CN109948500B - 一种用于煤矿的精确监测人员进出的方法 - Google Patents
一种用于煤矿的精确监测人员进出的方法 Download PDFInfo
- Publication number
- CN109948500B CN109948500B CN201910186673.3A CN201910186673A CN109948500B CN 109948500 B CN109948500 B CN 109948500B CN 201910186673 A CN201910186673 A CN 201910186673A CN 109948500 B CN109948500 B CN 109948500B
- Authority
- CN
- China
- Prior art keywords
- camera
- personnel
- mining area
- workers
- entering
- 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.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000005065 mining Methods 0.000 claims abstract description 107
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 18
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000010606 normalization Methods 0.000 abstract description 5
- 238000009434 installation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241000282693 Cercopithecidae Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种用于煤矿的精确监测人员进出的方法，包括步骤：一、构建图像处理系统；二、工作人员脸部图像的存储；三、训练AlexNet卷积神经网络模型；四、监测人员进入矿区情况；五、监测人员离开矿区情况；六、监测矿区内实时人员情况。本发明通过人脸对比和人员头顶识别共同监测矿区人员进出，其中人员头顶通过AlexNet卷积神经网络模型识别解决，避免矿区复杂的环境对运动物体的识别干扰，识别率高、误检率低，且通过间歇式统计矿区人员进出情况，及时查出非操作人员，保证井下人员操作的规范性与安全性。
Description
技术领域
本发明属于图像识别技术领域，具体涉及一种用于煤矿的精确监测人员进出的方法。
背景技术
由于我国地矿环境复杂、自然环境灾害严重、安全生产技术基础薄弱、从业人员素质较低、加上众多矿区规模小、难以获取较大资金投资，这使得井下人员正常流动一直是井下人员安全作业首先要考虑的问题，如何监控井下作业人员正确流动，避免非操作人员或未经培训合格的人员冒充替代工作人员进出矿区是目前要解决的问题，从而降低安全隐患，减少工人家庭、国家财产的巨大损失。
当前人数检测的方法主要为井下人员定位系统，为每一个操纵人员配备人员定位装置，实现人员的实时精确定位，但其造价太高，难以满足符合小型矿场现有的经济要求；视频检测中图像识别是准确识别人员信息的重要手段，且成本低，在专利号ZL200710027252.3的中国发明专利中，授权了“一种用于煤矿的矿工出入自动监测的方法”，这种方法仅能监测工人进出人数，无法识别进出人员是否正确，且视频采取时不能有电机车或猴车等除工作人员外任何可运动物体，监测抗干扰性差，有必要提出进一步的改善方案。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种用于煤矿的精确监测人员进出的方法，通过人脸对比和人员头顶识别共同监测矿区人员进出，其中人员头顶通过AlexNet卷积神经网络模型识别解决，避免矿区复杂的环境对运动物体的识别干扰，识别率高、误检率低，且通过间歇式统计矿区人员进出情况，及时查出非操作人员，保证井下人员操作的规范性与安全性，便于推广使用。
为解决上述技术问题，本发明采用的技术方案是：一种用于煤矿的精确监测人员进出的方法，其特征在于，该方法包括以下步骤：
步骤一、构建图像处理系统：在煤矿巷道指定位置安装门形支架，在门形支架的一个竖向支撑杆上安装用于采集进入矿区的工作人员脸部图像的第一摄像头，在门形支架的另一个竖向支撑杆上安装用于采集离开矿区的工作人员脸部图像的第二摄像头，在门形支架的横杆上安装用于采集进出矿区的人员的头顶图像的第三摄像头，第三摄像头朝向煤矿巷道的地面，第一摄像头、第二摄像头和第三摄像头均与工控机连接，第一摄像头、第二摄像头、第三摄像头和工控机构成图像处理系统，所述工控机上连接有存储器；
步骤二、工作人员脸部图像的存储：对矿区经过培训且培训合格的工作人员的脸部图像进行提取，将提取的工作人员的脸部图像与该工作人员的姓名对应，并存储在所述存储器中，提取的各张工作人员的脸部图像的尺寸及像素大小均相同；
步骤三、训练AlexNet卷积神经网络模型：将HollywoodHeads dataset数据库中带有人头顶的图像数据和现场采集的带有人员头顶的图像数据混合构成数据训练集，利用所述数据训练集训练AlexNet卷积神经网络模型，直至所述AlexNet卷积神经网络模型人员头顶的图像识别正确率高于70％；AlexNet卷积神经网络模型由输入层I1、卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、池化层P3、全连接层F和输出层O1构成；
步骤四、监测人员进入矿区情况，过程如下：
步骤401、利用第一摄像头采集进入矿区的工作人员脸部图像，工控机识别第一摄像头采集的进入矿区的工作人员脸部图像，并与存储在存储器中的工作人员的脸部图像进行比对，得到间歇进入矿区的工作人员姓名及间歇进入矿区的工作人员人数Xa；
步骤402、利用第三摄像头采集人员的头顶图像，并送入AlexNet卷积神经网络模型，识别人员的头顶图像，将第三摄像头视野内位于煤矿巷道的出入口侧的半区视为上半区，将第三摄像头视野内远离煤矿巷道的出入口侧的半区视为下半区，跟踪各个人员的头顶图像，当人员的头顶图像从上半区移动至下半区时，统计间歇进入矿区的实际人员人数Xb；
步骤403、利用第一摄像头和第三摄像头实时采集图像数据，当第一摄像头和第三摄像头的视野内均无图像数据时，统计间歇进入矿区的人员情况，当Xa＝Xb时，间歇进入矿区的实际人员均为工作人员，执行步骤404；当Xa≠Xb时，间歇进入矿区的实际人员中存在非操作人员，执行步骤405；
步骤404、将间歇进入矿区的工作人员人数Xa赋值于间歇进入人数变量Xi后循环步骤401，并根据公式
获取累计进入矿区的工作人员人数总数SI，其中，i为间歇进入统计次数编号，I为间歇进入统计次数累计总数；
步骤405、工控机驱动报警器提示管理人员有非操作人员进入矿区，管理人员及时回看上一间歇统计时间段内的视频找出非操作人员，使Xa＝Xb，执行步骤404；
步骤五、监测人员离开矿区情况，过程如下：
步骤501、利用第二摄像头采集离开矿区的工作人员脸部图像，工控机识别第二摄像头采集的进入矿区的工作人员脸部图像，并与存储在存储器中的工作人员的脸部图像进行比对，得到间歇离开矿区的工作人员姓名及间歇离开矿区的工作人员人数Ya；
步骤502、利用第三摄像头采集人员的头顶图像，并送入AlexNet卷积神经网络模型，识别人员的头顶图像，跟踪各个人员的头顶图像，当人员的头顶图像从下半区移动至上半区时，统计间歇离开矿区的实际人员人数Yb且Yb＝Ya；
步骤503、利用第二摄像头和第三摄像头实时采集图像数据，当第二摄像头和第三摄像头的视野内均无图像数据时，将间歇离开矿区的工作人员人数Ya赋值于间歇离开人数变量Yj后循环步骤501，并根据公式
获取累计离开矿区的工作人员人数总数SJ，其中，j为间歇离开统计次数编号，J为间歇离开统计次数累计总数；
步骤六、监测矿区内实时人员情况：第一摄像头、第二摄像头和第三摄像头同时采集图像数据，当第一摄像头、第二摄像头和第三摄像头的视野内均无图像数据时，根据公式Δ＝SI-SJ，计算矿区内实时人员数量Δ后循环步骤四，同时通过工控机查看矿区内实时人员的姓名。
上述的一种用于煤矿的精确监测人员进出的方法，其特征在于：步骤一中第一摄像头倾斜安装在门形支架的一个竖向支撑杆上，且第一摄像头的摄像端偏向煤矿巷道的出入口，第二摄像头倾斜安装在门形支架的另一个竖向支撑杆上，且第二摄像头的摄像端偏向煤矿巷道的巷道内侧。
上述的一种用于煤矿的精确监测人员进出的方法，其特征在于：步骤三中卷积层C1、卷积层C2和卷积层C3均采用11×11的卷积核，池化层P1和池化层P2均采用3×3的池化窗口，池化层P3采用2×2的池化窗口。
上述的一种用于煤矿的精确监测人员进出的方法，其特征在于：所述第三摄像头与煤矿巷道的地面之间的距离为2.5m～3.5m，第一摄像头和第二摄像头等高，第一摄像头与煤矿巷道的地面之间的距离为1.5m～2m，第一摄像头、第二摄像头和第三摄像头均为红外网络摄像机，第一摄像头、第二摄像头和第三摄像头的像素不小于200万。
上述的一种用于煤矿的精确监测人员进出的方法，其特征在于：步骤三中HollywoodHeads dataset数据库中带有人头顶的图像数据量和现场采集的带有人员头顶的图像数据量的比为8:2，所述数据训练集中图像数据量不小于2000。
本发明与现有技术相比具有以下优点：
1、本发明通过构建图像处理系统，利用在门形支架顶部安装第三摄像头采集人员头顶图像，避免由于人员遮挡带来的人数统计不准确的问题，利用在门形支架的一个竖杆上安装的第一摄像头采集进入矿区的人员的脸部图像，避免由于只采用第三摄像头无法辨识人员身份信息的问题，导致非操作人员进入矿区而带来的安全隐患，利用在门形支架的另一个竖杆上安装的第二摄像头采集离开矿区的人员的脸部图像，便于后期查找矿区内存在人员的身份信息，便于推广使用。
2、本发明通过训练AlexNet卷积神经网络模型识别图像中人员头顶图像，并利用工控机统计人员头顶图像的数量，进而获得人员数量，实际监测时，采用在门形支架顶部安装的第三摄像头采集人员头顶图像，送入训练好的AlexNet卷积神经网络模型中识别人员数量，避免矿区复杂的环境对运动物体的识别干扰，识别率高、误检率低，可靠稳定，使用效果好。
3、本发明方法步骤简单，通过间歇式统计矿区人员进出情况，在人员进入矿区的情况下，采用人员头顶图像与人员脸部图像同时识别跟踪的方式，利用第三摄像头统计人员头顶数量、利用第一摄像头统计识别人员人脸以及人脸数量，当某一时刻，第三摄像头和第一摄像头的视野范围内均无人员信息时，工控机统计该间歇时段内的人员数量，当第三摄像头统计的人员头顶数量和第一摄像头统计的人员人脸数量不一致时，说明有非操作人员进入矿区，报警提示并回看监控，及时找出非操作人员，保证井下人员操作的规范性与安全性；在人员离开矿区的情况下，采用人员头顶图像与人员脸部图像同时识别跟踪的方式，利用第三摄像头统计人员头顶数量、利用第二摄像头统计识别人员人脸以及人脸数量，在第一摄像头、第二摄像头和第三摄像头的视野内均无图像数据时，计算矿区内实时人员数量，同时通过工控机查看矿区内实时人员的姓名，采用严进宽出的方式，提高操作安全性，便于推广使用。
综上所述，本发明通过人脸对比和人员头顶识别共同监测矿区人员进出，其中人员头顶通过AlexNet卷积神经网络模型识别解决，避免矿区复杂的环境对运动物体的识别干扰，识别率高、误检率低，且通过间歇式统计矿区人员进出情况，及时查出非操作人员，保证井下人员操作的规范性与安全性，便于推广使用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明第一摄像头、第二摄像头和第三摄像头与门形支架的安装关系示意图。
图2为本发明门形支架布设在煤矿巷道上的俯视图。
图3为本发明方法的方法流程框图。
图4为本发明监测人员进入矿区情况的方法流程框图。
图5为本发明监测人员离开矿区情况的方法流程框图。
附图标记说明:
1—第一摄像头； 2—第二摄像头； 3—第三摄像头；
4—门形支架； 5—上半区域； 6—下半区域；
7—人员； 8—煤矿巷道。
具体实施方式
如图1至图3所示，本发明的一种用于煤矿的精确监测人员进出的方法，包括以下步骤：
步骤一、构建图像处理系统：在煤矿巷道8指定位置安装门形支架4，在门形支架4的一个竖向支撑杆上安装用于采集进入矿区的工作人员脸部图像的第一摄像头1，在门形支架4的另一个竖向支撑杆上安装用于采集离开矿区的工作人员脸部图像的第二摄像头2，在门形支架4的横杆上安装用于采集进出矿区的人员7的头顶图像的第三摄像头3，第三摄像头3朝向煤矿巷道8的地面，第一摄像头1、第二摄像头2和第三摄像头3均与工控机连接，第一摄像头1、第二摄像头2、第三摄像头3和工控机构成图像处理系统，所述工控机上连接有存储器；
需要说明的是，通过构建图像处理系统，利用在门形支架4顶部安装第三摄像3头采集人员头顶图像，避免由于人员遮挡带来的人数统计不准确的问题，利用在门形支架4的一个竖杆上安装的第一摄像头1采集进入矿区的人员的脸部图像，避免由于只采用第三摄像头3无法辨识人员身份信息的问题，导致非操作人员进入矿区而带来的安全隐患，利用在门形支架4的另一个竖杆上安装的第二摄像头2采集离开矿区的人员的脸部图像，便于后期查找矿区内存在人员的身份信息。
本实施例中，步骤一中第一摄像头1倾斜安装在门形支架4的一个竖向支撑杆上，且第一摄像头1的摄像端偏向煤矿巷道8的出入口，第二摄像头2倾斜安装在门形支架4的另一个竖向支撑杆上，且第二摄像头2的摄像端偏向煤矿巷道8的巷道内侧。
本实施例中，所述第三摄像头3与煤矿巷道8的地面之间的距离为2.5m～3.5m，第一摄像头1和第二摄像头2等高，第一摄像头1与煤矿巷道8的地面之间的距离为1.5m～2m，第一摄像头1、第二摄像头2和第三摄像头3均为红外网络摄像机，第一摄像头1、第二摄像头2和第三摄像头3的像素不小于200万。
需要说明的是，第三摄像头3与煤矿巷道8的地面之间的距离为2.5m～3.5m，识别角度大于60度，以此保证监控范围直径超过3m；第一摄像头1和第二摄像头2等高，第一摄像头1与煤矿巷道8的地面之间的距离为1.5m～2m，保证过往人员7都处在识别敏感区，识别敏感区分为上半区域5和下半区域6，上半区域5为第三摄像头3视野内位于煤矿巷道8的出入口侧的半区视对应的实地区域，下半区域6为第三摄像头3视野内远离煤矿巷道8的出入口侧的半区视对应的实地区域，如图2所示，第一摄像头1、第二摄像头2和第三摄像头3的像素不小于200万，焦距4mm，监控视角大于60°。
步骤二、工作人员脸部图像的存储：对矿区经过培训且培训合格的工作人员的脸部图像进行提取，将提取的工作人员的脸部图像与该工作人员的姓名对应，并存储在所述存储器中，提取的各张工作人员的脸部图像的尺寸及像素大小均相同；
步骤三、训练AlexNet卷积神经网络模型：将HollywoodHeads dataset数据库中带有人头顶的图像数据和现场采集的带有人员头顶的图像数据混合构成数据训练集，利用所述数据训练集训练AlexNet卷积神经网络模型，直至所述AlexNet卷积神经网络模型人员头顶的图像识别正确率高于70％；AlexNet卷积神经网络模型由输入层I1、卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、池化层P3、全连接层F和输出层O1构成；
需要说明的是，通过训练AlexNet卷积神经网络模型识别图像中人员头顶图像，并利用工控机统计人员头顶图像的数量，进而获得人员数量，实际监测时，采用在门形支架4顶部安装的第三摄像头4采集人员头顶图像，送入训练好的AlexNet卷积神经网络模型中识别人员数量，避免矿区复杂的环境对运动物体的识别干扰，识别率高、误检率低，可靠稳定，使用效果好。
本实施例中，步骤三中卷积层C1、卷积层C2和卷积层C3均采用11×11的卷积核，池化层P1和池化层P2均采用3×3的池化窗口，池化层P3采用2×2的池化窗口。
本实施例中，步骤三中HollywoodHeads dataset数据库中带有人头顶的图像数据量和现场采集的带有人员头顶的图像数据量的比为8:2，所述数据训练集中图像数据量不小于2000。
步骤四、监测人员进入矿区情况，过程如下：
步骤401、利用第一摄像头1采集进入矿区的工作人员脸部图像，工控机识别第一摄像头1采集的进入矿区的工作人员脸部图像，并与存储在存储器中的工作人员的脸部图像进行比对，得到间歇进入矿区的工作人员姓名及间歇进入矿区的工作人员人数Xa；
步骤402、利用第三摄像头3采集人员7的头顶图像，并送入AlexNet卷积神经网络模型，识别人员7的头顶图像，将第三摄像头3视野内位于煤矿巷道8的出入口侧的半区视为上半区，将第三摄像头3视野内远离煤矿巷道8的出入口侧的半区视为下半区，跟踪各个人员7的头顶图像，当人员7的头顶图像从上半区移动至下半区时，统计间歇进入矿区的实际人员人数Xb；
步骤403、利用第一摄像头1和第三摄像头3实时采集图像数据，当第一摄像头1和第三摄像头3的视野内均无图像数据时，统计间歇进入矿区的人员情况，当Xa＝Xb时，间歇进入矿区的实际人员均为工作人员，执行步骤404；当Xa≠Xb时，间歇进入矿区的实际人员中存在非操作人员，执行步骤405；
步骤404、将间歇进入矿区的工作人员人数Xa赋值于间歇进入人数变量Xi后循环步骤401，并根据公式
获取累计进入矿区的工作人员人数总数SI，其中，i为间歇进入统计次数编号，I为间歇进入统计次数累计总数；
步骤405、工控机驱动报警器提示管理人员有非操作人员进入矿区，管理人员及时回看上一间歇统计时间段内的视频找出非操作人员，使Xa＝Xb，执行步骤404；
步骤五、监测人员离开矿区情况，过程如下：
步骤501、利用第二摄像头2采集离开矿区的工作人员脸部图像，工控机识别第二摄像头2采集的进入矿区的工作人员脸部图像，并与存储在存储器中的工作人员的脸部图像进行比对，得到间歇离开矿区的工作人员姓名及间歇离开矿区的工作人员人数Ya；
步骤502、利用第三摄像头3采集人员7的头顶图像，并送入AlexNet卷积神经网络模型，识别人员7的头顶图像，跟踪各个人员7的头顶图像，当人员7的头顶图像从下半区移动至上半区时，统计间歇离开矿区的实际人员人数Yb且Yb＝Ya；
步骤503、利用第二摄像头2和第三摄像头3实时采集图像数据，当第二摄像头2和第三摄像头3的视野内均无图像数据时，将间歇离开矿区的工作人员人数Ya赋值于间歇离开人数变量Yj后循环步骤501，并根据公式
获取累计离开矿区的工作人员人数总数SJ，其中，j为间歇离开统计次数编号，J为间歇离开统计次数累计总数；
步骤六、监测矿区内实时人员情况：第一摄像头1、第二摄像头2和第三摄像头3同时采集图像数据，当第一摄像头1、第二摄像头2和第三摄像头3的视野内均无图像数据时，根据公式Δ＝SI-SJ，计算矿区内实时人员数量Δ后循环步骤四，同时通过工控机查看矿区内实时人员的姓名。
本发明使用时，通过间歇式统计矿区人员进出情况，在人员进入矿区的情况下，采用人员头顶图像与人员脸部图像同时识别跟踪的方式，利用第三摄像头统计人员头顶数量、利用第一摄像头统计识别人员人脸以及人脸数量，当某一时刻，第三摄像头和第一摄像头的视野范围内均无人员信息时，工控机统计该间歇时段内的人员数量，当第三摄像头统计的人员头顶数量和第一摄像头统计的人员人脸数量不一致时，说明有非操作人员进入矿区，报警提示并回看监控，及时找出非操作人员，保证井下人员操作的规范性与安全性；在人员离开矿区的情况下，采用人员头顶图像与人员脸部图像同时识别跟踪的方式，利用第三摄像头统计人员头顶数量、利用第二摄像头统计识别人员人脸以及人脸数量，在第一摄像头、第二摄像头和第三摄像头的视野内均无图像数据时，计算矿区内实时人员数量，同时通过工控机查看矿区内实时人员的姓名，采用严进宽出的方式，提高操作安全性。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (5)
1.一种用于煤矿的精确监测人员进出的方法，其特征在于，该方法包括以下步骤：
步骤一、构建图像处理系统：在煤矿巷道(8)指定位置安装门形支架(4)，在门形支架(4)的一个竖向支撑杆上安装用于采集进入矿区的工作人员脸部图像的第一摄像头(1)，在门形支架(4)的另一个竖向支撑杆上安装用于采集离开矿区的工作人员脸部图像的第二摄像头(2)，在门形支架(4)的横杆上安装用于采集进出矿区的人员(7)的头顶图像的第三摄像头(3)，第三摄像头(3)朝向煤矿巷道(8)的地面，第一摄像头(1)、第二摄像头(2)和第三摄像头(3)均与工控机连接，第一摄像头(1)、第二摄像头(2)、第三摄像头(3)和工控机构成图像处理系统，所述工控机上连接有存储器；
步骤二、工作人员脸部图像的存储：对矿区经过培训且培训合格的工作人员的脸部图像进行提取，将提取的工作人员的脸部图像与该工作人员的姓名对应，并存储在所述存储器中，提取的各张工作人员的脸部图像的尺寸及像素大小均相同；
步骤三、训练AlexNet卷积神经网络模型：将Hol lywoodHeads dataset数据库中带有人头顶的图像数据和现场采集的带有人员头顶的图像数据混合构成数据训练集，利用所述数据训练集训练AlexNet卷积神经网络模型，直至所述AlexNet卷积神经网络模型人员头顶的图像识别正确率高于70％；AlexNet卷积神经网络模型由输入层I1、卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、池化层P3、全连接层F和输出层O1构成；
步骤四、监测人员进入矿区情况，过程如下：
步骤401、利用第一摄像头(1)采集进入矿区的工作人员脸部图像，工控机识别第一摄像头(1)采集的进入矿区的工作人员脸部图像，并与存储在存储器中的工作人员的脸部图像进行比对，得到间歇进入矿区的工作人员姓名及间歇进入矿区的工作人员人数Xa；
步骤402、利用第三摄像头(3)采集人员(7)的头顶图像，并送入AlexNet卷积神经网络模型，识别人员(7)的头顶图像，将第三摄像头(3)视野内位于煤矿巷道(8)的出入口侧的半区视为上半区，将第三摄像头(3)视野内远离煤矿巷道(8)的出入口侧的半区视为下半区，跟踪各个人员(7)的头顶图像，当人员(7)的头顶图像从上半区移动至下半区时，统计间歇进入矿区的实际人员人数Xb；
步骤403、利用第一摄像头(1)和第三摄像头(3)实时采集图像数据，当第一摄像头(1)和第三摄像头(3)的视野内均无图像数据时，统计间歇进入矿区的人员情况，当Xa＝Xb时，间歇进入矿区的实际人员均为工作人员，执行步骤404；当Xa≠Xb时，间歇进入矿区的实际人员中存在非操作人员，执行步骤405；
步骤404、将间歇进入矿区的工作人员人数Xa赋值于间歇进入人数变量Xi后循环步骤401，并根据公式
获取累计进入矿区的工作人员人数总数SI，其中，i为间歇进入统计次数编号，I为间歇进入统计次数累计总数；
步骤405、工控机驱动报警器提示管理人员有非操作人员进入矿区，管理人员及时回看上一间歇统计时间段内的视频找出非操作人员，使Xa＝Xb，执行步骤404；
步骤五、监测人员离开矿区情况，过程如下：
步骤501、利用第二摄像头(2)采集离开矿区的工作人员脸部图像，工控机识别第二摄像头(2)采集的进入矿区的工作人员脸部图像，并与存储在存储器中的工作人员的脸部图像进行比对，得到间歇离开矿区的工作人员姓名及间歇离开矿区的工作人员人数Ya；
步骤502、利用第三摄像头(3)采集人员(7)的头顶图像，并送入AlexNet卷积神经网络模型，识别人员(7)的头顶图像，跟踪各个人员(7)的头顶图像，当人员(7)的头顶图像从下半区移动至上半区时，统计间歇离开矿区的实际人员人数Yb且Yb＝Ya；
步骤503、利用第二摄像头(2)和第三摄像头(3)实时采集图像数据，当第二摄像头(2)和第三摄像头(3)的视野内均无图像数据时，将间歇离开矿区的工作人员人数Ya赋值于间歇离开人数变量Yj后循环步骤501，并根据公式
获取累计离开矿区的工作人员人数总数SJ，其中，j为间歇离开统计次数编号，J为间歇离开统计次数累计总数；
步骤六、监测矿区内实时人员情况：第一摄像头(1)、第二摄像头(2)和第三摄像头(3)同时采集图像数据，当第一摄像头(1)、第二摄像头(2)和第三摄像头(3)的视野内均无图像数据时，根据公式Δ＝SI-SJ，计算矿区内实时人员数量Δ后循环步骤四，同时通过工控机查看矿区内实时人员的姓名。
2.按照权利要求1所述的一种用于煤矿的精确监测人员进出的方法，其特征在于：步骤一中第一摄像头(1)倾斜安装在门形支架(4)的一个竖向支撑杆上，且第一摄像头(1)的摄像端偏向煤矿巷道(8)的出入口，第二摄像头(2)倾斜安装在门形支架(4)的另一个竖向支撑杆上，且第二摄像头(2)的摄像端偏向煤矿巷道(8)的巷道内侧。
3.按照权利要求1所述的一种用于煤矿的精确监测人员进出的方法，其特征在于：步骤三中卷积层C1、卷积层C2和卷积层C3均采用11×11的卷积核，池化层P1和池化层P2均采用3×3的池化窗口，池化层P3采用2×2的池化窗口。
4.按照权利要求2所述的一种用于煤矿的精确监测人员进出的方法，其特征在于：所述第三摄像头(3)与煤矿巷道(8)的地面之间的距离为2.5m～3.5m，第一摄像头(1)和第二摄像头(2)等高，第一摄像头(1)与煤矿巷道(8)的地面之间的距离为1.5m～2m，第一摄像头(1)、第二摄像头(2)和第三摄像头(3)均为红外网络摄像机，第一摄像头(1)、第二摄像头(2)和第三摄像头(3)的像素不小于200万。
5.按照权利要求1所述的一种用于煤矿的精确监测人员进出的方法，其特征在于：步骤三中HollywoodHeads dataset数据库中带有人头顶的图像数据量和现场采集的带有人员头顶的图像数据量的比为8:2，所述数据训练集中图像数据量不小于2000。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910186673.3A CN109948500B (zh) | 2019-03-13 | 2019-03-13 | 一种用于煤矿的精确监测人员进出的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910186673.3A CN109948500B (zh) | 2019-03-13 | 2019-03-13 | 一种用于煤矿的精确监测人员进出的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948500A CN109948500A (zh) | 2019-06-28 |
| CN109948500B true CN109948500B (zh) | 2022-12-27 |
Family
ID=67008760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910186673.3A Active CN109948500B (zh) | 2019-03-13 | 2019-03-13 | 一种用于煤矿的精确监测人员进出的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948500B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675443B (zh) * | 2019-09-24 | 2022-12-20 | 西安科技大学 | 一种井下输煤图像的煤块面积检测方法 |
| CN111101828A (zh) * | 2019-12-20 | 2020-05-05 | 中广核达胜加速器技术有限公司 | 一种辐照安全防护门禁系统及控制方法 |
| CN111050136A (zh) * | 2019-12-24 | 2020-04-21 | 天地科技股份有限公司 | 一种综采工作面设备视觉监视测量装置及系统 |
| CN112073689A (zh) * | 2020-09-03 | 2020-12-11 | 国网北京市电力公司 | 一种有限空间作业人员进出管控装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682620A (zh) * | 2016-12-28 | 2017-05-17 | 北京旷视科技有限公司 | 人脸图像采集方法及装置 |
| CN106951889A (zh) * | 2017-05-23 | 2017-07-14 | 煤炭科学技术研究院有限公司 | 井下高危区域动目标监测和管理系统 |
| CN107145546A (zh) * | 2017-04-26 | 2017-09-08 | 北京环境特性研究所 | 基于深度学习的监控视频人员模糊检索方法 |
| CN107301396A (zh) * | 2017-06-21 | 2017-10-27 | 北京市威富安防科技有限公司 | 视频造假卷积神经网络训练方法及人脸活体检测方法 |
| WO2018059408A1 (zh) * | 2016-09-29 | 2018-04-05 | 北京市商汤科技开发有限公司 | 跨线计数方法和神经网络训练方法、装置和电子设备 |
| CN108427871A (zh) * | 2018-01-30 | 2018-08-21 | 深圳奥比中光科技有限公司 | 3d人脸快速身份认证方法与装置 |
| CN108564049A (zh) * | 2018-04-22 | 2018-09-21 | 北京工业大学 | 一种基于深度学习的快速人脸检测识别方法 |
-
2019
- 2019-03-13 CN CN201910186673.3A patent/CN109948500B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018059408A1 (zh) * | 2016-09-29 | 2018-04-05 | 北京市商汤科技开发有限公司 | 跨线计数方法和神经网络训练方法、装置和电子设备 |
| CN106682620A (zh) * | 2016-12-28 | 2017-05-17 | 北京旷视科技有限公司 | 人脸图像采集方法及装置 |
| CN107145546A (zh) * | 2017-04-26 | 2017-09-08 | 北京环境特性研究所 | 基于深度学习的监控视频人员模糊检索方法 |
| CN106951889A (zh) * | 2017-05-23 | 2017-07-14 | 煤炭科学技术研究院有限公司 | 井下高危区域动目标监测和管理系统 |
| CN107301396A (zh) * | 2017-06-21 | 2017-10-27 | 北京市威富安防科技有限公司 | 视频造假卷积神经网络训练方法及人脸活体检测方法 |
| CN108427871A (zh) * | 2018-01-30 | 2018-08-21 | 深圳奥比中光科技有限公司 | 3d人脸快速身份认证方法与装置 |
| CN108564049A (zh) * | 2018-04-22 | 2018-09-21 | 北京工业大学 | 一种基于深度学习的快速人脸检测识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于动目标特征提取的矿井目标监测";张立亚;《煤炭学报》;20171231;603-610 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948500A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948500B (zh) | 一种用于煤矿的精确监测人员进出的方法 | |
| CN103164706B (zh) | 基于视频信号分析的对象计数方法与装置 | |
| CN105100757B (zh) | 带有一体式结构的探测器 | |
| WO2020253308A1 (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
| CN108710827B (zh) | 一种社区微警务巡查和信息自动分析系统及方法 | |
| CN105303191A (zh) | 一种前视监视场景下的行人计数方法和装置 | |
| CN110206330B (zh) | 一种基于大数据的校园楼层智能防护系统 | |
| CN113158752A (zh) | 一种电力员工进场作业智能安全管控系统 | |
| CN108198318B (zh) | 一种实名制通道门禁方法及系统 | |
| CN102496275B (zh) | 客车超载检测方法 | |
| CN111062303A (zh) | 图像处理方法、系统及计算机存储介质 | |
| CN111488799A (zh) | 一种基于图像识别的坠落物识别方法及系统 | |
| CN111461080A (zh) | 一种基于图像的智能围栏搭建和识别方法 | |
| CN116299751A (zh) | 一种被动式太赫兹人体安检信息的快速提取方法和装置 | |
| CN110040592B (zh) | 基于双路监控视频分析的电梯轿厢载客数检测方法及系统 | |
| CN110930432A (zh) | 一种视频分析方法、装置及系统 | |
| CN113449828A (zh) | 人员现场安全定位管理系统及其管理方法 | |
| CN113014870A (zh) | 一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法 | |
| CN113044694A (zh) | 基于深度神经网络的工地电梯人数统计系统及方法 | |
| CN110673191B (zh) | 通道式放射源定位系统及方法 | |
| CN114783040B (zh) | 一种楼宇内偷拍行为检测方法及检测装置 | |
| CN113554682B (zh) | 一种基于目标跟踪的安全帽检测方法 | |
| CN113743380B (zh) | 一种基于视频图像动态监测的主动跟踪方法 | |
| CN115294519A (zh) | 一种基于轻量化网络的异常事件检测及预警方法 | |
| CN114359817A (zh) | 基于出入口人行识别的人流量测量方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Du Jingyi Inventor after: Hu Weijie Inventor after: Jing Meng Inventor after: Hao Le Inventor after: Jin Jun Inventor after: Wang Xichao Inventor after: Liu Ya Inventor after: Zheng Wuping Inventor after: Yang Ruonan Inventor after: Men Wu Inventor after: Chen Yuhang Inventor before: Du Jingyi Inventor before: Hao Le Inventor before: Yang Ruonan Inventor before: Men Wu Inventor before: Chen Yuhang Inventor before: Hu Weijie Inventor before: Jing Meng |