隨著我國高速鐵路的快速發(fā)展,鐵路運輸在人們生活中的重要性日益提高,高鐵成網(wǎng)運營后的安全問題已成當務之急。異物入侵高速鐵路限界將會引發(fā)行車事故,嚴重危害國家財產(chǎn)和人民生命安全。針對既有鐵路圖像異物侵入檢測系統(tǒng)只能檢測報警圖像,無法區(qū)分是人員侵入的正確報警還是光線干擾導致的誤報警的問題,本文旨在開發(fā)一套基于融合特征的改進卷積神經(jīng)網(wǎng)絡行人分類算法,將報警圖像中的行人正確分離出來,從而減少由光線干擾造成的誤報警,解決既有鐵路異物侵入檢測系統(tǒng)夜間誤報率高的問題。本文為了準確地區(qū)分報警圖片是行人還是光線干擾造成的誤報警,提出將改進卷積神經(jīng)網(wǎng)絡提取的高層Alex特征、HOG特征、LBP特征進行多特征加權融合,并利用全連接分類網(wǎng)絡對融合特征訓練分類的算法。首先,采集既有鐵路圖像異物侵入檢測系統(tǒng)的現(xiàn)場報警圖片,以有無行人為標準對數(shù)據(jù)庫中的圖像逐一標注構建鐵路侵限行人樣本庫,構建的樣本庫包括5240張誤報警樣本和2216張行人樣本。隨后,分別提取圖像的HOG、LBP單一特征和加權融合特征,輸入到SVM進行分類識別,并對SVM的參數(shù)進行尋優(yōu)。實驗結果表明,融合特征的識別準確率明顯高于單一特征。然而,由于鐵路場景的復雜性、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,提出了將卷積神經(jīng)網(wǎng)絡提取的高層特征與傳統(tǒng)特征加權作為融合特征提高分類算法的準確性,并利用深度可分離卷積和L1范數(shù)裁剪卷積核對網(wǎng)絡進行精簡優(yōu)化以提高實時性,降低了算法的運行時間和計算量,能夠準確快速地區(qū)分報警圖片是行人還是光線干擾造成的誤報警。本文提出的基于改進卷積神經(jīng)網(wǎng)絡的融合特征分類算法,彌補了現(xiàn)有方法的欠缺,鐵路侵限行人樣本庫的實驗表明,本文提出的算法對1472張測試樣本圖像的識別準確率高達98.58%,單張圖片的測試時間為10.86ms,極大提高了行人分類檢測的準確率,減少了夜間光線干擾造成的誤報警,具有較強適用性和實時性,對降低系統(tǒng)誤報率和保證鐵路安全運營具有重要意義。

 

【文章來源】：四川師范大學四川省

 

【文章頁數(shù)】：102 頁

 

【學位級別】：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 存在問題及發(fā)展方向

    1.3 研究內容與章節(jié)安排

2 基于多特征融合的行人侵限檢測總體算法設計

    2.1 既有鐵路異物侵入檢測系統(tǒng)及存在問題

    2.2 鐵路侵限行人分類算法設計

        2.2.1 總體算法設計

        2.2.2 行人分類關鍵算法設計

    2.3 本章小結

3 鐵路侵限行人樣本庫的構建

    3.1 建立鐵路侵限行人樣本庫的意義

    3.2 鐵路侵限行人樣本庫的構建

        3.2.1 PyTorch平臺簡介

        3.2.2 鐵路侵限行人樣本庫的構建

    3.3 本章小結

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 支持向量機分類模型優(yōu)化研究

        4.2.1 基于支持向量機的分類方法

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

    4.3 SVM行人分類實驗結果與分析

        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

5 基于融合特征的卷積神經(jīng)網(wǎng)絡行人分類方法

    5.1 基于卷積神經(jīng)網(wǎng)絡的行人分類方法

        5.1.1 卷積神經(jīng)網(wǎng)絡

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

        5.1.3 實驗結果與分析

    5.2 基于融合特征的AlexNet網(wǎng)絡行人分類方法

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

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

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

        5.3.1 AlexNet網(wǎng)絡的改進方法

        5.3.2 基于融合特征的改進AlexNet網(wǎng)絡行人分類實驗

    5.4 本章小結

6 總結與展望

    6.1 總結

    6.2 展望

參考文獻

作者簡歷及攻讀碩士學位期間取得的研究成果

學位論文數(shù)據(jù)集

 

 

參考文獻

 

期刊論文

 

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

[2]基于SIFT和HOG特征融合的人體行為識別方法[J]. 韓欣欣,葉奇玲.  計算機技術與發(fā)展. 2019(06)

[3]異物侵限監(jiān)測報警系統(tǒng)在太焦線安全行車中的應用[J]. 李鵬利.  機械管理開發(fā). 2018(12)

[4]嵌入式高速公路異物侵限的檢測與跟蹤研究[J]. 楊杰超,許江淳,陸萬榮,曾德斌.  自動化儀表. 2018(12)

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

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

[7]軌道交通線路異物入侵的視覺檢測方法[J]. 王前選,李鵬,崔燦,周偉.  五邑大學學報(自然科學版). 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,郭保青.  儀器儀表學報. 2017(05)

[9]構建多尺度深度卷積神經(jīng)網(wǎng)絡行為識別模型[J]. 劉智,黃江濤,馮欣.  光學精密工程. 2017(03)

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

 

碩士論文

 

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

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

[3]基于立體視覺的異物侵界檢測方法研究[D]. 魏巍.北京交通大學 2014

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