CN112330706A - 矿井人员安全帽分割方法和装置 - Google Patents

矿井人员安全帽分割方法和装置 Download PDF

Info

Publication number
CN112330706A
CN112330706A CN202011234672.0A CN202011234672A CN112330706A CN 112330706 A CN112330706 A CN 112330706A CN 202011234672 A CN202011234672 A CN 202011234672A CN 112330706 A CN112330706 A CN 112330706A
Authority
CN
China
Prior art keywords
target
superpixel
block
pixel
super
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.)
Withdrawn
Application number
CN202011234672.0A
Other languages
English (en)
Inventor
任安祥
李晓宇
李萍
席庆荣
田柏林
王怀群
陈耕
王文清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Coal Mining Electric Equipment Technical Development Co ltd
Beijing University of Technology
Original Assignee
Beijing Coal Mining Electric Equipment Technical Development Co ltd
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Coal Mining Electric Equipment Technical Development Co ltd, Beijing University of Technology filed Critical Beijing Coal Mining Electric Equipment Technical Development Co ltd
Priority to CN202011234672.0A priority Critical patent/CN112330706A/zh
Publication of CN112330706A publication Critical patent/CN112330706A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种矿井人员安全帽分割方法和装置，该方法包括：提取由目标图像粒化形成的多个超像素块的颜色特征向量、纹理特征向量以及目标轮廓特征；将颜色特征向量和纹理特征向量输入到预先训练的支持向量机SVM中，以将所有超像素块分为目标超像素块和背景超像素块两种类型；根据目标轮廓特征修正错分类超像素块；判断修正后的目标超像素块中是否存在背景像素点；若否，则根据目标超像素块对目标图像进行分割。本申请能够降低人员目标分割的难度，从而利于在人员检测识别与定位跟踪等技术上的应用。

Description

矿井人员安全帽分割方法和装置
技术领域
本申请涉及图像分割技术领域，尤其是涉及一种矿井人员安全帽分割方法和装置。
背景技术
矿井人员安全帽分割是用一种方法将人员图像中的安全帽像素区域独立分离出来。安全帽分割是实现煤矿人员智能视频监控的关键技术之一，是计算机视觉在矿井智能监控应用中的一项核心内容，可促进基于计算机视觉的矿井人员调度管理、目标检测识别及其位置信息预测等相关技术的应用，可提高对人员作业区域的管控效率。
已有多种图像分割方法，如基于图像灰度特征的阈值法、像素点区域生长法、边缘检测法、基于图论的图割法、深度学习神经网络法等几大类，但这些方法存在以下问题：阈值法的关键在于灰度阈值的合理选取，适合处理目标与背景灰度界别分明的图像；区域生长法对缺乏先验信息的图像分割效果较为理想，但易导致过度分割；边缘检测法容易出现边界轮廓线间断，图像区域结构性差；图割法需要用户在图像分割过程中指定目标与背景，不适合自动分割；深度神经网络分割法需要输入的数据量大，处理时间较长且对计算机硬件要求较高。在矿井视频图像处理方面的结果难以满足实际需求。
发明内容
为了解决上述背景技术中的问题，本申请提供一种矿井人员安全帽分割方法和装置。
第一方面，本申请提供了一种矿井人员安全帽分割方法，包括：
提取由目标图像粒化形成的多个超像素块的颜色特征向量、纹理特征向量以及目标轮廓特征；
将所述颜色特征向量和所述纹理特征向量输入到预先训练的支持向量机SVM中，以将所有超像素块分为目标超像素块和背景超像素块两种类型；
根据所述目标轮廓特征修正错分类超像素块；
判断修正后的目标超像素块中是否存在背景像素点；
若否，则根据所述目标超像素块对目标图像进行分割。
优选的，所述判断修正后的目标超像素块中是否存在背景像素点包括：
提取所述修正后的目标超像素块的超像素区域的边界掩膜；
采用
Figure 78274DEST_PATH_IMAGE001
算子提取所述修正后的目标超像素块的轮廓边缘；
计算所述修正后的目标超像素块的超像素区域的边界掩膜和所述修正后的目标超像 素块的轮廓边缘的差集
Figure 729835DEST_PATH_IMAGE002
；
若
Figure 306310DEST_PATH_IMAGE003
，则确定所述修正后的目标超像素块中不存在背景像素点；
若
Figure 435940DEST_PATH_IMAGE004
，则确定所述修正后的目标超像素块中存在背景像素点。
优选的，所述方法还包括：
若是，则对所述修正后的目标超像素块再次进行分类，得到目标像素点超像素块和背景像素点超像素块；
滤除所述背景像素点超像素块；
根据所述目标像素点超像素块对所述目标图像进行分割。
优选的，所述对所述修正后的目标超像素块再次进行分类包括：
根据所述差集
Figure 47050DEST_PATH_IMAGE002
所在的超像素块的像素点边界线将该超像素块分解为所述目标像素 点超像素块和所述背景像素点超像素块。
优选的，所述目标图像中的目标为安全帽，所述目标轮廓特征包括：
所述安全帽的外轮廓线上存在零斜率点、斜率突变点和最多两个“凸起”，位于所述零斜率点、所述斜率突变点和所述“凸起”之间的曲线段的斜率的绝对值在所述安全帽图像所在平面内x方向或y方向上单调变化。
优选的，所述根据所述目标轮廓特征修正错分类超像素块包括：
提取所述目标超像素块的超像素区域的边界掩膜并分析其上像素点间的直线斜率的变化特性；
根据所述变化特性和所述目标轮廓特征修正所述目标超像素块所属类别。
优选的，所述根据所述变化特性和所述目标轮廓特征修正所述目标超像素块所属类别包括：
判断所述变化特性是否符合所述目标轮廓特征；
若是，则保留所述目标超像素块；
若否，则检测所述目标超像素块的超像素区域的边界掩膜中所包含的超像素块的数量；
基于所述数量，根据所述变化特性和所述目标轮廓特征修正所述目标超像素块所属类别。
优选的，所述提取由目标图像粒化形成的多个超像素块的颜色特征向量、纹理特征向量包括：
选取
Figure 869512DEST_PATH_IMAGE005
、
Figure 870966DEST_PATH_IMAGE006
、
Figure 866604DEST_PATH_IMAGE007
、
Figure 269904DEST_PATH_IMAGE008
四种颜色模型描述颜色特征，得到所述颜色特征向 量；
采用超像素块中像素值的灰度分布均值的多阶矩阵来描述所述纹理特征向量，所述纹理特征向量包括分散度、方差、偏度和峰度四个属性。
优选的，所述颜色特征向量采用下式进行计算：
Figure 263268DEST_PATH_IMAGE009
式中，
Figure 814335DEST_PATH_IMAGE010
为颜色特征向量，
Figure 285767DEST_PATH_IMAGE011
、
Figure 809153DEST_PATH_IMAGE012
、
Figure 35735DEST_PATH_IMAGE013
、
Figure 11781DEST_PATH_IMAGE014
、
Figure 286904DEST_PATH_IMAGE015
、
Figure 727113DEST_PATH_IMAGE016
、
Figure 796700DEST_PATH_IMAGE017
、
Figure 525622DEST_PATH_IMAGE018
、
Figure 401174DEST_PATH_IMAGE019
、
Figure 633572DEST_PATH_IMAGE020
、
Figure 201957DEST_PATH_IMAGE021
、
Figure 152595DEST_PATH_IMAGE022
为四种颜色模型上 的特征分量；
所述纹理特征向量的分散度、方差、偏度和峰度分别采用下式进行计算：
Figure 769521DEST_PATH_IMAGE023
Figure 918743DEST_PATH_IMAGE024
Figure 861291DEST_PATH_IMAGE025
Figure 33646DEST_PATH_IMAGE026
式中，
Figure 251001DEST_PATH_IMAGE027
为分散度，
Figure 457992DEST_PATH_IMAGE028
为方差，
Figure 368179DEST_PATH_IMAGE029
为偏度，
Figure 293409DEST_PATH_IMAGE030
为峰度，
Figure 252138DEST_PATH_IMAGE031
为灰度级，
Figure 110373DEST_PATH_IMAGE032
为超像素块 对应的灰度直方图函数。
第二方面，本申请提供了一种矿井人员安全帽分割装置，包括：
提取模块，用于提取由目标图像粒化形成的多个超像素块的颜色特征向量、纹理特征向量以及目标轮廓特征；
分类模块，用于将所述颜色特征向量和所述纹理特征向量输入到预先训练的支持向量机SVM中，以将所有超像素块分为目标超像素块和背景超像素块两种类型；
修正模块，用于根据所述目标轮廓特征修正所述目标超像素块所属类别；
判断模块，用于判断修正后的目标超像素块中是否存在背景像素点；
分割模块，用于在修正后的目标超像素块中不存在背景像素点时，根据所述目标超像素块对目标图像进行分割。
在本申请的实施例提供的矿井人员安全帽分割方法和装置中，基于SLIC模型将目标图像粒化为多个超像素块，并基于支持向量机SVM将多个超像素块进行分类，并对分类后的超像素块进行类别修正，最后采用修正后的超像素块对目标图像进行分割，从而能够避免由于粉尘干扰、噪声大、光照条件差等多种恶劣条件影响而导致所采集人员视频图像存在照度不均匀、颜色信息失真、阴影分布随机、目标与背景边界难以区分等缺陷，降低了人员目标分割的难度，进而利于在人员检测识别与定位跟踪等技术上的应用。
附图说明
图1示出了本申请的实施例的矿井人员安全帽分割方法的流程示意图；
图2示出了本申请的实施例的矿井人员安全帽分割装置的方框示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。
煤矿井下环境特殊，受粉尘干扰、噪声大、光照条件差等多种恶劣条件影响，使得所采集人员视频图像存在照度不均匀、颜色信息失真、阴影分布随机、目标与背景边界难以区分等缺陷，这直接增加了人员目标分割难度，更不利于人员检测识别与定位跟踪等技术的应用。
安全帽是矿井工作人员必须佩戴的重要安全防护设备，是保障人员安全作业的必要条件，安全帽的存在代表着人员的存在。安全帽分割可促进基于计算机视觉的矿井人员调度管理、目标检测识别及其位置信息预测等相关技术的应用，可提高对人员作业区域的管控效率，同时也可有效降低分割人员全身的复杂度，压缩算法对人员图像的数据处理量。
为此，本申请提供了一种矿井人员安全帽分割方法和装置。在介绍矿井人员安全 帽分割方法和装置之前，首先介绍支持向量机
Figure 129144DEST_PATH_IMAGE033
的训练过程。
在训练时，可以将采集到的具有安全帽的图像分为样本图像和目标图像，样本图 像用于训练支持向量机
Figure 541671DEST_PATH_IMAGE033
，训练完成的支持向量机
Figure 366408DEST_PATH_IMAGE033
用于分割目标图像。
首先，对样本图像中的安全帽区域进行像素级标注，同时记录标注图像中安全帽 区域的像素点的位置
Figure 282411DEST_PATH_IMAGE034
，在一定范围内输入不同的
Figure 472084DEST_PATH_IMAGE035
值对样本图像进行
Figure 168644DEST_PATH_IMAGE036
超像素粒化， 提取样本图像中各超像素的像素点位置
Figure 469176DEST_PATH_IMAGE037
，与
Figure 770844DEST_PATH_IMAGE034
求交集运算
Figure 928156DEST_PATH_IMAGE038
，将
Figure 49696DEST_PATH_IMAGE039
中属于
Figure 216235DEST_PATH_IMAGE034
的全部像素点作为安全帽超像素块，将
Figure 106831DEST_PATH_IMAGE039
中不属于
Figure 638306DEST_PATH_IMAGE034
的所有像素点作为背景超像素块。
然后，分别提取样本图像中安全帽超像素块和背景超像素块的颜色特征向量和纹 理特征向量，并将颜色特征向量和纹理特征向量组合为特征变量，采用该特征变量对支持 向量机
Figure 43880DEST_PATH_IMAGE033
进行训练。
在一些实施例中，结合井下人员图像的实际特点与安全帽分割任务的颜色特征需 求，可以选取
Figure 217372DEST_PATH_IMAGE005
、
Figure 962474DEST_PATH_IMAGE006
、
Figure 930430DEST_PATH_IMAGE007
、
Figure 823300DEST_PATH_IMAGE008
四种颜色模型描述颜色特征。因此，目标 图像的超像素在上述四种颜色模型下的特征分量可以形成一个12维的颜色特征向量，其可 以采用下式进行计算得到：
Figure 269325DEST_PATH_IMAGE009
式中，
Figure 931250DEST_PATH_IMAGE010
为颜色特征向量，
Figure 70107DEST_PATH_IMAGE011
、
Figure 387956DEST_PATH_IMAGE012
、
Figure 434410DEST_PATH_IMAGE013
、
Figure 419683DEST_PATH_IMAGE014
、
Figure 463863DEST_PATH_IMAGE015
、
Figure 331324DEST_PATH_IMAGE016
、
Figure 119152DEST_PATH_IMAGE017
、
Figure 958932DEST_PATH_IMAGE018
、
Figure 236329DEST_PATH_IMAGE019
、
Figure 263191DEST_PATH_IMAGE020
、
Figure 120289DEST_PATH_IMAGE021
、
Figure 611313DEST_PATH_IMAGE022
为四种颜色模型 上的特征分量。
在一些实施例中，由于矿井下人员安全帽与人员皮肤、工作服、环境背景等像素区域具有明显的纹理差异，因此利用纹理特征区别安全帽与非安全帽超像素是一种有效的分割方法。超像素直方图能够反映目标图像超像素中像素灰度值在各灰度级上所出现的频率，可以选用分散度、方差、偏度和峰度四个属性来表示纹理特征向量，其可以采用如下公式进行计算：
Figure 997295DEST_PATH_IMAGE040
Figure 42611DEST_PATH_IMAGE041
Figure 234558DEST_PATH_IMAGE042
Figure 517772DEST_PATH_IMAGE026
式中，
Figure 605814DEST_PATH_IMAGE027
为分散度，
Figure 669585DEST_PATH_IMAGE028
为方差，
Figure 602906DEST_PATH_IMAGE029
为偏度，
Figure 6205DEST_PATH_IMAGE030
为峰度，
Figure 61886DEST_PATH_IMAGE031
为灰度级，
Figure 550636DEST_PATH_IMAGE032
为超像素 块对应的灰度直方图函数。
那么，特征变量
Figure 84386DEST_PATH_IMAGE043
定义为：
Figure 607771DEST_PATH_IMAGE044
最后，设置安全帽超像素块为正样本，标签为“1”；设置背景超像素块为负样本，标签为 “0”；并采用自动超参数优化方式训练支持向量机
Figure 772036DEST_PATH_IMAGE033
。
在一些实施例中，可以采用交叉验证的方式评估
Figure 544820DEST_PATH_IMAGE033
对样本图像分类的准确率， 具体地，可以通过计算
Figure 85523DEST_PATH_IMAGE033
的错误预测损失值
Figure 463414DEST_PATH_IMAGE045
评估其分类的准确率，一定 数值的
Figure 595318DEST_PATH_IMAGE045
说明了该
Figure 324240DEST_PATH_IMAGE033
对未知测试样本的错误预测概率。例如，为提高
Figure 137475DEST_PATH_IMAGE033
的预测准确率，采用自动超参数优化方式训练
Figure 432190DEST_PATH_IMAGE033
，经超参数优化后再次计算
Figure 938258DEST_PATH_IMAGE033
的错 误预测损失值，此时
Figure 888897DEST_PATH_IMAGE046
，说明经超参数优化训练的
Figure 568140DEST_PATH_IMAGE033
对未知测 试样本的预测误差相对较小。
下面对矿井人员安全帽分割方法进行详细的介绍。
图1示出了本申请的实施例的矿井人员安全帽分割方法的流程示意图。如图1所示，矿井人员安全帽分割方法和装置包括以下步骤：
步骤110，提取由目标图像粒化形成的多个超像素块的颜色特征向量、纹理特征向量以及目标轮廓特征。
在本实施例中，目标图像的粒化方法与上述样本图像的粒化方法相同，提取目标图像粒化形成的多个超像素块的颜色特征向量和纹理特征向量也与上述样本图像中的处理方式相同，此处均不再赘述。
在一些实施例中，目标图像中的目标为安全帽，安全帽是严格按照国家标准GB2811-2019进行生产，是矿井人员图像中最具显著性特征的像素区域，除具有特定的颜色种类之外还有固定的几何轮廓。
在本实施例中，主要研究安全帽中帽壳部分的形态特征，安全帽除帽沿和帽舌以 外的安全帽主体部分呈现类似半球状的形态，外部轮廓由光滑的曲线构成，安全帽的轮廓 线
Figure 655044DEST_PATH_IMAGE047
上必然存在零斜率点
Figure 597592DEST_PATH_IMAGE048
和斜率突变点
Figure 832265DEST_PATH_IMAGE049
两种点类型，位于安全帽中心位置所拍摄 的正面图像中安全帽外轮廓线上存在一个或两个尖型“凸起”，因此可能存在最多两个“凸 起”，且位于零斜率点
Figure 987303DEST_PATH_IMAGE048
、斜率突变点
Figure 459872DEST_PATH_IMAGE049
和“凸起”区间内的曲线段
Figure 104480DEST_PATH_IMAGE050
的斜率绝对 值
Figure 764132DEST_PATH_IMAGE051
在安全帽图像所在平面内x方向或y方向上单调变化。
因此，目标轮廓特征可以包括：安全帽的外轮廓线上存在零斜率点、斜率突变点和最多两个“凸起”，位于零斜率点、斜率突变点和“凸起”之间的曲线段的斜率的绝对值在安全帽图像所在平面内x方向或y方向上单调变化。
步骤120，将颜色特征向量和纹理特征向量输入到预先训练的支持向量机
Figure 988440DEST_PATH_IMAGE033
中，以将所有超像素块分为目标超像素块和背景超像素块两种类型。
步骤130，根据目标轮廓特征修正目标超像素块所属类别。
在本实施例中，由于参与支持向量机
Figure 112253DEST_PATH_IMAGE033
训练的样本图像在整体数据样本集中 缺乏全局代表性，同时经超参数优化训练所得支持向量机
Figure 131025DEST_PATH_IMAGE033
本身对测试样本的预测能 力有限，因此存在少量负样本被误分为正样本，因此需要对正样本进行修正。
在一些实施例中，可以采用如下步骤对目标超像素块进行修正：
步骤1301，提取目标超像素块的超像素区域的边界掩膜并分析其上像素点间的直线斜率的变化特性。
在本实施例中，提取目标超像素块的超像素区域的边界掩膜
Figure 340289DEST_PATH_IMAGE052
，并采用形态学 膨胀算子处理，然后选择目标超像素块的超像素区域的边界掩膜
Figure 102709DEST_PATH_IMAGE052
上任意一点为其轮廓 线
Figure 18712DEST_PATH_IMAGE047
的起点
Figure 270702DEST_PATH_IMAGE053
，按照顺时针方向或者逆时针方向顺次计算相邻单位像素点间的直线斜率
Figure 170525DEST_PATH_IMAGE054
，直至返回起点
Figure 471056DEST_PATH_IMAGE053
，并分析直线斜率
Figure 303883DEST_PATH_IMAGE054
的变化特性。
步骤1302，根据变化特性和目标轮廓特征修正目标超像素块所属类别。
首先判断目标超像素块的超像素区域的边界掩膜
Figure 664457DEST_PATH_IMAGE052
由几个超像素块生成。
例如，目标超像素块的超像素区域的边界掩膜
Figure 51576DEST_PATH_IMAGE052
由单个超像素块生成。若直线 斜率
Figure 952536DEST_PATH_IMAGE054
的变化特性完全符合目标轮廓特征，则将其判定为由一个超像素块分割完成的 安全帽区域
Figure 843132DEST_PATH_IMAGE055
；若直线斜率
Figure 640187DEST_PATH_IMAGE054
的变化特性部分符合目标轮廓特征，则将不符合目标 轮廓特征的直线斜率
Figure 45760DEST_PATH_IMAGE054
定义为异常直线斜率
Figure 953673DEST_PATH_IMAGE054
，由区域邻接图
Figure 761092DEST_PATH_IMAGE056
检索出于异常 直线斜率
Figure 729048DEST_PATH_IMAGE054
区间所对应的邻居超像素块
Figure 559601DEST_PATH_IMAGE057
，提取其边界掩模并与
Figure 802364DEST_PATH_IMAGE058
融合之后生 成新的超像素区域掩模
Figure 933131DEST_PATH_IMAGE059
，更新直线斜率
Figure 806409DEST_PATH_IMAGE054
并分析其变化特性，符合目标轮廓特 征的部分所占比例增多则保留新增超像素，否则将该超像素视为误分类样本，将其滤除，直 至符合目标轮廓特征的直线斜率
Figure 186575DEST_PATH_IMAGE054
的比例最大化。
又例如，目标超像素块的超像素区域的边界掩膜
Figure 436290DEST_PATH_IMAGE052
由多个超像素块生成。若直 线斜率
Figure 155985DEST_PATH_IMAGE054
的变化特性完全符合目标轮廓特征，则将其判定为由多个超像素块分割完成 的安全帽区域
Figure 262481DEST_PATH_IMAGE055
；若直线斜率
Figure 333205DEST_PATH_IMAGE054
中只有部分直线斜率
Figure 121032DEST_PATH_IMAGE054
的变化特征符合目标轮 廓特征且符合目标轮廓特征的直线斜率
Figure 757550DEST_PATH_IMAGE054
和不合符目标轮廓特征的直线斜率
Figure 972631DEST_PATH_IMAGE054
同时 分布于每个超像素块边界之上，则由
Figure 265072DEST_PATH_IMAGE060
检索出与不合符目标轮廓特征的直线斜率
Figure 918907DEST_PATH_IMAGE054
区间所对应的
Figure 347614DEST_PATH_IMAGE057
，提取其边界掩模并与
Figure 999176DEST_PATH_IMAGE058
融合之后生成新的超像素区域掩模
Figure 841230DEST_PATH_IMAGE059
，更新直线斜率
Figure 970860DEST_PATH_IMAGE054
并分析其变化特性，符合目标轮廓特征的直线斜率
Figure 316390DEST_PATH_IMAGE054
所 占比例增多则保留新增超像素，循环执行直至符合目标轮廓特征的直线斜率
Figure 404432DEST_PATH_IMAGE054
比例最 大化；若符合目标轮廓特征的直线斜率
Figure 405886DEST_PATH_IMAGE054
中只有部分符合目标轮廓特征的直线斜率
Figure 135945DEST_PATH_IMAGE054
的变化特征符合目标轮廓特征且符合目标轮廓特征的直线斜率
Figure 804824DEST_PATH_IMAGE054
和不符合目标 轮廓特征的直线斜率
Figure 798187DEST_PATH_IMAGE054
分布于不同的超像素边界上，则由
Figure 83675DEST_PATH_IMAGE056
检索出与不符合目标轮 廓特征的直线斜率
Figure 820687DEST_PATH_IMAGE054
区间所对应的
Figure 344072DEST_PATH_IMAGE057
并将其剔除，更新符合目标轮廓特征的直线斜 率
Figure 305075DEST_PATH_IMAGE054
并分析其变化特性，符合目标轮廓特征的直线斜率
Figure 281121DEST_PATH_IMAGE054
比例增多则修正有效，循环 执行直至符合目标轮廓特征的直线斜率
Figure 821824DEST_PATH_IMAGE054
比例最大化；
若直线斜率
Figure 996453DEST_PATH_IMAGE054
完全为不符合目标轮廓特征，则由
Figure 331620DEST_PATH_IMAGE056
检索出直线斜率
Figure 794962DEST_PATH_IMAGE054
对应 的超像素，逐个剔除并更新直线斜率
Figure 936094DEST_PATH_IMAGE054
，直线斜率
Figure 168492DEST_PATH_IMAGE054
始终不符合目标轮廓特征则将其 判定为背景区域，滤除其所包含的所有超像素块。
步骤140，判断修正后的目标超像素块中是否存在背景像素点。
在一些实施例中，可以采用如下步骤进行判断：
步骤1401，提取修正后的目标超像素块的超像素区域的边界掩膜。
步骤1402，采用
Figure 674559DEST_PATH_IMAGE001
算子提取修正后的目标超像素块的轮廓边缘。
步骤1403，计算修正后的目标超像素块的超像素区域的边界掩膜和修正后的目标 超像素块的轮廓边缘的差集
Figure 687515DEST_PATH_IMAGE002
。
步骤1404，若
Figure 304441DEST_PATH_IMAGE003
，则确定修正后的目标超像素块中不存在背景像素点。
步骤1405，若
Figure 453663DEST_PATH_IMAGE004
，则确定修正后的目标超像素块中存在背景像素点。
需要说明的是，如果确定修正后的目标超像素块中不存在背景像素点，则执行步骤150，如果确定修正后的目标超像素块中存在背景像素点，则执行步骤160。
步骤150，根据目标超像素块对目标图像进行分割。
步骤160，对修正后的目标超像素块再次进行分类，得到目标像素点超像素块和背景像素点超像素块，滤除背景像素点超像素块，根据目标像素点超像素块对目标图像进行分割。
在本实施例中，对修正后的目标超像素块再次进行分类，可以根据差集
Figure 130632DEST_PATH_IMAGE002
所在的 超像素块的像素点边界线将该超像素块分解为目标像素点超像素块和背景像素点超像素 块。
在本申请实施例中，基于SLIC模型将目标图像粒化为多个超像素块，并基于支持向量机SVM将多个超像素块进行分类，并对分类后的超像素块进行修正，最后采用修正后的超像素块对目标图像进行分割，从而能够避免由于粉尘干扰、噪声大、光照条件差等多种恶劣条件影响而导致所采集人员视频图像存在照度不均匀、颜色信息失真、阴影分布随机、目标与背景边界难以区分等缺陷，降低了人员目标分割的难度，进而利于在人员检测识别与定位跟踪等技术上的应用。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图2示出了本申请的实施例的矿井人员安全帽分割装置的方框示意图。如图2所示，矿井人员安全帽分割装置包括：
提取模块210，用于提取由目标图像粒化形成的多个超像素块的颜色特征向量、纹理特征向量以及目标轮廓特征。
分类模块220，用于将颜色特征向量和纹理特征向量输入到预先训练的支持向量机SVM中，以将所有超像素块分为目标超像素块和背景超像素块两种类型。
修正模块230，用于根据目标轮廓特征修正错分类超像素块。
判断模块240，用于判断修正后的目标超像素块中是否存在背景像素点。
分割模块250，用于在修正后的目标超像素块中不存在背景像素点时，根据目标超像素块对目标图像进行分割。
在一些实施例中，判断模块240具体用于：
提取修正后的目标超像素块的超像素区域的边界掩膜；
采用
Figure 302987DEST_PATH_IMAGE001
算子提取修正后的目标超像素块的轮廓边缘；
计算修正后的目标超像素块的超像素区域的边界掩膜和修正后的目标超像素块的轮 廓边缘的差集
Figure 785921DEST_PATH_IMAGE002
；
若
Figure 992911DEST_PATH_IMAGE003
，则确定修正后的目标超像素块中不存在背景像素点；
若
Figure 840782DEST_PATH_IMAGE004
，则确定修正后的目标超像素块中存在背景像素点。
在一些实施例中，分割模块250还用于在修正后的目标超像素块中存在背景像素点时，对修正后的目标超像素块再次进行分类，得到目标像素点超像素块和背景像素点超像素块；滤除背景像素点超像素块；根据目标像素点超像素块对目标图像进行分割。
在一些实施例中，分割模块250还用于根据差集
Figure 562750DEST_PATH_IMAGE002
所在的超像素块的像素点边界 线将该超像素块分解为目标像素点超像素块和背景像素点超像素块。
在一些实施例中，目标图像中的目标为安全帽，目标轮廓特征包括：安全帽的外轮廓线上存在零斜率点、斜率突变点和最多两个“凸起”，位于零斜率点、斜率突变点和“凸起”之间的曲线段的斜率的绝对值在安全帽图像所在平面内x方向或y方向上单调变化。
在一些实施例中，修正模块230具体用于：
提取目标超像素块的超像素区域的边界掩膜并分析其上像素点间的直线斜率的变化特性；
根据变化特性和目标轮廓特征修正错分类超像素块。
在一些实施例中，修正模块230具体还用于：
判断变化特性是否符合目标轮廓特征；
若是，则保留目标超像素块；
若否，则检测目标超像素块的超像素区域的边界掩膜中所包含的超像素块的数量；
基于数量，根据变化特性和目标轮廓特征修正目标超像素块所属类别。
在一些实施例中，提取模块210具体用于：
选取
Figure 787058DEST_PATH_IMAGE005
、
Figure 848555DEST_PATH_IMAGE006
、
Figure 929643DEST_PATH_IMAGE007
、
Figure 76591DEST_PATH_IMAGE008
四种颜色模型描述颜色特征，得到颜色特征向 量；
采用超像素块中像素值的灰度分布均值的多阶矩阵来描述纹理特征向量，纹理特征向量包括分散度、方差、偏度和峰度四个属性。
在一些实施例中，颜色特征向量采用下式进行计算：
Figure 839010DEST_PATH_IMAGE009
式中，
Figure 817331DEST_PATH_IMAGE010
为颜色特征向量，
Figure 272583DEST_PATH_IMAGE011
、
Figure 906827DEST_PATH_IMAGE012
、
Figure 269675DEST_PATH_IMAGE013
、
Figure 40185DEST_PATH_IMAGE014
、
Figure 666338DEST_PATH_IMAGE015
、
Figure 584616DEST_PATH_IMAGE016
、
Figure 688838DEST_PATH_IMAGE017
、
Figure 653469DEST_PATH_IMAGE018
、
Figure 184945DEST_PATH_IMAGE019
、
Figure 590518DEST_PATH_IMAGE020
、
Figure 498431DEST_PATH_IMAGE021
、
Figure 243533DEST_PATH_IMAGE022
为四种颜色模型上 的特征分量；
纹理特征向量的分散度、方差、偏度和峰度分别采用下式进行计算：
Figure 8227DEST_PATH_IMAGE061
Figure 104359DEST_PATH_IMAGE062
Figure 550384DEST_PATH_IMAGE063
Figure 477889DEST_PATH_IMAGE064
式中，
Figure 616746DEST_PATH_IMAGE027
为分散度，
Figure 669015DEST_PATH_IMAGE028
为方差，
Figure 981048DEST_PATH_IMAGE029
为偏度，
Figure 966322DEST_PATH_IMAGE030
为峰度，
Figure 10501DEST_PATH_IMAGE031
为灰度级，
Figure 612384DEST_PATH_IMAGE032
为超像素 块对应的灰度直方图函数。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种矿井人员安全帽分割方法，其特征在于，包括：
提取由目标图像粒化形成的多个超像素块的颜色特征向量、纹理特征向量以及目标轮廓特征；
将所述颜色特征向量和所述纹理特征向量输入到预先训练的支持向量机SVM中，以将所有超像素块分为目标超像素块和背景超像素块两种类型；
根据所述目标轮廓特征修正错分类超像素块；
判断修正后的目标超像素块中是否存在背景像素点；
若否，则根据所述目标超像素块对目标图像进行分割。
2.根据权利要求1所述的方法，其特征在于，所述判断修正后的目标超像素块中是否存在背景像素点包括：
提取所述修正后的目标超像素块的超像素区域的边界掩膜；
采用
Figure 137165DEST_PATH_IMAGE001
算子提取所述修正后的目标超像素块的轮廓边缘；
计算所述修正后的目标超像素块的超像素区域的边界掩膜和所述修正后的目标超像 素块的轮廓边缘的差集
Figure 711366DEST_PATH_IMAGE002
；
若
Figure 192026DEST_PATH_IMAGE003
，则确定所述修正后的目标超像素块中不存在背景像素点；
若
Figure 546784DEST_PATH_IMAGE004
，则确定所述修正后的目标超像素块中存在背景像素点。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
若是，则对所述修正后的目标超像素块再次进行分类，得到目标像素点超像素块和背景像素点超像素块；
滤除所述背景像素点超像素块；
根据所述目标像素点超像素块对所述目标图像进行分割。
4.根据权利要求3所述的方法，其特征在于，所述对所述修正后的目标超像素块再次进行分类包括：
根据所述差集
Figure 872723DEST_PATH_IMAGE002
所在的超像素块的像素点边界线将该超像素块分解为所述目标像素 点超像素块和所述背景像素点超像素块。
5.根据权利要求1所述的方法，其特征在于，所述目标图像中的目标为安全帽，所述目标轮廓特征包括：
所述安全帽的外轮廓线上存在零斜率点、斜率突变点和最多两个“凸起”，位于所述零斜率点、所述斜率突变点和所述“凸起”之间的曲线段的斜率的绝对值在所述安全帽图像所在平面内x方向或y方向上单调变化。
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标轮廓特征修正错分类超像素块包括：
提取所述目标超像素块的超像素区域的边界掩膜并分析其上像素点间的直线斜率的变化特性；
根据所述变化特性和所述目标轮廓特征修正所述目标超像素块所属类别。
7.根据权利要求6所述的方法，其特征在于，所述根据所述变化特性和所述目标轮廓特征修正所述目标超像素块所属类别包括：
判断所述变化特性是否符合所述目标轮廓特征；
若是，则保留所述目标超像素块；
若否，则检测所述目标超像素块的超像素区域的边界掩膜中所包含的超像素块的数量；
基于所述数量，根据所述变化特性和所述目标轮廓特征修正所述目标超像素块所属类别。
8.根据权利要求1所述的方法，其特征在于，所述提取由目标图像粒化形成的多个超像素块的颜色特征向量、纹理特征向量包括：
选取
Figure 629326DEST_PATH_IMAGE005
、
Figure 280887DEST_PATH_IMAGE006
、
Figure 795045DEST_PATH_IMAGE007
、
Figure 986992DEST_PATH_IMAGE008
四种颜色模型描述颜色特征，得到所述颜色特 征向量；
采用超像素块中像素值的灰度分布均值的多阶矩阵来描述所述纹理特征向量，所述纹理特征向量包括分散度、方差、偏度和峰度四个属性。
9.根据权利要求8所述的方法，其特征在于，所述颜色特征向量采用下式进行计算：
Figure 801364DEST_PATH_IMAGE009
式中，
Figure 358248DEST_PATH_IMAGE010
为颜色特征向量，
Figure 422019DEST_PATH_IMAGE011
、
Figure 355340DEST_PATH_IMAGE012
、
Figure 24218DEST_PATH_IMAGE013
、
Figure 814320DEST_PATH_IMAGE014
、
Figure 303070DEST_PATH_IMAGE015
、
Figure 305661DEST_PATH_IMAGE016
、
Figure 625784DEST_PATH_IMAGE017
、
Figure 524470DEST_PATH_IMAGE018
、
Figure 766095DEST_PATH_IMAGE019
、
Figure 103536DEST_PATH_IMAGE020
、
Figure 215848DEST_PATH_IMAGE021
、
Figure 613331DEST_PATH_IMAGE022
为四种颜色 模型上的特征分量；
所述纹理特征向量的分散度、方差、偏度和峰度分别采用下式进行计算：
Figure 76674DEST_PATH_IMAGE023
Figure 155488DEST_PATH_IMAGE024
Figure 184624DEST_PATH_IMAGE025
Figure 956271DEST_PATH_IMAGE026
式中，
Figure 641330DEST_PATH_IMAGE027
为分散度，
Figure 320573DEST_PATH_IMAGE028
为方差，
Figure 673057DEST_PATH_IMAGE029
为偏度，
Figure 350026DEST_PATH_IMAGE030
为峰度，
Figure 584698DEST_PATH_IMAGE031
为灰度级，
Figure 270895DEST_PATH_IMAGE032
为超像 素块对应的灰度直方图函数。
10.一种矿井人员安全帽分割装置，其特征在于，包括：
提取模块，用于提取由目标图像粒化形成的多个超像素块的颜色特征向量、纹理特征向量以及目标轮廓特征；
分类模块，用于将所述颜色特征向量和所述纹理特征向量输入到预先训练的支持向量机SVM中，以将所有超像素块分为目标超像素块和背景超像素块两种类型；
修正模块，用于根据所述目标轮廓特征修正所述目标超像素块所属类别；
判断模块，用于判断修正后的目标超像素块中是否存在背景像素点；
分割模块，用于在修正后的目标超像素块中不存在背景像素点时，根据所述目标超像素块对目标图像进行分割。
CN202011234672.0A 2020-11-07 2020-11-07 矿井人员安全帽分割方法和装置 Withdrawn CN112330706A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011234672.0A CN112330706A (zh) 2020-11-07 2020-11-07 矿井人员安全帽分割方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011234672.0A CN112330706A (zh) 2020-11-07 2020-11-07 矿井人员安全帽分割方法和装置

Publications (1)

Publication Number Publication Date
CN112330706A true CN112330706A (zh) 2021-02-05

Family

ID=74316463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011234672.0A Withdrawn CN112330706A (zh) 2020-11-07 2020-11-07 矿井人员安全帽分割方法和装置

Country Status (1)

Country Link
CN (1) CN112330706A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114120358A (zh) * 2021-11-11 2022-03-01 国网江苏省电力有限公司技能培训中心 一种基于超像素引导深度学习的人员头戴安全帽识别方法
CN115439474A (zh) * 2022-11-07 2022-12-06 山东天意机械股份有限公司 一种电力设备故障快速定位方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114120358A (zh) * 2021-11-11 2022-03-01 国网江苏省电力有限公司技能培训中心 一种基于超像素引导深度学习的人员头戴安全帽识别方法
CN114120358B (zh) * 2021-11-11 2024-04-26 国网江苏省电力有限公司技能培训中心 一种基于超像素引导深度学习的人员头戴安全帽识别方法
CN115439474A (zh) * 2022-11-07 2022-12-06 山东天意机械股份有限公司 一种电力设备故障快速定位方法

Similar Documents

Publication Publication Date Title
CN109961049B (zh) 一种复杂场景下香烟品牌识别方法
Zhao et al. Cloud shape classification system based on multi-channel cnn and improved fdm
CN110992381B (zh) 一种基于改进Vibe+算法的运动目标背景分割方法
CN105260738B (zh) 基于主动学习的高分辨率遥感影像变化检测方法及系统
CN112288706A (zh) 一种自动化的染色体核型分析以及异常检测方法
CN107230188B (zh) 一种视频运动阴影消除的方法
CN111738271B (zh) 自然环境中被遮挡果实的识别方法
CN102622589A (zh) 一种基于gpu的多光谱人脸检测方法
JP6932402B2 (ja) スマートホームシーン向けのマルチジェスチャー精分割方法
CN108268823A (zh) 目标再识别方法和装置
CN105513053A (zh) 一种用于视频分析中背景建模方法
CN112330706A (zh) 矿井人员安全帽分割方法和装置
Campos et al. Discrimination of abandoned and stolen object based on active contours
CN110544262A (zh) 一种基于机器视觉的子宫颈细胞图像分割方法
CN114241542A (zh) 基于图像拼接的人脸识别方法
CN117437406A (zh) 一种多目标检测的方法及装置
CN107886502A (zh) 一种复杂环境下颜色与梯度综合的阴影检测与去除算法
CN112446417B (zh) 基于多层超像素分割的纺锤形果实图像分割方法及系统
CN113723314A (zh) 一种基于YOLOv3算法的甘蔗茎节识别方法
CN110599518B (zh) 一种基于视觉显著度的超像素分割与条件数分块的目标跟踪方法
CN112307894A (zh) 一种社区监控场景下基于皱纹特征和姿态特征的行人年龄识别方法
CN116524410A (zh) 基于混合高斯模型的深度学习融合场面目标检测方法
Dantas et al. A deterministic technique for identifying dicotyledons in images
CN111415350B (zh) 一种用于检测宫颈病变的阴道镜图像识别方法
CN213241250U (zh) 矿工安全帽检测系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210205