基于超像素特征与SVM分类的人员安全帽分割方法 论文
安全帽分割是实现煤矿人员智能视频监控的关键技术之一，能够有效促进人员定位、跟踪以及安全帽佩戴检测等相关技术的发展。为了提升分割精度，提出了一种基于超像素特征提取与支持向量机（Support Vector Machines, SVM）分类的矿井人员安全帽分割方法。
采用简单线性迭代聚类（Simple Linear Iterative Clustering, SLIC）模型，将人员图像粒化为若干超像素。这些超像素在内部颜色特征上相似，且空间位置相近，有助于后续处理。接着，系统提取了超像素在RGB、YCbCr、Lab、HSV等色彩空间中的颜色特征，并结合灰度直方图分析纹理特征，通过分析安全帽二维轮廓线上的斜率变化特性，建立了安全帽轮廓特征模型。
为了确保分类的精确性，在训练集中提取了安全帽的正样本超像素和背景的负样本超像素，利用这些特征训练了SVM分类器。在分类过程中，利用已训练的SVM模型将测试集中的人员图像超像素分类为安全帽正样本和背景负样本。同时，安全帽轮廓特征模型用于判别SVM可能误分类的虚假正样本，并对其进行修正。针对含有正负样本像素点的欠分割样本超像素，通过正样本区域边界掩模与Prewitt算子提取的轮廓差集，进行了二次分类，从而进一步优化了分割结果。
更多关于安全帽分割方法的详细技术内容和实际应用，可以参考以下相关资源：
下载地址
用户评论
