基于深度学习的铁路细粒度行人检测
发布时间：2021-11-22 14:02
高速铁路的发展带来了巨大的便利,铁路事业高速发展的同时,铁路安全问题也值得关注。国内现有的铁路安全,主要是依靠视频监控和人工巡检相结合的方法。由于中国的铁路轨道错综复杂,分布广泛,列车具有较高的行驶速度,同时工作人员存在缺乏专业素养、操作不当,疏忽大意等现象。而我国的铁路网规模较大,很难通过人工检测的方法判断所有线路是否有行人非法闯入和逗留。因此,为提高铁路安全性、可靠性,同时节省人力成本,轨道视频监控系统迫切需要全面的技术升级和大规模应用。而传统的算法常常存在实时性较差,精度不高等问题。近年来随着深度学习的兴起,卷积神经网络作用于视觉领域的算法层出不穷,均取得了不错的效果,因此,针对上述任务以及难点,本文提构建了一种细粒度行人检测模型,该方法利用该领域大规模数据集,以YOLOv2高性能检测算法为基础,引入混合注意力机制,使得算法在特定的场景内有着优异的表现。本论文主要工作有:构建了铁路行人数据集;对比了RCNN、Fast RCNN、Faster RCNN、YOLO等深度学习算法,权衡了各种算法的实验精度和运行速度,采用改进的YOLOv2模型实现目标检测任务;本论文改良了YOLO算法的...
【文章来源】：江苏科技大学江苏省
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 论文研究内容及组织安排
1.3.1 论文的研究内容
1.3.2 论文的结构安排
第2章 传统图像算法
2.1 图像预处理法
2.1.1 图像灰度化处理
2.1.2 直方图均衡化
2.1.3 高斯滤波
2.2 图像特征提取
2.2.1 主成分分析
2.2.2 HOG特征提取算法
2.3 特征分类决策
2.3.1 SVM分类器算法
2.3.2 AdaBoost算法
2.4 本章小结
第3章 深度学习的图像算法
3.1 神经网络
3.1.1 神经元
3.1.2 激活函数
3.1.3 神经网路
3.2 卷积神经网络
3.2.1 卷积层
3.2.2 激活层
3.2.3 池化层
3.2.4 Dropout层
3.2.5 全连接层
3.3 RCNN网络
3.3.1 选择域生成模块
3.3.2 卷积神经网络模块
3.3.3 线性 SVM 模块
3.4 Fast Rcnn网络
3.4.1 Fast RCNN基本原理
3.4.2 感兴趣池化层
3.5 Faster Rcnn网络
3.5.1 Faster RCNN网络原理和框架图
3.5.2 RCNN、Fast RCNN、Faster RCNN比较
3.6 YOLO网络
3.6.1 YOLO概述
3.6.2 YOLO流程
3.6.3 提取候选框
3.6.4 目标检测和分类
3.6.5 Y行人检测
3.7 YOLOv2 网络
3.7.1 Anchor Box
3.7.2 YOLO 的损失函数
3.8 本章小结
第4章 混合注意力机制
4.1 注意力机制
4.1.1 Encoder-Decoder框架
4.1.2 Attention Model
4.2 基于注意力机制的行人场景分类
4.2.1 残差注意力机制的行人场景分类
4.2.2 单网络分支生成软权重掩码
4.3 空间注意力与通道注意力
4.3.1 空间注意力
4.3.2 通道注意力
4.4 本章小结
第5章 基于深度学习的铁路细粒度行人检测
5.1 模型架构
5.2 实现过程
5.2.1 数据增强模块
5.2.2 混合注意力模块
5.2.3 目标检测模块
5.3 融合深度特征与底层图像特征的行人分类
5.3.1 行人的颜色特征
5.3.2 行人区域的灰度特征
5.3.3 行人图像的纹理特征
5.4 实验结果及评估
5.5 本章小结
第6章 总结与展望
6.1 本文的工作总结
6.2 进一步研究方向
参考文献
攻读学位期间发表的论文
致谢
【参考文献】：
期刊论文
[1]基于卷积神经网络的道路拥堵识别研究[J]. 罗荣辉,袁航,钟发海,聂上上. 郑州大学学报(工学版). 2019(02)
[2]基于多尺度残差网络的压缩感知重构算法[J]. 练秋生,富利鹏,陈书贞,石保顺. 自动化学报. 2019(11)
[3]自适应融合目标和背景的图像特征提取方法[J]. 于来行,冯林,张晶,刘胜蓝. 计算机辅助设计与图形学学报. 2016(08)
[4]改进卷积玻尔兹曼机的图像特征深度提取[J]. 刘凯,张立民,范晓磊. 哈尔滨工业大学学报. 2016(05)
[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]基于稀疏和低秩表示的显著性目标检测[J]. 刘甜甜. 电子科技. 2015(02)
[7]基于分层区域合并的自然场景理解[J]. 孙丽坤,刘波. 计算机系统应用. 2014(11)
[8]铁路入侵运动目标实时检测技术[J]. 李家才,陈治亚,王梦格. 铁道科学与工程学报. 2013(06)
[9]铁路客运线路入侵行为智能综合监控系统[J]. 陈红. 中国公共安全. 2013(17)
[10]铁路综合视频监控新技术应用“跨栏”而进[J]. 葛瑞钧. 中国铁路. 2013(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]基于深度神经网络的铁路异物检测算法[D]. 刘文祺.北京交通大学 2016
[2]基于变换域特征与深度学习的图像分类研究[D]. 邹晓艺.华南理工大学 2015
[3]基于智能视频分析的铁路入侵检测系统研究[D]. 李凡.北京交通大学 2012
[4]面向高速铁路的轨道异物检测研究[D]. 王永亮.北京交通大学 2011
[5]基于智能视频技术的铁路入侵检测[D]. 习可.中南大学 2010
[6]基于视频内容分析的铁路入侵检测研究[D]. 葛大伟.北京交通大学 2009
本文编号：3511842
【文章来源】：江苏科技大学江苏省
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 论文研究内容及组织安排
1.3.1 论文的研究内容
1.3.2 论文的结构安排
第2章 传统图像算法
2.1 图像预处理法
2.1.1 图像灰度化处理
2.1.2 直方图均衡化
2.1.3 高斯滤波
2.2 图像特征提取
2.2.1 主成分分析
2.2.2 HOG特征提取算法
2.3 特征分类决策
2.3.1 SVM分类器算法
2.3.2 AdaBoost算法
2.4 本章小结
第3章 深度学习的图像算法
3.1 神经网络
3.1.1 神经元
3.1.2 激活函数
3.1.3 神经网路
3.2 卷积神经网络
3.2.1 卷积层
3.2.2 激活层
3.2.3 池化层
3.2.4 Dropout层
3.2.5 全连接层
3.3 RCNN网络
3.3.1 选择域生成模块
3.3.2 卷积神经网络模块
3.3.3 线性 SVM 模块
3.4 Fast Rcnn网络
3.4.1 Fast RCNN基本原理
3.4.2 感兴趣池化层
3.5 Faster Rcnn网络
3.5.1 Faster RCNN网络原理和框架图
3.5.2 RCNN、Fast RCNN、Faster RCNN比较
3.6 YOLO网络
3.6.1 YOLO概述
3.6.2 YOLO流程
3.6.3 提取候选框
3.6.4 目标检测和分类
3.6.5 Y行人检测
3.7 YOLOv2 网络
3.7.1 Anchor Box
3.7.2 YOLO 的损失函数
3.8 本章小结
第4章 混合注意力机制
4.1 注意力机制
4.1.1 Encoder-Decoder框架
4.1.2 Attention Model
4.2 基于注意力机制的行人场景分类
4.2.1 残差注意力机制的行人场景分类
4.2.2 单网络分支生成软权重掩码
4.3 空间注意力与通道注意力
4.3.1 空间注意力
4.3.2 通道注意力
4.4 本章小结
第5章 基于深度学习的铁路细粒度行人检测
5.1 模型架构
5.2 实现过程
5.2.1 数据增强模块
5.2.2 混合注意力模块
5.2.3 目标检测模块
5.3 融合深度特征与底层图像特征的行人分类
5.3.1 行人的颜色特征
5.3.2 行人区域的灰度特征
5.3.3 行人图像的纹理特征
5.4 实验结果及评估
5.5 本章小结
第6章 总结与展望
6.1 本文的工作总结
6.2 进一步研究方向
参考文献
攻读学位期间发表的论文
致谢
【参考文献】：
期刊论文
[1]基于卷积神经网络的道路拥堵识别研究[J]. 罗荣辉,袁航,钟发海,聂上上. 郑州大学学报(工学版). 2019(02)
[2]基于多尺度残差网络的压缩感知重构算法[J]. 练秋生,富利鹏,陈书贞,石保顺. 自动化学报. 2019(11)
[3]自适应融合目标和背景的图像特征提取方法[J]. 于来行,冯林,张晶,刘胜蓝. 计算机辅助设计与图形学学报. 2016(08)
[4]改进卷积玻尔兹曼机的图像特征深度提取[J]. 刘凯,张立民,范晓磊. 哈尔滨工业大学学报. 2016(05)
[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]基于稀疏和低秩表示的显著性目标检测[J]. 刘甜甜. 电子科技. 2015(02)
[7]基于分层区域合并的自然场景理解[J]. 孙丽坤,刘波. 计算机系统应用. 2014(11)
[8]铁路入侵运动目标实时检测技术[J]. 李家才,陈治亚,王梦格. 铁道科学与工程学报. 2013(06)
[9]铁路客运线路入侵行为智能综合监控系统[J]. 陈红. 中国公共安全. 2013(17)
[10]铁路综合视频监控新技术应用“跨栏”而进[J]. 葛瑞钧. 中国铁路. 2013(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]基于深度神经网络的铁路异物检测算法[D]. 刘文祺.北京交通大学 2016
[2]基于变换域特征与深度学习的图像分类研究[D]. 邹晓艺.华南理工大学 2015
[3]基于智能视频分析的铁路入侵检测系统研究[D]. 李凡.北京交通大学 2012
[4]面向高速铁路的轨道异物检测研究[D]. 王永亮.北京交通大学 2011
[5]基于智能视频技术的铁路入侵检测[D]. 习可.中南大学 2010
[6]基于视频内容分析的铁路入侵检测研究[D]. 葛大伟.北京交通大学 2009
本文编号：3511842
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3511842.html
