视频拼接技术在列车安全监控中的应用

传统列车监控系统中,采用多个独立摄像头对车厢内不同部位进行监控。这种监控画面存在视野狭窄、视角不一的问题,当出现突发事件时,需要在多个监控画面间来回切换,寻找和判断事故原因。为此提出一种基于拼接技术的车厢全景监控方案,采用的视频拼接核心算法中结合了PCA-SURF和改进BBF算法,并利用索引表法对多路视频帧序列进行实时拼接。试验结果表明,该算法相较于传统SURF算法可将单帧拼接时间降低90%,正确匹配率平均达到92.2%,在实时性和准确性方面取得了良好的效果。     

一种基于多层RBM网络和SVM的行人检测方法研究

行人检测一直是计算机视觉领域的热点和难点问题。本文提出了一种结合玻尔兹曼机RBM(Restricted Boltzmann Machine)和支持向量机SVM(Suport Vector Machines)的深度学习网络进行行人特征提取和分类,多层玻尔兹曼机无监督的训练网络参数得到行人特征并级联SVM构建特征分类器进行特征分类,在融合多种行人数据库的基础上扩充了行人数据样本,满足深度学习对于大数据量样本的要求。实验中对比了不同层数网络对于模型性能的影响以及与传统人工特征相比在复杂场景下的行人检测效果,验证了深度学习对于行人特征提取的有效性。     

基于加速退化数据的动车组电连接器寿命预测研究

电连接器对于动车组安全可靠稳定地运行至关重要。为提高电连接器产品寿命预测的效率与准确度,通过设计实施连接器加速试验,获取产品性能退化数据,采用寿命预测物理模型与数据处理算法,基于退化量分布的加速退化数据建模流程,实现动车组电连接器可靠度与寿命的评估。据此设计了基于退化数据的寿命预测软件,实现了退化数据预处理、数据分布拟合、模型参数计算、模型曲线绘制与寿命值的预测。     

基于DenseNet结构的轨道暗光环境实时增强算法

车载视觉系统是未来城市轨道交通安全运行的重要保障，列车在封闭环境或夜间运行时所处的弱光照环境会严重影响车载视觉系统的检测效果. 为此，提出了一种针对铁路封闭环境或夜间行车环境下低照度图像的实时视觉增强算法. 该算法以密集连接网络（densely connected network，DenseNet）结构为骨干网建立特征尺寸不变网络，提取图像光照、颜色等信息输出光照增强率图，并基于非线性映射函数调整每个像素的光照强度，通过分级结构将低照度输入图像的曝光率由低层到高层不断增强. 建立的深度学习网络模型采用自监督的方式训练网络参数，利用低照度图像自身特征和先验知识构建损失函数，其由曝光损失、色彩恒定损失及光照平滑度损失3个分量组成. 多种场景下的低照度增强实验结果显示:本文算法能够对输入图像曝光值进行自适应，对低曝光以及高曝光区域动态调整曝光率从而改善低照度图像的可视化效果，处理速度能够达到160帧/s，满足实时性处理的要求；通过在低照度增强前后的轨道分割及行人检测算法性能对比实验证明:所提出的算法能够大大提高暗光环境下的视觉检测效果，在RSDS （railroad segmentation dataset）数据集中轨道分割F值提高5%以上，在轨道场景下行人检测误检率及漏检率均有效降低.