[发明专利]一种用于矿井智能监控的视频图像编解码方法

说明书

本发明公开了一种用于矿井智能监控的视频图像编解码方法，该方法采用基于机器视觉的卷积神经网络算法，实现对矿井视频图像的编码和解码功能，包含以下步骤：(1)利用矿井视频图像采集设备采集图像，据此制作训练集和测试集；(2)构建矿井视频图像的编码器网络和解码器网络：编码器网络包括降采样层，解码器网络包括升采样层、二分支卷积层、标准化层、非线性激活层和深度变换层；(3)训练网络；(4)用训练好的网络完成矿井视频图像的编码和解码。该方法解决了矿井视频监控系统的编解码和信号重建时间过长的问题，提高了矿井智能视频监控系统的性能。

技术领域

本发明属于智能监控与图像处理领域的信号编码、解码技术，具体涉及一种用于矿井智能监控的视频图像编解码方法。

背景技术

实现井下工作面的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视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。传统的视频监视系统中图像压缩方法采用经典的奈奎斯特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，矿井视频图像信号的数据量大，采用传统的压缩方法不仅浪费了大量的采样资源，而且给图像的压缩、存储和传输带来了巨大的困难。在井下通信环境带宽资源有限条件下，使用以奈奎斯特定理为基础的图像处理与压缩方法使得系统开销较大，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信号的实时传输和智能监控性能。

近年来提出的压缩感知理论认为，对稀疏信号或者在某个字典基中有稀疏表达的信号而言，采样个数完全可以取少于奈奎斯特采样定理要求的数量，而重构信号仍能保持无失真或仅有较少失真，该理论突破了传统奈奎斯特采样定理的瓶颈，为采集高分辨率信号提供了理论基础。另一方面，多数图像信号完全可以在傅里叶变换基下得到其稀疏表达，这为矿井视频图像信号的编解码提供了新的手段。

在压缩感知的框架下，已知信号的测量值y＝Φx，压缩感知的核心问题是基于观测值y如何重构出原始的信号x。既有的解决方法或把稀疏信号的重构看成是凸优化问题，或是通过稀疏逼近间接解决稀疏信号的重构问题。虽然这些方法对视频图像具有较好的重构效果，但凸优化问题本身耗时巨大，稀疏逼近则要求在重构时进行多次迭代计算，重构的时间长，若是应用在矿井监控系统中必然带来实时性的损失。

近年流行的数据驱动的深度学习方法，为解决压缩感知中的稀疏信号恢复问题提供了新的技术思路。在深度学习的框架中，编码器、解码器的参数均通过大量数据学习得出。其优势在于一旦模型训练完成，其重构用时短，且能得到不输于压缩感知传统重构方法能得到的图像复原质量。

发明内容

本发明主要解决传统压缩感知方法重构时实时性差的问题，提出一种用于矿井智能监控的视频图像编解码方法。该方法采用基于机器视觉的卷积神经网络算法，实现对矿井视频图像的编码和解码功能，其实现步骤包括：

步骤1，制作训练集和测试集：利用矿井视频图像采集设备采集图像，据此制作训练集和测试集；

步骤2，构建矿井视频图像的编码器网络和解码器网络：编码器网络包括拉伸层、降采样层，解码器网络包括升采样层、反拉伸层、3×3卷积层、二分支卷积层、标准化层、非线性激活层和深度变换层；

步骤3，网络训练：将训练集输入所述编码器网络，将所述编码器网络的输出作为所述解码器网络的输入，完成网络参数的训练；

步骤4，矿井视频图像的编码和解码：利用步骤3中训练好的网络，将步骤1中所述测试集中矿井视频图像输入步骤3中所述编码器网络，矿井视频图像经编码后传输至步骤3中所述解码器网络进行解码，输出矿井视频图像的重构结果；

步骤2中所述的编码器网络首先在拉伸层将图像矩阵拉伸成待编码的图像，然后通过以下公式对信号进行降采样：

y＝Φx