基于视频的矿井下人员检测方法研究

发布时间：2020-06-27 19:06

【摘要】：煤矿井下生产过程复杂、环境恶劣,严重影响生产持续性和人身安全性,如何加强安全生产,提高预警和事后搜救工作的效率是非常重要的工作。目前,煤矿企业大多数配置了视频监控系统,通过检测视频中的人员目标及其动作,进而实现异常状况的预警和联动控制,对于煤矿安全生产具有重要的意义。矿井环境存在井下光照分布不均、人员目标与背景相似等特殊性。直接使用传统的目标检测方法检测矿井视频中的人员效果不理想,本文针对矿井视频特点,研究其人员检测方法,为后续异常行为分析奠定基础。主要研究内容如下:(1)针对矿井下视频图像照度低、光照不均、人员目标和背景灰度过于相似的情况,提出了基于TD-HF(Time Difference and Haar Feature,简称TD-HF)模型的人员检测方法。该算法融合了时间差分法和基于Haar特征的人体检测算法,时间差分法不易受环境光线的影响,能够减少矿井环境中照度低、光照不均的影响;基于Haar特征的AdaBoost算法一方面能根据大量矿井下的人员样本训练出适合矿井中人员检测的分类器,另一方面能保证在使用分类器进行检测时,检测的平均时间能满足实时性要求。实验结果表明:TD-HF方法与AdaBoost分类器方法相比较,检测率提升了8.80%,误检率降低了69.23%,平均检测时间降低了61.16%。(2)针对TD-HF方法在处理矿井视频时存在人影误检、背景遮挡等方面的问题,提出了基于安全帽特征的井下人员检测方法,通过提取安全帽的轮廓特征和颜色特征来进行人的定位。实验结果表明:基于安全帽特征的检测方法的平均检测率为92.72%,误检率为0.85%,平均检测时间较TD-HF方法降低了74.68%,能快速的检测出安全帽区域。(3)在人员区域检测基础上,进一步研究井下人员动作识别问题,提出了基于CNN-DT(deep Convolutional Neural Network and Dense Trajectory,简称CNN-DT)的人员动作识别方法。CNN-DT方法使用改进的稠密轨迹方法对检测到的人员进行跟踪得到一系列轨迹点的集合,同时利用深度框架学习得到视频的多尺度卷积特征图,结合特征图和稠密轨迹得到表示矿井视频的稠密轨迹的深度特征。选择Fisher Vector将整个视频的稠密轨迹深度特征编码成一个全局特征向量,用线性的SVM分类器进行动作分类。对矿井下人员的五类动作进行实验,样本的总体识别率为90.75%。这里仅研究矿井下基本动作识别,以期为后续研究井下异常行为识别奠定基础。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TD76
【图文】：

技术路线图,论文,组织结构,论文研究

9图 1-1 技术路线图组织结构井下人员检测进行探讨与研究，将论文分为 5 章论，本章介绍了论文研究的背景与意义、国内外与技术路线以及论文的组织结构，其中国内外检测研究现状、基于视频的目标检测研究现状、状。于 TD-HF 模型的矿井下人员检测，本章介绍了 T

图片,样本,样本图,像素

拍摄角度、矿工服饰、实物遮挡等实际中会出现的环境因素。正样本和负样本存放于不同的库中，用于分类器的训练，样本原始大小有 1920×1080、1280×720、848×480 像素等，对用于训练样本进行尺寸调整，正样本统一调整到 20×40 像素。正负样本为了显示方便对原图缩放，部分正样本图片如图 2-2（a）所示，部分负样本图片如图 2-2（b）所示。

【相似文献】