复杂场景下挖掘机运动状态分析与识别

发布时间：2017-06-08 18:09

  本文关键词：复杂场景下挖掘机运动状态分析与识别，由笔耕文化传播整理发布。

【摘要】：随着智能视频分析技术的快速发展,如何使计算机从原始的视频数据提取出符合人类认知的语义理解,成为一个研究热点。我国经济快速发展的同时,土地资源日益严峻,各类违法用地案件也呈多发频发态势。在建设用地重点违法行为易发区进行视频监控,通过智能视频分析,实现对土地间的挖掘机等施工机械的准确快速检测与识别,是实现土地有效监管的重要手段。为此,本论文研究了挖掘机检测算法以及挖掘机运动状态识别算法,并在此基础上初步设计和开发了挖掘机运动状态分析与识别系统。本论文的主要研究工作如下:(1)挖掘机检测算法研究。针对挖掘机各个部件的灵活性比较大导致其整体外观形变较大的问题,研究了一种混合可变形部件模型的挖掘机检测方法,并通过实验优化得到了最终的挖掘机混合可变形部件模型,该模型是3个不同DMP的集成模型,其中每个DPM均包含6个部件滤波器。实践证明,该方法可以较好地检测出视频图像中的挖掘机,准确率达到88.40%,比基于HOG+SVM的方法高4.05%。(2)挖掘机运动状态分析与识别算法研究。论文通过挖掘机连续视频帧分析,来识别挖掘机运动状态。首先,研究了基于局部二值特征(LBF)的物体形状回归算法,并针对挖掘机长宽比(长与宽之间的比值)变化较大的问题,提出了基于混合LBF模型的挖掘机形状回归算法。通过该算法,可回归出每一张视频帧中挖掘机的形状(即特征点的相对坐标的集合)。然后,根据这些特征点的坐标以及检测到的挖掘机的长宽比,设计了一种挖掘机运动状态特征描述子MMF(Machine Motion Feature)。接着,采用该特征描述子并利用支持向量机(SVM)的方法来训练挖掘机运动状态识别分类器。最后,使用此分类器来判断当前视频片段中挖掘机的运动状态,即判断此挖掘机是否处于工作状态。通过实验证明,该方法可以较好地判断出视频片段中挖掘机的运动状态,准确高达93.53%,比基于Delta_WHRatio(长宽比变化)+SVM的方法高了30.73%,比基于Delta_Angle(角度变化)+SVM的方法高了0.87%。(3)挖掘机运动状态分析与识别系统的构建。利用Microsoft Visual Studio 2008和OpenCV2.4.8进行编程,并在验证挖掘机检测算法与运动状态识别算法的有效的前提下,集成这些算法来构建挖掘机运动状态分析与识别系统。此系统通过对输入视频进行分析,识别出当前片段中挖掘机的运动状态信息,并将该信息反馈给系统用户。
【关键词】：物体检测 运动状态识别 混合可变形部件模型 混合LBF形状回归模型 支持向量机
【学位授予单位】：华南农业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TU621;TP391.41
【目录】：

• 摘要3-4
• Abstract4-8
• 1 前言8-16
• 1.1 课题的研究背景与意义8-9
• 1.2 国内外研究现状9-11
• 1.3 本文的主要研究内容11-12
• 1.4 技术路线12-14
• 1.5 论文结构安排14
• 1.6 本章小结14-16
• 2 基于混合可变形部件模型的挖掘机检测16-33
• 2.1 基于梯度方向直方图的特征表示16-19
• 2.1.1 梯度方向直方图16-19
• 2.1.2 直方图特征金字塔19
• 2.2 挖掘机检测模型19-21
• 2.3 挖掘机模型的检测21-22
• 2.4 挖掘机模型的训练22-24
• 2.4.1 隐支持向量机22
• 2.4.2 模型的训练过程22-24
• 2.5 实验24-32
• 2.5.1 实验素材的准备24-26
• 2.5.2 可变形部件模型（DPM）部件滤波器个数的实验与分析26-27
• 2.5.3 混合可变形部件模型包含DPM个数的实验与分析27-28
• 2.5.4 挖掘机检测模型参数调优28-31
• 2.5.5 挖掘机检测对比实验31-32
• 2.6 本章小结32-33
• 3 基于混合LBF模型的挖掘机形状回归33-44
• 3.1 局部二值特征(LBF，Local Binary Features)34-36
• 3.1.1 随机森林34-35
• 3.1.2 局部二值特征35-36
• 3.2 全局形状的线性回归36-37
• 3.2.1 回归学习36-37
• 3.2.2 全局回归模型37
• 3.3 混合LBF模型37-38
• 3.4 混合LBF模型的训练和预测过程38-39
• 3.5 实验39-43
• 3.5.1 基于LBF模型的形状回归实验39-41
• 3.5.2 基于混合LBF模型的形状回归实验41-43
• 3.6 总结43-44
• 4 基于支持向量机的挖掘机运动状态识别44-57
• 4.1 挖掘机运动状态的分析44-48
• 4.1.1 姿态变化分析44-47
• 4.1.2 运动状态分析47-48
• 4.2 挖掘机运动状态特征描述子的设计48-49
• 4.3 挖掘机运动状态识别分类器的构建49-52
• 4.3.1 支持向量机49-51
• 4.3.2 挖掘机运动状态识别分类器51-52
• 4.4 实验52-56
• 4.4.1 实验素材的准备52-53
• 4.4.2 实验结果与分析53-56
• 4.5 总结56-57
• 5 挖掘机运动状态分析与识别系统的设计与实现57-64
• 5.1 系统的运行环境简介57-58
• 5.1.1 硬件环境57-58
• 5.1.2 软件环境58
• 5.2 系统模块的设计与实现58-63
• 5.2.1 系统功能模块的设计与实现58-59
• 5.2.2 系统展示59-63
• 5.3 本章小结63-64
• 6 总结与展望64-66
• 6.1 总结64-65
• 6.2 展望65-66
• 致谢66-67
• 参考文献67-70
• 附录70

【参考文献】

中国期刊全文数据库 前10条

1 王小玉;张亚洲;陈德运;;基于多块局部二值模式特征和人眼定位的人脸检测[J];仪器仪表学报;2014年12期

2 王欣;唐俊;王年;;基于双层卷积神经网络的步态识别算法[J];安徽大学学报(自然科学版);2015年01期

3 黄凯奇;任伟强;谭铁牛;;图像物体分类与检测算法综述[J];计算机学报;2014年06期

4 李源;何荣开;王庆;张小国;;基于颜色及投影特征的挖掘机图像分割算法[J];小型微型计算机系统;2013年11期

5 李雪峰;李晓华;周激流;;基于完全局部二值模式的人群密度估计[J];计算机工程与设计;2012年03期

6 邹蕾;张先锋;;人工智能及其发展应用[J];信息网络安全;2012年02期

7 陈昌红;梁继民;朱秀昌;;基于分层时序模型的步态识别算法[J];南京邮电大学学报(自然科学版);2011年06期

8 王科俊;刘丽丽;贲f[烨;陈薇;;基于步态能量图像和2维主成分分析的步态识别方法[J];中国图象图形学报;2009年12期

9 陈丹;;计算机视觉技术的发展及应用[J];电脑知识与技术;2008年35期

10 孙玉秋,田金文,柳健;基于图像金字塔的分维融合算法[J];计算机应用;2005年05期

  本文关键词：复杂场景下挖掘机运动状态分析与识别，，由笔耕文化传播整理发布。

本文编号：433314