面向化工安全生产的安全帽与异物入侵检测方法研究
发布时间：2021-09-29 22:55
随着社会的进步,安全问题越来越受到人们的关注。基于内容的图像识别分析技术是视频监控系统的重要应用之一。图像识别技术随着计算机技术和模式识别等多学科的发展取得了较大的进步,应用到了多种重要的领域。其中比如公共安全、医疗等领域都有涉及,发展前景非常广阔。特别是在石油化工领域,视频监控系统的需求急速增长。各领域对智能视频监控技术的迫切需要,让图像识别分析技术的相关课题成为近年来智能监控系统的研究热点。安全帽可以在现场作业人员头部遭受坠落物及其他特定因素引起的伤害时起到防护作用,正确佩戴安全帽是一项在化工生产中一直强调的安全规范。为确保生产安全,降低作业风险,化工场所对安全帽的自动检测和佩戴状态识别的报警系统的需求变得越来越迫切,我单位下属化工厂因建设和生产需求,常年需要外来施工检修人员参与工作,而个别外来人员安全意识薄弱,作业过程中不按规定佩戴安全帽,容易出现人身伤害事故。本人作为一名在职研究生,大部分时间在一线参与项目研发和管理,认为一套智能化的安全帽检测和异物入侵检测报警系统不仅能提高现场管理的工作效率,还可以达到提升企业安全管理水平的实际效果。目前对于佩戴安全帽状态的自动识别技术的研究...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
图２．１目标识别算法的基本流程??
?第二章智能视频监控的主要技术???量机在样本较少的分类计算中分类合理性远超其他分类算法。所以，在训练样本??较少的条件下选用分类方法，可具有较好的“鲁棒性”。具体到本文的研宄方向，??在自制样本量有限的情况下，非常适合使用支持向量机作为行人检测分类器。??ｙ?／??个??／／?，?／＜??？？０?ｖ?／?／??？／?／?＾?／??／?ｙ?ｖ－〇??／?，?■??—?—．?■?■?????■－，?ｙ?ｘ??ｖ?＇，?７＾?ｘ??／??图２．５?ＳＶＭ最优分类超平面示意图??Ｆｉｇ．?２．５?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｏｐｔｉｍａｌ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｉｎｔｅｒｆａｃｅ??２．３．３可变形组件模型（ＤＰＭ）??随着模式识别领域的进步，在目标检测识别方面，专家学者们提出了更符合??应用场景需要、更高效的目标检测识别算法。Ｐｅｄｒｏ等人［４８］提出的一种可变形组??件模型（ＤｅｆｏｒｍａｂｌｅＰａｒｔＭｏｄｅｌ）就是其中的代表，在?ＰＡＳＣＡＬＶＯＣ２０１０?上，ＤＰＭ??模型获得了非常高的成绩。可变形组件模型可以看做ＨＯＧ的扩展，并提出了可??变形组件的概念。它将检测目标从目标单一个体检测改进为将目标看做是由多个??组件组成的可形变组件模型检测，从而让每个组件在滑动窗口中变形的适应性能??有了非常好的改进。可变形组件模型的一般训练方式为先从目标中提取ＨＯＧ特??征，构造目标特征金字塔，并通过图像金字塔和滑动窗口方式优化可变形组件模??型。图２．６显示了一个在行人检测中运用可变形组件模型（ＤＰＭ）的可视化示例。??从图中可以看出，该模型包括根滤波器，六
?山东大学硕士学位论文???根位置的空间位置模型的可视化图像。??Ｑ?ＥＢ９?Ｉ９Ｓ６Ｉ?ｍａｓｋ??國?＿＿?＿??真?ｍｍ??？Ｗ?ＢＩＢ?Ｅ麵ｉ?■蠱■??Ｉｔ?＿?圍?＿??图２．６人形目标识别的可变形组件模型??Ｆｉｇ．２．６?Ｄｅｆｏｔｍａｂｌｅ?Ｐａｒｔ?Ｍｏｄｅｌ?ｏｆ?ｐｅｄｅｓｔｒｉａｎ?ｔａｒｇｅｔ?ｒｅｃｏｇｎｉｔｉｏｎ??加入相同类型的目标（例如行人）存在多个形态的变化，ＤＰＭ模型可以用??多个组件模型表示。每个组件模型都含有几个根滤波器和组件滤波器和表示其内??在关心的位置分布模型。根滤波器用来描述模型目标整体的轮廓特征，组件滤波??器的作用是描述目标的各部分的详细特征。位置分布模型的的作用是建立根滤波??器和组件滤波器之间的关系和可变形组件模型形变信息。可以使用相应的根滤波??器通过星型模型来描述对象的不同比例状态。从原理上讲，ＤＰＭ模型基于ＨＯＧ??特征思想，而且改进了传统的ＨＯＧ特征，增加了模板匹配功能。具体来说，为??了光照不变性不发生改变并且目标尺寸不发生形变，ＤＰＭ模型先为图像建立图??像金字塔模型，并使用滑动窗口扫描来获得在不同分辨率级别下的ＨＯＧ特征，??构建一个图像特征金字塔，然后使比例空间的ＨＯＧ特征模板被匹配以执行目标??检测任务。在进行目标检测时，组件滤波器与根滤波器对应的位置是允许变化的。??可变形部分的最优位置分布可以通过ＤＰＭ模型计算得出。通过在不同分辨率下??检测根滤波器与组件滤波器的间的位置，每个滑动检测窗口的取值由根滤波器和??组件滤波器决定。在模型训练期间组件模型的对根模型的位置是一个隐藏变量。??本文通过Ｌａｔｅｎｔ?ＳＶＭ算法，把ＤＰＭ
【参考文献】：
期刊论文
[1]基于深度学习的头盔佩戴自动检测[J]. 张传金,李燕林,张永义,王扩. 电脑编程技巧与维护. 2019(08)
[2]大数据环境下的视频智能分析技术应用研究[J]. 周军,吴旻中,陈鑫,黄松锋,何华铿. 广东公安科技. 2017(01)
[3]浅谈智能视频监控技术及其在安防领域的应用[J]. 左骥. 科技视界. 2017(07)
[4]化工生产过程中的DCS监控系统的应用[J]. 程孟. 化工管理. 2016(28)
[5]施工现场安全帽佩戴情况监控技术研究[J]. 刘云波,黄华. 电子科技. 2015(04)
[6]电网智能化安防监控技术研究[J]. 李文静. 重庆文理学院学报(社会科学版). 2015(02)
[7]一种改进HOG特征的行人检测算法[J]. 田仙仙,鲍泓,徐成. 计算机科学. 2014(09)
[8]基于颜色和纹理特征的显著性检测算法[J]. 张艳邦,陈征,张芬,汪熊,彭朝洋. 计算机应用研究. 2015(01)
[9]肤色检测和Hu矩在安全帽识别中的应用[J]. 刘晓慧,叶西宁. 华东理工大学学报(自然科学版). 2014(03)
[10]铁路防灾监测雷达的应用[J]. 陈建平,何潞. 中国铁路. 2012(03)
博士论文
[1]基于光纤光栅的高陡边坡及危岩落石监测技术与应用研究[D]. 郭永兴.武汉理工大学 2014
[2]基于数学形态学的图像边缘检测和增强算法的研究[D]. 闫海霞.吉林大学 2009
硕士论文
[1]面向工业现场的安全帽检测算法研究[D]. 闫蓉蓉.西安理工大学 2019
[2]自然场景中运动人体行为识别研究[D]. 彭亚男.山东大学 2018
[3]视频监控场景中的群体异常行为检测算法研究[D]. 王梦迪.山东大学 2018
[4]基于改进HOG特征的行人检测算法研究[D]. 贾楚.燕山大学 2016
[5]基于高斯混合模型的运动目标检测[D]. 殷梦妮.哈尔滨工程大学 2012
[6]京沪高速铁路跨越或并行既有铁路施工异物侵限报警技术研究[D]. 王洋.北京交通大学 2010
[7]基于光流的运动目标检测方法研究[D]. 周建锋.哈尔滨工业大学 2009
[8]基于图像处理的铁路道口视频监控系统算法设计[D]. 杨冰梅.西南交通大学 2008
本文编号：3414624
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
图２．１目标识别算法的基本流程??
?第二章智能视频监控的主要技术???量机在样本较少的分类计算中分类合理性远超其他分类算法。所以，在训练样本??较少的条件下选用分类方法，可具有较好的“鲁棒性”。具体到本文的研宄方向，??在自制样本量有限的情况下，非常适合使用支持向量机作为行人检测分类器。??ｙ?／??个??／／?，?／＜??？？０?ｖ?／?／??？／?／?＾?／??／?ｙ?ｖ－〇??／?，?■??—?—．?■?■?????■－，?ｙ?ｘ??ｖ?＇，?７＾?ｘ??／??图２．５?ＳＶＭ最优分类超平面示意图??Ｆｉｇ．?２．５?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｏｐｔｉｍａｌ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｉｎｔｅｒｆａｃｅ??２．３．３可变形组件模型（ＤＰＭ）??随着模式识别领域的进步，在目标检测识别方面，专家学者们提出了更符合??应用场景需要、更高效的目标检测识别算法。Ｐｅｄｒｏ等人［４８］提出的一种可变形组??件模型（ＤｅｆｏｒｍａｂｌｅＰａｒｔＭｏｄｅｌ）就是其中的代表，在?ＰＡＳＣＡＬＶＯＣ２０１０?上，ＤＰＭ??模型获得了非常高的成绩。可变形组件模型可以看做ＨＯＧ的扩展，并提出了可??变形组件的概念。它将检测目标从目标单一个体检测改进为将目标看做是由多个??组件组成的可形变组件模型检测，从而让每个组件在滑动窗口中变形的适应性能??有了非常好的改进。可变形组件模型的一般训练方式为先从目标中提取ＨＯＧ特??征，构造目标特征金字塔，并通过图像金字塔和滑动窗口方式优化可变形组件模??型。图２．６显示了一个在行人检测中运用可变形组件模型（ＤＰＭ）的可视化示例。??从图中可以看出，该模型包括根滤波器，六
?山东大学硕士学位论文???根位置的空间位置模型的可视化图像。??Ｑ?ＥＢ９?Ｉ９Ｓ６Ｉ?ｍａｓｋ??國?＿＿?＿??真?ｍｍ??？Ｗ?ＢＩＢ?Ｅ麵ｉ?■蠱■??Ｉｔ?＿?圍?＿??图２．６人形目标识别的可变形组件模型??Ｆｉｇ．２．６?Ｄｅｆｏｔｍａｂｌｅ?Ｐａｒｔ?Ｍｏｄｅｌ?ｏｆ?ｐｅｄｅｓｔｒｉａｎ?ｔａｒｇｅｔ?ｒｅｃｏｇｎｉｔｉｏｎ??加入相同类型的目标（例如行人）存在多个形态的变化，ＤＰＭ模型可以用??多个组件模型表示。每个组件模型都含有几个根滤波器和组件滤波器和表示其内??在关心的位置分布模型。根滤波器用来描述模型目标整体的轮廓特征，组件滤波??器的作用是描述目标的各部分的详细特征。位置分布模型的的作用是建立根滤波??器和组件滤波器之间的关系和可变形组件模型形变信息。可以使用相应的根滤波??器通过星型模型来描述对象的不同比例状态。从原理上讲，ＤＰＭ模型基于ＨＯＧ??特征思想，而且改进了传统的ＨＯＧ特征，增加了模板匹配功能。具体来说，为??了光照不变性不发生改变并且目标尺寸不发生形变，ＤＰＭ模型先为图像建立图??像金字塔模型，并使用滑动窗口扫描来获得在不同分辨率级别下的ＨＯＧ特征，??构建一个图像特征金字塔，然后使比例空间的ＨＯＧ特征模板被匹配以执行目标??检测任务。在进行目标检测时，组件滤波器与根滤波器对应的位置是允许变化的。??可变形部分的最优位置分布可以通过ＤＰＭ模型计算得出。通过在不同分辨率下??检测根滤波器与组件滤波器的间的位置，每个滑动检测窗口的取值由根滤波器和??组件滤波器决定。在模型训练期间组件模型的对根模型的位置是一个隐藏变量。??本文通过Ｌａｔｅｎｔ?ＳＶＭ算法，把ＤＰＭ
【参考文献】：
期刊论文
[1]基于深度学习的头盔佩戴自动检测[J]. 张传金,李燕林,张永义,王扩. 电脑编程技巧与维护. 2019(08)
[2]大数据环境下的视频智能分析技术应用研究[J]. 周军,吴旻中,陈鑫,黄松锋,何华铿. 广东公安科技. 2017(01)
[3]浅谈智能视频监控技术及其在安防领域的应用[J]. 左骥. 科技视界. 2017(07)
[4]化工生产过程中的DCS监控系统的应用[J]. 程孟. 化工管理. 2016(28)
[5]施工现场安全帽佩戴情况监控技术研究[J]. 刘云波,黄华. 电子科技. 2015(04)
[6]电网智能化安防监控技术研究[J]. 李文静. 重庆文理学院学报(社会科学版). 2015(02)
[7]一种改进HOG特征的行人检测算法[J]. 田仙仙,鲍泓,徐成. 计算机科学. 2014(09)
[8]基于颜色和纹理特征的显著性检测算法[J]. 张艳邦,陈征,张芬,汪熊,彭朝洋. 计算机应用研究. 2015(01)
[9]肤色检测和Hu矩在安全帽识别中的应用[J]. 刘晓慧,叶西宁. 华东理工大学学报(自然科学版). 2014(03)
[10]铁路防灾监测雷达的应用[J]. 陈建平,何潞. 中国铁路. 2012(03)
博士论文
[1]基于光纤光栅的高陡边坡及危岩落石监测技术与应用研究[D]. 郭永兴.武汉理工大学 2014
[2]基于数学形态学的图像边缘检测和增强算法的研究[D]. 闫海霞.吉林大学 2009
硕士论文
[1]面向工业现场的安全帽检测算法研究[D]. 闫蓉蓉.西安理工大学 2019
[2]自然场景中运动人体行为识别研究[D]. 彭亚男.山东大学 2018
[3]视频监控场景中的群体异常行为检测算法研究[D]. 王梦迪.山东大学 2018
[4]基于改进HOG特征的行人检测算法研究[D]. 贾楚.燕山大学 2016
[5]基于高斯混合模型的运动目标检测[D]. 殷梦妮.哈尔滨工程大学 2012
[6]京沪高速铁路跨越或并行既有铁路施工异物侵限报警技术研究[D]. 王洋.北京交通大学 2010
[7]基于光流的运动目标检测方法研究[D]. 周建锋.哈尔滨工业大学 2009
[8]基于图像处理的铁路道口视频监控系统算法设计[D]. 杨冰梅.西南交通大学 2008
本文编号：3414624
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/3414624.html
