本發(fā)明涉及計(jì)算機(jī)視頻、數(shù)字圖像處理領(lǐng)域，具體是一種基于多攝像頭判定的井下皮帶異物檢測(cè)系統(tǒng)及方法。

背景技術(shù)：

皮帶運(yùn)輸機(jī)是煤礦井下主要的物料輸送設(shè)備，皮帶運(yùn)輸機(jī)能否安全、可靠、高效地運(yùn)行直接影響煤礦企業(yè)的煤炭產(chǎn)出量以及維護(hù)、作業(yè)人員的人身安全。煤礦井下的皮帶運(yùn)輸機(jī)輸送系統(tǒng)運(yùn)行工況極其復(fù)雜，傳統(tǒng)的皮帶機(jī)保護(hù)系統(tǒng)只能對(duì)皮帶機(jī)本身的運(yùn)行故障進(jìn)行檢測(cè)，且多為故障發(fā)生后再進(jìn)行控制。然而，這些故障有時(shí)是很?chē)?yán)重的，故障停機(jī)時(shí)，皮帶機(jī)可能已經(jīng)受到了嚴(yán)重?fù)p壞。另外，由于井下作業(yè)人員違規(guī)操作等不確定因素，在膠帶輸送機(jī)上經(jīng)常會(huì)出現(xiàn)大塊矸石、支護(hù)材料、超寬的異物，直接影響膠帶輸送機(jī)及關(guān)聯(lián)設(shè)備的安全運(yùn)行。傳統(tǒng)的井下異物檢測(cè)常采用傳感設(shè)備，由于傳感設(shè)備檢測(cè)的局限性，完成不了大塊矸石等異物的檢測(cè)，迫切需要加以改進(jìn)。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明的目的是提供一種新型的基于多攝像頭判定的井下皮帶異物檢測(cè)系統(tǒng)及方法，該系統(tǒng)結(jié)構(gòu)簡(jiǎn)單、制作工藝簡(jiǎn)便、潛水電泵安裝拆卸快捷方便，節(jié)約安裝成本。

為了實(shí)現(xiàn)上述目的，本基于多攝像頭判定的井下皮帶異物檢測(cè)系統(tǒng)，包括：攝像頭錄像模塊，所述攝像頭錄像模塊包含至少兩個(gè)高清攝像頭，且所述高清攝像頭設(shè)置于同一皮帶的正上方或傾斜60度角；所述攝像頭錄像模塊通過(guò)局域網(wǎng)，將獲取視頻錄像分別送入數(shù)據(jù)存儲(chǔ)模塊和服務(wù)器處理模塊；所述數(shù)據(jù)存儲(chǔ)模塊設(shè)置網(wǎng)絡(luò)視頻錄像機(jī)和第一顯示器，且所述網(wǎng)絡(luò)視頻錄像機(jī)內(nèi)設(shè)硬盤(pán)存儲(chǔ)器及視頻輸出端口和usb擴(kuò)展插槽；所述服務(wù)器處理模塊設(shè)置服務(wù)器和第二顯示器。

進(jìn)一步，所述服務(wù)器包括其工作最小系統(tǒng)，且所述第二顯示器通過(guò)視頻接入端口連接所述服務(wù)器。

進(jìn)一步，所述服務(wù)器外擴(kuò)展聲光報(bào)警器。

一種基于多攝像頭判定的井下皮帶異物檢測(cè)方法，包括：把所述網(wǎng)絡(luò)視頻錄像機(jī)存儲(chǔ)的網(wǎng)絡(luò)視頻在第一顯示器上實(shí)時(shí)顯示，人工判斷異物；在所述服務(wù)器上搭載應(yīng)用軟件，所述應(yīng)用軟件包括：圖像顯示模塊、異物報(bào)警信息顯示模塊、異物檢測(cè)模塊、多攝像頭判定模塊；所述異物檢測(cè)模塊將服務(wù)器接受到的網(wǎng)絡(luò)視頻按照單幀提起圖像，并對(duì)單幀圖根據(jù)異物檢測(cè)算法，圈出異物并通過(guò)網(wǎng)絡(luò)視頻錄像機(jī)發(fā)射報(bào)警信號(hào)給聲光報(bào)警器；所述多攝像頭判定模塊，使用貝葉斯估計(jì)的多攝像頭判定算法，從多個(gè)高清攝像頭異物檢測(cè)的中間結(jié)果到多攝像頭判定算法整合與加工的最終結(jié)果，判定危險(xiǎn)等級(jí)；最后，圖像顯示模塊顯示每個(gè)攝像頭監(jiān)測(cè)的實(shí)時(shí)數(shù)據(jù)，并經(jīng)過(guò)異物檢測(cè)模塊針對(duì)異物的圈中顯示和危險(xiǎn)等級(jí)顯示，該模塊還可以自定義加載網(wǎng)絡(luò)視頻錄像機(jī)等視頻文件數(shù)據(jù)，即皮帶的異物回檢過(guò)程。

進(jìn)一步，其特征在于，所述應(yīng)用軟件還設(shè)置歷史查看模塊、回放下載模塊、屬性配置模塊；所述歷史查看模塊不僅記錄和查看所有歷史報(bào)警信息，還記錄和查看所有歷史報(bào)警圈中異物的圖像；所述回放下載模塊查看并獲得網(wǎng)絡(luò)視頻錄像機(jī)存儲(chǔ)的視頻數(shù)據(jù)，實(shí)現(xiàn)非實(shí)時(shí)的異物檢測(cè)，驗(yàn)證系統(tǒng)算法及檢測(cè)漏報(bào)情況；所述屬性配置模塊對(duì)系統(tǒng)功能配置和自定義擴(kuò)展。

進(jìn)一步，所述異物檢測(cè)算法，根據(jù)圖像像素值將圖像分為背景圖像和前景圖像，背景圖像是井下皮帶運(yùn)輸?shù)拿海熬皥D像是運(yùn)輸煤里的異物，具體包括以下步驟：

第一步：初始化背景模型：每一像素建立與之對(duì)應(yīng)的樣本集，這些樣本集的填充過(guò)程就是背景模型的初始化過(guò)程，具體為對(duì)于一個(gè)像素點(diǎn)，隨機(jī)選擇它的鄰居點(diǎn)的像素值作為它的樣本集的值。設(shè)v(x)為圖像x點(diǎn)處的像素值，n為樣本集的大小，m(x)為圖像x點(diǎn)處的樣本集，np(x)為圖像x點(diǎn)的鄰居點(diǎn)，則：

m(x)＝{v1,v2,v3,…,vn}

背景模型的初始化用公式表示為：

m0(x)＝{v0i|v0i∈v(np(x))},i＝1,2,3,…,n；

第二步：異物檢測(cè)：設(shè)sr(v(x))為圖像以x點(diǎn)為中心r為半徑的區(qū)域，minthreshold為分類標(biāo)準(zhǔn)的判定閾值，result(x)為圖像采樣點(diǎn)x的分類結(jié)果，1表示x點(diǎn)屬于背景圖像即物料煤，0表示x點(diǎn)屬于前景圖像即異物，num表示數(shù)目；則異物檢測(cè)過(guò)程可用公式表示為：

第三步：更新背景模型：在煤礦井下運(yùn)輸物料時(shí)，背景不一在所難免，如光照的影響，此檢測(cè)算法要能夠適應(yīng)背景的不斷變化；本圖像檢測(cè)算法采取的更新算法是保守的更新策略與前景點(diǎn)計(jì)數(shù)方法；保守的更新策略是前景點(diǎn)永遠(yuǎn)不會(huì)被用來(lái)填充背景模型，如一束光突然照在了某個(gè)區(qū)域，第一時(shí)間會(huì)被檢測(cè)為前景即異物，接著會(huì)一直被當(dāng)作前景即異物處理，前景點(diǎn)計(jì)數(shù)方法就是來(lái)避免這種情況的；前景點(diǎn)計(jì)數(shù)方法是對(duì)圖像的采樣點(diǎn)進(jìn)行統(tǒng)計(jì)，如果某個(gè)采樣點(diǎn)連續(xù)k次被檢測(cè)為前景即異物，則將其更新為背景點(diǎn)。；具體為：該檢測(cè)算法不會(huì)通過(guò)每一個(gè)新的視頻幀都會(huì)更新背景模型的每一個(gè)點(diǎn)的像素值，事實(shí)上這也是沒(méi)有必要的；當(dāng)一個(gè)樣本點(diǎn)被分類為背景點(diǎn)時(shí)，該樣本點(diǎn)會(huì)有1/λ的概率來(lái)更新它的背景模型，在它的樣本集m(x)中隨機(jī)選擇一個(gè)樣本點(diǎn)的像素值進(jìn)行填充更新；當(dāng)一個(gè)樣本點(diǎn)被分類為背景點(diǎn)時(shí)，該樣本點(diǎn)會(huì)有1/λ的概率去更新它的鄰居點(diǎn)的背景模型，方法是在它的鄰居點(diǎn)的樣本集中m(np(x))隨機(jī)選擇一個(gè)樣本點(diǎn)的像素值進(jìn)行填充更新；當(dāng)一個(gè)樣本點(diǎn)連續(xù)k次被分類為前景點(diǎn)時(shí)，將它變成背景點(diǎn)，然后有1/λ的概率來(lái)更新它的背景模型，接著依次不斷的向外擴(kuò)散更新；

第四步：機(jī)器學(xué)習(xí)補(bǔ)充檢測(cè)：上述圖像檢測(cè)算法計(jì)算量小，速度快，但是對(duì)于像素值接近煤的部分可能存在漏報(bào)現(xiàn)象，本算法采取圖像特征機(jī)器學(xué)習(xí)來(lái)彌補(bǔ)檢測(cè)。機(jī)器學(xué)習(xí)算法采取離線訓(xùn)練，在線分類。對(duì)于圖像檢測(cè)算法未檢測(cè)到異物的部分經(jīng)由機(jī)器學(xué)習(xí)算法在線分類，以防漏報(bào)；

進(jìn)一步，所述多攝像頭判定算法包括以下步驟：

步驟1：建模：皮帶異物的危險(xiǎn)等級(jí)有正常、一般和危險(xiǎn)三個(gè)等級(jí)，攝像頭針對(duì)危險(xiǎn)等級(jí)的檢測(cè)結(jié)果用r1、r2、r3描述，設(shè)攝像頭的判定結(jié)果為事件x，皮帶異物的危險(xiǎn)等級(jí)結(jié)果為事件a，攝像頭的個(gè)數(shù)為n，每個(gè)危險(xiǎn)等級(jí)檢測(cè)到的個(gè)數(shù)分別為k1、k2、k3，每個(gè)危險(xiǎn)等級(jí)檢測(cè)到的比例分別為p1、p2、p3，顯然滿足：

p1+p2+p3＝1

k1+k2+k3＝n

貝葉斯公式為：

多項(xiàng)分布的公式為:

狄利克雷分布的公式為：

貝葉斯參數(shù)估計(jì)的基本過(guò)程是：先驗(yàn)分布+數(shù)據(jù)觀察＝后驗(yàn)分布

由dirichlet-multinomial共軛可知本多攝像頭判定背景的模型描述如下：

1)先驗(yàn)概率服從狄利克雷分布，為

2)觀察數(shù)據(jù)服從多項(xiàng)分布，為

3)在給定的觀察數(shù)據(jù)后，的后驗(yàn)分布變?yōu)?imgfile="bda0001252463760000047.gif"wi="282"he="63"img-content="drawing"img-format="gif"orientation="portrait"inline="no"/>

步驟2：推導(dǎo)：由步驟1的建模結(jié)果知，設(shè)dirichletdistribution的系數(shù)為λ，則先驗(yàn)概率公式為：

后驗(yàn)概率公式為：

基于以上條件，在貝葉斯公式中，p(a)在不同x值表現(xiàn)下是不變的，所以p(a)可以不作分析。則有：

即:

皮帶最終的危險(xiǎn)等級(jí)修正期望求解表達(dá)式如下：

由dirichletdistribution的期望公式為：

得修正期望的危險(xiǎn)等級(jí)為：

步驟3：結(jié)論：經(jīng)過(guò)此貝葉斯估計(jì)修正期望的方式使檢測(cè)異物的結(jié)果盡量避免了攝像頭的檢測(cè)誤差或誤判以及攝像頭的機(jī)械誤差。最終的多攝像頭的判定結(jié)果為rank(k1+k2+k3)公式為：

其中m為先驗(yàn)概率里攝像頭的總數(shù)，α1,α2,α3分別為m個(gè)攝像頭中報(bào)警危險(xiǎn)等級(jí)為正常r1、一般r2、危險(xiǎn)r3的個(gè)數(shù)；其中n為井下皮帶檢測(cè)攝像頭的總數(shù)，k1,k2,k3分別為n個(gè)攝像頭中報(bào)警危險(xiǎn)等級(jí)為正常r1、一般r2、危險(xiǎn)r3的個(gè)數(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：

本發(fā)明把圖像檢測(cè)方法應(yīng)用到煤礦井下皮帶，實(shí)時(shí)檢測(cè)皮帶異物。單純的圖像檢測(cè)方法比較固化，基于機(jī)器學(xué)習(xí)的圖像檢測(cè)算法時(shí)間一般較長(zhǎng)，滿足不了井下皮帶每幀圖像的實(shí)時(shí)檢測(cè)工作。本發(fā)明實(shí)現(xiàn)的是圖像檢測(cè)算法與機(jī)器學(xué)習(xí)算法協(xié)同的井下皮帶異物檢測(cè)算法，主要檢測(cè)工作由圖像檢測(cè)算法完成，圖像特征的機(jī)器學(xué)習(xí)算法用來(lái)彌補(bǔ)前者不足，使系統(tǒng)即滿足了實(shí)時(shí)性又能越來(lái)越“聰明”。圖像檢測(cè)算法也存在一些漏檢、誤檢等問(wèn)題，本發(fā)明是多攝像頭同時(shí)檢測(cè)，采用基于貝葉斯估計(jì)的多攝像判定算法，使結(jié)果更加真實(shí)可靠。

附圖說(shuō)明

圖1是本發(fā)明井下皮帶異物檢測(cè)系統(tǒng)的模塊原理圖；

圖2是本發(fā)明應(yīng)用軟件的模塊圖；

圖3是本發(fā)明井下皮帶異物檢測(cè)系統(tǒng)異物檢測(cè)流程圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步說(shuō)明。

如圖1所示，本基于多攝像頭判定的井下皮帶異物檢測(cè)系統(tǒng)，包括：攝像頭錄像模塊，所述攝像頭錄像模塊包含至少兩個(gè)高清攝像頭2，且所述高清攝像頭2設(shè)置于同一皮帶1的正上方或傾斜60度角，該模塊主要完成實(shí)時(shí)監(jiān)測(cè)井下皮帶運(yùn)輸煤炭過(guò)程；所述攝像頭錄像模塊通過(guò)局域網(wǎng)，將獲取視頻錄像分別送入數(shù)據(jù)存儲(chǔ)模塊和服務(wù)器處理模塊；所述數(shù)據(jù)存儲(chǔ)模塊設(shè)置網(wǎng)絡(luò)視頻錄像機(jī)3和第一顯示器4，且所述網(wǎng)絡(luò)視頻錄像機(jī)3內(nèi)設(shè)硬盤(pán)存儲(chǔ)器，主要完成高清攝像頭監(jiān)測(cè)數(shù)據(jù)的存儲(chǔ)，第一顯示器4通過(guò)網(wǎng)絡(luò)視頻錄像機(jī)的視頻輸出端口一方面實(shí)時(shí)顯示每一攝像頭的錄制過(guò)程，同時(shí)視頻錄像機(jī)3內(nèi)設(shè)硬盤(pán)存儲(chǔ)器設(shè)置usb擴(kuò)展插槽；所述服務(wù)器處理模塊設(shè)置服務(wù)器5和第二顯示器6，該模塊用來(lái)安裝軟件模塊，提供軟件模塊的運(yùn)行環(huán)境，同時(shí)還可以實(shí)現(xiàn)對(duì)高清攝像頭和網(wǎng)絡(luò)視頻錄像機(jī)的配置過(guò)程。

進(jìn)一步，所述服務(wù)器5包括其工作最小系統(tǒng)，包括鍵盤(pán)鼠標(biāo)等外圍設(shè)備，且所述第二顯示器6通過(guò)視頻接入端口連接所述服務(wù)器。

進(jìn)一步，所述服務(wù)器5外擴(kuò)展聲光報(bào)警器。

如圖2所示，軟件模塊包括圖像顯示模塊、異物報(bào)警信息顯示模塊、歷史查看模塊、回放下載模塊、異物檢測(cè)模塊、多攝像頭判定模塊和屬性配置模塊。其中，圖像顯示模塊是從主窗口中分割出m*m的前m*m-1個(gè)小窗口，每添加一個(gè)攝像頭或者視頻文件都可以在一個(gè)小窗口中顯示圖像信息，同時(shí)m*m還是自適應(yīng)的，隨著攝像頭增加的數(shù)目自適應(yīng)增加，總是滿足m*m-1≥n，其中n是該系統(tǒng)添加的攝像頭數(shù)目與添加的視頻文件數(shù)目總和，雙擊每一圖像顯示窗口都可跳轉(zhuǎn)到單窗口界面，使該窗口以最大界面顯示，該模塊可以實(shí)時(shí)顯示攝像頭數(shù)據(jù)，也可以顯示視頻文件數(shù)據(jù)，除了圖像源數(shù)據(jù)外還包含針對(duì)異物的圈中紅線；異物報(bào)警信息顯示模塊是從主窗口中分割出m*m的最后一個(gè)小窗口，提供近期異物的報(bào)警時(shí)間、報(bào)警對(duì)象及危險(xiǎn)等級(jí)顯示的功能，雙擊每一條目或者右鍵可以查看報(bào)警圖片，方便判斷報(bào)警效果；歷史查看模塊以獨(dú)立彈窗形式展示，不僅可以查看所有歷史報(bào)警信息，還可以查看所有歷史報(bào)警圖像，方便對(duì)系統(tǒng)報(bào)警效果進(jìn)行簡(jiǎn)單抽測(cè)評(píng)估；回放下載模塊是針對(duì)網(wǎng)絡(luò)視頻錄像機(jī)的模塊，以獨(dú)立彈窗形式顯示，可以靈活查看并獲得網(wǎng)絡(luò)視頻錄像機(jī)存儲(chǔ)的視頻數(shù)據(jù)，進(jìn)而實(shí)現(xiàn)非實(shí)時(shí)的異物檢測(cè)，方便驗(yàn)證系統(tǒng)算法及檢測(cè)漏報(bào)情況；異物檢測(cè)模塊是本基于多攝像頭判定的井下皮帶異物檢測(cè)系統(tǒng)的核心部分之一，該模塊是異物檢測(cè)算法的具體實(shí)現(xiàn)，是通過(guò)多種檢測(cè)算法來(lái)判斷圈出異物并通過(guò)網(wǎng)絡(luò)視頻錄像機(jī)發(fā)射報(bào)警信號(hào)給聲光報(bào)警器；多攝像頭判定模塊是本基于多攝像頭判定的井下皮帶異物檢測(cè)系統(tǒng)的另一核心部分，該模塊是多攝像頭判定算法的具體實(shí)現(xiàn)，實(shí)現(xiàn)從多個(gè)高清攝像頭異物檢測(cè)的中間結(jié)果到多攝像頭判定算法整合與加工的最終結(jié)果，使異物檢測(cè)系統(tǒng)更加可靠、穩(wěn)定；屬性配置模塊使本系統(tǒng)具備可配置的特性，該模塊使系統(tǒng)題目可配置、異物報(bào)警信息顯示模塊顯示的數(shù)目可配置、歷史查看模塊保留時(shí)間長(zhǎng)度可配置、異物檢測(cè)算法可配置、多攝像頭判定算法可配置等，進(jìn)而本系統(tǒng)更加靈活多變，拓展性強(qiáng)。

一種井下皮帶異物檢測(cè)系統(tǒng)的基于圖像檢測(cè)算法與機(jī)器學(xué)習(xí)算法協(xié)同的井下皮帶異物檢測(cè)算法，如圖3所示，詳細(xì)給出了圖像檢測(cè)算法的流程，把圖像檢測(cè)算法應(yīng)用到井下皮帶異物檢測(cè)并用機(jī)器學(xué)習(xí)算法降低誤報(bào)率及漏報(bào)率。該檢測(cè)算法把井下皮帶輸送物料的圖像分為背景圖像和前景圖像，背景圖像是井下皮帶運(yùn)輸?shù)拿?，前景圖像是運(yùn)輸煤里的異物，如石頭、枕木等，通過(guò)此種方式把異物檢測(cè)轉(zhuǎn)化為一個(gè)背景圖像和前景圖像的分類問(wèn)題，分類的依據(jù)為圖像的像素值，具體分為四步：初始化背景模型、異物檢測(cè)過(guò)程、更新背景模型和機(jī)器學(xué)習(xí)補(bǔ)充檢測(cè)。詳細(xì)內(nèi)容為：

步驟1.初始化背景模型。如圖3所示，背景模型用集合back1,back2描述，前景模型用集合fore描述，樣本集用集合sample描述。為了滿足煤礦皮帶運(yùn)載的實(shí)時(shí)性，該檢測(cè)算法采用的是單幀建模，即通過(guò)一幀圖像初始化背景模型，。此算法為每一像素建立與之對(duì)應(yīng)的樣本集，這些樣本集的填充過(guò)程就是背景模型的初始化過(guò)程，具體為對(duì)于一個(gè)像素點(diǎn)，隨機(jī)選擇它的鄰居點(diǎn)的像素值作為它的樣本集的值。設(shè)v(x)為圖像x點(diǎn)處的像素值，n為樣本集的大小，m(x)為圖像x點(diǎn)處的樣本集，np(x)為圖像x點(diǎn)的鄰居點(diǎn)，則：

m(x)＝{v1,v2,v3,…,vn}

背景模型的初始化用公式表示為：

m0(x)＝{v0i|v0i∈v(np(x))},i＝1,2,3,…,n

步驟2.異物檢測(cè)過(guò)程。如圖3所示，實(shí)時(shí)采集的圖像數(shù)據(jù)用集合data描述，前景模型和背景模型分類依據(jù)的最小閾值用min描述。如前文所述，異物檢測(cè)過(guò)程即是確定采樣點(diǎn)屬于背景圖像或前景圖像的分類過(guò)程，具體為：設(shè)sr(v(x))為圖像以x點(diǎn)為中心r為半徑的區(qū)域，minthreshold為分類標(biāo)準(zhǔn)的判定閾值，result(x)為圖像采樣點(diǎn)x的分類結(jié)果，1表示x點(diǎn)屬于背景圖像即物料煤，0表示x點(diǎn)屬于前景圖像即異物，num表示數(shù)目。則異物檢測(cè)過(guò)程可用公式表示為：

步驟3.更新背景模型。在煤礦井下運(yùn)輸物料時(shí)，背景不一在所難免，如光照的影響，此檢測(cè)算法要能夠適應(yīng)背景的不斷變化。本圖像檢測(cè)算法采取的更新算法是保守的更新策略與前景點(diǎn)計(jì)數(shù)方法。保守的更新策略是前景點(diǎn)永遠(yuǎn)不會(huì)被用來(lái)填充背景模型，如一束光突然照在了某個(gè)區(qū)域，第一時(shí)間會(huì)被檢測(cè)為前景即異物，接著會(huì)一直被當(dāng)作前景即異物處理，前景點(diǎn)計(jì)數(shù)方法就是來(lái)避免這種情況的。前景點(diǎn)計(jì)數(shù)方法是對(duì)圖像的采樣點(diǎn)進(jìn)行統(tǒng)計(jì)，如果某個(gè)采樣點(diǎn)連續(xù)k次被檢測(cè)為前景即異物，則將其更新為背景點(diǎn)。具體為：該檢測(cè)算法不會(huì)通過(guò)每一個(gè)新的視頻幀都會(huì)更新背景模型的每一個(gè)點(diǎn)的像素值，事實(shí)上這也是沒(méi)有必要的。當(dāng)一個(gè)樣本點(diǎn)被分類為背景點(diǎn)時(shí)，該樣本點(diǎn)會(huì)有1/λ的概率來(lái)更新它的背景模型，在它的樣本集m(x)中隨機(jī)選擇一個(gè)樣本點(diǎn)的像素值進(jìn)行填充更新；當(dāng)一個(gè)樣本點(diǎn)被分類為背景點(diǎn)時(shí)，該樣本點(diǎn)會(huì)有1/λ的概率去更新它的鄰居點(diǎn)的背景模型，方法是在它的鄰居點(diǎn)的樣本集中m(np(x))隨機(jī)選擇一個(gè)樣本點(diǎn)的像素值進(jìn)行填充更新；當(dāng)一個(gè)樣本點(diǎn)連續(xù)k次被分類為前景點(diǎn)時(shí)，將它變成背景點(diǎn)，然后有1/λ的概率來(lái)更新它的背景模型，接著依次不斷的向外擴(kuò)散更新。

步驟4.機(jī)器學(xué)習(xí)補(bǔ)充檢測(cè)。上述圖像檢測(cè)算法計(jì)算量小，速度快，但是對(duì)于像素值接近煤的部分可能存在漏報(bào)現(xiàn)象，本算法采取圖像特征機(jī)器學(xué)習(xí)進(jìn)行離線訓(xùn)練，在線匹配彌補(bǔ)圖像檢測(cè)算法的不足，同時(shí)該機(jī)器學(xué)習(xí)模塊可實(shí)現(xiàn)人工添加訓(xùn)練樣本，進(jìn)行訓(xùn)練進(jìn)而使此系統(tǒng)越來(lái)越智能越來(lái)越準(zhǔn)確。機(jī)器學(xué)習(xí)算法采取離線訓(xùn)練，在線分類。對(duì)于圖像檢測(cè)算法未檢測(cè)到異物的部分經(jīng)由機(jī)器學(xué)習(xí)算法在線分類，以防漏報(bào)。在此處要說(shuō)明的是，檢測(cè)模塊主要由圖像檢測(cè)算法完成的而不是機(jī)器學(xué)習(xí)算法，原因是機(jī)器學(xué)習(xí)算法效率低，滿足不了每一圖像幀檢測(cè)的實(shí)時(shí)性。

一種井下皮帶異物檢測(cè)系統(tǒng)的基于貝葉斯估計(jì)的多攝像頭判定算法，如圖3所示，圖像檢測(cè)算法后綜合多攝像頭的檢測(cè)結(jié)果，利用多攝像頭判定算法修正報(bào)警結(jié)果，把貝葉斯估計(jì)應(yīng)用到多攝像頭判定，算法的推導(dǎo)過(guò)程具體分為四步：建模、推導(dǎo)和結(jié)論。算法的詳細(xì)推導(dǎo)內(nèi)容為：

步驟1.建模。皮帶異物的危險(xiǎn)等級(jí)有正常、一般和危險(xiǎn)三個(gè)等級(jí)，攝像頭針對(duì)危險(xiǎn)等級(jí)的檢測(cè)結(jié)果用r1、r2、r3描述，設(shè)攝像頭的判定結(jié)果為事件x，皮帶異物的危險(xiǎn)等級(jí)結(jié)果為事件a，攝像頭的個(gè)數(shù)為n，每個(gè)危險(xiǎn)等級(jí)檢測(cè)到的個(gè)數(shù)分別為k1、k2、k3，每個(gè)危險(xiǎn)等級(jí)檢測(cè)到的比例分別為p1、p2、p3，顯然滿足：

p1+p2+p3＝1

k1+k2+k3＝n

貝葉斯公式為：

多項(xiàng)分布的公式為:

狄利克雷分布的公式為：

貝葉斯參數(shù)估計(jì)的基本過(guò)程是：先驗(yàn)分布+數(shù)據(jù)觀察＝后驗(yàn)分布

由dirichlet-multinomial共軛可知本多攝像頭判定背景的模型描述如下：

1)先驗(yàn)概率服從狄利克雷分布(dirichletdistribution)，為

2)觀察數(shù)據(jù)服從多項(xiàng)分布(multinomialdistribution)，為

3)在給定的觀察數(shù)據(jù)后，的后驗(yàn)分布變?yōu)?imgfile="bda0001252463760000099.gif"wi="283"he="63"img-content="drawing"img-format="gif"orientation="portrait"inline="no"/>

步驟2.推導(dǎo)。由步驟1的建模結(jié)果知，設(shè)dirichletdistribution的系數(shù)為λ，則先驗(yàn)概率公式為：

后驗(yàn)概率公式為：

基于以上條件，在貝葉斯公式中，p(a)在不同x值表現(xiàn)下是不變的，所以p(a)可以不作分析。則有：

即:

皮帶最終的危險(xiǎn)等級(jí)修正期望求解表達(dá)式如下：

由dirichletdistribution的期望公式為：

得修正期望的危險(xiǎn)等級(jí)為：

步驟3.結(jié)論。經(jīng)過(guò)此貝葉斯估計(jì)修正期望的方式使檢測(cè)異物的結(jié)果盡量避免了攝像頭的檢測(cè)誤差或誤判以及攝像頭的機(jī)械誤差。最終的多攝像頭的判定結(jié)果為rank(k1+k2+k3)公式為：

其中m為先驗(yàn)概率里攝像頭的總數(shù)，α1,α2,α3分別為m個(gè)攝像頭中報(bào)警危險(xiǎn)等級(jí)為正常r1、一般r2、危險(xiǎn)r3的個(gè)數(shù)；其中n為井下皮帶檢測(cè)攝像頭的總數(shù)，k1,k2,k3分別為n個(gè)攝像頭中報(bào)警危險(xiǎn)等級(jí)為正常r1、一般r2、危險(xiǎn)r3的個(gè)數(shù)。