CN109460705A - 基于机器视觉的输油管道监控方法 - Google Patents

Abstract

本发明公开了基于机器视觉的输油管道监控方法，首先获取图像，调节图像的尺寸与像素的大小。更新一天中每个固定时刻的背景图像序列，进行卷积运算，累积背景取均值，建立背景模型。然后对待识别图像进行图像去噪、增强等处理，再对背景图像和待识别图像灰度处理，生成灰度图像。待识别图像与背景图像做差分运算，获得前景图像。采用OTSU算法取自适应阈值对前景图像做二值化处理，更好的将目标与背景分离。将二值图像进行形态学处理，有效减少离散随机噪声的干扰。获取二值图像连通域的个数，以及对每个连通域目标像素进行统计，判断目标类型是人、小型车或大型车，对符合报警条件的情况进行报警，有效减少安全维护成本，提高监控效率。

Description

基于机器视觉的输油管道监控方法

技术领域

本发明专利涉及计算机图像处理技术，具体涉及图像预处理、图像增强、背景均值建模、自适应阈值差分，以及目标识别与报警方法应用于输油管道监控系统。

背景技术

输油管道以其安全、经济、快捷等特点，近些年来在国内得到重视并且迅速的发展。发展输油管道运输业对石油化产业内部原油资源配置、加快国内外原油资源的利用、降低经营成本、改善国内经济的运行质量具有非常重要的意义。输油管道在得到快速发展的同时，一些不法分子通过盗取国家原油而谋取暴利，导致输油管道运输业发展受到阻碍，国家财产受到损失。如何有效的减少原油盗窃案事件的发生越来越成为人们所关注的问题。由于我国地域复杂多样，很多输油管道布置于人烟稀少、监控范围弱的野外地段，依靠常规的管理安全人员的人工巡查方式，不仅效率低而且很浪费时间，同时也难以解决管道安全的防护问题。因此需要借助计算机视觉图像处理技术对输油管道多处地段进行检测，并且对发生盗窃行为的检测目标进行报警，从而减少原油盗窃事件的发生。

现借助计算机技术、图像处理技术，提出一种野外输油管道目标识别与报警方法。新提出的图像处理算法弥补现有输油管道监控系统的不足，对发生原油盗窃的行为进行及时、准确的报警。本设计采用机器视觉的目标检测方法，在野外多处输油管道地段安装无线摄像头，每处摄像头按一天每隔一段时间的固定时刻获取单帧监控图像，通过无线网络技术传至监控室图像信息数据库。监控室主机运行VS2010工具开发的上位机软件，获取图像以后通过图像处理算法对历史序列图像进行分析，识别图像中的目标，对检测目标进行的行为进行分析，若疑似盗窃行为，系统立刻发出警报提示，提醒周边管道安全管理人员对盗窃者实施制止。该算法基于监控终端上的识别和报警机制，辅助安全管理人员的工作，有效减少安全维护成本，提高监控效率。

发明内容

本发明的目的在于解决现有输油管道监控系统的弊端，提供了一种可靠、灵敏的图像处理算法，能准确、快捷、方便地获取野外输油管道周围环境的图像信息，判断可疑目标及给出报警信息，为管道安全管理人员的防盗措施带来很大的便利。为实现上述目的，本文采用的技术方案为基于机器视觉的野外输油管道目标检测方案：为输油管道安全管理人员提供准确、及时的报警信息，提高监控效率，降低安全维护成本。

本发明采用的技术方案为基于机器视觉的输油管道监控方法，该方法是一种针对野外输油管道周围目标识别与报警的方法，对野外图像进行一系列的图像处理，获取前景目标，对可疑目标进行圈定以及实施报警措施。

本方法的具体实施步骤如下：

步骤a)对获取的单帧野外输油管道图像进行初始化。调整单帧野外输油管道图像的大小以及单帧野外输油管道图像的分辨率。采用最近邻插值方法对野外输油管道图像大小进行调整，野外输油管道图像简称图像，图像大小调整的公式如下：

原图像大小为(src.height,src.width)，调整后图像的大小为(dest.height,dest.width)；src.height，src.width分别为野外输油管道单帧图像的的高和宽；dest.height，dest.width分别为调整后野外输油管道单帧图像的的高和宽。

fh＝src.height/dest.height

fw＝src.width/dest.width

fh为高度缩放比例，fw为宽度缩放比例；

输出图像(x,y)点处像素取原图像(x*fh,y*fw)点处像素，得到新调整的图像，新调整的图像不失比例；

步骤b)判断图像是否出现异常情况，以及对各种异常情况进行相应的图像预处理。若出现雾霾天气，对图像进行去雾处理；若图像光通量太大，作为获取图像失败情况处理等。采用暗原色先验模型方法去雾，大气散射模型的形成过程：

H(x)＝F(x)e^-rd(x)+A(1-e^-rd(x))

其中，x为图像像素的空间坐标；H是观察到的有雾图像；F是待恢复的无雾图像；r表示大气散射系数；d代表景物深度；A是全局大气光，且假设A为全局常量，与空间坐标x无关。实现方法如下：

(1)输入：有雾图像H(x)；

(2)求取三个颜色通道的最小值M(x)

(3)对M(x)进行均值滤波，得出M_ave(x)

s_a表示均值滤波窗口的尺寸；

(4)求取M(x)中所以元素的均值m_av

(5)利用M_ave(x)求出L(x)

L_o(x)＝min(min(βm_av,0.9)M_ave(x),M(x))

L_o(x)表示环境光估计；

(6)利用M_ave(x)和H(x)求出A

(7)输出：去雾后图像F(x)

步骤c)将已调整大小和尺寸的彩色图像转化为灰度图像。彩色图像中每个像素的颜色有R、G、B三个分量决定，将三个分量以不同的权值进行加权平均，得到一个灰度值。公式如下：

Y＝α*R+β*G+γB

其中α+β+γ＝1，Y为计算之后获取的灰度值；R为原彩色图像中红色分量；G为原彩色图像中绿色分量；B为原彩色图像中蓝色分量。

步骤d)对步骤c)中获取的灰度图像进行高斯滤波，去除光线变化和树枝摆动等随机噪声的干扰，对图像平滑去噪的同时更多的保留图像的总体灰度分布特征。高斯滤波是通过对输入图像的每个像素点与高斯核的卷积算子执行卷积计算然后将这些结果一块组成了滤波后的输出图像数组。二维高斯分布：

若使用3×3高斯核，则计算公式如下：

g(x,y)＝{f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y-1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16；

g(x,y)：输出图像在(x,y)点处的像素值；

f(x,y)：输入图像在(x,y)点处的像素值；

步骤e)均值背景建模建立背景模型。取一天中固定时刻前一个月的图像序列，建立这个时刻的背景模型，将所有帧的像素点相加，取平均作为背景模型的估计。

I_i表示图像序列的第i帧图像，其中i＝1，2，…，N；

I_B表示N帧图像的均值图像，即均值背景模型；

步骤f)在获取累积所得的背景图像之后，再将待检测图像与背景图像进行差分，获取待检测图像的前景图像。具体做法是将待检测图像与背景图像做作差再取绝对值：

sl(x,y)＝|src(x,y)-dst(x,y)|

dst(x,y)为背景图像

src(x,y)为某时刻待检测图像

sl(x,y)为差分所获得的前景图像

步骤g)一天中光线强度时刻在变化，采用固定阈值对图像进行二值化，前景和背景不能更好的分离，因此，采用自适应阈值二值化处理。最大类间方差是由日本学者大津(Nobuyuki Otsu)于1979年提出，是一种自适应的阈值确定方法。假设图像大小为M×N，具体实现方法如下：

w0＝N0/M×N，N0为前景点数，w0为前景点数占图像比例；

w1＝N1/M×N，N1为背景点数，w1为背景点数占图像比例；

w0+w1＝1；

μ＝ω0*μ0+ω1*μ1；

g＝w0(μ0-μ)^2+w1(μ1-μ)^2；

得出类间方差：g＝w0w1(μ0-μ1)^2；

用遍历的方法得到使类间方差g最大的阈值T，即为最合适的阈值，将小于T的像素置0，大于T的像素置为255，获得前景图像。

步骤h)对二值前景图像进行形态学方法处理。首先腐蚀方法进行运算，消除噪声引起的小像素块；再进行膨胀方法进行运算，填满前景空洞现象。

腐蚀方法的步骤：

(1)用3x3的结构元素，扫描图像的每一个元素

(2)用结构元素与其覆盖的二值图像做“与”操作

(3)如果都为1，结果图像的该像素为1。否则为0

(4)结果：消除细小无意义的噪声点

膨胀方法的步骤：

(1)用3x3的结构元素，扫描图像的每一个元素

(2)用结构元素与其覆盖的二值图像做“与”操作

(3)如果都为0，结果图像的该像素为0。否则为1

(4)结果：填满前景空洞现象。

步骤i)统计去噪后的二值图像目标个数，采用像素面积法判断目标类型，在监控界面进行显示，对可疑目标进行圈定，进而采取报警措施。

附图说明

图1为系统总体设计流程图。

图2为无雾图像目标检测，图中：(a)原始图像；(b)背景灰度图像；(c)二值前景图像；(d)检测图像

图3为有雾图像目标检测。图中：(a)原始图像；(b)去雾图像；(c)二值前景图像；(d)检测图像。

图4为本方法的实施流程图。

具体实施方式

图1为输油管道监控系统总体设计流程图，核心部分为图像处理算法过程。图2和图3分别针对无雾和有雾情况采用本方法进行目标检测过程，实验发现均达到很好的效果。具体实施方式如下：

1.获取单帧图像进行初始化，设定图像大小为320*280，命名为“original”。判断图像是否有雾，以及对有雾图像进行去雾处理，去雾图像命名为“defog”。然后对图像去噪并增强处理。

2.对预处理图像进行灰度处理，α、β、γ分别为颜色通道R、G、B三个分量的权值，经验取值分别为0.299、0.587、0.114，获得的灰度图像。

3.采用OTSU自适应阈值法获取阈值，二值分割待检测图像与背景图像差分的图像，获取前景图像，然后进行形态学处理方法去噪，图像命名为“foreground”。

4.获取图像，对图像进行目标圈定与报警处理，图像命名为“detect”。

Claims (4)

1.基于机器视觉的输油管道监控方法，其特征在于：

本方法的具体实施步骤如下，

步骤a)对获取的单帧野外输油管道图像进行初始化；调整单帧野外输油管道图像的大小以及单帧野外输油管道图像的分辨率；采用最近邻插值方法对野外输油管道图像大小进行调整，野外输油管道图像简称图像，图像大小调整的公式如下：

原图像大小为(src.height,src.width)，调整后图像的大小为(dest.height,dest.width)；src.height，src.width分别为野外输油管道单帧图像的的高和宽；dest.height，dest.width分别为调整后野外输油管道单帧图像的的高和宽；

fh＝src.height/dest.height

fw＝src.width/dest.width

fh为高度缩放比例，fw为宽度缩放比例；

输出图像(x,y)点处像素取原图像(x*fh,y*fw)点处像素，得到新调整的图像，新调整的图像不失比例；

步骤b)判断图像是否出现异常情况，以及对各种异常情况进行相应的图像预处理；若出现雾霾天气，对图像进行去雾处理；若图像光通量太大，作为获取图像失败情况处理；采用暗原色先验模型方法去雾，大气散射模型的形成过程：

H(x)＝F(x)e^-rd(x)+A(1-e^-rd(x))

其中，x为图像像素的空间坐标；H是观察到的有雾图像；F是待恢复的无雾图像；r表示大气散射系数；d代表景物深度；A是全局大气光，且假设A为全局常量，与空间坐标x无关；

步骤c)将已调整大小和尺寸的彩色图像转化为灰度图像；彩色图像中每个像素的颜色有R、G、B三个分量决定，将三个分量以不同的权值进行加权平均，得到一个灰度值；公式如下：

Y＝α*R+β*G+γB

其中α+β+γ＝1，Y为计算之后获取的灰度值；R为原彩色图像中红色分量；G为原彩色图像中绿色分量；B为原彩色图像中蓝色分量；

步骤d)对步骤c)中获取的灰度图像进行高斯滤波，去除光线变化和树枝摆动随机噪声的干扰，对图像平滑去噪的同时更多的保留图像的总体灰度分布特征；高斯滤波是通过对输入图像的每个像素点与高斯核的卷积算子执行卷积计算然后将这些结果一块组成了滤波后的输出图像数组；二维高斯分布：

若使用3×3高斯核，则计算公式如下：

g(x,y)＝{f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y-1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16；

g(x,y)：输出图像在(x,y)点处的像素值；

f(x,y)：输入图像在(x,y)点处的像素值；

步骤e)均值背景建模建立背景模型；取一天中固定时刻前一个月的图像序列，建立这个时刻的背景模型，将所有帧的像素点相加，取平均作为背景模型的估计；

I_i表示图像序列的第i帧图像，其中i＝1，2，…，N；

I_B表示N帧图像的均值图像，即均值背景模型；

步骤f)在获取累积所得的背景图像之后，再将待检测图像与背景图像进行差分，获取待检测图像的前景图像；具体做法是将待检测图像与背景图像做作差再取绝对值：

sl(x,y)＝|src(x,y)-dst(x,y)|

dst(x,y)为背景图像

src(x,y)为某时刻待检测图像

sl(x,y)为差分所获得的前景图像

步骤g)一天中光线强度时刻在变化，采用固定阈值对图像进行二值化，前景和背景不能更好的分离，因此，采用自适应阈值二值化处理；最大类间方差是由日本学者大津(Nobuyuki Otsu)于1979年提出，是一种自适应的阈值确定方法；假设图像大小为M×N，具体实现方法如下：

w0＝N0/M×N，N0为前景点数，w0为前景点数占图像比例；

w1＝N1/M×N，N1为背景点数，w1为背景点数占图像比例；

w0+w1＝1；

μ＝ω0*μ0+ω1*μ1；

g＝w0(μ0-μ)^2+w1(μ1-μ)^2；

得出类间方差：g＝w0w1(μ0-μ1)^2；

用遍历的方法得到使类间方差g最大的阈值T，即为最合适的阈值，将小于T的像素置0，大于T的像素置为255，获得前景图像；

步骤h)对二值前景图像进行形态学方法处理；首先腐蚀方法进行运算，消除噪声引起的小像素块；再进行膨胀方法进行运算，填满前景空洞现象；

步骤i)统计去噪后的二值图像目标个数，采用像素面积法判断目标类型，在监控界面进行显示，对可疑目标进行圈定，进而采取报警措施。

2.根据权利要求1所述的基于机器视觉的输油管道监控方法，其特征在于：

步骤b)中，大气散射模型的形成过程的实现方法如下：

(1)输入：有雾图像H(x)；

(2)求取三个颜色通道的最小值M(x)

(3)对M(x)进行均值滤波，得出M_ave(x)

s_a表示均值滤波窗口的尺寸；

(4)求取M(x)中所以元素的均值m_av

(5)利用M_ave(x)求出L(x)

L_o(x)＝min(min(βm_av,0.9)M_ave(x),M(x))

L_o(x)表示环境光估计；

(6)利用M_ave(x)和H(x)求出A

(7)输出：去雾后图像F(x)

。

3.根据权利要求1所述的基于机器视觉的输油管道监控方法，其特征在于：腐蚀方法的步骤：

(1)用3x3的结构元素，扫描图像的每一个元素

(2)用结构元素与其覆盖的二值图像做“与”操作

(3)如果都为1，结果图像的该像素为1；否则为0

(4)结果：消除细小无意义的噪声点。

4.根据权利要求1所述的基于机器视觉的输油管道监控方法，其特征在于：膨胀方法的步骤：

(1)用3x3的结构元素，扫描图像的每一个元素

(2)用结构元素与其覆盖的二值图像做“与”操作

(3)如果都为0，结果图像的该像素为0；否则为1

(4)结果：填满前景空洞现象。