煤矿井下视频运动目标的检测与识别研究

发布时间：2020-07-08 14:58

【摘要】：煤矿井下生产作业环境复杂恶劣,灾难事故时刻威胁国家资产与人员安全,研究矿井安全生产就成了重要课题。论文针对井下监测视频中运动目标的检测和识别问题进行研究,提出了性能与效果较好的运动目标检测识别方法。(1)煤矿井下监测视频图像质量不高,光照、噪声、阴影等条件局限使得单一算法对图像检测效果不好。论文针对井下视频图像检测效果差的问题,提出了一种改进方法:采用混合高斯法建立背景模型,背景差分法检测前景图像,并融合帧间差分法检测的前景图像和Canny边缘检测算子检测填充后的运动物体团块,通过不同的逻辑运算实现目标检测,通过去除阴影和连通域标识的方法优化融合后得出的检测结果。由于融入了边缘检测算子,对光照和噪声不敏感,可消除图像中存在的多光照和噪声。尽管混合高斯背景建模鲁棒性好,但背景更新速度可能跟不上物体突然变化的速度,三帧差分法的背景更新拟补了这个缺陷。实验结果表明该方法有效提高了井下视频图像的检测效果。(2)结合传统的目标检测结果与深度学习算法,基于RFCN(Region-based Fully Convolutional Networks,RFCN)的矿井视频目标识别方法,改进了传统卷积神经网络识别精度不高且容易产生过拟合现象。通过分析与研究深度学习中的网络模型和深度学习RFCN算法,采用谷歌ResNetl01网络结构,使网络层级达到101层从而保证了目标识别精度。本方案采用了残差机制,没有增加运行时间。首先通过实验训练网络模型使之达到满意效果;然后针对在识别中产生的漏检和误检现象,分析其中原因,对难分样本进行二次训练,对网络模型参数进行微调,得到最优的检测识别模型。实验基于Windows平台,利用Python开发语言编程,使用tensorflow开源框架进行模拟训练。通过实验首先验证了融合经典目标检测算法在煤矿井下视频图像中的检测效果有所提升;然后确认了煤矿井下监测视频中包含的运动目标识别和定位效果,并进一步采用矿井下其他视频图像做测试,有较高的识别准确率和较好的鲁棒性。运行时间快,实时性好,解决了深层次的网络结构准确率和实时性难以平衡的问题。
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TD76
【图文】：

智能视频,监测过程,监测系统

当该技术应用于煤矿时，只考虑了温度的影响，在煤矿中有很多影响因素，需结合其他物理量综合考虑，如：矿压、风速、温度等。文献[14]中，作者提出了一种于红外探测原理的被动式红外探测报警系统。该系统能检测矿车内的人体，并能执行警功能。这种基于红外探测技术的井下人员定位确实为矿井的安全生产提供了很大的助。然而，想要进一步获得用于分析其行为的有用信息，还需要其他的技术作为支撑在文献[15]中，作者提出了使用具有单个探测器的红外系统，实现对矿井下单列行走行人的检测和计数。该系统实现了矿工的检测信号与目标数量间一一对应的关系，还识别出人体的进出方向。然而，这种方法只能识别所有单列行走的人，不能识别并排走或无序行走的矿工。针对早期的视频监测系统出现的问题，智能视频监测技术开始发展，它的出现为们解决了人工监测方式带来的缺陷。智能视频监测技术是指使用计算机强大的计算和理功能，应用机器学习及模式识别的相关知识，提取监测视频图像序列中的关键信息以检测、识别、跟踪和理解运动目标的行为。该技术的出现带动了视频监测系统的发进入了第三阶段：数字网络化视频监测系统。图 1.1 显示了基于该技术的智能视频监系统的监测过程。

示意图,帧间差分,示意图

融入小波变换的目标检测和跟踪比改进前的算法提高了检测和跟踪的准确率。文献[22]中，作者提出了使用背景减除法和帧间差分法检测矿井下轨道上的运动目标，特征匹配的方式识别目标，最后采用粒子滤波算法解决多目标的跟踪问题。构成了目标检测、识别、跟踪于一体的监测模型。该方法有效克服了运动目标与背景灰度相似及目标被遮挡的问题，具有较高的精度。1.2.2 目标检测相关研究现状运动目标检测就是将视频序列图像中含有的运动目标运用计算机视觉的相关技术进行分离，区分出运动目标和背景，以获取运动目标的特征，如形状、颜色、纹理等。在运动目标检测中，帧间差分法，光流法，背景减法是最常用的三种检测方法[23]。帧间差分法[24,25]是基于像素的运动目标检测方法，通常将视频图像序列中相邻的两帧或者三帧图像进行差分以获取运动目标。一般将某点像素值在视频序列相邻两帧或者三帧图像中进行差分，得到差分图像的绝对值与预先选定好的阈值进行比较。若大于阈值，说明该点像素值在不同帧图像中差异较大，该点像素属于前景点；否则为背景点。图 1.2 所示为帧间差分法的示意图。

示意图,减法,背景,示意图

1 绪论帧间差分法运算简单，运行时间快。但是，该算法提取的运动目标区域不完整的运动目标存在双影、空洞现象，对光照和噪声比较敏感，而且严重依赖所选间隔和分割阈值[26]。光流法[27-29]的主要任务就是计算光流场。通过比较运动对象和背景之间的运动割运动目标[30]。该算法在不需要预先知道场景的情况下就可以检测到运动对象够适应静态背景和动态背景两种环境。但是该算法对硬件设备提出很高的要求杂，耗时量大，需要特定设备的支持，否则无法达到实时性的要求。因此在实景中，该方法很少被使用。背景减法[31,32]是一种常见的运动目标检测方法，常常应用于固定的摄像机拍摄法首先通过一定的算法提取出视频图像的背景图像，当前帧图像与背景图像差动目标区域[33]。该方法要求运动目标区域与背景图像的像素值具有较大的差异减时差值的绝对值大于一定阈值的，该点像素被划分到运动目标区域中，否则景区域中。图 1.3 所示为背景减法的示意图。

【参考文献】