專利名稱：基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于煤礦安全運(yùn)輸領(lǐng)域，涉及一種基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)。
背景技術(shù)：
礦用電機(jī)車主要用于井下運(yùn)輸大巷和地面的長距離運(yùn)輸，完成對煤炭、矸石、材料、設(shè)備、人員的運(yùn)送。由于煤礦井下環(huán)境復(fù)雜，電機(jī)車運(yùn)行頻繁，運(yùn)行距離較長；巷道窄，既作為行人巷道，又作為運(yùn)輸巷道，因此時常出現(xiàn)行人不遵守交通規(guī)則或者機(jī)車司機(jī)疲勞、疏忽、誤判斷、麻痹等狀況。而機(jī)車司機(jī)又是電機(jī)車安全行駛的關(guān)鍵，因此往往出現(xiàn)由于上述狀況而造成人身傷害事故。鑒于此種情況，國內(nèi)外嘗試了各種方案如采用超聲波、紅外線和激光等對電機(jī)車前行道路上的行人進(jìn)行識別報(bào)警，但由于井下的特殊使用環(huán)境，這些方案 都存在一些局限性。如超聲波監(jiān)測設(shè)備在長距離的巷道中使用時，其反射波將過于微弱，使得靈敏度下降，精度很低，最佳距離為4-5米，然而為了使司機(jī)有足夠的時間對報(bào)警信號做出反應(yīng)，同時考慮到電機(jī)車的剎車距離，至少需要對在30米以外軌道上的行人進(jìn)行精確的識別報(bào)警。若采用紅外監(jiān)測，雖然測量距離較超聲波有所提高，但其定位精度較差，無法正確的判斷前方的行人是位于軌道上，還是在軌道兩側(cè)的人行道正常行走。采用激光監(jiān)測設(shè)備測量精度非常高，但其作為一種精密儀器對使用環(huán)境要求很高，安裝在高速行駛并且不斷振動的車體上難以保證其正常運(yùn)行。提出一種新的解決方案來處理電機(jī)車運(yùn)輸過程中的這一重大安全隱患是非常必要。我們在對國內(nèi)相關(guān)科研院所和現(xiàn)代化礦井做了廣泛調(diào)研的基礎(chǔ)上，將新型的圖像處理技術(shù)應(yīng)用于電機(jī)車行人檢測中，設(shè)計(jì)了基于圖像處理的礦用電機(jī)車行人監(jiān)測報(bào)警系統(tǒng)。電機(jī)車安裝該系統(tǒng)后，該系統(tǒng)能進(jìn)行復(fù)雜的背景下的運(yùn)動目標(biāo)識別，提取出目標(biāo)距離估計(jì)算法和報(bào)警處理方案，對機(jī)車前方行人進(jìn)行檢測報(bào)警，提高了礦用電機(jī)車運(yùn)輸安全性能，改變了過去僅僅靠機(jī)車司機(jī)肉眼進(jìn)行觀察的局面，電機(jī)車撞人的現(xiàn)象得到了有效制止，大大提高了煤礦電機(jī)車運(yùn)輸環(huán)節(jié)的安全可靠性及自動化管理水平。本系統(tǒng)中紅外攝像儀的采用使得無論井下的光線亮暗，都不影響該系統(tǒng)的使用。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)，以實(shí)現(xiàn)對電機(jī)車前進(jìn)軌道上的行人進(jìn)行監(jiān)測報(bào)警。為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案為基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)，其特征在于所述系統(tǒng)包括視頻采集模塊、圖像處理模塊和聲光報(bào)警模塊。所述視頻采集模塊用紅外攝像儀對電機(jī)車前方的圖像進(jìn)行采集。所述圖像處理模塊包括圖像預(yù)處理、鐵軌的識別和擬合、行人的識另IJ。所述聲光報(bào)警模塊包括聲光報(bào)警器和控制電路。所述圖像預(yù)處理采用基于遺傳算法和歸一化非完全Beta函數(shù)結(jié)合的圖像自適應(yīng)校正和基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像的二值化方法。所述鐵軌的識別和擬合采用基于遺傳算法閾值改進(jìn)的模糊邊緣檢測快速算法對鐵軌進(jìn)行識別和啟發(fā)式連接法對鐵軌進(jìn)行擬合。所述行人的識別采用基于FPGA實(shí)現(xiàn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像二值化方法檢測軌道上運(yùn)動的行人。所述的基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)，其特征在于所述視頻采集模塊采用WAT-902H2的紅外攝像儀。所述的基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)，其特征在于所述圖像預(yù)處理采用基于遺傳算法和歸一化非完全Beta函數(shù)結(jié)合的圖像自適應(yīng)校正和采用基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像的二值化算法。所述的基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)，其特征在于所述鐵軌的識別和擬合采用基于遺傳算法閾值改進(jìn)的模糊邊緣檢測快速算法對鐵軌進(jìn)行識別和啟發(fā)式連接法對鐵軌進(jìn)行擬合。所述的基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)，其特征在于所述行人的識別采用基于FPGA實(shí)現(xiàn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像二值化方法檢測軌道上運(yùn)動的行人。所述的采用基于遺傳算法和歸一化非完全Beta函數(shù)結(jié)合的圖像自適應(yīng)校正，其特征在于利用遺傳算法針對每幅圖像自動地找出非線性變換函數(shù)最優(yōu)的a，^值，具體處理步驟如下第一步設(shè)f (X, y)表示坐標(biāo)為(X, y)的原始圖像灰度值，f' (x, y)為其處理后的灰度值，在處理前先進(jìn)行歸一化處理
g(x,y) = [f (x, y)-Lmin]/[Lmax-Lmin] (I)第二步利用遺傳算法編碼并產(chǎn)生初始群體，每條染色體包含兩個基因段，分別為a、&，每個個體都對應(yīng)一個非線性變換函數(shù)F(u)，0 ^ u ^ 1，用非線性變換函數(shù)對圖像灰度進(jìn)行處理g' (x, y) = F[g(x, y)] (2)第三步根據(jù)g' (X, y)的值可得到輸出圖像f' (x, y)；第四步利用圖像質(zhì)量評價(jià)函數(shù)作為遺傳算法的適應(yīng)度函數(shù)Fitness(0 = ~XZ_
^ ;c=l y=\_ ^ x=\ y=\_其中114分別為圖像的寬和高，11 = 1^11表示某染色體，？1如688(1)的值越大，則圖像灰度分布越均勻，圖像對比度越高，圖像質(zhì)量越好；第五步選擇適應(yīng)值最大的個體作為當(dāng)前代的最優(yōu)個體，對其他個體進(jìn)行更新，得到新的群體，重復(fù)上述步驟直到最終得到較優(yōu)的非線性變換函數(shù)參數(shù)a和3。所述的采用基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像的二值化算法，其特征在于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像的二值化算法流程如下①確定PCNN網(wǎng)絡(luò)的結(jié)構(gòu)，即確定輸入節(jié)點(diǎn)數(shù)M和PCNN節(jié)點(diǎn)數(shù)Q，給出各模塊加權(quán)系數(shù)的初值Mijkl(O)和Wijkl (0)，選取衰減時間常數(shù)aF、ap a 0 ;②采樣得到反饋輸入Fij (n)和連接輸入Lij (n),計(jì)算內(nèi)部活動項(xiàng)Uij (n)；③計(jì)算神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元的輸入、輸出；④進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，在線調(diào)整加權(quán)系數(shù)Mijkl ()和Wijkl ()；
⑤將點(diǎn)火的神經(jīng)元對應(yīng)的像素作為目標(biāo)，未點(diǎn)火的神經(jīng)元對應(yīng)的像素作為背景，分別計(jì)算目標(biāo)和背景的均值及概率，計(jì)算目標(biāo)和背景間的類間方差；⑥取類間方差最大值所對應(yīng)的PCNN點(diǎn)火圖作為最終分割結(jié)果；⑦判斷是不是滿足迭代要求(神經(jīng)網(wǎng)絡(luò)還未訓(xùn)練完成，則繼續(xù)迭代)，滿足迭代要求，則返回到②繼續(xù)循環(huán)調(diào)整，否則轉(zhuǎn)到⑧；⑧結(jié)束。所述的采用基于遺傳算法閾值改進(jìn)的模糊邊緣檢測快速算法對鐵軌進(jìn)行識別，其特征在于包括以下步驟
第一步根據(jù)最大類間方差法的原理，即利用類別方差作為判據(jù)，選取使類間方差最大的灰度值作為最佳閾值，該最佳閾值的選取仍采用遺傳算法優(yōu)化得到，獲得了最佳閾值T后記錄下來取得最佳閾值T時的Ua(T)和Ub(T)；第二步重新定義隸屬度函數(shù)umn=\XmnlXT .d(3)這種在圖像的低灰度區(qū)和高灰度區(qū)分別定義模糊矩陣元的方法，對圖像的低灰度區(qū)域的信息損失小，可使后續(xù)的模糊增強(qiáng)達(dá)到較好的效果；第三步在模糊域?qū)D像進(jìn)行模糊增強(qiáng)，對于閾值T分成的兩類圖像U?？扇≈禐閡A⑴/Xt或者(X_-uB⑴)/ (Xfflax-X1)，在圖像的模糊特征平面上對Unm進(jìn)行非線性變換，其結(jié)果是增強(qiáng)大于U。的Umn值，衰減小于U。的Unm值，增強(qiáng)算子為u' mn = Tr (uj = T1 (Tr^1 (u J) (4)T1 (umn) = I{sin\n{umn -)] +1}(5)第四步進(jìn)行逆變換，將模糊增強(qiáng)后的圖像從模糊空間變回?cái)?shù)據(jù)空間，得到的增強(qiáng)后圖像，采用3X3的中值濾波器對增強(qiáng)結(jié)果進(jìn)行平滑運(yùn)算；第五步提取圖像邊緣的時候，將兩個算子結(jié)合使用，其中邊緣檢測算子為f*(x, y) = IMax(Lj)eJf' (i，j)}-1/2 X (Min(i, j) e ^ {f ' (i, j)}+f (x, y))
(6)或者為f*(x, y) = I 1/2X (Max(i,e ^ {f ' (i, j)}+f(x, y)) _Min(i,e ^ {f ' (i, j)}
(7)其中I = {(i, j) |d((i, j), (x, y))彡 2}。所述的采用基于FPGA實(shí)現(xiàn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像二值化方法檢測軌道上運(yùn)動的行人，其特征在于采用基于Cyclone系列FPGA的脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像二值化算法，利用FPGA的并行計(jì)算能力，提高算法的運(yùn)行速度，一旦識別出行人，立刻觸發(fā)報(bào)警。本發(fā)明的工作原理是紅外攝像儀不斷的采集電機(jī)車前進(jìn)方向上軌道的路面情況，輸出P制式模擬視頻信號，而后經(jīng)過解碼電路轉(zhuǎn)變成DSP可以識別的數(shù)字信號，通過DSP和FPGA內(nèi)部燒入行人識別算法對圖像進(jìn)行處理，如果判斷前方目標(biāo)區(qū)域內(nèi)有行人，則通過總線通知負(fù)責(zé)系統(tǒng)控制的ARM芯片，再由ARM驅(qū)動繼電器控制電路，控制聲光報(bào)警器進(jìn)行相應(yīng)的語音報(bào)警。司機(jī)聽到報(bào)警聲以后，便可以進(jìn)行減速、剎車等相關(guān)應(yīng)急處理。
本發(fā)明與現(xiàn)有技術(shù)相比本發(fā)明采用紅外攝像儀對電機(jī)車前方的圖像進(jìn)行采集，基于遺傳算法和歸一化非完全Beta函數(shù)結(jié)合的圖像非線性化快速預(yù)處理；采用脈沖耦合神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像二值化分割，減小圖像局部灰度差值，彌補(bǔ)圖像局部微小間斷；采用基于遺傳算法閾值改進(jìn)的模糊邊緣檢測快速算法對鐵軌進(jìn)行識別和啟發(fā)式連接法對鐵軌進(jìn)行擬合；采用FPGA實(shí)現(xiàn)脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像二值化算法檢測軌道上運(yùn)動的行人。將上述圖像處理方法應(yīng)用于礦用電機(jī)車行人檢測中，設(shè)計(jì)了基于圖像處理的礦用電機(jī)車行人監(jiān)測報(bào)警系統(tǒng)。系統(tǒng)能進(jìn)行復(fù)雜的背景下的運(yùn)動目標(biāo)識別，提取出目標(biāo)距離估計(jì)算法和報(bào)警處理方案，對電機(jī)車前進(jìn)軌道上的行人進(jìn)行監(jiān)測報(bào)警，改變了過去僅僅靠機(jī)車司機(jī)肉眼進(jìn)行觀察的局面，電機(jī)車撞人的現(xiàn)象得到了有效制止，大大提高了煤礦電機(jī)車運(yùn)輸環(huán)節(jié)的安全可靠性及自動化管理水平。本系統(tǒng)中紅外攝像儀的采用使得無論井下的光線亮暗，都不影響該系統(tǒng)的使用。


圖I為基于圖像處理的礦用電機(jī)車行人監(jiān)測報(bào)警系統(tǒng)的流程圖 圖2為基于圖像處理的礦用電機(jī)車行人監(jiān)測報(bào)警系統(tǒng)原理框3為圖像處理的流程4為基于FPGA實(shí)現(xiàn)脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像二值化的結(jié)構(gòu)框5為FPGA電源電路圖6為FPGA配置與時鐘電路圖7為原始圖像圖8為基于遺傳算法和歸一化非完全Beta函數(shù)結(jié)合的圖像自適應(yīng)校正后的圖像圖9為基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像的二值化后圖像(有行人)圖10為基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像的二值化后圖像(無行人)圖11為基于遺傳算法閾值改進(jìn)的模糊邊緣檢測快速算法邊界提取后的圖像圖12為不同條件下的鐵軌擬合效果，(a)無噪聲的直道鐵軌擬合，(b)有噪聲的直道鐵軌擬合，(C)無噪聲的彎道鐵軌擬合，(d)有噪聲的彎道鐵軌擬合圖13為不同距離行人檢測結(jié)果，(a)遠(yuǎn)距離檢測結(jié)果，(b)近距離檢測結(jié)果
具體實(shí)施例方式下面結(jié)合附圖對本發(fā)明做詳細(xì)的說明如圖I所示，基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)包括3個主要部分視頻采集模塊I、圖像處理模塊2和聲光報(bào)警模塊3。如圖2所示，系統(tǒng)運(yùn)行時，置于電機(jī)車頭部的紅外攝像儀，不斷的采樣電機(jī)車前方路況信息，輸出P制式模擬視頻信號，而后經(jīng)過解碼電路轉(zhuǎn)變成DSP可以識別的數(shù)字信號，通過DSP和FPGA內(nèi)部燒入的行人識別算法對圖像進(jìn)行處理，如果判斷前方目標(biāo)區(qū)域內(nèi)有行人，則通過總線通知負(fù)責(zé)系統(tǒng)控制的ARM芯片，再由ARM驅(qū)動繼電器控制電路，控制聲光報(bào)警器進(jìn)行相應(yīng)的語音報(bào)警。如圖3所示，所述的圖像的濾波，就是在盡量保留圖像細(xì)節(jié)特征的條件下對目標(biāo)圖像的噪聲進(jìn)行抑制，是圖像預(yù)處理中不可缺少的操作，其處理效果的好壞將直接影響到后續(xù)圖像處理和分析的有效性和可靠性。本發(fā)明采用高斯濾波器濾波。高斯濾波器是根據(jù)高斯函數(shù)的形狀來選擇權(quán)值的線性平滑濾波器，高斯平滑濾波器無論在空間域還是在頻率域都是十分有效的低通濾波器，而且高斯平滑濾波器對去除服從正態(tài)分布的噪聲是很有效果的。如圖3所示，所述的基于遺傳算法和歸一化非完全Beta函數(shù)結(jié)合的圖像自適應(yīng)校正，其特征在于利用遺傳算法針對每幅圖像自動地找出非線性變換函數(shù)最優(yōu)的a，P值，具體處理步驟如下第一步設(shè)f (X, y)表示坐標(biāo)為(X, y)的原始圖像灰度值，f' (x, y)為其處理后的灰度值，在處理前先進(jìn)行歸一化處理g(x, y) = [f(x, y)-Lmin]/[Lmax-Lmin] (8)第二步利用遺傳算法編碼并產(chǎn)生初始群體，每條染色體包含兩個基因段，分別為a、&，每個個體對應(yīng)一個非線性變換函數(shù)F(u)，0 ^ u ^ 1，用非線性變換函數(shù)對圖像灰度進(jìn)行處理g' (x, y) = F[g(x, y) ] (9)第三步根據(jù)g' (X, y)的值可得到輸出圖像f' (x, y)；第四步利用圖像質(zhì)量評價(jià)函數(shù)作為遺傳算法的適應(yīng)度函數(shù)；
權(quán)利要求
1.一種基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)，其特征在于所述系統(tǒng)包括視頻采集模塊、圖像處理模塊和聲光報(bào)警模塊；所述視頻采集模塊用紅外攝像儀對電機(jī)車前方的圖像進(jìn)行采集；所述圖像處理模塊包括圖像預(yù)處理、鐵軌的識別和擬合、行人的識別；所述聲光報(bào)警模塊包括聲光報(bào)警器和控制電路；所述圖像預(yù)處理采用基于遺傳算法和歸一化非完全Beta函數(shù)結(jié)合的圖像自適應(yīng)校正和基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像的二值化方法；所述鐵軌的識別和擬合采用基于遺傳算法閾值改進(jìn)的模糊邊緣檢測快速算法對鐵軌進(jìn)行識別和啟發(fā)式連接法對鐵軌進(jìn)行擬合；所述行人的識別采用基于FPGA實(shí)現(xiàn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像二值化方法檢測軌道上運(yùn)動的行人。
2.根據(jù)權(quán)利要求I所述的基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)，其特征在于所述視頻采集模塊采用WAT-902H2的紅外攝像儀。
3.根據(jù)權(quán)利要求I所述的基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)，其特征在于所述圖像預(yù)處理采用基于遺傳算法和歸一化非完全Beta函數(shù)結(jié)合的圖像自適應(yīng)校正和采用基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像的二值化算法。
4.根據(jù)權(quán)利要求I所述的基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)，其特征在于所述鐵軌的識別和擬合采用基于遺傳算法閾值改進(jìn)的模糊邊緣檢測快速算法對鐵軌進(jìn)行識別和啟發(fā)式連接法對鐵軌進(jìn)行擬合。
5.根據(jù)權(quán)利要求I所述的基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)，其特征 在于所述行人的識別采用基于FPGA實(shí)現(xiàn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像二值化方法檢測軌道上運(yùn)動的行人。
6.根據(jù)權(quán)利要求3所述采用基于遺傳算法和歸一化非完全Beta函數(shù)結(jié)合的圖像自適應(yīng)校正，其特征在于利用遺傳算法針對每幅圖像自動地找出非線性變換函數(shù)最優(yōu)的a，^值，具體處理步驟如下 第一步設(shè)f(x, y)表示坐標(biāo)為(X, y)的原始圖像灰度值，f' (X, y)為其處理后的灰度值，在處理前先進(jìn)行歸一化處理g(x，y) — [f (x，y)-Lmin] / [Lmax-Lmin] (I) 第二步利用遺傳算法編碼并產(chǎn)生初始群體，每條染色體包含兩個基因段，分別為a、&，每個個體都對應(yīng)一個非線性變換函數(shù)F(u)，0<u< 1，用非線性變換函數(shù)對圖像灰度進(jìn)行處理 g' (X, y) = F[g(x, y)] (2) 第三步根據(jù)g' (X, y)的值可得到輸出圖像f' (x, y)； 第四步利用圖像質(zhì)量評價(jià)函數(shù)作為遺傳算法的適應(yīng)度函數(shù)
7.根據(jù)權(quán)利要求3所述采用基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像的二值化算法，其特征在于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像的二值化算法流程如下 ①確定PCNN網(wǎng)絡(luò)的結(jié)構(gòu)，即確定輸入節(jié)點(diǎn)數(shù)M和PCNN節(jié)點(diǎn)數(shù)Q，給出各模塊加權(quán)系數(shù)的初值Mijkl (O)和Wijkl (0)，選取衰減時間常數(shù)aF> aL> a 0 ； ②采樣得到反饋輸入Fu(n)和連接輸入Lu (n)，計(jì)算內(nèi)部活動項(xiàng)Uu (n)； ③計(jì)算神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元的輸入、輸出； ④進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，在線調(diào)整加權(quán)系數(shù)MijklO和WijklO； ⑤將點(diǎn)火的神經(jīng)元對應(yīng)的像素作為目標(biāo)，未點(diǎn)火的神經(jīng)元對應(yīng)的像素作為背景，分別計(jì)算目標(biāo)和背景的均值及概率，計(jì)算目標(biāo)和背景間的類間方差； ⑥取類間方差最大值所對應(yīng)的PCNN點(diǎn)火圖作為最終分割結(jié)果； ⑦判斷是不是滿足迭代要求(神經(jīng)網(wǎng)絡(luò)還未訓(xùn)練完成，則繼續(xù)迭代)，滿足迭代要求，則返回到②繼續(xù)循環(huán)調(diào)整，否則轉(zhuǎn)到⑧； ⑧結(jié)束。
8.根據(jù)權(quán)利要求4所述采用基于遺傳算法閾值改進(jìn)的模糊邊緣檢測快速算法對鐵軌進(jìn)行識別，其特征在于包括以下步驟 第一步根據(jù)最大類間方差法的原理，即利用類別方差作為判據(jù)，選取使類間方差最大的灰度值作為最佳閾值，該最佳閾值的選取仍采用遺傳算法優(yōu)化得到，獲得了最佳閾值T后記錄下來取得最佳閾值T時的Ua(T)和Ub(T)； 第二步重新定義隸屬度函數(shù)
9.根據(jù)權(quán)利要求5所述采用基于FPGA實(shí)現(xiàn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像二值化方法檢測軌道上運(yùn)動的行人，其特征在于采用基于Cyclone系列FPGA的脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像二值化算法，利用FPGA的并行計(jì)算能力，提高算法的運(yùn)行速度，一旦識別出行人，立刻觸發(fā)報(bào)警。
全文摘要
本發(fā)明提供一種基于圖像處理的礦用電機(jī)車行人監(jiān)測方法及報(bào)警系統(tǒng)，屬于煤礦安全運(yùn)輸領(lǐng)域，包括視頻采集模塊、圖像處理模塊和聲光報(bào)警模塊。視頻采集用紅外攝像儀對電機(jī)車前方的圖像進(jìn)行采集；圖像處理模塊包括圖像預(yù)處理、鐵軌識別和擬合、行人識別，圖像預(yù)處理基于遺傳算法和歸一化非完全Beta函數(shù)結(jié)合的圖像自適應(yīng)校正和基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像二值化方法，鐵軌的識別和擬合基于遺傳算法閾值改進(jìn)的模糊邊緣檢測快速算法和啟發(fā)式連接法，行人識別基于FPGA實(shí)現(xiàn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像二值化方法；聲光報(bào)警模塊包括聲光報(bào)警器和控制電路；本發(fā)明可以有效識別軌道附近行人，對其位置做出判斷和預(yù)警，消除電機(jī)車在運(yùn)輸過程中的安全隱患。
文檔編號B61L15/00GK102700569SQ20121018740
公開日2012年10月3日 申請日期2012年6月1日 優(yōu)先權(quán)日2012年6月1日
發(fā)明者史明, 唐超禮, 張俊卿, 曲立國, 黃友銳 申請人:安徽理工大學(xué)