CN101799968B - 基于视频图像智能分析的油井入侵检测方法及装置 - Google Patents

Abstract

本发明公开了一种基于视频图像智能分析的油井入侵检测方法及装置。本发明的方法包括：利用高斯混合模型对油井的视频图像背景进行建模，获得用于运动检测的背景模型；通过将采集的油井视频图像与所述背景模型进行匹配处理，得到与背景模型匹配的油井背景图像，以及与背景模型不匹配的属于运动物体的前景图像；通过对前景图像进行连通区域处理、目标识别处理和视频图像团块动态分析处理，从所述前景图像中获得入侵目标。本发明既考虑了油井视频入侵检测报警系统对灵敏度和准确性的要求，又考虑了油井监控场景中机器运动、机器阴影、光线变化等各种干扰因素的影响，以满足油井视频监控报警系统7×24小时全天候运行的实际要求。

Description

基于视频图像智能分析的油井入侵检测方法及装置

技术领域

本发明涉及油井视频入侵检测报警系统中的图像处理、图像分析、油井视频入侵检测，特别涉及基于视频图像智能分析的油井入侵检测方法及装置。

背景技术

油井视频入侵检测报警是油井安全监控系统自动化智能化的必然发展趋势。现有各种视频监控报警系统主要采用运动检测方法来实现报警功能，无法解决油井监控环境中机器运动、机器阴影、光线变化等因素造成的干扰和误报问题。因此，如何利用先进的图像处理与分析技术，以油井视频监控工程实践中遇到的各种问题为出发点，结合创新的视频入侵检测流程和处理手段，开发出基于视频图像智能分析的油井入侵检测技术对于加强油井入侵监控报警，保证油井设备和国家油气资源的安全，是一项非常现实而急迫的实际应用需求。

发明内容

本发明的目的是针对现有油井视频监控系统实际应用中普遍存在灵敏度较低和误报率偏高等问题，提供一种基于视频图像智能分析的油井入侵检测方法。

本发明的另一目的是提供一种能够实现上述方法的基于视频图像智能分析的油井入侵检测装置。

根据本发明的第一方面，基于视频智能分析的油井入侵检测方法包括以下步骤：

A)利用高斯混合模型对油井的视频图像背景进行建模，获得用于运动检测的背景模型；

B)通过将采集的油井视频图像与所述背景模型进行匹配处理，得到与背景模型匹配的油井背景图像，以及与背景模型不匹配的属于运动物体的前景图像；

C)通过对前景图像进行连通区域标记处理、目标识别处理和视频图像团块动态分析处理，从所述前景图像中获得入侵目标。

其中步骤A)包括：实时检测油井视频图像中每个图像点的亮度值；接着利用所述亮度值形成多个用来描述每个图像点亮度分布的高斯模型，以作为多个用于运动检测的图像点背景模型。

其中步骤B)包括：将油井视频图像的每个图像点的亮度值逐一与所述多个图像点背景模型之每个分别进行匹配处理，并将不匹配的图像点作为前景图像点，从而得到由多个前景图像点构成的前景图像。

其中所述步骤C)的连通区域标记处理步骤包括：采用跑长码方式对前景检测结果进行图像连通区域标记，获得图像中多个连通区域；对连通区域的面积、宽度、高度、高宽比、占空比、轮廓复杂度、灰度均值和方差的各要素进行统计，以得到各要素统计特征。

其中采用以下步骤实现基于跑长码的图像连通区域标记：

对二值图像进行扫描，产生图像中所有目标段的跑长码初始标记，形成标记邻接表；

对邻接表进行分析产生映射表，并根据映射表内容修正所述跑长码初始标记。

其中步骤C)的目标识别处理步骤包括：通过对多个连通区域的各要素统计特征进行分析处理得到去除干扰的M个候选目标区域，其中：当所述连通区域的各要素统计特征大于其下限值和小于其上限值时，确定该连通区域为候选目标区域；当所述连通区域的各要素统计特征不大于其下限值和小于其上限值时，把该连通区域作为干扰予以删除，由此得到M个去除干扰的候选目标区域，其中M为正整数。

其中步骤C)的视频图像团块动态分析处理步骤包括：对所述M个候选区域进行相关处理获得图像团块及其的动态特性；去除动态特性的活跃度小于预定值的图像团块：以及把动态特性的活跃度大于预定值的图像团块作为目标区域或入侵目标。

其中对所述M个候选区域进行相关处理获得图像团块及其动态特性的步骤包括：首先采用循环队列保存前N帧视频图像序列中的连通区域信息，其中N是正整数；接着以当前帧图像中的M个候选区域为基准分别与循环队列中保存的前N帧视频图像序列中的连通区域信息进行高阶相关处理，获得K个视频图像团块以及它们的时间持续性、最大运动距离、最小运动距离、静止(微动)持续帧数等动态特性，其中M和K均为正整数。

其中所述步骤C)还包括采用区域轮廓特征匹配法对所述入侵目标进行PTZ跟踪，将较远距离的入侵目标拉近，获得入侵目标的高分辨率清晰视频图像。

其中所述区域轮廓特征匹配法包括步骤：用经由连通区域标记处理的当前帧的M个候选目标区域的轮廓与作为入侵目标的待匹配区域轮廓进行比较，以得到所述当前帧的M个候选目标区域轮廓相对于待匹配区域轮廓的多个不匹配程度；将对应于不匹配程度最小的候选目标区域选作最佳匹配区域，以作为PTZ跟踪结果。

根据本发明第二方面，基于视频智能分析的油井入侵检测装置包括：

背景建模单元，用于利用高斯混合模型对油井的视频图像背景进行建模，获得用于运动检测的背景模型；

运动检测模块，用于通过将采集的油井视频图像与所述背景模型进行匹配处理，得到与背景模型匹配的油井背景图像，以及与背景模型不匹配的属于运动物体的前景图像；

入侵目标获取单元，用于通过对前景图像进行连通区域标记处理、目标识别处理和视频图像团块动态分析处理，从所述前景图像中获得入侵目标。

其中所述入侵目标获取单元包括：

图像连通区域标记模块，用于采用跑长码方式对前景检测结果进行图像连通区域标记，以获得图像中多个连通区域，并对连通区域的面积、宽度、高度、高宽比、占空比、轮廓复杂度、灰度均值和方差的各要素进行统计，得到各要素统计特征；

目标识别模块，用于对所述多个连通区域的各要素统计特征进行比较，将各要素统计特征大于其下限值和小于其上限值的连通区域识别为候选目标区域；

视频团块动态分析模块，用于对所述候选目标区域进行相关处理获得图像团块及其的动态特性，并根据所述动态特性确定目标区域或入侵目标。

其中所述入侵目标获取单元还包括入侵目标PTZ跟踪模块，用于用于把此后经由连通区域标记处理得到的多个候选目标区域轮廓与作为入侵目标的待匹配区域轮廓进行比较，将不匹配程度最小的候选目标区域作为PTZ跟踪结果。

本发明通过对前景图像目标识别处理和视频图像团块动态分析处理，从而解决了油井监控环境中机器运动、机器阴影、光线变化等因素造成的干扰和误报问题。

附图说明

图1是本发明的本发明的基于视频智能分析的油井入侵检测装置的原理图；

图2是图1中入侵目标获取单元的结构图；

图3显示了一个典型的油井视频监控场景；

图4显示了采用视频图像背景建模与运动检测模块对图3的油井视频监控场景进行处理获得的运动检测结果；

图5显示了采用图像目标识别模块对图4中的运动检测结果进行处理获得的干扰去除后的结果；

图6显示了采用视频图像团块动态分析模块对图像目标识别模块输出的候选目标结果进行处理获得的真实入侵目标；

图7显示了采用上述几个模块对图3所示的油井视频监控场景进行入侵检测的结果；

图8显示了采用入侵目标PTZ跟踪模块对图7中的入侵目标进行拉近后获得的入侵目标高分辨率清晰视频图像；

具体实施方式

图1显示了本发明的基于视频智能分析的油井入侵检测装置，包括：

背景建模单元，用于利用高斯混合模型对油井的视频图像背景进行建模，获得用于运动检测的背景模型；

运动检测模块，用于通过将采集的油井视频图像与背景模型进行匹配处理，得到与背景模型匹配的油井背景图像，以及与背景模型不匹配的属于运动物体的前景图像；

入侵目标获取单元，用于通过对前景图像进行连通区域标记处理、目标识别处理和视频图像团块动态分析处理，从所述前景图像中获得入侵目标。

图2显示了图1中的入侵目标获取单元的结构，包括：

图像连通区域标记模块，用于采用跑长码方式对前景检测结果进行图像连通区域标记，以获得图像中多个连通区域，并对连通区域的面积、宽度、高度、高宽比、占空比、轮廓复杂度、灰度均值和方差的各要素进行统计，得到各要素统计特征；

目标识别模块，用于对所述多个连通区域的各要素统计特征进行比较，将各要素统计特征大于其下限值和小于其上限值的连通区域识别为候选目标区域；

视频团块动态分析模块，用于对所述候选目标区域进行相关处理获得图像团块及其的动态特性，并根据所述动态特性确定目标区域，从而获得真正的入侵目标。

为了对入侵目标进行跟踪，入侵目标获取单元还包括入侵目标PTZ跟踪模块，用于把此后经由连通区域标记处理得到的多个候选目标区域轮廓与作为入侵目标的待匹配区域轮廓进行比较，将不匹配程度最小的候选目标区域作为PTZ跟踪结果。

本发明的基于视频智能分析的油井入侵检测方法包括以下步骤：

根据本发明的第一方面，基于视频智能分析的油井入侵检测方法包括以下步骤：

A)利用高斯混合模型对油井的视频图像背景进行建模，获得用于运动检测的背景模型；

B)通过将采集的油井视频图像与所述背景模型进行匹配处理，得到与背景模型匹配的油井背景图像，以及与背景模型不匹配的属于运动物体的前景图像；

C)通过对前景图像进行连通区域标记处理、目标识别处理和视频图像团块动态分析处理，从所述前景图像中获得入侵目标。

其中步骤A)包括：实时检测油井视频图像中每个图像点的亮度值；接着利用所述亮度值形成多个用来描述每个图像点亮度分布的高斯模型，以作为多个用于运动检测的图像点背景模型。

其中步骤B)包括：将油井视频图像的每个图像点的亮度值逐一与所述多个图像点背景模型之每个分别进行匹配处理，并将不匹配的图像点作为前景图像点，从而得到由多个前景图像点构成的前景图像。

其中所述步骤C)的连通区域标记处理步骤包括：采用跑长码方式对前景检测结果进行图像连通区域标记，获得图像中多个连通区域；对连通区域的面积、宽度、高度、高宽比、占空比、轮廓复杂度、灰度均值和方差的各要素进行统计，以得到各要素统计特征。

其中采用以下步骤实现基于跑长码的图像连通区域标记：

对二值图像进行扫描，产生图像中所有目标段的跑长码初始标记，形成标记邻接表；

对邻接表进行分析产生映射表，并根据映射表内容修正所述跑长码初始标记。

其中步骤C)的目标识别处理步骤包括：通过对多个连通区域的各要素统计特征进行分析处理得到去除干扰的M个候选目标区域，其中：当所述连通区域的各要素统计特征大于其下限值和小于其上限值时，确定该连通区域为候选目标区域；当所述连通区域的各要素统计特征不大于其下限值和小于其上限值时，把该连通区域作为干扰予以删除，由此得到M个去除干扰的候选目标区域，其中M为正整数。

其中步骤C)的视频图像团块动态分析处理步骤包括：对所述M个候选区域进行相关处理获得图像团块及其的动态特性；去除动态特性的活跃度小于预定值的图像团块：以及把动态特性的活跃度大于预定值的图像团块作为目标区域或入侵目标。

其中对所述M个候选区域进行相关处理获得图像团块及其动态特性的步骤包括：首先采用循环队列保存前N帧视频图像序列中的连通区域信息，其中N是正整数；接着以当前帧图像中的M个候选区域为基准分别与循环队列中保存的前N帧视频图像序列中的连通区域信息进行高阶相关处理，获得K个视频图像团块以及它们的时间持续性、最大运动距离、最小运动距离、静止(微动)持续帧数等动态特性，其中M和K均为正整数。

其中所述步骤C)还包括采用区域轮廓特征匹配法对所述入侵目标进行PTZ跟踪，将较远距离的入侵目标拉近，获得入侵目标的高分辨率清晰视频图像。

其中所述区域轮廓特征匹配法包括步骤：用经由连通区域标记处理的当前帧的M个候选目标区域的轮廓与作为入侵目标的待匹配区域轮廓进行比较，以得到所述当前帧的M个候选目标区域轮廓相对于待匹配区域轮廓的多个不匹配程度；将对应于不匹配程度最小的候选目标区域选作最佳匹配区域，以作为PTZ跟踪结果。

下面结合附图对本发明进行详细说明：

(1)视频图像背景建模与运动检测处理

本发明的背景建模单元采用高斯混合模型对视频图像背景进行建模，并根据初步的前景检测结果进行智能更新，然后采用运动检测单元后续视频图像进行前景检测，实现对视频图像中运动物体的高效检测。具体实现过程如下：

针对图像的YUV颜色空间中的亮度值Y分量进行检测，对每个像素采用多个高斯模型的混合表示。设用来描述背景图像中每个像素的亮度分布的高斯成份共有K个，分别标记为：

η_k(Y，μ_k，∑_k，n)，k＝1，2，...，K；n＝1，2，...，N    (1)

式中n为像素序号；N表示图像像素总数。图像中每个像素的K个高斯分布互相独立，且具有不同的权值和优先级，各个高斯分布模型按优先级从高到低的次序排列，具有适当的背景像素模型权值和阈值。在检测前景点时，按照优先级次序将当前像素的亮度值Y与该像素所处位置的各个高斯分布背景像素模型逐一匹配，若匹配，则判定该点为背景景点，否则为前景点；若该像素所处位置的某个高斯分布模型与该像素的亮度值Y匹配，则对该高斯分布模型的权值和高斯参数按设定的更新率进行更新，具体方式如下：

w_t＝w_t-1*α+β                    (2)

μ_t＝μ_t-1*α+(1-α)*Y            (3)

∑_t＝∑_t-1*α+(1-α)*(Y-μ_t-1)²   (4)

其中w_t-1、μ_t-1和∑_t-1分别为更新前的高斯分布模型的权值、均值和方差；w_t、μ_t和∑_t分别为更新后的高斯分布模型的权值、均值和方差；α为设置的更新率，有0＜α＜1；β为基准权值，且0＜β＜1。

若该像素所处位置的某个高斯分布模型与该像素的亮度值Y不匹配，则只对权值更新如下：

w_t＝w_t-1*α                               (5)

上式相当于降低了该高斯分布背景模型的权值。

(2)图像连通区域处理

图像连通区域标记模块采用跑长码对视频图像运动前景的检测结果进行图像连通区域标记，获得图像连通区域。基于跑长码的图像连通区域标记算法分为两个相对独立的步骤，第一步对二值图像进行扫描，产生图像中所有目标段的跑长码及初始标记，并得到标记邻接表；第二步对邻接表进行分析产生映射表，并根据映射表内容修正第一步得到的跑长码标记。具体实现过程如下：

第一步，产生跑长码表和邻接表，具体实现步骤如下：

a.若在第i行中发现一段值为1的连续象素段，则转下一步检查与上一行目标段的邻接情况，否则扫描下一行，直到整个图像扫描完毕为止；

b.若上一行没有目标段与该段重叠，则将一个新标记赋予该段，并将该标记记入邻接表同一列的上下两行，转a步；

c.若上一行有一个目标段与该段重叠，则将上一行目标段的标记赋予该段，转a步；

d.若上一行有两个以上目标段与该段重叠，则将上一行第一段的标记赋予该段，并将该标记与上行所以其它重叠段的标记逐个配对，分别记入邻接表同一列的上下两行，转a步。

上述步骤a-d是该标记算法对图像进行的唯一一次扫描，产生跑长码表和邻接表的过程也是简单明了的。上面分别给出了一个二值图例(其中二值图例中的0表示背景区域，1表示目标区域)和经过上述几个步骤后产生的跑长码表和邻接表(其中邻接表第1，2，4列是步骤b分别扫描1，2，6行时产生的，第3列是步骤d扫描第3行时产生的)。例如，当在某一行中发现一段目标时，则检查上一行的所有目标段。若上一行没有目标与该段重叠，说明发现了一个新的目标段(如上面二值图例中的第1行第1段、第2行第2段和第6行第1段)，所以将一个新标记赋予该目标段；若上一行有一个目标段与该段重叠(如二值图例中的第2行第1段)，则只需将上一行目标段的标记赋予该目标段；若上一行有两个以上目标段与该段重叠时(如二值图例中的第3行第1段)，除了必须将上一行重叠的第一段的标记赋予该目标段外，还需要将上一行其它重叠目标段的标记邻接情况记入邻接表，表示它们为等价标记，属于同一个目标。

具体实现过程如下：根据步骤a扫描二值图的第1行，则得到第1行的初始跑长码为(2，4，1)，其中第1个值2表示第1行目标段的起始位置(第2列)，第2个值4表示该目标段的结束位置，第3个值表示该目标段的标记(即表示该目标段为二值图中的第1个目标段)，因为该目标段处于二值图的第1行(前面不存在目标段)，所以根据步骤b，这里将该目标段的标记值1记邻接表的第1列的上下两行；然后扫描二值图第2行，先获得第2行的第1个目标段的跑长码为(2，3，1)，这里值2和值3也是分别表示该目标段的起始和结束位置，因为该行为二值图的第2行，则需要检查该目标段与上一行(第1行)中各个目标段的邻接情况，从二值图可以看到，该目标段与第1行的目标段(2，4，1)邻接，所以根据步骤c这里将目标段(2，4，1)的标记值1赋予该目标段；再接着扫描第2行，获得该行第2个目标段的跑长码为(6，7，2)，从二值图可以看到该目标段没有与上一行的任何目标段邻接，所以根据步骤b，给该目标段赋予一个新的标记值2，并将标记记入邻接表的第2列的上下行；接下来，扫描第3行，获得一个目标段的起始和结束位置为2和7，并且该目标段与上一行(第2行)的第1个目标段(2，3，1)和第2个目标段(6，7，2)都邻接，所以根据步骤d，给该目标段赋予上一行第1个邻接目标段的标记值1，所以得到该目标段的跑长码为(2，7，1)，然后将该目标段的标记值1与第2个邻接目标段(6，7，2)的标记值2配对成(1，2)记入邻接表的第3列(表示标记为1和2的目标段邻接)；二值图的第4行扫描后获得两个目标段(2，3，1)和(6，7，1)，该行的两个目标段都是只与第3行的目标段(2，7，1)邻接，所以根据第c步直接将目标段(2，7，1)的标记值1赋给这两个目标段；第5行全0，说明不存在目标段；第6行扫描发现一个目标段，它的起始和结束位置分别为4和6，而且该目标段的前一行(第5行)不存在目标段，则根据步骤b，给该目标段赋予一个新的标记值3，从而得到该目标段的跑长码为(4，6，3)，并将该标记值记入邻接表的第4列的上下行；最后扫描第7行，发现一个目标段，起始和结束位置分别为4和5，并且该目标段只与上一行的目标段(4，6，3)邻接，所以直接将目标段(4，6，3)的标记值3赋予给该目标段，得到该目标段的跑长码为(4，5，3)，结束扫描。

该算法第一步中产生的邻接表记录着哪些标记为等价标记(属于同一目标)。接下来的第二步就是通过分析邻接表，对标记进行分类，并将分类结果记入映射表，最终得到的映射表长度就等于标记数(目标数)。映射表给出了一个标记最终应映射成哪个标记，因此根据映射表就可以将第一步产生的初始跑长码表进行修改，得到各个目标段的最终标记，从而完成目标标记过程，具体步骤如下所述。

第二步，产生映射表并修正标记，具体实现步骤如下：

a.令目标数ObjNum＝0；

b.按顺序在邻接表第一行中寻找一个非零的值(该列上下两行一定相同)，找到则说明发现了一个新的目标，需要转c步检查该目标的所有等价标记，否则结束；

c.发现新目标，ObjNum+＝1，将找到的标记压入堆栈，并将邻接表中该标记所在的那一列清零；

d).若堆栈空，则转b步寻找下一个目标；否则将栈顶的值送至当前标记变量CurLab，并令映射表的第CurLab项map(CurLab)＝ObjNum；

e).按顺序扫描邻接表，若在某列的上下两行中有一个标记等于当前标记变量的值CurLab，则将该列另一行的标记压入堆栈，并将该列清零，扫描完毕后转d步；

例如，对第一步获得的邻接表实例，令ObjNum＝0，然后在邻接表中找到第1列的为非0(上下两行的值都为1)，根据步骤c，ObjNum+＝1，这时ObjNum的值变为1，接着将邻接表第1列的标记值压入堆栈，并将该列的值清零，执行步骤d，将堆栈顶部的值(这时为1)送至当前标记变量CurLab，即CurLab＝1，根据map(CurLab)＝ObjNum，则映射表的第1项的值为map(1)＝1，得到映射表的第1个值为1(此时的邻接表如下面邻接表1所示)；然后根据步骤e，按顺序扫描邻接表，发现邻接表的第3列的上面一行的值等于当前标记变量CurLab(值为1)，所以将该列的下面一行的标记值2压入堆栈，并将该列清零，由于只有该列的标记值等于CurLab所以转至d步，发现堆栈非空，所以将堆栈中的标记值2送值当前标记变量CurLab，CurLab＝2，并根据规则map(CurLab)＝ObjNum，获得映射表的第2项的值为1，即map(2)＝1(此时的邻接表如下面邻接表2所示)；接着再执行步骤e，发现邻接表的第2列的上下两行的值都等于当前标记变量CurLab(值为2)，则将该列的标记值2压入堆栈，并将该列清零，转至d步(此时邻接表如下面邻接表3所示)；根据步骤d，此时堆栈非空，则将堆栈的值弹出送至变量CurLab，并令map(CurLab)＝ObjNum，即map(2)＝1(此时映射表的第2项并不改变)；接下来，顺序执行步骤e，在邻接表中并没有发现等于CurLab的标记值，则转至d步，发现堆栈为空，转至步骤b寻找下一个目标；执行b步，发现邻接表的第4列非零，根据步骤c，令ObjNum+＝1，此时ObjNum＝2，将该列的标记值压入堆栈，并将该列清零(此时邻接表为全零)，顺序执行步骤d，发现堆栈非空，则将堆栈值送至变量CurLab，即CurLab＝3，然后令map(CurLab)＝ObjNum，即map(3)＝2，获得映射表的第3项的值为2，完成邻接表的扫描(此时邻接表变成全零，根据步骤b结束邻接表扫描)，从而获得最终的映射表。

在得到映射表后，只要按顺序扫描每一个目标段，然后根据映射表map将原标记Lab修正为Lab＝map(Lab)，即可完成目标的最终标记。例如，对于初始跑长码表的第1行的目标段(2，4，1)，它的标记值为1，则根据映射表获得该目标段修正后的标记值Lab＝map(Lab)，即最终标记为映射表的第1项map(1)，标记值为1；然后修改第2行的两个目标段的标记值，对于目标段(2，3，1)，它的最终标记值为map(1)，值为1，而对于初始跑长码表第2行的第2个目标段(6，7，2)，它的初始标记为2，则根据映射表它修正后的标记值应该为map(2)，即映射表的第2项的值，为1，因此将该目标段的标记修改为1；再例如，对于初始跑长码表中的第6行的目标段(4，6，3)和第7行的目标段(4，5，2)，它们的初始标记为3，根据映射表，将这两个目标段的标记值修正为map(3)，即2；其它目标段的标记修正后如下面修正后的跑长码表所示。

上面分别给出了根据第一步获得的邻接表产生的映射表和根据映射表修正后的跑长码表。从修正后的跑长码表，可以看出，每一个目标段的标记都是正确的，而且标记号是从1开始按顺序连续往上加的，并保证了标记数等于真正的目标数。

(3)图像目标识别处理

图像目标识别模块根据图像连通区域标记模块获得的各个运动区域的统计特征建立规则对它们进行初步判断，去除大部分非目标干扰(如机器的运动部分、运动的机器阴影等)，具体实现过程如下：

首先获得运动区域的各种统计特征，包括长度、宽度、面积、长宽比、象素数、占空比、灰度均值和方差等(此处运动区域的各种统计特征(如图像长度、灰度均值、方差等)的相关定义与普通图像处理算法相同，故不在赘述)。其中运动区域的长度W和宽度H分别定义为区域外接矩形的长度和宽度；面积S＝W×H；长宽比R1＝W/H；象素数设为N，则占空比R2＝N/S；区域的灰度均值M和方差V分别定义为区域内全部目标象素的灰度均值和方差。

然后根据目标的各种特征量进行统计，获得图像目标识别的规则，即如果W_L＜W＜W_H，H_L＜H＜H_H，S_L＜S＜S_H，R1_L＜R₁＜R1_H，R2_L＜R2＜R2_H，M_L＜M＜M_H，V_L＜V＜V_H则该区域被判断为多个候选目标区域，否则作为非目标干扰予以去除，这样就可以得到去除干扰的M个连通区域(简称M个候选目标区域)。其中W_L，W_H，H_L，H_H，S_L，S_H，R1_L，R1_H，R2_L，R2_H，M_L，M_H，V_L，V_H分别为目标区域样本集各种特征量的统计范围上下限。

(4)视频图像团块动态特性分析模块

该模块通过对多帧视频图像中的去除干扰的连通区域进行相关处理，获得图像团块的动态特性。具体实现过程如下：

首先采用循环队列保存前N帧视频图像序列中的连通区域信息(包括区域的大小、中心位置、形状等)；然后以当前帧图像中去除干扰的M个连通区域为基准与循环队列中保存的前N帧区域信息进行相关处理，也就是将当前帧的M个连通区域与前N帧获得的区域信息通过高阶相关处理，即可获得这N+1帧中具有关联性的K个目标区域或入侵目标，即视频图像团块(blob)，然后通过对它们的动态特性(例如时间持续性、最大运动距离、最小运动距离、静止(微动)持续帧数)进行分析得到入侵目标，即把动态特征的活跃(变化)度大于预定值的图像团块确定为入侵目标，例如把时间持续性、最大运动距离、最小运动距离、静止(微动)持续帧数超出预定值的图像团块确定为目标区域或入侵目标。

(5)入侵目标PTZ跟踪处理

入侵目标PTZ跟踪模块采用区域轮廓特征匹配方法对图像目标识别模块和视频图像团块动态分析模块输出的目标区域进行PTZ跟踪。具体实现过程如下：

首先采用图像处理技术中的轮廓提取算法对待匹配(跟踪)区域进行处理，获得区域的轮廓为Contour₀＝{(x_n，y_n)，n＝1，2，...，N}，其中x_n和y_n分别为待匹配区域的第n个轮廓点的水平坐标和垂直坐标，N为轮廓点数目；当前帧视频图像经过视频图像背景建模与运动检测模块和图像连通图像标记模块处理后得到M个候选目标区域，其轮廓为Contour_m＝{(x_m，n，y_m，n)，n＝1，2，...，N_m，m＝1，2，...，M，其中x_m，n和y_m，n分别为第M个候选目标区域的第n个轮廓点的水平坐标和垂直坐标；则待匹配轮廓Contour₀与当前帧M个候选区域轮廓Contour_m，m＝1，2，...，M之间的Hausdorff距离可表示为：

H(Contour₀，Contour_m)＝max(h(Contour₀，Contour_m)，h(Contour_m，Contour₀)) (6)

$h({\mathrm{Contour}}_0,{\mathrm{Contour}}_m)=\underset{(x_n,y_n)\∈{\mathrm{Contour}}_0}{\max }\left(\underset{(x_{m,n},y_{m,n})\∈{\mathrm{Contour}}_m}{\min }\left(\sqrt{{(x_n-x_{m,n})}^2+{(y_n-y_{m,n})}^2}\right)\right)---\left(7\right)$

$h({\mathrm{Contour}}_m,{\mathrm{Contour}}_0)=\underset{(x_{m,n},y_{m,n})\∈{\mathrm{Contour}}_m}{\max }\left(\underset{(x_0,y_0)\∈{\mathrm{Contour}}_0}{\min }\left(\sqrt{{(x_n-x_{m,n})}^2+{(y_n-y_{m,n})}^2}\right)\right)---\left(8\right)$

其中h(A，B)称为点集A到点集B的有向Hausdorff距离；H(A，B)反映了点集A和点集B之间的不匹配程度，也就是说Hausdorff距离越大，两个点集(轮廓)相差越远。因此，可在当前帧M个候选区域中选择轮廓点集与待匹配区域的轮廓的Hausdorff距离最小的区域为最佳匹配区域作为PTZ跟踪结果。

下面针对一个具体实施例，对本发明的基于视频图像智能分析的油井入侵检测技术进行详细说明。

例1，首先利用视频图像背景建模单元和运动检测单元对图3所示的油井视频监控图像进行处理，获得运动物体检测结果如图4所示；接着利用图像识别模块对图4中检测到的各个运动图像区域进行干扰去除，获得的识别结果如图5所示；然后利用视频图像团块动态特性分析模块对图5中保留的各个图像团块的动态特性进行分析，获得真正的入侵目标(人体)，结果如图6所示和图7所示；最后利用入侵目标PTZ跟踪模块对图7中获得的入侵目标图像区域进行PTZ跟踪，将较远距离的目标拉近，获得入侵目标的高分辨率清晰视频图像，结果如图8所示。

从以上油井视频入侵检测结果可以看到本发明所开发的基于视频图像智能分析的油井视频入侵检测技术即从工程上保证了干扰去除的高效性，又在技术上实现了对油井视频监控条件下入侵目标的高灵敏度检测与高精确性的识别确认，为油井环境的7×24小时自动监控报警提供了一条先进实用的技术途径。

本发明所开发的基于视频图像智能分析的油井入侵检测技术在采用先进的图像处理与分析技术的基础上，充分结合实际工程应用经验，即考虑了油井入侵检测报警对灵敏度和准确性的要求，又考虑了油井视频监控报警系统中的各种干扰因素，比现存的其它系统和相关技术具有更高的智能水平和更强的工程适应性。

尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims (7)

1.一种基于视频智能分析的油井入侵检测方法，包括以下步骤：

A)利用高斯混合模型对油井的视频图像背景进行建模，获得用于运动检测的背景模型；

B)通过将采集的油井视频图像与所述背景模型进行匹配处理，得到与背景模型匹配的油井背景图像，以及与背景模型不匹配的属于运动物体的前景图像；

C)通过对前景图像进行连通区域标记处理、目标识别处理和视频图像团块动态分析处理，从所述前景图像中获得入侵目标；

其中所述步骤C)的连通区域标记处理包括：

采用跑长码方式对前景检测结果进行图像连通区域标记，获得图像中多个连通区域；

对连通区域的面积、宽度、高度、高宽比、占空比、轮廓复杂度、灰度均值和方差的各要素进行统计，以得到各要素统计特征；

其中，所述步骤C)的目标识别处理包括：通过对多个连通区域的各要素统计特征进行分析处理得到去除干扰的M个候选目标区域，其中：

当所述连通区域的各要素统计特征大于其下限值和小于其上限值时，确定该连通区域为候选目标区域；

当所述连通区域的各要素统计特征不大于其下限值和小于其上限值时，把该连通区域作为干扰予以删除，由此得到M个去除干扰的候选目标区域，其中M为正整数。

2.根据权利要求1所述的方法，其中步骤A)包括：

实时检测油井视频图像中每个图像点的亮度值；

接着利用所述亮度值形成多个用来描述每个图像点亮度分布的高斯模型，以作为多个用于运动检测的图像点背景模型。

3.根据权利要求2所述的方法，其中步骤B)包括：将油井视频图像的每个图像点的亮度值逐一与所述多个图像点背景模型之每个分别进行匹配处理，并将不匹配的图像点作为前景图像点，从而得到由多个前景图像点构成的前景图像。

4.根据权利要求1所述的方法，其中所述步骤C)的视频图像团块动态分析处理步骤包括：

对所述M个候选区域进行相关处理获得图像团块及其的动态特性；

去除动态特性的活跃度小于预定值的图像团块：以及

把动态特性的活跃度大于预定值的图像团块作为目标区域或入侵目标。

5.根据权利要求4所述的方法，其中所述步骤C)还包括采用区域轮廓特征匹配法对所述入侵目标进行PTZ跟踪，将较远距离的入侵目标拉近，获得入侵目标的高分辨率清晰视频图像。

6.一种基于视频智能分析的油井入侵检测装置，包括：

背景建模单元，用于利用高斯混合模型对油井的视频图像背景进行建模，获得用于运动检测的背景模型；

运动检测模块，用于通过将采集的油井视频图像与所述背景模型进行匹配处理，得到与背景模型匹配的油井背景图像，以及与背景模型不匹配的属于运动物体的前景图像；

入侵目标获取单元，用于通过对前景图像进行连通区域处理、目标识别处理和视频图像团块动态分析处理，从所述前景图像中获得入侵目标；

其中，所述入侵目标获取单元包括：

图像连通区域标记模块，用于采用跑长码方式对前景检测结果进行图像连通区域标记，以获得图像中多个连通区域，并对连通区域的面积、宽度、高度、高宽比、占空比、轮廓复杂度、灰度均值和方差的各要素进行统计，得到各要素统计特征；

目标识别模块，用于对所述多个连通区域的各要素统计特征进行比较，将各要素统计特征大于其下限值和小于其上限值的连通区域识别为候选目标区域；

视频团块动态分析模块，用于对所述候选目标区域进行相关处理获得图像团块及其的动态特性，并根据所述动态特性确定目标区域或入侵目标。

7.根据权利要求6所述的基于视频智能分析的油井入侵检测装置，其中所述入侵目标获取单元还包括入侵目标PTZ跟踪模块，用于把所述候选目标区域轮廓与待匹配区域轮廓进行比较，将不匹配程度最小的候选目标区域作为PTZ跟踪结果。

Images