CN109508662A - 一种矿用电机车行人安全监测方法及系统 - Google Patents
一种矿用电机车行人安全监测方法及系统 Download PDFInfo
- Publication number
- CN109508662A CN109508662A CN201811295066.2A CN201811295066A CN109508662A CN 109508662 A CN109508662 A CN 109508662A CN 201811295066 A CN201811295066 A CN 201811295066A CN 109508662 A CN109508662 A CN 109508662A
- Authority
- CN
- China
- Prior art keywords
- image
- electric locomotive
- pedestrian
- safety monitoring
- pcnn
- 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
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000005065 mining Methods 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 208000027418 Wounds and injury Diseases 0.000 abstract description 4
- 230000006378 damage Effects 0.000 abstract description 4
- 208000014674 injury Diseases 0.000 abstract description 4
- 230000035484 reaction time Effects 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种矿用电机车行人安全监测方法，所述方法包括：采集电机车目标区域的红外图像视频，并获得与所述红外图像视频对应的第一图像，其中，所述第一图像为视频帧灰度图像；对所述第一图像采用NSCT变换，获得增强后的第二图像；基于遗传算法的自适应PCNN图像分割算法，对所述第二图像进行分割，得到分割后的第三图像；提取所述第三图像的HOG特征；将所述HOG特征输入到预先训练好的分类器中，获得行人检测结果。以及提供了一种矿用电机车行人安全监测系统。应用本发明实施例，通过对电机车的辅助制动，有效减少了司机的反应时间，提高了矿用电机车运输安全性能，避免了不必要的人身伤害。
Description
技术领域
本发明涉及电机车危险区域的行人检测技术领域，特别是涉及一种矿用电机车行人安全监测方法及系统。
背景技术
矿用电机车是井下运输大巷和地面的长距离运输的重要运输工具，但是由于煤矿井下环境复杂，巷道窄，既作为行人巷道，又作为运输巷道，所以由于行人不遵守交通规则穿越车轨，而机车司机因为疲劳、疏忽等原因不能及时停车，经常出现人身伤害事故。以往曾经尝试采用超声波、红外线和激光等对电机车前行道路上的行人进行识别报警，但由于井下的特殊使用环境，这些方案都存在一些局限性，或者实时性不够。例如采用超声波时，由于巷道过长，反射波过于微弱，精度很低，不能给司机足够的时间做出反应。另外，激光监测设备对使用环境要求很高，在高速行驶且由于路况不好而不断振动的车体上难以保证其正常运行。
可见，现有技术中，通过司机的判断会增加司机的反应时间，矿用电机车运输安全性能和人身安全无法得到有效保障。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种矿用电机车行人安全监测方法及系统，旨在通过对电机车的辅助制动，有效减少了司机的反应时间，提高了矿用电机车运输安全性能，避免了不必要的人身伤害。
为实现上述目的及其他相关目的，本发明提供一种矿用电机车行人安全监测方法，所述方法包括：
采集电机车目标区域的红外图像视频，并获得与所述红外图像视频对应的第一图像，其中，所述第一图像为视频帧灰度图像；
对所述第一图像采用NSCT变换，获得增强后的第二图像；
基于遗传算法的自适应PCNN图像分割算法，对所述第二图像进行分割，得到分割后的第三图像；
提取所述第三图像的HOG特征；
将所述HOG特征输入到预先训练好的分类器中，获得行人检测结果。
本发明的一种实现方式中，所述获得与所述红外图像视频对应的视频帧灰度图像的步骤包括：
根据预设时间段，获得所述预设时间段内所述红外图像视频所对应的视频帧图像；
对每一个视频帧图形进行灰度处理；
对每一个进行灰度处理后的视频帧图形进行归一化处理，得到归一化处理后的视频帧灰度图像。
本发明的一种实现方式中，所述对所述第一图像采用NSCT变换，获得增强后的第二图像的步骤，包括：
对每一个视频帧灰度图像进行NSCT变换，得到分解的低频系数和高频系数；
根据小波变换和预先设置的第一阈值，确定处理后的高频系数；
采用直方图均衡化技术，实现低频系数的处理，获得处理后的低频系数；
对所述处理后的高频系数和所述处理后的低频系数进行NSCT逆变换以及归一化处理，得到第二图像。
本发明的一种实现方式中，所述基于遗传算法的自适应PCNN图像分割算法，对所述第二图像进行分割，得到分割后的第三图像的步骤，包括：
设置PCNN模型的设置初始连接系数、以及与动态阈值相关的第一常数、第二常数；
对连接系数、第一常数、第二常数进行编码；
采用最大类间方差法和最小交叉熵构造适应度函数；
设置群体规模，进化代数，交叉概率，变异概率，染色体长度；
随机产生初始种群，读入所述，对目标解码，带入所述PCNN模型，并根据所述适应度函数计算个体适应度；
循环进行遗传操作：采用轮盘赌方法进行选择，形成的新的种群再进行交叉变异，得到的种群个体进行解码，带入PCNN模型后求适应度函数值最大的个体作为当前代的最优个体，对其他个体进行更新，得到新的群体，循环操作直至满足连续预设数量代之内最大适应度值变化小于第二阈值，或者最大进化代数时终止，得到最终的连接系数、第一常数、第二常数参数；
最终得到的连接系数、第一常数、第二常数参数所对应的PCNN点火图，为所述第三图像。
本发明的一种实现方式中，分类器的训练过程包括：
采集关于电机车前方行人的正样本和负样本，其中，所述正样本为电机车目标区域有行人，所述负样本为电机车目标区域无行人；
分别提取所述正样本和所述负样本的HOG特征，并基于所述提取的HOG特征和Adaboost算法训练弱分类器；
并基于所训练的若分类器得到级联分类器。
此外，本发明实施例还提供了一种矿用电机车行人安全监测系统，所述系统，包括：
图像采集装置，用于对电机车前方的图像进行采集，并将所采集到的图像发送至云计算平台；
所述云计算平台，用于对所述第一图像采用NSCT变换，获得增强后的第二图像；基于遗传算法的自适应PCNN图像分割算法，对所述第二图像进行分割，得到分割后的第三图像；提取所述第三图像的HOG特征；将所述HOG特征输入到预先训练好的分类器中进行分类，获得行人检测结果，并将所获得的行人检测结果发送至监控系统；
所述监控系统，用于根据所获得的行人检测结果确定是否发出进行电机车的辅助制动指令和/或报警信号。
此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述矿用电机车行人安全监测方法的步骤。
以及，提供了一种终端，包括处理器存储器，存储器存储有程序指令，处理器运行程序指令实现所述点矿用电机车行人安全监测方法的步骤。
如上所述，本发明实施例提供的一种矿用电机车行人安全监测方法及系统，提供通过对电机车的辅助制动，有效减少了司机的反应时间，提高了矿用电机车运输安全性能，避免了不必要的人身伤害。
附图说明
图1是本发明实施例的一种矿用电机车行人安全监测的控制方法的一种流程示意图。
图2是本发明实施例的一种矿用电机车行人安全监测的控制方法的另一种流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-2。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本发明时候实施例提供一种矿用电机车行人安全监测方法，所述方法包括：
S101，采集电机车目标区域的红外图像视频，并获得与所述红外图像视频对应的第一图像，其中，所述第一图像为视频帧灰度图像。
本发明的具体实施方式中，当电机车进行前进的时候，电机车目标区域设置为电机车前方的区域；反之，当电机车进行后退的时候，电机车目标区域设置为电机车后的区域；本发明实施例中，电机车目标区域是可以进行设置的，具体区域，本发明实施例在此不做限定。
具体的，可以采用将红外摄像仪固定在电车正目标区域，例如，采集电机车前方的红外图像视频数据，通过工业以太网接口由无线模块以无线方式上传到上位机中图像数据采集系统中进行暂时存储，并由云服务器上传到远程数据库中进行云存储。
可以理解的是，视频是连续的，为了便于对其进行分析，可以将视频划分成视频段，那么每一个视频端会对应一个时间段，在该时间段内对视频进行划分，得到多个视频帧图像，本发明实施例中，进行视频帧图像划分以后，再讲视频帧图像转换为灰度图像。具体过程如下：所述获得与所述红外图像视频对应的视频帧灰度图像的步骤包括：
根据预设时间段，获得所述预设时间段内所述红外图像视频所对应的视频帧图像；
对每一个视频帧图形进行灰度处理；
对每一个进行灰度处理后的视频帧图形进行归一化处理，得到归一化处理后的视频帧灰度图像。
将要检测的视频分为图像序列，需要对每帧图像进行尺度归一化,并进行预处理：图像灰度化后，设f(x,y)表示坐标为(x,y)的原始图像灰度值，g(x,y)为其处理后的灰度值，Lmax表示图像灰度化后最大的灰度值，Lmin表示图像灰度化后最小的灰度值，进行灰度归一化处理：
针对每一个视频帧图像而言，其所有点的g(x,y)，即组成对应的视频帧灰度图像。
S102，对所述第一图像采用NSCT变换，获得增强后的第二图像。
对处理后的红外图像采用NSCT变换实现图像增强，由于在NSCT变换域中，能量信息集中在低频分量上，噪声和边缘信息集中在高频分量上。所以选择对图像高频分量中的噪声信息进行抑制，在低频分量上采用改进的直方图均衡化方法进行增强。
所述对所述第一图像采用NSCT变换，获得增强后的第二图像的步骤，包括：
对每一个视频帧灰度图像进行NSCT变换，得到分解的低频系数和高频系数；
根据小波变换和预先设置的第一阈值，确定处理后的高频系数；
采用直方图均衡化技术，实现低频系数的处理，获得处理后的低频系数；
对所述处理后的高频系数和所述处理后的低频系数进行NSCT逆变换以及归一化处理，得到第二图像。
首先对高频系数进行处理，实现高频分量中噪声信息的抑制。具体如下：
对高频系数进行处理需要设置一个阈值T，其中高频系数绝对值高于阈值的为边缘信息需要进行增强或者保留，绝对值小于阈值的为噪声要抑制，此处利用小波变换的阈值T1进行改进。则阈值T的估计公式为：
其中，为噪声的标准差，M,N为图像信号的尺度,表示图A各高频子带不同方向上系数的绝对值，表示各高频子带不同方向上系数的最大值,表示各高频子带不同方向上系数的最小值。
由已知阈值T对高频系数进行如下处理：
其中为处理后的高频系数，为原始高频系数,T为阈值。λ为常量，一般取大于1的数值；a为增强系数,取大于1的数值；b为抑制系数,取小于1的数值。
在低频分量上采用改进的直方图均衡化方法实现低频系数的增强，可有效调节图像增强的强度。具体实现如下：
增强前图像灰度级i与增强后灰度级s之间的映射关系：
其中，L为图像灰度级总数，pj为不同灰度级出现的概率，λ为加权系数，ωj为主观偏好权系数，可以进行人为设定，round为取整符号。
其中，为低频子带第j个尺度的第k个的系数，M,N为图像A的长和宽，
此处，选用当则
通过上式对低频子带进行优化，参数λ可选取范围可以为1至5,灰度级主观偏好权系数所对应的方差应不宜过大。
然后，对处理后的系数进行NSCT逆变换,归一化后得到增强后的第二图像，该过程为本领域技术人员通过常规手段可实现，在此不做赘述。
S103，基于遗传算法的自适应PCNN图像分割算法，对所述第二图像进行分割，得到分割后的第三图像。
本发明实施例提供一种具体的步骤S103的实现过程，包括：
设置PCNN模型的设置初始连接系数、以及与动态阈值相关的第一常数、第二常数；
对连接系数、第一常数、第二常数进行编码；
采用最大类间方差法和最小交叉熵构造适应度函数；
设置群体规模，进化代数，交叉概率，变异概率，染色体长度；
随机产生初始种群，读入所述，对目标解码，带入所述PCNN模型，并根据所述适应度函数计算个体适应度；
循环进行遗传操作：采用轮盘赌方法进行选择，形成的新的种群再进行交叉变异，得到的种群个体进行解码，带入PCNN模型后求适应度函数值最大的个体作为当前代的最优个体，对其他个体进行更新，得到新的群体，循环操作直至满足连续预设数量代之内最大适应度值变化小于第二阈值，或者最大进化代数时终止，得到最终的连接系数、第一常数、第二常数参数；
最终得到的连接系数、第一常数、第二常数参数所对应的PCNN点火图，为所述第三图像。
针对图像分割过程，例如，图像中的一个像素(i，j)都会依次对应一个PCNN神经元，每一个神经元接受来自反馈通道F和连接通道L两部分信息。其中，Sij是图像在点(i，j)的灰度值，Yk(n)是n次迭代时神经元的输出：
通过连接系数β将反馈输入和连接输入非线性耦合，从而形成神经元的内部活动激励Uij(n)：
Uij(n)＝Fij(n)(1+βLij(n))
此时，脉冲生成器将Uij(n)与先前迭代得到的动态阈值θij(n)进行比较。当Uij(n)超过动态阈值θij(n)时，神经元点火形成脉冲，输出1即
动态阈值会因常数Vθ瞬间增加，能够保证像素点不会被二次点火，其中δ是一个恒定的线性递减突变。动态阈值θij(n)表达式如下：
θij(n)＝θij(n-1)-δ+VθYij(n-1)
根据Unit-Linking PCNN模型可知要设置连接系数β，第一常数Vθ、第二常数δ三个参数的值，通过遗传算法实现PCNN的自适应选参。
首先，进行编码，将连接系数β，第一常数Vθ、第二常数δ三个参数进行编码，可以选择简单的二进制编码。
设定适应度函数。采用最大类间方差法和最小交叉熵构造适应度函数，用来评价染色体优劣：
OM＝C0(D0-Dall)2+C1(D1-Dall)2
其中，C0表示像素灰度值小于阈值的概率和；C1表示像素灰度值大于阈值的概率和；D0表示一区间的平均灰度值；D1表示二区间的平均灰度值；Dall表示整幅图像的平均灰度；OM表示个体性能的好坏，OM越大，则性能越好。
其中，i是图像灰度值，h(i)为灰度直方图；z是灰度上限，t是假定阈值，可通过比较图像分割前后的累积直方图得到；u1(t)和u2(t)分别是背景和目标的类内均值；CE为交叉熵；DM为将交叉熵归一化处理后得到的评价交叉熵优劣的参数，越接近于1，分割阈值越优，分割越准确。
建立综合评价标准，即适应度函数CEC即兼顾最大类间方差法和交叉熵的优点，构成适应度函数：
利用遗传算法进行Unit-Linking PCNN的参数寻优，CEC值越大，效果越好。
分割过程：设置群体规模，进化代数，交叉概率，变异概率，染色体长度，随机产生初始种群，读入经过增强后的图像，对目标解码，带入Unit-LinkingPCNN模型，计算个体适应度。开始循环进行遗传操作：采用轮盘赌方法进行选择，形成的新的种群再进行交叉变异。得到的种群个体进行解码，带入PCNN模型后求适应度函数值最大的个体作为当前代的最优个体，对其他个体进行更新，得到新的群体，重复上述步骤直到满足连续5代之内最大适应度值变化小于0.001，或者最大进化代数时终止，最终得到较优的连接系数β，第一常数Vθ、第二常数δ三个参数，同时参数所对应的PCNN点火图即为最终分割结果。
因此，通过遗传算法得到的连接系数和第一常数、第二常数是最优的参数，通过最优的参数进行图像分割，获得的分割后图像效果由于其他参数进行分割的效果。利用遗传算法可以实现PCNN分割算法的自动选参，省去了大量的实验选参过程。同时采用最大类间方差法可以避免通过人工经验选参使用PCNN分割造成的对于小目标物体的分割易造成过分割的现象，和最小交叉熵结合构造遗传算法的适应度函数，也兼顾了最小交叉熵能搜索出使分割前后图像目标和背景信息量差异最小的阈值，保证图像分割的准确性的优点，使得分割后保留的图像轮廓细节特征更加准确，从而使提取的HOG特征更加精确，相似的边缘特征更易区分，便于进行行人检测。
S104，提取所述第三图像的HOG特征。HOG特征除了检测边缘，还能检测方向信息，能够精确捕捉或者描述人体轮廓。
HOG特征计算的首要步骤是梯度计算。梯度的计算定义如下：
Gx(x，y)＝H(x+1，y)-H(x-1，y)
Gy(x，y)＝H(x，y+1)-H(x，y-1)
其中，H为输入图像，Gx表示水平梯度，Gy表示垂直梯度，计算图像每个像素点的梯度值。像素(x，y)的梯度定义为：
梯度方向定义为用以上公式计算像素点的梯度大小和方向，求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。
接着把图像分割为若干个像素的单元，把梯度方向平均划分为多个区间，在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个多维的特征向量，把若干个单元组合成大的、空间上连通的区域，把一个区域内的特征向量联起来得到多维的特征向量，用区域大小相同的扫描窗口对图像进行扫描，扫描步长为一个单元。最后将所有块的特征串联起来，就得到了图像的HOG特征。
S105，将所述HOG特征输入到预先训练好的分类器中，获得行人检测结果。
最后得到对应的行人的由方向梯度直方图HOG提取到的特征向量，但是计算机还是不知道这个数据数组代表了什么意思，什么时候这组向量代表行人，什么时候代表其他东西，因此，需要采用分类器通过不断地学习，而后在检测积累的基础上对未知图像检测识别有没有行人。
具体的，本发明实施例提供了一种分类器的训练过程，包括步骤：
采集关于电机车前方行人的正样本和负样本，其中，所述正样本为电机车目标区域有行人，所述负样本为电机车目标区域无行人；分别提取所述正样本和所述负样本的HOG特征，并基于所述提取的HOG特征和Adaboost算法训练弱分类器；并基于所训练的若分类器得到级联分类器。
在第二图像分割后获得的图像中对检测窗口进行滑动，在滑动过程中计算滑动窗口中的HOG特征，将HOG特征输入到级联分类器中进行车轨上行人检测得到当前帧图像的行人检测结果，图像上用矩形框进行绘制显示检测结果，实现了实时进行行人检测目的。检测到车轨上有行人后，通过工业电脑进行车辆辅助制动和声光报警提醒行人。当车轨上检测不到行人后，再关闭车辆辅助制动，司机可以开启电车。
一种矿用电机车行人安全监测系统，所述系统，包括：图像采集装置、云计算平台、监控系统；
所述图像采集装置，用于对电机车前方的图像进行采集，并将所采集到的图像发送至云计算平台；
所述云计算平台，用于对所述第一图像采用NSCT变换，获得增强后的第二图像；基于遗传算法的自适应PCNN图像分割算法，对所述第二图像进行分割，得到分割后的第三图像；提取所述第三图像的HOG特征；将所述HOG特征输入到预先训练好的分类器中进行分类，获得行人检测结果，并将所获得的行人检测结果发送至监控系统；
所述监控系统，用于根据所获得的行人检测结果确定是否发出进行电机车的辅助制动指令和/或报警信号。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述矿用电机车行人安全监测方法的步骤。
一种终端，包括处理器存储器，存储器存储有程序指令，处理器运行程序指令实现任意一项所述点矿用电机车行人安全监测方法的步骤。
此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述矿用电机车行人安全监测方法的步骤。
以及，提供了一种终端，包括处理器存储器，存储器存储有程序指令，处理器运行程序指令实现所述点矿用电机车行人安全监测方法的步骤。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种矿用电机车行人安全监测方法，其特征在于，所述方法包括：
采集电机车目标区域的红外图像视频，并获得与所述红外图像视频对应的第一图像，其中，所述第一图像为视频帧灰度图像；
对所述第一图像采用NSCT变换，获得增强后的第二图像；
基于遗传算法的自适应PCNN图像分割算法，对所述第二图像进行分割，得到分割后的第三图像；
提取所述第三图像的HOG特征；
将所述HOG特征输入到预先训练好的分类器中，获得行人检测结果。
2.根据权利要求1所述的一种矿用电机车行人安全监测方法，其特征在于，所述获得与所述红外图像视频对应的视频帧灰度图像的步骤包括：
根据预设时间段，获得所述预设时间段内所述红外图像视频所对应的视频帧图像；
对每一个视频帧图形进行灰度处理；
对每一个进行灰度处理后的视频帧图形进行归一化处理，得到归一化处理后的视频帧灰度图像。
3.根据权利要求1所述的一种矿用电机车行人安全监测方法，其特征在于，所述对所述第一图像采用NSCT变换，获得增强后的第二图像的步骤，包括：
对每一个视频帧灰度图像进行NSCT变换，得到分解的低频系数和高频系数；
根据小波变换和预先设置的第一阈值，确定处理后的高频系数；
采用直方图均衡化技术，实现低频系数的处理，获得处理后的低频系数；
对所述处理后的高频系数和所述处理后的低频系数进行NSCT逆变换以及归一化处理，得到第二图像。
4.根据权利要求1所述的一种矿用电机车行人安全监测方法，其特征在于，
所述基于遗传算法的自适应PCNN图像分割算法，对所述第二图像进行分割，得到分割后的第三图像的步骤，包括：
设置PCNN模型的设置初始连接系数、以及与动态阈值相关的第一常数、第二常数；
对连接系数、第一常数、第二常数进行编码；
采用最大类间方差法和最小交叉熵构造适应度函数；
设置群体规模，进化代数，交叉概率，变异概率，染色体长度；
随机产生初始种群，读入所述，对目标解码，带入所述PCNN模型，并根据所述适应度函数计算个体适应度；
循环进行遗传操作：采用轮盘赌方法进行选择，形成的新的种群再进行交叉变异，得到的种群个体进行解码，带入PCNN模型后求适应度函数值最大的个体作为当前代的最优个体，对其他个体进行更新，得到新的群体，循环操作直至满足连续预设数量代之内最大适应度值变化小于第二阈值，或者最大进化代数时终止，得到最终的连接系数、第一常数、第二常数参数；
最终得到的连接系数、第一常数、第二常数参数所对应的PCNN点火图，为所述第三图像。
5.根据权利要求1所述的一种矿用电机车行人安全监测方法，其特征在于，分类器的训练过程包括：
采集关于电机车前方行人的正样本和负样本，其中，所述正样本为电机车目标区域有行人，所述负样本为电机车目标区域无行人；
分别提取所述正样本和所述负样本的HOG特征，并基于所述提取的HOG特征和Adaboost算法训练弱分类器；
并基于所训练的若分类器得到级联分类器。
6.一种矿用电机车行人安全监测系统，其特征在于，所述系统，包括：图像采集装置、云计算平台、监控系统；
所述图像采集装置，用于对电机车前方的图像进行采集，并将所采集到的图像发送至云计算平台；
所述云计算平台，用于对所述第一图像采用NSCT变换，获得增强后的第二图像；基于遗传算法的自适应PCNN图像分割算法，对所述第二图像进行分割，得到分割后的第三图像；提取所述第三图像的HOG特征；将所述HOG特征输入到预先训练好的分类器中进行分类，获得行人检测结果，并将所获得的行人检测结果发送至监控系统；
所述监控系统，用于根据所获得的行人检测结果确定是否发出进行电机车的辅助制动指令和/或报警信号。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5任意一项所述矿用电机车行人安全监测方法的步骤。
8.一种终端，其特征在于，包括处理器存储器，存储器存储有程序指令，处理器运行程序指令实现如1至5任意一项所述点矿用电机车行人安全监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811295066.2A CN109508662A (zh) | 2018-11-01 | 2018-11-01 | 一种矿用电机车行人安全监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811295066.2A CN109508662A (zh) | 2018-11-01 | 2018-11-01 | 一种矿用电机车行人安全监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109508662A true CN109508662A (zh) | 2019-03-22 |
Family
ID=65747402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811295066.2A Pending CN109508662A (zh) | 2018-11-01 | 2018-11-01 | 一种矿用电机车行人安全监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109508662A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101519981A (zh) * | 2009-03-19 | 2009-09-02 | 重庆大学 | 基于单目视觉的矿井机车防撞预警系统和预警方法 |
| CN202463844U (zh) * | 2012-01-18 | 2012-10-03 | 安徽理工大学 | 矿用电机车行人检测报警系统 |
| CN102700569A (zh) * | 2012-06-01 | 2012-10-03 | 安徽理工大学 | 基于图像处理的矿用电机车行人监测方法及报警系统 |
| CN102900468A (zh) * | 2012-09-07 | 2013-01-30 | 苏州科云物联科技有限公司 | 矿用行人检测装置 |
| CN103366362A (zh) * | 2013-04-17 | 2013-10-23 | 昆明理工大学 | 一种基于萤火虫优化算法的矿带图像分割法 |
| CN203547797U (zh) * | 2013-07-24 | 2014-04-16 | 陕西航泰电气有限公司 | 一种煤矿轨道运输监控装置 |
| CN103824291A (zh) * | 2014-02-24 | 2014-05-28 | 哈尔滨工程大学 | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 |
| CN204777395U (zh) * | 2015-07-15 | 2015-11-18 | 天津华宁电子有限公司 | 新型矿用皮带防乘人保护系统 |
| CN205722298U (zh) * | 2016-04-27 | 2016-11-23 | 淮南市创进电子有限公司 | 矿用人体安全警戒系统 |
| CN107341465A (zh) * | 2017-06-28 | 2017-11-10 | 枣庄学院 | 斜巷运输机器视觉人员识别封闭管理系统 |
| CN108038859A (zh) * | 2017-11-09 | 2018-05-15 | 深圳大学 | 基于pso和综合评价准则的pcnn图分割方法及装置 |
-
2018
- 2018-11-01 CN CN201811295066.2A patent/CN109508662A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101519981A (zh) * | 2009-03-19 | 2009-09-02 | 重庆大学 | 基于单目视觉的矿井机车防撞预警系统和预警方法 |
| CN202463844U (zh) * | 2012-01-18 | 2012-10-03 | 安徽理工大学 | 矿用电机车行人检测报警系统 |
| CN102700569A (zh) * | 2012-06-01 | 2012-10-03 | 安徽理工大学 | 基于图像处理的矿用电机车行人监测方法及报警系统 |
| CN102900468A (zh) * | 2012-09-07 | 2013-01-30 | 苏州科云物联科技有限公司 | 矿用行人检测装置 |
| CN103366362A (zh) * | 2013-04-17 | 2013-10-23 | 昆明理工大学 | 一种基于萤火虫优化算法的矿带图像分割法 |
| CN203547797U (zh) * | 2013-07-24 | 2014-04-16 | 陕西航泰电气有限公司 | 一种煤矿轨道运输监控装置 |
| CN103824291A (zh) * | 2014-02-24 | 2014-05-28 | 哈尔滨工程大学 | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 |
| CN204777395U (zh) * | 2015-07-15 | 2015-11-18 | 天津华宁电子有限公司 | 新型矿用皮带防乘人保护系统 |
| CN205722298U (zh) * | 2016-04-27 | 2016-11-23 | 淮南市创进电子有限公司 | 矿用人体安全警戒系统 |
| CN107341465A (zh) * | 2017-06-28 | 2017-11-10 | 枣庄学院 | 斜巷运输机器视觉人员识别封闭管理系统 |
| CN108038859A (zh) * | 2017-11-09 | 2018-05-15 | 深圳大学 | 基于pso和综合评价准则的pcnn图分割方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| 周妍 等: "基于非下采样contourlet变换系数直方图匹配的自适应图像增强", 《光学精密工程》 * |
| 曲仕茹 等: "基于遗传算法参数优化的PCNN红外图像分割", 《强激光与粒子束》 * |
| 杨再甫: "基于图像处理的矿用电机车行人预警系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 郭江涛: "矿井机车防撞系统障碍物识别方法", 《工矿自动化》 * |
| 马忠磊: "基于单目视觉的矿井机车行人预警系统设计", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
| 黄宇辉: "基于NSCT的岩石颗粒图像去噪算法", 《微型机与应用》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Automated crack severity level detection and classification for ballastless track slab using deep convolutional neural network | |
| CN105069807B (zh) | 一种基于图像处理的冲压工件缺陷检测方法 | |
| CN104655030B (zh) | 一种输电线路覆冰检测与预警装置 | |
| CN113009447B (zh) | 基于深度学习和探地雷达的道路地下空洞检测预警方法 | |
| CN107977683B (zh) | 基于卷积特征提取和机器学习的联合sar目标识别方法 | |
| CN111428631B (zh) | 无人机飞控信号可视化识别分选方法 | |
| CN110852158B (zh) | 一种基于模型融合的雷达人体运动状态分类算法及系统 | |
| CN109753996B (zh) | 基于三维轻量化深度网络的高光谱图像分类方法 | |
| Ye et al. | Overhead ground wire detection by fusion global and local features and supervised learning method for a cable inspection robot | |
| CN104850844A (zh) | 一种基于快速构建图像特征金字塔的行人检测方法 | |
| CN110852369A (zh) | 联合3d/2d卷积网络和自适应光谱解混的高光谱图像分类方法 | |
| CN116738211A (zh) | 一种基于多源异构数据融合的道路状况识别方法 | |
| CN104463104A (zh) | 一种静态车辆目标快速检测方法及装置 | |
| CN110751667B (zh) | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 | |
| CN116703895A (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
| CN114120150B (zh) | 一种基于无人机成像技术的道路目标检测方法 | |
| CN110532909B (zh) | 一种基于三维uwb定位的人体行为识别方法 | |
| CN105989615A (zh) | 一种基于多特征融合的行人跟踪方法 | |
| CN109508662A (zh) | 一种矿用电机车行人安全监测方法及系统 | |
| CN101630369A (zh) | 一种基于小波分形特征的行人检测方法 | |
| CN114742975B (zh) | 一种车载图像铁轨曲线建模方法 | |
| CN112926383B (zh) | 一种基于水下激光图像的目标自动识别系统 | |
| CN109407664A (zh) | 一种变电站自动读表机器人 | |
| CN115187878A (zh) | 基于无人机图像分析的风力发电装置叶片缺陷检测方法 | |
| CN103177237A (zh) | 一种基于在线激光的视频监测方法和装置 |
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: 20190322 |