CN101832470B - 基于光视觉的水下管线巡检方法及巡检装置 - Google Patents

Abstract

本发明提供一种基于光视觉的水下管线巡检方法，首先采集视频信号以获得水下视频数字图像；然后图像预处理，采用中值滤波算法去除噪声，改善图像质量；再边缘检测，得到若干图像中的线条；再直线检测，甄别可能为水下管线边缘的线条；接着从所有直线中寻找管线两侧边线组成的线对；最后三维环境建模及计算。本发明同时提供了实现上述方法的巡检装置。本发明根据水下摄像机获得的视频信息，自动识别水下管线并计算管线位置与方位，可以自主引导无缆自治水下机器人跟踪管线进行长距离的巡检，取代人工遥控驾驶。

Description

基于光视觉的水下管线巡检方法及巡检装置

技术领域

本发明涉及海洋工程及海洋石油开发领域，具体涉及用于海底水油气管道及水下光电缆的巡检方法及巡检装置。

背景技术

水下管线常被建造来满足能源与通讯传输的需求，包括供水管、油气输运管道以及光电缆等多种管线形式。水下管线，特别是海底管线在设计的使用期限内，一般按最高标准设计和建造。但在这期间，由于受到设计、制造工艺、施工和服役环境的影响，不可避免地存在损伤和损坏。尤其是在强烈的水动力因素、不稳定的海底条件以及外界人为因素作用下，一旦发生管道破损油气泄漏、光电缆断裂通讯中断等事故，后果将十分严重。

按照现行的国内外海底管道系统规范要求和国际惯例，要对海底管道作定期检查(年度检查)和特别检查，以保证管道安全运行和延长使用期限。由于频繁发生的海底管线损坏事件，海底管线网络的监测检修已经成为目前国际上受到广泛重视的一个研究和产业领域。

潜水员的极限水下工作深度不超过100米。因此深度处于100米以上的管线就不能依靠传统的潜水员直接下水进行观察作业，必须依赖采用水密耐压结构的潜水器进行检测与维护，目前主要是由携带必要探测设备的ROV(即有缆遥控水下机器人)来代替人工完成管道检测任务。ROV需要由训练有素的操作人员在水面支持母船上遥控，然而当管线传输距离增加、照明度降低或者水流环境复杂时，遥控ROV检测管线的任务就会变得冗长而且容易引起人为失误。例如，对于100公里的海底石油管道巡检任务而言，ROV的正常速度为2节，就需要操作员连续进行27.5小时的监视与遥控。另一方面，ROV脐带缆会严重影响其活动范围，因此无法有效实现大范围长距离的水下管线检测。

发明的内容

为了克服上述现有技术的不足之处，申请人经过研究改进，提供一种基于光视觉的水下管线巡检方法及巡检装置，可自动识别水下管线并计算管线位置与方位，进行长距离的巡检，取代人工遥控驾驶。

本发明的技术方案如下：

一种基于光视觉的水下管线巡检方法，包括以下步骤：

(1)采集视频信号以获得水下视频数字图像；

(2)图像预处理，采用中值滤波算法去除噪声，改善图像质量；

(3)边缘检测，得到若干图像中的线条；

(4)直线检测，甄别可能为水下管线边缘的线条；

(5)从所有直线中寻找管线两侧边线组成的线对；

(6)三维环境建模及计算。

所述步骤(3)采用的方法是先用窗口运算的边缘检测算子进行局部边缘变化，再采用梯度极值原则进行边缘细化。所述窗口运算的边缘检测算子为Sobel算子。

所述步骤(4)采用粒子群优化算法，具体步骤如下：

A.随机初始化整个粒子群体；

B.运行全局搜索直至收敛到一个局部最优点，并保存这个点的位置；

C.重复步骤A和B，直至满足直线拟合误差超过一定阈值的停止准则。与生物视觉直线检测类似，直线检测阈值随着线段长度增加逐渐有所放宽。

所述步骤(5)采用基于证据和置信度的线对聚类方法，对所有直线进行线对遍历，假定当前的两条直线就是管线的两侧边线，根据有利证据、不利证据和驳斥证据来确定线对之间匹配的置信度。

所述有利证据、不利证据和驳斥证据分别是：有利证据：两条直线长度接近；两条直线的两端距离即两端管线直径接近；不利证据与有利证据相反；驳斥证据：管线长度过小；两条直线夹角超过30度；管线直径过小或者过大；两条直线存在交叉。

所述确定线对之间匹配的置信度的具体方法是：以当前管线观测值pipenum确定水下管线是否存在，即pipe_exist＝0，1；pipe_exist的每个可能值可以看作一种假设，在这两种假设中作出选择，属于二元假设检验：H0-pipe_exist＝0，称为零假设；H1-pipe_exist＝1，称为备选假设；当pipenum＝1时倾向于认为pipe_exist＝1，而当pipenum＝0时倾向于认为pipe_exist＝0；二元假设检验可能产生两种类型的错误：当H0为真时判H1成立，成为第一类错误，出现这种错误的概率称为管线检测的虚警率；当H1为真时判H0成立，成为第二类错误，出现这种错误的概率称为管线检测的漏警率，本发明虚警率＜10％，漏警率＜25％；以当前的10次管线检测值作为样本数据进行累加平均作为管线检测的二元统计量；当二元统计量小于虚警率时认为管线不存在，如果管道观测值pipenum＝1将其当成野值；当二元统计量大于漏警率时认为管线存在，报告管道观测值pipenum＝1时的管线计算位置，管道观测值pipenum＝0时不报告管线位置。

所述步骤(6)的具体方法是：将摄像机简化成针孔模型，将水下管线简化为直径d的长圆柱体；以管线近端面圆心为原点O，建立参考坐标系(X，Y，Z)，Z轴指向管线中心轴向前，X轴水平向右，Y轴垂直向上；摄像机在参考坐标系下的位置为(Cx，Cy，Cz)，摄像机方向由单位向量(a，v，h)表征，摄像机成像面水平方向和垂直方向分别平行于h和v，a为摄像机光轴方向；

参考坐标系下某点的坐标(Px，Py，Pz)与该点在成像面形成的像点的二维坐标(i,j)的转换关系遵从仿射变换，如式(1-1)和式(1-2)所示；

$\left[\begin{array}{c}{i}^{\′}\\ j^{\′}\\ w\end{array}\right]=\left[\begin{array}{cccc}{T}_0& T_1& T_2& T_3\\ T_4& T_5& T_6& T_7\\ T_8& T_9& T_{10}& T_{11}\end{array}\right]\left[\begin{array}{c}{P}_x\\ P_y\\ P_z\\ 1\end{array}\right]---(1-1)$

$i=\frac{i^{\′}}{w}=\frac{T_0{P}_x+T_1{P}_y+T_2{P}_z+T_3}{T_8{P}_x+T_9{P}_y+T_{10}{P}_z+T_{11}}$

$j=\frac{j^{\′}}{w}=\frac{T_4{P}_x+T_5{P}_y+T_6{P}_z+T_7}{T_8{P}_x+T_9{P}_y+T_{10}{P}_z+T_{11}}---(1-2)$

式(1-1)中，由T0～T11组成的矩阵称为摄像机标定转换矩阵，具体含义如式(1-3)所示；

T₀＝(fK_x)h_x+i₀a_x    T₆＝(fK_y)v_z+j₀a_z

T₁＝(fK_x)h_y+i₀a_y    T₇＝-(fK_y)Cv+j₀Ca

T₂＝(fK_x)h_z+i₀a_z    T₈＝a_x

T₃＝-(fK_x)Ch+i₀Ca   T₉＝a_y

T₄＝(fk_y)v_x+j₀a_x    T₁₀＝a_z

T₅＝(fK_y)v_y+j₀a_y，  T₁₁＝-Ca                          (1-3)

式(1-3)中，(i₀,j₀)为图像中心坐标，f为摄像机焦距，Kx和Ky代表水平和垂直方向的单位长度所表示的象素数；

根据上述三维环境模型以及此时AUV的高度、纵倾角、横倾角计算管线起始点、拐点以及终点的离摄像机X、Y、Z坐标，管线的角度，管线的直径等参数。

本发明还提供一种用于实现权利要求1所述基于光视觉的水下管线巡检方法的巡检装置，包括水下光视觉处理计算机，以及与所述水下光视觉处理计算机连接的水下照明灯、图像采集卡和水下摄像机，所述图像采集卡与水下摄像机连接。

本发明的有益技术效果是：

本发明根据水下摄像机获得的视频信息，自动识别水下管线并计算管线位置与方位，可以自主引导AUV(即无缆自治水下机器人)跟踪管线进行长距离的巡检，取代人工遥控驾驶。同时也可以作为ROV的水下管线巡检辅助工具，将人从冗长的管线巡检任务中解放出来，从事优先级更高的需要人工干预的任务中去。可实时准确报告管线的位置、走向，在AUV运动过程中实时存储视频录像，供相关人员事后分析管线的悬空及埋深状况；同时建立数据库，实现对管线的数字化管理。

附图说明

图1是本发明巡检装置的结构示意图。

图2是管线典型特征图像。

图3是三维环境建模图。

图4是试验一的管线跟踪轨迹。

图5是试验二的管线跟踪轨迹。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。

如图1所示，本发明基于光视觉的水下管线巡检装置，包括水下光视觉处理计算机1，以及与水下光视觉处理计算机1连接的水下照明灯2、图像采集卡3和水下摄像机4，图像采集卡3与水下摄像机4连接。

本发明基于光视觉的水下管线巡检方法包括如下步骤：

(1)采集视频信号以获得水下视频数字图像。

水下照明灯2对水下目标5进行照明，水下摄像机4对水下目标5进行拍摄，并将视频信号传输至图像采集卡3，图像采集卡3接收视频信号并进行数字化处理，最后数字图像进入到水下光视觉处理计算机1的内存中。

(2)图像预处理，采用中值滤波算法去除噪声，改善图像质量。

水下光视觉处理计算机1在获得水下视频数字图像后，针对水下图像颗粒噪声较为严重的情况，首先采用中值滤波算法去除噪声，改善图像质量。中值滤波是一种空间域非线性滤波技术，采用一个含有奇数个点的滑动窗口，用窗口中各点灰度值的中值来代替窗口中心点像素的灰度值。对于一个一维序列f₁，f₂，...f_n，取窗口长度m。对此序列进行中值滤波，就是从输入序列中顺序取出m个元素，将这m个元素按照数值大小排列，位于正中间的那个数值作为滤波输出。由于图像中的噪声大都以孤立点的形式存在，即噪声点的灰度值与周围不同，因此中值滤波的主要功能就是使拥有不同灰度的点看起来更接近于它的邻近值，从而可以消除孤立的噪声点。

(3)边缘检测，得到若干图像中的线条。

图像预处理后，下一步是检测管线目标的边缘。目标的几何或物理性质的突变，例如表面光反射与方向的不连续性等总是以图像中灰度突变的形式出现的，这些灰度突变构成了图像中的边缘。一般来说物体的边缘具有复杂的形状，难以根据图像中的灰度变化直接找出，因此需要分解成一系列的局部边缘。局部边缘变化可用窗口运算的边缘检测算子来检测，包括Roberts算子、Sobel算子、Prewitte算子、Laplace算子以及Canny算子等。与其它梯度算子相比，Sobel算子在水下图像处理中的边缘检测效果更佳。因此，这里采用Sobel算子来检测图像边缘。以3×3邻域为例，Sobel算子的卷积模板如下：

$G_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right],$ $G_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]---\left(1\right)$

从模板可以看出，Gx沿水平方向，Gy沿垂直方向。四个角为1，中心线两侧为2，表示Soble算子在靠近中心位置分配较高的权重，本身就具有一定滤波效果。Sobel算子的缺点是提取的边缘轮廓较粗，因此进一步采用梯度极值原则进行边缘细化。

(4)直线检测，甄别可能为水下管线边缘的线条。

通过边缘检测可以得到若干图像中的线条，其中既有可能是背景其它物体轮廓和管线边缘，也有可能是目标表面光线反差边界或者目标阴影边界等。这时，就需要结合水下管线的实际特征进行甄别。根据摄像机装设位置，管线正常情况下在图像中呈现如图2所示的梯形轮廓，近处较宽远处逐渐变窄。其中，管线的边缘以及管线本体与海床的灰度差异将是光视觉自动识别管线的有效线索。

一般情况下，管线边缘在图像中常呈现明显的直线特征。但由于管壁上的腐蚀与沉积物附着，使得图像中管线边缘通常是由间断的线条组成，虽然具有直线的趋势却不是呈现一条完整的直线。

常规的直线检测以Hough变换为主。直线y＝ax+b可以由一个固定点(a，b)来确定，在空间中形成一束点(xi，yi)。Hough变换将这束点转换到(ai，bi)空间进行检测，图像平面中共线的点束经过Hough变换后会在参数空间上聚集。因此，通过搜寻参数空间上落点大量聚集的位置，即可推算出图像中最可能属于同一直线的点(a，b)。因此，Hough变换又被称为变换空间聚类方法。实用化的Hough变换采用(ρ，θ)参数空间，ρ为直线到原点的距离，θ表征直线与x轴的夹角。

虽然Hough变换原理上简单易行，然而实际应用中针对每一个点都要对θ＝0～360进行变换，最终的直线检测要采用投票来确定，运算量极大且可靠性较差。虽然可以根据梯度方向来确定θ值加速运算，但是图像中的直线由于分辨率的关系一般都有斜齿，梯度方向与θ值差距很大。而人眼识别直线没有经过变换空间聚类，是一种低层次、本空间内、带拓扑关系的直线检测。因此，参考生物视觉的直线检测机理，这里采用了一种基于粒子群优化(ParticleSwarm Optimization，PSO)的直线聚类方法。

粒子群优化算法(PSO)是除蚁群算法外又一种基于群体智能的优化算法，其思想来源于人工生命和进化计算理论。PSO首先由Kennedy和Eberhart提出，通过模拟鸟群的社会性行为，实现对问题的优化。从某种意义上说，PSO同进化算法一样都是基于群体的，同时每个个体都有一个适应函数值；此外，在PSO中对每个个体(称为粒子)的调整也类似于进化算法中的交叉算子，但它源于对社会性行为的模拟而不是适者生存的思想。PSO和进化算法两者最主要的区别在于，PSO中每个个体从它之前的运动历史中获益，而进化算法则不存在这样的机制；并且PSO最大的优势就是实现起来简单并且没有许多参数须要调整。

在一个PSO系统中，包含一定数量个体(通常称之为粒子)的群体在搜索空间中运动，其中每个粒子表示针对一个特定优化问题的潜在解。群体中每个粒子的位置受到其本身运动过程中最优位置的影响(即个体经验)和其邻域中最优粒子的位置的影响(即邻域经验)。当粒子的邻域是整个粒子群体时，邻域的最优位置则对应了全局最优粒子，此时算法称为全局PSO算法。相应地如果在算法中利用了较小的邻域，通常称它为局部PSO算法。

群体中的每个粒子i的状态都可以用下面的特征来表述：x_i是粒子i的当前位置，v_i是粒子i的当前速度，y_i是粒子i的个体最优位置，

是粒子i的邻域最优位置。

粒子群优化算法的具体步骤如下：

A.随机初始化整个粒子群体；

B.运行全局搜索直至收敛到一个局部最优点，并保存这个点的位置；

C.重复步骤A和B，直至满足直线拟合误差超过一定阈值的停止准则。与生物视觉直线检测类似，直线检测阈值随着线段长度增加逐渐有所放宽。

(5)从所有直线中寻找管线两侧边线组成的线对。

当从水下图像中提取出所有可能直线后，接下来需要从所有直线中寻找管线两侧边线组成的线对。此时，已知的是所有直线的ρ、θ、线性偏差度、直线长度、线段起始点、线段终点等参数。实际上，此时图像中只有两条是真正的管线边线或者一条真正的管线边线都没有。但是，检测得到的直线非常多，有用信息被混在一起。从这些混乱的现场去寻找信息的流程非常复杂，从编程实现的角度说有些方法几乎无法进行下去。经过多种方法的比较，本发明采用了一种基于证据和置信度的线对聚类方法。

基于证据和置信度的线对聚类方法对所有直线进行线对遍历，假定当前的两条直线就是管线的两侧边线，根据有利证据、不利证据和驳斥证据来确定线对之间匹配的置信度。

这里采用的有利证据如下：

两条直线长度接近；

两条直线的两端距离即两端管线直径接近；

不利证据与有利证据正好相反。

驳斥证据如下：

管线长度过小；

两条直线夹角超过30度；

管线直径过小或者过大；

两条直线存在交叉；

根据由上述方法获得的当前管线观测值pipenum来确定水下管线是否存在(pipe_exist＝0，1)是一个统计信号检测问题。pipe_exist的每个可能值可以看作一种假设，在这两种假设中作出选择，属于二元假设检验：H0-pipe_exist＝0，称为零假设；H1-pipe_exist＝1，称为备选假设。当pipenum＝1时我们更倾向于认为pipe_exist＝1，而当pipenum＝0时我们更倾向于认为pipe_exist＝0。

二元假设检验可能产生两种类型的错误：当H0为真时我们判H1成立，成为第一类错误，出现这种错误的概率称为管线检测的虚警率；当H1为真时我们判H0成立，成为第二类错误，出现这种错误的概率称为管线检测的漏警率。根据实验结果，水下管线自动巡检系统的虚警率＜10％，漏警率＜25％。

以当前的10次管线检测值作为样本数据进行累加平均作为管线检测的二元统计量。当二元统计量小于虚警率时认为管线不存在，如果管道观测值pipenum＝1将其当成野值。当二元统计量大于漏警率时认为管线存在，报告管道观测值pipenum＝1时的管线计算位置，管道观测值pipenum＝0时不报告管线位置。

(6)三维环境建模及计算。

当水下管线存在时，需要计算其相对于摄像机的位置。由于摄像机获得的是二维信号，因此需要进行三维环境建模。这个建模过程基于射影几何学与仿射变换。整个的三维环境模型如图3所示。

由于水下管线和摄像机之间的距离远超过摄像机焦距，因此可将摄像机简化成针孔模型。进一步将水下管线简化成直径为d的长圆柱体。以管线近端面圆心为原点O，建立参考坐标系(X，Y，Z)，Z轴的指向是管线中心轴向前，X轴的指向是水平向右，Y轴的指向是垂直向上。摄像机在参考坐标系下的位置为(Cx，Cy，Cz)，摄像机方向由单位向量(a，v，h)表征，摄像机成像面水平方向和垂直方向分别平行于h和v，a为摄像机光轴方向。

参考坐标系下某点的坐标(Px，Py，Pz)与该点在成像面形成的像点的二维坐标(i,j)之间的转换关系遵从仿射变换，如式(1-1)和式(1-2)所示。

$\left[\begin{array}{c}{i}^{\′}\\ j^{\′}\\ w\end{array}\right]=\left[\begin{array}{cccc}{T}_0& T_1& T_2& T_3\\ T_4& T_5& T_6& T_7\\ T_8& T_9& T_{10}& T_{11}\end{array}\right]\left[\begin{array}{c}{P}_x\\ P_y\\ P_z\\ 1\end{array}\right]---(1-1)$

$i=\frac{i^{\′}}{w}=\frac{T_0{P}_x+T_1{P}_y+T_2{P}_z+T_3}{T_8{P}_x+T_9{P}_y+T_{10}{P}_z+T_{11}}$

$j=\frac{j^{\′}}{w}=\frac{T_4{P}_x+T_5{P}_y+T_6{P}_z+T_7}{T_8{P}_x+T_9{P}_y+T_{10}{P}_z+T_{11}}---(1-2)$

式(1-1)中，由T0～T11组成的矩阵称为摄像机标定转换矩阵，具体含义见式(1-3)。

T₀＝(fK_x)h_x+i₀a_x    T₆＝(fK_y)v_z+j₀a_z

T₁＝(fK_x)h_y+i₀a_y    T₇＝-(fK_y)Cv+j₀Ca

T₂＝(fK_x)h_z+i₀a_z    T₈＝a_x

T₃＝-(fK_x)Ch+i₀Ca   T₉＝a_y

T₄＝(fk_y)v_x+j₀a_x    T₁₀＝a_z

T₅＝(fk_y)v_y+j₀a_y，  T₁₁＝-Ca            (4)

式(1-3)中，(i₀,j₀)为图像中心坐标，f为摄像机焦距，Kx和Ky代表水平和垂直方向的单位长度所表示的象素数。

根据前面推导的三维环境模型以及此时AUV的高度、纵倾角、横倾角即可以计算管线起始点、拐点以及终点的离摄像机X、Y、Z坐标，管线的角度，管线的直径等参数。

本发明的验证试验如下：

试验一：计算机模拟

在仿真环境下，利用Creator软件在水下场景中构造一段直径300mm，长度100m的管道，在AUV本体安装摄像机处建立视点输出模拟视频信号。为了考核系统在管线出现拐弯时地持续跟踪能力，选择了一条不断增加拐弯角度的管线进行跟踪，试验结果显示如图4所示，图4的横坐标、纵坐标分别为经度、纬度，单位为s。在试验中为了模拟实际情况，故意在中部将管线进行了掩埋，考核系统持续跟踪能力。试验结果表明，本系统能够克服短时间内的目标丢失，具有管线跟踪的鲁棒性(鲁棒性，robustness，指系统的健壮性)。

试验二：水池实际模拟

为了进一步检验并完善本系统，在50m(L)×30m(W)×10m(D)的水池中斜向放置由五根6m长、250mm直径的水管连成的管路，AUV在光视觉引导下圆满完成了十多次不同情况下的管道跟踪试验，试验结果显示如图5所示，图5的横坐标、纵坐标分别为经度、纬度，单位为s。

Claims (6)

1.一种基于光视觉的水下管线巡检方法，其特征在于包括以下步骤：

（1）采集视频信号以获得水下视频数字图像；

（2）图像预处理，采用中值滤波算法去除噪声，改善图像质量；

（3）边缘检测，得到若干图像中的线条；先用窗口运算的边缘检测算子进行局部边缘变化，再采用梯度极值原则进行边缘细化；

（4）直线检测，甄别可能为水下管线边缘的线条；

（5）从所有直线中寻找管线两侧边线组成的线对；

（6）三维环境建模及计算；将摄像机简化成针孔模型，将水下管线简化为直径d的长圆柱体；以管线近端面圆心为原点O，建立参考坐标系（X，Y，Z），Z轴指向管线中心轴向前，X轴水平向右，Y轴垂直向上；摄像机在参考坐标系下的位置为（Cx,Cy，Cz），参考坐标系（a,v，h）的原点为摄像机的光心，a为摄像机光轴方向，h为摄像机成像面的水平轴，v为摄像机成像面的垂向轴，摄像机方向由单位向量（a,v，h）表征；

参考坐标系下某点的坐标（Px,Py，Pz）与该点在成像面形成的像点的二维坐标(i，j)之间的转换关系遵从仿射变换，如式（1-1）和式（1-2）所示；

$\left[\begin{array}{c}{i}^{\′}\\ j^{\′}\\ w\end{array}\right]=\left[\begin{array}{cccc}{T}_0& T_1& T_2& T_3\\ T_4& T_5& T_6& T_7\\ T_8& T_9& T_{10}& T_{11}\end{array}\right]\left[\begin{array}{c}{P}_x\\ P_y\\ P_z\\ 1\end{array}\right]---(1-1)$

$i=\frac{i^{\′}}{w}=\frac{T_0{P}_x+T_1{P}_y+T_2{P}_z+T_3}{T_8{P}_x+T_9{P}_y+T_{10}{P}_z+T_{11}}$

$j=\frac{j^{\′}}{w}=\frac{T_4{P}_x+T_5{P}_y+T_6{P}_z+T_7}{T_8{P}_x+T_9{P}_y+T_{10}{P}_z+T_{11}}---(1-2)$

式（1-1）中，w代表摄像机成像面象素之间的间距，由T0～T11组成的矩阵称为摄像机标定转换矩阵，具体含义如式（1-3）所示；

T₀=(fK_x)h_x+i₀a_x    T₆=(fK_y)v_z+j₀a_z

T₁=(fK_x)h_y+i₀a_y    T₇=-(fK_y)Cv+j₀Ca

T₂=(fK_x)h_z+i₀a_z    T₈=a_x

T₃=-(fK_x)Ch+i₀Ca   T₉=a_y

T₄=(fK_y)v_x+j₀a_x    T₁₀=a_z

T₅=(fK_y)v_y+j₀a_y，   T₁₁=-Ca              （1-3）

式（1-3）中，（i₀，j₀）为图像中心坐标，f为摄像机焦距，Kx和Ky代表水平和垂直方向的单位长度所表示的象素数；

根据上述三维环境模型以及此时安装有摄像机的AUV的高度、纵倾角、横倾角计算管线起始点、拐点以及终点的离摄像机X、Y、Z坐标，管线的角度，管线的直径参数。

2.根据权利要求1所述基于光视觉的水下管线巡检方法，其特征在于：所述窗口运算的边缘检测算子为Sobel算子。

3.根据权利要求1所述基于光视觉的水下管线巡检方法，其特征在于：所述步骤（4）采用粒子群优化算法，具体步骤如下：

A.随机初始化整个粒子群体；

B.运行全局搜索直至收敛到一个局部最优点，并保存这个点的位置；

C.重复步骤A和B，直至满足直线拟合误差超过一定阈值的停止准则；与生物视觉直线检测类似，直线检测阈值随着线段长度增加逐渐有所放宽。

4.根据权利要求1所述基于光视觉的水下管线巡检方法，其特征在于：所述步骤（5）采用基于证据和置信度的线对聚类方法，对所有直线进行线对遍历，假定当前的两条直线就是管线的两侧边线，根据有利证据、不利证据和驳斥证据来确定线对之间匹配的置信度。

5.根据权利要求4所述基于光视觉的水下管线巡检方法，其特征在于：所述有利证据、不利证据和驳斥证据分别是：

有利证据：两条直线长度接近；两条直线的两端距离即两端管线直径接近；

不利证据与有利证据相反；

驳斥证据：管线长度过小；两条直线夹角超过30度；管线直径过小或者过大；两条直线存在交叉。

6.根据权利要求4所述基于光视觉的水下管线巡检方法，其特征在于：所述确定线对之间匹配的置信度的具体方法是：以当前管线观测值pipenum确定水下管线是否存在，即pipe_exist=0,1；pipe_exist的每个可能值可以看作一种假设，在这两种假设中作出选择，属于二元假设检验：用H0表示pipe_exist=0的情况，称为零假设；用H1表示pipe_exist=1的情况，称为备选假设；当pipenum=1时倾向于认为pipe_exist=1，而当pipenum=0时倾向于认为pipe_exist=0；

二元假设检验可能产生两种类型的错误：当H0为真时判H1成立，成为第一类错误，出现这种错误的概率称为管线检测的虚警率；当H1为真时判H0成立，成为第二类错误，出现这种错误的概率称为管线检测的漏警率，虚警率<10％，漏警率<25％；

以当前的10次管线检测值作为样本数据进行累加平均作为管线检测的二元统计量；当二元统计量小于虚警率时认为管线不存在，如果管道观测值pipenum=1将其当成野值；当二元统计量大于漏警率时认为管线存在，报告管道观测值pipenum=1时的管线计算位置，管道观测值pipenum=0时不报告管线位置。

Images