發(fā)布時(shí)間：2020-07-08 14:58

【摘要】：煤礦井下生產(chǎn)作業(yè)環(huán)境復(fù)雜惡劣,災(zāi)難事故時(shí)刻威脅國家資產(chǎn)與人員安全,研究礦井安全生產(chǎn)就成了重要課題。論文針對井下監(jiān)測視頻中運(yùn)動目標(biāo)的檢測和識別問題進(jìn)行研究,提出了性能與效果較好的運(yùn)動目標(biāo)檢測識別方法。(1)煤礦井下監(jiān)測視頻圖像質(zhì)量不高,光照、噪聲、陰影等條件局限使得單一算法對圖像檢測效果不好。論文針對井下視頻圖像檢測效果差的問題,提出了一種改進(jìn)方法:采用混合高斯法建立背景模型,背景差分法檢測前景圖像,并融合幀間差分法檢測的前景圖像和Canny邊緣檢測算子檢測填充后的運(yùn)動物體團(tuán)塊,通過不同的邏輯運(yùn)算實(shí)現(xiàn)目標(biāo)檢測,通過去除陰影和連通域標(biāo)識的方法優(yōu)化融合后得出的檢測結(jié)果。由于融入了邊緣檢測算子,對光照和噪聲不敏感,可消除圖像中存在的多光照和噪聲。盡管混合高斯背景建模魯棒性好,但背景更新速度可能跟不上物體突然變化的速度,三幀差分法的背景更新擬補(bǔ)了這個(gè)缺陷。實(shí)驗(yàn)結(jié)果表明該方法有效提高了井下視頻圖像的檢測效果。(2)結(jié)合傳統(tǒng)的目標(biāo)檢測結(jié)果與深度學(xué)習(xí)算法,基于RFCN(Region-based Fully Convolutional Networks,RFCN)的礦井視頻目標(biāo)識別方法,改進(jìn)了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)識別精度不高且容易產(chǎn)生過擬合現(xiàn)象。通過分析與研究深度學(xué)習(xí)中的網(wǎng)絡(luò)模型和深度學(xué)習(xí)RFCN算法,采用谷歌ResNetl01網(wǎng)絡(luò)結(jié)構(gòu),使網(wǎng)絡(luò)層級達(dá)到101層從而保證了目標(biāo)識別精度。本方案采用了殘差機(jī)制,沒有增加運(yùn)行時(shí)間。首先通過實(shí)驗(yàn)訓(xùn)練網(wǎng)絡(luò)模型使之達(dá)到滿意效果;然后針對在識別中產(chǎn)生的漏檢和誤檢現(xiàn)象,分析其中原因,對難分樣本進(jìn)行二次訓(xùn)練,對網(wǎng)絡(luò)模型參數(shù)進(jìn)行微調(diào),得到最優(yōu)的檢測識別模型。實(shí)驗(yàn)基于Windows平臺,利用Python開發(fā)語言編程,使用tensorflow開源框架進(jìn)行模擬訓(xùn)練。通過實(shí)驗(yàn)首先驗(yàn)證了融合經(jīng)典目標(biāo)檢測算法在煤礦井下視頻圖像中的檢測效果有所提升;然后確認(rèn)了煤礦井下監(jiān)測視頻中包含的運(yùn)動目標(biāo)識別和定位效果,并進(jìn)一步采用礦井下其他視頻圖像做測試,有較高的識別準(zhǔn)確率和較好的魯棒性。運(yùn)行時(shí)間快,實(shí)時(shí)性好,解決了深層次的網(wǎng)絡(luò)結(jié)構(gòu)準(zhǔn)確率和實(shí)時(shí)性難以平衡的問題。
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TD76
【圖文】：

當(dāng)該技術(shù)應(yīng)用于煤礦時(shí)，只考慮了溫度的影響，在煤礦中有很多影響因素，需結(jié)合其他物理量綜合考慮，如：礦壓、風(fēng)速、溫度等。文獻(xiàn)[14]中，作者提出了一種于紅外探測原理的被動式紅外探測報(bào)警系統(tǒng)。該系統(tǒng)能檢測礦車內(nèi)的人體，并能執(zhí)行警功能。這種基于紅外探測技術(shù)的井下人員定位確實(shí)為礦井的安全生產(chǎn)提供了很大的助。然而，想要進(jìn)一步獲得用于分析其行為的有用信息，還需要其他的技術(shù)作為支撐在文獻(xiàn)[15]中，作者提出了使用具有單個(gè)探測器的紅外系統(tǒng)，實(shí)現(xiàn)對礦井下單列行走行人的檢測和計(jì)數(shù)。該系統(tǒng)實(shí)現(xiàn)了礦工的檢測信號與目標(biāo)數(shù)量間一一對應(yīng)的關(guān)系，還識別出人體的進(jìn)出方向。然而，這種方法只能識別所有單列行走的人，不能識別并排走或無序行走的礦工。針對早期的視頻監(jiān)測系統(tǒng)出現(xiàn)的問題，智能視頻監(jiān)測技術(shù)開始發(fā)展，它的出現(xiàn)為們解決了人工監(jiān)測方式帶來的缺陷。智能視頻監(jiān)測技術(shù)是指使用計(jì)算機(jī)強(qiáng)大的計(jì)算和理功能，應(yīng)用機(jī)器學(xué)習(xí)及模式識別的相關(guān)知識，提取監(jiān)測視頻圖像序列中的關(guān)鍵信息以檢測、識別、跟蹤和理解運(yùn)動目標(biāo)的行為。該技術(shù)的出現(xiàn)帶動了視頻監(jiān)測系統(tǒng)的發(fā)進(jìn)入了第三階段：數(shù)字網(wǎng)絡(luò)化視頻監(jiān)測系統(tǒng)。圖 1.1 顯示了基于該技術(shù)的智能視頻監(jiān)系統(tǒng)的監(jiān)測過程。

融入小波變換的目標(biāo)檢測和跟蹤比改進(jìn)前的算法提高了檢測和跟蹤的準(zhǔn)確率。文獻(xiàn)[22]中，作者提出了使用背景減除法和幀間差分法檢測礦井下軌道上的運(yùn)動目標(biāo)，特征匹配的方式識別目標(biāo)，最后采用粒子濾波算法解決多目標(biāo)的跟蹤問題。構(gòu)成了目標(biāo)檢測、識別、跟蹤于一體的監(jiān)測模型。該方法有效克服了運(yùn)動目標(biāo)與背景灰度相似及目標(biāo)被遮擋的問題，具有較高的精度。1.2.2 目標(biāo)檢測相關(guān)研究現(xiàn)狀運(yùn)動目標(biāo)檢測就是將視頻序列圖像中含有的運(yùn)動目標(biāo)運(yùn)用計(jì)算機(jī)視覺的相關(guān)技術(shù)進(jìn)行分離，區(qū)分出運(yùn)動目標(biāo)和背景，以獲取運(yùn)動目標(biāo)的特征，如形狀、顏色、紋理等。在運(yùn)動目標(biāo)檢測中，幀間差分法，光流法，背景減法是最常用的三種檢測方法[23]。幀間差分法[24,25]是基于像素的運(yùn)動目標(biāo)檢測方法，通常將視頻圖像序列中相鄰的兩幀或者三幀圖像進(jìn)行差分以獲取運(yùn)動目標(biāo)。一般將某點(diǎn)像素值在視頻序列相鄰兩幀或者三幀圖像中進(jìn)行差分，得到差分圖像的絕對值與預(yù)先選定好的閾值進(jìn)行比較。若大于閾值，說明該點(diǎn)像素值在不同幀圖像中差異較大，該點(diǎn)像素屬于前景點(diǎn)；否則為背景點(diǎn)。圖 1.2 所示為幀間差分法的示意圖。

1 緒論幀間差分法運(yùn)算簡單，運(yùn)行時(shí)間快。但是，該算法提取的運(yùn)動目標(biāo)區(qū)域不完整的運(yùn)動目標(biāo)存在雙影、空洞現(xiàn)象，對光照和噪聲比較敏感，而且嚴(yán)重依賴所選間隔和分割閾值[26]。光流法[27-29]的主要任務(wù)就是計(jì)算光流場。通過比較運(yùn)動對象和背景之間的運(yùn)動割運(yùn)動目標(biāo)[30]。該算法在不需要預(yù)先知道場景的情況下就可以檢測到運(yùn)動對象夠適應(yīng)靜態(tài)背景和動態(tài)背景兩種環(huán)境。但是該算法對硬件設(shè)備提出很高的要求雜，耗時(shí)量大，需要特定設(shè)備的支持，否則無法達(dá)到實(shí)時(shí)性的要求。因此在實(shí)景中，該方法很少被使用。背景減法[31,32]是一種常見的運(yùn)動目標(biāo)檢測方法，常常應(yīng)用于固定的攝像機(jī)拍攝法首先通過一定的算法提取出視頻圖像的背景圖像，當(dāng)前幀圖像與背景圖像差動目標(biāo)區(qū)域[33]。該方法要求運(yùn)動目標(biāo)區(qū)域與背景圖像的像素值具有較大的差異減時(shí)差值的絕對值大于一定閾值的，該點(diǎn)像素被劃分到運(yùn)動目標(biāo)區(qū)域中，否則景區(qū)域中。圖 1.3 所示為背景減法的示意圖。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 邵承;;基于視頻的車輛檢測與跟蹤算法綜述[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2014年35期

2 田仙仙;鮑泓;徐成;;一種改進(jìn)HOG特征的行人檢測算法[J];計(jì)算機(jī)科學(xué);2014年09期

3 賈建英;;淺談視頻圖像序列運(yùn)動目標(biāo)的檢測方法[J];信息通信;2014年03期

4 袁國武;陳志強(qiáng);龔健;徐丹;廖仁健;何俊遠(yuǎn);;一種結(jié)合光流法與三幀差分法的運(yùn)動目標(biāo)檢測算法[J];小型微型計(jì)算機(jī)系統(tǒng);2013年03期

5 吳君欽;劉昊;羅勇;;圖像融合的運(yùn)動目標(biāo)檢測算法研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年12期

6 文學(xué)志;方巍;鄭鈺輝;;一種基于類Haar特征和改進(jìn)AdaBoost分類器的車輛識別算法[J];電子學(xué)報(bào);2011年05期

7 張俊根;姬紅兵;;高斯混合粒子PHD濾波被動測角多目標(biāo)跟蹤[J];控制與決策;2011年03期

8 陳軍;徐友春;彭永勝;趙玉凡;;基于道路特征的車載相機(jī)標(biāo)定動態(tài)補(bǔ)償算法[J];機(jī)械工程學(xué)報(bào);2010年20期

9 林燕;陳建華;;自適應(yīng)高斯混合背景建模算法的改進(jìn)[J];福建電腦;2008年11期

10 王仁龍;;國內(nèi)煤礦井下人員定位系統(tǒng)現(xiàn)狀探討[J];水力采煤與管道運(yùn)輸;2008年03期

相關(guān)會議論文 前1條

1 王建國;;我國煤礦安全科技現(xiàn)狀及發(fā)展方向[A];中國科協(xié)2005年學(xué)術(shù)年會第20分會場論文集[C];2005年

相關(guān)博士學(xué)位論文 前2條

1 趙謙;煤礦井下動態(tài)目標(biāo)視頻監(jiān)測圖像處理研究[D];西安科技大學(xué);2014年

2 張謝華;煤礦智能視頻監(jiān)控系統(tǒng)關(guān)鍵技術(shù)的研究[D];中國礦業(yè)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 馬驍;基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割[D];中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所);2018年

2 張陽;基于視頻分析的智能監(jiān)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];西安科技大學(xué);2018年

3 李巖松;基于數(shù)據(jù)融合的瓦斯危險(xiǎn)程度預(yù)測研究[D];西安科技大學(xué);2018年

4 楊潔;基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測研究[D];南華大學(xué);2018年

5 程嘉暉;基于深度卷積神經(jīng)網(wǎng)絡(luò)的飛行器圖像識別算法研究[D];浙江大學(xué);2017年

6 林英男;基于標(biāo)識的雙目視覺室內(nèi)定位算法研究[D];哈爾濱工業(yè)大學(xué);2017年

7 莊秀麗;煤礦井巷環(huán)境下的機(jī)器人障礙識別研究[D];中國礦業(yè)大學(xué);2016年

8 余小波;基于礦山物聯(lián)網(wǎng)的移動視頻監(jiān)控系統(tǒng)關(guān)鍵技術(shù)研究[D];浙江大學(xué);2016年

9 陳鴻翔;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割[D];浙江大學(xué);2016年

10 謝愛玲;井下運(yùn)動目標(biāo)跟蹤及預(yù)警方法研究[D];西安科技大學(xué);2015年

本文編號：2746688