基于超像素特征与SVM分类的人员安全帽分割方法

李晓宇，陈 伟,2，杨 维，王文清，范伟强，田子建

(1.中国矿业大学(北京) 机电与信息工程学院，北京 100083; 2.中国矿业大学 计算机科学与技术学院，江苏 徐州 221116; 3.北京交通大学 电子信息工程学院，北京 100044; 4.北京工业职业技术学院，北京 100042)

近年，我国对煤矿安全生产监管力度的不断增强，为了从根源遏制煤矿灾害事故的发生，安全监控系统的配备已成为煤矿安全生产[1]中必不可少的一项工作。矿井视频监控中图像[2]信息的分析与处理是实现井下人员智能化管理、检测识别[3-4]、定位跟踪[5-6]的关键技术，对于煤矿的高效生产以及煤炭工业的可持续发展具有重要意义[7]。人员图像分割是计算机视觉在矿井智能监控应用中的一项核心内容，对视频图像中人员目标的行为分析与状态预测奠定了研究基础，同时也是矿井人员图像处理中的难题之一。

煤矿井下环境特殊，受粉尘干扰[8]、噪声大、光照条件差等多种恶劣条件影响，使得所采集人员视频图像存在照度不均匀[9-10]、颜色信息失真、阴影分布随机、目标与背景边界难以区分等缺陷，这直接增加了人员目标分割难度，更不利于人员检测识别与定位跟踪等技术的应用。安全帽是矿井工作人员必须佩戴的重要安全防护设备，是保障人员安全作业的必要条件[11]，安全帽的存在代表着人员的存在。安全帽分割可促进基于计算机视觉的矿井人员调度管理、目标检测识别及其位置信息预测等相关技术的应用，可提高对人员作业区域的管控效率，同时也可有效降低分割人员全身的复杂度[12]，压缩算法对人员图像的数据处理量。

人员安全帽图像分割是根据井下人员图像的颜色、纹理、轮廓形状特征将人员图像中的像素分类为安全帽与背景2个相互独立的像素子区域，同一子区域内的像素具有相似的图像特征，不同子区域内像素的图像特征具有较大差异，从而将感兴趣的安全帽像素区域从人员图像中分离出来。自20世纪70年代起，图像分割就开始吸引了越来越多学者的研究，至今为止产生的分割方法主要有基于图像灰度特征的阈值法[13]、像素点区域生长法[14]、边缘检测法[15]、基于图论的图割法[16]、深度学习神经网络法[17]等几大类。阈值法的关键在于灰度阈值的合理选取，适合处理目标与背景灰度界别分明的图像;区域生长法对缺乏先验信息的图像分割效果较为理想，但易导致过度分割;边缘检测法容易出现边界轮廓线间断，图像区域结构性差;图割法需要用户在图像分割过程中指定目标与背景，不适合自动分割;深度神经网络分割法需要输入的数据量大，处理时间较长且对计算机硬件要求较高。上述方法虽已成熟应用于各类场景的图像分割问题，但每种方法都有其各自的应用特点，在矿井视频图像处理方面的结果难以满足实际需求。

超像素分割方法[18-20]弥补了以上方法均未考虑像素间空间结构联系的不足，它将目标图像划分为颜色、纹理及亮度特征相近的不规则超像素块，即用少量的超像素表示图像中大量的像素特征。其中，简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)模型[21-22]生成的超像素紧凑整齐、大小均匀，对目标边界具有较好的贴合效果，在各种随机复杂场景的分割中表现出良好的鲁棒性和适应性。支持向量机(Support Vector Machines,SVM)作为一种具有良好分类学习性能的分类器[23]，在有关图像语义分割的像素分类应用中展现出了一定优势[24-26]。因此，笔者将SLIC超像素粒化与SVM分类超像素相结合的方法应用于矿井人员图像安全帽分割中，采用SLIC模型将人员图像像素点聚类为具有相似图像特征的超像素，提取超像素的颜色、纹理特征训练SVM分类器并用于对测试样本进行分类预测，通过安全帽轮廓模型几何特性修正SVM误分类的正样本超像素，检测修正后的正样本超像素中是否包含欠分割样本，如有则通过安全帽正样本区域边界掩模与Prewitt算子所获取的轮廓线差集对欠分割样本进行二级像素分割，将其中的安全帽像素部分分离出来，从而实现安全帽的完整分割。

1 人员图像超像素粒化

人员图像超像素粒化[12]是由SLIC模型将整幅人员图像分解为一定数量的像素点集合，每个集合可视为一个内部像素点具有相似性图像特性的超像素。因此，通过这种改变人员图像表示形式的方法可以突出图像的内部像素特征，使得人员图像便于理解和分析，为后期研究超像素之间的特征联系和空间结构关系，以及在SVM分类中的应用奠定基础。

SLIC模型是RADHAKRISHNA等[21]于2010年提出的算法。SLIC模型首先将人员图像由RGB空间转化到CIELab颜色空间获取其三维颜色分量L，a，b，结合像素点二维坐标x，y可得到每个像素点的五维特征向量V=[L,a,b,x,y]，然后通过向量V计算像素点之间的颜色距离相似度，从而对人员图像像素点进行局部聚类，得到人员图像的超像素粒化结果。SLIC对人员图像的粒化效果与其输入的预分割超像素数量N密切相关，N值的大小变化直接关系人员图像的粒化结果。本节以图1为例对最佳N值的选取方法展开分析论述，为使所选取的N值具有全局代表性，随机选取实验采集图像总量的1/3作为求解最优N值的测试样本。方法步骤如下:

(1)选取样本图像并备份，用ImageLabeler工具对备份人员图像中的安全帽区域进行像素级标注，同时记录标注图像中安全帽区域的像素点位置l，如图1所示。

(2)在一定范围内输入不同的N值对原样本图像进行SLIC超像素粒化，对应的粒化结果如图2所示。

图1 人员图像安全帽像素区域标注Fig.1 Labeling of safety helmet pixels region in personnel image

图2 SLIC粒化人员图像Fig.2 SLIC granulates the personnel image

(3)提取样本图像中各超像素的像素点位置l′N，与(1)中对应的l求交集运算IN=l∩l′N。定义IN中全部像素点均属于l的超像素为安全帽超像素，IN中全部像素点均不属于l的超像素为背景超像素。

(4)统计不同N值下的安全帽超像素数量n，定义n与N的比值为安全帽超像素粒化准确率r，对应计算结果如图3所示。图3中,r整体上随N值的增加而上升，但上升到较高值的局部区间内N值增大r反而降低或保持不变，如当N=180和N=190时，r均达到最高值0.95，因此，兼顾SLIC的计算代价选择较小N值所对应的最高r为最佳N值。

图3 不同N值下的安全帽超像素粒化准确率Fig.3 Superpixel granulation accuracy of the safety helmet with different N values

(5)记录样本图像的分辨率大小与其对应的最佳N值。

2 超像素特征提取

笔者采用SVM分类器将人员图像超像素分为安全帽与非安全帽2个类别。SVM是一种以监督学习方式对数据进行二元分类的分类器模型，因此需要事先准备训练数据。本节主要提取人员图像超像素的颜色、纹理特征以及安全帽轮廓几何特征，其中颜色特征与纹理特征用于训练SVM分类器，安全帽轮廓几何特征的研究对象为全部正样本超像素构成的正样本区域轮廓，用作之后修正SVM错分类正样本的依据。

2.1 颜色特征

颜色特征是图像分割应用中最为广泛直观的一种视觉特征，它与图像中不同类型的目标和场景密切相关，可在不受图像自身属性的影响下区别具有不同语义信息的像素区域，因此在分割过程中具有较强的鲁棒性。常用的颜色空间模型主要有RGB，YCbCr，HSV，CIELab，CMYK，HSI等，每种模型都有适合其自身模型特点的适用背景。结合本文中井下人员图像的实际特点与安全帽分割任务的颜色特征需求，选取RGB，YCbCr，HSV，CIELab四种模型描述人员安全帽图像的颜色特征。RGB颜色模型利用R，G，B三个分量颜色通道的变化以及3者相互叠加的方式获取到各式各样的颜色，R，G，B分别代表红、绿、蓝3个通道的颜色，RGB标准基本包括了人类视觉所能感知的所有颜色，是目前运用最为广泛的颜色模型之一;YCbCr颜色模型中Y代表颜色亮度成分，Cb和Cr分别为蓝色和红色的浓度偏移量成分，即Cb描述了RGB中蓝色分量与RGB信号亮度值之间的差异，Cr描述了RGB中红色分量与RGB信号亮度值之间的差异;HSV颜色模型中H为由角度度量的色调，对应取值为0°～360°，S为饱和度，对应取值为0～100%，其值越大则说明颜色饱和程度越高，V为颜色明亮程度，对应取值为0～100%;CIELab颜色模型中L为亮度，a，b分别为2个不同的颜色通道，其颜色混合后将产生具有明亮效果的色彩。

因此，人员图像超像素在4种颜色模型下的特征分量可组成一个12维的颜色特征数组VC，即

VC=[R,G,B,Y,Cb,Cr,H,S,V,L,a,b]

(1)

2.2 纹理特征

纹理是描述图像同质像素区域表面变化现象的一种视觉特征，它表现为像素点及其邻域空间内像素点的灰度分布，具有局部性特点，局部纹理特征以不同形式重复出现的情况即为全局纹理特征。由于井下人员安全帽与人员皮肤、工作服、环境背景等像素区域具有明显的纹理差异，因此利用纹理特征区别安全帽与非安全帽超像素是一种有效的分割方法。常规的纹理特征描述方法主要有统计法、几何法、模型法、信号处理法及结构分析法等，利用灰度直方图的矩表达图像纹理信息[27]是基于统计模型的代表性方法，简单易实现，对不同的图像具有较强的适应性。超像素直方图反映了人员图像超像素中像素灰度值在各灰度级上所出现的频率，通过研究超像素中像素灰度分布均值的多阶矩来描述超像素的纹理特征，具体由灰度值的分散度(Dispersion)、方差(Variance)、偏度(Deviation)、峰度(Kurtosis)4个属性来表现。设k表示像素灰度值，x表示灰度级，f(k)表示超像素对应的灰度直方图函数，k的均值M的计算公式为

(2)

分散度Di为M的一阶矩，计算公式为

(3)

方差Va为M的二阶矩，计算公式为

(4)

偏度De为M的三阶矩，计算公式为

(5)

峰度Ku为M的四阶矩，计算公式为

(6)

2.3 轮廓特征

安全帽严格按照国家标准GB 2811—2019[28]进行生产，是矿井人员图像中最具显著性特征的像素区域，除具有特定的颜色种类之外还有固定的轮廓特征。安全帽中帽壳部分是本节分析安全帽形态特征的主要研究对象。图4为不同角度下所采集的部分安全帽图像，由图4可知，除帽沿和帽舌以外的安全帽主体部分呈现类似半球状的形态，外部轮廓基本由闭合曲线构成，其几何特征较为突出。因此本节对安全帽二维轮廓几何特征进行建模分析。

对安全帽轮廓进行提取(图5)，图5(c)为根据标记像素区域提取安全帽轮廓。

图4 不同角度下的安全帽轮廓形态Fig.4 Contour shape of the safety helmet at different angles

图5 安全帽轮廓提取Fig.5 Safety helmet contour extraction

图6 安全帽轮廓模型Fig.6 Model of safety helmet contour

对于相邻安全帽之间有部分遮挡的情况，多个安全帽轮廓相交后必定会出现轮廓线交点，交点两侧的轮廓线为无遮挡情况下完整轮廓的一部分。因此，只要由遮挡所产生安全帽轮廓交点两侧的形态特征符合上述无遮挡情况下形态特征的一部分，则可作为判定有遮挡情况下安全帽几何轮廓特征的条件。

综上所述，C上必然存在Tp与Mp两种点类型，可能存在最多两个“凸起”，且位于Tp，Mp与“凸起”区间内的曲线段Cj(j=1,2,…,n，n为C上位于任意两点之间曲线段的数量)的斜率绝对值|kCj|在安全帽图像水平X或垂直Y方向上单调变化，因此，单调区间内P点的像素坐标x，y在XY平面上具有一致的移动方向。

不同于以上颜色与纹理特征，安全帽轮廓几何特性的研究对象是安全帽超像素联合组成的安全帽超像素集S，即所有安全帽超像素相互融合生成的安全帽区域轮廓。

3 SVM分类超像素

3.1 SVM分类器训练及预测分类

SVM作为一种以监督型学习方式对样本数据进行分类学习的分类器，需要预先输入训练样本变量类型及其观测值训练SVM。实验从数据集剩余的2/3幅人员图像中再次随机抽取1/3作为SVM的训练数据集，根据第1节算法从中选择最接近训练数据集图像分辨率所对应的最佳N值，输入SLIC模型对训练数据集进行超像素粒化。图7为粒化后的部分安全帽正样本与背景负样本示意图，选取安全帽正样本超像素496个，背景负样本超像素1 828个，根据2.2节中对超像素特征提取的分析，选择超像素颜色与纹理共16个特征分量组成V′参与SVM训练，定义为

V′=[R,G,B,Y,Cb,Cr,H,S,V,L,a,b,Di,Va,De,Ku]

(7)

图7 部分SVM训练样本Fig.7 Part of SVM training samples

设置安全帽正样本超像素标签为“1”，背景负样本超像素标签为“0”。采用交叉验证方式评估SVM对测试样本分类准确率的预测能力，通过计算SVM的错误预测损失值classLoss评估其分类准确率，一定数值的classLoss说明了该SVM分类器对未知测试样本的错误预测概率。本节中所训练SVM的classLoss=0.277 1，显然，classLoss值偏高，说明该SVM对测试样本的预测误差较大。因此，为提高SVM的预测准确率，采用自动超参数优化方式训练SVM，核函数类型为Liner线性核函数，优化参数为BoxConstraint和KernelScale。SVM超参数优化求取最小目标值计算与目标函数模型如图8所示。

SVM超参数优化后的相关参数值见表1，函数总共计算30次，总目标函数计算时间44.559 1 s。经超参数优化后再次计算SVM的错误预测损失值，此时classLoss=0.156 6，说明经超参数优化训练的SVM对未知测试样本的预测误差相对较小。

图8 SVM超参数优化模型Fig.8 Model of SVM hyper-parameter optimization

表1 SVM超参数优化相关参数情况Table 1 Related parameters of SVM hyper-parameter optimization

再次根据第1节算法从中选择最接近测试数据集图像分辨率所对应的最佳N值，输入SLIC模型对最后剩余的1/3幅测试集人员图像进行超像素粒化。人员图像经SLIC模型粒化后，为便于超像素的分类识别，对测试样本超像素做编号标记La(a=1,2,…,m，m为测试样本超像素数量)，并将其输入到经超参数优化方式训练好的SVM进行预测分类，分类结果输出测试样本的预测标签及置信度，置信度值为正数对应正样本标签“1”，置信度值为负数对应负样本标签“0”，分别代表安全帽超像素与背景超像素。表2为测试样本图像中超像素经SVM分类后的部分样本信息，图9为SVM对部分人员图像的预测结果，由表2和图9可知，超像素的分类准确度并没有达到期望效果，部分正样本安全帽超像素被误分为背景，部分背景负样本超像素被误分为安全帽(由于本文研究重点为安全帽正样本超像素，因此图9(c)中只给出了SVM分类后的正样本超像素)。

3.2 超像素类别修正

由于3.1节所选取参与SVM训练的超像素训练样本在整体数据样本集中缺乏全局代表性[24]，同时训练所得SVM分类器本身对测试样本的预测能力有限，因此存在少量正样本被误分为负样本或负样本被误分为正样本的现象。为补偿SVM对安全帽正样本的分类误差，本节利用2.3节中的安全帽轮廓模型几何特性对误分类样本进行类别修正，修正算法步骤如下:

(1)提取图9(c)中经SVM初步预测后的正样本超像素区域边界掩模Bm，为便于观察其轮廓几何特征，对Bm采用形态学膨胀算子处理，如图10(a)所示。

表2 SVM分类后部分超像素样本信息Table 2 Part of superpixel sample information after SVM classification

(5)循环执行步骤(2)～(4)，直至遍历完图10(a)中的所有Bm，修正后的正样本结果如图10(b)所示。

3.3 欠分割样本超像素处理

(1)提取图10(b)中第3幅图经修正后的正样本超像素区域边界掩模Bmc，对Bmc进行形态学膨胀处理，如图11(a)所示。

(2)采用Prewitt算子提取图10(b)中对应正样本区域轮廓Pb，如图11(b)所示。

(3)求取Bmc与Pb的差集D。若D=∅，将图10(b)作为安全帽的最终分割结果;若D≠∅，则保留D并提取其所在超像素编号La。

(4)根据D所在的像素点边界线将超像素L分解为2个子超像素Lp，Ln，其中Lp为正样本安全帽超像素，Ln为负样本背景超像素。

(5)在图10(b)的结果上保留Lp、滤除Ln，更新得到如图11(c)所示的安全帽分割效果。

4 实验结果分析

实验所用图像数据主要源自宁夏马家滩镇双马煤矿。双马煤矿图像采集仪器为DS-FB4024海康威视防爆摄像机(最大分辨率可达1 920 piex×1 080 piex，CMOS图像传感器，可支持温度:-40～60 ℃，湿度小于95%相对湿度)。现场拍摄环境:低照度，粉尘质量浓度3.0～3.2 mg/m3，湿度50%～60%，温度17～19 ℃，二氧化碳体积分数0.035%～0.040%。计算机配置参数:CPU处理器Intel(R)Core(TM)i5-1035G1，(1.0～3.6)GHz主频，8 GB内存，64-bit Windows10操作系统，MatlabR2019b编程工具。

煤矿井下特殊的光照条件会对人员图像的成像质量产生一定影响，使得位于光源附近人员图像中安全帽的色彩饱和度、亮度及对比度相对较高，轮廓边缘较易与图像背景区分;位于光源远处的人员图像中安全帽颜色灰暗、对比度及亮度较低，导致安全帽局部区域的图像特征与背景差异较小，难以将安全帽边缘分辨出来。同时，顺光与逆光拍摄也会对安全帽的颜色特征产生一定影响。煤矿井下这种复杂的光照条件对人员图像所造成的成像影响直接关系到SLIC对安全帽的超像素粒化效果及超像素颜色特征的提取。因此，本文在分割安全帽之前对测试人员图像进行预处理操作，预处理可有效增强低照度场景下人员图像中安全帽的颜色亮度[29]并降低由粉尘、煤尘等因素引起的噪声干扰，以此突出安全帽的色调及其相关图像特征。此外，对于一幅图像中的单个人员安全帽，位于其不同距离方位下所拍摄的形态大小也不尽相同，大小差异会关联到SLIC在固定的N值下粒化人员图像后安全帽像素部分在Sp中的占比，若占比未达到1则说明存在Upsp，需要后期进行二级像素分类处理;如果一幅图像中有多个人员安全帽，则某个角度下可能出现相邻安全帽相互遮挡的现象，从而改变了单个安全帽模型的形态特征，这将关系到通过安全帽轮廓模型对正样本的判别和分类修正。

图10 正样本修正Fig.10 Correction of positive samples

图11 欠分割样本像素级分类Fig.11 Pixel-level classification of under-segmented samples

图12 人员图像安全帽分割结果Fig.12 Personnel helmet images in different shooting scenarios

因此，为尽可能全面测试本文方法对多种场景下的人员安全帽分割效果，人员图像以随机拍摄的方式获取，共采集300幅图像用于本文实验，将其存储为24位RGB颜色模式的jpg格式。实验从测试数据集中选取了基本涵盖上述安全帽视觉特征的8幅图像进行测试分析，如图12(a)所示。其中图12(a)中1,2,3,8为多人安全帽图像;图12(a)中4，5，6，7为单人安全帽图像；图12(a)中1,2,3,6为近距离拍摄，图12(a)中4,5,7,8为远距离拍摄;图12(a)中4,6为顺光拍摄，图12(a)中5,7,8为逆光拍摄;图12(a)中1,8包含安全帽正面角度特征，图12(a)中1,2,3,6,8包含了安全帽在不同方位下的侧面角度特征，图12(a)中2包含了安全帽顶面角度特征，图12(a)中4,5,7展现了安全帽背面角度特征;图12(a)中3包含了安全帽有遮挡图像特征。首先由SLIC将预处理后的测试图像粒化为一定数量的不规则超像素块Sp，如图12(b)所示，根据文中第2节方法提取Sp的颜色和纹理特征训练超参数优化后的SVM，并对人员图像超像素进行正负样本分类。提取SVM分类后的正样本轮廓并对其进行平滑处理，通过文中3.2节方法对错分类样本进行判别并修正其样本标签，保留正样本剔除负样本。利用文中3.3节方法对包含背景像素点的欠分割正样本超像素进行二级像素分类，从中将不属于安全帽正样本像素区域的背景像素分离出去，得到如图12(c)所示的安全帽最终分割结果。

文献[12，24]均为基于SLIC超像素粒化与特征提取分类的目标分割算法，因此将其2者作为本文算法的横向对比算法。本文算法与文献[12]中所述HIGC实现后期目标分割的方法进行对比，与文献[24]中所述超像素类别修正方法进行对比，考虑到文献[24]分割苹果与本文分割安全帽的图像特征差异，为保证算法处理的公平性，本节实验在滤除被错分类为正样本的负样本时将修正判别条件中正样本相邻的正样本数量设置为0;在修正被错分类为负样本的正样本时将修正判别条件中负样本相邻的正样本数量设置为大于1。图12(d)为文献[12]方法的分割结果，图12(e)为文献[24]方法的分割结果。由图12可知，本文算法在处理包含安全帽多种视觉特征的图像上较文献[12]和[24]的分割效果要好，8幅图像中无错分类为正样本的负样本超像素，且对Upsp的分割效果相对较为理想，基本能够将安全帽从人员图像中准确分割出来。

为进一步验证本文安全帽分割方法的有效性，采用精确度Pr(Precision)和召回率Re(Recall)两项分割指标[30]对其性能进行定量分析，Pr和Re越大，说明算法分割性能越好，对应计算公式为

(8)

(9)

式中，TP为检索到的正样本像素点;FP为检索到的负样本像素点;FN为未检索到的正样本像素点。

实验将数据集中剩余的1/3幅人员图像作为测试集样本并展开定量分析，备份测试集图像并利用ImageLabeler对其中的安全帽像素区域做人工标注，作为评估本文安全帽分割算法性能的参考标准。为便于对文中实验结果进行全面分析，针对本节图12(a)中8幅人员图像所对应3.1节、3.2节、3.3节、文献[12，24]的实验结果分别计算其Pr与Re，定量实验分析结果见表3;针对测试集中的所有图像，计算其对应本文算法、文献[12，24]的Pr与Re的均值，结果如图13所示。

表3 算法分割性能对比Table 3 Algorithm segmentation performance comparison

图13 测试集图像指标均值Fig.13 Average value of indicators in the test image set

横向观察表3中3.1～3.3节数据，可以看出，对于上述测试集中的8幅人员图像，3.3节方法的Pr与Re均高于3.1节或3.2节，整体上表中对应于每幅图像的Pr与Re从左到右呈现增长或保持不变的趋势。针对图12(a)中3,4,5,6,7，对应3.2节与3.3节的Pr与Re保持不变是因为这4幅图像经过错分类样本类别修正后的正样本超像素中没有出现Upsp，因此其对应指标值并未发生变化;针对图12(a)中1,2,8对应3.2节与3.3节的Re单独保持不变是因为对于Upsp的处理并未影响到正样本像素的变化。同时，由表中后3列数据可知，本文算法3.3节的Pr与Re整体上高于文献[12，24]，仅在图12(a)中6,8的Pr值上略低于文献[12,24]，但文献[12,24]对应于图12(a)中6,8的分割结果中存在部分安全帽像素被误分类为背景的情况，拉低了Re值，因此分割性能相对较差。纵向观察表中3.3节数据，可以发现8幅人员图像均具有相对较高的Pr与Re，基本能够满足安全帽分割实际要求。

由图13可知，对于测试集中的所有人员图像，其定量计算结果显示:文献[12]的Pr均值为77.42%、Re均值为87.32%，文献[24]的Pr均值为68.67%、Re均值为75.59%，本文算法的Pr均值达到96.94%，Re均值达到95.83%，均优于其他2种算法。由此说明本文算法在使用SVM初始分类超像素样本的基础上，通过对错分类样本类别的修正以及对Upsp的二级像素分类方法达到了提高算法分割性能的目的。同时，本文算法对井下各种场景下具有不同安全帽特点的人员图像都具有较强的适应能力，对不同色调形态的安全帽都能准确分割，使得最终分割出的安全帽像素区域具有较高的Pr与Re，进一步说明本文算法对煤矿井下安全帽分割的鲁棒性较强。

5 结 论

(1)针对煤矿井下特殊光照条件对人员图像的成像影响，提出了基于超像素特征提取与SVM分类的安全帽分割方法。利用预处理后安全帽边缘易与图像背景区分的特点选择SLIC模型粒化人员图像，所生成的安全帽超像素块能够很好地拟合安全帽边界。

(2)通过提取安全帽超像素颜色与纹理特征训练SVM对测试图像超像素进行分类并通过安全帽轮廓模型修正错分类样本，进一步分离欠分割正样本中的安全帽与背景像素点，得出最终的安全帽分割结果。

(3)实验对测试集中100幅井下人员图像进行测试，计算所得Pr均值达到96.94%，Re均值达到95.83%，二者较同类对比算法均表现出一定优势。

(4)对于图像中安全帽特征并不显著的情况，SLIC粒化后可能出现部分安全帽像素与背景像素存在于同一超像素的现象，且所包含的安全帽像素位于其边缘轮廓内部区域，这易导致安全帽的漏分割。因此下一步工作是在预处理过程中研究对微小安全帽目标进行增强和边缘突出等方法来提高其在图像中的特征显著性。