目標檢測是計算機視覺領域中的一個重要課題,其主要目的是從靜態(tài)圖片或視頻中檢測并定位特定的目標。它采用了模式識別、圖像處理、人工智能和自動控制等技術(shù),在道路交通監(jiān)控、智能機器人、自動駕駛等方面有著廣泛的應用。由于高鐵列車運行速度快、所處環(huán)境復雜多變,目前還沒有一種比較通用成熟的檢測方法用于高鐵列車的檢測,為了輔助高鐵列車駕駛員保障列車的安全行駛,在攝像頭運動情況下,研究高鐵列車前方目標的實時性檢測方法,對于保障高鐵列車的安全行駛具有重要的實際意義。為了實現(xiàn)高鐵列車的實時性檢測,本文首先對三種應用較為廣泛的目標檢測算法進行了分析,然后重點研究了 Adaboost算法進行目標分類檢測,并應用于高鐵列車的檢測。針對傳統(tǒng)機器學習方法手工提取特征進行目標分類檢測時誤檢率較高的問題,本文在深度學習的基礎上設計并實現(xiàn)了基于Faster R-CNN的高鐵列車檢測算法,該算法使用RPN（Region Proposal Network）網(wǎng)絡來提取候選框,并與Fast R-CNN共享卷積層,進行端到端（end-to-end）的訓練,提高了特征提取的速度和檢測的準確度。針對實現(xiàn)對高鐵列車的實時性檢測的要求,又設... 

【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

圖２－１相鄰二幀差分法原理圖??Ｆｉｕｒｅ?２－１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｒａｍ?ｏｆ?ｔｗｏ?ａｄａｃｅｎｔ?ｆｒａｍｅ?ｄｉｆｆｅｒｅｎｃｅ?ｍｅｔｈｏｄ??

位置發(fā)生了相對的移動，所以，這兩幀的圖像在高鐵列車所在的位置就與另??一幀對應位置的像素的值存在一定差異，通過兩幀像素的值進行相減的方式，就??可以獲取運動高鐵列車的位置信息，一個簡單的二幀差法處理的過程如圖２－１所??〇??第讓幀?——？差分運算——？二值化處理——？目標提取??第ｋ－１幀??１?閾值處理??圖２－１相鄰二幀差分法原理圖??Ｆｉｇｕｒｅ?２－１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｗｏ?ａｄｊａｃｅｎｔ?ｆｒａｍｅ?ｄｉｆｆｅｒｅｎｃｅ?ｍｅｔｈｏｄ??使用幀間差分法進行高鐵列車檢測時，在一個視頻流中，提取相鄰或者間隔??較近的兩幀圖片，然后，對對應像素點位置的像素的值進行差分運算，將運算結(jié)??果大于一定閾值的值設置為１，其他值設置為０，這是一個對圖像進行二值化的操??作。從而，置為１的像素點構(gòu)成了運動高鐵列車的輪廓，即為前景，而其他的部??分則被認為是背景。??算法公式如（２－１）和（２－２）所示：??Ｒｋ?（ｘ，ｙ）?＝?＼Ｇｋ?（ｘ，ｙ）?－?（Ｘ，?ｙ）＼?（２－１）??�。祝眨�，價了?Ｆ〇ｒｅｇｒ〇Ｗｌｄ?（２－２）??［〇?，?Ｒｋ（ｘｙｙ）?＜Ｔ?Ｂａｃｋｇｒｏｕｎｄ??其中，表示當獲得第ｋ幀時，進行差分運算的結(jié)果并取絕對值??表示所提取的第ｋ幀所在位置的像素點的灰度值

?提取，從目標的灰度圖和差分后的二值圖像上獲取特征值，結(jié)合和運動信息來訓練Ａｄａｂｏｏｓｔ分類器，從而實現(xiàn)運動目標的檢測。比較高，在某些紋理信息比較豐富的場景下，檢測性能就會有所ａｂｏｏｓｔ算法實質(zhì)上是一個二分類的問題１２１１，本章將重點介紹Ａｄａｂｏ理，選取合適的特征對樣本進行分類，從而構(gòu)造出適合高鐵列車為解決Ａｄａｂｏｏｓｔ算法在鐵路運行環(huán)境中由于高鐵列車行駛速度快、變?nèi)菀壮霈F(xiàn)高誤檢率的問題，本文提取對光照和形變最具魯棒性表示列車，使得目標和攝像頭同時移動的情況下，對列車的檢測率。??ＡＲ特征是一種簡單的矩形特征，它的特征值的計算方法是在圖域和白色矩形區(qū)域的灰度權(quán)重總和之差。在高鐵列車的一些特定算得到較大的值，由于矩形特征能反映檢測目標局部特征的灰度利于區(qū)分高鐵列車和非高鐵列車。??

【參考文獻】：
期刊論文
[1]基于光流場的實時視頻中運動目標的檢測與跟蹤[J]. 甘慶玉.  吉林廣播電視大學學報. 2014(10)
[2]深度學習及其在目標和行為識別中的新進展[J]. 鄭胤,陳權(quán)崎,章毓晉.  中國圖象圖形學報. 2014(02)
[3]基于幀間差分方法的運動目標檢測[J]. 武懷金,王武江.  黑龍江科技信息. 2012(10)
[4]模型平均方法及其在預測中的應用[J]. 張新雨,鄒國華.  統(tǒng)計研究. 2011(06)



本文編號：3311551