一種基于視頻的礦產含量監(jiān)測系統(tǒng)的制作方法
【專利摘要】本發(fā)明屬于計算機視覺，模式識別和監(jiān)控領域，具體涉及一種基于視頻礦產監(jiān)測系統(tǒng)?？茖W技術迅猛發(fā)展的今天，煤炭依然是世界上最經濟最可靠的能源和能源戰(zhàn)略資源。在新時期，國民經濟快速增長導致煤炭需求量進一步增大，采礦業(yè)備受關注。在采礦業(yè)技術中，計算和核實礦井儲量，測定和統(tǒng)計儲量動態(tài)，分析儲量損失，編制礦井儲量表，為提高礦井儲量級別和擴大礦井儲量提供依據(jù)，為生產正常接替、資源合理利用服務。由于在采礦業(yè)中常常出現(xiàn)采礦含量不均勻，礦物含量減少，或丟失的現(xiàn)象，為了一方面實時監(jiān)控采礦量，另一方面也可以實時檢測礦井環(huán)境，確保井下作業(yè)順利完成。特研發(fā)此系統(tǒng)。
【專利說明】一種基于視頻的礦產含量監(jiān)測系統(tǒng)
所屬【技術領域】
[0001]本發(fā)明屬于計算機視覺，模式識別和監(jiān)控領域，具體涉及一種基于視頻的礦產監(jiān)測系統(tǒng)。

【背景技術】
[0002]科學技術迅猛發(fā)展的今天，煤炭依然是世界上最經濟最可靠的能源和能源戰(zhàn)略資源。在新時期，國民經濟快速增長導致煤炭需求量進一步增大，采礦業(yè)備受關注。在采礦業(yè)技術中，計算和核實礦井儲量，測定和統(tǒng)計儲量動態(tài)，分析儲量損失，編制礦井儲量表，為提高礦井儲量級別和擴大礦井儲量提供依據(jù)，為生產正常接替、資源合理利用服務。由于在采礦業(yè)中常常出現(xiàn)采礦含量不均勻，礦物含量減少，或丟失的現(xiàn)象，為了一方面實時監(jiān)控采礦量，另一方面也可以實時檢測礦井環(huán)境，確保井下作業(yè)順利完成。特研發(fā)此系統(tǒng)。


【發(fā)明內容】

[0003]本發(fā)明提出一種基于視頻的礦產監(jiān)測系統(tǒng)，以解決現(xiàn)有技術中在礦工作業(yè)的過程中對礦井內礦物含量監(jiān)測不準而造成礦物流失的問題。

【專利附圖】

【附圖說明】
[0004]圖1是根據(jù)本發(fā)明實施例的選大量礦物含量不同的礦車圖片做訓練集，提取特征，用SVM分類流程圖。
[0005]圖2是根據(jù)本發(fā)明實施例的圖像分割提取出特征向量的流程圖。
[0006]圖3是根據(jù)本發(fā)明實施例的基于視頻礦產監(jiān)測系統(tǒng)生成的流程圖。
具體實施方案:
[0007]需要說明的是，如果不沖突，本發(fā)明實施例以及實施例中的各個特征可以相互結合，均在本發(fā)明的保護范圍之內。另外，在附圖的流程圖示出的步驟可以在諸如一組計算機可執(zhí)行指令的計算機系統(tǒng)中執(zhí)行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。
[0008]下面將參考附圖并結合實施例來詳細說明本發(fā)明。
[0009]實施例一，提取前景具體包括:使用混合高斯背景算法對所述目標幀的圖像進行計算，得到所述目標幀圖像的混合高斯模型，取出前景圖像。
[0010]實施例一:分割礦車圖片包括:檢測圖像中的目標輪廓，遍歷外接矩形，根據(jù)經驗值判斷出人所在的矩形區(qū)域和礦車所在的矩形區(qū)域，進一步對圖像進行分割，得到礦車圖。
[0011]實施例一:SVM訓練出合適灰度公升矩陣的特征參數(shù)包括:
[0012]首先對大量的礦產含量各異的礦車圖片，這些圖片尺度一致即大小一致均為128X128，方向一致即礦車在每幅圖片中的位置一致，進行訓練，計算出圖形四個方向的灰度共生矩。
[0013]其中灰度共生矩陣為(記為P陣)是統(tǒng)計空間上具有某種位置關系的一對像元灰度對出現(xiàn)的頻度.其實質是從圖像灰度為i的像元(位置為x，y)出發(fā)，統(tǒng)計與其距離為d，灰度為j的像元(x+Dx, y+Dy)同時出現(xiàn)的頻度P(i, j, d, θ ).
[0014]數(shù)學表達式為:
[0015]P(i, j, d, θ ) = {[(χ, y), (x+Dx, y+Dy) f(x, y) = i ；f(x+Dx, y+Dy) = j]}.生成的灰度共生矩陣可以很好刻畫圖圖像的紋理特征。
[0016]式中:x, y = O, I, 2,…，N-1是圖像的像元坐標；i, j = O, I,...L-1是灰度級；Dx，Dy是位置偏移量.d為W陣的生成步長；Θ為W陣的生成方向，取0°、45°、90°、135°這4個方向.按照經驗值取d = 4。
[0017]常用的特征參數(shù)有:
[0018]角二階矩:
N-1N-1
[0019]asm=Pfj

i=0 j=0
[0020]熵:

N-1N-1
[0021]ENT= - Σ Σ Pij l°dPiJ


i=0 j=0
N-1N-1
[0022]均等性:HOM =VV Pij/[1 + (1-j)2]2

￡=0 7=0
N-1N-1
[0023]不相似性:DIS = ZA仏.?=ο y=o
[0024]對比度:
[0025]Con = Yj(1-J)2Pij
N-1N-1
[0026]相關性:.COR = ~[ (? — U1) (J — U2)PiJ
σχσ2 i=0 j=Q
[0027]其中:U1= Σ^-ο1 ^j=O1 PijU2 = Σ^ο1 JZ1J=O1 Pij
N-1N-1N-1N-1
[0028]σ2 = ^(? - Wi)2 ^ Pij σ12 = ^O -U1)2 ^ Pij
?=0j=Qi=0J=O
[0029]計算出6個典型的特征參數(shù)，每一個取四個灰度共生矩陣的平均值，構成特征向量為了降低維數(shù)以便之后的流程很好的完成，我們用SVM訓練出4個分類效果最好的特征參數(shù)，用這4個特征參數(shù)構成特征向量Vp
[0030]實施例一:對礦車圖片中的含礦量進行分類具體包括:
[0031]首先為了最大限度的降低干擾提高對礦車含量的判別效率，要對分割出的礦車圖片進行預處理，預處理流程包括:(I)對分割出的圖像進行灰化處理；(2)找見包含礦車的最大外接矩形，并分割出該矩形；(3)規(guī)范礦車圖片的大小到128X128 ;得到的礦車圖片主方向不一致，所以要對預處理得到的的圖像進一步分割以使得得到的特征向量盡可能不受方向的限制。分割流程為:提出偶數(shù)行奇數(shù)列得到大小為64X64的圖片A1以及奇數(shù)行偶數(shù)列得到大小為64X64的圖片A2 ;再對P1繼續(xù)分割得到大小為32X32Bi和B2,對P2繼續(xù)分割得到大小為32X32B3和B4 ;再進行三次分解得到Cp C2, C3> C4, C5, C6, C7, C8，大小分別為16X16，對這八副圖像分別計算出其灰度共生矩陣，再提取出訓練好的8個特征參數(shù)，排列到一起得到32維的特征向量，再用SVM進行分類，得出所屬類別，含礦量無，較少，或者較多。
【權利要求】
1.一種基于視頻礦產含量監(jiān)測系統(tǒng)，其特征在于，包括: 對原始視頻中的目標幀圖像進行背景建模，得到背景圖像； 利用所述背景圖像提取出所述目標幀圖像中的運動目標人和礦車； 將圖像分割得到礦車圖片； 利用SVM訓練出的分類標準對礦車圖片中的含礦量進行分類。
2.根據(jù)權利要求1所述的基于視頻礦產含量監(jiān)測系統(tǒng)，其特征在于，對原始視頻中的目標幀的圖像進行背景提取包括: 使用混合高斯背景算法對所述目標幀的圖像進行計算，得到所述目標幀圖像的混合高斯模型。
3.根據(jù)權利要求1所述的基于視頻礦產監(jiān)測系統(tǒng)，其特征在于，提取出前景圖像。
4.根據(jù)權利要求1所述的基于視頻礦產含量監(jiān)測系統(tǒng)，其特征在于，將圖像分割得到礦車包括:檢測圖像中的目標輪廓，遍歷外接矩形，根據(jù)經驗值判斷出人所在的矩形區(qū)域和礦車所在的矩形區(qū)域，進一步對圖像進行分割，得到礦車圖。
5.根據(jù)權利要求4所述的基于視頻礦產含量監(jiān)測系統(tǒng)，其特征在于，利用SVM訓練出的分類標準包括: 首先對大量的礦產含量各異的礦車圖片，這些圖片尺度一致即大小一致均為128X128，方向一致即礦車在每幅圖片中的位置一致，進行訓練，計算出圖形四個方向的灰度共生矩。計算出6個典型的特征參數(shù)，每一個取四個灰度共生矩陣的平均值，構成特征向量為了降低維數(shù)以便之后的流程很好的完成，我們用SVM訓練出4個分類效果最好的特征參數(shù)，用這4個特征參數(shù)構成特征向量VI。 其中灰度共生矩陣為(記為P陣)是統(tǒng)計空間上具有某種位置關系的一對像元灰度對出現(xiàn)的頻度.其實質是從圖像灰度為i的像元(位置為X，y)出發(fā)，統(tǒng)計與其距離為山灰度為j的像元(x+Dx, y+Dy)同時出現(xiàn)的頻度P(i, j, d, Θ ).數(shù)學表達式為:
P(i，j，d，θ) = {[(χ, y), (x+Dx, y+Dy) f(x, y) = i ；f(x+Dx, y+Dy) = j]}.生成的灰度共生矩陣可以很好刻畫圖圖像的紋理特征。 式中:x, y = O, I, 2,..., N-1是圖像的像元坐標；i, j =0,1,...L-1是灰度級；Dx, Dy是位置偏移量.d為W陣的生成步長；Θ為W陣的生成方向，取0°、45°、90°、135°這4個方向.按照上述公式，按照經驗值取d = 4，每一副圖像均生成四個灰度共生矩陣。 常用的特征參數(shù)有: 角二階矩:
均等性:N-1N-1

HOM= Y^Pij/il +ii~j)2}2

?=0 7=0 不相似性:


N-1N-1

DIS = ^^|1-;|P0.?=0 /=0 對比度:CON = ^C1-;)2 Piy

I yv—i Ν—χ 相關性:COR = — H (? — U1) O' - U2)Pij

σχ°2 i=0 J=O
其中:= Σ---ο1 i Z1J=O1 PijU2 = Ef=To1; EU Pij N-1N-1N-1N-1
σ? = ^(1- U1)2 Z PijOl2 = ^O'- U1)2 Z Pij
1-oy=o?=ο7=ο
6.根據(jù)權利要求4所述的基于視頻礦產含量監(jiān)測系統(tǒng)，其特征在于，利用SVM訓練出的分類標準對礦車圖片中的含礦量進行分類包括: 首先為了最大限度的降低干擾提高對礦車含量的判別效率，要對分割出的礦車圖片進行預處理，預處理流程包括:(I)對分割出的圖像進行灰化處理；(2)找見包含礦車的最大外接矩形，并分割出該矩形；(3)規(guī)范礦車圖片的大小到128X128 ； 其次由于的到的礦車圖片主方向不一致，所以要對預處理得到的的圖像進一步分割以使得得到的特征向量盡可能不受方向的限制。分割流程為:提出偶數(shù)行奇數(shù)列得到大小為64X64的圖片A1以及奇數(shù)行偶數(shù)列得到大小為64X64的圖片A2 ;再對P1繼續(xù)分割得到大小為32X32Bi和B2,對P2繼續(xù)分割得到大小為32X32B3和B4 ;再進行三次分解得到CpCyC3、C4，C5, C6, C7, C8，大小分別為16X16，對這八副圖像分別計算出其灰度共生矩陣，再提取出訓練好的8個特征參數(shù)，排列到一起得到32維的特征向量，再用SVM進行分類，得出所屬類別，含礦量無，較少，或者較多。
【文檔編號】G06K9/66GK104134075SQ201310159815
【公開日】2014年11月5日 申請日期:2013年5月3日 優(yōu)先權日:2013年5月3日
【發(fā)明者】不公告發(fā)明人 申請人:賀江濤