CN107590822A - 一种有效的煤矿智能监测系统 - Google Patents
一种有效的煤矿智能监测系统 Download PDFInfo
- Publication number
- CN107590822A CN107590822A CN201710901989.7A CN201710901989A CN107590822A CN 107590822 A CN107590822 A CN 107590822A CN 201710901989 A CN201710901989 A CN 201710901989A CN 107590822 A CN107590822 A CN 107590822A
- Authority
- CN
- China
- Prior art keywords
- image
- unit
- module
- video image
- background
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Solid-Sorbent Or Filter-Aiding Compositions (AREA)
Abstract
一种有效的煤矿智能监测系统，包括图像获取模块、图像预处理模块、目标检测模块和图像分析模块，所述图像获取模块用于采集煤矿下的视频图像，并将采集得到的视频图像通过数据通信单元传输到图像预处理模块，所述图像预处理模块用于去除所述视频图像中的噪声和雾尘干扰，从而获得清晰的视频图像，所述目标检测模块用于对所述视频图像中的运动目标进行自动准确地检测，所述图像分析模块用于对所述运动目标进行持续跟踪和分析，从而获得目标的特征信息以及运动轨迹。本发明的有益效果为：提供一种有效的煤矿智能监测系统，通过对井下环境进行实时的视频图像采集，并对所述视频图像进行处理和分析，实现煤矿的有效监测。
Description
技术领域
本发明创造涉及煤矿安全监测技术领域，具体涉及一种有效的煤矿智能监测系统。
背景技术
针对我国煤矿产业重大事故频发的现象，在事故发生后由于无法提供有用的信息，难以实施可靠的救援，给国家、社会以及人民财产带来重大损失的现象，确保煤矿安全生产是煤炭产业的首要任务。近年来，煤矿视频监控系统作为现代矿井安全生产系统中必不可少的组成部分，对保障煤矿企业的安全、高效生产具有十分重要的意义。针对煤矿智能视频监控环境存在各种复杂动态场景变化的情况，本发明对运动目标检测中的背景建模与更新、前景检测和运动阴影检测和去除的技术进行了深入研究。
发明内容
针对上述问题，本发明旨在提供一种有效的煤矿智能监测系统。
本发明创造的目的通过以下技术方案实现：
一种有效的煤矿智能监测系统，包括图像获取模块、图像预处理模块、目标检测模块和图像分析模块，所述图像获取模块包括图像采集单元和数据通信单元，所述图像采集单元用于采集井下的视频图像，并将采集得到的视频图像通过数据通信单元传输到图像预处理模块，所述图像预处理模块用于去除所述视频图像中的噪声和雾尘干扰，并对所述视频图像进行增强处理，所述目标检测模块用于对所述视频图像中的运动目标进行自动检测，所述图像分析模块用于对所述运动目标进行持续跟踪和分析，从而获得目标的特征信息以及运动轨迹。
本发明创造的有益效果：提供一种有效的煤矿智能监测系统，通过对井下环境进行实时的视频图像采集，并对所述视频图像进行处理和分析，实现煤矿的有效监测，本发明在运动目标检测方面，提出新的背景建模与更新方法，提高了相应的处理速度和背景建模的准确度，在前景检测方面，采用自适应阈值选取，获得了较高的前景检测率。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图；
图2是本发明目标检测模块的结构示意图；
附图标记：
图像获取模块1；图像预处理模块2；目标检测模块3；图像分析模块4；图像采集单元11；数据通信单元12；图像去噪单元21；图像去雾单元22；图像增强单元23；背景建模单元31；前景检测单元32。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1和图2，本实施例的一种有效的煤矿智能监测系统，包括图像获取模块1、图像预处理模块2、目标检测模块3和图像分析模块4，所述图像获取模块1包括图像采集单元11和数据通信单元12，所述图像采集单元11用于采集井下的视频图像，并将采集得到的视频图像通过数据通信单元12传输到图像预处理模块2，所述图像预处理模块2用于去除所述视频图像中的噪声和雾尘干扰，从而获得清晰的视频图像，所述目标检测模块3用于对所述视频图像中的运动目标进行自动检测，所述图像分析模块4用于对所述运动目标进行持续跟踪和分析，从而获得目标的特征信息以及运动轨迹。
优选地，所述图像预处理模块2包括图像去噪单元21、图像去雾单元22和图像增强单元23，所述图像去噪单元21用于去除图像中的噪声干扰，所述图像去雾单元22用于去除雾尘等因素对所述视频图像的干扰，所述图像增强单元23用于对所述视频图像进行增强处理，改善图像的质量和视觉效果。
本优选实施例提供一种有效的煤矿智能监测系统，通过对井下环境进行实时的视频图像采集，并对所述视频图像进行处理和分析，实现煤矿的有效监测，本发明在运动目标检测方面，提出新的背景建模与更新方法，提高了相应的处理速度和背景建模的准确度，在前景检测方面，采用自适应阈值选取，获得了较高的前景检测率。
优选地，所述目标检测模块3包括背景建模单元31和前景检测单元32，所述背景建模单元31用于建立所述视频图像的背景模型，所述前景检测单元32采用背景差分处理获得所述视频图像的前景目标。
优选地，所述背景建模单元31用于建立所述视频图像中的背景模型，具体为：
(1)采用FCM聚类技术进行背景建模，其采用一种改进的有效性指标VN来确定最佳聚类个数，定义样本xj属于第i类的隶属度为uij，第i个聚类的中心值为ci，为聚类中心的平均值，则有效性指标VN为：
式中，k为聚类的个数，m为模糊权重指数，n为数据集合中样本的总数；
(2)当背景建模完成之后对背景模型进行自适应更新，具体为：
L(It，ci)＝dmin(It(x，y)，ci(x，y))
式中，It(x,y)是像素(x,y)在第t帧的灰度值，ci(x,y)为第i个聚类的中心值，L(It,ci)为灰度值It(x,y)和聚类中心ci(x,y)的距离；
a.定义聚类阈值τ，当L(It,ci)≤τ时，将该像素归入对应类ci(x,y)中，且更新参数：
gi(x，y)＝gi(x，y)+1
式中，It(x,y)是像素(x,y)在第t帧的灰度值，ci(x,y)代表第i个聚类的中心值，gi(x,y)为第i个聚类中包含的元素个数，k为该像素的聚类个数，ΔTi为第i聚类中心的更新时间差，ρi为第i聚类的权重；
b.当L(It,ci)>τ时，重新创建新的分类ck+1(x,y)，并设置相关参数为：
ck+1(x，y)＝It(x，y)
gk+1(x，y)＝1
k＝k+1
式中，It(x,y)是像素(x,y)在第t帧的灰度值，ck+1(x,y)是第k+1个聚类的中心值，gk+1(x,y)第k+1个聚类中的元素个数，ρi为第i个聚类的权重。
本优选实施例提出一种改进的模糊聚类评价指标，在分子的类内紧密度计算中添加权重系数，为了抑制指标失效的情况，在评价指标中引入了惩罚项，防止当聚类数趋近样本数时，指标值减为零从而失效的想象，可以有效的处理类间有重叠的数据，具有较高的可靠性；在背景模型的自适应更新中，不仅加入了聚类中包含的元素个数，同时加入了聚类的更新时间作为聚类的权重的影响参数，提高了背景建模的准确度。
优选地，所述前景检测单元32采用背景差分处理获得所述视频图像中的前景目标，其采用一种改进的阈值选取方法，具体为：
定义视频图像中各像素的灰度取值范围是[1,M]，按灰度值c将像素分为两类，即背景部分B0＝{1,…,c}和前景部分B1＝{c+1,…,M},则最佳分割阈值T的计算公式为：
式中，pi为灰度值为i的像素出现的概率，q0(c)和q1(c)分别为背景部分和前景部分的像素出现的概率，E0(c)和E1(c)分别为背景部分和前景部分像素的均值，和分别为背景部分和前景部分的像素的方差。
本优选实施例在阈值选择函数的计算过程中，在传统的阈值选择函数中添加了类内的离散度作为参考因素，采用方差反应类内的离散度，使得计算得到的阈值具有更好的分类效果，实现背景图像和前景图像更准确的分割。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种有效的煤矿智能监测系统，其特征是，包括图像获取模块、图像预处理模块、目标检测模块和图像分析模块，所述图像获取模块包括图像采集单元和数据通信单元，所述图像采集单元用于采集井下的视频图像，并将采集得到的视频图像通过数据通信单元传输到图像预处理模块，所述图像预处理模块用于去除所述视频图像中的噪声和雾尘干扰，并对所述视频图像进行增强处理，所述目标检测模块用于对所述视频图像中的运动目标进行自动检测，所述图像分析模块用于对检测到的运动目标进行持续跟踪和分析，从而获得目标的特征信息以及运动轨迹。
2.根据权利要求1所述的一种有效的煤矿智能监测系统，其特征是，所述图像预处理模块包括图像去噪单元、图像去雾单元和图像增强单元，所述图像去噪单元用于去除所述视频图像中的噪声干扰，所述图像去雾单元用于去除雾尘等因素对所述视频图像的干扰，所述图像增强单元用于对所述视频图像进行增强处理，改善图像的质量和视觉效果。
3.根据权利要求2所述的一种有效的煤矿智能监测系统，其特征是，所述目标检测模块包括背景建模单元和前景检测单元，所述背景建模单元用于建立所述视频图像的背景模型，所述前景检测单元采用背景差分处理获得所述视频图像的前景目标。
4.根据权利要求3所述的一种有效的煤矿智能监测系统，其特征是，所述背景建模单元用于建立所述视频图像中的背景模型，具体为：
(1)采用FCM聚类技术进行背景建模，其采用一种改进的有效性指标VN来确定最佳聚类个数，定义样本xj属于第i类的隶属度为uij，第i个聚类的中心值为ci，为聚类中心的平均值，则有效性指标VN为：
<mrow>
<msub>
<mi>V</mi>
<mi>N</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>m</mi>
</msup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mover>
<mi>c</mi>
<mo>&OverBar;</mo>
</mover>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>m</mi>
</msup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>c</mi>
<mo>&OverBar;</mo>
</mover>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
</mrow>
</mfrac>
</mrow>
式中，k为聚类的个数，m为模糊权重指数，n为数据集合中样本的总数；
(2)当背景建模完成之后对背景模型进行自适应更新，具体为：
L(It,ci)＝dmin(It(x,y),ci(x,y))
式中，It(x,y)是像素(x,y)在第t帧的灰度值，ci(x,y)为第i个聚类的中心值，L(It,ci)为灰度值It(x,y)和聚类中心ci(x,y)的距离；
a.定义聚类阈值τ，当L(It,ci)≤τ时，将该像素值归入对应类ci(x,y)中，且更新参数：
<mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
gi(x,y)＝gi(x,y)+1
<mrow>
<msub>
<mi>&rho;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&Delta;T</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</msup>
</mrow>
式中，It(x,y)是像素(x,y)在第t帧的灰度值，ci(x,y)代表第i个聚类的中心值，gi(x,y)为第i个聚类中包含的元素个数，k为该像素的聚类个数，ΔTi为第i聚类中心的更新时间差，ρi为第i聚类的权重；
b.当L(It,ci)>τ时，重新创建新的分类ck+1(x,y)，并设置相关参数为：
ck+1(x,y)＝It(x,y)
gk+1(x,y)＝1
<mrow>
<msub>
<mi>&rho;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</msup>
</mrow>
k＝k+1
式中，It(x,y)是像素(x,y)在第t帧的灰度值，ck+1(x,y)是第k+1个聚类的中心值，gk+1(x,y)第k+1个聚类中的元素个数，ρi为第i个聚类的权重。
5.根据权利要求4所述的一种有效的煤矿智能监测系统，其特征是，所述前景检测单元采用背景差分处理获得所述视频图像中的前景目标，其采用一种改进的阈值选取方法，具体为：
定义视频图像中各像素的灰度取值范围是[1,M]，按灰度值c将像素分为两类，即背景部分B0＝{1,…,c}和前景部分B1＝{c+1,…,M},则最公式为：
<mrow>
<msub>
<mi>q</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>c</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>E</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<mi>i</mi>
<mfrac>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mrow>
<msub>
<mi>q</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>E</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>c</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mi>i</mi>
<mfrac>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mrow>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msubsup>
<mi>S</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<msub>
<mi>E</mi>
<mn>0</mn>
</msub>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>q</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<msubsup>
<mi>S</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>c</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mfrac>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<msub>
<mi>E</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>q</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>E</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>E</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msub>
<mi>q</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>S</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>S</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>T</mi>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>max</mi>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>c</mi>
<mo>&le;</mo>
<mi>M</mi>
</mrow>
</munder>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mrow>
式中，pi为灰度值为i的像素出现的概率，q0(c)和q1(c分别为背景部分和前景部分的像素出现的概率，E0(c)和E1(c)分别为背景部分和前景部分像素的均值，和分别为背景部分和前景部分的像素的方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710901989.7A CN107590822A (zh) | 2017-09-28 | 2017-09-28 | 一种有效的煤矿智能监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710901989.7A CN107590822A (zh) | 2017-09-28 | 2017-09-28 | 一种有效的煤矿智能监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107590822A true CN107590822A (zh) | 2018-01-16 |
Family
ID=61048046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710901989.7A Pending CN107590822A (zh) | 2017-09-28 | 2017-09-28 | 一种有效的煤矿智能监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107590822A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110441320A (zh) * | 2019-08-05 | 2019-11-12 | 北京泰豪信息科技有限公司 | 一种煤矸石检测方法、装置及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102202163A (zh) * | 2011-05-13 | 2011-09-28 | 成都西图科技有限公司 | 一种监控视频的自适应增强方法及其装置 |
| CN103400117A (zh) * | 2013-07-29 | 2013-11-20 | 电子科技大学 | 一种基于计算机视觉的井下人员定位跟踪方法 |
-
2017
- 2017-09-28 CN CN201710901989.7A patent/CN107590822A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102202163A (zh) * | 2011-05-13 | 2011-09-28 | 成都西图科技有限公司 | 一种监控视频的自适应增强方法及其装置 |
| CN103400117A (zh) * | 2013-07-29 | 2013-11-20 | 电子科技大学 | 一种基于计算机视觉的井下人员定位跟踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张谢华: ""煤矿智能视频监控系统关键技术的研究"", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110441320A (zh) * | 2019-08-05 | 2019-11-12 | 北京泰豪信息科技有限公司 | 一种煤矸石检测方法、装置及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
| CN107451553B (zh) | 一种基于超图转变的视频中暴力事件检测方法 | |
| CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
| CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
| CN101916447B (zh) | 一种鲁棒的运动目标检测与跟踪图像处理方法 | |
| CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
| CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
| CN109145708A (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
| CN104616006A (zh) | 一种面向监控视频的胡须人脸检测方法 | |
| CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
| CN112800975A (zh) | 一种基于图像处理的安检通道内行为识别方法 | |
| CN108830161B (zh) | 基于视频流数据的烟雾识别方法 | |
| CN107704818A (zh) | 一种基于视频图像的火灾检测系统 | |
| CN115131712B (zh) | 一种计算机视觉驱动的钻杆智能计数方法 | |
| CN1266656C (zh) | 视频监控系统的智能化报警处理方法 | |
| CN117315531A (zh) | 一种应用于陆生野生动物的视频目标识别跟踪与异常行为检测方法 | |
| CN114792405A (zh) | 一种架空线路防异物入侵监测方法 | |
| CN107590822A (zh) | 一种有效的煤矿智能监测系统 | |
| CN103400395A (zh) | 一种基于haar特征检测的光流跟踪方法 | |
| CN107729811B (zh) | 一种基于场景建模的夜间火焰检测方法 | |
| CN103425958A (zh) | 一种视频中不动物检测的方法 | |
| CN113066041A (zh) | 一种基于栈稀疏自编码深度学习的路面裂缝检测方法 | |
| CN102542239B (zh) | 一种烧结机尾红断面有效图像自动捕捉方法 | |
| CN115409768A (zh) | 一种基于特征输入增强的渗漏水病害深度学习检测方法 | |
| CN104000598B (zh) | 一种基于最大内切圆的猪呼吸急促运动建模方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |