基于机器视觉的嵌入式铁路异物侵限检测系统研究

发布时间：2017-10-17 06:10

  本文关键词：基于机器视觉的嵌入式铁路异物侵限检测系统研究

  更多相关文章： 异物侵限检测 机器视觉 嵌入式系统 目标识别 目标跟踪

【摘要】：随着我国高速铁路飞速发展,如何保证运营安全成为关键。在众多影响高速铁路行车安全的因素中,异物侵限问题随着列车运行速度提高、制动距离增加而愈发突出,而仅靠司机观察和人工巡检的预防措施已不能满足运营要求。因此,在铁路沿线重点路段安装异物侵限检测装置,及时准确地发现异物并报警对铁路系统的安全运营发挥着至关重要的作用。 论文设计了基于机器视觉和嵌入式技术的铁路线路异物侵限检测系统。系统采用基于ARM的嵌入式异物检测硬件平台,设计了一套基于机器视觉的目标分类和目标跟踪异物检测算法,通过沿线布置分布式检测节点的方案实现在线侵限异物检测功能。 论文首先设计了基于ARM的硬件检测平台,利用FPGA、图像采集芯片实现图像采集和预处理功能；通过移植嵌入式以太网协议栈LwIP结合以太网硬件接口实现了以太网通信功能；通过运用FatFs文件系统配合芯片内部的SSI通信接口实现了SD卡文件读写功能；同时,利用芯片丰富的GPIO接口设计了一套完整的ARM-FPGA通信方案。通过实验验证了硬件平台从图像采集到以太网传输的整体功能流程。 论文重点研究了基于异物目标分类和运动行为分析相结合的嵌入式异物侵限检测算法。算法采用两级判别结构,首先利用支持向量机(SVM)及一组特征向量对背景差分图像得到的异物目标进行分类,根据分类结果滤除大部分行进列车目标,之后运用Kalman滤波器设计目标跟踪算法,对其余目标进行行为和运动趋势分析,滤除其中非侵限干扰信息,提高报警准确率,并对有侵限趋势的异物提前预警。 通过实际运营铁路线路的多次现场实验,异物检测系统的异物报警准确率达到95.31%,误检率和漏检率均低于5%,平均检测频率达13帧/秒。实验结果表明,本论文设计的基于机器视觉的嵌入式铁路异物侵限检测系统具备了良好的异物检测报警能力,检测准确率和实时性均符合系统需求,高危目标趋势预警也使得系统具有更为广阔的适用范围。
【关键词】：异物侵限检测 机器视觉 嵌入式系统 目标识别 目标跟踪
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41;U216;U298
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-12
• 1 绪论12-24
• 1.1 课题的背景和意义12-13
• 1.2 国内外研究现状13-21
• 1.2.1 国外研究现状13-17
• 1.2.2 国内研究现状17-20
• 1.2.3 存在的问题20-21
• 1.3 论文主要内容和章节安排21-24
• 2 铁路异物侵限检测系统方案设计24-32
• 2.1 铁路异物侵限检测系统网络结构设计24-25
• 2.2 铁路异物侵限检测系统硬件平台总体方案25-28
• 2.3 基于机器视觉的铁路异物侵限检测系统算法设计28-30
• 2.4 本章小结30-32
• 3 基于机器视觉的嵌入式异物检测系统硬件平台设计32-48
• 3.1 相机及基本元件选型32-35
• 3.1.1 相机选型32-33
• 3.1.2 基本元件选型33-34
• 3.1.3 硬件平台总体电路设计34-35
• 3.2 以太网传输功能35-39
• 3.2.1 以太网模块电路设计35-36
• 3.2.2 嵌入式以太网协议栈研究36-38
• 3.2.3 基于LwIP协议栈的以太网数据功能实现38-39
• 3.3 SD卡数据存储功能39-43
• 3.3.1 SD卡模块电路设计39-40
• 3.3.2 嵌入式文件系统研究40-41
• 3.3.3 基于FatFs文件系统的SD卡数据读写实现41-43
• 3.4 ARM-FPGA通信功能43-45
• 3.5 异物检测系统整体硬件功能实现45-46
• 3.6 本章小结46-48
• 4 基于机器视觉的铁路异物检测算法设计48-78
• 4.1 异物侵限检测算法主体结构48-49
• 4.2 目标模式识别及分类49-59
• 4.2.1 基于图像的目标分类方法研究49-50
• 4.2.2 SVM分类器原理50-53
• 4.2.3 特征向量分析与选取53-57
• 4.2.4 分类器构建及识别准确性实验57-59
• 4.3 目标跟踪算法59-65
• 4.3.1 目标跟踪方法研究59-60
• 4.3.2 Kalman滤波器原理60-61
• 4.3.3 基于Kalman跟踪器的单目标跟踪设计61-64
• 4.3.4 基于Kalman跟踪器的多目标同时跟踪设计64-65
• 4.4 基于目标识别与跟踪的铁路异物检测算法设计65-69
• 4.4.1 检测背景区域划分66-67
• 4.4.2 异物检测算法主体设计67-68
• 4.4.3 目标运动趋势预测68-69
• 4.5 算法仿真实验及结果69-72
• 4.6 基于ARM平台的算法移植72-77
• 4.6.1 算法程序主体结构及流程73-75
• 4.6.2 移植难点分析及优化方案75-77
• 4.7 本章小结77-78
• 5 铁路异物检测系统实验及结果分析78-90
• 5.1 实验场景及平台搭建78-79
• 5.2 铁路异物检测系统实验结果79-82
• 5.2.1 异物侵限报警准确性实验结果79-81
• 5.2.2 异物侵限报警实时性实验结果81-82
• 5.3 实验结果分析82-88
• 5.3.1 行进中列车实验结果分析82-83
• 5.3.2 侵限异物报警实验结果分析83-87
• 5.3.3 其他情况实验结果分析87-88
• 5.4 本章小结88-90
• 6 总结与展望90-92
• 6.1 工作总结90-91
• 6.2 未来展望91-92
• 参考文献92-96
• 作者简历及攻读硕士学位期间取得的研究成果96-100
• 学位论文数据集100

【参考文献】

中国期刊全文数据库 前5条

1 杨明极;陈方县;吴学君;;嵌入式系统中SD卡的FAT32文件系统的设计[J];电声技术;2010年04期

2 薛陈;朱明;陈爱华;;鲁棒的基于改进Mean-shift的目标跟踪[J];光学精密工程;2010年01期

3 张新峰 ,沈兰荪;模式识别及其在图像处理中的应用[J];测控技术;2004年05期

4 徐学强;汪渤;贺鹏;;统一Hu矩及在电视图像目标识别中的应用[J];计算机工程与应用;2006年29期

5 张学工;关于统计学习理论与支持向量机[J];自动化学报;2000年01期

中国博士学位论文全文数据库 前1条

1 郭龙源;计算机视觉立体匹配相关理论与算法研究[D];南京理工大学;2009年

，

本文编号：1047209