隨著我國高速鐵路客流量和里程數(shù)的迅速增長,動車組日常維修作業(yè)的工作量逐年激增。如何利用好動車組維修信息,快速、準確、及時地完成動車組的維護工作是保障動車組安全運營的重要任務。本文在研究增強現(xiàn)實(Augmented Reality,簡稱AR)技術的基礎上,提出了基于TLD(Tracking-Learning-Detection,簡稱TLD)的增強現(xiàn)實系統(tǒng)目標跟蹤算法。并設計了 CRH380BL動車組增強現(xiàn)實輔助維修系統(tǒng),實現(xiàn)輔助維修作業(yè)人員完成維修作業(yè)任務,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。本文在研究基于計算機視覺的目標跟蹤算法基本原理基礎上,結合CRH380BL動車組維修作業(yè)場景的特點,分別進行了系統(tǒng)目標檢測算法、目標跟蹤算法和三維注冊算法的設計。本文的研究重點是如何在保證目標跟蹤結果高準確度的前提下,實現(xiàn)計算過程的高速度。本文完成的工作如下:首先對目標檢測算法進行了研究,提出了使用HOG(Histogram of Oriented Gradient,簡稱HOG)特征檢測算子作為目標跟蹤算法特征檢測算法的方案。通過對現(xiàn)場作業(yè)場景的特征提取實驗,完成了 CRH380BL動車組轉向架目標跟蹤的特征提取,并進行了特征匹配實驗,分析了目標檢測算法的優(yōu)缺點。其次通過MATLAB和VS2013混合編程,對基于檢測目標的TLD跟蹤算法進行了改進。并以CRH380BL動車組轉向架更換檢修作業(yè)視頻數(shù)據(jù)為例,實驗驗證了算法的有效性。結合KCF(Kernel Correlation Filter,簡稱KCF)算法完成了面向增強現(xiàn)實系統(tǒng)的TLD-G目標跟蹤算法設計。原始TLD算法更加看重檢測器的檢測結果。由于采用滑動窗方式的檢測器需要處理大量的圖像塊,嚴重影響了實時性。本文利用減小滑動窗口掃描范圍的方法,提高了算法的計算速度。并進行了 TLD-G算法的標準數(shù)據(jù)集實驗和CRH380BL動車組轉向架更換檢修作業(yè)視頻數(shù)據(jù)實驗。結果表明,算法的運算速度、精確性和魯棒性均能滿足增強現(xiàn)實系統(tǒng)的要求。最后對CRH380BL動車組增強現(xiàn)實輔助維修系統(tǒng)進行了設計和測試工作。完成了 CRH380BL動車組增強現(xiàn)實輔助維修系統(tǒng)的設計,并進行了系統(tǒng)的維修作業(yè)現(xiàn)場測試,測試結果表明系統(tǒng)實時性、三維注冊精度較好。
【學位單位】：北京交通大學
【學位級別】：碩士
【學位年份】：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）。原文在計算極值點逡逑之前對原始圖像進行了高斯平滑處理，所以圖像的高頻信息被過濾掉�；谶@種情逡逑況，需要將原始圖像長寬擴展一倍，對圖像進行降頻處理，從而避免原始圖像的高逡逑頻信息丟失，保留特征點數(shù)量，然后建立尺度空間，尺度越大圖像越模糊。逡逑在實際計算時，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，進行極值檢測。逡逑由圖片尺寸決定建幾個塔

和所有的相鄰點進行比較，包括同一尺度域中的相鄰點和相鄰尺度域中同一位置逡逑的點和相鄰點，如果該采樣點是所有相鄰點之中的最大值點或最小值點，則為極值逡逑點。比較過程如圖２－４所示，檢測點Ｘ和它相鄰的２６個點進行比較，其中同尺度逡逑相鄰點８個，相鄰尺度域中對應點１８個。如果Ｘ與２６個點比較的結果顯示為最逡逑大或最小值時，就認為Ｘ是圖像在該尺度下的一個特征點。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高斯空間極值點檢測逡逑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）檢測尺度空間極值點逡逑構建了高斯尺度空間后，接下來需要計算尺度空間的極值點。將每一個采樣點逡逑和所有的相鄰點進行比較，包括同一尺度域中的相鄰點和相鄰尺度域中同一位置逡逑的點和相鄰點，如果該采樣點是所有相鄰點之中的最大值點或最小值點，則為極值逡逑點。比較過程如圖２－４所示，檢測點Ｘ和它相鄰的２６個點進行比較，其中同尺度逡逑相鄰點８個，相鄰尺度域中對應點１８個。如果Ｘ與２６個點比較的結果顯示為最逡逑大或最小值時，就認為Ｘ是圖像在該尺度下的一個特征點。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】

相關期刊論文 前10條

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

2 陳澤嬋;陳靖;嚴雷;張運超;;基于Unity3D的移動增強現(xiàn)實光學實驗平臺[J];計算機應用;2015年S2期

3 楊文芳;何寧;;基于增強現(xiàn)實技術的武器裝備維修輔助系統(tǒng)設計與實現(xiàn)[J];信息系統(tǒng)工程;2015年05期

4 林一;陳靖;周琪;劉越;;移動增強現(xiàn)實瀏覽器的信息可視化和交互式設計[J];計算機輔助設計與圖形學學報;2015年02期

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

6 李炎;尹東;;基于TLD的增強現(xiàn)實跟蹤注冊方法[J];系統(tǒng)仿真學報;2014年09期

7 江偉堅;郭躬德;;復雜環(huán)境下高效物體跟蹤級聯(lián)分類器[J];中國圖象圖形學報;2014年02期

8 桂振文;陳靖;劉越;王涌天;;一種智能手機上的場景實時識別算法[J];自動化學報;2014年01期

9 徐維鵬;王涌天;劉越;翁冬冬;;增強現(xiàn)實中的虛實遮擋處理綜述[J];計算機輔助設計與圖形學學報;2013年11期

10 周鑫;錢秋朦;葉永強;王從慶;;改進后的TLD視頻目標跟蹤方法[J];中國圖象圖形學報;2013年09期

相關碩士學位論文 前6條

1 焦蓬斐;基于TLD的目標跟蹤改進算法研究[D];中北大學;2016年

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

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

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

5 榮文;基于SURF特征的顯微鏡圖像拼接[D];山東大學;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;2010年

本文編號：2834025