CN106295641A - 一种基于影像surf特征的边坡位移自动监测方法 - Google Patents

Abstract

本发明涉及一种基于影像SURF特征的边坡位移自动监测方法，该方法为步骤1：通过相机获取露天矿边坡监测序列影像图像，采用SURF算法对采集的序列影像图像进行兴趣点提取，并对各幅影像图像进行兴趣点匹配，实时监测当前影像图像与上一幅影像图像中相匹配的兴趣点的位移，将序列影像图像中的兴趣点的三维坐标转换为WGS‑84世界大地坐标系边坡位置点的绝对坐标位置，将当前影像图像中的各个兴趣点对应的边坡位置点与上一幅影像图像相匹配的兴趣点对应的边坡位置进行对比，若其中某个兴趣点对应的边坡位置点发生的实际位移超出边坡位移阈值，判定该边坡位置具有失稳或滑坡倾向。

Description

一种基于影像SURF特征的边坡位移自动监测方法

技术领域

本发明属于露天矿边坡监测技术领域，具体涉及一种基于影像SURF特征的边坡位移自动监测方法。

背景技术

在我国现代化建设中，各种矿产资源起着基础性的作用。然而，在我国的各类露天矿山的开发与开采过程中，却时常受到一些矿山灾害的影响，其中边坡岩体安全性是制约着矿山生产效益和安全的最主要影响因素。边坡是自然或人工开挖形成的斜坡，是人类工程活动中最基本的地质环境之一，也是工程建设中最常见的工程形式。作为全球性三大地质灾害(地震、洪水、崩塌滑坡泥石流)之一的边坡失稳塌滑，是矿山开采过程中经常遇到的主要的灾害形式之一，对国家财产和矿山人员生命安全有着严重的威胁。因此对边坡的正确认识，合理的设计、及时监测，适当的治理，把边坡失稳造成的灾害降低到最低限度，是工程界设计施工人员必须考虑的问题。人类在边坡问题的监测和治理上做过很多努力，包括认识滑坡机理，完善边坡稳定分析理论和方法、开发滑坡治理、监测技术和滑坡预报。其中边坡动态监控及预测预报技术是边坡稳定研究中的核心内容和技术关键，在采矿工程和工程地质领域占有重要的地位。

虽然，通过许多专家学者对边坡的地质环境和岩土性质的分析，已经在边坡变化及失稳的原因及变化趋势等有较深的理论基础，但是，理论在实际中的具体应用却亟待解决，如何实时快速的获取边坡早期位移变化，对边坡失稳和滑坡预报有着重要作用。针对露天矿边坡的位移变化监测，若采用传统的水准仪、全站仪等测量方法，不仅实时性不高、人力花费大，而且测量人员的安全很难保证；若采用GPS监测的方法，虽能达到实时监测的效果，但是GPS测站点的架设难度高、花费大，而且一旦出现边坡失稳及滑坡，会破坏GPS测站点。所以实施远距离的实时监测是一种比较实用的方式。目前，不接触待测量物体进行实时测量，并且实现简单的方法是采用摄影测量方法。

针对上述要求，国内外已经提出一些基于机器视觉的目标监测方法，主要通过采用电荷耦合器件(CCD，Charge Coupled Device)或互补金属氧化物半导体(CMOS，Complementary Metal Oxide Semiconductor)作为感光元件的数码摄像机或模拟信号摄像机，来获取待监测目标的序列影像或视频影像，并将获取的影像传输至计算机上进行计算处理，分析不同时刻获取的影像之间的目标变化。但是通常状况下视频监控所获取的目标影像分辨率较低，无法实现目标精确监测；另外若不能采用比较快速有效的图像变化监测算法，很难同时实现监测的实时性和准确性。

发明内容

针对现有技术的不足，本发明提出一种基于影像SURF特征的边坡位移自动监测方法。

一种基于影像SURF特征的边坡位移自动监测方法，包括以下步骤：

步骤1：通过相机间隔固定时间采集露天矿边坡的监测影像，获取露天矿边坡监测序列影像图像；

步骤2：通过采集的露天矿边坡监测序列影像图像以及相机位置确定序列影像图像的三维坐标；

步骤3：采用SURF算法对采集的序列影像图像进行兴趣点提取，并对各幅影像图像进行兴趣点匹配；

步骤3.1：计算每一幅影像图像中各个像素点的积分图像；

所述影像图像I的像素点x＝(x，y)^T的积分图像I_Σ(x)如下所示：

$I_{\mathrm{\Σ}}\left(x\right)=\underset{i=0}{\overset{i\≤x}{\Σ}}\underset{j=0}{\overset{i\≤y}{\Σ}}I(i,j);$

其中，I(i，j)为影像图像中的像素点，0≤i≤x，0≤j≤y；

步骤3.2：建立影像图像的各个像素点的Hessian矩阵的行列式；

所述影像图像I的像素点x＝(x，y)^T的Hessian矩阵的行列式如下所示：

$H(x,\mathrm{\σ})=\left[\begin{array}{cc}{L}_{xx}(x,\mathrm{\σ})& L_{xy}(x,\mathrm{\σ})\\ L_{xy}(x,\mathrm{\σ})& L_{yy}(x,\mathrm{\σ})\end{array}\right];$

其中，σ为尺度因子，L_xx(x，σ)为高斯二阶导数在像素点x处与影像图像I的卷积，L_xy(x，σ)为高斯二阶导数在像素点x处与影像图像I的卷积，L_yy(x，σ)为高斯二阶导数在像素点x处与影像图像I的卷积；

步骤3.3：采用盒子滤波器对各个像素点的Hessian矩阵的行列式进行加速计算；

所述采用盒子滤波器对各个像素点的Hessian矩阵的行列式进行加速计算的公式如下：

det(H_approx)＝D_xxD_yy-(0.9D_xy)²；

其中，det(H_approx)为像素点的Hessian矩阵的行列式的近似值，D_xx、D_yy和D_xy为盒子滤波器的模板；

步骤3.4：通过改变盒子滤波器的模板大小构建影像图像的尺度空间，对尺度空间每一层下像素点的Hessian矩阵行列式的值进行三维非极大值抑制，得到影像图像的各个空间尺度下的兴趣点；

步骤3.5：确定各幅影像图像中各个空间尺度下的兴趣点描述子，通过兴趣点描述子对各幅影像图像的兴趣点进行匹配。

步骤6：设定边坡位移阈值，将当前影像图像中的各个兴趣点对应的边坡位置点与上一幅影像图像相匹配的兴趣点对应的边坡位置进行对比，若其中某个兴趣点对应的边坡位置点发生的实际位移超出边坡位移阈值，则判定该边坡位置具有失稳或滑坡倾向，否则，返回步骤1。

所述的序列影像图像的像素≥2000万。

所述的各幅影像图像中各个空间尺度下的兴趣点描述子的元素的大小和方向由影像图像的二维方向上的Harr小波响应值的分布确定。

本发明的有益效果是：

本发明提出一种基于影像SURF特征的边坡位移自动监测方法，该发明可以实时不间断的观测边坡，监测滑坡早期位移变化。该发明方法实现速度快、使用成本低、监测实时性高、准确度较高，为预报露天矿可能存在的危险提供依据，提醒矿山工作人员采取相应安全措施或者离开危险区域，为露天矿安全生产提供有效保障。

附图说明

图1为本发明具体实施方式中基于影像SURF特征的边坡位移自动监测方法的流程图；

图2为本发明具体实施方式中对采集的序列影像图像进行兴趣点提取并对各幅影像图像进行兴趣点匹配的方法流程图；

图3为本发明具体实施方式中得到边坡当前影像图像影的兴趣点示意图；

图4为本发明具体实施方式中当前影像图像与上一幅影像图像中相匹配的兴趣点的位移示意图。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

本发明提出一种基于影像SURF特征的边坡位移自动监测方法，如图1所示，包括以下步骤：

步骤1：通过相机间隔固定时间采集露天矿边坡的监测影像，获取露天矿边坡监测序列影像图像。

本实施方式中，序列影像图像的像素≥2000万，选用普通市售像素≥2000万的数码相机间隔5秒钟进行一次监测影像图像采集，用于处理影像的计算机为普通市售台式计算机或笔记本电脑。

步骤2：通过采集的露天矿边坡监测序列影像图像以及相机位置确定序列影像图像的三维坐标。

本实施方式中，采用近景摄影测量的三维建模方法通过采集的露天矿边坡监测序列影像图像以及相机位置确定序列影像图像的三维坐标。

步骤3：采用SURF算法对采集的序列影像图像进行兴趣点提取，并对各幅影像图像进行兴趣点匹配，如图2所示。

步骤3.1：计算每一幅影像图像中各个像素点的积分图像。

本实施方式中，各个像素点的积分图像：即为该像素点位置与图像左上角构成的矩形区域的像素之和，影像图像I的像素点x＝(x，y)^T的积分图像I_∑(x)如式(1)所示：

$I_{\mathrm{\Σ}}\left(x\right)=\underset{i=0}{\overset{i\≤x}{\Σ}}\underset{j=0}{\overset{j\≤y}{\Σ}}I(i,j)---\left(1\right)$

其中，I(i，j)为影像图像中的像素点，0≤i≤x，0≤j≤y。

步骤3.2：建立影像图像的各个像素点的Hessian矩阵的行列式。

本实施方式中，影像图像I的像素点x＝(x，y)^T的Hessian矩阵的行列式如式(2)所示：

$H(x,\mathrm{\σ})=\left[\begin{array}{cc}{L}_{xx}(x,\mathrm{\σ})& L_{xy}(x,\mathrm{\σ})\\ L_{xy}(x,\mathrm{\σ})& L_{yy}(x,\mathrm{\σ})\end{array}\right]---\left(2\right)$

其中，σ为尺度因子，L_xx(x，σ)为高斯二阶导数在像素点x处与影像图像I的卷积，L_xy(x，σ)为高斯二阶导数在像素点x处与影像图像I的卷积，L_yy(x，σ)为高斯二阶导数在像素点x处与影像图像I的卷积。

步骤3.3：采用盒子滤波器对各个像素点的Hessian矩阵的行列式进行加速计算；

本实施方式中，对各个像素点的Hessian矩阵的行列式进行加速计算的盒子滤波器的模板为D_xx、D_yy、D_xy，其形式上为三个特殊的简单方形矩阵，并且计算量较L_xx、L_yy、L_xy要小很多。这里，分别用D_xx、D_yy、D_xy对Hessian矩阵元素L_xx、L_yy、L_xy进行近似计算，可实现对Hessian矩阵行列式的加速运算。采用盒子滤波器对各个像素点的Hessian矩阵的行列式进行加速计算的公式如式(3)所示：

det(H_approx)＝D_xxD_yy-(0.9D_xy)² (3)

其中，det(H_approx)为像素点的Hessian矩阵的行列式的近似值，D_xx、D_yy和D_xy为盒子滤波器的模板。

步骤3.4：通过改变盒子滤波器的模板大小构建影像图像的尺度空间，对尺度空间每一层下像素点的Hessian矩阵行列式的值进行三维非极大值抑制，得到影像图像的各个空间尺度下的兴趣点。

本实施方式中，为了保证提取的兴趣点具有尺度不变性，SURF算法对影像图像进行分层，建立影像图像的尺度空间，然后在不同尺度的图像上寻找兴趣点。SURF算法尺度空间的建立是保持原始影像图像不变，通过改变盒子滤波器模板大小对原始影像图像计算得到的积分图像进行滤波，从而形成尺度空间。

图像尺度空间分四组(octaves)，每一组分为四层，即进行了四次滤波。第1组第一层的滤波模板D_xx、D_yy和D_xy的大小是给定的，为9×9，第1组中相邻的模板尺寸相差6个像素，即第1组中第一至四层的滤波模板大小分别是9×9、15×15、21×21和27×27；第2组中相邻的滤波模板大小相差12个像素，第3组中相邻的滤波模板大小相差24个像素，第4组中相邻的滤波模板大小相差48个像素，每一组的第一层的滤波模板尺寸等于前一组的第二层的滤波模板的尺寸，故第2组中第一至四层的滤波模板大小分别是15×15、27×27、39×39、51×51，第3组中第一至四层的滤波模板大小分别是27×27、51×51、75×75、99×99，第4组中第一至四层的滤波模板大小分别是51×51、99×99、147×147、195×195，其中每次滤波对应的尺度值σ通过公式σ＝1.2*(当前模板大小)/9计算。

建立影像图像尺度空间之后，需要对对尺度空间每一层下像素点的Hessian矩阵行列式的值在3×3×3的邻域内进行非极大值抑制，即确定像素点的Hessian矩阵行列式的值是否比该像素点所在尺度的8个相邻像素点以及上下尺度中相邻的各9个像素点(共26个相邻像素点)的Hessian矩阵行列式的值大。如果该像素点的Hessian矩阵行列式的值比相邻像素的小，则舍弃；如果该像素点的Hessian矩阵行列式的值比相邻像素的都大，则该点是尺度空间中的局部极大值，及该空间尺度的兴趣点。

本实施方式中，得到边坡当前影像图像影的兴趣点如图3所示。

步骤3.5：确定各幅影像图像中各个空间尺度下的兴趣点描述子，通过兴趣点描述子对各幅影像图像的兴趣点进行匹配。

本实施方式中，各幅影像图像中各个空间尺度下的兴趣点描述子的元素的大小和方向由影像图像的二维方向上的Harr小波响应值的分布确定，具体为：

以兴趣点为中心，以6σ为半径的圆形邻域计算影像图像像素点在x方向和y方向的Harr小波响应值，以兴趣点为顶点，圆心角为60的扇形扫描兴趣点圆形邻域，计算扇形区域内Harr小波响应的累加和作为一个矢量，其中长度最长的矢量所对应的角度即为该兴趣点的主方向，以兴趣点为中心构建方框，方框大小为20σ，每个方框分为4×4个子区域，对每个子区域内的每个像素点计算x方向的Harr小波响应值d_x、y方向的Harr小波响应值d_y以及|d_x|和|d_y|，并分别累加，从而得到64维的兴趣点描述子。

这里x方向和y方向的Harr小波响应值是通过一定尺寸的x、y方向的Harr小波滤波器同图像像素进行点积运算得到的，确定兴趣点的主方向所采用的Harr小波滤波器的尺寸为4σ，计算64维的兴趣点描述子所采用Harr小波滤波器的尺寸为2σ。

本实施方式中，通过计算各幅影像图像中的兴趣点描述子之间的欧几里德距离确定影像图像中的兴趣点是否匹配：当影像图像中的兴趣点描述子之间的欧几里德距离参数＞0.7时，可确定影像图像中的兴趣点匹配。

步骤4：实时监测当前影像图像与上一幅影像图像中相匹配的兴趣点的位移。

本实施方式中，当前影像图像与上一幅影像图像中相匹配的兴趣点的位移如图4所示。

步骤5：将序列影像图像中的兴趣点的三维坐标转换为WGS-84世界大地坐标系边坡位置点的绝对坐标位置。

步骤6：设定边坡位移阈值，将当前影像图像中的各个兴趣点对应的边坡位置点与上一幅影像图像相匹配的兴趣点对应的边坡位置进行对比，若其中某个兴趣点对应的边坡位置点发生的实际位移超出边坡位移阈值，则判定该边坡位置具有失稳或滑坡倾向，否则，返回步骤1。

本实施方式中，设定的边坡位移阈值为5cm，将当前影像图像中的各个兴趣点对应的边坡位置点与上一幅影像图像相匹配的兴趣点对应的边坡位置进行对比，若其中某个兴趣点对应的边坡位置点发生的实际位移超出边坡位移阈值，则判定该边坡位置具有失稳或滑坡倾向，可以预测所监测目标区域的边坡有发生失稳和滑坡的危险，应及时采取相应措施，如果位移没有超过设定的边坡位移阈值，可以预测此时目标区域的边坡处于稳定状态，可以继续生产，并且继续实施监测。

Claims (4)

1.一种基于影像SURF特征的边坡位移自动监测方法，其特征在于，包括以下步骤：

步骤1：通过相机间隔固定时间采集露天矿边坡的监测影像，获取露天矿边坡监测序列影像图像；

步骤2：通过采集的露天矿边坡监测序列影像图像以及相机位置确定序列影像图像的三维坐标；

步骤3：采用SURF算法对采集的序列影像图像进行兴趣点提取，并对各幅影像图像进行兴趣点匹配；

步骤4：实时监测当前影像图像与上一幅影像图像中相匹配的兴趣点的位移；

步骤5：将序列影像图像中的兴趣点的三维坐标转换为WGS-84世界大地坐标系边坡位置点的绝对坐标位置；

步骤6：设定边坡位移阈值，将当前影像图像中的各个兴趣点对应的边坡位置点与上一幅影像图像相匹配的兴趣点对应的边坡位置进行对比，若其中某个兴趣点对应的边坡位置点发生的实际位移超出边坡位移阈值，则判定该边坡位置具有失稳或滑坡倾向，否则，返回步骤1。

2.根据权利要求1所述的基于影像SURF特征的边坡位移自动监测方法，其特征在于，所述的步骤3包括以下步骤：

步骤3.1：计算每一幅影像图像中各个像素点的积分图像；

所述影像图像I的像素点x＝(x，y)^T的积分图像I_∑(x)如下所示：

$I_{\mathrm{\Σ}}\left(x\right)=\underset{i=0}{\overset{i\≤x}{\Σ}}\underset{j=0}{\overset{j\≤y}{\Σ}}I(i,j);$

其中，I(i，j)为影像图像中的像素点，0≤i≤x，0≤j≤y；

步骤3.2：建立影像图像的各个像素点的Hessian矩阵的行列式；

所述影像图像I的像素点x＝(x，y)^T的Hessian矩阵的行列式如下所示：

$H(x,\mathrm{\σ})=\left[\begin{array}{cc}{L}_{xx}(x,\mathrm{\σ})& L_{xy}(x,\mathrm{\σ})\\ L_{xy}(x,\mathrm{\σ})& L_{yy}(x,\mathrm{\σ})\end{array}\right];$

其中，σ为尺度因子，L_xx(x，σ)为高斯二阶导数在像素点x处与影像图像I的卷积，L_xy(x，σ)为高斯二阶导数在像素点x处与影像图像I的卷积，L_yy(x，σ)为高斯二阶导数在像素点x处与影像图像I的卷积；

步骤3.3：采用盒子滤波器对各个像素点的Hessian矩阵的行列式进行加速计算；

所述采用盒子滤波器对各个像素点的Hessian矩阵的行列式进行加速计算的公式如下：

det(H_approx)＝D_xxD_yy-(0.9D_xy)²；

其中，det(H_approx)为像素点的Hessian矩阵的行列式的近似值，D_xx、D_yy和D_xy为盒子滤波器的模板；

步骤3.4：通过改变盒子滤波器的模板大小构建影像图像的尺度空间，对尺度空间每一层下像素点的Hessian矩阵行列式的值进行三维非极大值抑制，得到影像图像的各个空间尺度下的兴趣点；

步骤3.5：确定各幅影像图像中各个空间尺度下的兴趣点描述子，通过兴趣点描述子对各幅影像图像的兴趣点进行匹配。

3.根据权利要求1所述的基于影像SURF特征的边坡位移自动监测方法，其特征在于，所述的序列影像图像的像素≥2000万。

4.根据权利要求2所述的基于影像SURF特征的边坡位移自动监测方法，其特征在于，所述的各幅影像图像中各个空间尺度下的兴趣点描述子的元素的大小和方向由影像图像的二维方向上的Harr小波响应值的分布确定。