监护管理系统的研究与应用项目的可行性研究报告.docVIP

选煤厂偏远岗位人员监护管理系统的研究—-北京科技大学人才、技术优势，加强与企业集团的横向合作。不断开发、生产多项具有自主知识产权的品牌产品，企业产品长期保持行业内技术上的领先地位。企业通过了ISO9001-2000质量管理体系认证，通过了北京市软件企业认证。研制和生产的产品如下：主扇风机在线监测系统监测系统、KJD-7型PLC皮带集中控制系统GYXJB型“信、集、闭”微机控制系统KJD-7型主井装卸载自动控制及信号系统原煤仓、精煤仓、块炭仓、矸仓等11个偏远、重点岗位Ni=1k( x*i2)δb(x*i)-u (1)式中:u为目标模型中的特征,u=1,2,…,M;C为归一化常数, C =1∑Ni=1k( x*i2); k(x)为一个各向同性、凸的、单调递减的核轮廓函数,该函数在此作为一个权重函数,用来给离中心近的像素值分配较高的权重,离中心较远的像素值分配较低的权重;b(x*i)表示x*i处的像素值(对应u)。同样候选目标也可以类似表示,设{xi}(i=1,2,…,Nh)表示中心位于y的候选目标区域,则候选目标模型可表示为p^u(y) = Ch∑i=1k(y-xih2)δb(xi)-u (2)式中:归一化常数Ch=1∑Nhi=1k(y-xih2);h为带宽。 目标模型和候选目标模型的相似性常采用巴氏(Bhattacharyya)系数来度量,其表达式 为^ρ(y) =ρ[p^u(y),^qu] =∑Mu=1p^u(y)q^u(3)^ρ(y)越大表示2个目标模型的相似度越大。 2.2目标定位与跟踪 为了正确定位与跟踪目标,需要在当前帧最大化^ρ(y)。假设目标在上一帧的位置为 y^0,先将其作为当前帧搜索的起始点,然后在p^u(y0)附近将ρ[p^u(y),^qu]进行泰勒展开,最后采用MeanShift算法进行迭代[6-9],可得目标新的位置为y^k+1=Nhi=1xiωig(y^k-xih2)∑Nhi=1ωig(y^k-xih2)(4)式中:ωi为权值,ωi=∑Mu=1^qup^u(y0)δ[b(xi)-u];g(x) =-k′(x),为k(x)的导数。 2.3带宽自适应MeanShift目标跟踪方法 在实际的人体视频跟踪过程中,每帧视频中人体目标区域的大小会随着其离摄像机 镜头的远近而发生变化,当跟踪过程中人体目标尺度超出模板窗口大小时,很可能导致人体目标跟踪失败,所以需要自动调整模板带宽的大小,尽可能保证对人体目标的跟踪。针对跟踪目标大小变化的问题,可以通过不断调整核函数带宽来适当地改变目标尺度。假设先前图像中核函数带宽为hpre,当前帧图像中最佳带宽hopt可以在hpre、hpre+Δh、hpre-Δh中选取,选取的准则是分别运行一次目标定位跟踪算法,选择使p^ (y)最大的那个带宽。 带宽自适应MeanShift目标跟踪方法步骤如下： (1)输入目标模型^qu u=1,2,…,M、上一帧目标位置y^0及一个迭代阈值ε； (2)初始化目标在当前帧的位置为y^0,并计算其概率直方图p^u(y^0)u=1,2,…,M及对应的ρ[p^u(y0),^qu]; (3)计算权值{ωi}i=1,2,…,Nh; (4)计算目标在下一处的新位置y^k+1; (5)带宽取hpre、hpre+Δh、hpre-Δh三个不同值,分别计算p^u(y^1)u=1,2,…,M及ρ[p^u(y1),^qu],取最大的ρ[p^u(y1),^qu]值,并用该带宽来确定新的带 宽hnew; (6)如果y^1-y^0ε,迭代终止;否则y^0←y^1,转向步骤(2)。 2.4基于卡尔曼滤波方法的目标运动估计 卡尔曼滤波方法建立在线性代数和隐马尔可夫模型上,是一种常用的状态快速估计 算法,能够较准确地预测目标运动位置。其基本动态系统的状态方程和测量方程分别为 xk=Axk-1+Buk-1+wk-1(5)zk=Hxk+vk(6)，式中:xk为k时刻的状态向量;A为作用在xk-1上的状态变换模型; uk-1为控制器向量;B为作用在uk-1上的模型;wk-1为过程激励噪声,是协方差为Q的零均值、白噪声序列;zk为对xk的一种观测;H为观测模型,用于把真实状态空间映射成观测空间;vk为测量噪声,是协方差为R的零均值、白噪声序列。 选择xk=[xsk,ysk,xvk,yvk],分别表示目标在x和y上的位置和速度,zk=[xwk,ywk],表 示观测目标的位置。卡尔曼滤波算法为 (1)状态预测：x^-k=Ax^k-1(7) P-k=APk-1AT+Q (8) (2)状态更新：Kk=P-kHT(HP-kHT+R)-1(9) x^k= x^-k+Kk(zk-Hx^-k) (10) Pk= (I-KkH)P-k(11) 式中:x^-k为在已知第k步以前状态下,第k步的先验状态估计;