基于視頻的高鐵列車檢測算法研究.pdf

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

2、實際意義。
　　為了實現(xiàn)高鐵列車的實時性檢測，本文首先對三種應(yīng)用較為廣泛的目標檢測算法進行了分析，然后重點研究了Adaboost算法進行目標分類檢測，并應(yīng)用于高鐵列車的檢測。針對傳統(tǒng)機器學習方法手工提取特征進行目標分類檢測時誤檢率較高的問題，本文在深度學習的基礎(chǔ)上設(shè)計并實現(xiàn)了基于Faster R-CNN的高鐵列車檢測算法，該算法使用RPN(Region Proposal Network)網(wǎng)絡(luò)來提取候選框，并與Fast R-CNN共

3、享卷積層，進行端到端(end-to-end)的訓練，提高了特征提取的速度和檢測的準確度。針對實現(xiàn)對高鐵列車的實時性檢測的要求，又設(shè)計并實現(xiàn)了基于YOLO的高鐵列車檢測方法，該方法使用回歸的思想，可以直接在圖像的不同坐標上回歸出目標的邊框和目標的類別，提高了檢測的速度。
　　本文基于PASCAL VOC2007數(shù)據(jù)庫構(gòu)建了高鐵列車檢測數(shù)據(jù)集，構(gòu)建網(wǎng)絡(luò)模型，對高鐵列車數(shù)據(jù)集進行訓練，驗證本文所設(shè)計算法的可行性。基于Faster R-C

4、NN的高鐵列車檢測方法的平均準確率達到了92.6％，基于YOLO的高鐵列車檢測方法的平均準確率達到了84.8％。檢測率均比使用Adaboost算法訓練的檢測器檢測的平均準確率高，基于YOLO的高鐵列車檢測方法的檢測速度比基于Faster R-CNN的高鐵列車檢測方法的檢測速度快，達到150幀/秒，可以實現(xiàn)高鐵列車的實時性檢測。實驗結(jié)果證明了本文所設(shè)計的兩種算法在高鐵列車實際檢測上的可行性和有效性。最后設(shè)計與實現(xiàn)了高鐵列車檢測系統(tǒng)，將基于