基于双目视觉的机车运行前方障碍物检测识别研究
发布时间：2021-05-11 22:49
铁路运输是货物运输和大众出行的重要基础设施,因此保证机车运行安全具有重大意义。我国铁路事业发展迅速,营运里程和路网密度大幅提升,然而我国铁路覆盖地形范围广袤,机车运行环境复杂,由异物侵限造成的机车运行安全事故频发,严重影响铁路运输的安全。针对自然灾害发生的滑坡泥石流和人为因素的建筑垃圾以及行人、交通工具等侵限行为,仅凭现有的监测措施如司机瞭望、巡道工防护、道口监测不足以满足行车安全全过程监测。针对现有的问题,本论文提出基于双目视觉的机车运行前方障碍物检测识别研究。通过对目标序列帧的分析,提取钢轨作为限界参照物,对限界内疑似障碍物进行定位,采用基于深度学习的检测识别算法对疑似障碍物进行检测识别。本论文主要研究内容如下:（1）铁路限界模型构建。针对铁路限界模型无法准确实时建立问题,首先对视觉传感器获取的图像进行预处理,根据轨距不变特性提取图像中的钢轨作为限界建立依据,建立分段曲线模型将钢轨分为近景区域与远景区域。在近景区域采用多约束Hough变换得到直轨模型,在远景区域采用等分窗口搜索特征点输入至Catmull-Rom曲线函数中拟合弯轨模型,根据提取的钢轨曲线等比例扩充得到限界范围。（2）...
【文章来源】：兰州交通大学甘肃省
【文章页数】：54 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 论文的选题背景和研究意义
1.2 铁路异物侵限研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 主要研究内容
1.4 论文基本框架
2 基于钢轨提取的限界模型搭建与追踪
2.1 限界模型搭建
2.2 钢轨轨道边缘特征提取及模型参数求解
2.2.1 图像预处理
2.2.2 钢轨曲线检测
2.2.3 近景远景区域划分
2.2.4 钢轨参数求解
2.3 钢轨检测流程及结果
2.4 限界构建与追踪
3 基于V-视差法的疑似障碍物目标定位
3.1 双目摄像机模型
3.1.1 相机内参
3.1.2 相机外参
3.2 V-视差图原理
3.3 基于V-视差图的目标定位算法
3.3.1 基于V-视差图的目标定位算法流程
3.3.2 基于V-视差图的目标定位算法结果分析
4 基于YOLO算法的疑似障碍物检测识别
4.1 深度学习
4.1.1 卷积神经网络
4.2 YOLO算法
4.2.1 YOLO网络模型
4.2.2 YOLO算法检测原理
4.2.3 基于YOLO算法目标检测流程
4.2.4 YOLO算法网络模型训练
4.2.5 Dropout技术
4.3 YOLO算法疑似障碍物检测识别结果分析
结论
致谢
参考文献
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]面向双目立体视觉的迭代式局部颜色校正[J]. 袁雪姣,冉清,赵文婧,冯结青. 计算机辅助设计与图形学学报. 2019(01)
[2]双目视觉下交通路标的立体匹配算法研究[J]. 王晓宁,宋晓炜,杨蕾,李梦龙,蔡文静. 中原工学院学报. 2018(06)
[3]基于双目视觉的三维重建[J]. 曹淞翔. 通讯世界. 2018(12)
[4]基于Darknet框架下YOLO v2算法的车辆多目标检测方法[J]. 李珣,刘瑶,李鹏飞,张蕾,赵征凡. 交通运输工程学报. 2018(06)
[5]网络安全遇上人工智能:综述（英文）[J]. Jian-hua LI. Frontiers of Information Technology & Electronic Engineering. 2018(12)
[6]基于深度学习的交通目标感兴趣区域检测[J]. 丁松涛,曲仕茹. 中国公路学报. 2018(09)
[7]基于深度学习紧致二进制编码的指纹索引（英文）[J]. Chao-chao BAI,Wei-qiang WANG,Tong ZHAO,Ru-xin WANG,Ming-qiang LI. Frontiers of Information Technology & Electronic Engineering. 2018(09)
[8]一种水下双目视觉测距方法研究[J]. 盛明伟,周浩,黄海,秦洪德. 华中科技大学学报(自然科学版). 2018(08)
[9]基于深度卷积神经网络的双目立体视觉匹配算法[J]. 肖进胜,田红,邹文涛,童乐,雷俊锋. 光学学报. 2018(08)
[10]基于深度卷积神经网络的红外过采样扫描图像点目标检测方法[J]. 林两魁,王少游,唐忠兴. 红外与毫米波学报. 2018(02)
博士论文
[1]基于机器视觉的铁路异物侵限分布式智能监控技术研究[D]. 马宏锋.兰州交通大学 2014
硕士论文
[1]基于深度学习的城市车辆交通流量分析算法研究[D]. 陈士举.河北科技大学 2019
[2]基于深度学习的无人机遥感图像目标识别方法研究[D]. 祝思君.北京建筑大学 2018
[3]基于双目视觉的车辆尺寸测量技术研究[D]. 王潜.南京邮电大学 2018
[4]融合深度学习的图像分类算法研究[D]. 张婉.南京邮电大学 2018
[5]基于目标检测的快消品识别研究与应用[D]. 王振.湖南大学 2018
[6]基于双目立体视觉的轨道入侵物识别技术研究[D]. 王群.北京交通大学 2018
[7]融合2D激光雷达与视觉的铁路异物侵限检测算法研究[D]. 张继月.北方工业大学 2018
[8]基于深度学习的目标检测算法研究[D]. 李明攀.浙江大学 2018
[9]基于单目视觉的列车前方障碍物检测识别算法研究[D]. 郭碧.兰州交通大学 2017
[10]基于视频的高铁列车检测算法研究[D]. 张会朋.北京交通大学 2017
本文编号：3182248
【文章来源】：兰州交通大学甘肃省
【文章页数】：54 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 论文的选题背景和研究意义
1.2 铁路异物侵限研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 主要研究内容
1.4 论文基本框架
2 基于钢轨提取的限界模型搭建与追踪
2.1 限界模型搭建
2.2 钢轨轨道边缘特征提取及模型参数求解
2.2.1 图像预处理
2.2.2 钢轨曲线检测
2.2.3 近景远景区域划分
2.2.4 钢轨参数求解
2.3 钢轨检测流程及结果
2.4 限界构建与追踪
3 基于V-视差法的疑似障碍物目标定位
3.1 双目摄像机模型
3.1.1 相机内参
3.1.2 相机外参
3.2 V-视差图原理
3.3 基于V-视差图的目标定位算法
3.3.1 基于V-视差图的目标定位算法流程
3.3.2 基于V-视差图的目标定位算法结果分析
4 基于YOLO算法的疑似障碍物检测识别
4.1 深度学习
4.1.1 卷积神经网络
4.2 YOLO算法
4.2.1 YOLO网络模型
4.2.2 YOLO算法检测原理
4.2.3 基于YOLO算法目标检测流程
4.2.4 YOLO算法网络模型训练
4.2.5 Dropout技术
4.3 YOLO算法疑似障碍物检测识别结果分析
结论
致谢
参考文献
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]面向双目立体视觉的迭代式局部颜色校正[J]. 袁雪姣,冉清,赵文婧,冯结青. 计算机辅助设计与图形学学报. 2019(01)
[2]双目视觉下交通路标的立体匹配算法研究[J]. 王晓宁,宋晓炜,杨蕾,李梦龙,蔡文静. 中原工学院学报. 2018(06)
[3]基于双目视觉的三维重建[J]. 曹淞翔. 通讯世界. 2018(12)
[4]基于Darknet框架下YOLO v2算法的车辆多目标检测方法[J]. 李珣,刘瑶,李鹏飞,张蕾,赵征凡. 交通运输工程学报. 2018(06)
[5]网络安全遇上人工智能:综述（英文）[J]. Jian-hua LI. Frontiers of Information Technology & Electronic Engineering. 2018(12)
[6]基于深度学习的交通目标感兴趣区域检测[J]. 丁松涛,曲仕茹. 中国公路学报. 2018(09)
[7]基于深度学习紧致二进制编码的指纹索引（英文）[J]. Chao-chao BAI,Wei-qiang WANG,Tong ZHAO,Ru-xin WANG,Ming-qiang LI. Frontiers of Information Technology & Electronic Engineering. 2018(09)
[8]一种水下双目视觉测距方法研究[J]. 盛明伟,周浩,黄海,秦洪德. 华中科技大学学报(自然科学版). 2018(08)
[9]基于深度卷积神经网络的双目立体视觉匹配算法[J]. 肖进胜,田红,邹文涛,童乐,雷俊锋. 光学学报. 2018(08)
[10]基于深度卷积神经网络的红外过采样扫描图像点目标检测方法[J]. 林两魁,王少游,唐忠兴. 红外与毫米波学报. 2018(02)
博士论文
[1]基于机器视觉的铁路异物侵限分布式智能监控技术研究[D]. 马宏锋.兰州交通大学 2014
硕士论文
[1]基于深度学习的城市车辆交通流量分析算法研究[D]. 陈士举.河北科技大学 2019
[2]基于深度学习的无人机遥感图像目标识别方法研究[D]. 祝思君.北京建筑大学 2018
[3]基于双目视觉的车辆尺寸测量技术研究[D]. 王潜.南京邮电大学 2018
[4]融合深度学习的图像分类算法研究[D]. 张婉.南京邮电大学 2018
[5]基于目标检测的快消品识别研究与应用[D]. 王振.湖南大学 2018
[6]基于双目立体视觉的轨道入侵物识别技术研究[D]. 王群.北京交通大学 2018
[7]融合2D激光雷达与视觉的铁路异物侵限检测算法研究[D]. 张继月.北方工业大学 2018
[8]基于深度学习的目标检测算法研究[D]. 李明攀.浙江大学 2018
[9]基于单目视觉的列车前方障碍物检测识别算法研究[D]. 郭碧.兰州交通大学 2017
[10]基于视频的高铁列车检测算法研究[D]. 张会朋.北京交通大学 2017
本文编号：3182248
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3182248.html
