機車頂部異物識別圖像對比算法研究的中期報告中期報告：一、研究背景與意義鐵路作為國民經(jīng)濟重要的組成部分，其安全運營對于國民經(jīng)濟健康發(fā)展至關(guān)重要。近年來，公共場所惡意攻擊事件頻繁發(fā)生在車站及其周邊地區(qū)。對于機車來說，外部異物進入車頭部位可能會引發(fā)事故，嚴重危及人身安全。因此，對于機車頂部異物進行快速準確的識別成為當前急需解決的問題。圖像識別技術(shù)是當前較為先進和有效的識別方法之一。本項目旨在利用圖像識別技術(shù)，將機車頂部異物進行準確快速的檢測，保障機車的正常運行和人員安全。二、研究內(nèi)容1.數(shù)據(jù)采集本項目選取工業(yè)相機獲取機車頂部異物圖片，工業(yè)相機具有高分辨率、高靈敏度等優(yōu)點，能夠滿足本項目對于圖片高質(zhì)量的要求。同時，為了豐富數(shù)據(jù)，本項目還將采用數(shù)據(jù)增強技術(shù)，對原始數(shù)據(jù)進行旋轉(zhuǎn)、剪切等多樣性處理，以提升算法的魯棒性。2.圖像預(yù)處理本項目采用Python語言，基于圖像邊緣檢測、二值化等方法對圖片進行預(yù)處理。先用高斯濾波器對原始圖像進行濾波，去掉噪聲點。再使用Canny算法對圖像進行邊緣檢測，確定機車邊緣的位置。最后通過二值化處理，將圖像轉(zhuǎn)為黑白二值圖以便于進行后續(xù)的分析處理。3.特征提取對于圖像的特征提取，我們選取了常用的局部二值模式（LBP）算法和灰度共生矩陣（GLCM）算法進行實驗比較。局部二值模式（LBP）算法是一種用來描述像素點周圍紋理特征的算法，對于機車頂部異物的特征提取較為適用。該算法基于圖像的局部紋理特征，對圖像進行特征描述和分析，獲取機車頂部異物的特征向量。灰度共生矩陣（GLCM）算法主要用于分析和描述圖像中灰度像素出現(xiàn)的模式和規(guī)律，其對于機車頂部異物邊緣紋理特征的提取也具有較好的效果。該算法利用圖像的灰度共生矩陣，分析圖像的灰度分布規(guī)律，提取機車頂部異物邊緣的紋理特征。4.特征選擇本項目將選取的特征進行初步篩選，剔除對分類無貢獻或者具有較弱貢獻的特征，從而為后續(xù)分類器的構(gòu)建提供有力支撐。5.分類器構(gòu)建本項目主要選用支持向量機（SVM）算法進行分類器的構(gòu)建。在特征選擇的基礎(chǔ)上，我們將對提取出來的特征進行訓練和測試，利用SVM算法建立不同的分類器模型，比較模型效果并選擇最優(yōu)模型。三、目前進展1.工業(yè)相機數(shù)據(jù)的獲取與初步篩選已完成；2.圖像預(yù)處理的基礎(chǔ)代碼已經(jīng)完成，在對采集的部分圖片進行實驗時取得了初步的效果；3.LBP算法和GLCM算法的實驗已經(jīng)開始，初步提取出機車頂部異物的邊緣紋理特征；4.對特征進行初步篩選，減少對最終結(jié)果無影響或較弱影響的特征；5.SVM分類器構(gòu)建正在進行中，預(yù)計最后與以下算法進行比較：決策樹、支持向量機、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等。四、后續(xù)計劃1.完善圖像預(yù)處理的算法，提高圖像的處理速度和算法的穩(wěn)定性；2.對于已經(jīng)提取的特征進行向量量化，提高特征的表現(xiàn)力，同時降低計算復雜度；3.進一步篩選特征，改進特征選擇算法；4.進行分類器的訓練和測試，對比不同算法效果并選擇最優(yōu)算法；5.對實驗結(jié)果進行總結(jié)和分析，撰寫最終的項目