CN111914695A - 一种基于机器视觉的涌潮监测方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的涌潮监测方法，包括如下步骤：利用监控设备采集水面视频序列图像；对采集到的水面视频序列图像进行背景消除处理得到前景图；对前景图进行前景波纹噪声抑制处理；对经过前景波纹噪声抑制处理后的前景图进行潮头线检测；基于获取的潮头线信息，对潮头线的距离进行测量以及速度估计。本发明能够用于涌潮的在线监测预警，并且具有程序效率高、背景干扰抑制明显、突出潮头线轮廓、检测精度高、实时性强等诸多优点，解决了现有技术中存在的一系列问题，具备更好的涌潮监测效果。

Description

一种基于机器视觉的涌潮监测方法

技术领域

本发明属于智慧水利领域，涉及一种涌潮监测方法，具体涉及一种基于机器视觉的涌潮监测方法。

背景技术

潮波进入河口以后变形进一步加剧，在一定条件下形成水位遽然升高的涨潮潮波前峰线，即为涌潮。涌潮是向河口上游推进的波列，强度比较小时，表面无破碎，为波状涌潮；强度变大时，表面破碎，发展成漩滚涌潮，即为强涌潮。强涌潮潮波与落潮流相遇后，潮波破碎，卷入大量空气，潮头形成乳白色的水气混合体，溯源挺进，气势汹涌，甚为壮观。然而壮观的同时，涌潮也存在一些安全隐患，给沿岸的生产以及观潮人带来许多不便。以我国钱塘江为例，根据不完全统计，自1998年以来，已经有超过数百人被钱塘江潮水卷走，至少上百人因此丧生。一次次的悲剧使得浙江省把涌潮灾害列入首要解决的问题列表中，同时，为了防止“吞人”事件的再次发生，政府部门和当地群众，自发组织“喊潮人”，劝告那些涌潮来临时还在游泳、处在危险地带的游客。水文部门也根据涌潮规律进行涌潮预报，但由于受风向和地理位置等自然因素的影响，水文部门对涌潮到达的预测时间误差很大，并且无法预测涌潮的强度大小。因此，只有准确的检测到涌潮，计算出涌潮强度和移动速度，评判其危险系数并及时发布预警信息才能真正解决钱塘江涌潮可能存在的安全隐患。此外，强烈掺气的涌潮潮头具有强烈的紊动特性，其必然会对水域的环流结构、泥沙的输移、污染物的扩散，甚至于整个河口区域的生态平衡等都产生巨大的影响。因此涌潮监测具有重要的社会意义和科学研究价值。

传统的涌潮监测方式主要有接触式和非接触式两类，接触式测量方法采用水位计和流速流向仪，利用涌潮到达时水位升高、涌潮流向与江水相反和涌潮流速等等水文数据来实施监控，但是这种接触式设备的缺点是：涌潮中会带来大量泥沙，导致测量误差较大，同时设备与潮水长期接触会被不断的腐蚀造成系统故障。非接触式测量采用在岸边架设设备，通过雷达、音频、视频等信号来实现对涌潮的检测。非接触式设备的优点是能够避免因涌潮冲击和潮水腐蚀造成的设备损坏，设备安装维修都相对方便。目前大部分涌潮检测的方式都是基于涌潮音频特征，基于音频的涌潮检测方式通过收集钱塘江沿岸布设的音频数据传感器信号，然后对收集到的信号进行带通滤波，计算涌潮频段信号的能量大小判断是否有涌潮到达。

但是，传统的基于音频的涌潮监测技术无法在观潮人众多声音干扰严重时实现监测，同时实现方法单一，不能对下一监测点提供有效信息，实现后续监测点的预测功能。然而基于视频的监测方法，首先从成本上考虑，以钱塘江为例，目前钱塘江沿岸具有完善的监控系统，不需要额外布控设备，投资成本低，此外，基于视频的涌潮监测方法能够通过图像处理技术和平面摄影测量技术实现跟踪测量涌潮的位置和运动信息，可为下一监测点提供相对准确的预报信息。

涌潮检测的基本原理是水上运动目标检测，目前国内外提出了很多水上运动目标检测跟踪算法。Gloyer B等人通过中值法来进行背景建模，对图像序列进行训练，提取每个像素点的灰度中值作为背景模型，然后将待测帧与此模型作差分运算来判断各像素点是否属于运动目标；Wren等人提出了单高斯背景建模，该方法假设背景中像素点在一段时间内符合高斯分布，然后将高斯模型与待测像素进行比较。该方法简单，计算量小，实时性强，在某些应用中有不错的效果，但是无法适应室外复杂的背景环境；针对单高斯的局限性，Stauffer和Grimson等人又提出了混合高斯建模方法，即为图像中每个像素建立多个高斯分布模型，以此来适应室外复杂多变的环境，对噪声具有一定的优化作用，但环境中的每个像素具有不定性，采用固定个数的高斯模型可能并不准确；Barnich等人提出了一种基于像素模型非参数化的VIBE建模算法，该算法利用每个像素的8领域灰度值为其建立一个一定长度的样本集，将输入的像素与样本集中像素进行比较，通过预设阈值判断该点是否属于背景点，并用匹配的像素点随机更新样本集。该算法的特点是采用随机更新策略，适应性强，在大部分实际场景中都有不错的效果。

基于视频的涌潮监测方法主要利用单帧或多帧图像，检测涌潮潮头的位置以及计算其运动速度。Ji Sufang等人提出利用单帧图片检测潮头线的方法，这种方法简单快速，能够提取出背景简单的图片中的潮头线，但是对于复杂的背景环境，这种方法无法得到准确的潮头线；曾旭等人提出了基于视频识别的涌潮检测方法，通过混合高斯模型对水面进行背景建模，再利用待测帧与背景图像差分运算提取潮头线，这种方法对于静态背景有较好的检测效果，但是对于水面波纹大、背景复杂的场景，会存在较多其他运动目标形成的噪声，导致提取的潮头线不准确；高鹏等人提出利用背景建模法和粒子滤波模型对涌潮进行检测和跟踪，该算法能够实现涌潮的检测与动态跟踪，但是对于参数依赖性较大，并且不具备实时检测的能力等。

由于监控摄像机的视角不仅包括陆地，还包括复杂的水面，再者涌潮属于非刚性目标，这些因素使得基于视频的涌潮监测研究十分棘手。虽然在运动目标检测研究领域，专家学者们提出了许多算法，但是都只适用于特定的环境当中，所以针对涌潮检测还需进一步研究。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于机器视觉的涌潮监测方法。

技术方案：为实现上述目的，本发明提供一种基于机器视觉的涌潮监测方法，包括如下步骤：

S1：利用监控设备采集水面视频序列图像；

S2：对采集到的水面视频序列图像进行背景消除处理得到前景图；

S3：对前景图进行前景波纹噪声抑制处理；

S4：对步骤S3中经过前景波纹噪声抑制处理后的前景图进行潮头线检测；

S5：基于步骤S4获取的潮头线信息，对潮头线的距离进行测量以及速度估计。

进一步的，步骤S1中视频图像采集环节具体为：首先将摄像机架设于高杆上拍摄来潮方向并测量其外参；然后根据设定的采样间隔对拍摄的视频解码取帧，采用实验室中预先标定得到摄像机内参对每帧图像进行畸变校正得到无失真的灰度图像序列接着对灰度图像序列进行背景消除。这里外参测量通过单像空间后方交会求解外方位参数，根据张正友标定法计算摄像机的内参和校正系数。

进一步的，所述步骤S2中背景消除处理的具体过程为：

A1：将采集得到的灰度图像进行背景建模得到涌潮图像序列的前景图和背景图；

A2：将得到的前景图进行中心化和纵向梯度处理；

A3：根据步骤A2处理后的图像的灰度值更新背景模型以此来快速响应灰度值的突变，得到抑制局部背景变化后的前景图。

进一步的，所述步骤A1中背景建模具体为：利用公式(1)对畸变校正后的无失真的灰度图像进行背景差分运算，认为满足公式(1)的像素点为背景点，不满足公式(1)的像素点为前景点，从而得到前景图和背景图：

I_t+1(x,y)-μ_t(x,y)＜kσ_t(x,y) (1)

其中，I_t+1(x,y)表示t+1帧图像(x,y)处的灰度值，μ_t(x,y)表示背景模型中该像素位置的灰度值，k为常数，σ_t(x,y)为标准差。

进一步的，所述步骤A2中中心化处理的公式为：

其中，I(t)为当前帧图像，mean(I(t))为当前帧图像所有像素点灰度总和的平均值，I'(t)为中心化后的图像；

纵向梯度处理的公式为：

其中，row表示图像像素的总行数，f(i)表示第i行的像素值，Grad(i)表示第i行的梯度值。

进一步的，所述步骤A3的具体过程为：首先统计相邻帧之间的灰度总值变化大小并设定阈值，然后在背景差分检测前，计算待测帧与前一帧图像的灰度总值变化，当变化超过阈值时，重新初始化背景模型，然后再进行检测，快速响应灰度值的突变，用这样的方式得到包含潮头线和其他干扰因素的前景图。

进一步的，所述步骤S3中前景波纹噪声抑制处理依次包括水面耀光消除和水面波纹抑制两个环节，具体为：

(1)水面耀光消除：在前景图像上设置一个矩形窗口，令前景点位于窗口的中心，统计所有前景点周围九宫格内8领域像素点灰度值的大小总和，之后对所有前景点九宫格区域内所有像素点的灰度值求平均值，最后将小于平均灰度值的前景点消除；

(2)水面波纹抑制：为建模后背景图像上的每一像素点建立一个记录耀光情况的变量E(x,y)并规定初始值为0，如果某像素点(x,y)在某时刻被判断为背景点，而下一时刻被判断为前景点，则将该像素点耀光变量值E(x,y)加a，反之则减b。若相邻两次检测结果均为前景，则耀光变量值E(x,y)加a/2；若相邻两次检测均为背景，耀光变量值E(x,y)不做修改；如果耀光变量值E(x,y)大于阈值T，则将该点从前景图中移除，并将其判定为由于波纹扰动或其他周期性干扰引起的噪声，其中a,b为根据经验设定的常量。

进一步的，所述步骤S4中潮头线检测的具体过程为：首先对抑制波纹噪声后的前景图像进行上下沿提取，然后采用最小二乘法拟合上下沿图像中的前景点得到潮头线的直线拟合；考虑背景环境复杂的因素，在拟合时采用不断迭代的方式，比较每个点和拟合直线的误差大小，若误差较大，则判定其为噪声点，从而将其从样本空间ψ中剔除，通过比较所有旧样本空间中的点的误差，并消除误差大的点，得到新的样本空间ψ'，样本空间ψ'的样本点个数小于等于样本空间ψ中的样本点个数，利用样本空间ψ'重新拟合直线得到涌潮运动方向前沿图，最后根据Hough变换直线检测技术对涌潮运动方向前沿图进行直线提取，并建立潮头线方程描述。

进一步的，所述样本空间ψ的表达式为：ψ＝(x₁,y₁)(x₂,y₂),...,(x_i,y_i)，计算样本点对应的A,B,C,D值，其中，A＝∑x_iy_i、B＝∑x_i、

D＝∑y_i。

进一步的，所述步骤S5中对潮头线的距离进行测量以及速度估计的具体过程为：

在前景图上寻找潮头线端点，并统计潮头线端点图像坐标(x₁,y₁)、(x₂,y₂)，然后基于摄影测量学中的中心透视投影成像假设物点(X,Y,Z)、投影中心(X_C,Y_C,Z_C)和像点(x,y)三点共线的原理，利用式(4)给出的共线方程求解潮头线端点世界坐标(X₁,Y₁)、(X₂,Y₂)：

式中，s为图像传感器的像元尺寸，(x_o,y_o)为图像的像主点坐标，9个系数构成的旋转矩阵由摄像机相对于水平面的方位角κ、俯仰角ω和横滚角

表示：

其中，(X_C,Y_C,Z_C,

ω,κ)称为摄像机的外方位参数，通过摄像机现场标定获得；

具体实施方法是：以摄像机为水平面坐标的原点，即假设X_C＝0、Y_C＝0；将摄像机相对与水面的高程Z_C表示为摄像机相对于水位参考点的高程Z₀与实际水位(潮位)l之和，即Z_C＝Z₀+l；采用姿态传感器测量摄像机的相对于水平面的方位角κ、俯仰角ω和横滚角

通过两点式求出直线的方程简化为一般方程：

其中，y表示直线方程因变量，x表示直线方程自变量，之后利用点到直线的距离公式：

其中，dis为待求摄像机到潮头线距离，

B＝-1，

(x₀,y₀)为通过单相空间后方交会法求解的摄像机外方位坐标参数，潮头线运动的平均速度计算公式如下：

其中，

表示潮头线运动的平均速度，dis为当前帧计算得到的潮头线距离，dis0为进行检测时选取的第一张图片的潮头线距离，num为当前帧号，num0为检测第一张的图像帧号，fps为帧率；从而得到潮头线到摄像机的距离并根据潮头线到摄像机的距离求取潮头线的运动平均速度。

本发明方法分为视频图像采集、背景消除、前景波纹噪声抑制、潮头线检测、潮头线距离与速度测量五个环节。首先将摄像机架设于高杆上拍摄来潮方向并测量其外参；然后根据设定的采样间隔对拍摄的视频解码取帧，采用实验室中预先标定得到摄像机内参对每帧图像进行畸变校正得到无失真的灰度图像序列接着对灰度图像序列进行背景消除，背景消除环节首先采用单高斯背景建模算法对灰度图像序列进行背景建模，然后对建模后的背景模型及待测图像进行背景差分运算得到前景图，并对前景图进行中心化和纵向梯度处理，根据处理后图像的灰度值更新背景建模模型得到包含潮头线和其他干扰因素的前景图像；接下来基于灰度统计特征以及水面耀光闪烁特征对前景图像进行水面耀光消除及波纹抑制得到抑制波纹噪声的前景图像；之后对得到的抑制波纹噪声后的前景图进行潮头线检测并建立其直线方程；潮头线距离测量和速度估计环节将实测的摄像机外参结合免像控的平面摄影测量技术实现潮头线距离和速度的测量。

有益效果：本发明与现有技术相比，具备如下优点：

1、实时性强。本发明采用的背景建模法基于单高斯背景建模算法进行算法改进，相比于混合高斯建模方法和VIBE建模方法，方法计算量小、程序效率高；基于机器视觉的涌潮监测方法能够通过图像处理技术和平面摄影测量技术实现跟踪测量涌潮的位置和运动信息，为下一监测点提供相对准确的预报信息。

2、稳定性强。基于单高斯背景算法的算法改进，相比于传统的单高斯背景算法，通过对图像进行中心化处理、纵向梯度处理以及更新背景模型，有利于适应室外复杂的背景环境，对水面“鬼影”和倒影具有优化作用。

3、检测精度高。基于灰度统计特征以及水面耀光闪烁特征对前景图像进行水面耀光消除及波纹抑制，降低噪声前景点对潮头线提取时的干扰，有利于提取潮头线；先采用直线拟合再进行Hough变换，有利于潮头线的精定位并能实现涌潮的跟踪功能。

4、能够实现距离测量与速度估计。通过现场标定得到的摄像机外参结合免像控的平面摄影测量技术，可计算出潮头线到摄像机的距离；并通过计算出的潮头线到摄像机的距离计算出涌潮的运动平均速度。

附图说明

图1为本发明方法流程图；

图2为现有的单高斯背景建模算法流程图；

图3为本发明中进行改进的单高斯背景建模算法流程图；

图4为实验测点球机硬件图；

图5为本发明方法实验效果图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明。

本发明提供一种基于机器视觉的涌潮监测方法，如图1所示，其依次包括视频图像采集、背景消除、前景波纹噪声抑制、潮头线检测、潮头线距离测量和速度估计共五个环节。

本实施例以钱塘江海宁公园观测点为例，对本发明方法进行应用，其具体过程如下：

(1)视频图像采集环节：

本实施例中的视频图像序列由钱塘江海宁公园观测点直接提供，实验测点硬件图具体如图4所示，已知钱塘江海宁公园观测点拍摄时采用的摄像机是海康威视的球机，通过摄像机现场标定获得摄像机镜头焦距为6mm、俯仰角ω为3.5°，并将采集得到的视频图像序列转换为无失真灰度图像。

(2)背景消除环节：

本实施例中对如图2所示的现有的单高斯背景建模算法流程进行改进，得到如图3所示的改进的单高斯背景建模算法流程，参照图3的流程，背景消除环节分为以下步骤：

①利用公式对无失真的灰度图像进行背景差分运算，认为满足公式的像素点为背景点，不满足公式的像素点为前景点，从而得到前景图，公式为：

I_t+1(x，y)-μ_t(x，y)＜kσ_t(x，y) (1)

其中，I_t+1(x，y)表示t+1帧图像(x，y)处的灰度值，μ_t(x，y)表示背景模型中图像(x，y)处灰度值的均值，k一般取常数2.5-3.0，σ_t(x，y)为背景模型中图像(x，y)处灰度值的标准差。本实施例中取k为2.5。得到其背景图和前景图，其中背景图具体如图5中的(c)所示。

②将建模得到的前景图利用公式进行中心化处理，公式为：

其中，I(t)为第t帧图像所有像素点灰度值矩阵，mean(I(t))为第t帧图像所有像素点灰度总和的平均值矩阵，I′(t)为中心化后的图像所有像素点灰度值矩阵，具体的处理结果如图5中的(a)所示；

然后将经过中心化处理后的图像进行纵向梯度处理，梯度处理公式为：

其中，row表示图像像素的总行数，f(i)表示第i行所有像素点灰度值行向量，Grad(i)表示第i行所有像素点梯度值行向量，得到了经中心化和梯度处理后的前景图，具体如图5中的(b)所示。

③更新背景模型：首先统计前景图序列相邻帧之间的灰度总值变化大小并设定合适的阈值，然后计算待测帧与前一帧图像的灰度总值变化，当变化超过阈值时，重新初始化背景模型或者提高背景模型更新速率α，最后利用背景差分运算进行检测以此来快速响应灰度值的突变。用这样的方式得到了包含潮头线和其他干扰因素的前景图像，具体如图5中的(c)所示。

(3)前景波纹噪声抑制环节：

①水面耀光消除：首先在包含潮头线和其他干扰因素的前景图像上设置一个矩形窗口，令前景点位于窗口的中心，然后统计所有前景点周围九宫格内8领域像素点灰度值的大小总和，之后对所有前景点九宫格区域内所有像素点的灰度值求平均值，最后将小于平均灰度值的前景点消除。本实施例中处理结果如图5中的(d)所示。

②水面波纹抑制：首先为建模后背景图像上的每一像素点建立一个记录耀光情况的变量E(x,y)并规定初始值为0，如果某像素点(x,y)在某时刻被判断为背景点，而下一时刻被判断为前景点，则将该像素点耀光变量值E(x,y)加a，反之则减b。若相邻两次检测结果均为前景，则耀光变量值E(x,y)加a/2；若相邻两次检测均为背景，耀光变量值E(x,y)不做修改。如果耀光变量值E(x,y)大于阈值T，则将该点从前景图中移除，并将其判定为由于波纹扰动或其他周期性干扰引起的噪声。本实例中a＝10、b＝1、阈值T为30，经过水面波纹抑制处理的结果具体如图5中的(e)所示。

(4)潮头线检测环节：

首先对抑制波纹噪声后的前景图像进行上下沿提取，然后采用最小二乘法拟合上下沿图像中的前景点得到潮头线的直线拟合；考虑背景环境复杂的因素，在拟合时采用不断迭代的方式，比较每个点和拟合直线的误差大小，若误差较大，则判定其为噪声点，从而将其从样本空间ψ中剔除，通过比较所有旧样本空间中的点的误差，并消除误差大的点，得到新的样本空间ψ'，样本空间ψ'的样本点个数小于等于样本空间ψ中的样本点个数。利用样本空间ψ'重新拟合直线得到涌潮运动方向前沿图，最后根据Hough变换直线检测技术对涌潮运动方向前沿图进行直线提取，并建立潮头线方程描述。

本实施例中直线拟合的结果具体如图5中(g)所示；得到的前沿图具体如图5中的(f)所示；经过Hough变换的前沿图的前景点对应曲线，具体如图5中的(h)所示；经过Hough变换检测到的潮头线，具体如图5中的(I)所示。

(5)潮头线距离测量和速度估计环节：

在上述潮头线检测环节结束之后，在前景图上寻找潮头线端点，并统计潮头线端点图像坐标(x₁,y₁)、(x₂,y₂)，然后基于摄影测量学中的中心透视投影成像假设物点(X,Y,Z)、投影中心(X_C,Y_C,Z_C)和像点(x,y)三点共线的原理，利用式(4)给出的共线方程求解潮头线端点世界坐标(X₁,Y₁)、(X₂,Y₂)：

式中，s为图像传感器的像元尺寸，(x_o,y_o)为图像的像主点坐标，9个系数构成的旋转矩阵由摄像机相对于水平面的方位角κ、俯仰角ω和横滚角

表示：

其中，(X_C,Y_C,Z_C,

ω,κ)称为摄像机的外方位参数，通过摄像机现场标定获得；

具体实施方法是：以摄像机为水平面坐标的原点，即假设X_C＝0、Y_C＝0；将摄像机相对与水面的高程Z_C表示为摄像机相对于水位参考点的高程Z₀与实际水位(潮位)l之和，即Z_C＝Z₀-l；采用姿态传感器测量摄像机的相对于水平面的方位角κ、俯仰角ω和横滚角

本实施例中摄像机相对于水位参考点的高程Z₀为10m、方位角κ为0°、俯仰角ω为3.5°和横滚角

为0°。

通过两点式求出直线的方程简化为一般方程：

其中，y表示直线方程因变量，x表示直线方程自变量，之后利用点到直线的距离公式：

其中，dis为待求摄像机到潮头线距离，

B＝-1，

(x₀,y₀)为通过单相空间后方交会法求解的摄像机外方位坐标参数，潮头线运动的平均速度计算公式如下：

其中，

表示潮头线运动的平均速度，dis为当前帧计算得到的潮头线距离，dis0为进行检测时选取的第一张图片的潮头线距离，num为当前帧号，num0为检测第一张的图像帧号，fps为帧率；从而得到潮头线到摄像机的距离并根据潮头线到摄像机的距离求取潮头线的运动平均速度。

本实施例中帧率为30fps，帧间时间间隔为33.33ms得到潮头线到摄像机的距离并根据潮头线到摄像机的距离求取潮头线的运动平均速度。

最终获取到如下表所示的潮头线运动测量数据：

表1潮头线运动测量数据

从而能够用于涌潮的在线监测预警。

Claims (10)

1.一种基于机器视觉的涌潮监测方法，其特征在于，包括如下步骤：

S1：利用监控设备采集水面视频序列图像；

S2：对采集到的水面视频序列图像进行背景消除处理得到前景图；

S3：对前景图进行前景波纹噪声抑制处理；

S4：对步骤S3中经过前景波纹噪声抑制处理后的前景图进行潮头线检测；

S5：基于步骤S4获取的潮头线信息，对潮头线的距离进行测量以及速度估计。

2.根据权利要求1所述的一种基于机器视觉的涌潮监测方法，其特征在于，所述步骤S1中水面视频序列图像的采集过程为：将摄像机架设于高杆上，拍摄来潮方向；摄像机经过实验室标定，得到其内参用于图像畸变校正，得到无失真的灰度图像序列。

3.根据权利要求2所述的一种基于机器视觉的涌潮监测方法，其特征在于，所述步骤S2中背景消除处理的具体过程为：

A1：将采集得到的灰度图像进行背景建模得到涌潮图像序列的前景图和背景图；

A2：将得到的前景图进行中心化和纵向梯度处理；

A3：根据步骤A2处理后的图像的灰度值更新背景模型以此来快速响应灰度值的突变，得到抑制局部背景变化后的前景图。

4.根据权利要求3所述的一种基于机器视觉的涌潮监测方法，其特征在于，所述步骤A1中背景建模具体为：利用公式(1)对畸变校正后的无失真的灰度图像进行背景差分运算，认为满足公式(1)的像素点为背景点，不满足公式(1)的像素点为前景点，从而得到前景图和背景图：

I_t+1(x,y)-μ_t(x,y)＜kσ_t(x,y) (1)

其中，I_t+1(x，y)表示t+1帧图像(x，y)处的灰度值，μ_t(x，y)表示背景模型中该像素位置的灰度值，k为常数，σ_t(x，y)为标准差。

5.根据权利要求3所述的一种基于机器视觉的涌潮监测方法，其特征在于，所述步骤A2中中心化处理的公式为：

其中，I(t)为当前帧图像，mean(I(t))为当前帧图像所有像素点灰度总和的平均值，I'(t)为中心化后的图像；

纵向梯度处理的公式为：

其中，row表示图像像素的总行数，f(i)表示第i行的像素值，Grad(i)表示第i行的梯度值。

6.根据权利要求3所述的一种基于机器视觉的涌潮监测方法，其特征在于，所述步骤A3的具体过程为：首先统计相邻帧之间的灰度总值变化大小并设定阈值，然后在背景差分检测前，计算待测帧与前一帧图像的灰度总值变化，当变化超过阈值时，重新初始化背景模型，然后再进行检测，快速响应灰度值的突变，用这样的方式得到包含潮头线和其他干扰因素的前景图。

7.根据权利要求1所述的一种基于机器视觉的涌潮监测方法，其特征在于，所述步骤S3中前景波纹噪声抑制处理依次包括水面耀光消除和水面波纹抑制两个环节，具体为：

(1)水面耀光消除：在前景图像上设置一个矩形窗口，令前景点位于窗口的中心，统计所有前景点周围九宫格内8领域像素点灰度值的大小总和，之后对所有前景点九宫格区域内所有像素点的灰度值求平均值，最后将小于平均灰度值的前景点消除；

(2)水面波纹抑制：为建模后背景图像上的每一像素点建立一个记录耀光情况的变量E(x,y)并规定初始值为0，如果某像素点(x,y)在某时刻被判断为背景点，而下一时刻被判断为前景点，则将该像素点耀光变量值E(x,y)加a，反之则减b。若相邻两次检测结果均为前景，则耀光变量值E(x,y)加a/2；若相邻两次检测均为背景，耀光变量值E(x,y)不做修改；如果耀光变量值E(x,y)大于阈值T，则将该点从前景图中移除，并将其判定为由于波纹扰动或其他周期性干扰引起的噪声，其中a,b为根据经验设定的常量。

8.根据权利要求1所述的一种基于机器视觉的涌潮监测方法，其特征在于，所述步骤S4中潮头线检测的具体过程为：首先对抑制波纹噪声后的前景图像进行上下沿提取，然后采用最小二乘法拟合上下沿图像中的前景点得到潮头线的直线拟合；考虑背景环境复杂的因素，在拟合时采用不断迭代的方式，比较每个点和拟合直线的误差大小，若误差较大，则判定其为噪声点，从而将其从样本空间ψ中剔除，通过比较所有旧样本空间中的点的误差，并消除误差大的点，得到新的样本空间ψ'，样本空间ψ'的样本点个数小于等于样本空间ψ中的样本点个数，利用样本空间ψ'重新拟合直线得到涌潮运动方向前沿图，最后根据Hough变换直线检测技术对涌潮运动方向前沿图进行直线提取，并建立潮头线方程描述。

9.根据权利要求8所述的一种基于机器视觉的涌潮监测方法，其特征在于，所述样本空间ψ的表达式为：ψ＝(x₁,y₁)(x₂,y₂),...,(x_i,y_i)，计算样本点对应的A,B,C,D值，其中，A＝∑x_iy_i、B＝∑x_i、

D＝∑y_i。

10.根据权利要求9所述的一种基于机器视觉的涌潮监测方法，其特征在于，所述步骤S5中对潮头线的距离进行测量以及速度估计的具体过程为：

在前景图上寻找潮头线端点，并统计潮头线端点图像坐标(x₁,y₁)、(x₂,y₂)，然后基于摄影测量学中的中心透视投影成像假设物点(X,Y,Z)、投影中心(X_C,Y_C,Z_C)和像点(x,y)三点共线的原理，利用式(4)给出的共线方程求解潮头线端点世界坐标(X₁,Y₁)、(X₂,Y₂)：

式中，s为图像传感器的像元尺寸，(x_o,y_o)为图像的像主点坐标，9个系数构成的旋转矩阵由摄像机相对于水平面的方位角κ、俯仰角ω和横滚角

表示：

其中，

称为摄像机的外方位参数，通过摄像机现场标定获得；

通过两点式求出直线的方程简化为一般方程：

其中，y表示直线方程因变量，x表示直线方程自变量，之后利用点到直线的距离公式：

其中，dis为待求摄像机到潮头线距离，

B＝-1，

(x₀,y₀)为通过单相空间后方交会法求解的摄像机外方位坐标参数，潮头线运动的平均速度计算公式如下：

其中，

表示潮头线运动的平均速度，dis为当前帧计算得到的潮头线距离，dis0为进行检测时选取的第一张图片的潮头线距离，num为当前帧号，num0为检测第一张的图像帧号，fps为帧率；从而得到潮头线到摄像机的距离并根据潮头线到摄像机的距离求取潮头线的运动平均速度。

Images