基于改进深度卷积网络的铁路入侵行人分类算法

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.

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

所属期刊栏目：26

分类号：TP391;U216.3(计算技术、计算机技术)

资助基金：国家重点研发计划资助项目2016YFB1200402;铁路总公司重点研发计划资助项目2017T001-B;国家留学基金委员会资助项目201707095075

在线出版日期：2019-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：3040-3050