矿井图像增强和井下人员检测算法的研究

发布时间：2020-05-23 01:55

【摘要】：煤矿井下环境复杂,存在一些危险区域,人员的误入会对生命造成危害。井下安装着监控系统,通过监控视频检测人员,能够及时发现危险情况并阻止,对于煤炭安全生产意义重大。本文针对煤矿井下图像质量差,低照度,光照不均匀等问题,研究矿井图像增强和井下人员检测算法,主要工作内容与创新如下:(1)针对井下图像光照不均匀,照度低的问题,提出了一种基于同态滤波和Curvelet变换的矿井图像增强算法。该算法使用同态滤波对图像校正,调整图像亮度;采用Curvelet变换对原图和校正后的图像分解,通过基于SML取大的方法融合两者的高频子带,保证图像清晰度,提出局部能量方差积法将两者低频分量融合,更大保留图像视觉信息;利用Curvelet反变换还原图像,并对其进行局部对比度处理,避免对比度下降。实验结果表明,增强效果良好,高亮区域得到了抑制,低亮度区域有所增强。(2)针对矿井人员检测效果不佳,漏检与误检严重的问题,提出一种基于自适应局部相似模型(ALSP)的多特征融合井下人员检测算法。该算法融合图像ALSP特征和灰度共生矩阵(GLCM)特征,针对传统LBP算法对噪声敏感问题,研究自适应局部阈值改进LSP算法,以更好的表征局部纹理特征;同时GLCM描述图像全局纹理特征,将ALSP特征与GLCM特征融合,更能表现图像纹理;再提取图像HOG特征,使用PCA对HOG特征降维,融合HOG特征作为最终特征,使用训练好的SVM分类器对测试图像检测。实验结果表明,本文算法在矿井下有较好的检测效果,且漏检率与误检率都有所降低。
【图文】：

样本,训练分类器,小样本,检测速度

图 4-6 正样本Figure 4-6 Positive sample图 4-7 负样本Figure 4-7 Negative samplesSVM 对于非线性小样本的分类有优势，计算快，可以提高检测速度，因此，本文选择支持向量机 SVM 训练分类器。训练前需要做一些准备工作：将得到的

测试图,小样本,检测速度,样本

44图 4-7 负样本Figure 4-7 Negative samplesSVM 对于非线性小样本的分类有优势，计算快，可以提高检测速度，因此，本文选择支持向量机 SVM 训练分类器。训练前需要做一些准备工作：将得到的正负样本分别放在 pos 和 neg 两个文件夹下，提取样本文件路径并标记正样本为1，负样本为 0，将正样本路径放在 pos.txt 文件里，负样本路径放在 neg.txt 里，读取这两个文件得到图像路径和标记。本章运行环境为 opencv2.4.13+vs2015，测试电脑 CPU 为 2.5GHZ，内存为8GB，SVM 具体训练方法为：分别提取正负样本的 HOG 特征、改进的 LSP 特征、灰度共生矩阵特征，使用 PCA 方法对 HOG 特征降维，使用串行融合方法将上述三个特征融合，最后将得到的新的特征向量使用 SVM 训练得到分类模型。使用测试集进行行人检测，具体检测流程如下：1）使用第三章的图像增强方法对测试图片进行预处理，
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TD76;TP391.41

【参考文献】