作者张　帆1,2,徐志超1作者单位1.中国矿业大学(北京)机电与信息工程学院;2.中国矿业大学(北京)智慧矿山与机器人研究院1研究背景实现井下工作面少人乃至无人作业是安全开采和智慧矿山建设最重要的目标之一,研究矿井智能视频监控系统优化方法及其关键技术,对促进矿井智能安全开采技术发展及智慧矿山建设具有十分重要的意义。传统的视频监控系统中图像压缩方法采用经典的Nyquist采样定理来解决视频图像的信号采集、编码和解码问题。然而,矿井视频图像的数据量大,采用传统的压缩方法不仅浪费大量的采样资源,而且在井下通信环境带宽资源有限条件下使得系统开销较大。采用常规的图像编解码方法难以解决视频图像压缩处理时出现的图像模糊、视频传输延迟等问题,直接影响矿井视频图像的实时传输和智能监控性能。对上述问题,现有的解决方法或把矿井图像的重构看成凸优化问题,或通过稀疏逼近间接解决图像的重构问题,但上述方法均涉及重构问题的迭代求解,其重构算法的运算时间较长,依然给矿井视频监控系统应用带来实时性问题。近年流行的基于数据驱动的深度学习方法,为解决图像压缩与重构的问题提供了新的技术思路。卷积神经网络在分类识别、目标检测和图像重构等应用研究中引起广泛

转载请注明:http://www.aideyishus.com/lkcf/7460.html