CN116883887A - 一种针对红外视频的泄漏气体检测方法 - Google Patents
一种针对红外视频的泄漏气体检测方法 Download PDFInfo
- Publication number
- CN116883887A CN116883887A CN202310655661.7A CN202310655661A CN116883887A CN 116883887 A CN116883887 A CN 116883887A CN 202310655661 A CN202310655661 A CN 202310655661A CN 116883887 A CN116883887 A CN 116883887A
- Authority
- CN
- China
- Prior art keywords
- image
- points
- gas
- infrared video
- frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title abstract description 32
- 238000009499 grossing Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 45
- 238000004891 communication Methods 0.000 claims description 23
- 238000001931 thermography Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 108
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000009965 odorless effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种针对红外视频的泄漏气体检测方法,包括以下步骤:获取红外视频;对红外视频利用高斯滤波进行平滑处理;将处理后的红外视频中的第1帧作为背景图像,将其余各帧图像分别与背景图像相减,得到差分图像并分别转换为二值图像;删除连通区域,然后确定候选气体区域;在候选气体区域内部和边界产生随机分布的点,确定候选气体区域的中心;将候选气体区域的中心分别与候选气体区域的边界点连线,计算连线上相邻两点间在对应帧图像Ii上的像素灰度值之差,通过差值之和得到所有二值图像中的泄漏气体区域。本发明的一种针对红外视频的泄漏气体检测方法,使用方便,降低了成本,实现了快速检测,同时保证了检测精度。
Description
技术领域
本发明涉及图像处理及气体检测技术领域,尤其涉及一种针对红外视频的泄漏气体检测方法。
背景技术
气体泄漏是指那些在空气中无色、无味、无形的气体泄漏,比如氢气、甲烷、氮气和氧气等。这些气体泄漏很难被人们察觉,而且很容易在空气中扩散和积聚,形成爆炸、中毒等危险情况,对人员和环境都会带来极大的威胁和危害。泄漏气体检测的意义在于及时发现、定位和处理气体泄漏,避免潜在的危害和损失。
目前已有的针对红外视频的泄漏气体检测方法主要包括帧间差值法、光流法和机器学习。帧间差值法根据阈值确定泄漏气体区域,但该方法的检测效果受阈值大小的影响,容易导致误检或漏检,从而影响气体泄漏检测的准确性。光流法可以用于检测泄漏气体的运动轨迹,但在光照强度变化较大或者存在复杂的背景干扰时,可能会产生误检测。同时,该方法的计算量较大,对计算资源的要求较高。采用机器学习进行泄漏气体检测需要大量的数据进行训练,以建立泄漏气体检测模型。如果数据量不足或者数据质量不高,可能会导致模型效果不佳。此外,红外图像的目标与背景对比度较低,同时信噪比低、边缘模糊等特点也增加了检测难度。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是现有的泄漏气体检测方法的不足,包括克服阈值选择不当、光照强度变化大、背景干扰等因素影响检测效果,以及需要大量数据进行训练等问题。因此,本发明提供了一种针对红外视频的泄漏气体检测方法,具有易用、快速、精度高、成本低等优势。
为实现上述目的,本发明提供了一种针对红外视频的泄漏气体检测方法,包括以下步骤:
步骤1、利用红外热成像仪获取监测场景的红外视频;
步骤2、对红外视频中的每一帧图像Ii利用高斯滤波进行平滑处理;
步骤3、将经过平滑处理后的红外视频中的第1帧作为背景图像,将其余各帧图像分别与背景图像相减,得到差分图像;
步骤4、根据阈值T1将各差分图像分别转换为二值图像;
步骤5、删除二值图像中面积小于阈值T2,或者长宽比超过阈值T3的连通区域;
步骤6、计算当前帧中连通区域Ci与下一帧对应位置的连通区域Ci+1之间的交并比,如果交并比大于阈值T4,则将Ci作为候选气体区域;
步骤7、在候选气体区域内部和边界产生随机分布的点,根据这些点生成最小生成树,进一步得到树重心,将树重心作为该候选气体区域的中心;
步骤8、将候选气体区域的中心分别与候选气体区域的边界点连线,计算连线上相邻两点间在对应帧图像Ii上的像素灰度值之差,如果差值大于0,则记作1,反之则记作0,将连线上的0或1值相加得到∑i,把所有连线上得到的∑i相加,如果相加结果大于阈值T5,则将该候选气体区域标记为泄漏气体区域,这里,阈值T5可以取所有连线上相邻点对数目之和的0.7倍;
步骤9、遍历红外视频中的所有二值图像,包括第2帧到倒数第2帧之间的所有二值图像,重复执行步骤5-8,从而得到所有二值图像中的泄漏气体区域。
进一步地,利用红外热成像仪获取监测场景的红外视频,具体包括:
首先,准备红外热成像仪设备,并将其设置为视频采集模式;
其次,将红外热成像仪对准所需监测的场景,并启动设备开始采集红外视频;
接着,将采集到的红外视频通过设备的数据接口连接并传输到计算机,将采集到的红外视频保存至计算机本地硬盘中,以备后续使用。
进一步地,对红外视频中的每一帧图像Ii利用高斯滤波进行平滑处理,具体包括:
首先,将红外视频中的每一帧图像Ii转换为灰度图像;
其次,定义高斯核
接着,将G的中心对齐到图像中的每个像素点上,并按照G中各个位置的权重对相应的像素值进行加权平均,即为平滑后的像素值。
进一步地,根据阈值T1将各差分图像分别转换为二值图像,具体包括:
针对各差分图像,计算差分值的绝对值,将差分值的绝对值小于阈值T1的像素点置为0,其余像素点置为1,从而将差分图像转换为二值图像;其中,二值图像中值为1的像素点作为前景像素点,值为0的像素点作为背景像素点。
进一步地,删除二值图像中面积小于阈值T2,或者长宽比超过阈值T3的连通区域,具体包括:
首先,从二值图像中的一个前景像素点开始,沿着8个方向扫描相邻的前景像素点,并将其标记为同一连通区域,再将相邻的未标记像素点加入队列中,继续扩展连通区域,直到队列为空,重复该过程,直至遍历完整个图像,得到二值图像中的所有连通区域;
其次,统计二值图像中的每个连通区域中所有像素点的数量,即为该连通区域的面积,将面积小于阈值T2的连通区域删除,即将这些较小面积的连通区域中的像素值置为0;
接着,对于二值图像中各连通区域,计算该区域所有点的横坐标的最小值和最大值,以及该区域所有点的纵坐标的最小值和最大值,根据上述四个值确定该区域的最小包围盒,将最小包围盒的长边与短边的比值作为该连通区域的长宽比,如果长宽比超过阈值T3,则删除该连通区域,即将该区域中的像素值置为0。
进一步地,计算当前帧中连通区域Ci与下一帧对应位置的连通区域Ci+1之间的交并比,如果交并比大于阈值T4,则将Ci作为候选气体区域,具体包括:
首先,根据当前帧中连通区域Ci所在最小包围盒,找到下一帧对应位置,如果在对应位置没有连通区域Ci+1,则将交并比记作0;
其次,如果在下一帧对应位置存在连通区域Ci+1,则计算即分别统计Ci与Ci+1间相交像素的数目和并像素的数目,并计算两者比值;
如果交并比IoU大于阈值T4,则将Ci作为候选气体区域。
进一步地,在候选气体区域内部和边界产生随机分布的点,根据这些点生成最小生成树,进一步得到树重心,将树重心作为该候选气体区域的中心,具体包括:
首先,遍历候选气体区域内的每个像素,如果该像素相邻的像素都在该候选气体区域中,则该像素为内部点,否则为边界点,同时将所有的内部点列成一列长度为Ni的内部点像素列,并将所有的边界点列成一列长度为Nj的边界点像素列;
接着,生成0.3Ni个在[1,Ni]区间内的随机数,根据这些随机数得到内部点像素列中对应位置的像素,从而得到候选气体区域内部随机分布的点;
然后,生成0.3Nj个在[1,Nj]区间内的随机数,根据这些随机数得到边界点像素列中对应位置的像素,从而得到候选气体区域边界随机分布的点;
最后,根据候选气体区域内部和边界随机分布的点,利用KRUSKAL算法生成最小生成树,并遍历最小生成树中的每个节点,计算以该节点为根节点的子树中包含的节点数,找到一个使得所有子树中最大子树最小的节点即为最小生成树的树重心,将树重心作为该候选气体区域的中心。
进一步地,利用KRUSKAL算法生成最小生成树,步骤如下:
按权重的非递减顺序对所有边进行排序;
选择最小的边,检查它是否与到目前为止形成的生成树形成一个循环,如果没有形成循环,则包括该边,否则,丢弃它;
重复步骤上一步骤,直到生成树中的其他边。
进一步地,将候选气体区域的中心分别与候选气体区域的边界点连线,计算连线上相邻两点间在对应帧图像Ii上的像素灰度值之差,如果差值大于0,则记作1,反之则记作0,将连线上的0或1值相加得到∑i,把所有连线上得到的∑i相加,如果相加结果大于阈值T5,则将该候选气体区域标记为泄漏气体区域,这里,阈值T5可以取所有连线上相邻点对数目之和的0.7倍,具体包括:
首先,将候选气体区域的中心与候选气体区域的边界点逐一连接,计算连线上相邻两点间在对应帧图像Ii上的像素灰度值之差,如果差值大于0,则记作1,反之则记作0,这里,帧图像Ii是指步骤2的经平滑处理的红外视频中第i帧灰度图像;
接着,将连线上的0或1值相加得到∑i,把所有连线上得到的∑i相加,如果相加结果大于阈值T5,则将该候选气体区域标记为泄漏气体区域,这里,阈值T5可以取所有连线上相邻点对数目之和的0.7倍。
进一步地,红外视频中的每一帧图像为包括红色R,绿色G和蓝色B的三通道彩色图像Ii,将Ii转换为灰度图像IGray通过IGray=R*0.299+G*0.587+B*0.114完成。
技术效果
本发明的一种针对红外视频的泄漏气体检测方法通过帧间差分,得到二值图像,并根据二值图像标记泄漏气体区域,避免了大量数据标记和训练过程,使用方便,降低了成本,实现了快速检测;通过分析连通区域的面积和形状,以及在相邻帧间形状的变化,挑选出候选气体区域,保证了检测精度;根据候选气体区域中心点到区域边界点间的像素灰度分布来确定泄漏气体区域,进一步保证了检测精度。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的一种针对红外视频的泄漏气体检测方法的流程示意图;
图2是本发明的一个较佳实施例的一种针对红外视频的泄漏气体检测方法的当前帧与下一帧的连通区域和最小包围盒示意图;
图3是本发明的一个较佳实施例的一种针对红外视频的泄漏气体检测方法的当前帧连通区域与下一帧连通区域交并比示意图;
图4是本发明的一个较佳实施例的一种针对红外视频的泄漏气体检测方法的一候选气体区域示意图;
图5是本发明的一个较佳实施例的一种针对红外视频的泄漏气体检测方法的根据12个点生成的最小生成树示意图;
图6是本发明的一个较佳实施例的一种针对红外视频的泄漏气体检测方法的连续12帧图像的泄漏气体检测结果示意图;
图7是本发明的一个较佳实施例的一种针对红外视频的泄漏气体检测方法的连续12帧含干扰因素图像的泄漏气体检测结果示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下描述中,为了说明而不是为了限定,提出了诸如特定内部程序、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
如图1所示,本发明实施例提供了一种针对红外视频的泄漏气体检测方法,包括以下步骤:
步骤1、利用红外热成像仪获取监测场景的红外视频,并将红外视频通过对应的数据接口传输到计算机;
步骤2、对红外视频中的每一帧图像Ii利用高斯滤波进行平滑处理;
步骤3、将经过平滑处理后的红外视频中的第1帧作为背景图像,将其余各帧图像分别与背景图像相减,得到差分图像;
步骤4、根据阈值T1将各差分图像分别转换为二值图像;
步骤5、删除二值图像中面积小于阈值T2,或者长宽比超过阈值T3的连通区域;
步骤6、计算当前帧中连通区域Ci与下一帧对应位置的连通区域Ci+1之间的交并比,如果交并比大于阈值T4,则将Ci作为候选气体区域;
步骤7、在候选气体区域内部和边界产生随机分布的点,根据这些点生成最小生成树,进一步得到树重心,将树重心作为该候选气体区域的中心;
步骤8、将所述候选气体区域的中心分别与候选气体区域的边界点连线,计算连线上相邻两点间在对应帧图像Ii上的像素灰度值之差,如果差值大于0,则记作1,反之则记作0,将连线上的0或1值相加得到∑i,把所有连线上得到的∑i相加,如果相加结果大于阈值T5,则将该候选气体区域标记为泄漏气体区域,这里,阈值T5可以取所有连线上相邻点对数目之和的0.7倍;
步骤9、遍历红外视频中的所有二值图像,包括第2帧到倒数第2帧(倒数第1帧为最后一帧)之间的所有二值图像,重复执行步骤5-8,从而得到所有二值图像中的泄漏气体区域。
如下将举例来说明本发明的一种针对红外视频的泄漏气体检测方法的具体步骤。
步骤1、利用红外热成像仪获取监测场景的红外视频,并将红外视频通过对应的数据接口传输到计算机,具体包括:
首先,准备红外热成像仪设备,并将其设置为视频采集模式;
其次,将红外热成像仪对准所需监测的场景,并启动设备开始采集红外视频;
接着,将采集到的红外视频通过设备的数据接口连接并传输到计算机,将采集到的红外视频保存至计算机本地硬盘中,以备后续使用。
在选择要监测的场景时,应注意避免强光、反射等可能影响红外热成像仪性能的因素。在将红外视频传输到计算机时,要使用正确的数据线连接计算机。不同的设备可能需要使用不同类型的数据线,如USB、HDMI等。
步骤2、对红外视频中的每一帧图像Ii利用高斯滤波进行平滑处理,具体包括:
首先,将红外视频中的每一帧图像Ii转换为灰度图像;
其次,定义高斯核
接着,将G的中心对齐到图像中的每个像素点上,并按照G中各个位置的权重对相应的像素值进行加权平均,即为平滑后的像素值。
这里,红外视频中的每一帧图像为包括红色R,绿色G和蓝色B的三通道彩色图像Ii,将Ii转换为灰度图像IGray可以通过IGray=R*0.299+G*0.587+B*0.114完成。
得到IGray后,对IGray中的各像素与高斯核中对应位置的权重作加权平均。例如,像素点P0的八邻域像素点分别为:
则P0点经高斯平滑后的值等于0.0778*P1+0.1233*P2+0.0778*P3+0.1233*P4+0.1946*P0+0.1233*P5+0.0778*P6+0.1233*P7+0.0778*P8。
步骤3、将经过平滑处理后的红外视频中的第1帧作为背景图像,将其余各帧图像分别与背景图像相减,得到差分图像,具体包括:
首先,将经过平滑处理后的红外视频中的第1帧图像作为背景图像。
其次,遍历红外视频中的其余各帧图像,将其与背景图像相减,得到差分图像。
例如,背景图像用Iback表示,为说明方便,假定用5*5大小的矩阵来表示背景图像:
红外视频中第2帧用I2表示,为说明方便,假定用5*5大小的矩阵来表示第2帧图像:
计算Iback与I2之间的差值,得到差分图像IΔ:
对于红外视频中的第3帧,第4帧,一直到最后一帧,分别将其与背景图像Iback相减,得到差分图像。
步骤4、根据阈值T1将各差分图像分别转换为二值图像,具体包括:
针对各差分图像,将差分值的绝对值小于阈值T1的像素点置为0,其余像素点置为1,从而将差分图像转换为二值图像;二值图像中值为1的像素点作为前景像素点,值为0的像素点作为背景像素点。
例如,根据上述IΔ,得到其绝对值等于:
阈值T1一般可以定义为8,则将|IΔ|中小于阈值8的像素点置为0,其余像素点置为1,得到二值图像IB:
对于红外视频中的第3帧,第4帧,一直到最后一帧,分别按上述方法得到二值图像。
步骤5、删除二值图像中面积小于阈值T2,或者长宽比超过阈值T3的连通区域,具体包括:
首先,从二值图像中的一个前景像素点开始,沿着8个方向扫描相邻的前景像素点,并将其标记为同一连通区域,再将相邻的未标记像素点加入队列中,继续扩展连通区域,直到队列为空,重复该过程,直至遍历完整个图像,得到二值图像中的所有连通区域;
其次,统计二值图像中的每个连通区域中所有像素点的数量,即为该连通区域的面积,将面积小于阈值T2的连通区域删除,即将这些较小面积的连通区域中的像素值置为0;
接着,对于二值图像中各连通区域,计算该区域所有点的横坐标的最小值和最大值,以及该区域所有点的纵坐标的最小值和最大值,根据上述四个值确定该区域的最小包围盒,将最小包围盒的长边与短边的比值作为该连通区域的长宽比,如果长宽比超过阈值T3,则删除该连通区域,即将该区域中的像素值置为0。
例如,对于得到3个连通区域(用方框标记):
阈值T2一般可以设置为100,则上述3个连通区域的面积分别等于1,2,1,均小于阈值100,则将这些连通区域中的像素值置为0,得到IB:
又如,二值图像中包含一连通区域C,得到C中所有点的横坐标的最小值和最大值,分别是100,200,另外,得到C中所有点的纵坐标的最小值和最大值,分别是50,60,则得到C的最小包围盒,该最小包围盒的4个顶点坐标分别是(100,50),(100,60),(200,50),(200,60),则该最小包围盒的长边等于200-100=100,短边等于60-50=10,长边与短边的长宽比等于100/10=10,阈值T3一般可以设置为5,长宽比10超过阈值5,则删除该连通区域,即将该区域中的像素值置为0。
步骤6、计算当前帧中连通区域Ci与下一帧对应位置的连通区域Ci+1之间的交并比,如果交并比大于阈值T4,则将Ci作为候选气体区域,具体包括:
首先,根据当前帧中连通区域Ci所在最小包围盒,找到下一帧对应位置,如果在对应位置没有连通区域Ci+1,则将交并比记作0;
其次,如果在下一帧对应位置存在连通区域Ci+1,则计算即分别统计Ci与Ci+1间相交像素的数目和并像素的数目,并计算两者比值;
如果交并比IoU大于阈值T4,则将Ci作为候选气体区域。
如图2所示,用黑色实心圆点表示当前帧中连通区域Ci以及下一帧中连通区域Ci+1,Ci和Ci+1的最小包围盒分别用方框表示。根据Ci所在最小包围盒,找到下一帧对应位置存在连通区域Ci+1。如图3所示,Ci与Ci+1间相交像素的数目等于15,Ci与Ci+1间并像素的数目等于30,因此,IoU=15/30=0.5。阈值T4一般可以设置为0.4,则得到交并比IoU大于阈值0.4,则Ci作为候选气体区域。
步骤7、在候选气体区域内部和边界产生随机分布的点,根据这些点生成最小生成树,进一步得到树重心,将树重心作为该候选气体区域的中心,具体包括:
首先,遍历候选气体区域内的每个像素,如果该像素相邻的像素都在该候选气体区域中,则该像素为内部点,否则为边界点,同时将所有的内部点列成一列长度为Ni的内部点像素列,并将所有的边界点列成一列长度为Nj的边界点像素列;
接着,生成0.3Ni个在[1,Ni]区间内的随机数,根据这些随机数得到所述内部点像素列中对应位置的像素,从而得到候选气体区域内部随机分布的点;
然后,生成0.3Nj个在[1,Nj]区间内的随机数,根据这些随机数得到所述边界点像素列中对应位置的像素,从而得到候选气体区域边界随机分布的点;
最后,根据候选气体区域内部和边界随机分布的点,利用KRUSKAL算法生成最小生成树,并遍历最小生成树中的每个节点,计算以该节点为根节点的子树中包含的节点数,找到一个使得所有子树中最大子树最小的节点即为最小生成树的树重心,将树重心作为该候选气体区域的中心。
例如,图4为一候选气体区域,其中,候选气体区域中的点分别用1~41表示。该区域中,像素1的上、下、左、右相邻的四个像素中,上、下、左都不在候选气体区域中,则像素1为边界点,像素点5的上、下、左、右四个像素都在候选气体区域中,则像素5为内部点,其余的点都按上述方法确定边界点和内部点,图4中用灰色圆点表示边界点,用黑色圆点表示内部点。同时,将所有的内部点列成一长度为Ni=17的内部点像素列(5,9,10,11,17,18,19,20,21,22,23,26,27,28,29,30,33),再将所有的边界点列成一长度为Nj=24的边界点像素列(1,2,3,4,6,7,8,12,13,14,15,16,24,25,31,32,34,35,36,37,38,39,40,41);
接着,生成0.3Ni(=0.3*17≈5)个在[1,17]区间内的随机数,假如随机数分别是3,6,7,12,14,则根据这些随机数得到所述内部点像素列中对应位置的像素(10,18,19,26,28);
然后,生成0.3Nj(=0.3*24≈7)个在[1,24]区间内的随机数,假如随机数分别是1,3,7,8,10,22,24,根据这些随机数得到所述边界点像素列中对应位置的像素(1,3,8,12,14,39,41);
最后,根据候选气体区域内部和边界随机分布的12个点(10,18,19,26,28,1,3,8,12,14,39,41),利用KRUSKAL算法生成最小生成树,利用KRUSKAL算法生成有12个结点的步骤如下:
(1)按权重的非递减顺序对所有边进行排序;
(2)选择最小的边,检查它是否与到目前为止形成的生成树形成一个循环,如果没有形成循环,则包括该边,否则,丢弃它;
(3)重复步骤(2),直到生成树中有11条边。
图5为根据上述12个点生成的最小生成树。遍历最小生成树中的每个节点,计算以该节点为根节点的子树中包含的节点数,找到一个使得所有子树中最大子树最小的节点即为最小生成树的树重心,这里,结点19的最大子树包含的节点数为6,为所有节点中最小值,则结点19为树重心,将树重心结点19作为该候选气体区域的中心。
步骤8、将所述候选气体区域的中心分别与候选气体区域的边界点连线,计算连线上相邻两点间在对应帧图像Ii上的像素灰度值之差,如果差值大于0,则记作1,反之则记作0,将连线上的0或1值相加得到∑i,把所有连线上得到的∑i相加,如果相加结果大于阈值T5,则将该候选气体区域标记为泄漏气体区域,这里,阈值T5可以取所有连线上相邻点对数目之和的0.7倍,具体包括:
首先,将所述候选气体区域的中心与候选气体区域的边界点逐一连接,计算连线上相邻两点间在对应帧图像Ii上的像素灰度值之差,如果差值大于0,则记作1,反之则记作0,这里,帧图像Ii是指步骤2所述的经平滑处理的红外视频中第i帧灰度图像;
接着,将连线上的0或1值相加得到∑i,把所有连线上得到的∑i相加,如果相加结果大于阈值T5,则将该候选气体区域标记为泄漏气体区域,这里,阈值T5可以取所有连线上相邻点对数目之和的0.7倍。
例如,将所述候选气体区域中心结点19与候选气体区域的边界点(1,3,8,12,14,39,41)逐一连接,计算连线上相邻点间在对应帧图像Ii上的像素灰度值之差,这里,帧图像Ii是指步骤2所述的经平滑处理的红外视频中第i帧灰度图像;
如图5所示,以候选气体区域中心结点19与边界点14为例,假定19到14间的连线上分别经过以下结点:18,17,16,15,则计算这些相邻点在第i帧灰度图像上的像素灰度值之差,假定(19,18,17,16,15,14)在第i帧灰度图像上对应位置的像素灰度值分别为132,131,125,126,125,128,则∑i=1+1+0+1+0=3,且19到14间的连线上相邻点对的数目等于5,再分别计算19到其余边界点1,3,8,12,39,14间的连线上∑i以及相邻点对数目,把所有连线上得到的∑i相加,如果相加结果大于阈值T5,则将该候选气体区域标记为泄漏气体区域,这里,阈值T5可以取所有连线上相邻点对数目之和的0.7倍。
步骤9、遍历红外视频中的所有二值图像,包括第2帧到倒数第2帧(倒数第1帧为最后一帧)之间的所有二值图像,重复执行步骤5-8,从而得到所有二值图像中的泄漏气体区域。
利用本发明对一段天然气泄漏红外视频进行了检测,图6显示了视频中连续12帧图像,其中,带有白色边框的黑色区域表示检测到的泄漏气体。从图6可见,利用本发明检测得到的泄漏气体区域集中在气源附近,说明本发明能准确地定位泄漏气体所在区域。
另外,我们从红外视频中截取了含有运动人物的连续12帧图像,用以检测本发明的抗干扰能力,图7为检测结果。从图7可见,本发明在有运动物干扰时仍能准确定位泄漏气体所在区域。
本发明的一种针对红外视频的泄漏气体检测方法,只需一台红外热成像仪获取监测场景的红外视频,后续操作都通过红外视频完成,不需要大量数据标记和训练过程,使用方便,降低了成本,实现了快速检测;同时,通过分析连通区域的面积和形状,以及在相邻帧间形状的变化,挑选出候选气体区域,保证了检测精度;对于候选气体区域,本发明充分考虑了候选气体区域中心点到区域边界点间的像素灰度分布来确定泄漏气体区域,进一步保证了检测精度。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种针对红外视频的泄漏气体检测方法,其特征在于,包括以下步骤:
步骤1、利用红外热成像仪获取监测场景的红外视频;
步骤2、对所述红外视频中的每一帧图像Ii利用高斯滤波进行平滑处理;
步骤3、将经过平滑处理后的红外视频中的第1帧作为背景图像,将其余各帧图像分别与背景图像相减,得到差分图像;
步骤4、根据阈值T1将各差分图像分别转换为二值图像;
步骤5、删除二值图像中面积小于阈值T2,或者长宽比超过阈值T3的连通区域;
步骤6、计算当前帧中连通区域Ci与下一帧对应位置的连通区域Ci+1之间的交并比,如果交并比大于阈值T4,则将Ci作为候选气体区域;
步骤7、在候选气体区域内部和边界产生随机分布的点,根据这些点生成最小生成树,进一步得到树重心,将树重心作为该候选气体区域的中心;
步骤8、将所述候选气体区域的中心分别与候选气体区域的边界点连线,计算连线上相邻两点间在对应帧图像Ii上的像素灰度值之差,如果差值大于0,则记作1,反之则记作0,将连线上的0或1值相加得到∑i,把所有连线上得到的∑i相加,如果相加结果大于阈值T5,则将该候选气体区域标记为泄漏气体区域,这里,阈值T5可以取所有连线上相邻点对数目之和的0.7倍;
步骤9、遍历红外视频中的所有二值图像,包括第2帧到倒数第2帧之间的所有二值图像,重复执行步骤5-8,从而得到所有二值图像中的泄漏气体区域。
2.如权利要求1所述的一种针对红外视频的泄漏气体检测方法,其特征在于,利用红外热成像仪获取监测场景的红外视频,具体包括:
首先,准备红外热成像仪设备,并将其设置为视频采集模式;
其次,将红外热成像仪对准所需监测的场景,并启动设备开始采集红外视频;
接着,将采集到的红外视频通过设备的数据接口连接并传输到计算机,将采集到的红外视频保存至计算机本地硬盘中,以备后续使用。
3.如权利要求1所述的一种针对红外视频的泄漏气体检测方法,其特征在于,对红外视频中的每一帧图像Ii利用高斯滤波进行平滑处理,具体包括:
首先,将红外视频中的每一帧图像Ii转换为灰度图像;
其次,定义高斯核
接着,将G的中心对齐到图像中的每个像素点上,并按照G中各个位置的权重对相应的像素值进行加权平均,即为平滑后的像素值。
4.如权利要求1所述的一种针对红外视频的泄漏气体检测方法,其特征在于,根据阈值T1将各差分图像分别转换为二值图像,具体包括:
针对各差分图像,计算差分值的绝对值,将差分值的绝对值小于阈值T1的像素点置为0,其余像素点置为1,从而将差分图像转换为二值图像;其中,二值图像中值为1的像素点作为前景像素点,值为0的像素点作为背景像素点。
5.如权利要求4所述的一种针对红外视频的泄漏气体检测方法,其特征在于,删除二值图像中面积小于阈值T2,或者长宽比超过阈值T3的连通区域,具体包括:
首先,从二值图像中的一个前景像素点开始,沿着8个方向扫描相邻的前景像素点,并将其标记为同一连通区域,再将相邻的未标记像素点加入队列中,继续扩展连通区域,直到队列为空,重复该过程,直至遍历完整个图像,得到二值图像中的所有连通区域;
其次,统计二值图像中的每个连通区域中所有像素点的数量,即为该连通区域的面积,将面积小于阈值T2的连通区域删除,即将这些较小面积的连通区域中的像素值置为0;
接着,对于二值图像中各连通区域,计算该区域所有点的横坐标的最小值和最大值,以及该区域所有点的纵坐标的最小值和最大值,根据上述四个值确定该区域的最小包围盒,将最小包围盒的长边与短边的比值作为该连通区域的长宽比,如果长宽比超过阈值T3,则删除该连通区域,即将该区域中的像素值置为0。
6.如权利要求5所述的一种针对红外视频的泄漏气体检测方法,其特征在于,计算当前帧中连通区域Ci与下一帧对应位置的连通区域Ci+1之间的交并比,如果交并比大于阈值T4,则将Ci作为候选气体区域,具体包括:
首先,根据当前帧中连通区域Ci所在最小包围盒,找到下一帧对应位置,如果在对应位置没有连通区域Ci+1,则将交并比记作0;
其次,如果在下一帧对应位置存在连通区域Ci+1,则计算即分别统计Ci与Ci+1间相交像素的数目和并像素的数目,并计算两者比值;
如果交并比IoU大于阈值T4,则将Ci作为候选气体区域。
7.如权利要求6所述的一种针对红外视频的泄漏气体检测方法,其特征在于,在候选气体区域内部和边界产生随机分布的点,根据这些点生成最小生成树,进一步得到树重心,将树重心作为该候选气体区域的中心,具体包括:
首先,遍历候选气体区域内的每个像素,如果该像素相邻的像素都在该候选气体区域中,则该像素为内部点,否则为边界点,同时将所有的内部点列成一列长度为Ni的内部点像素列,并将所有的边界点列成一列长度为Nj的边界点像素列;
接着,生成0.3Ni个在[1,Ni]区间内的随机数,根据这些随机数得到所述内部点像素列中对应位置的像素,从而得到候选气体区域内部随机分布的点;
然后,生成0.3Nj个在[1,Nj]区间内的随机数,根据这些随机数得到所述边界点像素列中对应位置的像素,从而得到候选气体区域边界随机分布的点;
最后,根据候选气体区域内部和边界随机分布的点,利用KRUSKAL算法生成最小生成树,并遍历最小生成树中的每个节点,计算以该节点为根节点的子树中包含的节点数,找到一个使得所有子树中最大子树最小的节点即为最小生成树的树重心,将树重心作为该候选气体区域的中心。
8.如权利要求7所述的一种针对红外视频的泄漏气体检测方法,其特征在于,利用KRUSKAL算法生成最小生成树,步骤如下:
按权重的非递减顺序对所有边进行排序;
选择最小的边,检查它是否与到目前为止形成的生成树形成一个循环,如果没有形成循环,则包括该边,否则,丢弃它;
重复步骤上一步骤,直到生成树中的其他边。
9.如权利要求7所述的一种针对红外视频的泄漏气体检测方法,其特征在于,将所述候选气体区域的中心分别与候选气体区域的边界点连线,计算连线上相邻两点间在对应帧图像Ii上的像素灰度值之差,如果差值大于0,则记作1,反之则记作0,将连线上的0或1值相加得到∑i,把所有连线上得到的∑i相加,如果相加结果大于阈值T5,则将该候选气体区域标记为泄漏气体区域,这里,阈值T5可以取所有连线上相邻点对数目之和的0.7倍,具体包括:
首先,将所述候选气体区域的中心与候选气体区域的边界点逐一连接,计算连线上相邻两点间在对应帧图像Ii上的像素灰度值之差,如果差值大于0,则记作1,反之则记作0,这里,帧图像Ii是指步骤2所述的经平滑处理的红外视频中第i帧灰度图像;
接着,将连线上的0或1值相加得到∑i,把所有连线上得到的∑i相加,如果相加结果大于阈值T5,则将该候选气体区域标记为泄漏气体区域,这里,阈值T5可以取所有连线上相邻点对数目之和的0.7倍。
10.如权利要求3所述的一种针对红外视频的泄漏气体检测方法,其特征在于,红外视频中的每一帧图像为包括红色R,绿色G和蓝色B的三通道彩色图像Ii,将Ii转换为灰度图像IGray通过IGray=R*0.299+G*0.587+B*0.114完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310655661.7A CN116883887A (zh) | 2023-06-05 | 2023-06-05 | 一种针对红外视频的泄漏气体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310655661.7A CN116883887A (zh) | 2023-06-05 | 2023-06-05 | 一种针对红外视频的泄漏气体检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116883887A true CN116883887A (zh) | 2023-10-13 |
Family
ID=88266901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310655661.7A Pending CN116883887A (zh) | 2023-06-05 | 2023-06-05 | 一种针对红外视频的泄漏气体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883887A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314907A (zh) * | 2023-11-28 | 2023-12-29 | 协享能源科技(江苏)有限公司 | 基于机器视觉的工业厂房生产安全预警方法及系统 |
CN117788466A (zh) * | 2024-02-26 | 2024-03-29 | 国科大杭州高等研究院 | 一种非制冷红外视频序列危险气体成像泄漏检测方法 |
-
2023
- 2023-06-05 CN CN202310655661.7A patent/CN116883887A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314907A (zh) * | 2023-11-28 | 2023-12-29 | 协享能源科技(江苏)有限公司 | 基于机器视觉的工业厂房生产安全预警方法及系统 |
CN117314907B (zh) * | 2023-11-28 | 2024-02-02 | 协享能源科技(江苏)有限公司 | 基于机器视觉的工业厂房生产安全预警方法及系统 |
CN117788466A (zh) * | 2024-02-26 | 2024-03-29 | 国科大杭州高等研究院 | 一种非制冷红外视频序列危险气体成像泄漏检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN116883887A (zh) | 一种针对红外视频的泄漏气体检测方法 | |
EP3309703B1 (en) | Method and system for decoding qr code based on weighted average grey method | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN104517110B (zh) | 一种二维码图像的二值化方法及系统 | |
CN108550159B (zh) | 一种基于图像三色分割的烟气浓度标识方法 | |
TW202011733A (zh) | 對影像進行目標取樣的方法及裝置 | |
CN111402209A (zh) | 一种基于U-Net的高速铁路钢轨损伤检测方法 | |
CN109034017A (zh) | 头部姿态估计方法及机器可读存储介质 | |
CN110580481B (zh) | 一种基于epi的光场图像关键位置检测方法 | |
CN111062331B (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
CN110210428B (zh) | 一种基于mser的远距离复杂环境下的烟雾根节点检测方法 | |
CN110751635A (zh) | 一种基于帧间差分和hsv颜色空间的口腔检测方法 | |
US6963664B2 (en) | Segmentation of digital images | |
CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
CN107832732A (zh) | 基于三叉树遍历的车道线检测方法 | |
CN110135382B (zh) | 一种人体检测方法和装置 | |
KR100606404B1 (ko) | 컬러코드 이미지 검출 방법 및 장치 | |
JP2981382B2 (ja) | パターンマッチング方法 | |
CN114419317A (zh) | 一种用于复杂环境线结构光的光条中心提取方法 | |
CN111583341B (zh) | 云台像机移位检测方法 | |
CN111429411B (zh) | 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法 | |
CN114155236A (zh) | 一种适用于动态测量环境的激光条纹中心线提取方法 | |
CN113159158A (zh) | 一种基于生成对抗网络的车牌矫正与重构方法及系统 | |
CN111383260A (zh) | 应用于可见光模态的自适应激光信息高速检测处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |