基于視頻的高鐵列車檢測(cè)算法研究.pdf

1、目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)重要課題，其主要目的是從靜態(tài)圖片或視頻中檢測(cè)并定位特定的目標(biāo)。它采用了模式識(shí)別、圖像處理、人工智能和自動(dòng)控制等技術(shù)，在道路交通監(jiān)控、智能機(jī)器人、自動(dòng)駕駛等方面有著廣泛的應(yīng)用。由于高鐵列車運(yùn)行速度快、所處環(huán)境復(fù)雜多變，目前還沒(méi)有一種比較通用成熟的檢測(cè)方法用于高鐵列車的檢測(cè)，為了輔助高鐵列車駕駛員保障列車的安全行駛，在攝像頭運(yùn)動(dòng)情況下，研究高鐵列車前方目標(biāo)的實(shí)時(shí)性檢測(cè)方法，對(duì)于保障高鐵列車的安全行駛具有重要的

2、實(shí)際意義。
　　為了實(shí)現(xiàn)高鐵列車的實(shí)時(shí)性檢測(cè)，本文首先對(duì)三種應(yīng)用較為廣泛的目標(biāo)檢測(cè)算法進(jìn)行了分析，然后重點(diǎn)研究了Adaboost算法進(jìn)行目標(biāo)分類檢測(cè)，并應(yīng)用于高鐵列車的檢測(cè)。針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)方法手工提取特征進(jìn)行目標(biāo)分類檢測(cè)時(shí)誤檢率較高的問(wèn)題，本文在深度學(xué)習(xí)的基礎(chǔ)上設(shè)計(jì)并實(shí)現(xiàn)了基于Faster R-CNN的高鐵列車檢測(cè)算法，該算法使用RPN(Region Proposal Network)網(wǎng)絡(luò)來(lái)提取候選框，并與Fast R-CNN共

3、享卷積層，進(jìn)行端到端(end-to-end)的訓(xùn)練，提高了特征提取的速度和檢測(cè)的準(zhǔn)確度。針對(duì)實(shí)現(xiàn)對(duì)高鐵列車的實(shí)時(shí)性檢測(cè)的要求，又設(shè)計(jì)并實(shí)現(xiàn)了基于YOLO的高鐵列車檢測(cè)方法，該方法使用回歸的思想，可以直接在圖像的不同坐標(biāo)上回歸出目標(biāo)的邊框和目標(biāo)的類別，提高了檢測(cè)的速度。
　　本文基于PASCAL VOC2007數(shù)據(jù)庫(kù)構(gòu)建了高鐵列車檢測(cè)數(shù)據(jù)集，構(gòu)建網(wǎng)絡(luò)模型，對(duì)高鐵列車數(shù)據(jù)集進(jìn)行訓(xùn)練，驗(yàn)證本文所設(shè)計(jì)算法的可行性?；贔aster R-C

4、NN的高鐵列車檢測(cè)方法的平均準(zhǔn)確率達(dá)到了92.6％，基于YOLO的高鐵列車檢測(cè)方法的平均準(zhǔn)確率達(dá)到了84.8％。檢測(cè)率均比使用Adaboost算法訓(xùn)練的檢測(cè)器檢測(cè)的平均準(zhǔn)確率高，基于YOLO的高鐵列車檢測(cè)方法的檢測(cè)速度比基于Faster R-CNN的高鐵列車檢測(cè)方法的檢測(cè)速度快，達(dá)到150幀/秒，可以實(shí)現(xiàn)高鐵列車的實(shí)時(shí)性檢測(cè)。實(shí)驗(yàn)結(jié)果證明了本文所設(shè)計(jì)的兩種算法在高鐵列車實(shí)際檢測(cè)上的可行性和有效性。最后設(shè)計(jì)與實(shí)現(xiàn)了高鐵列車檢測(cè)系統(tǒng)，將基于