基于特征融合的铁路入侵行人分类算法

  随着我国高速铁路的快速发展,铁路运输在人们生活中的重要性日益提高,高铁成网运营后的安全问题已成当务之急。异物入侵高速铁路限界将会引发行车事故,严重危害国家财产和人民生命安全。针对既有铁路图像异物侵入检测系统只能检测报警图像,无法区分是人员侵入的正确报警还是光线干扰导致的误报警的问题,本文旨在开发一套基于融合特征的改进卷积神经网络行人分类算法,将报警图像中的行人正确分离出来,从而减少由光线干扰造成的误报警,解决既有铁路异物侵入检测系统夜间误报率高的问题。本文为了准确地区分报警图片是行人还是光线干扰造成的误报警,提出将改进卷积神经网络提取的高层Alex特征、HOG特征、LBP特征进行多特征加权融合,并利用全连接分类网络对融合特征训练分类的算法。首先,采集既有铁路图像异物侵入检测系统的现场报警图片,以有无行人为标准对数据库中的图像逐一标注构建铁路侵限行人样本库,构建的样本库包括5240张误报警样本和2216张行人样本。随后,分别提取图像的HOG、LBP单一特征和加权融合特征,输入到SVM进行分类识别,并对SVM的参数进行寻优。实验结果表明,融合特征的识别准确率明显高于单一特征。然而,由于铁路场景的复杂性、环境因素的干扰以及样本的数量不够丰富等因素的影响,基于传统特征的SVM分类算法准确率并不满足系统要求。最终本文引入了卷积神经网络,提出了将卷积神经网络提取的高层特征与传统特征加权作为融合特征提高分类算法的准确性,并利用深度可分离卷积和L1范数裁剪卷积核对网络进行精简优化以提高实时性,降低了算法的运行时间和计算量,能够准确快速地区分报警图片是行人还是光线干扰造成的误报警。本文提出的基于改进卷积神经网络的融合特征分类算法,弥补了现有方法的欠缺,铁路侵限行人样本库的实验表明,本文提出的算法对1472张测试样本图像的识别准确率高达98.58%,单张图片的测试时间为10.86ms,极大提高了行人分类检测的准确率,减少了夜间光线干扰造成的误报警,具有较强适用性和实时性,对降低系统误报率和保证铁路安全运营具有重要意义。

 

【文章来源】：四川师范大学四川省

 

【文章页数】：102 页

 

【学位级别】：硕士

 

【文章目录】：

 

文章目录

致谢

摘要

ABSTRACT

1 引言

    1.1 研究背景及意义

    1.2 研究现状

        1.2.1 异物侵限的研究现状

        1.2.2 行人分类的研究现状

        1.2.3 存在问题及发展方向

    1.3 研究内容与章节安排

2 基于多特征融合的行人侵限检测总体算法设计

    2.1 既有铁路异物侵入检测系统及存在问题

    2.2 铁路侵限行人分类算法设计

        2.2.1 总体算法设计

        2.2.2 行人分类关键算法设计

    2.3 本章小结

3 铁路侵限行人样本库的构建

    3.1 建立铁路侵限行人样本库的意义

    3.2 铁路侵限行人样本库的构建

        3.2.1 PyTorch平台简介

        3.2.2 铁路侵限行人样本库的构建

    3.3 本章小结

4 基于传统特征的SVM行人分类算法

    4.1 图像传统特征提取方法

        4.1.1 图像HOG特征提取

        4.1.2 图像LBP特征提取

        4.1.3 图像融合特征提取方法

    4.2 支持向量机分类模型优化研究

        4.2.1 基于支持向量机的分类方法

        4.2.2 基于支持向量机的参数优化研究

    4.3 SVM行人分类实验结果与分析

        4.3.1 基于HOG特征的SVM行人分类方法

        4.3.2 基于LBP特征的SVM行人分类方法

        4.3.3 基于HOG+LBP融合特征的SVM行人分类方法

    4.4 本章小结

5 基于融合特征的卷积神经网络行人分类方法

    5.1 基于卷积神经网络的行人分类方法

        5.1.1 卷积神经网络

        5.1.2 基于经典AlexNet网络的行人分类方法

        5.1.3 实验结果与分析

    5.2 基于融合特征的AlexNet网络行人分类方法

        5.2.1 基于HOG+LBP传统特征的AlexNet网络行人分类方法

        5.2.2 基于Alex+HOG+LBP融合特征的分类网络行人分类方法

    5.3 基于融合特征的改进AlexNet网络的行人分类方法

        5.3.1 AlexNet网络的改进方法

        5.3.2 基于融合特征的改进AlexNet网络行人分类实验

    5.4 本章小结

6 总结与展望

    6.1 总结

    6.2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集

 

 

参考文献

 

期刊论文

 

[1]多特征融合的视频目标深度跟踪[J]. 钱小燕,张代浩,张艳琳.  科学技术与工程. 2019(07)

[2]基于SIFT和HOG特征融合的人体行为识别方法[J]. 韩欣欣,叶奇玲.  计算机技术与发展. 2019(06)

[3]异物侵限监测报警系统在太焦线安全行车中的应用[J]. 李鹏利.  机械管理开发. 2018(12)

[4]嵌入式高速公路异物侵限的检测与跟踪研究[J]. 杨杰超,许江淳,陆万荣,曾德斌.  自动化仪表. 2018(12)

[5]基于优化HOG特征计算的非完整人体特征检测[J]. 李闯,陈张平,王坚,张波涛.  计算机测量与控制. 2018(11)

[6]基于多特征融合的人脸识别方法[J]. DOGNERY SINALY SILUE.  电子测量技术. 2018(20)

[7]轨道交通线路异物入侵的视觉检测方法[J]. 王前选,李鹏,崔灿,周伟.  五邑大学学报(自然科学版). 2018(03)

[8]基于CNN的高速铁路侵限异物特征快速提取算法[J]. 王洋,余祖俊,朱力强,郭保青.  仪器仪表学报. 2017(05)

[9]构建多尺度深度卷积神经网络行为识别模型[J]. 刘智,黄江涛,冯欣.  光学精密工程. 2017(03)

[10]基于改进卷积神经网络的人体检测研究[J]. 左艳丽,马志强,左宪禹.  现代电子技术. 2017(04)

 

硕士论文

 

[1]基于特征融合的行为识别方法研究[D]. 钞蓓英.西安理工大学 2018

[2]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

[3]基于立体视觉的异物侵界检测方法研究[D]. 魏巍.北京交通大学 2014

[4]基于单目视觉的轨道交通异物侵限检测方法研究[D]. 陈根重.北京交通大学 2013