矿井人员图像分割是实现煤矿井下人员检测、行为识别、视频定位跟踪等技术的基础任务之一。然而,由于矿井下环境特殊,常规图像分割方法均难以满足对井下人员的精准分割要求。为解决矿井人员图像的分割问题,提出一种基于超像素粒化及同...矿井人员图像分割是实现煤矿井下人员检测、行为识别、视频定位跟踪等技术的基础任务之一。然而,由于矿井下环境特殊,常规图像分割方法均难以满足对井下人员的精准分割要求。为解决矿井人员图像的分割问题,提出一种基于超像素粒化及同质图像粒聚类的分割方法,能够适用于煤矿井下多种场景的人员图像。首先,使用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)模型将井下人员图像初始粒化为超像素单元,并通过测量离线样本图像中所标记人员像素点与超像素之间的RGB相似度值判定人员超像素。其次,由邻居超像素辅助检测欠分割人员超像素并将其彻底分割为2个子超像素单元,选择其中之一的精英人员超像素并提取其纹理和灰度特征。接着,将具有最相似图像特征的邻接精英人员超像素定义为同质图像粒,同质图像粒相互融合并聚类形成具有特定语义信息的同质人员区域。最后,由所有同质人员区域共同构成完整的人员区域,并实现人员区域与图像背景的分离。通过对煤矿井下4种场景下的人员图像进行算法性能验证,实验结果表明:超像素粒化算法的F-Measure值分别较对比算法平均值高出2.11%,3.36%,13.16%,6.82%,同质人员图像粒聚类算法精度值分别达到99.0%,100%,94.4%和93.75%,并且所提分割方法对井下4种不同场景中的人员图像均具有较强的鲁棒性和较好的分割效果。展开更多
文摘矿井人员图像分割是实现煤矿井下人员检测、行为识别、视频定位跟踪等技术的基础任务之一。然而,由于矿井下环境特殊,常规图像分割方法均难以满足对井下人员的精准分割要求。为解决矿井人员图像的分割问题,提出一种基于超像素粒化及同质图像粒聚类的分割方法,能够适用于煤矿井下多种场景的人员图像。首先,使用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)模型将井下人员图像初始粒化为超像素单元,并通过测量离线样本图像中所标记人员像素点与超像素之间的RGB相似度值判定人员超像素。其次,由邻居超像素辅助检测欠分割人员超像素并将其彻底分割为2个子超像素单元,选择其中之一的精英人员超像素并提取其纹理和灰度特征。接着,将具有最相似图像特征的邻接精英人员超像素定义为同质图像粒,同质图像粒相互融合并聚类形成具有特定语义信息的同质人员区域。最后,由所有同质人员区域共同构成完整的人员区域,并实现人员区域与图像背景的分离。通过对煤矿井下4种场景下的人员图像进行算法性能验证,实验结果表明:超像素粒化算法的F-Measure值分别较对比算法平均值高出2.11%,3.36%,13.16%,6.82%,同质人员图像粒聚类算法精度值分别达到99.0%,100%,94.4%和93.75%,并且所提分割方法对井下4种不同场景中的人员图像均具有较强的鲁棒性和较好的分割效果。