CN105957057A - 一种基于视频分析的实时降雪强度估计方法 - Google Patents

Abstract

本发明公开了一种基于视频分析的实时降雪强度估计方法，提出了实时降雪强度分析方法，方法主要包括区域划分、单个区域雪粒子检测、雪粒子检测有效性判断、全局雪粒子推算、实时降雪强度估计五个部分。通过实验发现，本方法可以有效的识别下落雪粒子的分布情况，计算实时性较好，方便和现有视频监控系统结合，具有很强的实用价值。

Description

一种基于视频分析的实时降雪强度估计方法

技术领域

本发明涉及气象观测技术领域，基于视频分析的实时降雪强度估计方法。

背景技术

随着高速铁路的飞速发展，列车的速度越来越快，在极端条件情况下列车的安全行驶也显得更加重要，降雪是对铁路列车行车影响最大的天气状况。积雪会导致轮轨摩擦力减小，制动距离加大，给行车安全带来隐患。因此，对雪深进行实时的测量并将雪深数据实时反馈给控制中心为列车调度提供重要依据。

传统的方法是采用测雪尺或者有刻度的测雪杆插入雪中至地表面进行地面积雪深度的测量，由于积雪下面通常有冰层，使得雪尺难以精确测量，同时风吹雪导致积雪重新分布，因此需要选择有代表性的测量点和多次测量，该方法费时费力、随机误差大，并且难以实时监测。

目前已有的雪深测量方法有放射性同位素法，精度虽然高但会危害测量人员健康；基于图像处理的测量方法，其受天气和光照影响大，鲁棒性差；超声传感器雪深测量方法，其受温度风速影响大，基于相位法激光测距原理的雪深测量方法稳定性较强但受雪面不平整的影响。

发明内容

本发明的目的在于提供一种计算实时性较好，方便和现有监控系统相结合降雪强度估计方法。

实现本发明目的的技术方案具体为:基于视频分析的实时降雪强度估计方法，包括以下步骤：

(1)区域划分：将整个检测画面划分为若干个单个区域；

(2)单个区域雪粒子数量实时检测：对每个单个区域分别进行如下步骤：

(2.1)图像预处理，将彩色的三通道图像转换为单通道的灰度图像；

(2.2)基于帧差法的前景提取，利用膨胀和腐蚀处理方法对二值图像进行处理，将孤立的噪声点去除，将截断的雪粒子点连接成完整的雪粒子；

(2.3)基于形态学处理的雪粒子初选，将(2.2)处理后的图像中相邻的像素点连接形成轮廓线，统计每个轮廓线包含的像素点的数，从而得到雪粒子的轮廓线长度；

(2.4)基于雪粒子轮廓尺寸的雪粒子识别，将轮廓线长度在预设的尺寸范围内的雪粒子筛选出来；

(2.5)基于重心位置的雪粒子区域归属，每个雪粒子对应一个坐标向量，通过计算每组雪粒子的几何重心来判断雪粒子所属的区域；

(3)检测有效性判断：通过选择背景颜色较深的区域的检测结果作为有效结果，并同时对连续多帧的有效结果进行累计，得出最终单个区域雪粒子数量；

(4)全局雪粒子数量推算：根据步骤(3)输出的最终单个区域雪粒子数量推算整个检测画面的雪粒子数量；

(5)实时降雪强度估计：根据整个检测画面的雪粒子数量推算降雪强度。

优选地，步骤(4)中根据如下公式推算整个检测画面的雪粒子数量：

$N=\frac{Z_t}{Z_e}\underset{z_e}{\Σ}{n}_i$

其中，N——整幅画面检测的雪粒子数量；Z_t——整幅画面被分割的区域数量；Z_e——有效的雪粒子检测区域数量；n_i——检测出的有效雪粒子区域i的雪粒子数量。

优选地，步骤(5)中根据如下公式推算降雪强度：

${\mathrm{CSI}}_t=\frac{1}{LW}{\left(\frac{f}{z}\right)}^2\underset{i=t-1}{\overset{i=t-a}{\Σ}}{N}_i$

其中，CSI_t——t时刻的降雪强度；L——摄像机垂直方向的分辨率(垂直像素个数)；W——摄像机水平方向的分辨率(水平像素个数)；f——摄像机焦距；z——雪粒子距离摄像机的距离；N_i——一帧整幅画面检测的雪粒子数量；a——向后累计帧的数量。

本发明与现有技术相比，其显著优点为：可以有效的识别下落雪粒子的分布情况，计算实时性较好，方便和现有视频监控系统结合，具有很强的实用价值，便于推广。

附图说明

图1为本发明方法流程图。

具体实施方式

本发明基于视频分析的实时降雪强度估计方法，包括以下步骤：

第1步，区域划分：将整个检测画面划分为若干个区域，区域划分的原则是在满足检测精度要求时，区域划分数量不宜过多，区域范围不宜太小；区域划分要结合监控区域的场景，尽可能将运动物体较少或没有、颜色较深、不易被雪覆盖的区域分离出来。在一定范围内，区域分割数量越多，检测精度越高，计算量越大，检测实时性越差，对计算性能要求越高。

第2步，单个区域雪粒子检测：该步骤是整个方法的核心部分，包括：图像预处理、基于帧差法的前景提取、基于形态学处理的雪粒子初选、基于雪粒子轮廓尺寸的雪粒子识别、基于重心位置的雪粒子区域归属五个子步骤如下：

(2.1)彩色图像的灰度化：首先将彩色的三通道图像转换为单通道的灰度图像，根据视觉心理学的研究，RGB三通道图像和单通道的灰度图像之间的转化关系如下

Gray＝R*0.299+G*0.587+B*0.114 (1)

(2.2)前景提取：利用膨胀和腐蚀这两种形态学处理方法对二值图像进行处理，将孤立的噪声点去除，将截断的雪粒子点连接成完整的雪粒子，尽可能的恢复雪粒子的真实特征，为进一步筛选雪粒子提供基础。膨胀和腐蚀方法分别如下所示。

(2.2.1)膨胀

用结构元素b对函数f进行灰度膨胀，记为：定义为：

$(f\⊕b)(s,t)=max\left\{f\right(s-x,t-y)+b(x,y\left)\right|(s-x),(t-y)\∈D_f;(x,y)\∈D_b\}---\left(2\right)$

D_f和D_b分别表示f和b的定义域。

(2.2.2)腐蚀

用结构元素b对函数f进行灰度腐蚀，记为：f！b，定义为：

(f！b)(s,t)＝min{f(s+x,t+y)-b(x,y)|(s+x),(t+y)∈D_f；(x,y)∈D_b} (3)

D_f和D_b分别表示f和b的定义域。

(2.3)基于雪粒子轮廓尺寸的筛选

雪粒子在成像平面的轮廓线由一系列相邻(包括对角相邻)的像素点连接而成，通过统计每个轮廓线包含的像素点的数，就能得到雪粒子的轮廓线长度。选择的雪粒子尺寸下限为4，上限为30。

$f\left(contour\right(x\left)\right)=\left\{\begin{array}{cc}1& \min Contour<contour\left(x\right)<\max Contour\\ 0& else\end{array}\right.---\left(4\right)$

f(contour(x))——雪粒子x是否是雪粒子的判定结果，1表示是，0表示不是；

contour(x)——雪粒子x的轮廓线长度；

minContour——雪粒子轮廓线长度的下限；

maxContour——雪粒子轮廓线长度的上限。

(2.4)基于重心位置的雪粒子区域归属

在本文的检测方法中，每个雪粒子实质是由一组连续的轮廓线上的像素封闭起来，每个雪粒子对应一个坐标向量，如(5)所示。通过计算每组雪粒子的几何重心来判断雪粒子所属的区域，如(6)所示，通过比较重心坐标和区域边界，见公式(7)，判断雪粒子所属区域。

Contour＝{(x₁,y₁),(x₂,y₂)...(x_n,y_n)} (5)

(x_n,y_n)表示轮廓线上的某一点像素坐标。

$\left\{\begin{array}{c}{X}_g=\frac{1}{n}\underset{i=0}{\overset{i=n}{\&Sigma;}}{x}_i\\ Y_g=\frac{1}{n}\underset{i=0}{\overset{i=n}{\&Sigma;}}{y}_i\end{array}\right.---\left(6\right)$

X_g Y_g——轮廓线的几何重心坐标位置。

(X_g,Y_g)∈Zone((p-1)^*Q+q) (7)

$if\left\{\begin{array}{c}{X}_g\&Element;\&lsqb;(p-1)\frac{W}{P},p\frac{W}{P})\\ Y_g\&Element;\&lsqb;(q-1)\frac{L}{Q},q\frac{L}{Q})\end{array}\right.$

Zone——划分的区域；

W——全局的水平像素数；

L——全局的垂直像素数；

P——水平方向划分区域个数；

Q——垂直方向划分区域个数。

第3步，雪粒子检测有效性判断：通过选择背景颜色较深(与雪粒子颜色反差较大)的区域的检测结果作为有效结果输出。同时为了减少外界随机因素对检测精度的影响，可以对连续多帧的检测结果进行累计，作为最后的输出。

第4步，全局雪粒子推算：通过有效性检验的检测结果输出后，可以以此为基础将检测结果扩充到整幅画面，这里忽略雪粒子在空间分布的不均匀性，认为在摄像机可观察到的画面范围内，雪粒子是均匀分布的。根据公式(8)将部分有效区域的雪粒子数量扩充到整幅画面的雪粒子数量。

$N=\frac{Z_t}{Z_e}\underset{z_e}{\&Sigma;}{n}_i---\left(8\right)$

N——整幅画面检测的雪粒子数量；

Z_t——整幅画面被分割的区域数量；

Z_e——有效的雪粒子检测区域数量；

n_i——检测出的有效雪粒子区域i的雪粒子数量。

第5步，实时降雪强度估计：雪粒子的密度和降雪强度呈现显著的正相关关系，雪粒子密度越大，降雪强度越大。当前降雪强度(Current-Snowing-Intensity)可以用指定条件下的雪粒子的数量来表示，也即用CSI来表征实时的降雪强度。根据CSI和降雪强度具有显著的正相关性，如下式(9)得到t时刻的降雪强度。通过实验发现，1920*1080分辨率下，全局雪粒子数量在3500～5500时为“中雪”、在5500～7000时为“大雪”、在大于7000时为“暴雪”。实际上，各个降雪区间的划分并没有清晰的界限，针对不同的场景可以结合当地气象数据，经过一段时间的数据积累，进行调整划分，得到一个比较合理的经验范围。

${\mathrm{CSI}}_t=\frac{1}{LW}{\left(\frac{f}{z}\right)}^2\underset{i=t-1}{\overset{i=t-a}{\&Sigma;}}{N}_i---\left(9\right)$

CSI_t——t时刻的降雪强度；

L——摄像机垂直方向的分辨率(垂直像素个数)；

W——摄像机水平方向的分辨率(水平像素个数)；

f——摄像机焦距；

z——雪粒子距离摄像机的距离；

N_i——一帧整幅画面检测的雪粒子数量；

a——向后累计帧的数量(本文选择累计15帧)。

综上所述，本发明与现有技术相比，本发明方法简单，测量进度高、稳定性好，计算实时性较好，方便和现有视频监控系统结合，具有一定的实用价值，便于推广。

Claims (3)

1.一种实时降雪强度估计方法，尤其是一种基于视频分析的实时降雪强度估计方法，其特征在于，包括以下步骤：

(1)区域划分：将整个检测画面划分为若干个单个区域；

(2)单个区域雪粒子数量实时检测：对每个单个区域分别进行如下步骤：

(2.1)图像预处理，将彩色的三通道图像转换为单通道的灰度图像；

(2.2)基于帧差法的前景提取，利用膨胀和腐蚀处理方法对二值图像进行处理，将孤立的噪声点去除，将截断的雪粒子点连接成完整的雪粒子；

(2.3)基于形态学处理的雪粒子初选，将(2.2)处理后的图像中相邻的像素点连接形成轮廓线，统计每个轮廓线包含的像素点的数，从而得到雪粒子的轮廓线长度；

(2.4)基于雪粒子轮廓尺寸的雪粒子识别，将轮廓线长度在预设的尺寸范围内的雪粒子筛选出来；

(2.5)基于重心位置的雪粒子区域归属，每个雪粒子对应一个坐标向量，通过计算每组雪粒子的几何重心来判断雪粒子所属的区域；

(3)检测有效性判断：通过选择背景颜色较深的区域的检测结果作为有效结果，并同时对连续多帧的有效结果进行累计，得出最终单个区域雪粒子数量；

(4)全局雪粒子数量推算：根据步骤(3)输出的最终单个区域雪粒子数量推算整个检测画面的雪粒子数量；

(5)实时降雪强度估计：根据整个检测画面的雪粒子数量推算降雪强度。

2.根据权利要求1所述的基于视频分析的实时降雪强度估计方法，其特征在于，步骤(4)中根据如下公式推算整个检测画面的雪粒子数量：

$N=\frac{Z_t}{Z_e}\underset{z_e}{\&Sigma;}{n}_i$

其中，N——整幅画面检测的雪粒子数量；Z_t——整幅画面被分割的区域数量；Z_e——有效的雪粒子检测区域数量；n_i——检测出的有效雪粒子区域i的雪粒子数量。

3.根据权利要求1所述的基于视频分析的实时降雪强度估计方法，其特征在于，步骤(5)中根据如下公式推算降雪强度：

${\mathrm{CSI}}_t=\frac{1}{LW}{\left(\frac{f}{z}\right)}^2\underset{i=t-1}{\overset{i=t-a}{\&Sigma;}}{N}_i$

其中，CSI_t——t时刻的降雪强度；L——摄像机垂直方向的分辨率(垂直像素个数)；W——摄像机水平方向的分辨率(水平像素个数)；f——摄像机焦距；z——雪粒子距离摄像机的距离；N_i——一帧整幅画面检测的雪粒子数量；a——向后累计帧的数量。