宽度学习算法在码头安全保障中的应用研究
发布时间：2021-02-11 23:29
视频图像识别技术在机器学习、计算机视觉、图像处理、模式识别等相关领域的发展推动下逐渐得以应用于社会各行各业。其中,航运物流领域也将视频监控作为其安全生产的主要管理手段。很多研究都提出将视频图像识别算法植入到视频监控系统以实现集装箱货运站（Container Freight Station,CFS）的智能化监管,但CFS物流作业繁忙,各种作业设备复杂。对于监管来说,在安全隐患相对较多的复杂环境下,如何实现作业现场的危险源识别是一个颇具挑战性的难题。就保障作业员工人身安全这一具体目标而言,佩戴安全帽是最直接最有效的方法,所以监督作业员工佩戴安全帽成为了安全生产中最重要的环节。为了解决码头安全保障中的安全帽检测仍主要依赖人工值守的方式而造成的资源浪费和监控效率低下等问题,本文主要针对CFS这一重要的码头作业场所,对CFS作业人员安全帽检测系统中的识别算法模块进行了较为深入的研究。首先,从视频中提取图像,通过对图像进行灰度化、形态学等预处理之后,对视觉背景提取算法（Visual Background Extractor,ViBe）和高斯混合模型（Gaussian Mixture Model,G...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２．１目标识别算法基本框图??Ｆｉｇ．?２．１?Ｂａｓｉｃ?ｂｌｏｃｋ?ｄｉａｇｒａｍ?ｏｆ?ｔａｒｇｅｔ?ｒｅｃｏｇｎｉｔｉｏｎ?ａｌｇｏｒｉｔｈｍ??
?宽度学习算法在码头安全保障中的应用研究???题，并且通过相应的分解算法，将问题化归为多个子问题实现最终的求解［５８］。鉴于本文??主要通过ＳＶＭ算法实现图像的分类，所以接下来本文将侧重于介绍ＳＶＭ在分类应用??上的一些知识点。其算法的基本原理是找到最优分类线，即能够将不同类型样本分开的??同时，还需要保证分类的间隔达到最大的分类线。该分类线通常意味着对于其他未知样??本的分类具有最大的容忍度［５９】。??对于低维线性可分问题，即待分类的样本集合＝??线性可分且满足式子：??７，．［（ｘ，．；ｗ）?＋?６］－１＞０，／?＝?１，．．．，？?（２．１１）??通过对构造的分类线方程（ｗ、ｘ）?＋?Ｚ／＝０进行归一化处理。此时，求得的分类面就是??最优分类线。其中，支持向量（ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒ）是指距离最优分类线最近的训练样本点，??从图２．８上看即落在Ｈ１，Ｈ２上的样本点。??Ｈ１??Ｈ?°?〇??Ｈ２?＼Ｑ??？?＾?Ｍａｒｇｉｎ二２／ＰｗＰ??图２．８广义最优分类面??Ｆｉｇ．?２．８?Ｔｈｅ?ｇｅｎｅｒａｌｉｚｅｄ?ｏｐｔｉｍａｌ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｌａｎｅ??对于上述分类线方程》／－Ｖ－?＋?６?＝?０，其中＞ｖ?＝?（Ｈ＾；？ｖ２；．．．；＞ｖｒｆ）为法向量，６为位移项，??则分类超平面可由向量（Ｍ，，／））确定，则样本空间中任意一点Ａ：到超平面（Ｗ，６）的距离可以??－１８?－??
六层来说，即全连接层，主要实现分类器的功能，将前一层抽象出的特征图??连接起来作为特征向量进行学习。??对于第七层来说，即输出层，输出相应的分类标签值。??Ｉ?Ｉｎｐｕｔ??Ｆｉｒｓｔ?Ｓｔａｇｅ?＾?Ｓｅｃｏｎｄ?Ｓｔａｇｅ??Ｃｌａｓｓｉｆｉｅｒ??Ｉ?Ｓ２?Ｌ＾ｒ?Ｈ?Ｕｙｅｒ?＾?＇??Ｃｏｎｖｏｌｕｔｉｏｎ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎ?Ｓｕｂｓａｒａｐｌｉｎｇ?Ｆｕｌｌ?Ｃｏｎｎｅｃｔｉｏｎ?Ｆｕｌｌ?Ｃｏｎｎｅｃｔｉｏｎ??图２．１０?ＣＮＮ结构图??Ｆｉｇ．?２．１０?ＣＮＮ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??２．?３．?３?ＢＬＳ相关知识??（１）?ＢＬＳ简介??深度学习结构的神经网络虽然非常强大并且己经在很多领域都取得了不错的表现，??但是因其网络结构复杂且涉及大量超参数，加之反向传播计算需要大量的计算开销导致??其训练过程极度耗时，为了在使用过程中获取更高的精度，深度模型需要额外地增加网??络层数或者调整参数个数［６５］。此外，容易陷入局部最优，网络分类性能受初始化区域影??响较大等也是传统的神经网络难以避免的缺陷［６６］。??为了解决上述问题，许多研宄人员致力于寻求更简单的单层网络模型，并且通过广??义逆的方式求解全局最优来优化网络的效率＾１，典型的单层网络模型有：单层前馈神经??网络（Ｓｉｎｇｌｅ?Ｌａｙｅｒ?Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＳＬＦＮ）［６７］、随机向量函数连接网络??（Ｒａｎｄｏｍ?Ｖｅｃｔｏｒ?Ｆｕｎｃｔｉｏｎａｌ?Ｌｉｎｋ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＶＦＬＮＮ）［６８－７。］、极限学习机（Ｅ
【参考文献】：
期刊论文
[1]改进YOLO v3的安全帽佩戴检测方法[J]. 施辉,陈先桥,杨英. 计算机工程与应用. 2019(11)
[2]基于最小p-范数的宽度学习系统[J]. 郑云飞,陈霸东. 模式识别与人工智能. 2019(01)
[3]基于改进Faster RCNN的安全帽佩戴检测研究[J]. 徐守坤,王雅如,顾玉宛,李宁,庄丽华,石林. 计算机应用研究. 2020(03)
[4]海康威视“合智能”系列摄像机正式发布[J]. 现代建筑电气. 2018(08)
[5]基于宽度学习方法的多模态信息融合[J]. 贾晨,刘华平,续欣莹,孙富春. 智能系统学报. 2019(01)
[6]基于卷积神经网络的矿工安全帽佩戴识别研究[J]. 毕林,谢伟,崔君. 黄金科学技术. 2017(04)
[7]地铁车厢人员识别及计数的研究[J]. 张华樑. 电子技术与软件工程. 2016(23)
[8]视频监控行业发展观察[J]. 魏广巨. 中国安防. 2016(11)
[9]基于LBP统计特征的低分辨率安全帽识别[J]. 周艳青,薛河儒,姜新华,孙海鑫,寻言言. 计算机系统应用. 2015(07)
[10]施工现场安全帽佩戴情况监控技术研究[J]. 刘云波,黄华. 电子科技. 2015(04)
博士论文
[1]基于计算机视觉的行人交通信息智能检测理论和关键技术研究[D]. 王爱丽.北京交通大学 2016
[2]视频中人体动作识别关键技术研究[D]. 王斌.国防科学技术大学 2015
[3]基于视频的煤矿井下人员目标检测与跟踪研究[D]. 蔡利梅.中国矿业大学 2010
[4]面向智能视频监控的运动目标检测与跟踪方法研究[D]. 焦波.国防科学技术大学 2009
硕士论文
[1]基于人工神经网络的有机混合物定量结构性质关系研究[D]. 秦玉翠.西安石油大学 2018
[2]基于数学形态学的焊接熔池图像边缘检测技术研究[D]. 吴凯.西安石油大学 2018
[3]基于光流算法的运动目标检测应用研究[D]. 张艳艳.西安石油大学 2018
[4]智能视频监控下的安全帽佩戴检测系统的设计与实现[D]. 王忠玉.北京邮电大学 2018
[5]基于视频监控的智慧幼儿园安全检测关键技术研究[D]. 高鹏辉.浙江大学 2017
[6]基于随机森林和SVM的食物图像识别的研究[D]. 杨迪.安徽理工大学 2017
[7]基于人体识别的安全帽视频检测系统研究与实现[D]. 李琪瑞.电子科技大学 2017
[8]基于CNN的金丝猴面部识别研究与实现[D]. 方楠.西安电子科技大学 2017
[9]基于CUDA架构的遥感图像滤波算法并行处理[D]. 丁毅乐.解放军信息工程大学 2017
[10]变电站人员安全帽佩戴识别算法研究[D]. 杜思远.重庆大学 2017
本文编号：3029883
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２．１目标识别算法基本框图??Ｆｉｇ．?２．１?Ｂａｓｉｃ?ｂｌｏｃｋ?ｄｉａｇｒａｍ?ｏｆ?ｔａｒｇｅｔ?ｒｅｃｏｇｎｉｔｉｏｎ?ａｌｇｏｒｉｔｈｍ??
?宽度学习算法在码头安全保障中的应用研究???题，并且通过相应的分解算法，将问题化归为多个子问题实现最终的求解［５８］。鉴于本文??主要通过ＳＶＭ算法实现图像的分类，所以接下来本文将侧重于介绍ＳＶＭ在分类应用??上的一些知识点。其算法的基本原理是找到最优分类线，即能够将不同类型样本分开的??同时，还需要保证分类的间隔达到最大的分类线。该分类线通常意味着对于其他未知样??本的分类具有最大的容忍度［５９】。??对于低维线性可分问题，即待分类的样本集合＝??线性可分且满足式子：??７，．［（ｘ，．；ｗ）?＋?６］－１＞０，／?＝?１，．．．，？?（２．１１）??通过对构造的分类线方程（ｗ、ｘ）?＋?Ｚ／＝０进行归一化处理。此时，求得的分类面就是??最优分类线。其中，支持向量（ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒ）是指距离最优分类线最近的训练样本点，??从图２．８上看即落在Ｈ１，Ｈ２上的样本点。??Ｈ１??Ｈ?°?〇??Ｈ２?＼Ｑ??？?＾?Ｍａｒｇｉｎ二２／ＰｗＰ??图２．８广义最优分类面??Ｆｉｇ．?２．８?Ｔｈｅ?ｇｅｎｅｒａｌｉｚｅｄ?ｏｐｔｉｍａｌ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｌａｎｅ??对于上述分类线方程》／－Ｖ－?＋?６?＝?０，其中＞ｖ?＝?（Ｈ＾；？ｖ２；．．．；＞ｖｒｆ）为法向量，６为位移项，??则分类超平面可由向量（Ｍ，，／））确定，则样本空间中任意一点Ａ：到超平面（Ｗ，６）的距离可以??－１８?－??
六层来说，即全连接层，主要实现分类器的功能，将前一层抽象出的特征图??连接起来作为特征向量进行学习。??对于第七层来说，即输出层，输出相应的分类标签值。??Ｉ?Ｉｎｐｕｔ??Ｆｉｒｓｔ?Ｓｔａｇｅ?＾?Ｓｅｃｏｎｄ?Ｓｔａｇｅ??Ｃｌａｓｓｉｆｉｅｒ??Ｉ?Ｓ２?Ｌ＾ｒ?Ｈ?Ｕｙｅｒ?＾?＇??Ｃｏｎｖｏｌｕｔｉｏｎ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎ?Ｓｕｂｓａｒａｐｌｉｎｇ?Ｆｕｌｌ?Ｃｏｎｎｅｃｔｉｏｎ?Ｆｕｌｌ?Ｃｏｎｎｅｃｔｉｏｎ??图２．１０?ＣＮＮ结构图??Ｆｉｇ．?２．１０?ＣＮＮ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??２．?３．?３?ＢＬＳ相关知识??（１）?ＢＬＳ简介??深度学习结构的神经网络虽然非常强大并且己经在很多领域都取得了不错的表现，??但是因其网络结构复杂且涉及大量超参数，加之反向传播计算需要大量的计算开销导致??其训练过程极度耗时，为了在使用过程中获取更高的精度，深度模型需要额外地增加网??络层数或者调整参数个数［６５］。此外，容易陷入局部最优，网络分类性能受初始化区域影??响较大等也是传统的神经网络难以避免的缺陷［６６］。??为了解决上述问题，许多研宄人员致力于寻求更简单的单层网络模型，并且通过广??义逆的方式求解全局最优来优化网络的效率＾１，典型的单层网络模型有：单层前馈神经??网络（Ｓｉｎｇｌｅ?Ｌａｙｅｒ?Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＳＬＦＮ）［６７］、随机向量函数连接网络??（Ｒａｎｄｏｍ?Ｖｅｃｔｏｒ?Ｆｕｎｃｔｉｏｎａｌ?Ｌｉｎｋ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＲＶＦＬＮＮ）［６８－７。］、极限学习机（Ｅ
【参考文献】：
期刊论文
[1]改进YOLO v3的安全帽佩戴检测方法[J]. 施辉,陈先桥,杨英. 计算机工程与应用. 2019(11)
[2]基于最小p-范数的宽度学习系统[J]. 郑云飞,陈霸东. 模式识别与人工智能. 2019(01)
[3]基于改进Faster RCNN的安全帽佩戴检测研究[J]. 徐守坤,王雅如,顾玉宛,李宁,庄丽华,石林. 计算机应用研究. 2020(03)
[4]海康威视“合智能”系列摄像机正式发布[J]. 现代建筑电气. 2018(08)
[5]基于宽度学习方法的多模态信息融合[J]. 贾晨,刘华平,续欣莹,孙富春. 智能系统学报. 2019(01)
[6]基于卷积神经网络的矿工安全帽佩戴识别研究[J]. 毕林,谢伟,崔君. 黄金科学技术. 2017(04)
[7]地铁车厢人员识别及计数的研究[J]. 张华樑. 电子技术与软件工程. 2016(23)
[8]视频监控行业发展观察[J]. 魏广巨. 中国安防. 2016(11)
[9]基于LBP统计特征的低分辨率安全帽识别[J]. 周艳青,薛河儒,姜新华,孙海鑫,寻言言. 计算机系统应用. 2015(07)
[10]施工现场安全帽佩戴情况监控技术研究[J]. 刘云波,黄华. 电子科技. 2015(04)
博士论文
[1]基于计算机视觉的行人交通信息智能检测理论和关键技术研究[D]. 王爱丽.北京交通大学 2016
[2]视频中人体动作识别关键技术研究[D]. 王斌.国防科学技术大学 2015
[3]基于视频的煤矿井下人员目标检测与跟踪研究[D]. 蔡利梅.中国矿业大学 2010
[4]面向智能视频监控的运动目标检测与跟踪方法研究[D]. 焦波.国防科学技术大学 2009
硕士论文
[1]基于人工神经网络的有机混合物定量结构性质关系研究[D]. 秦玉翠.西安石油大学 2018
[2]基于数学形态学的焊接熔池图像边缘检测技术研究[D]. 吴凯.西安石油大学 2018
[3]基于光流算法的运动目标检测应用研究[D]. 张艳艳.西安石油大学 2018
[4]智能视频监控下的安全帽佩戴检测系统的设计与实现[D]. 王忠玉.北京邮电大学 2018
[5]基于视频监控的智慧幼儿园安全检测关键技术研究[D]. 高鹏辉.浙江大学 2017
[6]基于随机森林和SVM的食物图像识别的研究[D]. 杨迪.安徽理工大学 2017
[7]基于人体识别的安全帽视频检测系统研究与实现[D]. 李琪瑞.电子科技大学 2017
[8]基于CNN的金丝猴面部识别研究与实现[D]. 方楠.西安电子科技大学 2017
[9]基于CUDA架构的遥感图像滤波算法并行处理[D]. 丁毅乐.解放军信息工程大学 2017
[10]变电站人员安全帽佩戴识别算法研究[D]. 杜思远.重庆大学 2017
本文编号：3029883
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3029883.html
