【摘要】：鐵路調(diào)車作業(yè)作為鐵路運(yùn)輸過程中一個(gè)重要環(huán)節(jié),是列車運(yùn)輸任務(wù)中一項(xiàng)技術(shù)性強(qiáng)、要求較高而又復(fù)雜的工作,是衡量運(yùn)輸過程中各項(xiàng)指標(biāo)完成的重要標(biāo)志。在調(diào)車人員培訓(xùn)中,手信號(hào)的準(zhǔn)確辨識(shí)和顯示是至關(guān)重要的。目前手信號(hào)培訓(xùn)還是依賴于傳統(tǒng)的人工教學(xué)模式,但是由于培訓(xùn)人員眾多,手信號(hào)類別多種多樣,所以導(dǎo)致培訓(xùn)效率低下。本文將人工智能姿態(tài)識(shí)別技術(shù)應(yīng)用到鐵路調(diào)車領(lǐng)域,通過殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行姿態(tài)特征數(shù)據(jù)的采集,并且將信號(hào)旗的顏色信息結(jié)合CamShift算法進(jìn)行動(dòng)態(tài)跟蹤識(shí)別,最后將融合的特征數(shù)據(jù)集送入到分類器進(jìn)行分類識(shí)別,從而達(dá)到手信號(hào)自主訓(xùn)練識(shí)別的目的。本論文主要完成以下幾個(gè)方面的工作:(1)完成鐵路手信號(hào)數(shù)據(jù)庫樣本的采集工作。通過對(duì)手信號(hào)仔細(xì)觀察,結(jié)合鐵路手信號(hào)的姿態(tài)特性,將鐵路手信號(hào)分為靜態(tài)類和動(dòng)態(tài)類兩種類型。其中靜態(tài)類包含10種類別的靜態(tài)圖片,動(dòng)態(tài)類包含10種類別的動(dòng)態(tài)視頻。(2)人體姿態(tài)關(guān)節(jié)點(diǎn)的識(shí)別。本論文采用開源的深度學(xué)習(xí)網(wǎng)絡(luò)模型提取關(guān)節(jié)點(diǎn),通過殘差神經(jīng)網(wǎng)絡(luò)找出所有候選關(guān)節(jié)點(diǎn),將節(jié)點(diǎn)之間的關(guān)聯(lián)性作為節(jié)點(diǎn)之間的權(quán)重,采用圖論節(jié)點(diǎn)的聚類方法判斷關(guān)節(jié)點(diǎn)屬于哪一個(gè)人,最后使用整數(shù)線性規(guī)劃(ILP,Integer Linear Programming)進(jìn)行模型求解。(3)信號(hào)旗顏色識(shí)別及跟蹤。鐵路手信號(hào)信號(hào)旗的顏色分為紅、綠、黃三種,本設(shè)計(jì)采用CamShift算法對(duì)信號(hào)旗的顏色進(jìn)行識(shí)別,并對(duì)信號(hào)旗動(dòng)作進(jìn)行動(dòng)態(tài)跟蹤,通過不斷計(jì)算搜索窗的大小和中心位置,迭代計(jì)算初始值,可以有效解決目標(biāo)形變和遮擋難題。(4)手信號(hào)姿態(tài)分類模型的建立與分析。將預(yù)處理好的數(shù)據(jù)送入K最近鄰(KNN,K-NearestNeighbor)、邏輯回歸、支持向量機(jī)等分類器中,通過交叉驗(yàn)證和網(wǎng)格搜索不斷尋找參數(shù)來優(yōu)化模型。最后將不同算法進(jìn)行對(duì)比分析,結(jié)果表明在靜態(tài)類別和動(dòng)態(tài)類別中,支持向量機(jī)的表現(xiàn)效果更好,準(zhǔn)確率分別可達(dá)98.999%和97.999%。
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：U292.2;TP391.41;TP18
【圖文】：

經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)逡逑按照其網(wǎng)絡(luò)結(jié)構(gòu)特性和復(fù)雜程度可以分為兩類：一種一種是當(dāng)下比較流行的深度神經(jīng)網(wǎng)絡(luò)。相比于傳統(tǒng)的結(jié)構(gòu)，深度神經(jīng)網(wǎng)絡(luò)的層數(shù)結(jié)構(gòu)可以達(dá)到幾十層甚至于神經(jīng)元數(shù)量遠(yuǎn)遠(yuǎn)超過傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，所以它其擁有在圖像領(lǐng)域方面其他算法無法比擬的優(yōu)勢。逡逑經(jīng)網(wǎng)絡(luò)逡逑網(wǎng)絡(luò)是一種以網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，模擬生物大腦的機(jī)制的一種數(shù)學(xué)模型。常見的神經(jīng)網(wǎng)絡(luò)由三部分組成輸出層，如圖２－１所示。隱藏層的感知器通過不同的在訓(xùn)練學(xué)習(xí)中，通過不斷調(diào)整這些權(quán)值，從而達(dá)到正

逡逑由圖２－１可知，隱藏層的每一個(gè)單元都和上一層每一個(gè)單元全部連接，并且每逡逑個(gè)單元之間連接都有不同的權(quán)重系數(shù)，隱藏層的每一層既是上一層的輸出層，又逡逑是下一層的輸入層。在前向傳播計(jì)算中，通常每個(gè)輸入單元部分都有一個(gè)偏置系逡逑數(shù)０。作為截距項(xiàng)，并且每次進(jìn)行一次組合求和后要經(jīng)過激活函數(shù)／。由于在神經(jīng)網(wǎng)逡逑絡(luò)中每一層的輸入和對(duì)應(yīng)的權(quán)重相乘再求和得出的結(jié)果都是一個(gè)線性結(jié)構(gòu)，所以逡逑想要使模型可以進(jìn)行非線性分類，就需要引入激活函數(shù)。其中常見的激活函數(shù)有逡逑ｓｉｇｍｏｉｄ函數(shù)、ｔａｎｈ函數(shù)、ＲｅＬｕ函數(shù)等，如圖２－２所示。逡逑Ｓｉｇｍｏｉｄ邐ｔａｎｈ邐ＲｅＬｕ逡逑ｉ邋0邐ｉ邋ｃｃ邐ｚ邋邋＊邐；邐”邐V逡逑，邐／邐ｉ邐ｉ逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 樊存佳;汪友生;邊航;;一種改進(jìn)的KNN文本分類算法[J];國外電子測量技術(shù);2015年12期

2 田國會(huì);尹建芹;韓旭;于靜;;一種基于關(guān)節(jié)點(diǎn)信息的人體行為識(shí)別新方法[J];機(jī)器人;2014年03期

3 屈晶晶;辛云宏;;連續(xù)幀間差分與背景差分相融合的運(yùn)動(dòng)目標(biāo)檢測方法[J];光子學(xué)報(bào);2014年07期

4 鄭胤;陳權(quán)崎;章毓晉;;深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展[J];中國圖象圖形學(xué)報(bào);2014年02期

5 劉飚;陳春萍;封化民;李洋;;基于Fisher準(zhǔn)則的SVM參數(shù)選擇算法[J];山東大學(xué)學(xué)報(bào)(理學(xué)版);2012年07期

6 張倩;楊耀權(quán);;基于支持向量機(jī)核函數(shù)的研究[J];電力科學(xué)與工程;2012年05期

7 高紅;;基于交叉驗(yàn)證的錯(cuò)誤率估計(jì)分析[J];科技信息;2011年25期

8 邱龍金;賀昌政;;神經(jīng)網(wǎng)絡(luò)穩(wěn)定性的交叉驗(yàn)證模型[J];計(jì)算機(jī)工程與應(yīng)用;2010年34期

9 徐光yP;曹媛媛;;動(dòng)作識(shí)別與行為理解綜述[J];中國圖象圖形學(xué)報(bào);2009年02期

10 朱樹先;張仁杰;;支持向量機(jī)核函數(shù)選擇的研究[J];科學(xué)技術(shù)與工程;2008年16期

相關(guān)博士學(xué)位論文 前2條

1 田浩;基于核函數(shù)的目標(biāo)跟蹤算法研究[D];長安大學(xué);2016年

2 董元方;機(jī)器學(xué)習(xí)中的模型選擇問題研究[D];吉林大學(xué);2011年

相關(guān)碩士學(xué)位論文 前2條

1 李飛騰;卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[D];大連理工大學(xué);2014年

2 劉章軍;基于差分圖像的車流量檢測算法及實(shí)現(xiàn)[D];西南交通大學(xué);2011年

本文編號(hào)：2728231