基于脉冲耦合神经网络的视觉推断模型理论与应用研究

摘要

近些年来，我国高速铁路快速发展，列车运行速度不断加快。随着高速铁路列车运行速度的大幅提高，运营安全的保障显得更为重要。在影响列车运行安全的因素中，线路异物侵入限界，灾害或人为因素等导致的线路破坏等情况，由于其具有较强的随机性，目前还没有有效的监测和防范方法。基于视频监控的监测方法是目前对这些情况比较有效的方法，但是目前的铁路线路视频监控或基于视频图像的检测系统大都无法做到计算机自动识别。这主要是受目前计算机视觉技术的制约。虽然近年来计算机视觉技术有了较大的发展，但是距离其使计算机实现人类视觉功能的最终目标还有很大差距。目前，借鉴生物视觉系统的研究成果来解决计算机视觉问题已经成为一个研究方向。最近，在生物视觉系统和计算机视觉系统中马尔科夫随机场上的贝叶斯推断方法都受到了广泛重视，在计算机视觉领域贝叶斯推断方法可以精确求解许多实际视觉问题，但是其求解存在困难，现有方法需要消耗大量时间，无法应用于实时处理系统中。在生物视觉领域，贝叶斯推断理论可以很好地解释许多生物视觉的发现，说明大脑在处理视觉信息时采用了类似的机制。并且大脑可以快速地对视觉信息进行处理和推断，这说明基于神经网络的并行结构可以快速地实现贝叶斯推断。但是贝叶斯推断的神经网络实现机制尚不明确。基于这些问题本文以高速铁路线路状态视觉检测为背景，针对线路状态视觉检测中的两个核心问题:前景提取和立体匹配，分别提出了两种新的基于贝叶斯推断框架的算法。并建立了可以实现马尔科夫随机场上贝叶斯推断的脉冲耦合神经网络，为求解贝叶斯推断问题和揭示生物视觉系统实现贝叶斯推断提供一种手段。
　　本文首先提出了一种具有较高生物视觉相似性的求解贝叶斯推断的神经网络模型，可以实现一般马尔科随机场上的贝叶斯推断计算，称为神经视觉推断模型。该网络本质上是一个脉冲耦合神经网络，模型以Leaky Integrate-and-Fire(LIF)神经元为基本单元，采用脉冲作为表示和传递信息的方式，神经元之间通过脉冲进行耦合。神经视觉推断模型的贝叶斯推断的计算原理是基于“信任传递”算法。通过神经网络直接实现“信任传递”算法，本文研究了实现“信任传递”算法的神经网络结构，该网络包含信任神经元和消息神经元，分别实现信任和消息的计算。网络采用基于平均脉冲频率的群体编码表示信任和消息，神经元组之间采用固定概率的随机群体连接。仿真实验表明该模型可以有效地实现马尔科夫随机场上的贝叶斯推断。
　　其次，本文在建立神经视觉推断模型基础上针对高速铁路线路状态视觉检测中两个核心问题:前景提取和立体匹配，分别提出了基于马尔科夫随机场上贝叶斯推断框架的算法。在前景提取方面，本文指出了铁路线路异物检测的核心问题是前景提取及背景建模。进而提出了采用贝叶斯推断框架求解前景提取问题的方法。提出了一种新的基于马尔科夫随机场的背景建模的似然概率模型，和一种结合短期和长期背景更新机制的背景更新方法。本文利用广泛使用的测试数据集中的视频对算法进行了测试并与最新发表的算法结果进行了比较，本文提出的算法取得了较好的前景提取效果，并比目前最新算法的提取效果有所提高。在立体匹配算法方面，本文提出了一种基于马尔科夫随机场的匹配方法。该方法利用交叉皮层模型(ICM)建立似然概率模型，并利用视觉推断模型进行求解，模型充分利用了ICM的自动波传播等特性，取得了较好的匹配效果。本文采用常用的测试图像对算法进行了测试，结果表明本文算法可以较好地实现立体匹配，效果好于其它基于神经网络的立体匹配方法。
　　最后，本文构建了基于上述核心算法的高速铁路线路状态视觉检测系统。包括线路异物监测系统和护栏完整性检测系统。介绍了系统的组成、结构和检测方法等。给出了检测系统对现场图像的识别和处理结果，实验结果表明，本文提出的系统可以较为有效地实现高速铁路线路状态的视觉检测。

目录

声明

致谢

摘要

1 绪论

1．1 选题背景与意义

1．2 国内外研究现状

1．2．1 视觉问题的马尔科夫随机场模型与贝叶斯推断

1．2．2 贝叶斯推断的“信任传递”求解算法

1．2．3 贝叶斯推断的神经网络实现

1．2．4 脉冲耦合神经网络

1．2．5 立体匹配研究现状

1．3 论文主要内容与章节安排

2 基于脉冲耦合神经网络的视觉推断模型

2．1 引言

2．2 视觉问题的贝叶斯推断方法

2．2．1 马尔科夫随机场

2．2．2 马尔科夫随机场上的贝叶斯推断

2．2．3 信任传递方法

2．3 神经系统的数学模型

2．4 信任传递的神经电路实现

2．4．1 神经视觉推断模型框架

2．4．2 信任神经元

2．4．3 消息神经元

2．5 实验结果与讨论

2．5．1 简单马尔科夫随机场推断结果

2．5．2 模型的生物相似性

2．6 本章小结

3 基于PCNN视觉推断模型的前景识别算法

3．1 引言

3．2 背景建模

3．2．1 混合高斯模型

3．2．2 核密度估计方法

3．2．3 主成分分析方法

3．3 基于马尔科夫随机场的背景模型

3．3．1 似然概率模型的建立

3．3．2 先验概率模型的建立

3．3．3 参数学习与设定

3．3．4 背景初始化与更新

3．4 基于PCNN视觉推断模型的求解

3．5 数据集实验结果

3．6 在铁路线路异物检测中的应用

3．6．1 总体结构

3．6．2 基于FPGA与嵌入式系统的硬件处理平台

3．6．3 基于单目视觉的异物检测

3．7 在高速铁路护栏完整性检测中的应用

3．7．1 总体结构

3．7．2 护栏完整性检测

3．7．3 实验结果

3．8 本章小结

4 基于PCNN视觉推断模型的立体匹配算法

4．1 引言

4．2 立体匹配

4．2．1 视差空间

4．2．2 局部匹配算法

4．2．3 全局匹配算法

4．3 基于马尔科夫随机场的立体匹配模型

4．3．1 基于ICM的似然概率

4．3．2 先验概率

4．4 基于视觉推断模型的求解

4．5 数据集实验结果

4．6 在铁路线路异物检测中的应用

4．7 本章小结

5 总结与展望

参考文献

作者简历

学位论文数据集