人体位姿识别在铁路调车安全防护上的应用研究
发布时间：2021-12-24 18:18
随着人工智能在近几年的快速发展,以及硬件技术的不断更新,特别是并行计算硬件GPU的运算能力提高迅猛。图像识别技术已经深入应用在了我们生产生活的方方面面。虽然人体位姿图像识别算法有了很多的创新,性能上也有了不错的表现,但是由于现场环境复杂多变,不确定因素众多,想要将其应用在铁路调车安全防护方面还有许多需要改进和创新的方面。本论文在总结前人在人体位姿识别算法和安全防护的应用基础之上,采用人体骨骼关节点进行特征描述,提出一种人体关节点位姿识别模型,针对静态位姿和动态位姿,分别提出了距离法和坐标法。静态位姿识别用于单帧画面人体的骨架,通过计算目标关节点作为参考节点,换算出它与其他的目标节点的距离从而构建出特征矩阵。动态位姿识别用于连续画面中的人体骨架,也叫光流信息,计算每个节点相对于最后一刻的位移,并将其用作动态位姿的特征向量。实验表明,人体位姿图像识别的准确率达到了96.2%,识别速度可以达到26帧每秒。应用本论文设计的人体位姿识别算法,针对铁路调车安全防护事故的痛点,开发了铁路调车安全防护监控和预警系统。系统从铁路作业人员行为监控和预警机制以及前端结果可视化需求出发,提出了以速度问题、数据...
【文章来源】： 华东交通大学江西省
【文章页数】：68 页
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景与目的
1.2 国内外研究现状
1.2.1 人体位姿识别研究现状
1.2.2 智能监控领域
1.2.3 人体识别数据集的发展
1.3 本论文主要研究的内容
1.4 本论文章节安排
1.5 本章小结
第二章 人体位姿图像识别模型
2.1 人体位姿图像识别数学模型
2.1.1 人体骨架关节点
2.1.2 静态位姿模型
2.1.3 动态位姿模型
2.2 人体关节点图像识别
2.2.1 人体关节点坐标提取
2.2.2 基于关节点坐标构建人体骨架
2.3 本章小结
第三章 基于BP、卷积神经网络的位姿识别
3.1 BP、卷积神经网络模型设计
3.1.1 Convolution(卷积过程)
3.1.2 池化层(下采样)
3.1.3 神经网络的全连接层
3.2 基于Tensorflow的位姿识别模型
3.2.1 Tensorflow介绍
3.2.2 神经元网络位姿识别建模
3.3 模型参数训练
3.3.1 神经元网络结构
3.3.2 神经元网络参数
3.4 本章小结
第四章 铁路调车安全防护系统设计与实现
4.1 系统需求分析
4.1.1 项目背景及意义
4.1.2 功能和性能分析
4.2 系统总体设计
4.2.1 系统工作流程设计
4.2.2 系统架构设计
4.3 系统硬件部署
4.3.1 网络监控摄像头
4.3.2 无线数传电台
4.3.3 图像处理服务器
4.4 系统软件设计
4.4.1 图像获取
4.4.2 图像识别与分析
4.4.3 系统客户端设计
4.5 系统功能实现
4.5.1 铁路作业人员位姿监控预警机制
4.5.2 人体位姿识别平移选择框
4.5.3 异常预警平移选择框
4.6 本章小结
第五章 系统测试
5.1 系统展示
5.2 实验环境与参数
5.3 实验结果分析
5.4 本章小结
第六章 总结与展望
6.1 论文工作总结
6.2 未来工作展望
参考文献
附录A 系统程序代码
个人简历 在读期间发表的学术论文
致谢
【参考文献】：
期刊论文
[1]基于三维人体语义骨架点的姿态匹配 [J]. 王大鹏,黎琳,韩丽,张美超,王露晨. 计算机应用与软件. 2017(01)
[2]基于动态路径优化的人体姿态识别 [J]. 陈芙蓉,唐棣,王露晨,王玉龙,韩丽. 计算机工程与设计. 2016(10)
[3]基于多神经网络融合的运动人体姿态识别 [J]. 郭钧,韩新乐,李鹤喜. 数字技术与应用. 2016(10)
[4]基于模糊模式识别的人体姿态识别 [J]. 王玉坤,高炜欣,汤楠,王欣,姬江. 计算机工程与设计. 2016(06)
[5]基于深度学习的人体行为识别算法综述 [J]. 朱煜,赵江坤,王逸宁,郑兵兵. 自动化学报. 2016(06)
[6]改进高斯核函数的人体姿态分析与识别 [J]. 林海波,王浩,张毅. 智能系统学报. 2015(03)
[7]一种结合姿态和场景的图像中人体行为分类方法 [J]. 雷庆,李绍滋,陈锻生. 小型微型计算机系统. 2015(05)
[8]基于多分类器投票机的人体姿态识别算法 [J]. 陈慧杰,谢毅雄. 计算机与现代化. 2014(04)
[9]基于Hu不变矩特征优化的人体运动姿态识别算法 [J]. 张永强. 计算机科学. 2014(03)
[10]基于关键帧的人体行为识别方法 [J]. 成勋,常飞,吴志杰. 计算机工程与应用. 2013(18)
博士论文
[1]基于计算机视觉的人体行为识别研究[D]. 邵延华.重庆大学. 2015
硕士论文
[1]基于3D卷积神经网络的行为识别方法研究[D]. 吉璐.西安理工大学. 2018
[2]基于深度卷积神经网络的人体动作识别[D]. 张瑞.南昌航空大学. 2018
[3]基于深度学习的人体行为识别分析研究[D]. 傅梦雨.哈尔滨工业大学. 2017
[4]基于隐马尔可夫模型的驾驶员行为分析研究[D]. 李土深.哈尔滨工程大学. 2017
本文编号：3550964
【文章来源】： 华东交通大学江西省
【文章页数】：68 页
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景与目的
1.2 国内外研究现状
1.2.1 人体位姿识别研究现状
1.2.2 智能监控领域
1.2.3 人体识别数据集的发展
1.3 本论文主要研究的内容
1.4 本论文章节安排
1.5 本章小结
第二章 人体位姿图像识别模型
2.1 人体位姿图像识别数学模型
2.1.1 人体骨架关节点
2.1.2 静态位姿模型
2.1.3 动态位姿模型
2.2 人体关节点图像识别
2.2.1 人体关节点坐标提取
2.2.2 基于关节点坐标构建人体骨架
2.3 本章小结
第三章 基于BP、卷积神经网络的位姿识别
3.1 BP、卷积神经网络模型设计
3.1.1 Convolution(卷积过程)
3.1.2 池化层(下采样)
3.1.3 神经网络的全连接层
3.2 基于Tensorflow的位姿识别模型
3.2.1 Tensorflow介绍
3.2.2 神经元网络位姿识别建模
3.3 模型参数训练
3.3.1 神经元网络结构
3.3.2 神经元网络参数
3.4 本章小结
第四章 铁路调车安全防护系统设计与实现
4.1 系统需求分析
4.1.1 项目背景及意义
4.1.2 功能和性能分析
4.2 系统总体设计
4.2.1 系统工作流程设计
4.2.2 系统架构设计
4.3 系统硬件部署
4.3.1 网络监控摄像头
4.3.2 无线数传电台
4.3.3 图像处理服务器
4.4 系统软件设计
4.4.1 图像获取
4.4.2 图像识别与分析
4.4.3 系统客户端设计
4.5 系统功能实现
4.5.1 铁路作业人员位姿监控预警机制
4.5.2 人体位姿识别平移选择框
4.5.3 异常预警平移选择框
4.6 本章小结
第五章 系统测试
5.1 系统展示
5.2 实验环境与参数
5.3 实验结果分析
5.4 本章小结
第六章 总结与展望
6.1 论文工作总结
6.2 未来工作展望
参考文献
附录A 系统程序代码
个人简历 在读期间发表的学术论文
致谢
【参考文献】：
期刊论文
[1]基于三维人体语义骨架点的姿态匹配 [J]. 王大鹏,黎琳,韩丽,张美超,王露晨. 计算机应用与软件. 2017(01)
[2]基于动态路径优化的人体姿态识别 [J]. 陈芙蓉,唐棣,王露晨,王玉龙,韩丽. 计算机工程与设计. 2016(10)
[3]基于多神经网络融合的运动人体姿态识别 [J]. 郭钧,韩新乐,李鹤喜. 数字技术与应用. 2016(10)
[4]基于模糊模式识别的人体姿态识别 [J]. 王玉坤,高炜欣,汤楠,王欣,姬江. 计算机工程与设计. 2016(06)
[5]基于深度学习的人体行为识别算法综述 [J]. 朱煜,赵江坤,王逸宁,郑兵兵. 自动化学报. 2016(06)
[6]改进高斯核函数的人体姿态分析与识别 [J]. 林海波,王浩,张毅. 智能系统学报. 2015(03)
[7]一种结合姿态和场景的图像中人体行为分类方法 [J]. 雷庆,李绍滋,陈锻生. 小型微型计算机系统. 2015(05)
[8]基于多分类器投票机的人体姿态识别算法 [J]. 陈慧杰,谢毅雄. 计算机与现代化. 2014(04)
[9]基于Hu不变矩特征优化的人体运动姿态识别算法 [J]. 张永强. 计算机科学. 2014(03)
[10]基于关键帧的人体行为识别方法 [J]. 成勋,常飞,吴志杰. 计算机工程与应用. 2013(18)
博士论文
[1]基于计算机视觉的人体行为识别研究[D]. 邵延华.重庆大学. 2015
硕士论文
[1]基于3D卷积神经网络的行为识别方法研究[D]. 吉璐.西安理工大学. 2018
[2]基于深度卷积神经网络的人体动作识别[D]. 张瑞.南昌航空大学. 2018
[3]基于深度学习的人体行为识别分析研究[D]. 傅梦雨.哈尔滨工业大学. 2017
[4]基于隐马尔可夫模型的驾驶员行为分析研究[D]. 李土深.哈尔滨工程大学. 2017
本文编号：3550964
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3550964.html
