視頻監(jiān)控智能分析技術(shù)是煤礦安全監(jiān)控技術(shù)發(fā)展的重要方向。通過智能視頻分析技術(shù)自動(dòng)分析視頻監(jiān)控?cái)?shù)據(jù)的異常現(xiàn)象，有助于及時(shí)發(fā)現(xiàn)監(jiān)控場(chǎng)景中的突發(fā)事故并及時(shí)報(bào)警，對(duì)于生產(chǎn)過程的實(shí)時(shí)管理具有重要作用。亦可避免由人工監(jiān)控帶來的漏報(bào)和誤報(bào)等問題，并能顯著降低監(jiān)控人員的工作量。
《煤礦井下視頻圖像處理技術(shù)》以煤礦井下生產(chǎn)人員的行為監(jiān)控為研究對(duì)象，針對(duì)煤礦井下視頻監(jiān)控的特點(diǎn)，重點(diǎn)描述如何使視頻圖像更清晰和如何準(zhǔn)確高效地檢測(cè)出煤礦場(chǎng)景中的人員和環(huán)境目標(biāo)；研究了煤礦井下復(fù)雜環(huán)境中的圖像增強(qiáng)、圖像分割、圖像檢測(cè)、人臉跟蹤特征提取和識(shí)別等方面的多種算法。
《煤礦井下視頻圖像處理技術(shù)》可供煤礦領(lǐng)域相關(guān)人員及從事視頻監(jiān)控研究工作的專業(yè)技術(shù)人員閱讀，也可作為計(jì)算機(jī)及相關(guān)專業(yè)高年級(jí)本科生和研究生的參考書。
更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。
我國(guó)煤炭開采工作環(huán)境多為井工煤礦，地質(zhì)環(huán)境復(fù)雜，事故發(fā)生率較高。在井下應(yīng)用遠(yuǎn)程視頻監(jiān)控及數(shù)字圖像壓縮技術(shù)可以記錄煤礦井下工作的詳細(xì)情況，也可以使地面監(jiān)控室的工作人員觀測(cè)到監(jiān)控區(qū)域的生產(chǎn)狀況。應(yīng)用遠(yuǎn)程視頻監(jiān)控智能分析技術(shù)不僅可以盡早發(fā)現(xiàn)煤礦開采工作環(huán)境存在的安全隱患，預(yù)防礦難的發(fā)生，還可以在事故發(fā)生后為事故后期分析提供圖像資料。井下視頻監(jiān)控智能分析技術(shù)在目前煤礦井下安全監(jiān)控系統(tǒng)的研究中占據(jù)重要位置。
本書共分11章。第1章分析了煤礦井下視頻監(jiān)控及人臉識(shí)別的研究目的，介紹了視頻監(jiān)控及人臉識(shí)別技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀；第2章介紹了視頻監(jiān)控相關(guān)技術(shù)與理論；第3章詳細(xì)描述了煤礦井下塵霧圖像增強(qiáng)算法；第4章論述了煤礦井下人員檢測(cè)技術(shù)；第5章采用HSV模型和YCbCr模型研究了火焰識(shí)別規(guī)則，并結(jié)合VIBE算法給出了一種實(shí)時(shí)火災(zāi)圖像分割算法；第6章設(shè)計(jì)實(shí)現(xiàn)了基于SVM的火焰檢測(cè)算法；第7章介紹了人臉檢測(cè)、人臉跟蹤和人臉識(shí)別相關(guān)技術(shù)及其理論；第8章介紹了基于ASM的人臉檢測(cè)與跟蹤方法，并給出了適用于礦井環(huán)境的礦井人員人臉檢測(cè)算法和人臉跟蹤算法；第9章給出了一種基于Shearlet變換的煤礦井下圖像差異性特征提取方法；第10章介紹了稀疏描述方法并給出了一種差異性Shearlet特征的快速稀疏描述人臉識(shí)別方法；第11章對(duì)本書的研究工作進(jìn)行總結(jié)，并對(duì)下一步的工作做出安排。
本書得到十二五山西省科技重大專項(xiàng)項(xiàng)目基于人-機(jī)-環(huán)聯(lián)動(dòng)煤礦井下生產(chǎn)全過程監(jiān)測(cè)預(yù)警及重大事故救援指揮集成系統(tǒng)研究和山西省一中國(guó)科學(xué)院科技合作重大項(xiàng)目基于地理特征數(shù)據(jù)的煤礦安全生產(chǎn)關(guān)鍵技術(shù)研究的支持。在此向山西省科技廳的大力支持表示感謝。
本書從提綱規(guī)劃、文字撰寫到書稿完成都離不開老師和同學(xué)們的支持與幫助。感謝太原科技大學(xué)郭勇義教授在團(tuán)隊(duì)成長(zhǎng)和項(xiàng)目實(shí)施過程中的無私幫助和支持；感謝張英俊、謝斌紅、翁自覺、謝建林、李川田等各位老師的關(guān)心和支持；感謝團(tuán)隊(duì)研究生杜明本、雷耀花、黃玉、張秀琴、萬航、解丹、鄭佳敏等同學(xué)的辛勤工作。
潘理虎，理學(xué)博士，教授，太原科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院副院長(zhǎng)，中國(guó)計(jì)算機(jī)學(xué)會(huì)高級(jí)會(huì)員，中國(guó)計(jì)算機(jī)學(xué)會(huì)軟件工程專委會(huì)委員，中國(guó)高等教育學(xué)會(huì)教育評(píng)估分會(huì)理事，中國(guó)高校人工智能與大數(shù)據(jù)聯(lián)盟理事。主要從事煤礦安全、軟件工程、復(fù)雜系統(tǒng)仿真、人工智能等領(lǐng)域的教學(xué)與科研工作。先后承擔(dān)和參與國(guó)家自然科學(xué)基金項(xiàng)目、十二五山西省科技重大專項(xiàng)項(xiàng)目。山西省一中科院科技合作重大項(xiàng)目等科研課題與橫向項(xiàng)目15項(xiàng)。在國(guó)內(nèi)外重要學(xué)術(shù)期刊及國(guó)際學(xué)術(shù)會(huì)議上發(fā)表學(xué)術(shù)論文50余篇，其中SCI、EI收錄20篇；獲得專利授權(quán)4項(xiàng)，軟件著作權(quán)10項(xiàng)；出版專著2部、教材4部。
第1章 緒論
1．1 煤礦井下視頻監(jiān)控系統(tǒng)概述
1．2 煤礦井下視頻監(jiān)控的特點(diǎn)
1．3 煤礦井下視頻監(jiān)控理論與應(yīng)用研究
1．3．1 人員檢測(cè)技術(shù)方法研究
1．3．2 火災(zāi)檢測(cè)算法應(yīng)用研究
1．3．3 火焰圖像分割方法分類
1．3．4 塵霧圖像增強(qiáng)算法研究
1．3．5 煤礦井下人臉識(shí)別技術(shù)研究
第2章 視頻監(jiān)控相關(guān)技術(shù)與理論
2．1 灰度化與二值化
2．2 直方圖均衡化與形態(tài)學(xué)處理
2．3 圖像去噪技術(shù)
2．3．1 空間域圖像去噪
2．3．2 變換域圖像去噪
2．4 ViBe運(yùn)動(dòng)檢測(cè)算法
2．5 數(shù)字圖像壓縮技術(shù)
2．5．1 圖像格式、容器和壓縮標(biāo)準(zhǔn)
2．5．2 霍夫曼編碼
2．5．3 小波編碼
2．5．4 算術(shù)編碼
2．6 圖像下采樣
第3章 煤礦井下塵霧圖像增強(qiáng)算法研究
3．1 模糊理論圖像增強(qiáng)
3．1．1 模糊集合
3．1．2 模糊理論圖像增強(qiáng)的處理步驟
3．2 塵霧圖像退化模型與增強(qiáng)算法
3．2．1 塵霧圖像退化模型
3．2．2 暗原色先驗(yàn)理論
3．2．3 透射率圖獲取
3．2．4 自適應(yīng)雙邊濾波器
3．2．5 透射率圖優(yōu)化與去噪
3．2．6 圖像復(fù)原
3．3 實(shí)驗(yàn)結(jié)果與分析
第4章 煤礦井下人員檢測(cè)技術(shù)
4．1 運(yùn)動(dòng)區(qū)域前景提取
4．1．1 隔幀差分法
4．1．2 背景更新
4．1．3 前景提取
4．2 單礦工運(yùn)動(dòng)目標(biāo)檢測(cè)
4．3 HOG SVM礦工檢測(cè)
4．3．1 HOG特征提取
4．3．2 主成分分析法降維
4．3．3 分類器的訓(xùn)練
4．3．4 實(shí)驗(yàn)結(jié)果與分析
第5章 火焰分割算法研究
5．1 ViBe算法的優(yōu)化
5．2 火焰顏色識(shí)別規(guī)則
5．2．1 基于HSV空間模型的火焰識(shí)別規(guī)則
5．2．2 基于YCbCr顏色空間模型的火焰識(shí)別規(guī)則
5．3 火焰分割算法
5．4 實(shí)驗(yàn)結(jié)果與分析
第6章 基于SVM的火焰檢測(cè)算法設(shè)計(jì)與實(shí)現(xiàn)
6．1 SVM算法簡(jiǎn)介
6．1．1 VC維理論與結(jié)構(gòu)化小風(fēng)險(xiǎn)
6．1．2 分類器
6．1．3 核函數(shù)
6．2 火焰圖像特征提取
6．2．1 面積特征
6．2．2 邊緣特征
6．2．3 形狀特征
6．2．4 紋理特征
6．3 火焰檢測(cè)算法
6．4 實(shí)驗(yàn)結(jié)果與分析
第7章 人臉識(shí)別相關(guān)技術(shù)及其理論
7．1 Haar矩形特征的檢測(cè)
7．1．1 Haar矩形特征
7．1．2 積分圖像
7．1．3 AdaBoost算法
7．1．4 級(jí)聯(lián)分類器
7．1．5 AdaBoost算法的人臉檢測(cè)機(jī)制
7．2 ASM主動(dòng)形狀模型
7．2．1 構(gòu)建形狀向量
7．2．2 建立形狀模型
7．2．3 構(gòu)建局部灰度模型
7．2．4 ASM模型的匹配
7．3 主成分分析法
7．3．1 傳統(tǒng)PCA
7．3．2 二維PCA
7．4 快速魯棒特征
7．4．1 特征點(diǎn)檢測(cè)
7．4．2 生成特征描述子
第8章 基于ASM的人臉檢測(cè)與跟蹤
8．1 基于Haar的人臉檢測(cè)
8．1．1 Haar的人臉檢測(cè)
8．1．2 實(shí)驗(yàn)結(jié)果與分析
8．2 基于ASM的人臉檢測(cè)
8．2．1 數(shù)據(jù)收集
8．2．2 形狀模型
8．2．3 人臉的檢測(cè)
8．2．4 實(shí)驗(yàn)結(jié)果與分析
8．3 基于ASM的人臉跟蹤
8．3．1 局部塊模型
8．3．2 人臉跟蹤實(shí)現(xiàn)
8．3．3 實(shí)驗(yàn)結(jié)果與分析
第9章 基于Shearlet變換的差異性特征提取
9．1 問題概述
9．2 人臉特征類型及評(píng)價(jià)指標(biāo)
9．2．1 人臉特征類型
9．2．2 評(píng)價(jià)指標(biāo)
9．3 Shearlet變換
9．3．1 連續(xù)Shearlet變換
9．3．2 離散Shearlet變換
9．4 融合多尺度Shearlet變換的人臉特征提取
9．5 實(shí)驗(yàn)結(jié)果與分析
9．5．1 主觀評(píng)價(jià)
9．5．2 客觀評(píng)價(jià)
第10章 基于稀疏描述的人臉分類識(shí)別
10．1 稀疏描述與人臉識(shí)別
10．2 稀疏描述人臉識(shí)別算法
10．2．1 問題描述
10．2．2 問題優(yōu)化
10．3 快速稀疏描述人臉識(shí)別算法
10．3．1 問題描述
10．3．2 可行性分析
10．4 差異性Shearlet特征的快速稀疏描述人臉識(shí)別算法
10．4．1 多尺度多方向的Shearlet特征融合
10．4．2 分類識(shí)別
10．4．3 算法步驟
10．5 實(shí)驗(yàn)結(jié)果與分析
10．5．1 ORL人臉庫(kù)中人臉識(shí)別實(shí)驗(yàn)
10．5．2 YALE庫(kù)中人臉識(shí)別實(shí)驗(yàn)
第11章 結(jié)束語
參考文獻(xiàn)
書單推薦
