基于深度数据特征的铁路手信号姿态识别

发布时间：2020-06-24 18:54

【摘要】：铁路调车作业作为铁路运输过程中一个重要环节,是列车运输任务中一项技术性强、要求较高而又复杂的工作,是衡量运输过程中各项指标完成的重要标志。在调车人员培训中,手信号的准确辨识和显示是至关重要的。目前手信号培训还是依赖于传统的人工教学模式,但是由于培训人员众多,手信号类别多种多样,所以导致培训效率低下。本文将人工智能姿态识别技术应用到铁路调车领域,通过残差神经网络进行姿态特征数据的采集,并且将信号旗的颜色信息结合CamShift算法进行动态跟踪识别,最后将融合的特征数据集送入到分类器进行分类识别,从而达到手信号自主训练识别的目的。本论文主要完成以下几个方面的工作:(1)完成铁路手信号数据库样本的采集工作。通过对手信号仔细观察,结合铁路手信号的姿态特性,将铁路手信号分为静态类和动态类两种类型。其中静态类包含10种类别的静态图片,动态类包含10种类别的动态视频。(2)人体姿态关节点的识别。本论文采用开源的深度学习网络模型提取关节点,通过残差神经网络找出所有候选关节点,将节点之间的关联性作为节点之间的权重,采用图论节点的聚类方法判断关节点属于哪一个人,最后使用整数线性规划(ILP,Integer Linear Programming)进行模型求解。(3)信号旗颜色识别及跟踪。铁路手信号信号旗的颜色分为红、绿、黄三种,本设计采用CamShift算法对信号旗的颜色进行识别,并对信号旗动作进行动态跟踪,通过不断计算搜索窗的大小和中心位置,迭代计算初始值,可以有效解决目标形变和遮挡难题。(4)手信号姿态分类模型的建立与分析。将预处理好的数据送入K最近邻(KNN,K-NearestNeighbor)、逻辑回归、支持向量机等分类器中,通过交叉验证和网格搜索不断寻找参数来优化模型。最后将不同算法进行对比分析,结果表明在静态类别和动态类别中,支持向量机的表现效果更好,准确率分别可达98.999%和97.999%。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U292.2;TP391.41;TP18
【图文】：

神经网络,隐藏层,感知器,训练学

经网络的理论基础逡逑按照其网络结构特性和复杂程度可以分为两类：一种一种是当下比较流行的深度神经网络。相比于传统的结构，深度神经网络的层数结构可以达到几十层甚至于神经元数量远远超过传统的人工神经网络，所以它其拥有在图像领域方面其他算法无法比拟的优势。逡逑经网络逡逑网络是一种以网络拓扑结构为基础，模拟生物大脑的机制的一种数学模型。常见的神经网络由三部分组成输出层，如图２－１所示。隐藏层的感知器通过不同的在训练学习中，通过不断调整这些权值，从而达到正

激活函数

逡逑由图２－１可知，隐藏层的每一个单元都和上一层每一个单元全部连接，并且每逡逑个单元之间连接都有不同的权重系数，隐藏层的每一层既是上一层的输出层，又逡逑是下一层的输入层。在前向传播计算中，通常每个输入单元部分都有一个偏置系逡逑数０。作为截距项，并且每次进行一次组合求和后要经过激活函数／。由于在神经网逡逑络中每一层的输入和对应的权重相乘再求和得出的结果都是一个线性结构，所以逡逑想要使模型可以进行非线性分类，就需要引入激活函数。其中常见的激活函数有逡逑ｓｉｇｍｏｉｄ函数、ｔａｎｈ函数、ＲｅＬｕ函数等，如图２－２所示。逡逑Ｓｉｇｍｏｉｄ逦ｔａｎｈ逦ＲｅＬｕ逡逑ｉ邋0逦ｉ邋ｃｃ逦ｚ邋邋＊逦；逦”逦V逡逑，逦／逦ｉ逦ｉ逡逑

【参考文献】