基于视频的高铁列车检测算法研究
发布时间：2021-07-30 14:11
目标检测是计算机视觉领域中的一个重要课题,其主要目的是从静态图片或视频中检测并定位特定的目标。它采用了模式识别、图像处理、人工智能和自动控制等技术,在道路交通监控、智能机器人、自动驾驶等方面有着广泛的应用。由于高铁列车运行速度快、所处环境复杂多变,目前还没有一种比较通用成熟的检测方法用于高铁列车的检测,为了辅助高铁列车驾驶员保障列车的安全行驶,在摄像头运动情况下,研究高铁列车前方目标的实时性检测方法,对于保障高铁列车的安全行驶具有重要的实际意义。为了实现高铁列车的实时性检测,本文首先对三种应用较为广泛的目标检测算法进行了分析,然后重点研究了 Adaboost算法进行目标分类检测,并应用于高铁列车的检测。针对传统机器学习方法手工提取特征进行目标分类检测时误检率较高的问题,本文在深度学习的基础上设计并实现了基于Faster R-CNN的高铁列车检测算法,该算法使用RPN（Region Proposal Network）网络来提取候选框,并与Fast R-CNN共享卷积层,进行端到端（end-to-end）的训练,提高了特征提取的速度和检测的准确度。针对实现对高铁列车的实时性检测的要求,又设...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图２－１相邻二帧差分法原理图??Ｆｉｕｒｅ?２－１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｒａｍ?ｏｆ?ｔｗｏ?ａｄａｃｅｎｔ?ｆｒａｍｅ?ｄｉｆｆｅｒｅｎｃｅ?ｍｅｔｈｏｄ??
位置发生了相对的移动，所以，这两帧的图像在高铁列车所在的位置就与另??一帧对应位置的像素的值存在一定差异，通过两帧像素的值进行相减的方式，就??可以获取运动高铁列车的位置信息，一个简单的二帧差法处理的过程如图２－１所??〇??第让帧?——？差分运算——？二值化处理——？目标提取??第ｋ－１帧??１?阈值处理??图２－１相邻二帧差分法原理图??Ｆｉｇｕｒｅ?２－１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｗｏ?ａｄｊａｃｅｎｔ?ｆｒａｍｅ?ｄｉｆｆｅｒｅｎｃｅ?ｍｅｔｈｏｄ??使用帧间差分法进行高铁列车检测时，在一个视频流中，提取相邻或者间隔??较近的两帧图片，然后，对对应像素点位置的像素的值进行差分运算，将运算结??果大于一定阈值的值设置为１，其他值设置为０，这是一个对图像进行二值化的操??作。从而，置为１的像素点构成了运动高铁列车的轮廓，即为前景，而其他的部??分则被认为是背景。??算法公式如（２－１）和（２－２）所示：??Ｒｋ?（ｘ，ｙ）?＝?＼Ｇｋ?（ｘ，ｙ）?－?（Ｘ，?ｙ）＼?（２－１）??取Ｗ，ＵＸ，价了?Ｆ〇ｒｅｇｒ〇Ｗｌｄ?（２－２）??［〇?，?Ｒｋ（ｘｙｙ）?＜Ｔ?Ｂａｃｋｇｒｏｕｎｄ??其中，表示当获得第ｋ帧时，进行差分运算的结果并取绝对值??表示所提取的第ｋ帧所在位置的像素点的灰度值
?提取，从目标的灰度图和差分后的二值图像上获取特征值，结合和运动信息来训练Ａｄａｂｏｏｓｔ分类器，从而实现运动目标的检测。比较高，在某些纹理信息比较丰富的场景下，检测性能就会有所ａｂｏｏｓｔ算法实质上是一个二分类的问题１２１１，本章将重点介绍Ａｄａｂｏ理，选取合适的特征对样本进行分类，从而构造出适合高铁列车为解决Ａｄａｂｏｏｓｔ算法在铁路运行环境中由于高铁列车行驶速度快、变容易出现高误检率的问题，本文提取对光照和形变最具鲁棒性表示列车，使得目标和摄像头同时移动的情况下，对列车的检测率。??ＡＲ特征是一种简单的矩形特征，它的特征值的计算方法是在图域和白色矩形区域的灰度权重总和之差。在高铁列车的一些特定算得到较大的值，由于矩形特征能反映检测目标局部特征的灰度利于区分高铁列车和非高铁列车。??
【参考文献】：
期刊论文
[1]基于光流场的实时视频中运动目标的检测与跟踪[J]. 甘庆玉. 吉林广播电视大学学报. 2014(10)
[2]深度学习及其在目标和行为识别中的新进展[J]. 郑胤,陈权崎,章毓晋. 中国图象图形学报. 2014(02)
[3]基于帧间差分方法的运动目标检测[J]. 武怀金,王武江. 黑龙江科技信息. 2012(10)
[4]模型平均方法及其在预测中的应用[J]. 张新雨,邹国华. 统计研究. 2011(06)
本文编号：3311551
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图２－１相邻二帧差分法原理图??Ｆｉｕｒｅ?２－１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｒａｍ?ｏｆ?ｔｗｏ?ａｄａｃｅｎｔ?ｆｒａｍｅ?ｄｉｆｆｅｒｅｎｃｅ?ｍｅｔｈｏｄ??
位置发生了相对的移动，所以，这两帧的图像在高铁列车所在的位置就与另??一帧对应位置的像素的值存在一定差异，通过两帧像素的值进行相减的方式，就??可以获取运动高铁列车的位置信息，一个简单的二帧差法处理的过程如图２－１所??〇??第让帧?——？差分运算——？二值化处理——？目标提取??第ｋ－１帧??１?阈值处理??图２－１相邻二帧差分法原理图??Ｆｉｇｕｒｅ?２－１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｗｏ?ａｄｊａｃｅｎｔ?ｆｒａｍｅ?ｄｉｆｆｅｒｅｎｃｅ?ｍｅｔｈｏｄ??使用帧间差分法进行高铁列车检测时，在一个视频流中，提取相邻或者间隔??较近的两帧图片，然后，对对应像素点位置的像素的值进行差分运算，将运算结??果大于一定阈值的值设置为１，其他值设置为０，这是一个对图像进行二值化的操??作。从而，置为１的像素点构成了运动高铁列车的轮廓，即为前景，而其他的部??分则被认为是背景。??算法公式如（２－１）和（２－２）所示：??Ｒｋ?（ｘ，ｙ）?＝?＼Ｇｋ?（ｘ，ｙ）?－?（Ｘ，?ｙ）＼?（２－１）??取Ｗ，ＵＸ，价了?Ｆ〇ｒｅｇｒ〇Ｗｌｄ?（２－２）??［〇?，?Ｒｋ（ｘｙｙ）?＜Ｔ?Ｂａｃｋｇｒｏｕｎｄ??其中，表示当获得第ｋ帧时，进行差分运算的结果并取绝对值??表示所提取的第ｋ帧所在位置的像素点的灰度值
?提取，从目标的灰度图和差分后的二值图像上获取特征值，结合和运动信息来训练Ａｄａｂｏｏｓｔ分类器，从而实现运动目标的检测。比较高，在某些纹理信息比较丰富的场景下，检测性能就会有所ａｂｏｏｓｔ算法实质上是一个二分类的问题１２１１，本章将重点介绍Ａｄａｂｏ理，选取合适的特征对样本进行分类，从而构造出适合高铁列车为解决Ａｄａｂｏｏｓｔ算法在铁路运行环境中由于高铁列车行驶速度快、变容易出现高误检率的问题，本文提取对光照和形变最具鲁棒性表示列车，使得目标和摄像头同时移动的情况下，对列车的检测率。??ＡＲ特征是一种简单的矩形特征，它的特征值的计算方法是在图域和白色矩形区域的灰度权重总和之差。在高铁列车的一些特定算得到较大的值，由于矩形特征能反映检测目标局部特征的灰度利于区分高铁列车和非高铁列车。??
【参考文献】：
期刊论文
[1]基于光流场的实时视频中运动目标的检测与跟踪[J]. 甘庆玉. 吉林广播电视大学学报. 2014(10)
[2]深度学习及其在目标和行为识别中的新进展[J]. 郑胤,陈权崎,章毓晋. 中国图象图形学报. 2014(02)
[3]基于帧间差分方法的运动目标检测[J]. 武怀金,王武江. 黑龙江科技信息. 2012(10)
[4]模型平均方法及其在预测中的应用[J]. 张新雨,邹国华. 统计研究. 2011(06)
本文编号：3311551
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3311551.html
