矿井人员目标检测与跟踪研究
发布时间：2020-12-17 13:46
煤矿井下光照不均、照度低且粉尘大、视频成像夹杂着噪声,在视频监测时会存在遮挡以及误检率高等问题,为保障井下人员安全,基于视频监控信息的运动目标检测与跟踪对于煤矿安全生产具有重要意义。论文研究了矿井图像预处理和运动目标检测与跟踪的问题。为了解决矿井视频监控中低照度且图像模糊问题,采用引导滤波改进Retinex算法获得不同频率分量信息,对低频光照分量进行Gamma校正,而对高频反射分量用CLAHE增强并去噪,重构后的图增强了图像细节轮廓信息,提高了图像的对比度。在矿工运动目标检测中为了解决高斯背景建模无法适应复杂变化场景问题,通过结合优化后YOLOv2网络结构,提取目标深度语义特征和浅层表征特征,实现对网络模型中不同卷积层输出特征信息的多特征融合,改善了对小目标矿工及临近特征的检测效果和鲁棒性。在矿工运动目标跟踪中为了解决传统的目标跟踪算法建模更新速度慢,计算量大且无法满足实时有效跟踪等问题,提出了一种改进的不同层次卷积特征融合的孪生神经网络,能够对井下的相似矿工人员进行有效跟踪,在满足矿工实时跟踪的条件下且具有较高的跟踪精度。仿真结果表明,基于Retinex与CLAHE相融合的增强方法,...
【文章来源】：西安科技大学陕西省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２．２?ＭＳＲ算法提取的光照分量和反射分量图??
?西安科技大学全日制工程硕士学位论文???（ｃ）?ＣＬＡＨＥ算法处理后图像?（ｄ）本文算法处理后图像??图２．４三种算法在灯光昏暗矿井场景下的增强结果??从原始图像图（ａ）中可以看出矿井照度明显不足，视频图像不清晰，图像成像效果差，??无法明显区分出矿井下的工人和井下的作业工具。经过ＭＳＲ处理后的图像如图（ｂ）可以??看出，图像的亮度稍有提高，整体对比度偏低，图像没有明显变化。经过ＣＬＡＨＥ算法??处理过的图像如图（ｃ）所示，图像整体亮度得到提升且对比度明显增强，门框的文字经过??处理能够轻松识别，但增强后的图像颜色失真严重，人眼视觉成像效果差。经过本文算??法增强后结果如图（ｄ）所示，改进后的算法有效提升了图像整体的对比度和亮度，视觉成??像效果好，矿工的轮廓清晰可见，门上和墙壁的文字能够清晰分辨，明显的区分出井下??的行人和作业工具，图像的质量得到有大幅提升。??图２．５（ａＨｂ）为本文算法在图像模糊矿井条件下的图像增强结果，图⑷代表原始的??煤矿井下监控视频图像，图（ｂ）代表本文算法增强后的图像。??議??（ａ）原始矿井监控图像?（ｂ）本文算法增强结果??图２．５本文算法在井下视频成像模糊场景下的增强结果??从井下监控视频图像（ａ）可得矿井图像成像模糊，整幅图像都灰蒙蒙的，行人和背景??对比度不够明显。经过本文算法处理的结果如图（ｂ）所示，图像的纹理和边缘细节信息更??加突出，井下行人的轮廓更加明显，横幅的文字能够辨识，墙壁和地板的细节相较于原??图得到有效提升，图像对比度亮度均有所改善。仿真结果表明，井下视频信息经过本文??算法增强后，能够满足监控人员的视觉需求，为矿工井下安全生产奠定了基矗??１
?２矿井视频图像预处理???图２．６（ａ）？（ｄ）为三种算法在有光晕矿井场景下的图像增强结果，图⑻代表原始的煤??矿井下监控视频图像，图（ｂ）代表经过ＭＳＲ算法处理后的图像，图（ｃ）代表经过ＣＬＡＨＥ??算法处理后图像，图（ｄ）代表经过本文算法处理后的图像。??（ａ）原始矿井场景图像?（ｂ）ＭＳＲ算法处理后图像??ＢＭＭ??（ｃ）?ＣＬＡＨＥ算法处理后图像?（ｄ）本文算法处理后图像??图２．６三种算法在有光晕矿井场景下的增强结果??从未增强的原始井下图像（ａ）中能够得出，井下光照极度不均匀，图像整体对比度低??且存在光晕现象，矿工和灯光照射背景融为一体，无法区分出井下的行人。经过ＭＳＲ??算法处理后的图像（ｂ），图像亮度有所提高，但是图像整体比较模糊就像覆盖了一层薄雾，??井下行人依然无法有效区分，视频图像不清晰，成像视觉效果差。经过ＣＬＡＨＥ算法处??理过的图像如图（Ｃ）所示，对比原始的矿井图像，亮度明显提升，井下行人能够轻松识别，??但增强后的图像颜色失真较为严重，视觉成像效果差。经过本文算法处理后图像（ｄ）与原??始图像对比，图像（ｄ）整体的亮度、对比度明显提升，更符合人眼视觉特性。矿工的轮廓??和井下皮带机能够清晰可见，行人和背景能够有效区分，图像的质量得到的大幅提升。??图２．７（ａ）？（ｆ）为本文算法在灯光昏暗且有光晕矿井条件下的图像增强结果，图（ａ）？（Ｃ）??代表原始井下监控视频场景，图（ｄ）￣（ｆ）代表本文算法增强后的图像。??１７??
【参考文献】：
期刊论文
[1]基于YOLO的自然场景倾斜文本定位方法研究[J]. 周翔宇,高仲合. 计算机工程与应用. 2020(09)
[2]一种煤矿井下低照度图像增强算法[J]. 王洪栋,郭伟东,朱美强,雷萌. 工矿自动化. 2019(11)
[3]基于YOLO和排斥力损失函数的行人检测方法[J]. 周莉莉,段鹏,叶智慧,张静敏. 云南民族大学学报(自然科学版). 2019(06)
[4]基于深度卷积神经网络的运动目标检测方法[J]. 卢裕秋,孙金玉,马世伟. 系统仿真学报. 2019(11)
[5]基于彩色加权引导滤波-Retinex算法的导航图像增强[J]. 许凤麟,苗玉彬,张铭. 上海交通大学学报. 2019(08)
[6]基于DCNN的井下行人监测方法研究[J]. 张应团,李涛,郑嘉祺. 计算机与数字工程. 2019(08)
[7]基于yolo算法的目标识别[J]. 贾金寸,刘猛,邵龙闯. 中国新通信. 2019(16)
[8]基于改进YOLO v2的船舶目标检测方法[J]. 于洋,李世杰,陈亮,刘韵婷. 计算机科学. 2019(08)
[9]Retinex自适应反射分量估计和对数图像处理减法后处理的低照度图像增强[J]. 潘卫琼,涂娟娟,干宗良,刘峰. 计算机科学. 2019(08)
[10]基于物联网的可融合性煤矿监控系统研究[J]. 贺耀宜,王海波. 工矿自动化. 2019(08)
硕士论文
[1]基于卷积神经网络的端到端的高速追踪算法研究[D]. 何智群.北京邮电大学 2019
[2]煤矿井下运动目标检测与跟踪研究[D]. 邹斐.西安科技大学 2018
本文编号：2922145
【文章来源】：西安科技大学陕西省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２．２?ＭＳＲ算法提取的光照分量和反射分量图??
?西安科技大学全日制工程硕士学位论文???（ｃ）?ＣＬＡＨＥ算法处理后图像?（ｄ）本文算法处理后图像??图２．４三种算法在灯光昏暗矿井场景下的增强结果??从原始图像图（ａ）中可以看出矿井照度明显不足，视频图像不清晰，图像成像效果差，??无法明显区分出矿井下的工人和井下的作业工具。经过ＭＳＲ处理后的图像如图（ｂ）可以??看出，图像的亮度稍有提高，整体对比度偏低，图像没有明显变化。经过ＣＬＡＨＥ算法??处理过的图像如图（ｃ）所示，图像整体亮度得到提升且对比度明显增强，门框的文字经过??处理能够轻松识别，但增强后的图像颜色失真严重，人眼视觉成像效果差。经过本文算??法增强后结果如图（ｄ）所示，改进后的算法有效提升了图像整体的对比度和亮度，视觉成??像效果好，矿工的轮廓清晰可见，门上和墙壁的文字能够清晰分辨，明显的区分出井下??的行人和作业工具，图像的质量得到有大幅提升。??图２．５（ａＨｂ）为本文算法在图像模糊矿井条件下的图像增强结果，图⑷代表原始的??煤矿井下监控视频图像，图（ｂ）代表本文算法增强后的图像。??議??（ａ）原始矿井监控图像?（ｂ）本文算法增强结果??图２．５本文算法在井下视频成像模糊场景下的增强结果??从井下监控视频图像（ａ）可得矿井图像成像模糊，整幅图像都灰蒙蒙的，行人和背景??对比度不够明显。经过本文算法处理的结果如图（ｂ）所示，图像的纹理和边缘细节信息更??加突出，井下行人的轮廓更加明显，横幅的文字能够辨识，墙壁和地板的细节相较于原??图得到有效提升，图像对比度亮度均有所改善。仿真结果表明，井下视频信息经过本文??算法增强后，能够满足监控人员的视觉需求，为矿工井下安全生产奠定了基矗??１
?２矿井视频图像预处理???图２．６（ａ）？（ｄ）为三种算法在有光晕矿井场景下的图像增强结果，图⑻代表原始的煤??矿井下监控视频图像，图（ｂ）代表经过ＭＳＲ算法处理后的图像，图（ｃ）代表经过ＣＬＡＨＥ??算法处理后图像，图（ｄ）代表经过本文算法处理后的图像。??（ａ）原始矿井场景图像?（ｂ）ＭＳＲ算法处理后图像??ＢＭＭ??（ｃ）?ＣＬＡＨＥ算法处理后图像?（ｄ）本文算法处理后图像??图２．６三种算法在有光晕矿井场景下的增强结果??从未增强的原始井下图像（ａ）中能够得出，井下光照极度不均匀，图像整体对比度低??且存在光晕现象，矿工和灯光照射背景融为一体，无法区分出井下的行人。经过ＭＳＲ??算法处理后的图像（ｂ），图像亮度有所提高，但是图像整体比较模糊就像覆盖了一层薄雾，??井下行人依然无法有效区分，视频图像不清晰，成像视觉效果差。经过ＣＬＡＨＥ算法处??理过的图像如图（Ｃ）所示，对比原始的矿井图像，亮度明显提升，井下行人能够轻松识别，??但增强后的图像颜色失真较为严重，视觉成像效果差。经过本文算法处理后图像（ｄ）与原??始图像对比，图像（ｄ）整体的亮度、对比度明显提升，更符合人眼视觉特性。矿工的轮廓??和井下皮带机能够清晰可见，行人和背景能够有效区分，图像的质量得到的大幅提升。??图２．７（ａ）？（ｆ）为本文算法在灯光昏暗且有光晕矿井条件下的图像增强结果，图（ａ）？（Ｃ）??代表原始井下监控视频场景，图（ｄ）￣（ｆ）代表本文算法增强后的图像。??１７??
【参考文献】：
期刊论文
[1]基于YOLO的自然场景倾斜文本定位方法研究[J]. 周翔宇,高仲合. 计算机工程与应用. 2020(09)
[2]一种煤矿井下低照度图像增强算法[J]. 王洪栋,郭伟东,朱美强,雷萌. 工矿自动化. 2019(11)
[3]基于YOLO和排斥力损失函数的行人检测方法[J]. 周莉莉,段鹏,叶智慧,张静敏. 云南民族大学学报(自然科学版). 2019(06)
[4]基于深度卷积神经网络的运动目标检测方法[J]. 卢裕秋,孙金玉,马世伟. 系统仿真学报. 2019(11)
[5]基于彩色加权引导滤波-Retinex算法的导航图像增强[J]. 许凤麟,苗玉彬,张铭. 上海交通大学学报. 2019(08)
[6]基于DCNN的井下行人监测方法研究[J]. 张应团,李涛,郑嘉祺. 计算机与数字工程. 2019(08)
[7]基于yolo算法的目标识别[J]. 贾金寸,刘猛,邵龙闯. 中国新通信. 2019(16)
[8]基于改进YOLO v2的船舶目标检测方法[J]. 于洋,李世杰,陈亮,刘韵婷. 计算机科学. 2019(08)
[9]Retinex自适应反射分量估计和对数图像处理减法后处理的低照度图像增强[J]. 潘卫琼,涂娟娟,干宗良,刘峰. 计算机科学. 2019(08)
[10]基于物联网的可融合性煤矿监控系统研究[J]. 贺耀宜,王海波. 工矿自动化. 2019(08)
硕士论文
[1]基于卷积神经网络的端到端的高速追踪算法研究[D]. 何智群.北京邮电大学 2019
[2]煤矿井下运动目标检测与跟踪研究[D]. 邹斐.西安科技大学 2018
本文编号：2922145
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/2922145.html
