【摘要】：煤礦安全生產(chǎn)一直是社會關(guān)注的重點話題,目前大多數(shù)煤礦通過安裝視頻監(jiān)控系統(tǒng)來避免事故發(fā)生�，F(xiàn)有的煤礦監(jiān)控系統(tǒng)主要通過人工分析視頻,導(dǎo)致無法對事故做出及時判斷,雖然有部分煤礦安裝了智能監(jiān)控,但是存在監(jiān)控效率低,誤報率高的問題。因此研究適合于煤礦井下的人員檢測算法,對保障礦工的安全有著重要的作用。煤礦井下光照不均勻且受煤灰等粉塵的干擾,導(dǎo)致監(jiān)控視頻質(zhì)量差、對比度低,影響后續(xù)人形目標檢測效果。為改善這一問題,本文提出了改進的反銳化掩膜圖像增強算法。該算法首先利用雙邊濾波分解源圖像得到高頻圖像;其次通過自適應(yīng)增益函數(shù)放大高頻圖像;最后在源圖像的基礎(chǔ)上融合放大后的高頻圖像達到增強效果。實驗表明,本文算法提高了圖像對比度、完整地保留了源圖像細節(jié)信息,更好地突出了人形目標。針對煤礦井下礦燈照射進監(jiān)控區(qū)域時,誤認為發(fā)生人員入侵而產(chǎn)生警告的問題,本文提出了基于形狀特征的井下人形目標檢測算法。該算法首先增強視頻圖像;其次將混合高斯背景建模法與改進了三幀差分法融合,避免前景目標出現(xiàn)“空洞”現(xiàn)象;最后通過判斷前景輪廓外接矩形寬高比,消除礦燈干擾。實驗表明,本文算法有效去除了礦燈干擾,提高了人形目標檢測率。為了解決人形目標檢測算法在復(fù)雜煤礦環(huán)境中檢測率低的問題,本文采用了基于HOG與LBP特征融合的井下人形目標檢測算法。該算法首先提取樣本的HOG特征和LBP特征,并對HOG特征降維;其次將這兩種特征串行融合,輸入到SVM中訓(xùn)練分類器模型;最后對分類器參數(shù)進行優(yōu)化。實驗表明,本文算法提高了復(fù)雜煤礦環(huán)境中人形目標檢測率,提升了算法的普遍適用性。
【圖文】：

克惴ǎ圇攵云洳蛔閭岢雋爍慕釮姆慈窕，

本文編號：2663824