CN105590329A - 一种油气田视频监控中运动目标的智能检测算法 - Google Patents

Abstract

本发明提供一种油气田视频监控中运动目标的智能检测算法，该方法通过背景训练、入侵目标检测和目标跟踪法解决“磕头机”往复运动背景下的运动目标的智能检测、实时报警问题。本发明在实际应用于磕头机等大型设备往复运动场景下的运动识别具有切实的实际意义，能够消除磕头机往复运动的影响，减少运算量，并且能准确检测到运动目标，在达到监控识别准确性的同时，也保证实时性。

Description

一种油气田视频监控中运动目标的智能检测算法

技术领域

本发明属于计算机视觉领域，涉及一种油气田视频监控中运动目标的智能检测算法。

背景技术

油气田的开采往往地处野外并且矿井分布十分分散，仅靠人员进行安全巡检效率低下、周期漫长，而且恶劣天气下，对开采现场进行查巡难度加大。因此要对油气田开采现场建立视频监测系统，当场景中出现异常状况时能够及时报警，对于保证油、气的安全开采和开采质量均具有重要作用。由于油、气田分布地域广、监控点分布不均、少而稀疏，油、气开采井站具有荒山野外、道路崎岖、地形复杂等特点，如果釆用有线网络实现监测,就要求架设有线网络，而这将会导致户外线路架设困难及后期人力维护成本非常高。目前大多采用基于3G/4G的移动通信技术实现数据的远程传输。

在对油、气开采现场进行监测时，能够对监控场所出现的异常情况及时进行运动目标的检测是视频监测的基础也是关键。运动目标检测是从图像序列中提取出感兴趣的运动目标，检测结果的准确与否是衡量一个视频监测系统性能好坏的关键，对接下来运动目标的分类、识别、跟踪和行为理解至关重要。目前，实用的智能视频目标检测算法主要有帧差法、背景建模法等，但是这些方法都不能过滤掉现场“磕头机”运动的干扰，无法实现无人值守的视频监控。现有的油气田开采现场的视频监控，仍是人员值守的方式，当事件发生时，回溯已经存储的现场监控视频，效率低下。

目前的油、气开采等场景的监控设计中，仍然使用传统的监控方法。需要人工在后台对画面进行实时监控，查看是否有异常情况发生，在有入侵物体或人员闯入的情况下无法自动报警。不仅需要消耗大量的人力来对现场场景进行监测，而且效率极低、容易漏掉关键事件的发生。发生事件后，只能事后对存储的监控视频数据进行调取。在智能监控技术广泛应用的今天，类似油气田采集现场的情况下，仍需要使用传统视频监控方法的重要原因是包含诸如“磕头机”运动物体的干扰，现有的智能监控算法无法将其过滤掉。

现有的视频目标检测算法，如帧差法、背景差分法、背景高斯建模等算法，均不能将“磕头机”这类大型物体的运动过滤掉。因为在这些算法中，“磕头机”上下往复的运动本省就是一种需要被检测到的运动目标。“磕头机”是不停运动的物体，如果采用现有的视频目标检测算法，服务器将不断发出有运动目标的警报。现有的智能目标检测算法能过滤掉诸如树叶的晃动、雪花的干扰这类小范围运动像素的干扰，但是“磕头机”这种往复运动在监控画面中占有很大范围，现有的算法是无法过滤的。

本发明提出的算法能够过滤掉监控场景中固定的大型物体往复运动产生的干扰，用于运动物体的目标检测。主要用于油、气田开采现场的智能视频监控。

发明内容

在油气田视频监控中，针对入侵目标检测问题，本发明提供一种油气田视频监控中运动目标的智能检测算法，通过此方法解决“磕头机”往复运动背景下的运动目标的智能检测、实时报警问题。

监控油、气田开采现场的实际情况中，传统的帧差或背景建模法进行移动目标的检测，会把磕头机的往复运动识别为运动目标，造成频繁的误报警，增加传输视频流量的同时，增加监控人员的工作量；由于磕头机的运动区域和摄像头是固定的，所以磕头机在画面中的位置相对不变的，因此可以把磕头机的运动区域提取出来，当做背景，来剔除磕头机往返运动带来的误报警的问题；接下来再对运动目标进行检测、跟踪处理。

为实现上述目的，本发明的技术方案为：

第一步，背景训练

1.1对输入的视频帧进行中值滤波处理，消除噪声干扰，得到输入图像。

1.2对输入图像按公式(1)进行三帧差分处理，顺序获取三帧图像；对三帧图像进行灰度化处理，三帧差分处理后的图像为Δf₁、Δf₂；对Δf₁、Δf₂进行二值化处理后，再进行与操作得到视频帧差值Δf，其中Δf＝Δf₁&Δf₂；

${\mathrm{\Δf}}_1=\left\{\begin{array}{c}1,|f_n-f_{n-1}|>T\\ 0,|f_n-f_{n-1}|\≤T\end{array}\right.,{\mathrm{\Δf}}_2=\left\{\begin{array}{c}1,|f_{n+1}-f_n|>T\\ 0,|f_{n+1}-f_n|\≤T\end{array}\right.---\left(1\right)$

其中，T为阈值，f_n、f_n-1、f_n+1为亮度值。

对于阈值的选取，采用自适应阈值，由于实际场景下，场景的亮度是渐变的，每隔一段时间，计算背景图像的平均灰度值，再根据现场实测，对平均灰度值加权以后作为此时的阈值。

1.3背景像素与视频帧差值Δf按公式(2)进行或操作得到背景图像，一帧背景训练结束；前N帧背景训练结束后，对得到的背景图像进行膨胀操作，使背景区域连通，获得磕头机运动轨迹如图3所示，背景训练结束。

B(x,y)＝B(x,y)|Δf(2)

其中，B(x,y)为背景像素

第二步，入侵目标检测

对新输入的视频帧，通过三帧差分法判断是否有运动目标，若检测到运动目标ΔF，按公式(3)将运动目标与背景图像取反后的背景区域进行与操作，判断运动目标是否为磕头机运动：如果运动目标为磕头机运动，即由磕头机运动引起，运动目标将被过滤掉，fg输出为0；如果运动目标非背景磕头机运动，即不在磕头机运动背景区域，则表明为前景运动目标，则通过运动目标特征提取进行目标跟踪。

fg＝～B(x,y)&ΔF(3)

其中，fg为检测到的前景目标像素；

在实际的监控视频中，磕头机完全包含在磕头机运行轨迹区域中。外来运动目标从磕头机运行轨迹四周进入，并被检测到；若外来运动目标进入磕头机运行轨迹区域，则被背景区域掩盖。

第三步，目标跟踪

第二步能够检测外来入侵目标，但不能处理入侵目标与背景重合时的情况。由现场情况可知，运动目标总是从边界进入监控视频，当检测到入侵运动目标时，对运动目标进行特征标记，如梯度特征、纹理特征、边缘特征等，当运动目标移动到磕头机运行轨迹区域时，通过标记的特征识别出外来物体，即通过对运动目标的特征识别，完成运动目标在整个画面中的检测、跟踪。

本发明的效果和益处是：本发明在实际应用于磕头机等大型设备往复运动场景下的运动识别具有切实的实际意义，不仅消除了磕头机往复运动的影响，而且减少了运算量，并且能准确检测到运动目标。本算法是对视频图像在灰度域进行运算处理，现场测试结果显示，在D1画质分辨率下，平均每帧图像的处理时间为40ms左右，完成一次背景更新的时间在6s左右。在达到监控识别准确性的同时，也保证了实时性。

附图说明

图1是背景训练流程图；

图2是入侵目标检测流程图；

图3是磕头机运动轨迹图。

具体实施方式

以下结合技术方案和附图详细叙述本发明的具体实施方式。

背景训练过程(背景区域提取)如图1所示。油、气田开采现场监控视频中，在没有外来人员及物体闯入监控场景时，对监控视频利用三帧差分法提取磕头机的运动区域。此时，磕头机为画面中的运动目标，通过N帧视频的训练，可以提取整个磕头机往复运动的轨迹区域，其中训练帧数N，至少包含磕头机一个运动周期。磕头机运动轨迹区域，像素膨胀处理后得到的像素区域即为背景区域，二值化处理背景区域，另背景区域为1，其他区域为0。

入侵目标检测的流程如图2所示。监控视频帧经过帧差处理后，得到运动区域。运动区域与取反后的背景区域进行“与”操作。取反后的背景区域像素值为0，如果运动区域为磕头机运动，则将被过滤掉，如果是运动区域在磕头机运动轨迹外，则仍被检测到。油气田开采现场的监控中，磕头机画面被完全包含，外来运动目标，总是从画面四周进入。所以一旦有外来目标进入，本算法必定会检测到入侵的运动目标。而平时的磕头机运动则能完全过滤掉，监控视频对磕头机的运动不产生有移动目标的报警。

摄像头开机后首先进行背景训练，保证监控画面中无外来运动物体，油气田视频监控中运动目标的智能检测算法如下：

第一步，背景训练

1.1对输入的视频进行中值滤波处理，以消除噪声干扰，得到输入图像。

1.2对输入视频图像做三帧差分处理

顺序获取三帧图像，并对三帧图像灰度化处理，帧差处理后图像为Δf₁、Δf₂。对Δf₁、Δf₂二值化，然后进行与操作；

三帧差分公式为：

${\mathrm{\Δf}}_1=\left\{\begin{array}{c}1,|f_n-f_{n-1}|>T\\ 0,|f_n-f_{n-1}|\≤T\end{array}\right.,{\mathrm{\Δf}}_2=\left\{\begin{array}{c}1,|f_{n+1}-f_n|>T\\ 0,|f_{n+1}-f_n|\≤T\end{array}\right.$

Δf＝Δf₁&Δf₂(1)

T为阈值，Δf为视频帧差值，f_n为亮度值。对于阈值的选取，采用自适应阈值，由于实际场景下，场景的亮度是渐变的，每隔一段时间，计算图像的平均灰度值，再根据现场实测，对平均灰度值加权以后作为此时的阈值。

1.3每次训练结束，背景图像进行或操作：

B(x,y)＝B(x,y)|Δf(2)

对前N帧视频训练结束后，再对图像进行膨胀操作，使背景区域连通。获得磕头机运动轨迹如图3所示，训练结束。

第二步，入侵目标检测

对新输入的视频帧，通过三帧差分法判断是否有移动目标，若检测到运动目标ΔF，首先判断是否为背景磕头机运动，公式如下：

fg＝～B(x,y)&ΔF(3)

背景取反后与运动目标区域进行与操作，如果运动目标是磕头机的运动引起的，将被过滤掉，fg输出为0；如果运动目标不在磕头机运动背景区域，则表明为前景运动目标。在实际的监控视频中，磕头机完全被完全包含在画面中。外来运动目标，总是从画面四周进入时，并被检测到。但是外来目标一旦进入磕头机运行轨迹区域时，会被背景区域掩盖。

第三步，目标跟踪

本发明前述步骤，可以检测到外来入侵目标，但是不能处理入侵目标与背景重合时的情况。由现场情况可知，运动目标总是从边界进入的，一旦检测到入侵目标，则对运动目标进行特征标记，如梯度特征、纹理特征、边缘特征等，即便运动目标移动到了背景区域，也可以通过标记的特征识别出外来物体。通过对运动目标的特征识别，完成运动目标在整个画面中的检测、跟踪。

Claims (1)

1.一种油气田视频监控中运动目标的智能检测算法，其特征在于，包括以下步骤：

第一步，背景训练

1.1对输入视频帧进行中值滤波处理，消除噪声干扰，得到输入图像；

1.2输入图像按公式(1)进行三帧差分处理，顺序获取三帧图像；对三帧图像进行灰度化处理，得到图像Δf₁、Δf₂；Δf₁、Δf₂二值化处理后，再进行与操作得到视频帧差值Δf，其中Δf＝Δf₁&Δf₂；

${\mathrm{\Δf}}_1=\left\{\begin{array}{c}1,|f_n-f_{n-1}|>T\\ 0,|f_n-f_{n-1}|\≤T\end{array}\right.,{\mathrm{\Δf}}_2=\left\{\begin{array}{c}1,|f_{n+1}-f_n|>T\\ 0,|f_{n+1}-f_n|\≤T\end{array}\right.---\left(1\right)$

其中，T为阈值，f_n、f_n-1、f_n+1为亮度值；

1.3背景像素与视频帧差值Δf按公式(2)进行或操作得到背景图像，一帧背景训练结束；前N帧背景训练结束后，对得到的背景图像进行膨胀操作，背景区域连通，获得磕头机运动轨迹，背景训练结束；

B(x,y)＝B(x,y)|Δf(2)

其中，B(x,y)为背景像素；

第二步，入侵目标检测

通过三帧差分法检测新输入的视频帧是否有运动目标，若检测到运动目标ΔF，按公式(3)判断运动目标是否为磕头机运动：如果运动目标为磕头机运动，将运动目标过滤，fg输出为0；如果运动目标非磕头机运动，进行目标跟踪；

fg＝～B(x,y)&ΔF(3)

其中，fg为检测的前景目标像素；

第三步，目标跟踪

运动目标非磕头机运动时，检测到运动目标从边界进入监控视频，对运动目标进行特征标记，当运动目标移动到磕头机运行轨迹区域时，通过对运动目标特征识别，完成运动目标在整个视频画面中的检测、跟踪。