專利名稱：基于安全帽檢測的煤礦井下人員定位與跟蹤方法
技術領域：
本發(fā)明涉及煤礦信息化領域，具體為基于安全帽的煤礦井下人員檢測與跟蹤方 法。
背景技術：
我國是煤炭生產和消費的大國，煤礦的安全生產一直備受關注。目前，由于國家 對煤礦安全日益重視，監(jiān)管力度不斷加大，大中型煤礦均已大量裝備了煤礦安全監(jiān)控系統(tǒng)， 在一定程度上遏制了重特大事故的發(fā)生。但是，由于缺乏對井下人員位置信息的監(jiān)控，目 前還普遍存在入井人員管理困難，井上人員難以及時準確掌握井下人員的分布和作業(yè)的情 況。煤礦井下還存在著一些危險區(qū)域，如有害氣體超標的區(qū)域、絞車運行中的斜巷、設備重 地等，這些區(qū)域一般禁止工人進入，但井下巷道交錯，環(huán)境復雜，普通的告示牌或警鈴通知 方式警示效果不佳。實現入井人員的有效管理、檢測、跟蹤、定位對于煤礦的安全生產、調度 指揮以及事故后的搶險救援都具有重要意義。目前，煤礦井下人員檢測方法有如下幾種 (1).礦用人員定位跟蹤系統(tǒng)。這種系統(tǒng)一般由標識卡、讀卡器、人員檢測分站、通信接口、服 務器等組成，多采用無線射頻識別(RFID)或無線傳感網(WSN)技術實現實時數據采集與存 儲、井下人員考勤、定位、數據聯網、報警提示等一系列功能。但人員定位跟蹤系統(tǒng)存在著一 些問題，如需實現低功耗、高效率的標識卡技術，提高高速條件下定位的準確性，克服井下 無線傳播信道的復雜性對定位精度的影響，還有標識卡、讀卡器價格昂貴等。(2).紅外檢測 技術?？蓪⒌V井人員紅外探測計數裝置安裝于井口及開采現場，對出入礦人員進行探測和 計數。但只能對在列隊行走情況下的人員如數識別，在并排或無序行走情況下難以正確識 別。采用紅外技術實現人員檢測如需進一步確定人員的身份及其具體位置，還需要融合身 份確認系統(tǒng)和人員定位系統(tǒng)等技術，增加了監(jiān)控系統(tǒng)的復雜性，限制了系統(tǒng)的應用。(3).視 頻檢測技術。目前很多煤礦都配備了視頻監(jiān)控系統(tǒng)，地面調度指揮中心監(jiān)控人員可以直接 對井下情況進行實時監(jiān)控，不僅能直觀的監(jiān)視和記錄井下工作現場的安全生產情況，及時 發(fā)現事故苗子，防患于未然，也能為事后分析事故提供有效的資料，在安全生產、調度指揮、 搶險救援中都起到了積極的作用。但目前的煤礦視頻監(jiān)控仍主要停留在人工監(jiān)視階段，由 人工來監(jiān)視場景、判斷危險情況并做出相應的反應。和普通圖像監(jiān)控系統(tǒng)一樣，雖然在功能 和性能上取得了長足的進步，但仍存在不足。這些不足使得圖像監(jiān)控系統(tǒng)不同程度地存在 報警準確度不高、誤報漏報情況時有發(fā)生、報警響應慢等缺陷，從而影響系統(tǒng)性能。如果能在煤礦實現智能視頻監(jiān)控，實現人員自動檢測、跟蹤、定位，則具有一系列 的優(yōu)點，如(1).能充分利用煤礦現有設備資源，不需要額外的設備投入；( .可以和現有 的自動控制系統(tǒng)結合，實現實時報警和聯動控制；(3).利用視頻處理技術，提取高層次有 用信息，如身份、行為、狀態(tài)等；(4).備份視覺資料，以備查證。雖然智能視頻技術在一般場 景下已經取得了較大進展，但是目前煤礦井下智能視頻技術嚴重滯后，主要是由于井下環(huán) 境特殊，全天候人工照明，煤灰、粉塵、潮濕等因素的影響，視頻質量較差，對于視頻處理技 術提出了嚴峻考驗。
智能視頻監(jiān)控系統(tǒng)中人員目標的檢測方法可以分為兩大類，即基于運動的人體檢 測方法和基于人體特征的檢測方法。運動目標檢測是指從視頻序列中提取出運動目標，為 高層的視頻理解提供分析依據，是計算機視覺研究的基礎任務和關鍵技術之一。作為人員 檢測的手段，這種方法只能應用于人員與背景之間有相對運動的情況。常用的方法有背景 消減法、幀差法、光流法等?；谶\動目標檢測人員的方法很多，各有利弊，性能不一，但共 同的一個不足是只能對運動的人員進行檢測，若人員目標處于靜止狀態(tài)時，運動特征消失， 導致這些方法的失效，因此產生了基于人體特征的檢測方法。如基于人體形狀的檢測方法 和基于人體部位的檢測方法等。對于煤礦井下危險區(qū)域的智能監(jiān)控來講，需要對檢測到的目標進行識別，判斷是 否是人，進而決定是否報警。能否根據檢測到的信息判斷目標為人員目標，也是一個需要注 意的問題。由于以下兩點，導致了識別井下人員目標的不可靠性(1)煤礦井下環(huán)境特殊， 煤礦井下的視頻，具有照度低、光照不均勻、缺乏色彩信息、目標和背景灰度過于接近等特 點，加大了目標的檢測的難度，同時，也導致檢測到的目標的不完整或形狀的畸變。(2)由于 巷道空間有限，攝像器材一般不是平行拍攝，而是以一定的角度俯視攝像；且有一些特定的 監(jiān)視區(qū)域，如監(jiān)視皮帶是否乘坐人員。所攝圖像中人員一般不是全身圖像，可能是半身，甚 至不是直立狀態(tài)，即使檢測到的目標完整，也不利于判斷目標是否為人員目標。由于客觀現 狀或檢測方法導致人員目標信息的不完整，無疑加大了目標識別的難度，如果在檢測目標 的同時，探測到相應的表明目標是人的信息，將便于后續(xù)處理、識別。要實現這個目標，需要 在檢測時，根據人員目標的特點來設計檢測方法。文獻中已有檢測人體部位的方法，其中， 以人臉檢測、頭部檢測較多。但是，對于在煤礦井下工作的人員，佩戴安全帽，為防塵一般佩 戴防塵面罩，長時間的工作導致面部覆蓋煤塵，再加上視頻質量較差，所以，視頻中的井下 人員一般面容不清，人臉檢測不實際；無頭發(fā)、膚色外露，更談不上采用基于發(fā)色、膚色的檢 測方法。因此，解決上述現有技術中存在的問題，提供一種更高效、準確的定位和跟蹤方法， 是亟待解決的問題。

發(fā)明內容
為了解決上述現有技術中的不足，克服井下監(jiān)控視頻照度低、光照不均勻、人員目 標和背景灰度過于相似等問題，有效地對井下人員進行定位和跟蹤，本發(fā)明提出一種基于 安全帽檢測的井下監(jiān)控視頻中人員定位與跟蹤方法。本發(fā)明以安全帽檢測為基礎，通過對 安全帽的檢測與跟蹤實現對煤礦井下人員的定位和跟蹤。結合煤礦實際，井下人員均佩戴 安全帽，如果能夠檢測到安全帽的存在，相應的代表檢測到人員目標。由于安全帽的材質原 因，一般會發(fā)生反光現象，由于光源一般位于巷道的上方，因此，即使視頻質量很差，圖像中 安全帽區(qū)域至少頂部部分亮度與背景差別較大，且從不同的角度去觀察，均呈現圓形或類 圓形，這些特點使得安全帽的檢測可行。本發(fā)明中基于安全帽檢測的煤礦井下人員定位與跟蹤的方法分為兩個部分，即安 全帽的檢測和安全帽的跟蹤。安全帽檢測過程如下(1)獲得樣本圖像對安全帽進行建模，對安全帽圖像進行不同角度的旋轉，來模 擬實際環(huán)境中各個角度的圖像，構成安全帽圖像訓練集；同時，選取井下視頻中人員肩部區(qū)域和礦燈照射的區(qū)域作為非安全帽圖像訓練集；(2)分類特征提取選取訓練圖像的四方向邊界圖像作為特征量；(3)分類器設計選擇分段線性判別函數，采用統(tǒng)計模式識別方法，把視頻幀中的 安全帽和非安全帽分別視為一個模式類，設計分類器，并用樣本圖像對分類器進行訓練，為 檢測做準備；(4)安全帽檢測。利用訓練好的分類器對井下視頻進行安全帽檢測；安全帽跟蹤過程如下(I)確定跟蹤目標由檢測算法檢測到某幀中有安全帽的存在，將該幀定為跟蹤 初始幀，檢測到的安全帽區(qū)域為初始跟蹤窗口 ；(II)選擇跟蹤特征。將邊緣方向和方位信息相融合，將聯合直方圖作為跟蹤安全 帽的特征量；(III)結合Kalman濾波和Mean-shift對安全帽進行跟蹤。1)利用Kalman濾波器預測下一幀跟蹤窗口起點yQ ；2)計算候選目標的特征{PuGoMuU, ..,39 ；
393)計算候選目標與目標的相似度廠ΣVa^oK;
M=O4)計算權值(WiIi = Ojl, ...,39 ；5)利用Mean-shift算法，計算目標新位置；
396)更新(P(Y1Mu = C)a, ...,“" ^^ ^Ο^Α^ΣΛ/Α。。)^ ；
u=07)若 P [p (Y1) , q] < P [ρ (y0) , q]，那么乃—|(少。+ JF1)’直到 P [p (Y1) , q] >
ρ [p (y0)，q]；8)若I |y「yQ| < ε (ε是一個很小的常數)，則定位，轉(9)；否則yQ —Y1，轉 ⑶；9)若間隔幀已滿，計算核函數帶寬更新量，否則轉1)。其中，安全帽檢測過程(1)中所述的圖像樣本由10個安全帽區(qū)域和3個非安全帽 局域組成。安全帽檢測過程(2)中所述選取訓練圖像的四方向邊界圖像作為特征量，按如下 步驟進行對安全帽圖像利用I^rewitt算子進行四方向邊緣提取，并進行高斯濾波。減小尺 寸為8X8大小，并去掉外邊緣像素值，去掉四角像點，轉換為直徑為6的圓形，構成共對父4 維的特征向量。安全帽檢測過程(3)中所述選擇分段線性判別函數，采用統(tǒng)計模式識別方法，把 視頻幀中的安全帽和非安全帽分別視為一個模式類，設計分類器，并用樣本圖像對分類器 進行訓練，其中，利用高斯模型擬合安全帽輪廓和非安全帽區(qū)域，并按如下步驟進行(3-a)任意選擇10個高斯模型擬合安全帽區(qū)域和3個高斯模型擬合主要包括人員 肩部和礦燈干擾區(qū)的非安全帽區(qū)域，分別采用歐氏距離進行K均值聚類，其聚類結果分別 作為上述兩類初始聚類中心；(3-b)采用馬氏距離對所有的樣本進行K均值聚類，算法收斂后，計算出每類的聚類中心和協方差矩陣；(3-c)得到安全帽區(qū)域和非安全帽區(qū)域兩大類的共13個子類的聚集中心和離散 矩陣。安全帽跟蹤過程(II)中所述將邊緣方向和方位信息相融合，將聯合直方圖作為 跟蹤安全帽的特征量，按如下步驟進行(A)邊緣方向直方圖邊緣方向直方圖是對目標物體中邊緣點的邊緣方向分布的 統(tǒng)計，一幅邊緣圖像的方向空間被分為m個不同的方向，統(tǒng)計每個方向上邊緣點的數目，計 算其出現的概率，即可得出m維邊緣方向直方圖
權利要求
1.一種基于安全帽檢測的煤礦井下人員定位與跟蹤方法，其特征在于，包括安全帽的 檢測過程和安全帽跟蹤過程；安全帽檢測過程如下(1)獲得樣本圖像對安全帽進行建模，對安全帽圖像進行不同角度的旋轉，來模擬實 際環(huán)境中各個角度的圖像，構成安全帽圖像訓練集；同時，選取井下視頻中人員肩部區(qū)域和 礦燈照射的區(qū)域作為非安全帽圖像訓練集；(2)分類特征提取選取訓練圖像的四方向邊界圖像作為特征量；(3)分類器設計選擇分段線性判別函數，采用統(tǒng)計模式識別方法，把視頻幀中的安全 帽和非安全帽分別視為一個模式類，設計分類器，并用樣本圖像對分類器進行訓練，為檢測 做準備；(4)安全帽檢測。利用訓練好的分類器對井下視頻進行安全帽檢測；安全帽跟蹤過程 如下(I)確定跟蹤目標由檢測算法檢測到某幀中有安全帽的存在，將該幀定為跟蹤初始 幀，檢測到的安全帽區(qū)域為初始跟蹤窗口 ；(II)選擇跟蹤特征。將邊緣方向和方位信息相融合，將聯合直方圖作為跟蹤安全帽的 特征量；(III)結合Kalman濾波和Mean-shift對安全帽進行跟蹤。1)利用Kalman濾波器預測下一幀跟蹤窗口起點lo；2)計算候選目標的特征{Pu^MuH..,39 ；3)計算候選目標與目標的相似度/)，d= Σ ^Pu (^o k ；M=O4)計算權值IWji=CM,5)利用Mean-shift算法，計算目標新位置； 6)更新(P(Y1)Iu= CM, ...，39，計算 4/^(:0,9]=ΣΛ/AiKk ；M = O7)若P [P (Y1)，q] < P [P (y0)，q]，那么力 <-^(^0+^)，直到 P [P (Υι)，q] > P [P (y0)，q]；8)若IIyfytlI < ε (ε是一個很小的常數)，則定位，轉(9)；否則y。^y1，轉(3)；9)若間隔幀已滿，計算核函數帶寬更新量，否則轉1)。
2.根據權利要求1所述的基于安全帽檢測的煤礦井下人員定位與跟蹤方法，其特征在 于，安全帽檢測過程⑴中所述的圖像樣本由10個安全帽區(qū)域和3個非安全帽局域組成。
3.根據權利要求1所述的基于安全帽檢測的煤礦井下人員定位與跟蹤方法，其特征在 于，安全帽檢測過程O)中所述選取訓練圖像的四方向邊界圖像作為特征量，按如下步驟 進行對安全帽圖像利用I^rewitt算子進行四方向邊緣提取，并進行高斯濾波。減小尺寸為 8X8大小，并去掉外邊緣像素值，去掉四角像點，轉換為直徑為6的圓形，構成共對父4維的 特征向量。
4.根據權利要求1所述的基于安全帽檢測的煤礦井下人員定位與跟蹤方法，其特征在于，安全帽檢測過程(3)中所述選擇分段線性判別函數，采用統(tǒng)計模式識別方法，把視頻幀 中的安全帽和非安全帽分別視為一個模式類，設計分類器，并用樣本圖像對分類器進行訓 練，其中，利用高斯模型擬合安全帽輪廓和非安全帽區(qū)域，并按如下步驟進行(3-a)任意選擇10個高斯模型擬合安全帽區(qū)域和3個高斯模型擬合主要包括人員肩部 和礦燈干擾區(qū)的非安全帽區(qū)域，分別采用歐氏距離進行K均值聚類，其聚類結果分別作為 上述兩類初始聚類中心；(3-b)采用馬氏距離對所有的樣本進行K均值聚類，算法收斂后，計算出每類的聚類中 心和協方差矩陣；(3-c)得到安全帽區(qū)域和非安全帽區(qū)域兩大類的共13個子類的聚集中心和離散矩陣。
5.根據權利要求1所述的根據權利要求1所述的基于安全帽檢測的煤礦井下人員定位 與跟蹤方法，其特征在于，安全帽跟蹤過程(II)中所述將邊緣方向和方位信息相融合，將 聯合直方圖作為跟蹤安全帽的特征量，按如下步驟進行(A)邊緣方向直方圖邊緣方向直方圖是對目標物體中邊緣點的邊緣方向分布的統(tǒng) 計，一幅邊緣圖像的方向空間被分為m個不同的方向，統(tǒng)計每個方向上邊緣點的數目，計算 其出現的概率，即可得出m維邊緣方向直方圖Ei = P
，i = 1,2,…m其中，P代表每一個邊緣點，0(p)表示點ρ的邊緣方向，Ei表示邊緣方向i的概率；其 中，采用的邊緣算子為 “-1 -4 -5 0 -6 -24 -30 0 -15 -60 -75 0 -20 -80 -100 0 -15 -60 -75 0 -6 -24 -30 0 -1 一4 -5 0計算時把方向空間以π/8為單位，平分為16級；(B)方位直方圖安全帽邊緣在跟蹤窗口中的方位信息，采用邊緣點A(x，y)的方位角 α和半徑r兩個量來聯合表示；(Β-a)方位角α 定義邊緣的方位角為邊緣點到跟蹤窗口中心的向量OA和水平χ軸的 夾角α，把方位角空間按π/8的步長離散化為16級，統(tǒng)計邊緣點的方位角，獲取方位角直 方6.根據權利要求1-5所述的基于安全帽檢測的煤礦井下人員定位與跟蹤方法，其特征 在于，安全帽跟蹤過程(III)所述對安全帽跟蹤時，自適應地調整核函數帶寬，按如下步驟 進行(i).對于初始跟蹤的幀進行以下操作i-1)統(tǒng)計每個圓環(huán)內邊緣點的個數，實際上就是前面計算的半徑直方圖； i-2)計算圓環(huán)內邊緣點的平均數；i-3)從最外環(huán)起，找到第一個邊緣點數大于平均數的第一個圓環(huán)，并記錄該圓環(huán)編號A；( ).間隔兩幀后，對定位后的新幀重復以上工作，記錄圓環(huán)編號B ； (iii).判斷跟蹤窗口大小是否需要更新iii-Ι)若A和B—致，清除新記錄的圓環(huán)編號B，跟蹤窗口大小不變，繼續(xù)下一幀的跟 蹤、尋找圓環(huán)和判斷；iii-2)若A和B不一致，計算A和B的間隔C，并換算到以像素為單位，統(tǒng)計兩幀之間 間隔的幀數D，得出D幀平均尺寸變化為C/D，核函數帶寬h更改為h+C/D，繼續(xù)下一幀的跟 蹤，記錄A，并轉到(ii)。
全文摘要
本發(fā)明提出一種基于安全帽檢測的井下監(jiān)控視頻中人員定位與跟蹤方法。本發(fā)明以安全帽檢測為基礎，通過對安全帽的檢測與跟蹤實現對煤礦井下人員的定位和跟蹤。結合煤礦實際，井下人員均佩戴安全帽，如果能夠檢測到安全帽的存在，相應的代表檢測到人員目標。由于安全帽的材質原因，一般會發(fā)生反光現象，由于光源一般位于巷道的上方，因此，即使視頻質量很差，圖像中安全帽區(qū)域至少頂部部分亮度與背景差別較大，且從不同的角度去觀察，均呈現圓形或類圓形，這些特點使得安全帽的檢測可行；本發(fā)明中基于安全帽檢測的煤礦井下人員定位與跟蹤的方法分為兩個部分，即安全帽的檢測和安全帽的跟蹤。
文檔編號G06K9/66GK102136076SQ20111005999
公開日2011年7月27日 申請日期2011年3月14日 優(yōu)先權日2011年3月14日
發(fā)明者李雷達, 程德強, 蔡利梅, 錢建生 申請人:徐州中礦大華洋通信設備有限公司