基于改进深度卷积网络的铁路入侵行人分类算法

被引：22

作者：

郭保青 ^{[1
,2
]}

王宁 ^{[1
,2
]}

机构：

[1] 北京交通大学机械与电子控制工程学院

[2] 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

来源：

光学精密工程 | 2018年 / 26卷 / 12期

基金：

国家重点研发计划;

关键词：

铁路异物分类识别; 行人检测; 深度卷积网络; HOG组合特征;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算]; U298 [安全技术];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 082303 ;

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。

引用

页码：3040 / 3050

页数：11