矿井监控图像中空列车的识别.pdf

第3 6 卷第5 期中国矿业大学学报 V 0 1 ．3 6N o ．5 2 0 0 7 年9 月J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g ＆T e c h n o l o g yS e p ．2 0 0 7 文章编号1 0 0 0 一1 9 6 4 2 0 0 7 0 5 0 5 9 7 0 6 矿井监控图像中空列车的识别 孙继平，陈伟，王福增，唐亮，马凤英，李 郴 中国矿业大学煤炭资源与安全开采国家重点实验室。北京1 0 0 0 8 3 摘要基于井下空列车与其他物体的几何形状差别，提出空列车监控图像的识别算法．运用圆形 结构元素对监控图像进行形态学的先开启、后闭合的操作，用C a n n y 边缘检测算子来检测图像 的边缘，并对边缘的图像进行变换分析，突出了空列车图像边缘的直线性质．结果表明形态学操 作有效地减弱了其他对象的边缘，得到比较满意地空列车图像的直线性质的边缘；在不同监控对 象的图像的R a d o n 变换域中的特征最大值比H o u g h 变换域中的特征最大值有更好的可分离 性．R a d o n 变换作为识别算法中的变换方法，可识别了煤矿井下红外监控系统中的空列车图像． 关键词空列车图像；边缘检测；R a d o n 变换；H o u g h 变换 中图分类号T D6 ；T P2 ．2 3文献标识码A R ’’ E m p t yT r a i n s C o a l m i n eS u r v e i l l a n c eImaecogmzmgL m p t y1r a i n sI no a l m l n e u r v e l l l a n c ai m a g e s S U Nj i p i n g ，C H E NW e i ，W A N GF u z e n g ， T A N GL i a n g ，M AF e n g - y i n g ，L IC h e n S t a t eK e yL a b o r a t o r yo fC o a lR e s o u r c e sa n dS a f eM i n i n g ．C h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g y ， B e i j i n g1 0 0 0 8 3 ，C h i n a A b s t r a c t B a s e do nt h ed i f f e r e n c eo ft h eg e o m e t r i c a ls h a p eb e t w e e nt h ee m p t yt r a i n sa n do t h e r o b je c t s ．Ar e c o g n i t i o na l g o r i t h mo ft h ee m p t y t r a i n s i m a g ew a sp r o p o s e d ．T h em o n i t o r i n gi m a g e sw e r eo p e n e da n dc l o s e du s i n gac i r c l es t r u c t u r a le l e m e n ti nm o r p h o l o g i c a li nt h ea l g o r i t h m ， a n dt h e i re d g e sw e r ed e t e c t e dw i t hC a n n yo p e r a t o r ．W i t ht h et r a n s f o r ma n a l y s i so ft h ee d g e s i m a g e s ，t h el i n e a rc h a r a c t e r i s t i c so ft h ee d g e so ft h ee m p t y - t r a i n s i m a g e sw e r eo u t s t o o d ．T h e r e s u l t ss h o wt h a tt h el i n e a re d g e so ft h ee m p t yt r a i n sw e r eg o t t e ns a t i s f a c t o r i l y ，w h i l et h a t o f t h eo t h e ro b je c t sw e r ew e a k e n e de f f i c i e n t l y ，a n dt h es e p a r a b i l i t yo ft h ed i a g n o s t i cm a x i m u mo f t h ed i f f e r e n tm o n i t o r e do b je c ti nR a d o nt r a n s f o r m a t i o nf i e l di Sb e t t e rt h a nt h a ti nH o u g ht r a n s f o r m a t i o nf i e l d ．T h eR a d o nt r a n s f o r mc a nr e c o g n i z et h ee m p t y - t r a i n s i m a g ei nt h ec o a lm i n ei n f r a r e dm o n i t o r i n gs y s t e m ． K e yw o r d s e m p t y - t r a i n - i m a g e s ；e d g ed e t e c t i o n ；R a d o nt r a n s f o r m ；H o u g ht r a n s f o r m 矿井视频监控是增强煤矿安全生产、提高生产 率和矿井自动化生产水平的重要措施之一，而矿井 列车监控是其视频监控的重要内容．国外研究人员 对列车的监控做了大量的研究，为提高运煤机车工 作效率，研制了机车速度控制系统Ⅲ，也有的研究 人员为了提高铁路运输的安全性和效率，设计并评 测了列车监控系统，它通过对机械组成部分的连续 监控来发现造成停车或事故的故障等；国内的这方 面研究成果也比较多，其中，中国矿业大学对井下 机车的监控做了大量的研究，包括了基于机车信号 收稿日期2 0 0 6 1 0 一2 7 基金项目高等学校博士学科点专项科研项目 2 0 0 5 0 2 9 0 0 1 0 作者简介孙继平 1 9 5 8 一 ，男，山西省翼城县人，教授，博士生导师，从事矿井监控与通信方面的研究 E - m a i l ；e h e n w e i l 3 0 4 6 1 6 3 ．c o r nT e l 0 1 0 - 6 2 3 3 1 0 1 1 万方数据 5 9 8中国矿业大学学报 第3 6 卷 的监控技术口] 、基予纽外探测技术的井下列车报警 系统[ 3 ] 和基于红外探测技术的矿井远程视频监控 技术等秘】，这些研究为基予溪像监控技零豹煤矿 井下机车的识别方法的研究提供了基础． 但是，煤矿井下具有环境恶劣、空间狭小、湿度 大、粉尘多、瓦斯多等特点，糖之篮控蔷母酶黄输距 离大，使得在地面上开发出来的视频监控产品难以 直接应用到井下．在不同的井下监控系统中，对不 圈对象的箍控蚕像遴行有效的识别的阉题，仍需要 深入探讨分析其图像特点，找到其分类特征，并设 计相应的算法对其进行识别． 煤矿井下剜车鹣运行毒以对巷道中通风气流 的速度和方向产生很大的影响，影响了井下煤自燃 的条件，进而影响了对其控制及其预测方法的研 究；应尾矿井视频煎控系统，在对空列车豳像的正 确识别的基础上，可以进一步自动梭测空列车的长 度、运动方向、速度、车中是否有违章乘车的矿工或 违规存放酶耪燕等，这对予提高煤矿安全承乎翻生 产效率有重要的意义和实际应用价值． 1 空列车图像的识别基础 服然井下监控系统所处的环境比地上的恶劣， 但是，其监控的对象比较简单，可以采用适合其环 境的魅外褫频监控系统，并且可敬檄据需要来确定 监控对象类别的个数．在研究中，使用的C C D 掇自 带6 个红外发光管的强红外线夜视C C D 摄像机， 登号燕D ＆F D F 一1 1 7 ，使爝原配镜头f - 3 ，6m m ，在 平顶山矿务局六矿丁四采区大巷中，是从侧面俯视 监控方向拍摄的监控对象的典型图像如图1 赝示． 图1不同对象的监控隰像 F i g 。1 S u r v e i l l a n c ei m a g e so fd i f f e r e n to b j e c t s 在图1 所示的9 类对象的典型图像中，图1 a 中的空列车的车箱、图l d 中的一束光线、图l h 中 静空皮带图像稚霭王i 中鹣满载皮带上的煤流的边 缘处存在着梯度较大的直线性质的边缘线；而在图 像图l a 中的边缘处的梯度最大，这就为我们使用 边缘检测翻R a d o n 变换相结合的方法对空列车图 像的识别提供了可能性． 2基于R a d o n 变换的识别原理 研究表明，不同形式的R a d o n 变换比较适合 检测出图像中具有抛物线、直线或圆弧性质的目 标秘堪] ，其褥较好的番棒性，并且快速R a d o n 变换 有较高的执行效率曲] ．检测直线的R a d o n 变换的 一种表达式酶形式必 R 口 z ’ I f x 7 C O S 汐一y 7 s i n 护，z 7 s i n 口 y 7 C O SO d y 7 ， 1 其中昀一[ 一搿塞北] ；其几何意义 如图2 所承，它表示了二维函数f x ，y 在0 角度 上的积分．如果二缝函数f x ，∥ 代表的是一幅二 值图像，则R a d o n 变换域中点R 。 z 7 的值表示了 相应方愆和位置上灰度值为1 的像素的个数，若这 些灰魔值秀1 像素是摆邻的，赠这些像素就组成了 一条直线段，R 。 z 7 表示了这条直线段的长度． 图2 R a d o n 变换的几何意义 F i g ．2 G e o m e t r i c a ls i g n i f i c a t i o no f R a d o nt r a n s f o r m a t i o n 所以，图像巾具有直线性质的较长的目标的识 别过程就转换为检查R a d o n 变换域中R 一 z 7 的局 部最大值戆过程，麸瑟实瑷直线段鳇识爱。壶魏设 计的般控图像中凌列车图像识别的算法过程如下 S t e p l 对输入的监控图像进行平滑和边缘 捡滋的镁整理； S t e p 2 对预处理后的图像进行R a d o n 变换； S t e p 3 梭凌R a d o n 变换域中硒 z ’ 的局部 最大僮硒 z ’ 。；； S t e p 4 若‰ z 7 。。大于图像感线的长度范 万方数据 第5 期孙继平等矿井监控图像中空列车的识别 5 9 9 围l e n g t h ，则认为该图像为空列车图像，否则认为 图像不是空列车的图像； S t e p 5 完成识别过程，准备接收下一幅监控 图像，转入S t e p l ． 3 图像的处理 在图1 所示的图像中存在部分直线性质或边 缘性质的噪声，对图像的直线边缘检测造成了很大 的干扰，降低识别的效果；而形态学的方法中，先对 图像进行开启然后闭合的操作能对图像进行平滑， 可以较好地去除或减弱亮区或暗区的各类噪 声[ 10 。． 3 ．1 灰度图像的数学形态学算法 灰度图像形态学有2 个基本的操作，即膨胀和 腐蚀．若用，表示灰度图像；6 表示结构元素；用 ，Ob 表示膨胀操作；用f O b 表示腐蚀操作；则膨 胀和腐蚀操作分别定义为[ 1 1 ] 厂o6 s ，￡ 一m a x { f s z ，￡一y b x ，y l s z ∈D f ， ￡一y ∈D ，， z ，y ∈D 6 } ， 2 f O b s ，￡ m i n { f s z ，t y 一 b x ，y I S z ∈D r ， f y ∈D ，， z ，y ∈D 6 ， 3 在此基础上，开启和闭合操作分别定义为 f 。b f O b 0b ；f b 厂ob O b ． 4 膨胀操作可以将图像中与目标物体接触的背 景点合并到物体中，使目标增大、孔洞缩小或消失， 与周围形成连通域，即膨胀可去除低灰度噪声，而 放大高灰度噪声；而腐蚀操作可以使目标缩小，目 标内孔增大、消除外部孤立噪声，所以腐蚀操作的 效果与膨胀操作相反，可去除高灰度噪声，但会放 大低灰度噪声．所以，开启操作可以消除图像上细 小物体的影响，闭合操作可以连接邻近物体、平滑 边界． 3 ．2 灰度图像的边缘检测方法 边缘检测是基于边缘处相邻像素间灰度值不 连续性的分析，数学上的微分方法可以检测到连续 曲面上的变化，在数字图像处理中，微分方法就演 化为差分方法，边缘信息可以用差分的幅度和变化 的方向角来表示，通用的表达式分别为 嗍 v f x J 一[ 鬈 2 蒡 2 ] l ／2 ， 『- 瓦3 f ] 妒 z ，y 一a r c t a n l 并1 ． 5 l 差j 在实际应用中，常用经典的边缘检测算子如 R o b e r t s 算子、S o b e l 算子、P r e t w i t t 算子、L a p l a - c l a n - G a u s s 算子和C a n n y 算子． 3 ．3 图像的预处理实验 选择半径为，．的圆形结构元素对输入图像进 行先开启和后闭合的操作，然后用经典的边缘检测 算子检测图像的边缘．在本实验中，大量的处理结 果表明结构元素半径r 5 时，对监控图像进行 形态学操作的结果在识别中的效果比较好；L a p l a c i a n - G a u s s 算子检测到的边缘结果与C a n n y 算子 检测的结果相似；R o b e r t s 算子、S o b e l 算子、P r e t w i t t 算子的处理结果基本相似；C a n n y 边缘检测算 子可以较好地检测到空列车图像的边缘，边缘图像 经R a d o n 变换后的结果具有更好地可分离性．图 像预处理的部分结果如图3 所示． 图3图像预处理的结果 F i g ．3 R e s u l to fi m a g e sp r e p r o c e s s i n g 空列车的车箱、带矿灯的矿工、空皮带和满载 皮带是实验中发现的直线性质边缘特征较强的几 类图像，也是本研究中重点分析的对象．图3 a ，b ， c ，d 为没有经过开启和闭合操作的图像C a n n y 算 子的边缘检测结果，图3 e ，f ，g ，h 为经过开启和闭 合操作后的图像C a n n y 算子的边缘检测结果；带 矿灯的矿工和空皮带图像中直线性质的边缘经过 开启和闭合操作后被大大减弱，但空列车图像中直 线性质的边缘经过开启和闭合操作后基本保持不 变． 预处理结果表明，经过开启和闭合操作后再用 C a n n y 算子检测到的结果更有利于用R a d o n 变换 对空列车图像进行识别． 4 实验结果 空列车是无上盖的、规则的长方体，其图像的 边缘特征是直线段，但是，由于监控系统中的摄像 头成像的畸变，造成空列车图像的边缘不是严格的 万方数据 6 0 0 中国矿业大学学报第3 6 卷 直线段，而是一种十分近似于直线的曲线段，并且 其中有一条比较长．图1 所示的其他八类对象的几 何形状和空列车有很大的差别，都没有很长的直线 性质的、大梯度的边缘．在研究中发现，面煤和块煤 的R a d o n 变换域中的差别不是很大，我们把面煤 和块煤作为一类监控对象．我们在这8 个对象的监 控序列图像中分别取了8 幅典型的图像，经过形态 学的开启和闭合的操作和C a n n y 算子边缘检测 后，其R a d o n 变换结果如图4 所示，其中的最大值 如表1 所示，这8 个对象的监控图像在R a d o n 变 换域中都各有一个最大的值，但是以空列车图像的 值最大，其最小的值大约在6 0 左右，这是因为在空 列车图像中的近似直线的边缘成分比较多． 图4R a d o n 变换的结果 F i g ．4 R e s u l to fR a d o nt r a n s f o r m a t i o n 表1R a d o n 变换结果中的最大值 T a b l e1M a x i m u mi nt h er e s u l to fR a d o nt r a n s f o r m a t i o n 空列车实列车 戴豢至的嚣篆挈 望筐鬈 面煤和块煤空皮带 满载皮带 6 1 ．9 5 23 5 9 ．5 9 91 6 7 ．6 9 49 6 0 ．6 3 51 7 0 ．8 3 59 6 0 ．0 8 48 7 4 ．3 4 88 6 6 ．7 3 94 4 3 ．3 7 5O 4 4 ．1 8 64 5 6 ．0 3 18 4 0 ．1 5 73 4 6 ．4 1 89 4 6 ．2 5 72 3 9 ．3 7 04 4 6 ．0 8 05 3 6 ．1 1 85 2 5 ．0 1 57 3 2 ．4 1 52 3 0 ．6 2 50 2 4 ．3 0 06 3 3 ．4 4 88 3 2 ．6 2 50 3 6 ．9 7 81 3 8 ．2 7 03 2 9 ．7 7 57 2 7 ．4 5 23 4 0 ．5 8 80 2 7 ．0 0 81 3 6 ．8 6 27 3 5 ．0 7 26 3 8 ．1 3 70 2 4 ．2 9 78 2 4 ．6 2 49 2 5 ．6 4 64 2 5 ．4 5 75 2 1 ．8 5 75 3 0 ．0 7 72 2 5 ．1 1 24 2 3 ．2 8 07 4 7 ．0 7 23 5 3 ．7 6 47 4 6 ．2 4 88 4 0 ．7 7 37 4 2 ．7 8 07 3 6 ．0 7 50 4 3 ．9 7 57 4 2 ．7 5 00 5 5 ．2 8 41 5 1 ．6 4 18 4 5 ．7 2 97 4 6 ．0 3 04 3 6 ．6 2 50 4 8 ．1 7 90 3 1 ．8 6 23 4 5 ．5 4 87 3 3 ．1 2 92 3 1 ．2 4 20 3 1 ．2 4 70 3 9 ．2 5 0O 4 1 ．7 3 35 3 2 ．4 2 48 4 0 ．6 4 53 3 0 ．7 5 00 贝叶斯统计模式识别方法要求，不同类别的识 别对象中，“好”的分类特征的特点是类之间的平均 数不相等、相同类内的方差要尽可能的小，基于这 个要求，我们把这8 个对象的图像划分成2 类，即 空列车类图像和非空列车类图像，为了简单的证明 R a d o n 变换域最大值特征砀 z 7 。。对这2 类对象 的图像具有可分性，令X 。一 R 一 z 7 。。 ；，i 一1 ，2 ， ⋯，竹表示每幅监控图像的R a d o n 变换域最大值特 征R 。 z 7 。。，i 为图像的序号，我们分别用下面的2 个公式来计算这两类对象的R a d o n 变换域最大值 的平均数和方差． 1 ， j 一土1 ∑z f ，s 2 一土’只z 2 f 一- 2 ． 6 九互行百 空列车图像的R a d o n 变换域最大值的平均数 和方差分别为6 5 ．2 3 63 和2 6 ．6 2 11 ，而其他对象 平均数和方差分别为3 7 ．1 7 30 和7 6 ．4 5 97 ，二者 平均数不相等，说明R a d o n 变换对空列车类和非 空列车类对象有较好的分类能力；另外，空列车图 像的R a d o n 变换域最大值中最小值为5 9 ．5 9 91 ，而 非空列车图像的最大值为5 6 ．0 3 18 ，2 类对象的 R a d o n 变换域最大值特征的分布不重叠，大大降低 了算法的识别错误的概率；所以在识别中，可以把 判别阈值l e n g t h 的值取在5 6 ．0 3 18 到5 9 ．5 9 91 之 间的数，如5 8 ，若R 一 z 7 。。大于5 8 即可实现对空 列车图像的识别． 5 与H o u g h 变换识别方法的对比 H o u g h 变换也是检测图像中直线段的一种方 法[ 1 1 1 ．基于H o u g h 变换检测直线是利用平面上点 和线的对偶性，用直线的参数表示形式来检测图像 徘竖。。。。。，。 万方数据 第5 期孙继平等矿井监控图像中空列车的识别6 0 1 中是否存在直线，这种方法可以将在同一斜率上的 不连续的值线段连接起来，它具有很好的抗噪声性 能和鲁棒性．在直角坐标系和极坐标系中，H o u g h 变换的基本方程式分别为[ 1 0 ] Y p x q 和P x e o s0 y s i n0 ， 7 式中P 为斜率，q 为截距；l D 为圆点到直线的距离， 识别的算法，此算法过程与基于R a d o n 变换的空 列车图像识别算法的过程相同，基本描述如下 S t e p l 对输入的图像进行开启、闭合操作和 边缘检测的预处理； S t e p 2 对边缘的图像二值化，并进行H o u g h 变换； 0 为』D 线段与z 轴的角度．S t e p 3 搜索H o u g h 变换域P 中的局部最大 直线在接近垂直方向时，P 和q 都接近无穷 值』D 。。，若‰。大于图像直线的长度范围l e n g t h ，则 大，此时可用极坐标方程变换方法比较好．基于认为该图像是空列车图像，否则认为图像不是空列 H o u g h 变换的识别图像中具有较长直线段的过程 车的图像； 实际上就转变为检查H o u g h 变换域P 中的局部最 S t e p 4 完成此幅图像的识别，准备接收下一 大值』D 。。的过程．幅图像，转入S t e p l ． 基于上面分析，H o u g h 变换也可以实现对监我们再把R a d o n 变换识别实验中的8 个对象 控系统中空列车图像的识别．为了将H o u g h 变换的各8 幅典型的监控图像进行H o u g h 变换识别实 的识别结果与R a d o n 变换的识别结果进行对比，验，实验的顺序同R a d o n 变换实验顺序，其变换结 设计了基于H o u g h 变换的监控系统中空列车图像果中的最大值如表2 所示．、 ．表2 H o u g h 变换结果中的最大值 T a b l e2M a x i m u mi nt h er e s u l to fH o u g ht r a n s f o r m a t i o n 空列车实列车 戴孝至的嵩李坚≯呈警‰ 面煤和块煤空皮带满载皮带 空列车图像的H o u g h 变换域最大值的平均数 和方差分别为7 3 ．1 2 50 和4 0 ．1 0 94 ，而其他对象 的平均数和方差分别为4 2 ．9 6 43 和8 9 ．5 3 44 ，二 者的平均数不相等，说明H o u g h 变换对空列车类 和非空列车类对象也有较好的分类能力；空列车图 像的H o u g h 变换域最大值中的最小值为6 6 ，而非 空列车图像的最大值为6 4 ，2 类对象的H o u g h 变 换域最大值特征的分布不重叠． 从理论上说，图像的R a d o n 变换域中的最大 值和H o u g h 变换域中的最大值都可以作为监控系 统中空列车图像识别的特征量，但是这两者的分类 效果是不同的，基于贝叶斯统计模式识别算法的效 果主要取决于不同类别之间的平均数不相等程度 及相同类内的方差要尽可能的小的程度，为了进一 步评价和选择特征量，定义以下的评价变量 ，- P 。。一P 。i 。， 8 g 铣， 9 式中P 。，为同类别图像的变换域最大值组中的 最大值；P 。；。为同类别图像的变换域最大值组中的 最小值；r 为这组值的范围，它的大小与这组数值 的方差有关，若方差大，则，．的值就大，若方差小， 则，．的值就小；P 。。i 。为空列车图像变换域最大值组 中的最小值，P 。一；为非空列车图像变换域最大值 组中的最大值，P 。为空列车图像变换域最大值的 均值，P 。为非空列车图像变换域最大值的均值，g 为这2 类值的分离程度，它的大小与数值的均值和 方差有关，若2 组数据的均值相差很小，数值组内 方差大，则g 的值就变小，若两组数据的均值相差 很小，数值组内方差小，则g 的值就变大，分类效果 变好． 在R a d o n 变换结果中，空列车类的r 值为 1 4 ．7 4 9 7 ，非空列车类的r 值为3 4 ．1 7 4 3 ；空列车与 非空列车类之间的g 值为0 ．1 2 7 1 ．在H o u g h 变换 结果中，空列车类的r 值为1 8 ，非空列车类的r 值 为3 6 ；但是空列车与非空列车类之间的g 值为 0 ．0 6 63 ． 在对这2 类待识别对象的R a d o n 和H o u g h 弘盯驱鹕“髫；惦勰舱∞弱跎蛎驰∞n“卯弘铝盯n钉∞ 卯∞∞蛇“心弘；船舶硒弘∞n∞n曲铊甜∞锚w钉弘饥硒知∞弘宝盯”醐塑。。。。。。，。 万方数据 6 0 2中国矿业大学学报第3 6 卷 变换中，通过综合分析类内的均值和方差、空列车 图像变换域最大值中的最小值和非空列车图像变 换域的最大值及自定义的评价变量，．和g 的值，我 们认为在对空列车图像的识别中，R a d o n 变换比 H o u g h 变换有更好的识别特征，所以，选择了R a d o n 变换作为识别算法中变换分析的方法． 6 结论 在本研究所采用的监控设备和监控方法的条 件下，对监控图像进行处理和识别实验，并对结果 进行对比和评价，所得结论如下 1 空列车本身所固有的、直线性质的几何形 状是其重要的识别特征．用半径为5 的圆形结构元 素对监控图像进行形态学的先开启、后闭合的操作 后，保留了空列车图像中的直线性质的边缘，弱化 了非空列车监控对象的图像中的直线性质的边缘， 用C a n n y 算子检测到其边缘线的效果很好． 2 监控对象的边缘线图像在R a d o n 变换域或 H o u g h 变换域中都有一个很突出的最大值，但是， 空列车图像的最大值十分突出，而非空列车图像的 最大值并不突出；因此，边缘图像变换域中的最大 值可以作为空列车图像的识别特征．对空列车和非 空列车图像的R a d o n 变换域和H o u g h 变换域的 特征最大值的统计分析表明R a d o n 变换比 H o u g h 变换有更好的识别效果．R a d o n 变换可作 为识别算法中的变换方法． 参考文献 [ 1 ] [ 2 ] [ 3 ] C H E N GCM 。R E E SNW ，C H A NA ．F u z z ys p e e d c o n t r o lo fac o a lt r a i n [ C ／O L ] ．E s s e x ，U K ．F o r m a r a L t d ．1 9 9 8 ．U K A C CI n t e r n a t i o n a lC o n f e r e n c eo n C o n t r o l ’9 8 ．[ 2 0 0 6 - 0 6 一I I ] ．h t t p ／／i e e e x p l o r e ．i e e e ． o r g ／i e l 4 ／5 8 8 3 ／1 5 6 8 9 ／0 0 7 2 7 9 7 9 ．p d f t p ＆a r n u m b e r 7 2 7 9 7 9 i s n u m b e r 1 5 6 8 9 ． 李玉良．机车信号监控技术及其应用[ J ] ．中国矿业 大学学报，1 9 9 7 ，2 6 4 5 4 - 5 6 ． L IY u - l i a n g ．L o c o m o t i v es i g n a lm o n i t o r i n gt e c h n o l o g Ya n dI t sa p p l i c a t i o n [ J ] ．J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g8 ‘T e c h n o l o g y ，1 9 9 7 ，2 6 4 ；5 4 5 6 ． 朱华，葛世荣，左明，等．矿车红外探测报警系 统研制[ J ] ．中国矿业大学学报，2 0 0 2 ，3 1 2 1 6 6 1 7 0 ． Z H UH u a 。G ES h i r o n g ，Z U OM i n g ，e ta 1 ．D e v e l o p m e n to fi n f r a r e dd e t e c t i n ga n dw a r n i n gs y s t e mf o r b o d yt a r g e t si nm i n ec a r s [ J ] ．J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g ＆T e c h n o l o g y ，2 0 0 2 ，3 1 2 1 6 6 1 7 0 ． [ 4 ] 孙继平，关永，张杰．D S P 极低码率的矿井远程 视频监控系统[ J ] ．西安科技学院学报，2 0 0 3 ，2 3 3 2 8 3 - 2 8 6 ． S U NJ i - p i n g ，G U A NY o n g ，Z H A N GJ i e ．T h ee x t r e m e l yl o wr a t e dl o n g - r a n g ev i d e os u p e r v i s i o ns y s t e mb a s e do nD S P [ J ] ．J o u r n a lo fX i ’a nU n i v e r s i t yo f S c i e n c ea n dT e c h n o l o g y ，2 0 0 3 ，2 3 3 2 8 3 2 8 6 ． [ 5 ] 关永．基于红外探测技术的矿井远程视频监控系 统[ D ] ．北京中国矿业大学机电与信息工程学院， 2 0 0 4 ． [ 6 ] 黄新武，吴律，牛滨华．基于抛物线拉东变换的地 震道重构口] ．中国矿业大学学报，2 0 0 3 ，3 2 5 ；5 3 4 5 3 9 ． H U A N GX i n - w u 。W UL u ，N I UB i n - h u a ．R e c o n s t r u c t i o no fs e i s m i ct r a c e sb yp a r a b o l i cR a d o nt r a n s f o r m [ J ] ．J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g y ，2 0 0 3 ，3 2 5 5 3 4 5 3 9 ． [ 7 ] T A B B O N ES ，W E N D L I N GL ．R e c o g n i t i o no fs y m b o l si ng r e yl e v e ll i n e - d r a w i n g sf r o ma na d a p t a t i o no f t h eR a d o nt r a n s f o r m [ J ] ．P a t t e r nR e c o g n i t i o n ，2 0 0 4 2 5 7 0 - 5 7 3 ． [ 8 3T O F TPA ．U s i n gt h eg e n e r a l i z e dR a d o nt r a n s f o r m f o rd e t e c t i o no fc u r v e si nn o i s yi m a g e s 口] ．A c o u s t i c s ，S p e e c h ，a n dS i g n a lP r o c e s s i n g ，1 9 9 6 4 2 2 1 9 2 2 2 2 ． [ 9 ]G O T ZWA ，D R u c K M d L L E RHJ ．Af a s td i g i t a l r a d o nt r a n s f o r m a ne f f i c i e n tm e a n sf o re v a l u a t i n g t h eH o u g ht r a n s f o r m [ J ] ．P a t t e r nR e c o g n i t i o n ， 1 9 9 6 ，2 9 7 1 1 - 7 1 8 ． [ 1 0 3章毓晋．图象处理和分析[ M ] ．北京清华大学出版 社，1 9 9 9 ． [ 1 1 ] Y A N GH u a - c h a o ，D E N GK a - z h o n g ，Z H A N GS h u - b i ，e ta 1 ．N o n - m e t r i cC C Dc a m e r ac a l i b r a t i o na l g o r i t h mi na d i g i t a lp h o t o g r a m m e t r ys y s t e m [ J ] ．J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g ＆T e c h n o l o g y 。 2 0 0 6 ，1 6 2 ，1 1 9 1 2 2 ． 责任编辑姚志昌 万方数据