我國能源結(jié)構(gòu)特點決定了煤炭是主要能源,煤炭安全生產(chǎn)也一直是國家強(qiáng)調(diào)的重大問題,將智能監(jiān)控技術(shù)深入應(yīng)用在煤礦生產(chǎn)中是預(yù)防和緩解煤礦事故的有效途徑之一。對監(jiān)控視頻數(shù)據(jù)進(jìn)行場景分類,不僅可以為視頻監(jiān)控工作提供有價值的參考信息,而且能夠提高監(jiān)控結(jié)果的準(zhǔn)確率,為下一步場景異常情況排查提供基礎(chǔ)。本文以礦井視頻數(shù)據(jù)為研究對象,針對具有復(fù)雜背景的場景視頻圖像分類問題進(jìn)行研究,主要工作和創(chuàng)新點如下:（1）由于礦井圖像存在噪聲多、對比度差、光照不均等問題,導(dǎo)致礦井視頻圖像質(zhì)量較差,嚴(yán)重影響了礦井場景分類的準(zhǔn)確性,因此提出一種基于對比度受限反饋函數(shù)的煤礦井下視頻圖像增強(qiáng)算法。該算法首先結(jié)合加權(quán)平均法和中值濾波對圖像進(jìn)行灰度化和去噪預(yù)處理;然后通過對比度受限反饋函數(shù)對圖像對比度進(jìn)行限幅增強(qiáng),并調(diào)節(jié)圖像的灰度級,使圖像層次更豐富。實驗結(jié)果表明,該算法可以有效改善煤礦井下視頻圖像失真情況,使圖像層次豐富清晰,且具有較快的處理速度。（2）為了對礦井視頻的場景進(jìn)行準(zhǔn)確分類,設(shè)計出一種基于AlexNet和LSTM相結(jié)合的煤礦井下視頻場景分類算法。首先對輸入的數(shù)據(jù)進(jìn)行預(yù)處理,在背景差分法的基礎(chǔ)上對礦井視頻背景進(jìn)行提取。該... 

【文章來源】：西安科技大學(xué)陜西省

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

深度神經(jīng)網(wǎng)絡(luò)發(fā)展圖

圖 2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖卷積神經(jīng)網(wǎng)絡(luò)中，圖像作為輸入數(shù)據(jù)被看作神經(jīng)元，并在被賦予一個權(quán)值個偏置量，通過對輸入數(shù)據(jù)做卷積運(yùn)算獲得卷積層的特征圖像，卷積運(yùn)算相對應(yīng)，而且處理過程中卷積核的選擇也很重要。然后對經(jīng)過卷積操作的加權(quán)，再加上一個偏置量，達(dá)到特征稀疏的效果。最后，將經(jīng)過卷積和池果輸入全連接層，并通過選取合適的激活函數(shù)對輸入數(shù)據(jù)進(jìn)行最終分類。經(jīng)網(wǎng)絡(luò)中的一些概念進(jìn)行簡要介紹：) 卷積(Convolution)：卷積中的處理通過選取合適的卷積核在輸入圖像上，卷積操作不僅對圖像的維數(shù)進(jìn)行了拓展，亦提高了學(xué)習(xí)所得特征的魯棒的降低網(wǎng)絡(luò)模型中不必要的權(quán)值連接是卷積運(yùn)算的關(guān)鍵任務(wù)。) 池化(Pooling)：池化層主要從兩個方面對圖像數(shù)據(jù)進(jìn)行降采樣，一方面圖像的尺寸來使模型的復(fù)雜度降低；另一方面通過壓縮特征圖中的特征信征進(jìn)行提取。過池化層對卷積得到的特征進(jìn)行壓縮，不僅大大減少了計算量，而且特征變性也很好，從而有效抑制網(wǎng)絡(luò)模型的過擬合問題[44-45]。在選擇池化方法

最大池化

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的井下人員目標(biāo)檢測[J]. 唐士宇,朱艾春,張賽,曹青峰,崔冉,華鋼.  工礦自動化. 2018(11)
[2]基于圖像融合技術(shù)的Retinex圖像增強(qiáng)算法[J]. 常戩,劉旺,白佳弘.  計算機(jī)工程與科學(xué). 2018(09)
[3]基于對比度增強(qiáng)與小波變換相結(jié)合的紅外與可見光圖像融合算法[J]. 涂一枝,郭立強(qiáng).  淮陰師范學(xué)院學(xué)報(自然科學(xué)版). 2018(03)
[4]一種多特征融合的場景分類方法[J]. 李志欣,李艷紅,張燦龍.  小型微型計算機(jī)系統(tǒng). 2018(05)
[5]自適應(yīng)雙邊濾波的Retinex圖像增強(qiáng)算法[J]. 李大軍,杜神斌,郭丙軒,聶欣然,楊力偉.  電子技術(shù)應(yīng)用. 2018(03)
[6]一種應(yīng)用小波系數(shù)GSM模型的混合傅里葉-小波電纜瓷套終端紅外圖像去噪方法[J]. 吳炬卓,牛海清,張煌,許佳.  電測與儀表. 2018(04)
[7]圖像場景識別中深度學(xué)習(xí)方法綜述[J]. 宋杰,孟朝暉.  計算機(jī)測量與控制. 2018(01)
[8]一種改進(jìn)煤礦內(nèi)因火災(zāi)危險性評價方法[J]. 蘆慶和,許猛堂,劉萍,穆靜強(qiáng),劉義宗.  煤礦安全. 2018(01)
[9]基于小波變換的圖像增強(qiáng)處理算法的研究[J]. 頊聰,陶永鵬.  計算機(jī)與數(shù)字工程. 2017(08)
[10]基于小波變換的圖像融合增強(qiáng)算法[J]. 高林,趙建輝.  火箭推進(jìn). 2017(04)

碩士論文
[1]基于深度學(xué)習(xí)的場景分類[D]. 張建國.遼寧工業(yè)大學(xué) 2016
[2]基于Retinex的彩色圖像増強(qiáng)算法研究[D]. 魏海鋒.安徽大學(xué) 2015
[3]智能視頻監(jiān)控平臺中運(yùn)動目標(biāo)分類的研究與實現(xiàn)[D]. 顧婷婷.南京郵電大學(xué) 2015



本文編號：3256518