基于機(jī)器視覺的列檢庫(kù)作業(yè)人員安全監(jiān)測(cè)系統(tǒng)研究.pdf

1、由于列檢庫(kù)內(nèi)存在多個(gè)專業(yè)的作業(yè)人員,同時(shí)也存在不同范圍的危險(xiǎn)區(qū)域,因此確保列檢庫(kù)內(nèi)作業(yè)人員的安全顯得尤為重要。列檢庫(kù)內(nèi)既有的視頻監(jiān)控系統(tǒng)是確保作業(yè)人員進(jìn)行安全作業(yè)的重要手段。機(jī)器視覺技術(shù)給各類視頻監(jiān)控系統(tǒng)帶來了前所未有的發(fā)展,將機(jī)器視覺技術(shù)應(yīng)用到列檢庫(kù)內(nèi)作業(yè)人員的安全監(jiān)測(cè)中具有重要的現(xiàn)實(shí)意義。
　　運(yùn)動(dòng)目標(biāo)的檢測(cè)和識(shí)別是機(jī)器視覺的關(guān)鍵技術(shù)。本文的研究重點(diǎn)是針對(duì)列檢庫(kù)這種特殊的應(yīng)用場(chǎng)景,對(duì)這兩個(gè)關(guān)鍵技術(shù)進(jìn)行理論分析和實(shí)驗(yàn)研究,在此基

2、礎(chǔ)上設(shè)計(jì)和實(shí)現(xiàn)基于機(jī)器視覺的列檢庫(kù)作業(yè)人員安全監(jiān)測(cè)系統(tǒng)的軟件。
　　深入研究比較了現(xiàn)有的各種運(yùn)動(dòng)目標(biāo)檢測(cè)算法,列檢庫(kù)現(xiàn)場(chǎng)光照復(fù)雜多變,采用一種GMM(Gaussian Mixture Model,混合高斯模型)與紋理特征相結(jié)合的檢測(cè)算法。在目標(biāo)提取之初加入光照檢測(cè)的思想,當(dāng)圖像未發(fā)生光照變化或光照變化較小時(shí),采用GMM法進(jìn)行目標(biāo)檢測(cè),當(dāng)圖像發(fā)生快速光照變化時(shí),采用紋理特征法進(jìn)行目標(biāo)檢測(cè),從而可以把這兩種方法的優(yōu)點(diǎn)結(jié)合起來進(jìn)行運(yùn)動(dòng)目

3、標(biāo)的檢測(cè)。通過實(shí)驗(yàn)分析說明該方法可基本消除光照因素的影響,特別是在光照快速變化的條件下可以得到不錯(cuò)的效果。
　　在分析了現(xiàn)有運(yùn)動(dòng)識(shí)別算法的基礎(chǔ)上,針對(duì)列檢庫(kù)內(nèi)的場(chǎng)景,用SVM(Support Vector Machine,支持向量機(jī))來對(duì)列檢庫(kù)內(nèi)的作業(yè)人員進(jìn)行識(shí)別。分析了人體不同種類的分類特征,選取了二值化運(yùn)動(dòng)目標(biāo)圖像的HOG(Histograms of Oriented Gradients,梯度方向直方圖)和運(yùn)動(dòng)目標(biāo)區(qū)域的形狀參

4、數(shù)作為SVM的識(shí)別特征。運(yùn)動(dòng)目標(biāo)的HOG和形狀特征可以對(duì)人體進(jìn)行更有效的識(shí)別,而且可以避免部分誤檢測(cè)對(duì)目標(biāo)識(shí)別的影響。將正、負(fù)樣本圖像的分類特征輸入到SVM中,訓(xùn)練出來的離線分類器對(duì)系統(tǒng)實(shí)時(shí)采集的圖像進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果分析表明了該算法能有效地實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的識(shí)別。
　　設(shè)計(jì)并實(shí)現(xiàn)的基于機(jī)器視覺的列檢庫(kù)作業(yè)人員安全監(jiān)測(cè)系統(tǒng)軟件具有視頻采集、危險(xiǎn)區(qū)域設(shè)定、運(yùn)動(dòng)目標(biāo)檢測(cè)、運(yùn)動(dòng)目標(biāo)識(shí)別等功能,能夠?qū)崿F(xiàn)對(duì)誤入一定范圍危險(xiǎn)區(qū)域的作業(yè)人員進(jìn)行自動(dòng)