您现在的位置是：首页 > 技术资料 > 基于改进深度卷积网络的铁路入侵行人分类算法

推荐星级：

基于改进深度卷积网络的铁路入侵行人分类算法

更新时间：2020-01-03 08:42:37 大小：3M 上传用户：IC老兵查看TA发布的资源 标签：深度卷积网络 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

异物侵入铁路限界严重影响行车安全,识别铁路限界内的人员侵入对保证铁路运营安全具有重要意义。由于既有铁路图像异物侵入检测系统只能检测报警图像,无法区分是人员侵入的正确报警还是光线干扰导致的误报警,为了降低上述误报警,本文建立了铁路异物侵限报警样本的训练集和测试集,提出了将改进的深度卷积网络提取的高层Alex特征和HOG特征相结合并用于深度卷积网络模型训练的分类算法。首先引入了改进的AlexNet深度卷积神经网络模型,提取了自动学习的Alex高层特征,然后将其与HOG特征相结合形成Alex-HOG组合特征,最后利用组合特征对分类网络进行训练。铁路异物侵限报警测试样本库的实验表明,该方法对1 498张测试样本图像的识别准确率高达98.46%,时间为3.78s,实时性和准确率均有较大提高,对降低系统误报率具有重大意义。

部分文件列表

文件名	大小
基于改进深度卷积网络的铁路入侵行人分类算法.pdf	3M

立即下载

【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

第

卷

第

期

１２

光学精密工程

ꢀ

２６

ꢀ

Ｖｏｌ．２６Ｎｏ．１２

ꢀ

ꢀꢀꢀꢀꢀ ꢀꢀꢀꢀ

ꢀꢀꢀꢀꢀ ꢀ

ＯｔｉｃｓａｎｄＰｒｅｃｉｓｉｏｎＥｎｉｎｅｅｒｉｎ

ꢀ ｐ ꢀ ꢀ ꢀ ｇ

ｇ

年

２０１８１２

月

ꢀ ꢀ

Ｄｅｃ．２０１８

ꢀ

（）

１００４９２４Ｘ２０１８１２３０４０１１

－

文章编号

ꢀ

－

基于改进深度卷积网络的铁路入侵行人分类算法

，

１２

，

１２

＊

，

王

郭保青

宁

ꢀ

（，

北京交通大学机械与电子控制工程学院北京

１．

；

１０００４４

，

北京交通大学载运工具先进制造与测控技术教育部重点实验室北京

２．

）

１０００４４

：，。

摘要异物侵入铁路限界严重影响行车安全识别铁路限界内的人员侵入对保证铁路运营安全具有重要意义由于既有

，，

铁路图像异物侵入检测系统只能检测报警图像无法区分是人员侵入的正确报警还是光线干扰导致的误报警为了降低

，，

上述误报警本文建立了铁路异物侵限报警样本的训练集和测试集提出了将改进的深度卷积网络提取的高层

特

Ａｌｅｘ

。

特征相结合并用于深度卷积网络模型训练的分类算法首先引入了改进的

ＡｌｅｘＮｅｔ

征和

深度卷积神经网络模

ＨＯＧ

，

型提取了自动学习的

，

高层特征然后将其与

，

组合特征最后利用组合特征对分

特征相结合形成

ＡｌｅｘＨＯＧ

－

Ａｌｅｘ

ＨＯＧ

。，

类网络进行训练铁路异物侵限报警测试样本库的实验表明该方法对

张测试样本图像的识别准确率高达

１４９８

ꢀ

，

。

时间为

实时性和准确率均有较大提高对降低系统误报率具有重大意义

９８．４６％

３．７８ｓ

；

词铁路异物分类识别行人检测深度卷积网络

ＨＯＧ

：

；

关

键

组合特征

ꢀ

：；

ＴＰ３９１Ｕ２１６．３

ꢀꢀ

：

文献标识码

Ａ

：

／

中图分类号

ｄｏｉ１０．３７８８ＯＰＥ．２０１８２６１２．３０４０

ꢀꢀ

Ｐｅｄｅｓｔｒｉａｎｉｎｔｒｕｄｉｎｒａｉｌｗａｃｌｅａｒａｎｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｏｒｉｔｈｍ

ꢀ

ｇ

ꢀ

ｇ

ꢀ

ｙ

ꢀ

ｂａｓｅｄｏｎｉｍｒｏｖｅｄｄｅｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋ

ꢀ ꢀ ꢀ ꢀ

ｐ

ꢀ

ｐ

，

１２

，

１２

＊

，

ＧＵＯＢａｏｉｎ

ꢀ －

ｑｇ

ＷＡＮＧＮｉｎ

ꢀ

ｇ

（

，

１．ＳｃｈｏｏｌｏＭｅｃｈａｎｉｃａｌＥｌｅｃｔｒｏｎｉｃａｎｄＣｏｎｔｒｏｌＥｎｉｎｅｅｒｉｎ

ꢀ

，

ｇ

ꢀ

ｆ

ꢀ

ｇ

ꢀ

，

ｙ

，

；

ＢｅｉｉｎＪｉａｏｔｏｎＵｎｉｖｅｒｓｉｔＢｅｉｉｎ１０００４４Ｃｈｉｎａ

ｊｇｊｇ

ｇ

ꢀ

，

ｙ

，

２．ＢｅｉｉｎＪｉａｏｔｏｎＵｎｉｖｅｒｓｉｔＫｅＬａｂｏｒａｔｏｒｏＶｅｈｉｃｌｅＡｄｖａｎｃｅｄＭａｎｕａｃｔｕｒｉｎ

ꢀ

ｇ

ꢀ

ｊｇ

ｇ

ꢀ

ｙ

ꢀ

ｙｆ

ꢀ ꢀ

ｆ

ꢀ

，

ｇｙ

，

）

ＭｉｎｉｓｔｒｏＥｄｕｃａｔｉｏｎＢｅｉｉｎ１０００４４Ｃｈｉｎａ

ｙｆｊｇ

ꢀ ꢀ

ＭｅａｓｕｒｉｎａｎｄＣｏｎｔｒｏｌＴｅｃｈｎｏｌｏ

ꢀ ꢀ

ｇ

ꢀ

，：

ＣｏｒｒｅｓｏｎｄｉｎａｕｔｈｏｒＥｍａｉｌｂｕｏｂｔｕ．ｅｄｕ．ｃｎ

＠

ｑｇｊ

＊

－

ｐ

ｇ

ꢀ

：

ＡｂｓｔｒａｃｔＯｂｅｃｔｓｉｎｔｒｕｄｉｎｒａｉｌｗａｃｌｅａｒａｎｃｅｏｓｅｒｅａｔｔｈｒｅａｔｔｏｎｏｒｍａｌｒａｉｌｗａｏｅｒａｔｉｏｎｓ．Ｉｄｅｎｔｉｆ

ꢀｐ ꢀｇ ꢀ ꢀ －

ｙｐ

ｊ

ꢀ

ｇ

ꢀ

ｙ

ꢀ

ｉｎｉｎｔｒｕｄｉｎｅｄｅｓｔｒｉａｎｓｗｉｔｈｉｎｔｈｅｒａｉｌｗａｃｌｅａｒａｎｃｅｌｉｍｉｔｗａｓｏｆｒｅａｔｓｉｎｉｆｉｃａｎｃｅｔｏｅｎｓｕｒｅｔｈｅ

ｙｇｇｐ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｇ ꢀ ｇ ꢀ ꢀ ꢀ

ꢀ

ｙ

ꢀ

ｓａｆｅｔｏｆｒａｉｌｗａｏｅｒａｔｉｏｎｓ．Ｔｈｅｅｘｉｓｔｉｎｒａｉｌｗａｉｎｔｒｕｓｉｏｎｄｅｔｅｃｔｉｏｎｓｓｔｅｍｏｎｌｄｅｔｅｃｔｅｄｔｈｅｉｎｔｒｕ

ꢀ ꢀ ꢀｙ ꢀ ｙ ꢀ ꢀ －

ｙ ꢀ ｙｐｇｙ

ꢀ

，

ｓｉｏｎｂｕｔｄｉｄｎｏｔｄｉｓｔｉｎｕｉｓｈｗｈｅｔｈｅｒｉｔｗａｓａｔｒｕｅａｌａｒｍｏｆｅｄｅｓｔｒｉａｎｉｎｔｒｕｓｉｏｎｏｒｆａｌｓｅａｌａｒｍｃａｕｓｅｄ

ꢀ ꢀ ꢀ ꢀ ꢀꢀ ꢀ ꢀｐ ꢀ ꢀ

ꢀ

ｇ

ꢀ

，

ｂｌｉｈｔｉｎｔｅｒｆｅｒｅｎｃｅｓ．Ｔｏｒｅｄｕｃｅｆａｌｓｅａｌａｒｍｓａｔｒａｉｎｉｎａｎｄｔｅｓｔｓｅｔｏｆｔｈｅａｌａｒｍｉｍａｅｓａｍｌｅｓｗｅｒｅ

ｙｇ ꢀ ｇꢀ

ꢀ ꢀ ꢀ ꢀ

ꢀ

ｇ

ꢀ

ｐ

ꢀ

，

ｅｓｔａｂｌｉｓｈｅｄ．Ａｅｄｅｓｔｒｉａｎｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｒｏｖｅｄｄｅｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋ

ｐ

ꢀｐ ꢀ ꢀ ｇ ꢀ ꢀ ꢀ ｐ ꢀ ꢀ

ꢀ

，

ｔｒａｉｎｅｄｗｉｔｈｃｏｍｂｉｎｅｄｆｅａｔｕｒｅｓｏｆＨＯＧａｎｄｈｉｈｌｅｖｅｌＡｌｅｘｗａｓｔｈｅｎｒｏｏｓｅｄ．Ｆｉｒｓｔａｎｉｍｒｏｖｅｄ

ꢀ ꢀ ꢀ ｇ ꢀｐｐ ꢀ ｐ

ꢀ

－

ꢀ

ꢀ ꢀ

ＡｌｅｘＮｅｔｄｅｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｗａｓｉｎｔｒｏｄｕｃｅｄｔｏｅｘｔｒａｃｔｈｉｈｌｅｖｅｌＡｌｅｘｆｅａｔｕｒｅｓ

ꢀ ꢀ ꢀ ꢀ ꢀ ｇ－

ꢀ

ｐ

ꢀ

：

；

：

修订日期

２０１８０６１７．

收稿日期

２０１８０４２７

－－

ꢀꢀ

－

：

基金项目国家重点研发计划资助项目

（

）；（

铁路总公司重点研发计划资助项目

Ｎｏ．２０１７Ｔ００１

Ｎｏ．２０１６ＹＦＢ１２００４０２

ꢀꢀ

－

）；

国家留学基金委员会资助项目

Ｂ

（

）

Ｎｏ．２０１７０７０９５０７５

，：

郭保青等基于改进深度卷积网络的铁路入侵行人分类算法

第

期

１２

ꢀꢀꢀ

３０４１

；

ｂａｕｔｏｍａｔｉｃｌｅａｒｎｉｎｔｈｅｅｘｔｒａｃｔｅｄｆｅａｔｕｒｅｓｗｅｒｅｔｈｅｎｃｏｍｂｉｎｅｄｗｉｔｈＨＯＧｆｅａｔｕｒｅｓｔｏｆｏｒｍｔｈｅ

ꢀ

ｙ

ꢀ

ｇ

ꢀ

ꢀ ꢀ

ꢀ

，

ｃｏｍｂｉｎｅｄｆｅａｔｕｒｅｓｏｆＡｌｅｘＨＯＧ．Ｆｉｎａｌｌｔｈｅｃｏｍｂｉｎｅｄｆｅａｔｕｒｅｓｗｅｒｅｕｓｅｄｔｏｔｒａｉｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎ

ꢀ ꢀ ꢀ ꢀ

ꢀ

－

ｙ

ꢀ

ꢀ ꢀ

ｎｅｔｗｏｒｋ．Ｅｘｅｒｉｍｅｎｔｓｏｎｔｈｅｔｅｓｔｓｅｔｓｈｏｗｔｈａｔｔｈｅｒｏｏｓｅｄｍｅｔｈｏｄｈａｓａｈｉｈｒｅｃｏｎｉｔｉｏｎａｃｃｕｒａｃ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐｐ ꢀ ꢀ ꢀꢀ ｇꢀ ꢀ

ｙ

ｐ

ｇ

ｏｆ９８．４６％ｉｎ３．７８ｓｆｏｒ１４９８ｔｅｓｔｉｍａｅｓａｍｌｅｓ．Ｔｈｅｉｍｒｏｖｅｍｅｎｔｓｉｎｂｏｔｈａｃｃｕｒａｃａｎｄｒｅａｌｔｉｍｅ

ｇꢀ

ꢀ ꢀꢀ ꢀ ꢀ ｐ ꢀ ꢀ ꢀ ꢀ －

ꢀ

ｐ

ｙ

ꢀ

ｅｒｆｏｒｍａｎｃｅｗｉｌｌｒｅａｔｌｒｅｄｕｃｅｔｈｅｆａｌｓｅａｌａｒｍｒａｔｅｏｆｔｈｅｒａｉｌｗａｉｎｔｒｕｓｉｏｎｄｅｔｅｃｔｉｏｎｓｓｔｅｍ．

ꢀ ꢀｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｙ

ｐ

ｙ

ꢀ

ｙ

ꢀ

：

Ｋｅｗｏｒｄｓｒａｉｌｗａｏｂｅｃｔｓｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｅｄｅｓｔｒｉａｎｄｅｔｅｃｔｉｏｎｄｅｅｃｏｎｖｏｌｕｔｉｏｎａｌ

ꢀ

；

ｐ

；

ｐ

ｙ

ꢀ

ｊ

ꢀ

ｙ

ꢀ

；

ｎｅｔｗｏｒｋＨＯＧｃｏｍｂｉｎｅｄｆｅａｔｕｒｅｓ

ꢀ

，

由于人员进入铁路限界对运营安全威胁更大而

，

且根据对报警结果的人工统计真实报警的绝大

引言

１

ꢀ ꢀ

，

部分均为人员入侵报警误报警的绝大部分是由

，

随着我国高速铁路的快速发展铁路运输在

，

于光线干扰造成的进一步区分报警图片是否包

ꢀꢀ

，

人们生活中的重要性日益提高高铁成网运营后

含行人可以极大程度剔除光线干扰造成的误报

。

的安全问题已成当务之急异物入侵高速铁路限

，

警对降低既有检测系统的误报率具有重要意义

，

界将会引发行车事故严重危害国家财产和人民

。

因此本文将入侵目标是否为行人作为分类目标

。

生命安全针对既有检测系统基于图像背景差分

目前国内外在行人检测方面的研究大多采取

，

方法获取的报警图像的人工统计显示报警图像

。

特征提取结合机器学习的方法在特征提取方

（

的大部分为夜间光线干扰造成的误报警约占报

，

ＨＯＧ

面

特征是行人检测中广泛应用的特征之

［

］

６９

，

一些学者还提出了以

－

），（

剩余报警中的绝大部分约占报

警总数的

一

特征为基础的

ＨＯＧ

７０％

［］

７

）

，

ＪｉａｏＪｉｃｈａｏ

ꢀ

警总数的

均为夜间施工人员上道作业导致

组合特征如

等

提出一种

ＨＯＧＰＣＡ

－

３０％

，

的正确报警除此之外的其他报警信息非常少

。

（）

混合特征描述符来抑制了背景干扰的方

ＨＯＧＰ

［］

８

；

法黄炎等提出将

若能准确地区分这些报警图片是行人还是光线干

与

ＨＯＧＬＢＰ

特征结合的行人

，

扰造成的误报警将能极大提高侵入检测的准确

，

检测方法排除了部分梯度干扰信息造成的误检

；

［］

９

，，

率降低由于夜间光线干扰造成的误报警对进一

（

）

的

等

提出一种基于边缘梯度

Ｓａｎｅｅｔｈａ

ｇ

ＨＥＯＧ

。

，

多尺度高效直方图人体检测方法在各种具有挑战

步提高既有系统报警准确率具有重要意义

与防护电网为代表的接触式检测方法相比

视频分析方法因具有安装方便且结果直观的优点

，

。

的人类数据集中达到了较好的检测效果

，

上述研究都是基于手工特征实现的特征适

。

而被广泛应用于安防监控领域在铁路监测方

，，

应性较差调节过程费时费力而近年来深度卷积

［］

１

，

面董宏辉等人提出了智能视频监控图像序列

网络已经在图像分类识别中表现出独特优

［

］

１０１３

。

［］

１０

－

，

的分析方法实现了对物体入侵行为的识别及危

势

等

Ｐａｕｌ

提出了融合均匀卷积神经网

［］

２

；

险行为报警魏巍研究了基于双目立体视觉实

络分类器的混合深度神经网络模型来识别视频中

，

现重点区域三维重建的方法实现了异物侵入检

，

的人类行为在

ＵＣＦ５０

数据集中达到了

９９．６８％

［］

３

；

测史红梅等人提出了基于机器视觉与嵌入式

［］

１１

；

ＴｉａｎＹ

ꢀ

的高准确率

针对小物体提出改进的

Ｒ

－

，

技术相结合的异物侵限自动检测方法实现了对

，

快速深度卷积网络模型在交通场景车道标

ＣＮＮ

［］

４

；

异物目标的快速识别宁滨等人提出了铁路远

；

记数据集上取得较高的准确率且用时很短刘

［］

１２

，

程瞭望系统的框架并通过

随机场的异

智

等提出基于深度卷积网络和多尺度信息的

Ｍａｒｋｏｖ

。

物识别算法实现了异物识别上述方法在检测效

，

ＭＳＲＤａｉｌＡｃｔｉｖｉｔ３Ｄ

ｙ

人体行为识别方法对

数据

ｙ

［］

５

，

果和实时性方面均存在不足杨柳旭等人研究

集的

种人体行为的平均识别准确率为

１１１６

～

［

］

１３

熊昌镇等提出了一种结合深度卷积神经

；

了基于快速背景差分的高速铁路异物侵入检测算

９８％

，

法基于该算法研发的高速铁路异物侵入检测系

，

１０００

ꢀ

网络模型与主体检测的图像检索方法

幅

、。

统已在沪宁杭甬高速铁路示范应用该系统能

，

比现有方法提升了

９６．５％

测试图片正确率为

，

在图像中标出异物的位置但无法识别是何种异

。

个百分点除了上述主要用于行人分类的研

６．６

，

物尤其在夜间存在光线干扰时常会发生误报警

。

，

究外深度卷积网络也开始应用于复杂铁路场景

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

基于改进深度卷积网络的铁路入侵行人分类算法

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页