一种煤矿井下监控视频图像预处理方法

针对煤矿井下照度低、粉尘大、强光干扰多而导致监控视频图像模糊、容易出现目标检测失误等问题,提出了一种煤矿井下监控视频图像预处理方法。引入直方图均衡化算法将灰度值从集中在某段灰度级区域的非均匀分布状态变换为均匀分布状态,扩展像素灰度值的动态范围;采用多特征判断法即通过灰度阈值、差分阈值、尺寸阈值3个方面判断检测到的目标是否为光斑。实验结果表明,该方法能有效增强图像对比度,改善图像质量,识别并滤除光斑,从而提高目标检测的有效性。

小波变换域井下视频监控图像改进阈值去噪方法

通过对井下视频监控系统实时采集的各类开采、地质环境信息进行有效分析,可为制定井下开采方案以及进行灾害救援提供准确依据。由于井下光照不均匀,粉尘较多,严重干扰了监控探头获取高质量的监控图像。为此,结合小波变换方法,提出了一种小波变换域改进阈值去噪方法。该方法首先对井下视频监控图像进行3层小波分解,得到低频和高频分解系数;其次对低频分解系数进行重构,得到空间域背景图像,采用维纳滤波算法进行处理,以去除其中存在的少量噪声;然后根据经典小波硬、软阈值去噪模型的不足,提出了一种改进型阈值去噪模型,该模型可分别根据不同的高频分解系数自适应设定阈值,可有效去除不同分解层高频系数中的噪声,对去噪后的各高频分解系数进行重构,得到空间域细节图像;最后,分别将去噪后的空间域背景图像和细节图像进行叠加,得到去噪后的井下视频监控图像。采用1幅内蒙古某煤矿井下视频监控图像进行试验,并引入了经典小波硬、软阈值去噪模型及2类已有的改进型阈值去噪模型与所提方法进行试验对比,结果表明,所提方法不仅可有效去除井下视频监控图像中的噪声,而且可保持图像细节信息完整性。

井下视频监控系统容量问题分析

针对基于无线Mesh网络的井下视频监控系统采用多跳传输技术导致系统容量降低、信号带宽下降等问题,提出在无线Mesh网络中采用多输入多输出技术来提高系统容量,并对多输入多输出系统的容量进行了分析和仿真验证。Matlab仿真结果表明,多输入多输出技术可以在不增加带宽的情况下有效地提高系统容量,解决了井下视频多跳传输过程中带宽下降的问题,从而提高了井下视频实时传输质量。

井下网络智能视频监控系统的研究与实现

随着计算机应用在各行各业的逐步普及,视频监控技术在煤炭工业中得到了广泛应用,已成为煤矿安全生产和管理的重要技术手段之一,基于网络的智能视频监控技术已成为矿用视频监控系统发展的必然趋势。重点说明了以智能视频分析技术为核心的视频监控系统的基本原理,分析了其总体结构,并对监控系统进行了初步的设计与实现。

融合中值滤波与小波软阈值去噪模型的新元矿视频监控图像滤波方法

井下视频监控系统的应用对于实时获取井下生产进度、机电设备运行状况等信息,及时有效开展井下应急救援工作发挥了重要作用,但井下光照不均匀、空气中大量粉尘导致监控系统获取的图像较模糊,影响了对井下各类信息进行有效采集和分析。以新元矿井下视频监控系统为例,将中值滤波算法与小波软阈值去噪模型相结合,提出了一种井下视频图像滤波方法。该方法预先对原始视频图像进行3层小波变换,对获取的低频小波系数和高频小波系数分别进行逆变换,得到3幅低频图像和3幅高频图像;针对低频图像,采用融合噪声判别准则的改进中值滤波算法进行去噪;对于高频图像采用改进型小波软阈值去噪模型进行处理。在此基础上,将滤波后的低频和高频图像进行融合,实现对视频图像的高效滤波。采用该矿井下两幅视频图像对所提方法进行试验,并与中值滤波算法、小波硬阈值去噪模型、小波软阈值去噪模型进行对比分析,结果表明,所提算法处理后的图像清晰度明显优于其余3类算法,且该方法耗时较短,适合于高效处理井下视频监控图像。

基于边云协同框架的煤矿井下实时视频处理系统

目前煤矿井下智能视频监控主要采用云计算方式处理实时视频,视频传输占用的网络资源多,时延高,无法实时响应监控区域发生的紧急事件。针对该问题,提出了基于边云协同框架的煤矿井下实时视频处理系统,将实时性强的目标识别任务下放至边缘端,将计算量大且实时性弱的边缘设备整合等任务放至云端处理。在视频监控现场,利用部署在边缘设备上的神经网络模型对视频监控图像进行本地处理;通过井下异构融合网络将不同网络环境中边缘设备的处理结果和模型参数等信息发送给云服务器;云服务器针对性地对各场景中的边缘设备进行模型更新、推送,最终实现边云数据实时交互和边缘端服务的在线优化。针对目标检测模型Tiny-YOLOv3无法提取到图片的深层特征、易出现梯度消失和过拟合现象等问题,依据残差结构设计了下采样残差模块,对Tiny-YOLOv3进行改进,以提高模型的深度特征提取和泛化能力。在边云数据交互的基础上,对边缘设备上的目标检测模型进行针对性场景优化,以提高边缘设备端模型检测的准确率。测试结果表明:改进型Tiny-YOLOv3模型的稳定性与数据泛化能力优于YOLO和Tiny-YOLOv3;经过单一场景的特化训练后,改进型Tiny-YOLOv3模型的目标识别更加精准;与云计算相比,边云协同框架可显著降低监控视频处理时延。

基于改进加速鲁棒特征的井下视频拼接算法

针对加速鲁棒特征算法用于井下视频拼接时实时性不高的问题,通过降低特征点维度和仅在感兴趣区域提取特征点来改进加速鲁棒特征算法,在此基础上提出了一种井下视频拼接算法。首先,利用改进的加速鲁棒特征算法提取视频图像特征点;然后,动态追踪特征点数量,若非首帧图像特征点数量变化超过阈值,则重新进行特征点配准、提纯,以及投影变换矩阵计算及存储处理,否则采用前一帧图像所得的投影变换矩阵;最后,采用渐入渐出加权平均法进行图像融合处理,完成视频拼接。实验结果表明,基于改进加速鲁棒特征的井下视频拼接算法实时性高,拼接效果较好。

基于改进混合高斯模型的井下目标检测算法

煤矿井下监控视频图像质量差、噪点多、光照易突变,采用传统混合高斯模型进行目标检测存在运行速度慢、算法复杂度高、易受光照影响等问题。针对该问题,提出了一种基于改进混合高斯模型的井下目标检测算法。使用改进的暗通道去雾算法对井下图像进行预处理,对井下雾图的缩略图求暗通道图,并采用双线性插值得到去雾图像;在混合高斯模型的基础上,使用改进的块建模策略降低建模复杂度,提高算法运行速度;结合三帧差分法,根据图像前景所占比例对高斯建模前期和建模后期设定不同的学习率,以抑制光照对目标检测的影响,提高建模速度和准确度。实验结果表明,当光照发生突变时,该算法能较好地描述检测对象,对光照变化有明显抑制作用;与三帧差分法、传统混合高斯模型相比,该算法可有效提高处理速度。

煤矿井下雾尘图像清晰化算法

针对由于煤矿井下环境存在大量煤尘、水雾,监控图像出现模糊、退化现象的问题,提出一种基于暗原色原理和主成分分析的煤矿井下雾尘图像清晰化算法。该算法基于大气散射模型,根据暗原色原理计算透射率;用主成分分析法得出能够充分反映雾尘图像信息的亮度、饱和度及对比度,通过对这些指标进行加权处理来计算大气光值,实现了对煤矿井下雾尘图像的清晰化处理。仿真结果表明,该算法可较大程度地还原图像细节,并保持图像的真实性和结构完整性,实时性较好。

井下复杂环境人员重识别研究

对煤矿井下视频监控中的人员身份进行智能识别,对提高人员监管效率、减少安全事故发生具有重要意义。受井下环境复杂、视频监控设备性能局限性影响,井下视频监控图像存在分辨率低、遮挡、背景干扰等问题,导致井下人员间差异性较小,人员重识别准确率低。针对上述问题,提出了一种基于通道注意力和距离度量的网络结构,并将其用于井下复杂环境人员重识别。针对监控图像中人员与背景不易区分的问题,在骨干网络中引入通道注意力模块,使其更加关注人员的前景特征而抑制背景信息,并将骨干网络最后一层输出的特征图大小扩大1倍,以获得更多的细粒度特征,丰富人员的特征信息,增强网络对特征的学习能力;在实现不同身份人员分类的基础上,利用人员图像间的绝对距离信息,通过距离度量模块对难以识别的人员图像进行采样和加权处理,增加难样本在反向传播时的权重,使网络更加关注具有判别力的人员特征;联合使用身份损失和距离度量损失优化特征层,使网络提取出更具判别力的人员特征,从而提高重识别准确度。采用Miner-CUMT数据集对提出的井下复杂环境人员重识别方法进行验证,结果表明该方法可充分利用井下不同身份人员的关键信息,使识别网络具有更强的判别能力,提高了井下作业人员身份识别准确度。

基于改进的Retinex低照度图像自适应增强技术研究

为了提高井下低照度下视频监控质量,提出一种Retinex改进算法,首先将图像由RGB空间转换为HSI空间;然后对空间转换后的图像进行分解,并对分解后图像的亮度分量进行处理,降低图像处理工作量,对分解后图像进行低秩分解及算法优化,降低噪声和伪影对图像质量的影响,对图像细节进行局部对比度优化;最后将图像进行合成,重新转换为RGB图像。实验结果表明:Retinex改进算法对低照度图像有良好的优化提高能力,针对煤矿井下照度不足情况能够有效增强图像质量,且增强后图像细节和色彩失真情况得到了改善,处理后的图像视觉效果良好,便于视频监控人员对视频中人物及物体进行识别确认,提高了井下视频监控质量。