原文传递
基于视频的高铁列车检测算法研究
| 论文题名： | 基于视频的高铁列车检测算法研究 |
| 关键词： | 高铁列车;运行安全;目标检测;深度学习;回归思想;计算机视觉 |
| 摘要： | 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，又设计并实现了基于YOLO的高铁列车检测方法，该方法使用回归的思想，可以直接在图像的不同坐标上回归出目标的边框和目标的类别，提高了检测的速度。 本文基于PASCAL VOC2007数据库构建了高铁列车检测数据集，构建网络模型，对高铁列车数据集进行训练，验证本文所设计算法的可行性。基于Faster R-CNN的高铁列车检测方法的平均准确率达到了92.6％，基于YOLO的高铁列车检测方法的平均准确率达到了84.8％。检测率均比使用Adaboost算法训练的检测器检测的平均准确率高，基于YOLO的高铁列车检测方法的检测速度比基于Faster R-CNN的高铁列车检测方法的检测速度快，达到150帧/秒，可以实现高铁列车的实时性检测。实验结果证明了本文所设计的两种算法在高铁列车实际检测上的可行性和有效性。最后设计与实现了高铁列车检测系统，将基于YOLO的高铁列车检测方法移植到NVIDIA Jetson TK1开发套件上，进行实际视频的高铁列车检测，验证了基于YOLO的高铁列车检测方法在NVIDIA Jetson TK1上的可行性，并将检测结果传给报警模块，语音提醒驾驶员。 |
| 作者： | 张会朋 |
| 专业： | 电子与通信工程 |
| 导师： | 王东 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
