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 PDFInfo
- 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- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000011218 segmentation Effects 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 60
- 238000012706 support-vector machine Methods 0.000 claims abstract description 23
- 238000005469 granulation Methods 0.000 claims abstract description 10
- 230000003179 granulation Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 21
- 150000001875 compounds Chemical class 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
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
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;
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:
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:
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:
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:
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。
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,在一定范围内输入不同的值对样本图像进行超像素粒化,
提取样本图像中各超像素的像素点位置,与求交集运算,将中属于
的全部像素点作为安全帽超像素块,将中不属于的所有像素点作为背景超像素块。
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 、、 、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:
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:
在一些实施例中,可以采用交叉验证的方式评估对样本图像分类的准确率,
具体地,可以通过计算的错误预测损失值评估其分类的准确率,一定
数值的说明了该对未知测试样本的错误预测概率。例如,为提高
的预测准确率,采用自动超参数优化方式训练,经超参数优化后再次计算的错
误预测损失值,此时,说明经超参数优化训练的对未知测
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
线上必然存在零斜率点和斜率突变点两种点类型,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、斜率突变点和“凸起”区间内的曲线段的斜率绝对
值在安全帽图像所在平面内x方向或y方向上单调变化。
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,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上任意一点为其轮廓
线的起点,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,直至返回起点,并分析直线斜率的变化特性。
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。
例如,目标超像素块的超像素区域的边界掩膜由单个超像素块生成。若直线
斜率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;若直线斜率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定义为异常直线斜率,由区域邻接图检索出于异常
直线斜率区间所对应的邻居超像素块,提取其边界掩模并与融合之后生
成新的超像素区域掩模,更新直线斜率并分析其变化特性,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由多个超像素块生成。若直
线斜率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;若直线斜率中只有部分直线斜率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和不合符目标轮廓特征的直线斜率同时
分布于每个超像素块边界之上,则由检索出与不合符目标轮廓特征的直线斜率
区间所对应的,提取其边界掩模并与融合之后生成新的超像素区域掩模,更新直线斜率并分析其变化特性,符合目标轮廓特征的直线斜率所
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比例最
大化;若符合目标轮廓特征的直线斜率中只有部分符合目标轮廓特征的直线斜率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和不符合目标
轮廓特征的直线斜率分布于不同的超像素边界上,则由检索出与不符合目标轮
廓特征的直线斜率区间所对应的并将其剔除,更新符合目标轮廓特征的直线斜
率并分析其变化特性,符合目标轮廓特征的直线斜率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比例最大化;
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。
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;
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,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:
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:
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:
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。
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。
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。
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。
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)
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 |
-
2020
- 2020-11-07 CN CN202011234672.0A patent/CN112330706A/zh not_active Withdrawn
Cited By (3)
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 | |
CN110992381B (zh) | 一种基于改进Vibe+算法的运动目标背景分割方法 | |
WO2023065395A1 (zh) | 作业车辆检测与跟踪方法和系统 | |
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 | |
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 | |
CN106127735B (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
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 | |
CN117975175B (zh) | 一种基于机器视觉的塑料管道外观缺陷检测方法 | |
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 | |
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 | |
Sujatha et al. | An innovative moving object detection and tracking system by using modified region growing algorithm |
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 |