煤礦井下光照不均、照度低且粉塵大、視頻成像夾雜著噪聲,在視頻監(jiān)測時會存在遮擋以及誤檢率高等問題,為保障井下人員安全,基于視頻監(jiān)控信息的運動目標檢測與跟蹤對于煤礦安全生產(chǎn)具有重要意義。論文研究了礦井圖像預處理和運動目標檢測與跟蹤的問題。為了解決礦井視頻監(jiān)控中低照度且圖像模糊問題,采用引導濾波改進Retinex算法獲得不同頻率分量信息,對低頻光照分量進行Gamma校正,而對高頻反射分量用CLAHE增強并去噪,重構(gòu)后的圖增強了圖像細節(jié)輪廓信息,提高了圖像的對比度。在礦工運動目標檢測中為了解決高斯背景建模無法適應(yīng)復雜變化場景問題,通過結(jié)合優(yōu)化后YOLOv2網(wǎng)絡(luò)結(jié)構(gòu),提取目標深度語義特征和淺層表征特征,實現(xiàn)對網(wǎng)絡(luò)模型中不同卷積層輸出特征信息的多特征融合,改善了對小目標礦工及臨近特征的檢測效果和魯棒性。在礦工運動目標跟蹤中為了解決傳統(tǒng)的目標跟蹤算法建模更新速度慢,計算量大且無法滿足實時有效跟蹤等問題,提出了一種改進的不同層次卷積特征融合的孿生神經(jīng)網(wǎng)絡(luò),能夠?qū)碌南嗨频V工人員進行有效跟蹤,在滿足礦工實時跟蹤的條件下且具有較高的跟蹤精度。仿真結(jié)果表明,基于Retinex與CLAHE相融合的增強方法,... 

【文章來源】：西安科技大學陜西省

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

圖２．２?ＭＳＲ算法提取的光照分量和反射分量圖??

?西安科技大學全日制工程碩士學位論文???（ｃ）?ＣＬＡＨＥ算法處理后圖像?（ｄ）本文算法處理后圖像??圖２．４三種算法在燈光昏暗礦井場景下的增強結(jié)果??從原始圖像圖（ａ）中可以看出礦井照度明顯不足，視頻圖像不清晰，圖像成像效果差，??無法明顯區(qū)分出礦井下的工人和井下的作業(yè)工具。經(jīng)過ＭＳＲ處理后的圖像如圖（ｂ）可以??看出，圖像的亮度稍有提高，整體對比度偏低，圖像沒有明顯變化。經(jīng)過ＣＬＡＨＥ算法??處理過的圖像如圖（ｃ）所示，圖像整體亮度得到提升且對比度明顯增強，門框的文字經(jīng)過??處理能夠輕松識別，但增強后的圖像顏色失真嚴重，人眼視覺成像效果差。經(jīng)過本文算??法增強后結(jié)果如圖（ｄ）所示，改進后的算法有效提升了圖像整體的對比度和亮度，視覺成??像效果好，礦工的輪廓清晰可見，門上和墻壁的文字能夠清晰分辨，明顯的區(qū)分出井下??的行人和作業(yè)工具，圖像的質(zhì)量得到有大幅提升。??圖２．５（ａＨｂ）為本文算法在圖像模糊礦井條件下的圖像增強結(jié)果，圖⑷代表原始的??煤礦井下監(jiān)控視頻圖像，圖（ｂ）代表本文算法增強后的圖像。??議??（ａ）原始礦井監(jiān)控圖像?（ｂ）本文算法增強結(jié)果??圖２．５本文算法在井下視頻成像模糊場景下的增強結(jié)果??從井下監(jiān)控視頻圖像（ａ）可得礦井圖像成像模糊，整幅圖像都灰蒙蒙的，行人和背景??對比度不夠明顯。經(jīng)過本文算法處理的結(jié)果如圖（ｂ）所示，圖像的紋理和邊緣細節(jié)信息更??加突出，井下行人的輪廓更加明顯，橫幅的文字能夠辨識，墻壁和地板的細節(jié)相較于原??圖得到有效提升，圖像對比度亮度均有所改善。仿真結(jié)果表明，井下視頻信息經(jīng)過本文??算法增強后，能夠滿足監(jiān)控人員的視覺需求，為礦工井下安全生產(chǎn)奠定了基矗??１

?２礦井視頻圖像預處理???圖２．６（ａ）？（ｄ）為三種算法在有光暈礦井場景下的圖像增強結(jié)果，圖⑻代表原始的煤??礦井下監(jiān)控視頻圖像，圖（ｂ）代表經(jīng)過ＭＳＲ算法處理后的圖像，圖（ｃ）代表經(jīng)過ＣＬＡＨＥ??算法處理后圖像，圖（ｄ）代表經(jīng)過本文算法處理后的圖像。??（ａ）原始礦井場景圖像?（ｂ）ＭＳＲ算法處理后圖像??ＢＭＭ??（ｃ）?ＣＬＡＨＥ算法處理后圖像?（ｄ）本文算法處理后圖像??圖２．６三種算法在有光暈礦井場景下的增強結(jié)果??從未增強的原始井下圖像（ａ）中能夠得出，井下光照極度不均勻，圖像整體對比度低??且存在光暈現(xiàn)象，礦工和燈光照射背景融為一體，無法區(qū)分出井下的行人。經(jīng)過ＭＳＲ??算法處理后的圖像（ｂ），圖像亮度有所提高，但是圖像整體比較模糊就像覆蓋了一層薄霧，??井下行人依然無法有效區(qū)分，視頻圖像不清晰，成像視覺效果差。經(jīng)過ＣＬＡＨＥ算法處??理過的圖像如圖（Ｃ）所示，對比原始的礦井圖像，亮度明顯提升，井下行人能夠輕松識別，??但增強后的圖像顏色失真較為嚴重，視覺成像效果差。經(jīng)過本文算法處理后圖像（ｄ）與原??始圖像對比，圖像（ｄ）整體的亮度、對比度明顯提升，更符合人眼視覺特性。礦工的輪廓??和井下皮帶機能夠清晰可見，行人和背景能夠有效區(qū)分，圖像的質(zhì)量得到的大幅提升。??圖２．７（ａ）？（ｆ）為本文算法在燈光昏暗且有光暈礦井條件下的圖像增強結(jié)果，圖（ａ）？（Ｃ）??代表原始井下監(jiān)控視頻場景，圖（ｄ）￣（ｆ）代表本文算法增強后的圖像。??１７??

【參考文獻】：
期刊論文
[1]基于YOLO的自然場景傾斜文本定位方法研究[J]. 周翔宇,高仲合.  計算機工程與應(yīng)用. 2020(09)
[2]一種煤礦井下低照度圖像增強算法[J]. 王洪棟,郭偉東,朱美強,雷萌.  工礦自動化. 2019(11)
[3]基于YOLO和排斥力損失函數(shù)的行人檢測方法[J]. 周莉莉,段鵬,葉智慧,張靜敏.  云南民族大學學報(自然科學版). 2019(06)
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的運動目標檢測方法[J]. 盧裕秋,孫金玉,馬世偉.  系統(tǒng)仿真學報. 2019(11)
[5]基于彩色加權(quán)引導濾波-Retinex算法的導航圖像增強[J]. 許鳳麟,苗玉彬,張銘.  上海交通大學學報. 2019(08)
[6]基于DCNN的井下行人監(jiān)測方法研究[J]. 張應(yīng)團,李濤,鄭嘉祺.  計算機與數(shù)字工程. 2019(08)
[7]基于yolo算法的目標識別[J]. 賈金寸,劉猛,邵龍闖.  中國新通信. 2019(16)
[8]基于改進YOLO v2的船舶目標檢測方法[J]. 于洋,李世杰,陳亮,劉韻婷.  計算機科學. 2019(08)
[9]Retinex自適應(yīng)反射分量估計和對數(shù)圖像處理減法后處理的低照度圖像增強[J]. 潘衛(wèi)瓊,涂娟娟,干宗良,劉峰.  計算機科學. 2019(08)
[10]基于物聯(lián)網(wǎng)的可融合性煤礦監(jiān)控系統(tǒng)研究[J]. 賀耀宜,王海波.  工礦自動化. 2019(08)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的端到端的高速追蹤算法研究[D]. 何智群.北京郵電大學 2019
[2]煤礦井下運動目標檢測與跟蹤研究[D]. 鄒斐.西安科技大學 2018



本文編號：2922145