發(fā)布時(shí)間：2020-10-09 18:14

　　 隨著我國(guó)高速鐵路客流量和里程數(shù)的迅速增長(zhǎng),動(dòng)車組日常維修作業(yè)的工作量逐年激增。如何利用好動(dòng)車組維修信息,快速、準(zhǔn)確、及時(shí)地完成動(dòng)車組的維護(hù)工作是保障動(dòng)車組安全運(yùn)營(yíng)的重要任務(wù)。本文在研究增強(qiáng)現(xiàn)實(shí)(Augmented Reality,簡(jiǎn)稱AR)技術(shù)的基礎(chǔ)上,提出了基于TLD(Tracking-Learning-Detection,簡(jiǎn)稱TLD)的增強(qiáng)現(xiàn)實(shí)系統(tǒng)目標(biāo)跟蹤算法。并設(shè)計(jì)了 CRH380BL動(dòng)車組增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng),實(shí)現(xiàn)輔助維修作業(yè)人員完成維修作業(yè)任務(wù),整合維修作業(yè)信息,規(guī)范維修作業(yè)人員的作業(yè)流程,從而提高日常維修作業(yè)的效率。本文在研究基于計(jì)算機(jī)視覺的目標(biāo)跟蹤算法基本原理基礎(chǔ)上,結(jié)合CRH380BL動(dòng)車組維修作業(yè)場(chǎng)景的特點(diǎn),分別進(jìn)行了系統(tǒng)目標(biāo)檢測(cè)算法、目標(biāo)跟蹤算法和三維注冊(cè)算法的設(shè)計(jì)。本文的研究重點(diǎn)是如何在保證目標(biāo)跟蹤結(jié)果高準(zhǔn)確度的前提下,實(shí)現(xiàn)計(jì)算過(guò)程的高速度。本文完成的工作如下:首先對(duì)目標(biāo)檢測(cè)算法進(jìn)行了研究,提出了使用HOG(Histogram of Oriented Gradient,簡(jiǎn)稱HOG)特征檢測(cè)算子作為目標(biāo)跟蹤算法特征檢測(cè)算法的方案。通過(guò)對(duì)現(xiàn)場(chǎng)作業(yè)場(chǎng)景的特征提取實(shí)驗(yàn),完成了 CRH380BL動(dòng)車組轉(zhuǎn)向架目標(biāo)跟蹤的特征提取,并進(jìn)行了特征匹配實(shí)驗(yàn),分析了目標(biāo)檢測(cè)算法的優(yōu)缺點(diǎn)。其次通過(guò)MATLAB和VS2013混合編程,對(duì)基于檢測(cè)目標(biāo)的TLD跟蹤算法進(jìn)行了改進(jìn)。并以CRH380BL動(dòng)車組轉(zhuǎn)向架更換檢修作業(yè)視頻數(shù)據(jù)為例,實(shí)驗(yàn)驗(yàn)證了算法的有效性。結(jié)合KCF(Kernel Correlation Filter,簡(jiǎn)稱KCF)算法完成了面向增強(qiáng)現(xiàn)實(shí)系統(tǒng)的TLD-G目標(biāo)跟蹤算法設(shè)計(jì)。原始TLD算法更加看重檢測(cè)器的檢測(cè)結(jié)果。由于采用滑動(dòng)窗方式的檢測(cè)器需要處理大量的圖像塊,嚴(yán)重影響了實(shí)時(shí)性。本文利用減小滑動(dòng)窗口掃描范圍的方法,提高了算法的計(jì)算速度。并進(jìn)行了 TLD-G算法的標(biāo)準(zhǔn)數(shù)據(jù)集實(shí)驗(yàn)和CRH380BL動(dòng)車組轉(zhuǎn)向架更換檢修作業(yè)視頻數(shù)據(jù)實(shí)驗(yàn)。結(jié)果表明,算法的運(yùn)算速度、精確性和魯棒性均能滿足增強(qiáng)現(xiàn)實(shí)系統(tǒng)的要求。最后對(duì)CRH380BL動(dòng)車組增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)進(jìn)行了設(shè)計(jì)和測(cè)試工作。完成了 CRH380BL動(dòng)車組增強(qiáng)現(xiàn)實(shí)輔助維修系統(tǒng)的設(shè)計(jì),并進(jìn)行了系統(tǒng)的維修作業(yè)現(xiàn)場(chǎng)測(cè)試,測(cè)試結(jié)果表明系統(tǒng)實(shí)時(shí)性、三維注冊(cè)精度較好。
【學(xué)位單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2017
【中圖分類】：U269;TP391.41
【部分圖文】：

逡逑圖２－２是不同0？下，圖像尺度空間：逡逑0■增大逡逑Ｇ（ｃｒ）＊／邐Ｇ（＾ｃｒ）＊／邐Ｇ（ｋ２（ｊ邋ｊ＊／逡逑二階■邋？■漏逡逑Ｇ｛２ａ）＊Ｉ邐Ｇ（２ｋａ）＊Ｉ邐Ｇ（２ｋ２ａ）＊Ｉ逡逑圖２－２不同ｏ■下的尺度空間逡逑Ｆｉｇ．２－２邋Ｓｃａｌｅ邋ｓｐａｃｅ邋ｕｎｄｅｒ邋ｄｉｆｆｅｒｅｎｔ邋＜ｒ逡逑２／ｃｆｆ中的２是必須的，尺度空間是連續(xù)的。在Ｌｏｗｅ的論文中，將第０層的初逡逑始尺度定為１．６邋（最模糊），圖片的初始尺度定為０．５邋（最清晰）。原文在計(jì)算極值點(diǎn)逡逑之前對(duì)原始圖像進(jìn)行了高斯平滑處理，所以圖像的高頻信息被過(guò)濾掉�；谶@種情逡逑況，需要將原始圖像長(zhǎng)寬擴(kuò)展一倍，對(duì)圖像進(jìn)行降頻處理，從而避免原始圖像的高逡逑頻信息丟失，保留特征點(diǎn)數(shù)量，然后建立尺度空間，尺度越大圖像越模糊。逡逑在實(shí)際計(jì)算時(shí)，使用高斯金字塔每組中相鄰上下兩層圖像相減，得到高斯差分逡逑圖像，如圖２－３所示，進(jìn)行極值檢測(cè)。逡逑由圖片尺寸決定建幾個(gè)塔

和所有的相鄰點(diǎn)進(jìn)行比較，包括同一尺度域中的相鄰點(diǎn)和相鄰尺度域中同一位置逡逑的點(diǎn)和相鄰點(diǎn)，如果該采樣點(diǎn)是所有相鄰點(diǎn)之中的最大值點(diǎn)或最小值點(diǎn)，則為極值逡逑點(diǎn)。比較過(guò)程如圖２－４所示，檢測(cè)點(diǎn)Ｘ和它相鄰的２６個(gè)點(diǎn)進(jìn)行比較，其中同尺度逡逑相鄰點(diǎn)８?jìng)�(gè)，相鄰尺度域中對(duì)應(yīng)點(diǎn)１８?jìng)�(gè)。如果Ｘ與２６個(gè)點(diǎn)比較的結(jié)果顯示為最逡逑大或最小值時(shí)，就認(rèn)為Ｘ是圖像在該尺度下的一個(gè)特征點(diǎn)。逡逑ｉ邋＼邐邐逡逑ｊ／邋ｙ邐ｙ逡逑口邋ｆｔｆ邐ｙ￣ｙ邋＼＾邋ｙ逡逑空間逡逑圖２－４高斯空間極值點(diǎn)檢測(cè)逡逑Ｆｉｇ．２－４邋Ｄｅｔｅｃｔｉｏｎ邋ｏｆ邋ｅｘｔｒｅｍｅ邋ｐｏｉｎｔｓ邋ｉｎ邋Ｇａｕｓｓ邋ｓｐａｃｅ逡逑１０逡逑

高斯差分圖像逡逑高斯項(xiàng)逡逑圖２－３高斯差分金字塔的生成逡逑Ｆｉｇ．２－３邋Ｇｅｎｅｒａｔｉｏｎ邋ｏｆ邋Ｇａｕｓｓ邋ｄｉｆｆｅｒｅｎｔｉａｌ邋Ｐｙｒａｍｉｄ逡逑（２）檢測(cè)尺度空間極值點(diǎn)逡逑構(gòu)建了高斯尺度空間后，接下來(lái)需要計(jì)算尺度空間的極值點(diǎn)。將每一個(gè)采樣點(diǎn)逡逑和所有的相鄰點(diǎn)進(jìn)行比較，包括同一尺度域中的相鄰點(diǎn)和相鄰尺度域中同一位置逡逑的點(diǎn)和相鄰點(diǎn)，如果該采樣點(diǎn)是所有相鄰點(diǎn)之中的最大值點(diǎn)或最小值點(diǎn)，則為極值逡逑點(diǎn)。比較過(guò)程如圖２－４所示，檢測(cè)點(diǎn)Ｘ和它相鄰的２６個(gè)點(diǎn)進(jìn)行比較，其中同尺度逡逑相鄰點(diǎn)８?jìng)�(gè)，相鄰尺度域中對(duì)應(yīng)點(diǎn)１８?jìng)�(gè)。如果Ｘ與２６個(gè)點(diǎn)比較的結(jié)果顯示為最逡逑大或最小值時(shí)，就認(rèn)為Ｘ是圖像在該尺度下的一個(gè)特征點(diǎn)。逡逑ｉ邋＼邐邐逡逑ｊ／邋ｙ邐ｙ逡逑口邋ｆｔｆ邐ｙ￣ｙ邋＼＾邋ｙ逡逑空間逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊玉鋒;李偉彤;許磊;周禹;;一種改進(jìn)的TLD跟蹤算法[J];科技創(chuàng)新與應(yīng)用;2016年28期

2 陳澤嬋;陳靖;嚴(yán)雷;張運(yùn)超;;基于Unity3D的移動(dòng)增強(qiáng)現(xiàn)實(shí)光學(xué)實(shí)驗(yàn)平臺(tái)[J];計(jì)算機(jī)應(yīng)用;2015年S2期

3 楊文芳;何寧;;基于增強(qiáng)現(xiàn)實(shí)技術(shù)的武器裝備維修輔助系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J];信息系統(tǒng)工程;2015年05期

4 林一;陳靖;周琪;劉越;;移動(dòng)增強(qiáng)現(xiàn)實(shí)瀏覽器的信息可視化和交互式設(shè)計(jì)[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2015年02期

5 楊萌;楊陽(yáng);王藝;王亞杰;;一種改進(jìn)的TLD算法[J];傳感器與微系統(tǒng);2014年12期

6 李炎;尹東;;基于TLD的增強(qiáng)現(xiàn)實(shí)跟蹤注冊(cè)方法[J];系統(tǒng)仿真學(xué)報(bào);2014年09期

7 江偉堅(jiān);郭躬德;;復(fù)雜環(huán)境下高效物體跟蹤級(jí)聯(lián)分類器[J];中國(guó)圖象圖形學(xué)報(bào);2014年02期

8 桂振文;陳靖;劉越;王涌天;;一種智能手機(jī)上的場(chǎng)景實(shí)時(shí)識(shí)別算法[J];自動(dòng)化學(xué)報(bào);2014年01期

9 徐維鵬;王涌天;劉越;翁冬冬;;增強(qiáng)現(xiàn)實(shí)中的虛實(shí)遮擋處理綜述[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2013年11期

10 周鑫;錢秋朦;葉永強(qiáng);王從慶;;改進(jìn)后的TLD視頻目標(biāo)跟蹤方法[J];中國(guó)圖象圖形學(xué)報(bào);2013年09期

相關(guān)碩士學(xué)位論文 前6條

1 焦蓬斐;基于TLD的目標(biāo)跟蹤改進(jìn)算法研究[D];中北大學(xué);2016年

2 李娟;基于KCF的視頻中運(yùn)動(dòng)物體的跟蹤系統(tǒng)[D];湖南師范大學(xué);2016年

3 張帥領(lǐng);基于TLD的視頻目標(biāo)跟蹤算法的研究[D];西安電子科技大學(xué);2014年

4 江博;基于Kalman的TLD目標(biāo)跟蹤算法研究[D];西安科技大學(xué);2013年

5 榮文;基于SURF特征的顯微鏡圖像拼接[D];山東大學(xué);2010年

6 陳浩;基于SURF特征匹配算法的全景圖像拼接[D];西安電子科技大學(xué);2010年

本文編號(hào)：2834025