高速铁路场景的分割与识别算法 
下载： 1084次
Segmentation and Recognition Algorithm for High-Speed Railway Scene
1 北京交通大学机械与电子控制工程学院, 北京 100044
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, 北京 100044
图 & 表
图 1. 铁路场景及轨道区域
Fig. 1. Railway scene and track area
下载图片 查看原文
图 2. 铁路场景边缘特征图
Fig. 2. Edge feature map of railway scene
下载图片 查看原文
图 3. 霍夫变换后的直线特征分布图
Fig. 3. Distribution of linear character after Hough transformation
下载图片 查看原文
图 4. 自适应调整角度的高斯卷积核。(a) θ=22°; (b) θ=38°; (c) θ=90°; (d) θ=178°
Fig. 4. Gaussian convolution kernels rotated by adaptive angles. (a) θ=22°; (b) θ=38°; (c) θ=90°; (d) θ=178°
下载图片 查看原文
图 5. 碎片化区域合并过程图。(a)强弱边界图;(b)边界权重分布图;(c)筛选掉弱边界点;(d)碎片化区域;(e)碎片化区域面积分布;(f)合并后得到的局部区域;(g)-(o)分割后的局部区域
Fig. 5. Procedures of combining fragmented regions. (a) Strong and weak boundaries; (b) distribution of boundary weight; (c) boundaries after deletion of weak points; (d) fragmented regions; (e) distribution of fragmented region area; (f) local areas after combination; (g)-(o) local areas after segmentation
下载图片 查看原文
图 6. 卷积神经网络结构示意图
Fig. 6. Schematic of convolutional neural network structure
下载图片 查看原文
图 7. 利用自编码网络预训练卷积核。(a)自编码网络结构;(b)预训练后的卷积核
Fig. 7. Pre-train convolutional kernels using autoencoder network. (a) Structure of autoencoder networks; (b) pre-trained convolution kernels
下载图片 查看原文
图 8. 高速铁路周界侵限检测系统组成结构示意图
Fig. 8. Structural schematic of high-speed railway intrusion detecting system
下载图片 查看原文
图 9. 不同算法识别轨道区域的结果对比图。(a) 铁路场景;(b) 人工标记区域;(c) MCG算法结果;(d) FCN算法结果;(e) 所提算法结果
Fig. 9. Comparison diagrams of results of different algorithms for track area recognition. (a) Railway scenes; (b) manually labeled regions; (c) results of MCG algorithm; (d) results of FCN algorithm; (e) results of proposed algorithm
下载图片 查看原文
表 1不同卷积神经网络结构对比实验结果
Table1. Comparison of experimental results of different CNN network structures
| Kernel size | Kernel quantity | Accuracy /% |
|---|
| C1 | C2 |
|---|
| 3×3 | 30 | 10 | 72.5 | | 100 | 10 | 75.0 | | 5×5 | 100 | 10 | 76.0 | | 8×8 | 100 | 10 | 76.5 |
|
查看原文
表 2不同卷积神经网络结构优化后的对比实验结果
Table2. Comparison of experimental results of different convolutional neural network structures after optimization
| Kernel size | Kernel quantity | Accuracy /% |
|---|
| C1 | C2 |
|---|
| 3×3 | 30 | 10 | 92.5 | | 100 | 10 | 96.0 | | 5×5 | 100 | 10 | 98.5 | | 8×8 | 100 | 10 | 99.5 |
|
查看原文
表 3不同算法实验结果对比
Table3. Comparison of experimental results of different algorithms
| Algorithm | Mean IU /% | Mean PA /% | Mean EP /% | Time /s | Net parameter quantity /106 |
|---|
| MCG | 72.05 | 79.94 | 10.63 | 7 | — | | FCN | 89.83 | 91.26 | 16.20 | 41 | 134 | | Proposed algorithm | 81.94 | 95.90 | 18.17 | 2.5 | 0.18 |
|
查看原文
王洋, 朱力强, 余祖俊, 郭保青. 高速铁路场景的分割与识别算法[J]. 光学学报, 2019, 39(6): 0610004. Yang Wang, Liqiang Zhu, Zujun Yu, Baoqing Guo. Segmentation and Recognition Algorithm for High-Speed Railway Scene[J]. Acta Optica Sinica, 2019, 39(6): 0610004.
PDF全文
