铁路旅客无感出站关键技术及应用方案研究
发布时间：2021-03-07 13:39
铁路出站场景下,在出站旅客较多的情况下,存在通道拥挤、出站速度慢等问题,直接影响旅客的出站体验。考虑到人脸识别技术在铁路已有了广泛的应用,如实名制核验闸机、验检合一闸机、人工核验窗口等均使用了人脸识别技术。本文研究铁路无感出站应用系统,运用人脸识别等智能化新技术,解决铁路出站的传统客运难题。首先介绍了系统在人脸识别关键技术的探索和研究,包括通过多种生物识别技术的对比分析选择人脸识别作为检票手段、人脸识别算法和算法服务引擎。人脸识别算法实现了自主研发,包括人脸检测、识别、活体检测等技术;算法服务引擎采用借助高性能服务器、优化软件结构等方式,实现了稳定可靠的服务能力。然后从技术选型、无感出站流程模式设计、系统的总体设计和数据安全防护四个方面介绍了铁路无感出站应用系统的总体设计,明确了注重边缘计算、分布式和微服务化的架构方式,设计了闸机模式、AI摄像头模式和闸机+AI摄像头模式三种无感出站模式,形成无感出站应用总体设计,另由于现在社会各界对于公民隐私的重视,本文又在数据安全防护方面做了重点介绍。最后,为了验证铁路无感出站应用的可行性,本文在实验室环境下进行了试验,包括算法试验阶段以及无感出站...
【文章来源】：中国铁道科学研究院北京市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
论文结构图
铁路旅客无感出站关键技术及应用方案研究中国铁道科学研究院15LFW测试集上达到了99.83%的准确率，在铁路特色数据集上的结果将在第四章中详细介绍，基本达到了业界的先进水平。本小节通过设计损失函数、构建特色训练集等工作，得到了一个在基本性能上达到业界先进水平，并且在识别铁路特有场景有特别优化的人脸识别算法，为铁路无感出站应用的实现提供了强有力的支撑和保障。2.2.2人脸检测算法人脸检测是指在一张给定的图片当中，通过某种策略判断图片中是否含有人脸，如果有，则将人脸位置检测出来的一种手段。人脸检测是进行人脸识别的第一步。现今业界有许多比较成熟的基于深度学习的人脸检测算法，像Faster-RCNN[35]，YOLO[36]，SSD[37]，MTCNN[38]等，每个算法有其优点和弱点。SSD算法速度快，但对小目标人脸检测能力较弱，Faster-RCNN性能高，但是速度慢，基本无法做到实时检测。现今工业届很多厂商采用MTCNN算法，可以做到实时性与检测能力的并重，因此本文人脸检测算法选用MTCNN模型进行实现、优化。MTCNN算法具有人脸区域和人脸五官关键点检测的能力，该算法包含三个级联网络P-Net、R-Net和O-Net，采用候选框加分类器的思路，进行快速高效的人脸检测。三个网络的网络结构分别如图2-1、图2-2和图2-3所示：图2-1MTCNN模型P-Net网络结构Figure2-1NetworkStructureofP-NetBasedinMTCNNModel图2-2MTCNN模型R-Net网络结构Figure2-2NetworkStructureofR-NetBasedinMTCNNModel
铁路旅客无感出站关键技术及应用方案研究中国铁道科学研究院15LFW测试集上达到了99.83%的准确率，在铁路特色数据集上的结果将在第四章中详细介绍，基本达到了业界的先进水平。本小节通过设计损失函数、构建特色训练集等工作，得到了一个在基本性能上达到业界先进水平，并且在识别铁路特有场景有特别优化的人脸识别算法，为铁路无感出站应用的实现提供了强有力的支撑和保障。2.2.2人脸检测算法人脸检测是指在一张给定的图片当中，通过某种策略判断图片中是否含有人脸，如果有，则将人脸位置检测出来的一种手段。人脸检测是进行人脸识别的第一步。现今业界有许多比较成熟的基于深度学习的人脸检测算法，像Faster-RCNN[35]，YOLO[36]，SSD[37]，MTCNN[38]等，每个算法有其优点和弱点。SSD算法速度快，但对小目标人脸检测能力较弱，Faster-RCNN性能高，但是速度慢，基本无法做到实时检测。现今工业届很多厂商采用MTCNN算法，可以做到实时性与检测能力的并重，因此本文人脸检测算法选用MTCNN模型进行实现、优化。MTCNN算法具有人脸区域和人脸五官关键点检测的能力，该算法包含三个级联网络P-Net、R-Net和O-Net，采用候选框加分类器的思路，进行快速高效的人脸检测。三个网络的网络结构分别如图2-1、图2-2和图2-3所示：图2-1MTCNN模型P-Net网络结构Figure2-1NetworkStructureofP-NetBasedinMTCNNModel图2-2MTCNN模型R-Net网络结构Figure2-2NetworkStructureofR-NetBasedinMTCNNModel
【参考文献】：
期刊论文
[1]人脸识别应用活体检测技术研究[J]. 宛根训,田青,朱红徽,葛利军. 中国安全防范技术与应用. 2019(06)
[2]无感支付发展现状与思考[J]. 谢丹. 福建金融. 2019(09)
[3]高速公路收费无感支付系统研究与应用[J]. 王丰,班伟杰,戴泽华,刘育圣,王献酉,纪震东. 交通世界. 2019(26)
[4]人脸识别技术的无感签到系统的设计[J]. 张青,赵方圆,刘顺钰. 福建电脑. 2019(05)
[5]基于CNN的监控视频中人脸图像质量评估[J]. 王亚,朱明,刘成林. 计算机系统应用. 2018(11)
[6]基于人脸识别技术的铁路实名制进站核验系统研究及设计[J]. 贾成强,戴琳琳,徐海涛,苏建飞. 铁路计算机应用. 2018(07)
[7]微服务架构的发展与影响分析[J]. 李贞昊. 信息系统工程. 2017(01)
[8]基于面部生命特征的3D假面欺骗攻击检测方法[J]. 谷小婧,付传卿,顾幸生. 系统仿真学报. 2016(02)
[9]RESTFUL、SOAP、ICAP在移动网络中的应用[J]. 王磊,孙帆,陈旭东. 邮电设计技术. 2015(09)
[10]新一代客票系统总体技术方案的研究[J]. 朱建生. 铁路计算机应用. 2012(06)
博士论文
[1]人脸识别中的活体检测技术研究[D]. 孙霖.浙江大学 2010
硕士论文
[1]基于人脸识别的闸机通道口人员身份核验系统设计[D]. 王少博.哈尔滨工业大学 2019
[2]基于光谱分析与深度信息的人脸活体检测[D]. 刘逸飞.北京交通大学 2017
[3]声纹识别系统关键技术研究[D]. 裴鑫.哈尔滨理工大学 2014
本文编号：3069201
【文章来源】：中国铁道科学研究院北京市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
论文结构图
铁路旅客无感出站关键技术及应用方案研究中国铁道科学研究院15LFW测试集上达到了99.83%的准确率，在铁路特色数据集上的结果将在第四章中详细介绍，基本达到了业界的先进水平。本小节通过设计损失函数、构建特色训练集等工作，得到了一个在基本性能上达到业界先进水平，并且在识别铁路特有场景有特别优化的人脸识别算法，为铁路无感出站应用的实现提供了强有力的支撑和保障。2.2.2人脸检测算法人脸检测是指在一张给定的图片当中，通过某种策略判断图片中是否含有人脸，如果有，则将人脸位置检测出来的一种手段。人脸检测是进行人脸识别的第一步。现今业界有许多比较成熟的基于深度学习的人脸检测算法，像Faster-RCNN[35]，YOLO[36]，SSD[37]，MTCNN[38]等，每个算法有其优点和弱点。SSD算法速度快，但对小目标人脸检测能力较弱，Faster-RCNN性能高，但是速度慢，基本无法做到实时检测。现今工业届很多厂商采用MTCNN算法，可以做到实时性与检测能力的并重，因此本文人脸检测算法选用MTCNN模型进行实现、优化。MTCNN算法具有人脸区域和人脸五官关键点检测的能力，该算法包含三个级联网络P-Net、R-Net和O-Net，采用候选框加分类器的思路，进行快速高效的人脸检测。三个网络的网络结构分别如图2-1、图2-2和图2-3所示：图2-1MTCNN模型P-Net网络结构Figure2-1NetworkStructureofP-NetBasedinMTCNNModel图2-2MTCNN模型R-Net网络结构Figure2-2NetworkStructureofR-NetBasedinMTCNNModel
铁路旅客无感出站关键技术及应用方案研究中国铁道科学研究院15LFW测试集上达到了99.83%的准确率，在铁路特色数据集上的结果将在第四章中详细介绍，基本达到了业界的先进水平。本小节通过设计损失函数、构建特色训练集等工作，得到了一个在基本性能上达到业界先进水平，并且在识别铁路特有场景有特别优化的人脸识别算法，为铁路无感出站应用的实现提供了强有力的支撑和保障。2.2.2人脸检测算法人脸检测是指在一张给定的图片当中，通过某种策略判断图片中是否含有人脸，如果有，则将人脸位置检测出来的一种手段。人脸检测是进行人脸识别的第一步。现今业界有许多比较成熟的基于深度学习的人脸检测算法，像Faster-RCNN[35]，YOLO[36]，SSD[37]，MTCNN[38]等，每个算法有其优点和弱点。SSD算法速度快，但对小目标人脸检测能力较弱，Faster-RCNN性能高，但是速度慢，基本无法做到实时检测。现今工业届很多厂商采用MTCNN算法，可以做到实时性与检测能力的并重，因此本文人脸检测算法选用MTCNN模型进行实现、优化。MTCNN算法具有人脸区域和人脸五官关键点检测的能力，该算法包含三个级联网络P-Net、R-Net和O-Net，采用候选框加分类器的思路，进行快速高效的人脸检测。三个网络的网络结构分别如图2-1、图2-2和图2-3所示：图2-1MTCNN模型P-Net网络结构Figure2-1NetworkStructureofP-NetBasedinMTCNNModel图2-2MTCNN模型R-Net网络结构Figure2-2NetworkStructureofR-NetBasedinMTCNNModel
【参考文献】：
期刊论文
[1]人脸识别应用活体检测技术研究[J]. 宛根训,田青,朱红徽,葛利军. 中国安全防范技术与应用. 2019(06)
[2]无感支付发展现状与思考[J]. 谢丹. 福建金融. 2019(09)
[3]高速公路收费无感支付系统研究与应用[J]. 王丰,班伟杰,戴泽华,刘育圣,王献酉,纪震东. 交通世界. 2019(26)
[4]人脸识别技术的无感签到系统的设计[J]. 张青,赵方圆,刘顺钰. 福建电脑. 2019(05)
[5]基于CNN的监控视频中人脸图像质量评估[J]. 王亚,朱明,刘成林. 计算机系统应用. 2018(11)
[6]基于人脸识别技术的铁路实名制进站核验系统研究及设计[J]. 贾成强,戴琳琳,徐海涛,苏建飞. 铁路计算机应用. 2018(07)
[7]微服务架构的发展与影响分析[J]. 李贞昊. 信息系统工程. 2017(01)
[8]基于面部生命特征的3D假面欺骗攻击检测方法[J]. 谷小婧,付传卿,顾幸生. 系统仿真学报. 2016(02)
[9]RESTFUL、SOAP、ICAP在移动网络中的应用[J]. 王磊,孙帆,陈旭东. 邮电设计技术. 2015(09)
[10]新一代客票系统总体技术方案的研究[J]. 朱建生. 铁路计算机应用. 2012(06)
博士论文
[1]人脸识别中的活体检测技术研究[D]. 孙霖.浙江大学 2010
硕士论文
[1]基于人脸识别的闸机通道口人员身份核验系统设计[D]. 王少博.哈尔滨工业大学 2019
[2]基于光谱分析与深度信息的人脸活体检测[D]. 刘逸飞.北京交通大学 2017
[3]声纹识别系统关键技术研究[D]. 裴鑫.哈尔滨理工大学 2014
本文编号：3069201
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3069201.html
