CN102968613A - 一种煤矿入井人员唯一性检测系统和检测方法 - Google Patents

Abstract

本发明公开了一种煤矿入井人员唯一性检测系统和检测方法，属于矿井监控与通信领域。标识模块1指定检测位置，重力感应模块2检测到人员进入，发送指令关闭限入模块3。识别卡检测模块4检测识别卡数量、判别“一人多卡”违章、读取识别卡存储的人脸特征。图像采集模块5采集即时人脸图像，图像处理模块6利用改进的广义对称变换算法提取即时人脸特征，判别模块7比对人脸特征判别“代替刷卡”违章。报警模块8用于违章报警，放行模块9用于违章禁行和检测通过放行。本发明的煤矿入井人员唯一性检测系统与检测方法，通过检测唯一性人脸特征与煤矿井下人员定位识别卡来实现煤矿入井人员唯一性检测，杜绝“一人多卡”、“代替刷卡”违章。

Description

一种煤矿入井人员唯一性检测系统和检测方法

技术领域

本发明涉及一种煤矿入井人员唯一性检测系统和检测方法，具体是应用于矿井监控与通信领域，特别是涉及一种基于煤矿井下人员定位系统识别卡与人脸识别的煤矿入井人员唯一性检测系统和检测方法。 

背景技术

《国家安全生产监督管理总局国家煤矿安全监察局关于建设完善煤矿井下安全避险“六大系统”的通知》(安监总煤装[2010]146号)要求“建设完善煤矿井下人员定位系统。发挥井下人员定位系统在定员管理和应急救援工作中的作用。”《煤矿井下安全避险“六大系统”建设完善基本规范》要求“矿井人员定位系统必须满足《煤矿井下作业人员管理系统通用技术条件》(AQ6210-2007)的要求”。《煤矿井下作业人员管理系统通用技术条件》(AQ6210-2007)要求“各个人员出入井口应设置检测识别卡工作是否正常和唯一性检测的装置”。 

在实际应用中，煤矿井下人员定位系统的入井人员唯一性检测功能未能有效实现，不能自动、有效实现入井人员唯一性检测，导致的隐患为采用射频卡进行人员定位从技术手段上无法避免入井人员代刷卡、一人多卡、替班、考勤作弊等情况发生，会进一步形成煤矿安全生产、管理的隐患，特别是在发生紧急情况时，会影响到调度工作的准确有效进行。 

作为唯一性检测的一种技术手段，生物特征识别技术以人体唯一性的生物特征作为识别依据，通过图像采集、处理、特征点提取、生物特征搜索、比对从而实现人的唯一性检测。生物特征识别技术包括掌纹识别、指纹识别、人脸识别、虹膜识别等方式，生物特征识别技术在地面环境中的应用研究涉及到安保、考勤、门票管理、银行等领域，但目前未发现生物特征识别技术应用于煤矿入井人员唯一性检测的研究成果。 

煤矿入井人员的工作环境与一般工业的工作环境具有较大区别，一方面井下工作环境的空间相对狭小、存在煤尘、粉尘、水、瓦斯等物质、具有一定的危险性，煤矿入井人员在井下工作期间生物特征易受污染；另一方面煤矿为24小时生产的工作领域，采取三班制的工作制度，因此煤矿入井人员在会相对不固定的工作时间出入井口，因此采集生物特征时的光照条件会存在差异；此外，由于煤矿入井方式的特殊性，入井工作人员需要乘罐入井或升井，因此出入井会有相对集中的规律性。 

中国专利申请号00112976.7，2001.04.18，公开了面像识别IC卡个人身份识别认证系统面像识别IC卡个人身份识别认证系统，能自动检测与计算机相连的读卡器状态，并读出IC卡中个人面部头像，然后通过与计算机相连的摄像头实时动态的捕捉人员头像，与IC卡中读出的个人面部头像比较，作出是否通过或拒绝判断，以进行控制后续报警器或开关等应用终端的动作。适应于如银行自动取款机ATM，公司考勤，大楼屋业管理等场合。 

中国专利申请号200710087106.X，公开日2008年9月24日，公开了记录客户唯一性特征的售票系统，该系统在售票时通过记录标志客户唯一性的指纹，生成订票客户的数字指纹库，检票系统通过比较该数字指纹确认客户是否订票，从而杜绝票务倒卖的行为。 

中国专利申请号200910100453.0，公开日2009年12月2日，公开了一种可保证驾驶员唯一性的防酒后驾车车载系统，该系统将酒精探测器作为主检测，人脸识别系统作为辅助监测，将这两个系统结合起来，对驾驶员进行唯一性控制，用以防止驾驶员找人代为吹起或中途停车换人驾驶的舞弊行为。 

由于煤矿应用唯一性检测的特殊性，目前一般地面领域的唯一性检测技术不能满足需求，煤矿入井人员唯一性检测需要满足如下要求： 

(1)需要甄别一个煤矿入井人员是否携带并且仅携带一张煤矿井下人员定位识别卡； 

(2)需要克服煤矿入井人员在工作中由于生物特征受到污染所造成的影响，采用特殊算法，判别煤矿入井人员的即时生物特征信息是否与识别卡所存储的个人信息及生物特征信息匹配； 

(3)需要较快的识别速度，以满足在出入井人员相对集中时的工作效率。 

为满足上述特点，本发明提供了一种集成于煤矿井下人员定位系统、基于人脸识别的唯一性检测系统和检测方法。 

发明内容

本发明提供了一种基于煤矿井下人员定位系统识别卡与人脸识别的煤矿入井人员唯一性检测系统和检测方法。本发明采用煤矿入井人员出入井自动控制方式、基于煤矿井下人员定位系统识别卡唯一性判别、基于煤矿井下人员定位识别卡存储人脸特征与即时人脸特征对比判别相结合的检测，其中即时人脸特征的特征提取采用改进的广义对称变换算法，实现煤矿入井人员唯一性检测。 

以下对本发明加以论述。 

基于煤矿井下人员定位系统识别卡与人脸识别的煤矿入井人员唯一性检测系统，包括以下模块： 

人员限入模块，限定煤矿入井人员的在唯一性检测点的进入方式； 

自动检测模块，采集煤矿入井人员携带的煤矿井下人员定位识别卡的唯一性信息及其中存储的个人身份信息、人脸特征以及煤矿入井人员的即时人脸特征，将所述人脸特征进行比对，判定煤矿井下人员定位识别卡的唯一性及煤矿入井人员身份的唯一性； 

报警限行模块，所述煤矿井下人员定位识别卡的唯一性及煤矿入井人员身份的唯一性检测未通过，进行报警并禁止该人员入井，进行人工核查；所述唯一性检测通过，对检测人员放行。 

基于煤矿井下人员定位系统识别卡与人脸识别的煤矿入井人员唯一性检测系统，所述人员限入模块进一步包括标识模块、重力感应模块、限入模块；所述标识模块标识接受检测的位置，同时也是电容式称重传感器构成的重力感应模块所在位置；所述重力感应模块感应为电容式称重传感器，当有人员进入检测区，检测到重力变化，发送“检测开始”指令至限入模块和图像采集模块；所述限入模块为智能通道控制器，用于接收“检测开始”指令并关闭检测通道入口，接收“检测结束”指令并打开检测通道入口。 

基于煤矿井下人员定位系统识别卡与人脸识别的煤矿入井人员唯一性检测系统，所述自动检测模块进一步包括识别卡检测模块、图像采集模块、图像处理模块、判别模块，所述识别卡检测模块为煤矿井下人员定位系统低功率RFID读卡器，用于检测煤矿井下人员定位RFID识别卡信息，所述图像采集模块为CCD摄像头，检测点内采集标识模块指定区域的图像信息，所述图像处理模块和图像判决模块为计算机，处理即时人脸图像，提取人脸特征信息，对比识别卡人脸特征和即时人脸特征判别唯一性。 

基于煤矿井下人员定位系统识别卡与人脸识别的煤矿入井人员唯一性检测系统，所述识别卡检测模块，煤矿井下人员定位系统低功率RFID读卡器检测以检测点长度的1/2为半径的区域，检测煤矿井下人员定位RFID识别卡数量信息、读取身份信息和人脸特征并发送至判别模块，根据检测点内煤矿井下人员定位识别卡的数量判别是否存在“一人多卡”违章行为，向报警限行模块发出“报警禁行”指令。 

基于煤矿井下人员定位系统识别卡与人脸识别的煤矿入井人员唯一性检测系统，所述图像采集模块接收“检测开始”指令，CCD摄像头对采集标识模块指定区域进行拍照，并发 送至图像处理模块的计算机。 

基于煤矿井下人员定位系统识别卡与人脸识别的煤矿入井人员唯一性检测系统，所述图像处理模块，计算机利用改进的广义对称变换算法对所述采集到的图像进行处理，所述改进的广义对称变换算法具体内容为： 

步骤一：图像预处理，采用二维小波变换的Mallat算法对采集到的图像进行分解重构； 

过程为：对二维图像的每一列利用分析滤波器作列卷积再进行行抽样保留偶数行，分别得到低频系数和高频系数，再对所得到的低频系数和高频系数分别利用分析滤波器作行卷积再进行列抽样保留偶数列，分别得到一组低频系数和高频系数，完成二维图像的一级小波变换，即二维图像的分解；对低频系数继续进行上述过程，可实现二维图像的多级小波变换；对二维图像小波变换得到的两组低频系数和高频系数分别进行列插值在不同列间插入0组成的列再利用分析滤波器进行行卷积，得出一组高频系数和低频系数，对该组高频系数和低频系数分别进行行插值在不同行间插入0组成的行再利用分析滤波器进行列卷积，得出重构的二维图像，完成二维图像的重构； 

步骤二：利用广义对称变换算法检测图像中具有强对称性的圆形结构矿灯；广义对称算法检测圆形结构矿灯具体内容为： 

作为针对梯度图像的一个局部算子，对称变换被用来处理图像上各点的点对称性；设z_n＝(x_n，y_n)为图像上的一个任意的点，其中n＝1，2，3...N，x，y分别为直角坐标系横、纵坐标；定义： 

为点z_n处的梯度算子，变换成极坐标形式为：ρ_n＝(r_n，θ_n)，其中 

分别表示为点z_n处的梯度强度与梯度方向；z_i和z_j为任意两点，i，j＝1，2，3，...N，记γ_ij为z_i和z_j连线与水平线的逆时针角度，且z_i的边缘方向角度小于z_j的边缘方向角，考虑到两点的无序性，γ_ij的值域记为[0，π]； 

将所有以z为连线中心点的点对集合定义为： 

$\mathrm{\Γ}\left(z\right)=\left|(i,j)\right|\frac{z_i+z_j}{2}=z|;$

距离权重函数定义为： 

其中σ及后文提及σ₀、σ₁、σ₂均为所检测图像宽度与图像宽度的比值； 

相位权重函数定义为： 

Z(i，j)＝(1-cos(θ_i+θ_j-2γ_ij))(1-cos(θ_i-θ_j))； 

在z点处广义对称变换的强度定义为： 

S_σ(z)＝∑_{(i，j∈Γ(z))}C(i，j)； 

其中，C(i，j)＝L_σ(i，j)Z(i，j)r_ir_j，r_i，r_j分别为点z_i，z_j处的梯度强度； 

广义对称变换的方向则定义为： 

$\mathrm{\φ}\left(z\right)=\mathrm{Max}\left|\mathrm{\φ}\left(z\right)\right|\mathrm{\φ}\left(z\right)=\frac{{\mathrm{\θ}}_i+{\mathrm{\θ}}_j}{2},(i,j\∈\mathrm{\Γ}\left(z\right))|;$

在图像检测中，对于强对称性的圆形结构： 

由距离权重函数得出的高斯距离因子记为： 

$L_{\mathrm{\σ}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\π}{\mathrm{\σ}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\σ}}_0^2}];$

由相位权重函数得出的方向权重因子记为： 

$Z(i,j)=[1+\cos ({\mathrm{\θ}}_i-{\mathrm{\γ}}_{\mathrm{ij}})\cos ({\mathrm{\θ}}_j-{\mathrm{\γ}}_{\mathrm{ij}}-\mathrm{\π})]|{\mathrm{\γ}}_{\mathrm{ij}}-\frac{\mathrm{\π}}{2}|;$

矿灯视为强对称圆形结构进行检测，高斯距离因子为： 

$L_{\mathrm{\σ}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\π}{\mathrm{\σ}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\σ}}_0^2}];$

由相位权重函数得出的方向权重因子为： 

$Z(i,j)=[1+\cos ({\mathrm{\θ}}_i-{\mathrm{\γ}}_{\mathrm{ij}})\cos ({\mathrm{\θ}}_j-{\mathrm{\γ}}_{\mathrm{ij}}-\mathrm{\π})]|{\mathrm{\γ}}_{\mathrm{ij}}-\frac{\mathrm{\π}}{2}|;$

步骤三：利用广义对称算法检测图像中矿灯区域下方的具有强对称性的双眼及嘴巴，具体内容为： 

对于强对称性的圆形结构： 

由距离权重函数得出的高斯距离因子记为： 

$L_{\mathrm{\σ}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\π}{\mathrm{\σ}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\σ}}_0^2}];$

由相位权重函数得出的方向权重因子记为： 

$Z(i,j)=[1+\cos ({\mathrm{\θ}}_i-{\mathrm{\γ}}_{\mathrm{ij}})\cos ({\mathrm{\θ}}_j-{\mathrm{\γ}}_{\mathrm{ij}}-\mathrm{\π})]|{\mathrm{\γ}}_{\mathrm{ij}}-\frac{\mathrm{\π}}{2}|;$

对于强对称的椭圆形结构： 

由距离权重函数得出的高斯距离因子记为： 

$L_{\mathrm{\σ}}(i,j)=\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_1{\mathrm{\σ}}_2}}\exp [-\frac{{(x_j-x_i)}^2}{2{\mathrm{\σ}}_1^2}]\exp [-\frac{{(y_j-y_i)}^2}{2{\mathrm{\σ}}_2^2}];$

由相位权重函数得出的方向权重因子记为： 

$Z(i,j)=[1-\cos ({\mathrm{\θ}}_i+{\mathrm{\θ}}_j-2{\mathrm{\γ}}_{\mathrm{ij}})][1-\cos ({\mathrm{\θ}}_i-{\mathrm{\θ}}_j)]|{\mathrm{\γ}}_{\mathrm{ij}}-\frac{\mathrm{\π}}{2}|;$

眼睛检测：眼睛划分瞳孔区域抽象而成的圆形对称区和整个眼球区域的椭圆形对称区，相应地，将对称区分为两段进行表示： 

其中r＝(x_j-x_i)²+(y_j-y_i)²； 

瞳孔区域的方向权重因子为： 

$Z(i,j)=[1+\cos ({\mathrm{\θ}}_i-{\mathrm{\γ}}_{\mathrm{ij}})\cos ({\mathrm{\θ}}_j-{\mathrm{\γ}}_{\mathrm{ij}}-\mathrm{\π})]|{\mathrm{\γ}}_{\mathrm{ij}}-\frac{\mathrm{\π}}{2}|;$

嘴巴检测：分析时需参考为椭圆形区域，由于嘴巴可能随时张开或者闭合，取σ₁＝mσ₂，m∈(1，3)。 

由距离权重函数得出的高斯距离因子修改为： 

$L_{\mathrm{\σ}}(i,j)=\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_1{\mathrm{\σ}}_2}}\exp [-\frac{{(x_j-x_i)}^2}{2{\mathrm{\σ}}_1^2}]\exp [-\frac{{(y_j-y_i)}^2}{2{\mathrm{\σ}}_2^2}];$

由相位权重函数得出的方向权重因子修改为： 

$Z(i,j)=[1-\cos ({\mathrm{\θ}}_i+{\mathrm{\θ}}_j-2{\mathrm{\γ}}_{\mathrm{ij}})][1-\cos ({\mathrm{\θ}}_i-{\mathrm{\θ}}_j)]|{\mathrm{\γ}}_{\mathrm{ij}}-\frac{\mathrm{\π}}{2}|.$

基于煤矿井下人员定位系统识别卡与人脸识别的煤矿入井人员唯一性检测系统，所述判别模块，计算机接收识别卡检测模块煤矿井下人员定位系统低功率RFID读卡器发送的人脸特征和图像处理模块计算机发送的即时人脸特征并进行判别，判别两种人脸特征是否一致，判别两种人脸特征是否匹配，人脸特征不匹配判别为“代替刷卡”的违章行为，发送“报警禁行”指令至报警放行模块，人脸特征匹配判别为“通过检测”的正常行为，发送“放行”指令至报警放行模块和“检测结束”指令至限入模块。 

基于煤矿井下人员定位系统识别卡与人脸识别的煤矿入井人员唯一性检测系统，所述报警限行模块进一步包括报警模块及放行模块，报警模块为智能扬声器，放行模块为智能通道控制器，用于接收“报警禁行”指令，由所述报警模块智能扬声器播放报警提示音，所述放行模块智能通道控制器保持检测通道出口关闭；接收“放行”指令，由所述放行模块智能通道控制器打开检测通道出口。 

基于煤矿井下人员定位系统识别卡与人脸识别的煤矿入井人员唯一性检测方法，包括以下步骤： 

步骤一：标识模块标识接受检测的位置；煤矿入井人员进入检测点的标识模块，重力感应模块感应到有人员进入检测区，发送“检测开始”指令至限入模块和自动检测模块；限入模块收到“检测开始”指令，关闭检测通道入口并等待接收“检测结束”指令，不允许两名以 上煤矿入井人员同时进入检测点。 

步骤二：识别卡检测模块检测以检测点长度的1/2为半径的检测区域，检测到有识别卡，如数量为两个或两个以上判定为“一人多卡”的违章行为，向报警限行模块发出“报警禁行”指令；检测到只有唯一的煤矿井下人员定位识别卡时，读取煤矿井下人员定位识别卡存储的身份信息和人脸特征，发送人脸特征到判别模块。 

步骤三：图像采集模块接收到“检测开始”指令，对所述标识模块指定的区域进行图像采集，并发送至图像处理模块； 

步骤四：图像处理模块对所述采集到的图像进行处理，采用改进的广义对称变换算法，提取出具有包括矿灯、眼睛、嘴巴等局部特征信息的即时人脸特征； 

步骤五：判别模块接收识别卡检测模块发送的人脸特征和图像处理模块发送的即时人脸特征并进行判别，人脸特征不匹配判别为“代替刷卡”的违章行为向所述报警限行模块发送“报警禁行”指令，人脸特征匹配判别为“通过检测”向所述报警限行模块发送“放行”指令，向人员限入模块发送“检测结束”指令。 

步骤六：报警限行模块接收到所述识别卡检测模块发送的“一人多卡”违章行为“报警禁行”指令或所述图判别模块发送的“代替刷卡”违章行为“报警禁行”时，报警模块播放报警提示音，放行模块不开启放行通道，等待人工核查；接收到所述图像判别模块发送的“放行”指令时放行模块开启检测出口通道，允许煤矿入井人员正常出入井口。 

基于煤矿井下人员定位系统识别卡与人脸识别的煤矿入井人员唯一性检测方法，对所述采集到的图像进行处理，利用改进的广义对称变换算法，进一步包括以下步骤： 

步骤一：图像预处理，采用二维小波变换的Mallat算法对采集到的图像进行分解重构； 

过程为：对二维图像的每一列利用分析滤波器作列卷积再进行行抽样保留偶数行，分别得到低频系数和高频系数，再对所得到的低频系数和高频系数分别利用分析滤波器作行卷积再进行列抽样保留偶数列，分别得到一组低频系数和高频系数，完成二维图像的一级小波变换，即二维图像的分解；对低频系数继续进行上述过程，可实现二维图像的多级小波变换；对二维图像小波变换得到的两组低频系数和高频系数分别进行列插值在不同列间插入0组成的列再利用分析滤波器进行行卷积，得出一组高频系数和低频系数，对该组高频系数和低频系数分别进行行插值在不同行间插入0组成的行再利用分析滤波器进行列卷积，得出重构的二维图像，完成二维图像的重构； 

步骤二：利用广义对称变换算法检测图像中具有强对称性的圆形结构矿灯；广义对称算法检测圆形结构矿灯具体内容为： 

作为针对梯度图像的一个局部算子，对称变换被用来处理图像上各点的点对称性；设z_n＝(x_n，y_n)为图像上的一个任意的点，其中n＝1，2，3...N，x，y分别为直角坐标系横、纵坐标；定义： 

为点z_n处的梯度算子，变换成极坐标形式为：ρ_n＝(r_n，θ_n)，其中 

分别表示为点z_n处的梯度强度与梯度方向；z_i和z_j为任意两点，i，j＝1，2，3，...N，记γ_ij为z_i和z_j连线与水平线的逆时针角度，且z_i的边缘方向角度小于z_j的边缘方向角，考虑到两点的无序性，γ_ij的值域记为[0，π]； 

将所有以z为连线中心点的点对集合定义为： 

$\mathrm{\Γ}\left(z\right)=\left|(i,j)\right|\frac{z_i+z_j}{2}=z|;$

距离权重函数定义为： 

其中σ及后文提及σ₀、σ₁、σ₂均为所检测图像宽度与图像宽度的比值； 

相位权重函数定义为： 

Z(i，j)＝(1-cos(θ_i+θ_j-2γ_ij))(1-cos(θ_i-θ_j))； 

在z点处广义对称变换的强度定义为： 

S_σ(z)＝∑_{(i，j∈Γ(z))}C(i，j)； 

其中，C(i，j)＝L_σ(i，j)Z(i，j)r_ir_j，r_i，r_j分别为点z_i，z_j处的梯度强度； 

广义对称变换的方向则定义为： 

$\mathrm{\φ}\left(z\right)=\mathrm{Max}\left|\mathrm{\φ}\left(z\right)\right|\mathrm{\φ}\left(z\right)=\frac{{\mathrm{\θ}}_i+{\mathrm{\θ}}_j}{2},(i,j\∈\mathrm{\Γ}\left(z\right))|;$

在图像检测中，对于强对称性的圆形结构： 

由距离权重函数得出的高斯距离因子记为： 

$L_{\mathrm{\σ}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\π}{\mathrm{\σ}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\σ}}_0^2}];$

由相位权重函数得出的方向权重因子记为： 

$Z(i,j)=[1+\cos ({\mathrm{\θ}}_i-{\mathrm{\γ}}_{\mathrm{ij}})\cos ({\mathrm{\θ}}_j-{\mathrm{\γ}}_{\mathrm{ij}}-\mathrm{\π})]|{\mathrm{\γ}}_{\mathrm{ij}}-\frac{\mathrm{\π}}{2}|;$

矿灯视为强对称圆形结构进行检测，高斯距离因子为： 

$L_{\mathrm{\σ}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\π}{\mathrm{\σ}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\σ}}_0^2}];$

由相位权重函数得出的方向权重因子为： 

$Z(i,j)=[1+\cos ({\mathrm{\θ}}_i-{\mathrm{\γ}}_{\mathrm{ij}})\cos ({\mathrm{\θ}}_j-{\mathrm{\γ}}_{\mathrm{ij}}-\mathrm{\π})]|{\mathrm{\γ}}_{\mathrm{ij}}-\frac{\mathrm{\π}}{2}|;$

步骤三：利用广义对称算法检测图像中矿灯区域下方的具有强对称性的双眼及嘴巴，具体内容为： 

对于强对称性的圆形结构： 

由距离权重函数得出的高斯距离因子记为： 

$L_{\mathrm{\σ}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\π}{\mathrm{\σ}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\σ}}_0^2}];$

由相位权重函数得出的方向权重因子记为： 

$Z(i,j)=[1+\cos ({\mathrm{\θ}}_i-{\mathrm{\γ}}_{\mathrm{ij}})\cos ({\mathrm{\θ}}_j-{\mathrm{\γ}}_{\mathrm{ij}}-\mathrm{\π})]|{\mathrm{\γ}}_{\mathrm{ij}}-\frac{\mathrm{\π}}{2}|.$

对于强对称的椭圆形结构： 

由距离权重函数得出的高斯距离因子记为： 

$L_{\mathrm{\σ}}(i,j)=\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_1{\mathrm{\σ}}_2}}\exp [-\frac{{(x_j-x_i)}^2}{2{\mathrm{\σ}}_1^2}]\exp [-\frac{{(y_j-y_i)}^2}{2{\mathrm{\σ}}_2^2}];$

由相位权重函数得出的方向权重因子记为： 

$Z(i,j)=[1-\cos ({\mathrm{\θ}}_i+{\mathrm{\θ}}_j-2{\mathrm{\γ}}_{\mathrm{ij}})][1-\cos ({\mathrm{\θ}}_i-{\mathrm{\θ}}_j)]|{\mathrm{\γ}}_{\mathrm{ij}}-\frac{\mathrm{\π}}{2}|;$

眼睛检测：眼睛划分瞳孔区域抽象而成的圆形对称区和整个眼球区域的椭圆形对称区，相应地，将对称区分为两段进行表示： 

其中r＝(x_j-x_i)²+(y_j-y_i)²； 

瞳孔区域的方向权重因子为： 

$Z(i,j)=[1+\cos ({\mathrm{\θ}}_i-{\mathrm{\γ}}_{\mathrm{ij}})\cos ({\mathrm{\θ}}_j-{\mathrm{\γ}}_{\mathrm{ij}}-\mathrm{\π})]|{\mathrm{\γ}}_{\mathrm{ij}}-\frac{\mathrm{\π}}{2}|;$

嘴巴检测：分析时需参考为椭圆形区域，由于嘴巴可能随时张开或者闭合，取σ₁＝mσ₂，m∈(1，3)。 

由距离权重函数得出的高斯距离因子修改为： 

$L_{\mathrm{\σ}}(i,j)=\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_1{\mathrm{\σ}}_2}}\exp [-\frac{{(x_j-x_i)}^2}{2{\mathrm{\σ}}_1^2}]\exp [-\frac{{(y_j-y_i)}^2}{2{\mathrm{\σ}}_2^2}];$

由相位权重函数得出的方向权重因子修改为： 

$Z(i,j)=[1-\cos ({\mathrm{\θ}}_i+{\mathrm{\θ}}_j-2{\mathrm{\γ}}_{\mathrm{ij}})][1-\cos ({\mathrm{\θ}}_i-{\mathrm{\θ}}_j)]|{\mathrm{\γ}}_{\mathrm{ij}}-\frac{\mathrm{\π}}{2}|.$

本发明的优点在于： 

(1)本发明消除了煤矿井下人员定位系统不能对入井人员身份进行唯一性检测的功能 缺陷； 

(2)提出适合煤矿应用的入井人员唯一性检测系统结构及检测原理，采用煤矿出入井口检测点的人员限入模块结合识别卡检测模块甄别“一人多卡”的违章行为； 

(3)识别卡检测模块读取人脸特征结合即时人脸特征图像采集、图像处理、判别模块甄别“代替刷卡”违章行为，从根本上杜绝煤矿入井的违章行为； 

(4)利用煤矿井下人员定位识别卡具有存储功能，在人脸识别中直接从识别卡内读取人脸特征进行比对，能够有效减少由于人脸特征检索所造成的检测时间长的问题，缩短检测时间； 

(5)标识检测点进行图像采集，能消除采集人脸图像大小、方向不同造成的影响；改进的广义对称变换算法通过二维小波变换的Mallat算法进行图像分解重构再进行广义对称变换，进行人脸有污染情况下的人脸特征提取，有效消除煤矿煤尘、粉尘、水等各种因素对煤矿入井人员人脸特征污染所造成的检测准确度降低的影响，提高人脸有污染情况的检测准确度，减少误差。 

附图说明

图1为煤矿入井人员唯一性检测系统示意图； 

图2为煤矿入井人员唯一性检测系统结构框图； 

图3为煤矿入井人员唯一性检测系统流程图； 

图4为煤矿入井人员唯一性检测即时人脸特征图像处理流程图； 

图5为应用本发明实施例煤矿入井人员唯一性检测系统进行受煤尘污染的煤矿工人人脸特征提取与采用灰度变换与边缘检测方法的对比图；图6为分解算法流程图；图7为重构算法流程图。 

图中，1、人员限入模块；2、自动检测模块；3报警限行模块；4、标识模块；5、重力感应模块；6、限入模块；7、识别卡检测模块；8、图像采集模块；9、图像处理模块；10、判别模块；11、报警模块；12、放行模块；13、检测开始指令；14、识别卡数量信息；15、识别卡存储的身份信息；16、识别卡存储的人脸特征；17、即时人脸特征；18、报警禁行指令；19、放行指令；20、检测结束指令。 

具体实施方式

下列实施实例将进一步说明本发明，实施实例不应被视为限制本发明的范围。下面结合附图对本发明的工作方式做详细说明。 

如图1所示，本发明的煤矿入井人员唯一性检测系统示意图，包括：1、人员限入模块；2、自动检测模块；3、报警限行模块。 

人员限入模块1包括智能通道控制器、电容式称重传感器构成、带有位置标识的重力感应器。自动检测模块2包括煤矿井下人员定位低功率RFID读卡器、CCD摄像头、计算机。报警限行模块3包括智能扬声器和智能通道控制器。 

如图2所示，本发明的煤矿入井人员唯一性检测系统结构，包括：4、标识模块；5、重力感应模块；6、限入模块；7、识别卡检测模块；8、图像采集模块；9、图像处理模块；10、图像判别模块；11、报警模块；12、放行模块。系统工作中涉及到的信息包括：13、“检测开始”指令；14、识别卡数量；15、识别卡身份信息；16、识别卡人脸特征；17、即时人脸特征；18、“报警禁行”指令；19、“放行”指令；20、“检测结束”指令 

系统工作流程如下： 

如图3所示，煤矿入井人员进入检测点，根据标识模块4，进入标识位置，重力感应模块5采用电容式称重传感器，感应到人员进入后，发送“检测开始”指令13至限入模块5和图像采集模块8，限入模块5采用智能通道控制器，接收到“检测开始”指令后智能通道控制器关闭检测通道入口，不允许两名及两名以上进入煤矿入井人员同时进入检测点，等待“检 测结束”指令20。 

识别卡检测模块7采用煤矿井下人员定位RFID低功率读卡器，检测以检测点长度的1/2为半径的区域内煤矿井下人员定位RFID识别卡数量信息14，若检测识别卡数量信息14表明仅有一张识别卡存在，则继续读取识别卡存储的身份信息15和识别卡存储的人脸特征16，并将存储的人脸特征16传输至判别模块10的计算机；若检测识别卡数量信息14表明识别卡数目多余两张，判别为“一人多卡”违章行为，发送“报警禁行”指令18至报警模块11和放行模块12，报警模块11智能扬声器播放报警音，放行模块12智能通道控制器保持检测通道出口关闭状态，禁止该煤矿入井人员入井/出井，进行人工核查。 

识别卡检测模块7工作的同时，图像采集模块8的CCD摄像头对标识模块4指定的区域拍照，传输至图像处理模块9的计算机，进行图像预处理和人脸特征提取，传输至判别模块10的计算机。 

判别模块10的计算机将识别卡存储的人脸特征16与提取人脸特征后的即时人脸特征17进行比对，判断人脸特征是否匹配，判别模块10对存储人脸特征与即时人脸特征进行匹配可以采用SURF特征点算法，SUSAN特征点算法，SIFT特征点算法；本发明对人脸特征匹配算法的具体类型不加以限定，只要能实现人脸特征匹配的技术，都可以实现本发明的目的，都可以为本发明所采用；若人脸特征不匹配，判定为“代替刷卡”违章行为，发送“报警禁行”指令18至报警模块11和放行模块12，报警模块11智能扬声器播放报警音，放行模块12智能通道控制器保持检测通道出口关闭状态，禁止该工作人员入井/出井，进行人工核查；若匹配，发送“放行”指令19至放行模块12，放行模块12智能通道控制器开启检测通道出口，允许该煤矿入井人员正常入井/出井，本次检测结束，发送“检测结束”指令20至限入模块6，限入模块6开启检测通道入口，等待下次检测。 

图4为应用本发明实施例煤矿入井人员唯一性检测即时人脸特征图像处理流程图。所述图像采集模块8获取即时人脸特征17，发送至图像处理模块9，利用二维小波变换的Mallat算法进行图像分解重构。 

所述二维小波变换的Mallat算法进行图像分解重构的步骤包括： 

图像预处理，利用二维小波变换的Mallat算法对采集到的图像进行小波分解重构； 

二维小波变换的Mallat分解算法为： 

其中g为高通滤波器、h为低通滤波器，k∈Z， 

为c_k+1一级二维小波变换，其中 分别对应频域特性中的水平高频、垂直高频和两个方向上的高频； 

具体内容为： 

设定g为高通滤波器、h为低通滤波器，k，n，m，l，j∈Z，x，y，t∈R， 

为c_k+1(一级)二维小波变换，其中c_k为低频部分，提取分解处理后的图像； 

分别对应频域特性中的水平高频、垂直高频和两个方向上的高频，分别提取图像的水平边缘、垂直边缘与对角信息； 

设一维正交多分辨率分析{V_K}_K∈z的两尺度方程和小波方程为： 

$\left\{\begin{array}{c}\mathrm{\φ}\left(t\right)=\sqrt{2}{\mathrm{\Σ}}_n{h}_n\mathrm{\φ}(2t-n)\\ \mathrm{\ψ}\left(t\right)=\sqrt{2}{\mathrm{\Σ}}_n{g}_n\mathrm{\φ}(2t-n)\end{array}\right.;$

其中，{h_n}为实滤波器，g_n＝(-1)ⁿh_1-n； 

那么，根据信号f的一级二维小波变换： 

可以得到： 

$d_{k;n,m}^1$

$=<f,{\mathrm{\&psi;}}_{k,n,m}^1>$

$={\&Integral;}_R{\&Integral;}_{R}f(x,y)\left({\mathrm{\&psi;}}_{k,n,m}^1(x,y)\right)\mathrm{dxdy}$

$={\&Integral;}_R{\&Integral;}_{R}f(x,y)2^k\mathrm{\&phi;}(2^{k}x-n)\mathrm{\&psi;}(2^{k}y-m)\mathrm{dxdy}$

$={\&Integral;}_R{\&Integral;}_{R}f(x,y)2^k\left(\sqrt{2}\underset{l}{\mathrm{\&Sigma;}}{h}_l\mathrm{\&phi;}(2^{k+1}x-2n-l)\right)\left(\sqrt{2}\underset{j}{\mathrm{\&Sigma;}}{g}_j\mathrm{\&phi;}(2^{k+1}y-2m-j)\right)\mathrm{dxdy}$

$=\underset{l,j}{\mathrm{\&Sigma;}}{h}_l{g}_j{\&Integral;}_R{\&Integral;}_{R}f(x,y)2^k\mathrm{\&phi;}(2^{k+1}x-2n-l)\mathrm{\&phi;}(2^{k+1}y-2m-j)\mathrm{dxdy}$

$=\underset{l,j}{\mathrm{\&Sigma;}}{h}_l{g}_j{c}_{k+1;2n+l,2m+j}$

$=\underset{l,j}{\mathrm{\&Sigma;}}{h}_{l-2n}{g}_{j-2m}{c}_{k+1;l,j}$

同理，可求得： 

$d_{k;n,m}^2=\underset{l,j}{\mathrm{\&Sigma;}}{g}_{l-2n}{g}_{j-2m}{c}_{k+1;l,j}$

$d_{k;n,m}^2=\underset{l,j}{\mathrm{\&Sigma;}}{g}_{l-2n}{g}_{j-2m}{c}_{k+1;l,j}$

则二维小波变换的Mallat分解算法记为： 

$\left\{\begin{array}{c}{c}_{k;n,m}=\underset{l,j}{\mathrm{\&Sigma;}}{h}_{l-2n}{h}_{j-2m}{c}_{k+l;l,j}\\ d_{k;n,m}^1=\underset{l,j}{\mathrm{\&Sigma;}}{h}_{l-2n}{g}_{j-2m}{c}_{k+l;l,j}\\ d_{k;n,m}^2=\underset{l,j}{\mathrm{\&Sigma;}}{g}_{l-2n}{h}_{j-2m}{c}_{k+l;l,j}\\ d_{k;n,m}^3=\underset{l,j}{\mathrm{\&Sigma;}}{g}_{l-2n}{g}_{j-2m}{c}_{k+l;l,j}\end{array}\right.$

二维小波变换的Mallat重构算法为： 

二维小波变换Mallat重构算法可由二维小波变换Mallat分解算法推导的逆运算得出： 

$c_{k+1;n,m}=\underset{l,j}{\mathrm{\&Sigma;}}{h}_{n-2l}{h}_{m-2j}{c}_{k;n,m}+\underset{l,j}{\mathrm{\&Sigma;}}{h}_{n-2l}{g}_{m-2j}{d}_{k;n,m}^1+$

$\underset{l,j}{\mathrm{\&Sigma;}}{g}_{n-2l}{h}_{m-2j}{d}_{k;n,m}^2+\underset{l,j}{\mathrm{\&Sigma;}}{g}_{n-2l}{g}_{m-2j}{d}_{k;n,m}^3$

利用广义对称变换算法判断所述利用二维小波变换的Mallat算法处理后的即时人脸图像中是否存在矿灯，参考为圆形区域，σ₀为图像宽度的0.25倍。 

高斯距离因子修正为： $L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_1{\mathrm{\&sigma;}}_2}}\exp [-\frac{{(x_j-x_i)}^2}{2{\mathrm{\&sigma;}}_1^2}]\exp [-\frac{{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_2^2}];$

方向权重因子为： $Z(i,j)=[1+\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&gamma;}}_{\mathrm{ij}})\cos ({\mathrm{\&theta;}}_j-{\mathrm{\&gamma;}}_{\mathrm{ij}}-\mathrm{\&pi;})]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|.$

若未检测到矿灯，重新进行人脸即时信息17采集与二维小波变换Mallat算法进行小波分解重构的步骤。若检测到矿灯，在矿灯下方图像区域利用广义对称变换检测眼睛和嘴巴。 

眼睛检测：σ₀为图像宽度的0.05倍，σ₁＝4σ₀，σ₂＝σ₀，眼睛的瞳孔区域抽象成圆形对称结构，眼球区域抽象成椭圆形对称结构，将高斯对称因子表示为： 

其中r＝(x_j-x_i)²+(y_j-y_i)²。 

瞳孔区域的方向权重因子为： $Z(i,j)=[1+\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&gamma;}}_{\mathrm{ij}})\cos ({\mathrm{\&theta;}}_j-{\mathrm{\&gamma;}}_{\mathrm{ij}}-\mathrm{\&pi;})]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|.$

嘴巴检测：参考为椭圆形区域，σ₂宽度取图像宽度的0.3倍，由于嘴巴可能随时张开或者闭合，取σ₁＝cσ₂，c∈(1，3)。 

高斯距离因子为： $L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_1{\mathrm{\&sigma;}}_2}}\exp [-\frac{{(x_j-x_i)}^2}{2{\mathrm{\&sigma;}}_1^2}]\exp [-\frac{{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_2^2}];$

方向权重修改为： $Z(i,j)=[1-\cos ({\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_j-2{\mathrm{\&gamma;}}_{\mathrm{ij}})][1-\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_j)]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|.$

检测完毕发送结果至判别模块10，即时人脸特征17处理过程结束。 

图5为应用本发明实施例煤矿入井人员唯一性检测系统进行受煤尘污染的煤矿工人人脸特征提取与采用灰度变换与边缘检测方法的对比图，特征提取结果利用MATLAB2009软件实现。(a)为未经处理的受煤尘污染的煤矿工人人脸图片，(b)采用灰度变换与边缘检测方法的受煤尘污染的煤矿工人人脸特征提取结果，(c)为应用本发明实施例采用改进的广义对称变换算法的煤矿出井人员人脸特征提取结果。 

应用本发明实施例的广义对称变换算法参数选取为： 

矿灯检测：参考为圆形区域，σ₀为图像宽度的0.25倍。 

高斯距离因子修正为： $L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\&pi;}{\mathrm{\&sigma;}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_0^2}];$

方向权重因子为： $Z(i,j)=[1+\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&gamma;}}_{\mathrm{ij}})\cos ({\mathrm{\&theta;}}_j-{\mathrm{\&gamma;}}_{\mathrm{ij}}-\mathrm{\&pi;})]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|.$

眼睛检测：σ₀为图像宽度的0.05倍，σ₁＝4σ₀，σ₂＝σ₀，眼睛的瞳孔区域抽象成圆形对称结构，眼球区域抽象成椭圆形对称结构，将高斯对称因子表示为： 

其中r＝(x_j-x_i)²+(y_j-y_i)²。 

瞳孔区域的方向权重因子为： $Z(i,j)=[1+\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&gamma;}}_{\mathrm{ij}})\cos ({\mathrm{\&theta;}}_j-{\mathrm{\&gamma;}}_{\mathrm{ij}}-\mathrm{\&pi;})]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|.$

嘴巴检测：参考为椭圆形区域，σ₂宽度取图像宽度的0.3倍，由于嘴巴可能随时张开或者闭合，取σ₁＝cσ₂，c∈(1，3)。 

高斯距离因子为： $L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_1{\mathrm{\&sigma;}}_2}}\exp [-\frac{{(x_j-x_i)}^2}{2{\mathrm{\&sigma;}}_1^2}]\exp [-\frac{{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_2^2}];$

方向权重修改为： $Z(i,j)=[1-\cos ({\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_j-2{\mathrm{\&gamma;}}_{\mathrm{ij}})][1-\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_j)]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|.$

检测结果对比分析：(b)显示灰度变换和边缘检测算法提取到的受煤尘污染的煤矿工人人脸特征具有明显误差；(c)显示应用本发明实施例采用改进的广义对称变换算法准确地提取了受煤尘污染的煤矿工人人脸特征。 

本发明采用煤矿入井人员出入井自动控制、基于煤矿井下人员定位系统识别卡唯一性判别、基于煤矿井下人员定位识别卡存储人脸特征与即时人脸特征对比判别相结合的检测，其中即时人脸特征的提取采用改进的广义对称变换算法，实现煤矿入井人员唯一性检测。本发明消除了煤矿井下人员定位系统不能对入井人员身份进行唯一性检测的功能缺陷；采用煤矿出入井口检测点的人员限入模块结合识别卡检测模块甄别“一人多卡”的违章行为；识别卡检测模块读取人脸特征结合即时人脸特征图像采集、图像处理、判别模块甄别“代替刷卡”违章行为，从根本上杜绝煤矿入井的违章行为；利用煤矿井下人员定位识别卡具有存储功能，在人脸识别中直接从识别卡内读取人脸特征进行比对，能够有效减少由于人脸特征检索所造成的检测时间长的问题，缩短检测时间；标识检测点进行图像采集，能消除采集人脸图像大小、方向不同造成的影响；改进的广义对称变换算法通过二维小波变换的Mallat算法进行图像分解重构再进行广义对称变换，进行人脸有污染情况下的人脸特征提取，有效消除煤矿煤尘、粉尘、水等各种因素对煤矿入井人员人脸特征污染所造成的检测准确度降低的影响，提高人脸有污染情况的检测准确度，减少误差。 

需要指出的是，以上所述实施实例用于进一步说明本发明，实施实例不应被视为限制本发明的范围。 

Claims (10)

1.一种煤矿入井人员唯一性检测系统，其特征在于，包括以下模块：

人员限入模块，用于限定煤矿入井人员在唯一性检测点的进入方式；

自动检测模块，用于采集煤矿入井人员携带的煤矿井下人员定位识别卡的数量唯一性信息及其中存储的个人身份信息、人脸特征以及煤矿入井人员的即时人脸特征，将所述人脸特征进行比对，判定煤矿井下人员定位识别卡的唯一性及煤矿入井人员身份的唯一性；

报警限行模块，所述煤矿井下人员定位识别卡的唯一性及煤矿入井人员身份的唯一性检测未通过，进行报警并禁止该人员入井，进行人工核查；所述唯一性检测通过，对检测人员放行。

2.根据权利要求1所述的煤矿入井人员唯一性检测系统，其特征在于，所述人员限入模块进一步包括标识模块、重力感应模块、限入模块；所述标识模块用于标识接受检测的位置；所述重力感应模块用于感应是否有人员进入检测区，发送“检测开始”指令至限入模块和图像采集模块；所述限入模块用于接收“检测开始”指令并关闭检测通道入口，接收“检测结束”指令并打开检测通道入口。

3.根据权利要求1所述的煤矿入井人员唯一性检测系统，其特征在于，所述自动检测模块进一步包括识别卡检测模块、图像采集模块、图像处理模块、判别模块，所述识别卡检测模块用于检测煤矿井下人员定位识别卡信息，所述图像采集模块和图像处理模块分别用于采集和处理即时人脸图像，判别模块用于比对煤矿井下人员定位识别卡存储的人脸特征和即时人脸特征判别唯一性。

4.根据权利要求3所述的煤矿入井人员唯一性检测系统，其特征在于，所述识别卡检测模块的检测以检测点长度的1/2为半径的区域，检测煤矿井下人员定位识别卡数量、读取身份信息和人脸特征并发送至判别模块，根据检测点内煤矿井下人员定位识别卡的数量判别是否存在“一人多卡”违章行为，向报警限行模块发出“报警禁行”指令。

5.根据权利要求3所述的煤矿入井人员唯一性检测系统，其特征在于，所述图像采集模块用于接收“检测开始”指令、采集标识模块指定区域的图像并发送至图像处理模块。

6.根据权利要求3所述的煤矿入井人员唯一性检测系统，其特征在于，所述图像处理模块用于对采集到的图像进行处理，提取具有即时人脸特征，人脸图像处理采用改进的广义对称变换算法，所述改进的广义对称变换算法具体内容为：

步骤一：图像预处理，采用二维小波变换的Mallat算法对采集到的图像进行分解重构；

过程为：对二维图像的每一列利用分析滤波器进行列卷积再进行行抽样保留偶数行，分别得到低频系数和高频系数，再对所得到的低频系数和高频系数分别利用分析滤波器作行卷积再进行列抽样保留偶数列，分别得到一组低频系数和高频系数，完成二维图像的一级小波变换，即二维图像的分解；对二维图像小波变换得到的两组低频系数和高频系数分别进行列插值在不同的列之间插入由0组成的列后再利用分析滤波器进行行卷积，得出一组高频系数和低频系数，对该组高频系数和低频系数分别进行行插值在不同的行之间插入由0组成的行再利用分析滤波器进行列卷积，得出重构的二维图像，完成二维图像的重构；

步骤二：利用广义对称变换算法检测图像中具有强对称性的圆形结构矿灯；

广义对称变换算法是通过计算图像中各点的距离因子、方向权重找到具有强对称性的点或区域，从而检测出图像中具有对称结构的特征；

广义对称算法检测圆形结构矿灯具体内容为：

作为针对梯度图像的一个局部算子，对称变换被用来处理图像上各点的点对称性；设z_n＝(x_n，y_n)为图像上的一个任意的点，其中n＝1，2，3...N，x，y分别为直角坐标系横、纵坐标；定义：

为点z_n处的梯度算子，变换成极坐标形式为：ρ_n＝(r_n，θ_n)，其中

分别表示为点z_n处的梯度强度与梯度方向；z_i和z_j为任意两点，i，j＝1，2，3，...N，记γ_ij为z_i和z_j连线与水平线的逆时针角度，且z_i的边缘方向角度小于z_j的边缘方向角，考虑到两点的无序性，γ_ij的值域记为[0，π]；

将所有以z为连线中心点的点对集合定义为：

$\mathrm{\&Gamma;}\left(z\right)=\left|(i,j)\right|\frac{z_i+z_j}{2}=z|;$

距离权重函数定义为：

其中σ及后文提及σ₀、σ₁、σ₂均为所检测图像宽度与图像宽度的比值；

相位权重函数定义为：

Z(i，j)＝(1-cos(θ_i+θ_j-2γ_ij))(1-cos(θ_i-θ_j))；

在z点处广义对称变换的强度定义为：

S_σ(z)＝∑_{(i，j∈Γ(z))}C(i，j)；

其中，C(i，j)＝L_σ(i，j)Z(i，j)r_ir_j，r_i，r_j分别为点z_i，z_j处的梯度强度；

广义对称变换的方向则定义为：

$\mathrm{\&phi;}\left(z\right)=\mathrm{Max}\left|\mathrm{\&phi;}\left(z\right)\right|\mathrm{\&phi;}\left(z\right)=\frac{{\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_j}{2},(i,j\&Element;\mathrm{\&Gamma;}\left(z\right))|;$

在图像检测中，对于强对称性的圆形结构：

由距离权重函数得出的高斯距离因子记为：

$L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\&pi;}{\mathrm{\&sigma;}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_0^2}];$

由相位权重函数得出的方向权重因子记为：

$Z(i,j)=[1+\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&gamma;}}_{\mathrm{ij}})\cos ({\mathrm{\&theta;}}_j-{\mathrm{\&gamma;}}_{\mathrm{ij}}-\mathrm{\&pi;})]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|;$

矿灯视为强对称圆形结构进行检测，高斯距离因子为：

$L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\&pi;}{\mathrm{\&sigma;}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_0^2}];$

由相位权重函数得出的方向权重因子为：

$Z(i,j)=[1+\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&gamma;}}_{\mathrm{ij}})\cos ({\mathrm{\&theta;}}_j-{\mathrm{\&gamma;}}_{\mathrm{ij}}-\mathrm{\&pi;})]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|;$

步骤三：利用广义对称算法检测图像中矿灯区域下方的具有强对称性的双眼及嘴巴，具体内容为：

对于强对称性的圆形结构：

由距离权重函数得出的高斯距离因子记为：

$L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\&pi;}{\mathrm{\&sigma;}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_0^2}];$

由相位权重函数得出的方向权重因子记为：

$Z(i,j)=[1+\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&gamma;}}_{\mathrm{ij}})\cos ({\mathrm{\&theta;}}_j-{\mathrm{\&gamma;}}_{\mathrm{ij}}-\mathrm{\&pi;})]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|;$

对于强对称的椭圆形结构：

由距离权重函数得出的高斯距离因子记为：

$L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_1{\mathrm{\&sigma;}}_2}}\exp [-\frac{{(x_j-x_i)}^2}{2{\mathrm{\&sigma;}}_1^2}]\exp [-\frac{{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_2^2}];$

由相位权重函数得出的方向权重因子记为：

$Z(i,j)=[1-\cos ({\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_j-2{\mathrm{\&gamma;}}_{\mathrm{ij}})][1-\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_j)]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|;$

眼睛检测：眼睛划分瞳孔区域抽象而成的圆形对称区和整个眼球区域的椭圆形对称区，相应地，将对称区分为两段进行表示：

其中r＝(x_j-x_i)²+(y_j-y_i)²；

瞳孔区域的方向权重因子为：

$Z(i,j)=[1+\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&gamma;}}_{\mathrm{ij}})\cos ({\mathrm{\&theta;}}_j-{\mathrm{\&gamma;}}_{\mathrm{ij}}-\mathrm{\&pi;})]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|;$

嘴巴检测：分析时需参考为椭圆形区域，由于嘴巴可能随时张开或者闭合，取σ₁＝mσ₂，m∈(1，3)。

由距离权重函数得出的高斯距离因子修改为：

$L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_1{\mathrm{\&sigma;}}_2}}\exp [-\frac{{(x_j-x_i)}^2}{2{\mathrm{\&sigma;}}_1^2}]\exp [-\frac{{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_2^2}];$

由相位权重函数得出的方向权重因子修改为：

$Z(i,j)=[1-\cos ({\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_j-2{\mathrm{\&gamma;}}_{\mathrm{ij}})][1-\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_j)]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|.$

7.根据权利要求3所述的煤矿入井人员唯一性检测系统，其特征在于，所述判别模块用于接收识别卡检测模块发送的人脸特征和图像处理模块发送的即时人脸特征并进行比对，判别两种人脸特征是否匹配，人脸特征不匹配判别为“代替刷卡”的违章行为，发送“报警禁行”指令至报警放行模块，人脸特征匹配判别为“通过检测”的正常行为，发送“放行”指令至报警放行模块和“检测结束”指令至限入模块。

8.根据权利要求1所述的煤矿入井人员唯一性检测系统，其特征在于，所述报警限行模块进一步包括报警模块及放行模块，用于接收“报警禁行”指令，由所述报警模块播放报警提示音，所述放行模块保持检测通道出口关闭；接收“放行”指令，由所述放行模块打开检测通道出口。

9.一种煤矿入井人员唯一性检测方法，其特征在于，包括以下步骤：

步骤一：标识模块标识接受检测的位置；煤矿入井人员进入检测点的标识模块，重力感应模块感应到有人员进入检测区，发送“检测开始”指令至限入模块和自动检测模块；限入模块收到“检测开始”指令，关闭通道入口并等待接收“检测结束”指令，不允许两名以上煤矿入井人员同时进入检测点；

步骤二：识别卡检测模块检测以检测点长度的1/2为半径的检测区域，检测到有煤矿井下人员定位识别卡，如数量为两个或两个以上判定为“一人多卡”的违章行为，向报警限行模块发出“报警禁行”指令；检测到只有唯一的煤矿井下人员定位识别卡时，读取煤矿井下人员定位识别卡存储的身份信息和人脸特征，发送人脸特征到判别模块；

步骤三：图像采集模块接收到“检测开始”指令，对所述标识模块指定的区域进行图像采集，并发送至图像处理模块；

步骤四：图像处理模块对所述采集到的图像进行处理，采用改进的广义对称变换算法，提取出具有包括矿灯、眼睛、嘴巴等对称性局部特征的即时人脸特征；

步骤五：判别模块接收识别卡检测模块发送的人脸特征和图像处理模块发送的即时人脸特征并进行判别，人脸信息不匹配判别为“代替刷卡”的违章行为向所述报警限行模块发送“报警禁行”指令，人脸特征匹配判别为“通过检测”向所述报警限行模块发送“放行”指令，向人员限入模块发送“检测结束”指令；

步骤六：报警限行模块接收到所述识别卡检测模块发送的“一人多卡”违章行为“报警禁行”指令或所述图判别模块发送的“代替刷卡”违章行为“报警禁行”时，报警模块播放报警提示音，放行模块不开启检测通道出口，等待人工核查；接收到所述图像判别模块发送的“放行”指令时放行模块开启检测通道出口，允许煤矿入井人员正常出入井口。

10.根据权利要求9所述的煤矿入井人员唯一性检测方法，其特征在于，步骤四对所述采集到的图像进行处理，采用的改进广义对称变换算法，进一步包括以下步骤：

步骤一：图像预处理，采用二维小波变换的Mallat算法对采集到的图像进行分解重构；

过程为：对二维图像的每一列利用分析滤波器进行列卷积再进行行抽样保留偶数行，分别得到低频系数和高频系数，再对所得到的低频系数和高频系数分别利用分析滤波器作行卷积再进行列抽样保留偶数列，分别得到一组低频系数和高频系数，完成二维图像的一级小波变换，即二维图像的分解；对低频系数继续进行上述过程，可实现二维图像的多级小波变换；对二维图像小波变换得到的两组低频系数和高频系数分别进行列插值在不同的列之间插入由0组成的列后再利用分析滤波器进行行卷积，得出一组高频系数和低频系数，对该组高频系数和低频系数分别进行行插值在不同的行之间插入由0组成的行再利用分析滤波器进行列卷积，得出重构的二维图像，完成二维图像的重构；

步骤二：利用广义对称变换算法检测图像中具有强对称性的圆形结构矿灯；

广义对称变换算法是通过计算图像中各点的距离因子、方向权重找到具有强对称性的点或区域，从而检测出图像中具有对称结构的特征；

广义对称算法检测圆形结构矿灯具体内容为：

作为针对梯度图像的一个局部算子，对称变换被用来处理图像上各点的点对称性；设z_n＝(x_n，y_n)为图像上的一个任意的点，其中n＝1，2，3...N，x，y分别为直角坐标系横、纵坐标；定义：

为点z_n处的梯度算子，变换成极坐标形式为：ρ_n＝(r_n，θ_n)，其中

分别表示为点z_n处的梯度强度与梯度方向；z_i和z_j为任意两点，i，j＝1，2，3，...N，记γ_ij为z_i和z_j连线与水平线的逆时针角度，且z_i的边缘方向角度小于zj的边缘方向角，考虑到两点的无序性，γ_ij的值域记为[0，π]；

将所有以z为连线中心点的点对集合定义为：

$\mathrm{\&Gamma;}\left(z\right)=\left|(i,j)\right|\frac{z_i+z_j}{2}=z|;$

距离权重函数定义为：

其中σ及后文提及σ₀、σ₁、σ₂均为所检测图像宽度与图像宽度的比值；

相位权重函数定义为：

Z(i，j)＝(1-cos(θ_i+θ_j-2γ_ij))(1-cos(θ_i-θ_j))；

在z点处广义对称变换的强度定义为：

S_σ(z)＝∑_{(i，j∈Γ(z))}C(i，j)；

其中，C(i，j)＝L_σ(i，j)Z(i，j)r_ir_j，r_i，r_j分别为点z_i，z_j处的梯度强度；

广义对称变换的方向则定义为：

$\mathrm{\&phi;}\left(z\right)=\mathrm{Max}\left|\mathrm{\&phi;}\left(z\right)\right|\mathrm{\&phi;}\left(z\right)=\frac{{\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_j}{2},(i,j\&Element;\mathrm{\&Gamma;}\left(z\right))|;$

在图像检测中，对于强对称性的圆形结构：

由距离权重函数得出的高斯距离因子记为：

$L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\&pi;}{\mathrm{\&sigma;}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_0^2}];$

由相位权重函数得出的方向权重因子记为：

$Z(i,j)=[1+\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&gamma;}}_{\mathrm{ij}})\cos ({\mathrm{\&theta;}}_j-{\mathrm{\&gamma;}}_{\mathrm{ij}}-\mathrm{\&pi;})]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|;$

矿灯视为强对称圆形结构进行检测，高斯距离因子为：

$L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\&pi;}{\mathrm{\&sigma;}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_0^2}];$

由相位权重函数得出的方向权重因子为：

$Z(i,j)=[1+\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&gamma;}}_{\mathrm{ij}})\cos ({\mathrm{\&theta;}}_j-{\mathrm{\&gamma;}}_{\mathrm{ij}}-\mathrm{\&pi;})]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|;$

步骤三：利用广义对称算法检测图像中矿灯区域下方的具有强对称性的双眼及嘴巴，具体内容为：

对于强对称性的圆形结构：

由距离权重函数得出的高斯距离因子记为：

$L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2}\mathrm{\&pi;}{\mathrm{\&sigma;}}_0}\exp [-\frac{{(x_j-x_i)}^2+{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_0^2}];$

由相位权重函数得出的方向权重因子记为：

$Z(i,j)=[1+\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&gamma;}}_{\mathrm{ij}})\cos ({\mathrm{\&theta;}}_j-{\mathrm{\&gamma;}}_{\mathrm{ij}}-\mathrm{\&pi;})]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|;$

对于强对称的椭圆形结构：

由距离权重函数得出的高斯距离因子记为：

$L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_1{\mathrm{\&sigma;}}_2}}\exp [-\frac{{(x_j-x_i)}^2}{2{\mathrm{\&sigma;}}_1^2}]\exp [-\frac{{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_2^2}];$

由相位权重函数得出的方向权重因子记为：

$Z(i,j)=[1-\cos ({\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_j-2{\mathrm{\&gamma;}}_{\mathrm{ij}})][1-\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_j)]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|;$

眼睛检测：眼睛划分瞳孔区域抽象而成的圆形对称区和整个眼球区域的椭圆形对称区，相应地，将对称区分为两段进行表示：

其中r＝(x_j-x_i)²+(y_j-y_i)²；

瞳孔区域的方向权重因子为：

$Z(i,j)=[1+\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&gamma;}}_{\mathrm{ij}})\cos ({\mathrm{\&theta;}}_j-{\mathrm{\&gamma;}}_{\mathrm{ij}}-\mathrm{\&pi;})]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|;$

嘴巴检测：分析时需参考为椭圆形区域，由于嘴巴可能随时张开或者闭合，取σ₁＝mσ₂，m∈(1，3)。

由距离权重函数得出的高斯距离因子修改为：

$L_{\mathrm{\&sigma;}}(i,j)=\frac{1}{\sqrt{2\mathrm{\&pi;}{\mathrm{\&sigma;}}_1{\mathrm{\&sigma;}}_2}}\exp [-\frac{{(x_j-x_i)}^2}{2{\mathrm{\&sigma;}}_1^2}]\exp [-\frac{{(y_j-y_i)}^2}{2{\mathrm{\&sigma;}}_2^2}];$

由相位权重函数得出的方向权重因子修改为：

$Z(i,j)=[1-\cos ({\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_j-2{\mathrm{\&gamma;}}_{\mathrm{ij}})][1-\cos ({\mathrm{\&theta;}}_i-{\mathrm{\&theta;}}_j)]|{\mathrm{\&gamma;}}_{\mathrm{ij}}-\frac{\mathrm{\&pi;}}{2}|.$

Images