来源：期刊VIP网 时间：
作者：南晶晶;潘红光;蒋泽;张立斌;张会鹏;
单位：陕西陕煤澄合矿业有限公司;西安科技大学电气与控制工程学院;中煤科工集团常州研究院有限公司;天地(常州)自动化股份有限公司;
摘要：井下环境存在低光照，人员特征不明显。现有的基于深度学习的红外与可见光图像融合方法在弱光条件下，只使用红外信息来填补可见光图像光照退化造成的场景缺陷，导致在黑暗环境下可见光图像中丰富的场景信息无法在融合图像中表达出来；将图像增强和图像融合作为单独的任务来处理，导致融合结果较差。针对上述问题，提出了一种基于低光照增强的红外和可见光图像融合的井下人员识别模型。首先，将可见光和红外传感器图像进行灰度化、几何校正等预处理操作，然后，将处理后的图像传入低光照增强网络，在特征层面去除退化可见光图像的照度分量，最后，经过纹理-对比度增强网络实现特征级融合，从纹理和对比度等方面增强了整体的视觉感知。实验结果表明，所提模型的井下人员识别结果相比较可见光图像，准确率平均提高了8.2%，召回率提高了12.5%,mAP@0.5提高了8.3%；相比红外图像，准确率平均提高了2.1%，召回率提高了5.1%,mAP@0.5提高了4.1%；检测速度达31.2帧/s，解决了井下低光照场景下人员特征不明显所导致的错检、漏检等问题。
关键词：井下人员识别;低光照增强;红外和可见光图像融合;边缘纹理增强;对比度增强
基金资助：陕西省秦创原“科学家+工程师”队伍建设项目（2022KXJ-38）
