隨著社會的進步,安全問題越來越受到人們的關注�；趦热莸膱D像識別分析技術是視頻監(jiān)控系統(tǒng)的重要應用之一。圖像識別技術隨著計算機技術和模式識別等多學科的發(fā)展取得了較大的進步,應用到了多種重要的領域。其中比如公共安全、醫(yī)療等領域都有涉及,發(fā)展前景非常廣闊。特別是在石油化工領域,視頻監(jiān)控系統(tǒng)的需求急速增長。各領域對智能視頻監(jiān)控技術的迫切需要,讓圖像識別分析技術的相關課題成為近年來智能監(jiān)控系統(tǒng)的研究熱點。安全帽可以在現(xiàn)場作業(yè)人員頭部遭受墜落物及其他特定因素引起的傷害時起到防護作用,正確佩戴安全帽是一項在化工生產(chǎn)中一直強調的安全規(guī)范。為確保生產(chǎn)安全,降低作業(yè)風險,化工場所對安全帽的自動檢測和佩戴狀態(tài)識別的報警系統(tǒng)的需求變得越來越迫切,我單位下屬化工廠因建設和生產(chǎn)需求,常年需要外來施工檢修人員參與工作,而個別外來人員安全意識薄弱,作業(yè)過程中不按規(guī)定佩戴安全帽,容易出現(xiàn)人身傷害事故。本人作為一名在職研究生,大部分時間在一線參與項目研發(fā)和管理,認為一套智能化的安全帽檢測和異物入侵檢測報警系統(tǒng)不僅能提高現(xiàn)場管理的工作效率,還可以達到提升企業(yè)安全管理水平的實際效果。目前對于佩戴安全帽狀態(tài)的自動識別技術的研究... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【部分圖文】：

圖２．１目標識別算法的基本流程??

?第二章智能視頻監(jiān)控的主要技術???量機在樣本較少的分類計算中分類合理性遠超其他分類算法。所以，在訓練樣本??較少的條件下選用分類方法，可具有較好的“魯棒性”。具體到本文的研宄方向，??在自制樣本量有限的情況下，非常適合使用支持向量機作為行人檢測分類器。??ｙ?／??個??／／?，?／＜??？？０?ｖ?／?／??？／?／?＾?／??／?ｙ?ｖ－〇??／?，?■??—?—．?■?■?????■－，?ｙ?ｘ??ｖ?＇，?７＾?ｘ??／??圖２．５?ＳＶＭ最優(yōu)分類超平面示意圖??Ｆｉｇ．?２．５?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｏｐｔｉｍａｌ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｉｎｔｅｒｆａｃｅ??２．３．３可變形組件模型（ＤＰＭ）??隨著模式識別領域的進步，在目標檢測識別方面，專家學者們提出了更符合??應用場景需要、更高效的目標檢測識別算法。Ｐｅｄｒｏ等人［４８］提出的一種可變形組??件模型（ＤｅｆｏｒｍａｂｌｅＰａｒｔＭｏｄｅｌ）就是其中的代表，在?ＰＡＳＣＡＬＶＯＣ２０１０?上，ＤＰＭ??模型獲得了非常高的成績�？勺冃谓M件模型可以看做ＨＯＧ的擴展，并提出了可??變形組件的概念。它將檢測目標從目標單一個體檢測改進為將目標看做是由多個??組件組成的可形變組件模型檢測，從而讓每個組件在滑動窗口中變形的適應性能??有了非常好的改進�？勺冃谓M件模型的一般訓練方式為先從目標中提�。龋希翘�??征，構造目標特征金字塔，并通過圖像金字塔和滑動窗口方式優(yōu)化可變形組件模??型。圖２．６顯示了一個在行人檢測中運用可變形組件模型（ＤＰＭ）的可視化示例。??從圖中可以看出，該模型包括根濾波器，六

?山東大學碩士學位論文???根位置的空間位置模型的可視化圖像。??Ｑ?ＥＢ９?Ｉ９Ｓ６Ｉ?ｍａｓｋ??國?＿＿?＿??真?ｍｍ??？Ｗ?ＢＩＢ?Ｅ麵ｉ?■蠱■??Ｉｔ?＿?圍?＿??圖２．６人形目標識別的可變形組件模型??Ｆｉｇ．２．６?Ｄｅｆｏｔｍａｂｌｅ?Ｐａｒｔ?Ｍｏｄｅｌ?ｏｆ?ｐｅｄｅｓｔｒｉａｎ?ｔａｒｇｅｔ?ｒｅｃｏｇｎｉｔｉｏｎ??加入相同類型的目標（例如行人）存在多個形態(tài)的變化，ＤＰＭ模型可以用??多個組件模型表示。每個組件模型都含有幾個根濾波器和組件濾波器和表示其內??在關心的位置分布模型。根濾波器用來描述模型目標整體的輪廓特征，組件濾波??器的作用是描述目標的各部分的詳細特征。位置分布模型的的作用是建立根濾波??器和組件濾波器之間的關系和可變形組件模型形變信息。可以使用相應的根濾波??器通過星型模型來描述對象的不同比例狀態(tài)。從原理上講，ＤＰＭ模型基于ＨＯＧ??特征思想，而且改進了傳統(tǒng)的ＨＯＧ特征，增加了模板匹配功能。具體來說，為??了光照不變性不發(fā)生改變并且目標尺寸不發(fā)生形變，ＤＰＭ模型先為圖像建立圖??像金字塔模型，并使用滑動窗口掃描來獲得在不同分辨率級別下的ＨＯＧ特征，??構建一個圖像特征金字塔，然后使比例空間的ＨＯＧ特征模板被匹配以執(zhí)行目標??檢測任務。在進行目標檢測時，組件濾波器與根濾波器對應的位置是允許變化的。??可變形部分的最優(yōu)位置分布可以通過ＤＰＭ模型計算得出。通過在不同分辨率下??檢測根濾波器與組件濾波器的間的位置，每個滑動檢測窗口的取值由根濾波器和??組件濾波器決定。在模型訓練期間組件模型的對根模型的位置是一個隱藏變量。??本文通過Ｌａｔｅｎｔ?ＳＶＭ算法，把ＤＰＭ

【參考文獻】：
期刊論文
[1]基于深度學習的頭盔佩戴自動檢測[J]. 張傳金,李燕林,張永義,王擴.  電腦編程技巧與維護. 2019(08)
[2]大數(shù)據(jù)環(huán)境下的視頻智能分析技術應用研究[J]. 周軍,吳旻中,陳鑫,黃松鋒,何華鏗.  廣東公安科技. 2017(01)
[3]淺談智能視頻監(jiān)控技術及其在安防領域的應用[J]. 左驥.  科技視界. 2017(07)
[4]化工生產(chǎn)過程中的DCS監(jiān)控系統(tǒng)的應用[J]. 程孟.  化工管理. 2016(28)
[5]施工現(xiàn)場安全帽佩戴情況監(jiān)控技術研究[J]. 劉云波,黃華.  電子科技. 2015(04)
[6]電網(wǎng)智能化安防監(jiān)控技術研究[J]. 李文靜.  重慶文理學院學報(社會科學版). 2015(02)
[7]一種改進HOG特征的行人檢測算法[J]. 田仙仙,鮑泓,徐成.  計算機科學. 2014(09)
[8]基于顏色和紋理特征的顯著性檢測算法[J]. 張艷邦,陳征,張芬,汪熊,彭朝洋.  計算機應用研究. 2015(01)
[9]膚色檢測和Hu矩在安全帽識別中的應用[J]. 劉曉慧,葉西寧.  華東理工大學學報(自然科學版). 2014(03)
[10]鐵路防災監(jiān)測雷達的應用[J]. 陳建平,何潞.  中國鐵路. 2012(03)

博士論文
[1]基于光纖光柵的高陡邊坡及危巖落石監(jiān)測技術與應用研究[D]. 郭永興.武漢理工大學 2014
[2]基于數(shù)學形態(tài)學的圖像邊緣檢測和增強算法的研究[D]. 閆海霞.吉林大學 2009

碩士論文
[1]面向工業(yè)現(xiàn)場的安全帽檢測算法研究[D]. 閆蓉蓉.西安理工大學 2019
[2]自然場景中運動人體行為識別研究[D]. 彭亞男.山東大學 2018
[3]視頻監(jiān)控場景中的群體異常行為檢測算法研究[D]. 王夢迪.山東大學 2018
[4]基于改進HOG特征的行人檢測算法研究[D]. 賈楚.燕山大學 2016
[5]基于高斯混合模型的運動目標檢測[D]. 殷夢妮.哈爾濱工程大學 2012
[6]京滬高速鐵路跨越或并行既有鐵路施工異物侵限報警技術研究[D]. 王洋.北京交通大學 2010
[7]基于光流的運動目標檢測方法研究[D]. 周建鋒.哈爾濱工業(yè)大學 2009
[8]基于圖像處理的鐵路道口視頻監(jiān)控系統(tǒng)算法設計[D]. 楊冰梅.西南交通大學 2008



本文編號：3414624