1.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两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。

　　2.超像素分割方法弥补了阈值法、像素点区域生长法、边缘检测法等方法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。

　　3.简单线性迭代聚类(simple lineariterative clustering, SLIC)模型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。

       4.人员图像超像素粒化是由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。

　　5.支持向量机(SVM)作为一种具有良好分类学习性能的分类器，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。

参考文献：《基于超像素特征与SVM 分类的人员安全帽分割方法》