📄Работа №125920
Тема: Детекция и распознавание средств регулирования железнодорожного движения при помощи анализа видеопотока
Тип работы
Магистерская диссертация
Предмет
Программирование
Объем:
51 листов
Год:
2018
Просмотров:
243
5450
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Реферат 2
ВВЕДЕНИЕ 6
ПОСТАНОВКА ЗАДАЧИ 8
ГЛАВА 1. ОБЗОР МЕТОДОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ И ПОДХОДОВ К РЕШЕНИЮ ЗАДАЧИ ДЕТЕКЦИИ И КЛАССИФИКАЦИИ 10
1.1. Обзор методов выделения объектов на изображении 10
1.2. Метод Виолы-Джонса 13
1.3. Обработка изображения на основе информации о цвете ОБЪЕКТА ИНТЕРЕСА 14
1.4. Алгоритмы определения расстояния до объекта 14
1.5. Выделение линий на изображении 16
1.6. Метод Хафа 17
1.7. Фильтр Калмана 19
ГЛАВА 2. ОПИСАНИЕ ПРОЦЕДУРЫ ИССЛЕДОВАНИЯ 21
2.1. Построение выборки изображений для обучения и ТЕСТИРОВАНИЯ КЛАССИФИКАТОРА 21
2.2. ОБУЧЕНИЕ КАСКАДНОГО классификатора Виолы- Джонса 22
2.3. Детектирование железнодорожной колеи для построения ПРОЕКЦИИ ИЗОБРАЖЕНИЯ НА ТРЕХМЕРНОЕ ПРОСТРАНСТВО 25
2.3.1. Метод Кенни и его адаптация для выделения контуров на изображении 27
2.3.2. Применение метода Хафа и интерпретация его результатов 27
2.3.3. Виды ошибок при выделении рельс. Применение фильтра Калмана 29
2.4. Построение плоскости по двум параллельным линиям и ОПРЕДЕЛЕНИЕ КООРДИНАТ ОБЪЕКТА ИНТЕРЕСА 30
2.5. Выбор области интереса в соответствие с формой ЖЕЛЕЗНОДОРОЖНОЙ КОЛЕИ 33
2.6. Вывод по главе 36
ГЛАВА 3. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ 38
3.1. Контроль точности классификации 38
3.2. Результаты сравнения методов выделения контура рельс 40
3.3. Контроль скорости обработки одного кадра видео 43
ВЫВОДЫ 45
СПИСОК ЛИТЕРАТУРЫ 46
Приложения 48
ВВЕДЕНИЕ 6
ПОСТАНОВКА ЗАДАЧИ 8
ГЛАВА 1. ОБЗОР МЕТОДОВ КОМПЬЮТЕРНОГО ЗРЕНИЯ И ПОДХОДОВ К РЕШЕНИЮ ЗАДАЧИ ДЕТЕКЦИИ И КЛАССИФИКАЦИИ 10
1.1. Обзор методов выделения объектов на изображении 10
1.2. Метод Виолы-Джонса 13
1.3. Обработка изображения на основе информации о цвете ОБЪЕКТА ИНТЕРЕСА 14
1.4. Алгоритмы определения расстояния до объекта 14
1.5. Выделение линий на изображении 16
1.6. Метод Хафа 17
1.7. Фильтр Калмана 19
ГЛАВА 2. ОПИСАНИЕ ПРОЦЕДУРЫ ИССЛЕДОВАНИЯ 21
2.1. Построение выборки изображений для обучения и ТЕСТИРОВАНИЯ КЛАССИФИКАТОРА 21
2.2. ОБУЧЕНИЕ КАСКАДНОГО классификатора Виолы- Джонса 22
2.3. Детектирование железнодорожной колеи для построения ПРОЕКЦИИ ИЗОБРАЖЕНИЯ НА ТРЕХМЕРНОЕ ПРОСТРАНСТВО 25
2.3.1. Метод Кенни и его адаптация для выделения контуров на изображении 27
2.3.2. Применение метода Хафа и интерпретация его результатов 27
2.3.3. Виды ошибок при выделении рельс. Применение фильтра Калмана 29
2.4. Построение плоскости по двум параллельным линиям и ОПРЕДЕЛЕНИЕ КООРДИНАТ ОБЪЕКТА ИНТЕРЕСА 30
2.5. Выбор области интереса в соответствие с формой ЖЕЛЕЗНОДОРОЖНОЙ КОЛЕИ 33
2.6. Вывод по главе 36
ГЛАВА 3. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ 38
3.1. Контроль точности классификации 38
3.2. Результаты сравнения методов выделения контура рельс 40
3.3. Контроль скорости обработки одного кадра видео 43
ВЫВОДЫ 45
СПИСОК ЛИТЕРАТУРЫ 46
Приложения 48
📖 Введение
В последние годы приобретают большую популярность цифровая обработка и цифровой анализ изображений. Они применяются в различных прикладных областях. От автоматизированной медицинской диагностики до беспилотного управления автомобилем, от глубоководных аппаратов, до посвящено искусственных космических спутников. Возможность применения «компьютерного зрения» многогранна, а решение задач в одной сфере может быть перенесено на совершенно не связанную с ней прикладную область. Обработке образов не малое количество работ, однако «универсального» решения для любой задачи на данный момент не создано. Каждая прикладная область накладывает свои специфичные условия. Исходя из данных условий необходимо построить алгоритм, который решает задачу с максимальной быстротой и точностью, но как правило, остаются условия, которые преодолеть гораздо сложнее, чем другие. К примеру, большинство методов не устойчиво к смене интенсивности или направления освещения, в то время, как другие плохо справляются с изменением масштаба и т.п.
В рамах данной работы в качестве прикладной области рассматривается автоматизированный анализ видеопотока с камеры из кабины машиниста поезда.
Уровень экономики страны напрямую связан с её техническим развитием. Инновационные технологии помогают в решении различных практических задач. В то время, как цели этих задач могут быть совершенно различными: увеличение прибыли от экономических процессов, ускорение доставки товаров, увеличение прочности изделий и т.д. Одной из таких целей является увеличение безопасности процесса.
Нельзя не отметить высокую значимость транспортного вопроса при решении экономической задачи. С ростом требований к скорости движения возникает и необходимость повышения его безопасности. На протяжении многих лет железнодорожный транспорт продолжает активно использоваться, как один из основных видов транспорта в нашей стране. В виду её большой протяженности с запада на восток, в большинстве районов он становится более эффективным, чем автотранспорт. Для обеспечения его активного использования и развития необходимо внедрять принципиально новые технические решения, которые снижают возможные негативные факторы, подвергающие движение риску. В качестве таких факторов можно выделить неблагоприятные погодные условия, человеческий фактор машиниста электропоезда, окружающая инфраструктура и т.д. В связи с этим можно выделить необходимость технического содействия машинисту в принятии решений по управлению поездом.
На железной дороге, как и автомобильной, присутствуют строго определенные правила движения, руководствуясь которыми машинист предпринимает действия различного рода. Для указания на данные действия вдоль железной дороги располагаются регулирующие устройства: знаки, световые устройства, устройства подачи звукового сигнала [5], автоматическая локомотивная сигнализация (АЛС) [3] - система сигнализации, передающая сигналы по рельсовой линии на локомотив. Корректное их расположение и состояние дает большой объем информации. В связи с большой протяженностью участков железной, к которым нет прямого доступа, кроме непосредственного проезда по ним возникает необходимость в локомотивной системе контроля расположения данных регулирующих устройств. На корректности расположения регулирующих средств могут повлиять как неблагоприятные погодные условия, так и человеческий фактор (вандализм). Отсутствие необходимого знака может привести к ошибке машиниста, а опора только на геоинформационные системы невозможна.
Задача детекции и распознавания дорожных знаков имеет различные способы решения в сфере автомобильного транспорта, в то время как, сходная задача для железнодорожного транспорта описана в достаточно малом количестве работ.
В рамах данной работы в качестве прикладной области рассматривается автоматизированный анализ видеопотока с камеры из кабины машиниста поезда.
Уровень экономики страны напрямую связан с её техническим развитием. Инновационные технологии помогают в решении различных практических задач. В то время, как цели этих задач могут быть совершенно различными: увеличение прибыли от экономических процессов, ускорение доставки товаров, увеличение прочности изделий и т.д. Одной из таких целей является увеличение безопасности процесса.
Нельзя не отметить высокую значимость транспортного вопроса при решении экономической задачи. С ростом требований к скорости движения возникает и необходимость повышения его безопасности. На протяжении многих лет железнодорожный транспорт продолжает активно использоваться, как один из основных видов транспорта в нашей стране. В виду её большой протяженности с запада на восток, в большинстве районов он становится более эффективным, чем автотранспорт. Для обеспечения его активного использования и развития необходимо внедрять принципиально новые технические решения, которые снижают возможные негативные факторы, подвергающие движение риску. В качестве таких факторов можно выделить неблагоприятные погодные условия, человеческий фактор машиниста электропоезда, окружающая инфраструктура и т.д. В связи с этим можно выделить необходимость технического содействия машинисту в принятии решений по управлению поездом.
На железной дороге, как и автомобильной, присутствуют строго определенные правила движения, руководствуясь которыми машинист предпринимает действия различного рода. Для указания на данные действия вдоль железной дороги располагаются регулирующие устройства: знаки, световые устройства, устройства подачи звукового сигнала [5], автоматическая локомотивная сигнализация (АЛС) [3] - система сигнализации, передающая сигналы по рельсовой линии на локомотив. Корректное их расположение и состояние дает большой объем информации. В связи с большой протяженностью участков железной, к которым нет прямого доступа, кроме непосредственного проезда по ним возникает необходимость в локомотивной системе контроля расположения данных регулирующих устройств. На корректности расположения регулирующих средств могут повлиять как неблагоприятные погодные условия, так и человеческий фактор (вандализм). Отсутствие необходимого знака может привести к ошибке машиниста, а опора только на геоинформационные системы невозможна.
Задача детекции и распознавания дорожных знаков имеет различные способы решения в сфере автомобильного транспорта, в то время как, сходная задача для железнодорожного транспорта описана в достаточно малом количестве работ.
✅ Заключение
Результатами данной работы являются:
1. Построена модель процесса обработки кадра видео.
2. Обучен классификатор Виолы-Джонса для поиска объекта интереса на изображении. Определена точность и полнота результатов анализа тестовых изображений. Показатель F-мера превысил 90%.
3. Проведено сравнение различных модификаций алгоритма Кенни.
4. Построен алгоритм выделения железнодорожной колеи. И определены условия его применимости.
5. Рассмотрен способ построения плоскости земли для расчета относительных координат объектов.
6. Предложен алгоритм определения расстояния до объекта интереса.
7. Описан процесс уменьшения области поиска знаков и светофоров при анализе информации об относительном расположении объектов в трехмерном пространстве
8. Скорость полной обработки одного кадра видео находится на уровне 6-7 кадров в секунду, что позволяет рассмотреть возможность применения данной системы при обработке видео в реальном времени.
В качестве задач дальнейшего исследования можно рассмотреть:
1. Сравнение эффективности метода Виолы-Джонса и сверточных нейронных сетей в задаче детекции средств регулирования на железной дороге.
2. Реализовать применение фильтра Калмана в задаче выделения рельс.
3. Определить эффективность алгоритма, построенного при помощи симулятора, при работе в реальных условиях.
1. Построена модель процесса обработки кадра видео.
2. Обучен классификатор Виолы-Джонса для поиска объекта интереса на изображении. Определена точность и полнота результатов анализа тестовых изображений. Показатель F-мера превысил 90%.
3. Проведено сравнение различных модификаций алгоритма Кенни.
4. Построен алгоритм выделения железнодорожной колеи. И определены условия его применимости.
5. Рассмотрен способ построения плоскости земли для расчета относительных координат объектов.
6. Предложен алгоритм определения расстояния до объекта интереса.
7. Описан процесс уменьшения области поиска знаков и светофоров при анализе информации об относительном расположении объектов в трехмерном пространстве
8. Скорость полной обработки одного кадра видео находится на уровне 6-7 кадров в секунду, что позволяет рассмотреть возможность применения данной системы при обработке видео в реальном времени.
В качестве задач дальнейшего исследования можно рассмотреть:
1. Сравнение эффективности метода Виолы-Джонса и сверточных нейронных сетей в задаче детекции средств регулирования на железной дороге.
2. Реализовать применение фильтра Калмана в задаче выделения рельс.
3. Определить эффективность алгоритма, построенного при помощи симулятора, при работе в реальных условиях.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.