基于深度学习的铁路异物侵限检测系统研究

发布时间：2021-03-24 16:06

铁路限界内的异物检测一直是轨道交通领域的重要课题,但是传统的铁路异物检测采用帧间差分法,受光线和场景变化影响较大,无法满足铁路在线检测的需要。目前,深度学习因其良好的特征表达模型和网络训练模式,在图像领域已经显示了巨大潜力,所以将深度学习引入铁路异物侵限检测系统,具有重要的研究价值。本文设计了基于深度学习的异物侵限检测系统,完成入侵异物(落石,行人,动物和车等)的自动检测功能,最终达到预警的目的。异物侵限在线检测系统主要包括目标提取,跟踪,行为分析和目标分类模块。(1)在目标提取中,由于帧差法表现不足,研究者采用了混合高斯模型(GMM)和连通区域标记算法实现前景目标的提取,结果表明该算法对实际环境具有很好的适应性。当检测出多目标后,研究者采用最近邻域数据关联(NNDA)算法关联不同帧中的相同目标,避免目标丢失与错位。(2)在跟踪环节中,研究者采用了基于HOG(方向梯度直方图)特征的mean-shift跟踪算法,实验证明HOG特征在光照变化和轻微的物体变形中具有更加可靠的鲁棒性,而mean-shift跟踪算法有效地避免了因目标静止而导致目标丢失的情况。(3)行为分析主要是通过设置阈值判断目标是否进入报警区域,目标分类主要根据宽高比原则判断异物类别,进而确定是否报警。(4)基于传统特征设计的铁路异物侵限检测系统,被证明并不能满足实际需要,因而研究者提出了 DMSM(deep mean shift model)模型,它解决了传统的HOG和颜色直方图特征在跟踪过程中容易受到相似背景、姿态变化、光照突变、遮挡、目标交叉运动等干扰的影响,实验在公共测试库上进行了测试,结果表明DMSM在铁路异物侵限检测中具有更高的精度和更好的鲁棒性,显示了强大的潜力并具有广阔的发展应用前景。
【学位授予单位】：北方工业大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41

文章目录

摘要

Abstract

第一章绪论

1.1 课题的背景及意义

1.2 国内外铁路异物检测研究现状

1.2.1 国内研究现状

1.2.2 国外研究现状

1.2.3 研究现状分析

1.3 本文的研究内容及章节安排

第二章铁路异物侵限检测系统方案设计

2.1 系统架构

2.2 硬件设备构成

2.3 软件算法系统设计

2.3.1 目标检测

2.3.2 目标跟踪

2.3.3 行为分析与目标分类

第三章基于视频分析的铁路异物侵限检测算法研究

3.1 界面设计

3.1.1 测试视频界面设计

3.1.2 在线检测界面设计

3.2 铁路异物侵限检测目标的提取

3.2.1 混合高斯模型

3.2.2 连通区域标记

3.2.3 最近邻域数据关联

3.3 铁路异物侵限检测目标的跟踪

3.3.1 meanshift跟踪原理

3.3.2 HOG特征简介

3.3.3 基于HOG的meanshift跟踪

3.4 铁路异物侵限检测行为分析与目标分类

3.5 基于视频的铁路异物检测实验结果与分析

第四章基于深度学习的铁路异物侵限检测算法研究

4.1 深度学习简介

4.1.1 深度学习现状与思想

4.1.2 深度学习的常用模型

4.2 DMSM模型原理与实现

4.2.1 SDA训练

4.2.2 SDA预测

4.2.3 Mean Shift迭代

4.3 实验结果与讨论分析

4.3.1 实验跟踪结果

4.3.2 跟踪结果讨论分析

第五章总结与展望

5.1 本文的主要贡献

5.2 课题中存在的问题及进一步的研究

结论

参考文献

在学期间的研究成果

致谢

【参考文献】