基于深度学习的铁路异物侵限检测系统研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 课题的背景及意义 | 第7-8页 |
| 1.2 国内外铁路异物检测研究现状 | 第8-11页 |
| 1.2.1 国内研究现状 | 第8-9页 |
| 1.2.2 国外研究现状 | 第9-11页 |
| 1.2.3 研究现状分析 | 第11页 |
| 1.3 本文的研究内容及章节安排 | 第11-13页 |
| 第二章 铁路异物侵限检测系统方案设计 | 第13-19页 |
| 2.1 系统架构 | 第13页 |
| 2.2 硬件设备构成 | 第13-14页 |
| 2.3 软件算法系统设计 | 第14-19页 |
| 2.3.1 目标检测 | 第15-16页 |
| 2.3.2 目标跟踪 | 第16-17页 |
| 2.3.3 行为分析与目标分类 | 第17-19页 |
| 第三章 基于视频分析的铁路异物侵限检测算法研究 | 第19-32页 |
| 3.1 界面设计 | 第20-22页 |
| 3.1.1 测试视频界面设计 | 第20-21页 |
| 3.1.2 在线检测界面设计 | 第21-22页 |
| 3.2 铁路异物侵限检测目标的提取 | 第22-26页 |
| 3.2.1 混合高斯模型 | 第22-24页 |
| 3.2.2 连通区域标记 | 第24-25页 |
| 3.2.3 最近邻域数据关联 | 第25-26页 |
| 3.3 铁路异物侵限检测目标的跟踪 | 第26-29页 |
| 3.3.1 meanshift跟踪原理 | 第26-28页 |
| 3.3.2 HOG特征简介 | 第28页 |
| 3.3.3 基于HOG的meanshift跟踪 | 第28-29页 |
| 3.4 铁路异物侵限检测行为分析与目标分类 | 第29-30页 |
| 3.5 基于视频的铁路异物检测实验结果与分析 | 第30-32页 |
| 第四章 基于深度学习的铁路异物侵限检测算法研究 | 第32-47页 |
| 4.1 深度学习简介 | 第32-36页 |
| 4.1.1 深度学习现状与思想 | 第32-33页 |
| 4.1.2 深度学习的常用模型 | 第33-36页 |
| 4.2 DMSM模型原理与实现 | 第36-38页 |
| 4.2.1 SDA训练 | 第36-37页 |
| 4.2.2 SDA预测 | 第37页 |
| 4.2.3 Mean Shift迭代 | 第37-38页 |
| 4.3 实验结果与讨论分析 | 第38-47页 |
| 4.3.1 实验跟踪结果 | 第40-44页 |
| 4.3.2 跟踪结果讨论分析 | 第44-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 本文的主要贡献 | 第47-48页 |
| 5.2 课题中存在的问题及进一步的研究 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 在学期间的研究成果 | 第53-54页 |
| 致谢 | 第54页 |
