基于AR的動車組輔助維修系統(tǒng)目標跟蹤算法研究.pdf

1、隨著我國高速鐵路客流量和里程數(shù)的迅速增長，動車組日常維修作業(yè)的工作量逐年激增。如何利用好動車組維修信息，快速、準確、及時地完成動車組的維護工作是保障動車組安全運營的重要任務。本文在研究增強現(xiàn)實(Augmented Reality，簡稱AR)技術的基礎上，提出了基于TLD(Tracking-Learning-Detection，簡稱TLD)的增強現(xiàn)實系統(tǒng)目標跟蹤算法。并設計了CRH380BL動車組增強現(xiàn)實輔助維修系統(tǒng)，實現(xiàn)輔助維修作業(yè)人員

2、完成維修作業(yè)任務，整合維修作業(yè)信息，規(guī)范維修作業(yè)人員的作業(yè)流程，從而提高日常維修作業(yè)的效率。
　　本文在研究基于計算機視覺的目標跟蹤算法基本原理基礎上，結合CRH380BL動車組維修作業(yè)場景的特點，分別進行了系統(tǒng)目標檢測算法、目標跟蹤算法和三維注冊算法的設計。本文的研究重點是如何在保證目標跟蹤結果高準確度的前提下，實現(xiàn)計算過程的高速度。本文完成的工作如下:
　　首先對目標檢測算法進行了研究，提出了使用HOG(Histogra

3、m of OrientedGradient，簡稱HOG)特征檢測算子作為目標跟蹤算法特征檢測算法的方案。通過對現(xiàn)場作業(yè)場景的特征提取實驗，完成了CRH380BL動車組轉向架目標跟蹤的特征提取，并進行了特征匹配實驗，分析了目標檢測算法的優(yōu)缺點。
　　其次通過MATLAB和VS2013混合編程，對基于檢測目標的TLD跟蹤算法進行了改進。并以CRH380BL動車組轉向架更換檢修作業(yè)視頻數(shù)據(jù)為例，實驗驗證了算法的有效性。
　　結合K

4、CF(Kernel Correlation Filter，簡稱KCF)算法完成了面向增強現(xiàn)實系統(tǒng)的TLD-G目標跟蹤算法設計。原始TLD算法更加看重檢測器的檢測結果。由于采用滑動窗方式的檢測器需要處理大量的圖像塊，嚴重影響了實時性。本文利用減小滑動窗口掃描范圍的方法，提高了算法的計算速度。并進行了TLD-G算法的標準數(shù)據(jù)集實驗和CRH380BL動車組轉向架更換檢修作業(yè)視頻數(shù)據(jù)實驗。結果表明，算法的運算速度、精確性和魯棒性均能滿足增強現(xiàn)實