[发明专利]一种基于视频监控的运输皮带中煤流识别方法及系统

权利要求书

1.一种基于视频监控的运输皮带中煤流识别方法，其特征在于，包括以下步骤：

S1、系统搭建：在初始情况下需要安装摄像仪，摄像仪要求能比较清晰的拍摄到一段完整的皮带运输面，这样可以保证能够正常进行分析，并保证系统软件可正常接入摄像机画面；

S2、实时画面获取：系统软件获取实时画面；

S3、分析区域提取转换：由于摄像机成像角度的影响，画面可能会出现拉伸偏转，此时对目标区域进行透视变换可以在一定程度上使图像还原为其原始结构形状，其原理是对不规则四边形区域内的点集进行插值拉伸处理，使其变为长方形区域；

提取后，由于井下场景长期昏暗，摄像机通常会开启红外模式，丢失色彩信息，但输出图像仍为三通道，因此对图像灰度化处理，减少通道数；

通过这两步得到图像I₂，将全图多通道分析转化为了局部单通道分析，并还原了皮带区域的俯视图像，这样减少了巨大的计算量，也增加了分析精度；

S4、图像清晰化处理：这里主要是对画面的清晰度进行处理，在煤矿的场景中，由于成像设备或传输过程的信号影响、画面中雾气或灰尘等原因会在画面中形成不规则分布的噪声区域或噪声点，这些噪声点在图像分析过程中很有可能会被放大或增强，使得最终分析结果出现偏差，这时候需要对图像进行清晰化处理；

S5、纹理提取：图像中有效的信息最重要的就是颜色和纹理变化，而颜色变化本身也会引起纹理变化，因此纹理的识别分析非常重要，这里我们使用了自动高低阈值梯度筛选的方法来实现；

首先要对S4中的输出图像进行高低阈值法将煤的纹理图像提取出来，这里常规方法是通过预设阈值人为规定或计算某特定阈值长期起效，对于变化、运动场景效果不能保证，这里我们通过自适应的方法动态计算获取阈值；

假设图像像素能够根据阈值被分成两部分(区域A₁和区域A₂)，通过计算该最佳阈值T来区分这两类像素，使得两类像素区分度最大，这就是自适应动态阈值的主要思想；设原始灰度级为M，灰度级为i的像素点个数为n_i，对灰度直方图进行归一化：可得到归一化的灰度直方图；

整张图片中，平均灰度为：

对于A₁和A₂，其出现概率和平均灰度为：

两区域的类间方差g为：

g＝ω₀·(μ₀-μ)²+ω₁·(μ₁-μ)²

采用遍历的方法使得类间方差g最大的阈值T，即为所求；可直接理解为：求取直方图有两个峰值的图像中那两个峰值之间的低谷值T；

得到阈值T之后，分别以T和T/10分别作为纹理提取的高阈值和低阈值，然后使用高低阈值法进行边缘提取，主要思想如下：

a.先用高斯滤波器平滑图像，用高斯滤波主要是去掉图像上的噪声；

b.再使用一阶差分偏导计算梯度值和方向；

c.对梯度值不是极大值的地方进行抑制，即对于算出来的梯度值，把不是极值的点，全部置0，去掉了大部分弱的边缘，所以图像边缘会变细；

d.最后用双阈值连接图上的联通点，这也是与常规边缘纹理识别算法的主要区别，双阈值T和T/10，大于T的点肯定是边缘，小于T/10的点肯定不是边缘，在T和T/10之间的点，通过已确定的边缘点，发起8领域方向的搜索(广搜)，图中可达的是边缘，不可达的点不是边缘，最终得到边缘纹理图像I₅；

S6、煤-皮带分离：将视频图像中的煤与皮带相互分离，由于运煤皮带的运输场景不同，有粗煤(大块煤石)和细煤(粉煤)等差别，不同的煤石类型又有不同的颜色、形状等差别，实际场景下摄像头分辨率、成像速度不尽相同，画面也存在明显差异，因此对不同场景进行了不同识别模式的整理实现；

S7、煤流占比计算：通过计算图像I_1-8或I_2-7中煤所包含的像素个数P₁和皮带P₂在整体图像中的所占比例，就可以得到实时的煤占比为P₂/(P₁+P₂)；

S8、超载空载识别：超载识别是基于S7中的煤流占比来完成的；通过实际场景中的占比要求来设定运输上限，超过上限则认为是超载；

对于皮带运输场景，空载的检测十分重要，一旦出现空载，一般都是在运输开始或结束时，此时通常会出现水流(为防止烟尘而喷洒)或水与煤的混合液态，也有可能出现断续少量煤，这种情况下就需要特殊识别；

这里采用了一种简单的识别方式，通过对比皮带运输方向一定宽度的三个条形区域(皮带中央，两侧)，通过中央与两侧狭长区域的颜色分布(灰度分布)进行有煤/无煤的判断；这是基于当空载运输时，中间会存在皮带的裸露，而调查发现此时的皮带两侧的亮度略高于中央亮度(或接近中央亮度)，而正常运输时则是远高于中央亮度(存在局部差异，但整体符合该描述)，因此直接通过不同指定区域的灰度差异来识别是否已整体无煤保持空载。