煤矿井下皮带造价昂贵,而异物的存在可能会造成皮带损伤甚至撕裂,带来巨大经济损失,因此研究优化煤矿皮带运输机的异物检测方法十分重要。皮带目标检测是运用智能分析技术,通过去除背景部分,将运动目标摘取出来,从而对运动目标进行准确有效的分析。本文以矿井皮带为对象,优化现有方法并重点研究下列方面内容:视频防抖动、纹理图像分割、目标准确跟踪以及皮带异物检测算法,主要创新点如下:1.基于二进制描述子的快速视频防抖动研究。由于井下环境复杂,摄像头会出现间歇性抖动,导致无法获得清晰流畅的视频源。针对上述问题,本文对比实值描述子和二进制描述子特征提取算法在时空消耗方面的性能差异,选用二进制描述子特征提取和匹配算法。同时,采用随机抽样一致性算法去除误匹配,并通过透视变换为图像进行运动补偿,最终得到稳定的视频帧序列。2.基于平稳方向波域概率图模型的纹理图像分割研究。在平稳方向波域中,将隐马尔可夫链和马尔可夫随机场结合为一种概率图模型,通过最小化能量函数得到纹理图像分割结果。该方法解决了分割图像过程中细粒度不足的问题。实验结果表明,相比于其他算法,所设计方法在同质区域和不同区域的边界分割上可以获得更好的性能。3.基于紧凑颜色编码结构化的目标跟踪方法研究。视觉追踪旨在每个视频序列帧中查找和标记被追踪对象的位置。本文提出一种基于紧凑颜色编码的结构化目标跟踪方法,通过融合候选目标区域的形状与颜色特征,并使用哈希函数降低这种组合特征的维度,形成低维的紧凑颜色编码特征,进而采用结构化分类函数进行目标分类与预测,实现目标跟踪。本方法增强了目标特征的描述能力,提高了目标分类的准确度,有效避免视觉跟踪漂移,提高跟踪性能。4.基于多摄像头判定的皮带异物检测方法研究。该算法在图像检测算法或机器学习算法的基础上,利用贝叶斯估计理论构造的多摄像头判定算法加以判决,最后训练图像的方向梯度直方图特征并结合支持向量机分类确定异物类型。一方面满足井下皮带异物检测的实时性,另一方面达到了离线训练及在线分类的智能要求。在上述算法基础上本文设计并开发了一套煤矿井下皮带异物检测原型系统,实现多摄像头判定下对井下皮带运输异物的实时检测、报警和图像显示。该系统应用于井下实际环境测试中可达到较高的异物检测正确率。