷積神經(jīng)網(wǎng)絡(luò)的行人分類方法

        5.1.1 卷積神經(jīng)網(wǎng)絡(luò)

        5.1.2 基于經(jīng)典AlexNet網(wǎng)絡(luò)的行人分類方法

        5.1.3 實(shí)驗(yàn)結(jié)果與分析

    5.2 基于融合特征的AlexNet網(wǎng)絡(luò)行人分類方法

        5.2.1 基于HOG+LBP傳統(tǒng)特征的AlexNet網(wǎng)絡(luò)行人分類方法

        5.2.2 基于Alex+HOG+LBP融合特征的分類網(wǎng)絡(luò)行人分類方法

    5.3 基于融合特征的改進(jìn)AlexNet網(wǎng)絡(luò)的行人分類方法

        5.3.1 AlexNet網(wǎng)絡(luò)的改進(jìn)方法

        5.3.2 基于融合特征的改進(jìn)AlexNet網(wǎng)絡(luò)行人分類實(shí)驗(yàn)

    5.4 本章小結(jié)

6 總結(jié)與展望

    6.1 總結(jié)

    6.2 展望

參考文獻(xiàn)

作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果

學(xué)位論文數(shù)據(jù)集

 

 

參考文獻(xiàn)

 

期刊論文

 

[1]多特征融合的視頻目標(biāo)深度跟蹤[J]. 錢小燕,張代浩,張艷琳.  科學(xué)技術(shù)與工程. 2019(07)

[2]基于SIFT和HOG特征融合的人體行為識(shí)別方法[J]. 韓欣欣,葉奇玲.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(06)

[3]異物侵限監(jiān)測(cè)報(bào)警系統(tǒng)在太焦線安全行車中的應(yīng)用[J]. 李鵬利.  機(jī)械管理開(kāi)發(fā). 2018(12)

[4]嵌入式高速公路異物侵限的檢測(cè)與跟蹤研究[J]. 楊杰超,許江淳,陸萬(wàn)榮,曾德斌.  自動(dòng)化儀表. 2018(12)

[5]基于優(yōu)化HOG特征計(jì)算的非完整人體特征檢測(cè)[J]. 李闖,陳張平,王堅(jiān),張波濤.  計(jì)算機(jī)測(cè)量與控制. 2018(11)

[6]基于多特征融合的人臉識(shí)別方法[J]. DOGNERY SINALY SILUE.  電子測(cè)量技術(shù). 2018(20)

[7]軌道交通線路異物入侵的視覺(jué)檢測(cè)方法[J]. 王前選,李鵬,崔燦,周偉.  五邑大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)

[8]基于CNN的高速鐵路侵限異物特征快速提取算法[J]. 王洋,余祖俊,朱力強(qiáng),郭保青.  儀器儀表學(xué)報(bào). 2017(05)

[9]構(gòu)建多尺度深度卷積神經(jīng)網(wǎng)絡(luò)行為識(shí)別模型[J]. 劉智,黃江濤,馮欣.  光學(xué)精密工程. 2017(03)

[10]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的人體檢測(cè)研究[J]. 左艷麗,馬志強(qiáng),左憲禹.  現(xiàn)代電子技術(shù). 2017(04)

 

碩士論文

 

[1]基于特征融合的行為識(shí)別方法研究[D]. 鈔蓓英.西安理工大學(xué) 2018

[2]基于深度神經(jīng)網(wǎng)絡(luò)的鐵路異物檢測(cè)算法[D]. 劉文祺.北京交通大學(xué) 2016

[3]基于立體視覺(jué)的異物侵界檢測(cè)方法研究[D]. 魏巍.北京交通大學(xué) 2014

[4]基于單目視覺(jué)的軌道交通異物侵限檢測(cè)方法研究[D]. 陳根重.北京交通大學(xué) 2013