CN104134075A - 一种基于视频的矿产含量监测系统 - Google Patents

Abstract

本发明属于计算机视觉，模式识别和监控领域，具体涉及一种基于视频矿产监测系统。科学技术迅猛发展的今天，煤炭依然是世界上最经济最可靠的能源和能源战略资源。在新时期，国民经济快速增长导致煤炭需求量进一步增大，采矿业备受关注。在采矿业技术中，计算和核实矿井储量，测定和统计储量动态，分析储量损失，编制矿井储量表，为提高矿井储量级别和扩大矿井储量提供依据，为生产正常接替、资源合理利用服务。由于在采矿业中常常出现采矿含量不均匀，矿物含量减少，或丢失的现象，为了一方面实时监控采矿量，另一方面也可以实时检测矿井环境，确保井下作业顺利完成。特研发此系统。

Description

一种基于视频的矿产含量监测系统

所属技术领域

本发明属于计算机视觉，模式识别和监控领域，具体涉及一种基于视频的矿产监测系统。 

背景技术

科学技术迅猛发展的今天，煤炭依然是世界上最经济最可靠的能源和能源战略资源。在新时期，国民经济快速增长导致煤炭需求量进一步增大，采矿业备受关注。在采矿业技术中，计算和核实矿井储量，测定和统计储量动态，分析储量损失，编制矿井储量表，为提高矿井储量级别和扩大矿井储量提供依据，为生产正常接替、资源合理利用服务。由于在采矿业中常常出现采矿含量不均匀，矿物含量减少，或丢失的现象，为了一方面实时监控采矿量，另一方面也可以实时检测矿井环境，确保井下作业顺利完成。特研发此系统。 

发明内容

本发明提出一种基于视频的矿产监测系统，以解决现有技术中在矿工作业的过程中对矿井内矿物含量监测不准而造成矿物流失的问题。 

附图说明

图1是根据本发明实施例的选大量矿物含量不同的矿车图片做训练集，提取特征，用SVM分类流程图。 

图2是根据本发明实施例的图像分割提取出特征向量的流程图。 

图3是根据本发明实施例的基于视频矿产监测系统生成的流程图。 

具体实施方案：

需要说明的是，如果不冲突，本发明实施例以及实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。 

下面将参考附图并结合实施例来详细说明本发明。 

实施例一，提取前景具体包括：使用混合高斯背景算法对所述目标帧的图像进行计算，得到所述目标帧图像的混合高斯模型，取出前景图像。 

实施例一：分割矿车图片包括：检测图像中的目标轮廓，遍历外接矩形，根据经验值判断出人所在的矩形区域和矿车所在的矩形区域，进一步对图像进行分割，得到矿车图。 

实施例一：SVM训练出合适灰度公升矩阵的特征参数包括： 

首先对大量的矿产含量各异的矿车图片，这些图片尺度一致即大小一致均为128×128，方向一致即矿车在每幅图片中的位置一致，进行训练，计算出图形四个方向的灰度共生矩。 

其中灰度共生矩阵为(记为P阵)是统计空间上具有某种位置关系的一对像元灰度对出现的频度.其实质是从图像灰度为i的像元(位置为x，y)出发，统计与其距离为d，灰度为j的像元(x+Dx，y+Dy)同时出现的频度P(i，j，d，θ). 

数学表达式为： 

P(i，j，d，θ)＝{[(x，y)，(x+Dx，y+Dy)|f(x，y)＝i；f(x+Dx，y+Dy)＝j]}.生成的灰度共生矩阵可以很好刻画图图像的纹理特征。 

式中：x，y＝0，1，2，...，N-1是图像的像元坐标；i，j＝0，1，...L-1是灰度级；Dx，Dy是位置偏移量.d为W阵的生成步长；θ为W阵的生成方向，取0°、45°、90°、135°这4个方向.按照经验值取d＝4。 

常用的特征参数有： 

角二阶矩： 

$\mathrm{ASM}=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}^2$

熵： 

$\mathrm{ENT}=-\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}\log P_{\mathrm{ij}}$

均等性： $\mathrm{HOM}=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}/{[1+{(i-j)}^2]}^2$

不相似性： $\mathrm{DIS}=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}|i-j|P_{\mathrm{ij}}$

对比度： 

$\mathrm{CON}=\underset{\mathrm{ij}}{\mathrm{\Σ}}{(i-j)}^2{P}_{\mathrm{ij}}$

相关性： $\mathrm{COR}=\frac{1}{{\mathrm{\σ}}_1{\mathrm{\σ}}_2}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}(i-u_1)(j-u_2)P_{\mathrm{ij}}$

其中： $u_1={\mathrm{\Σ}}_{i=0}^{N-1}i{\mathrm{\Σ}}_{j=0}^{N-1}{P}_{\mathrm{ij}}$ $u_2={\mathrm{\Σ}}_{i=0}^{N-1}j{\mathrm{\Σ}}_{j=0}^{N-1}{P}_{\mathrm{ij}}$

${\mathrm{\σ}}_1^2=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{(i-u_1)}^2\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}$ ${\mathrm{\σ}}_{12}^2=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{(j-u_1)}^2\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}$

计算出6个典型的特征参数，每一个取四个灰度共生矩阵的平均值，构成特征向量为了降低维数以便之后的流程很好的完成，我们用SVM训练出4个分类效果最好的特征参数，用这4个特征参数构成特征向量V₁。 

实施例一：对矿车图片中的含矿量进行分类具体包括： 

首先为了最大限度的降低干扰提高对矿车含量的判别效率，要对分割出的矿车图片进行预处理，预处理流程包括：(1)对分割出的图像进行灰化处理；(2)找见包含矿车的最大外接矩形，并分割出该矩形；(3)规范矿车图片的大小到128×128；得到的矿车图片主方向不一致，所以要对预处理得到的的图像进一步分割以使得得到的特征向量尽可能不受方向的限制。分割流程为：提出偶数行奇数列得到大小为64×64的图片A₁以及奇数行偶数列得到大小为64×64的图片A₂；再对P₁继续分割得到大小为32×32B₁和B_2，对P₂继续分割得到大小为32×32B₃和B₄；再进行三次分解得到C₁、C₂、C₃、C₄，C₅，C₆，C₇，C₈，大小分别为16×16，对这八副图像分别计算出其灰度共生矩阵，再提取出训练好的8个特征参数，排列到一起得到32维的特征向量，再用SVM进行分类，得出所属类别，含矿量无，较少，或者较多。 

Claims (6)

1.一种基于视频矿产含量监测系统，其特征在于，包括： 

对原始视频中的目标帧图像进行背景建模，得到背景图像； 

利用所述背景图像提取出所述目标帧图像中的运动目标人和矿车； 

将图像分割得到矿车图片； 

利用SVM训练出的分类标准对矿车图片中的含矿量进行分类。 

2.根据权利要求1所述的基于视频矿产含量监测系统，其特征在于，对原始视频中的目标帧的图像进行背景提取包括： 

使用混合高斯背景算法对所述目标帧的图像进行计算，得到所述目标帧图像的混合高斯模型。 

3.根据权利要求1所述的基于视频矿产监测系统，其特征在于，提取出前景图像。 

4.根据权利要求1所述的基于视频矿产含量监测系统，其特征在于，将图像分割得到矿车包括：检测图像中的目标轮廓，遍历外接矩形，根据经验值判断出人所在的矩形区域和矿车所在的矩形区域，进一步对图像进行分割，得到矿车图。 

5.根据权利要求4所述的基于视频矿产含量监测系统，其特征在于，利用SVM训练出的分类标准包括： 

首先对大量的矿产含量各异的矿车图片，这些图片尺度一致即大小一致均为128×128，方向一致即矿车在每幅图片中的位置一致，进行训练，计算出图形四个方向的灰度共生矩。计算出6个典型的特征参数，每一个取四个灰度共生矩阵的平均值，构成特征向量为了降低维数以便之后的流程很好的完成，我们用SVM训练出4个分类效果最好的特征参数，用这4个特征参数构成特征向量V1。 

其中灰度共生矩阵为(记为P阵)是统计空间上具有某种位置关系的一对像元灰度对出现的频度.其实质是从图像灰度为i的像元(位置为x，y)出发，统计与其距离为d，灰度为j的像元(x+Dx，y+Dy)同时出现的频度P(i，j，d，θ). 

数学表达式为： 

P(i，j，d，θ)＝{[(x，y)，(x+Dx，y+Dy)|f(x，y)＝i；f(x+Dx，y+Dy)＝j]}.生成的灰度共生矩阵可以很好刻画图图像的纹理特征。 

式中：x，y＝0，1，2，...，N-1是图像的像元坐标；i，j＝0，1，...L-1是灰度级；Dx，Dy是位置偏移量.d为W阵的生成步长；θ为W阵的生成方向，取0°、45°、90°、135°这4个方向. 

按照上述公式，按照经验值取d＝4，每一副图像均生成四个灰度共生矩阵。 

常用的特征参数有： 

角二阶矩： 

熵：

均等性： 

不相似性： 

对比度： 

相关性：

其中：

6.根据权利要求4所述的基于视频矿产含量监测系统，其特征在于，利用SVM训练出的分类标准对矿车图片中的含矿量进行分类包括： 

首先为了最大限度的降低干扰提高对矿车含量的判别效率，要对分割出的矿车图片进行预处理，预处理流程包括：(1)对分割出的图像进行灰化处理；(2)找见包含矿车的最大外接矩形，并分割出该矩形；(3)规范矿车图片的大小到128×128； 

其次由于的到的矿车图片主方向不一致，所以要对预处理得到的的图像进一步分割以使得得到的特征向量尽可能不受方向的限制。分割流程为：提出偶数行奇数列得到大小为64×64的图片A₁以及奇数行偶数列得到大小为64×64的图片A₂；再对P₁继续分割得到大小为32×32B₁和B_2，对P₂继续分割得到大小为32×32B₃和B₄；再进行三次分解得到C₁、C₂、C₃、C₄，C₅，C₆，C₇，C₈，大小分别为16×16，对这八副图像分别计算出其灰度共生矩阵，再提取出训练好的8个特征参数，排列到一起得到32维的特征向量，再用SVM 进行分类，得出所属类别，含矿量无，较少，或者较多。