CN117648889B - 一种基于帧间差法的井喷流体测速方法 - Google Patents

一种基于帧间差法的井喷流体测速方法 Download PDF

Info

Publication number
CN117648889B
CN117648889B CN202410125104.9A CN202410125104A CN117648889B CN 117648889 B CN117648889 B CN 117648889B CN 202410125104 A CN202410125104 A CN 202410125104A CN 117648889 B CN117648889 B CN 117648889B
Authority
CN
China
Prior art keywords
point
points
image
matching
feature
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.)
Active
Application number
CN202410125104.9A
Other languages
English (en)
Other versions
CN117648889A (zh
Inventor
王留洋
罗园
庞平
杨博仲
胡旭光
罗林
王超
唐源
曾国玺
谭伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China National Petroleum Corp
CNPC Chuanqing Drilling Engineering Co Ltd
Original Assignee
China National Petroleum Corp
CNPC Chuanqing Drilling Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China National Petroleum Corp, CNPC Chuanqing Drilling Engineering Co Ltd filed Critical China National Petroleum Corp
Priority to CN202410125104.9A priority Critical patent/CN117648889B/zh
Publication of CN117648889A publication Critical patent/CN117648889A/zh
Application granted granted Critical
Publication of CN117648889B publication Critical patent/CN117648889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G01P5/26—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the direct influence of the streaming fluid on the properties of a detecting optical wave
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于帧间差法的井喷流体测速方法，涉及石油钻井中井喷流体测速技术领域。本发明首先采集井喷流体运动过程的连续图像序列；利用定向FAST检测器和旋转BRIEF算法提取所述图像序列中的特征点，根据所述特征点确认匹配点；筛选所述匹配点，获得含有正确的匹配点的图像；根据所述匹配点之间的距离和所述图像拍摄的时间间隔确认所述井喷流体的速度。本发明解决了现有测速方法对计算资源的要求较高，速度相对较慢的问题。本发明可以高准确性、高稳定性和高效率的测量不同条件下的井喷流体，并可根据该流体测量结果进行分析，为后续工程设计和操作提供了准确、可信的数据支持。

Description

一种基于帧间差法的井喷流体测速方法
技术领域
本发明涉及石油钻井中井喷流体测速技术领域，更具体地说涉及一种基于帧间差法的井喷流体测速方法。
背景技术
井喷是指油气井在钻井过程中地层中的高压天然气、石油等流体喷出地表的情况，井喷往往伴随着有毒气体，且天然气喷出后如遇火星，会发生燃烧，均会对环境和工作人员造成了严重的威胁。对井喷流体的准确测速和分析是化工、石油、地质、水资源、环境保护等领域中至关重要的工作。传统的井喷流体测速方法依赖于物理传感器或探头，其安装和使用需要耗费大量时间和成本，同时还存在误差累积和可靠性问题。
而计算机视觉技术为井喷流体测速提供了一种全新的方法。目前，已经有研究人员采用基于深度学习的图像处理算法，通过井喷流体运动图像的识别与跟踪，对井喷流体中的速度、流量、压力等参数进行实时测量。然而，这些方法并不是对所有井喷流体场景都适用。例如，井喷流体中含有的杂质、沉淀物等因素会干扰图像处理算法的性能，从而导致测量结果的误差。
于2021年07月06日公布、公布号为CN113076883A的名称为一种基于图像特征识别的井喷气体流速测量方法的发明专利记载了一种基于图像特征识别的井喷气体流速测量方法，包括如下步骤：步骤1.采集大量现场井喷气体高速图像；步骤2.对步骤1中的高速图像进行特征识别处理；步骤3.选出特征点较为优异的相邻两帧图像；步骤4.对步骤3中的两帧图像进行图像处理；步骤5.通过位移和时间计算出井喷气体流速。其使用了改进Moravec角点检测算法和改进SUSAN算法分别处理图像后，选取拥有较高相似度的特征点相邻两帧图像，利用LK光流法计算出两两相对应的特征点在相邻图像中位移的距离，根据测出的位移距离和采集图片的时间测出井喷气体流速。然而，该申请所使用的改进Moravec角点检测算法和改进SUSAN算法在计算上更为复杂，对计算资源的要求较高，速度相对较慢。
因此，需要一种井喷流体测速方法，同时能够适应不同条件下的井喷流体测量，并具有高准确性、高稳定性和高效率等特点。该方法能够实现对井喷流体的实时跟踪和记录，可以为行业相关领域提供可靠的数据支持，促进行业的发展和进步。
发明内容
为了克服上述现有技术中存在的缺陷和不足，本发明提供了一种基于帧间差法的井喷流体测速方法。本发明的发明目的之一是提供一种基于帧间差法的井喷流体测速方法，从而可以高准确性、高稳定性和高效率的测量不同条件下的井喷流体，并可根据该流体测量结果进行分析，为后续工程设计和操作提供了准确、可信的数据支持。
为了解决上述现有技术中存在的问题，本发明是通过下述技术方案实现的。
本发明第一方面提供了一种基于帧间差法的井喷流体测速方法，该方法包括以下步骤：
S1、采集井喷流体运动过程的连续图像序列；
S2、利用定向FAST检测器和旋转BRIEF算法提取所述图像序列中的特征点，根据所述特征点确认匹配点；
所述定向FAST检测器是在原始FAST角点检测算法的基础上，引入了方向信息，使用最大方差法为每个检测到的特征点赋予主方向，形成的定向FAST检测器；所述旋转BRIEF算法是在原始BRIEF算法的基础上，引入了旋转校准，并结合LBP算法构建特征描述子，形成的改进的旋转BRIEF算法；
S3、筛选所述匹配点，获得含有正确的匹配点的图像；
S4、根据所述匹配点之间的距离和所述图像拍摄的时间间隔确认所述井喷流体的速度。
进一步优选的，S2步骤中，通过定向FAST检测器对图像序列中的像素点的亮度值进行快速测试，确定图像序列中的特征点；根据旋转BRIEF算法确认相邻帧的匹配点对，即从一幅图像中提取的每一个特征点都会与第二幅图像中的所有特征点进行距离计算，根据匹配点对确认最佳匹配点。
更进一步优选的，所述S2步骤中，所述定向FAST检测器是在原始FAST角点检测算法的基础上，引入了方向信息，使用最大方差法为每个检测到的特征点赋予主方向，具体是指：
S201、在检测到的特征点周围，取一个固定大小的邻域窗口；
S202、计算邻域窗口内每个像素的梯度幅值和梯度方向；
S203、在邻域窗口内，统计每个方向的梯度个数，形成方向直方图H；
S204、对方向直方图H进行方差计算，得到各个方向的方差值；
S205、从所有方向的方差中找到最大值，该最大值对应的方向即为特征点的主方向。
更进一步优选的，所述旋转BRIEF算法是在原始BRIEF算法的基础上，引入了旋转校准，具体是指：
S206、根据每个特征点的主方向，确定一个方向作为旋转校准的基准；
S207、在每个特征点周围的邻域内，根据主方向选择一个旋转角度，然后将图像绕特征点旋转，使得特征点的主方向与X轴对齐；
S208、旋转完成后，针对每个特征点，根据旋转后的坐标位置，计算对应的BRIEF描述子，并生成特征向量。
更进一步优选的，S208步骤中，计算对应的BRIEF描述子，并生成特征向量的具体步骤如下：
S2081、邻域选择：假设特征点的位置为(x,y)，邻域的大小为N；
S2082、特征点坐标调整：将特征点坐标调整到邻域的中心，即(x',y')=（x-N/2,y- N/2）；
S2083、特征描述子采样点选择：假设采样点的数量为K，选择一组采样点的坐标(pi,qi) ，i= 1, 2,…, K；这些采样点表示在邻域中的相对位置；
S2084、灰度差值计算：对于每个采样点(pi,qi)，计算它们在图像中的像素灰度差值， di=I(x',y')-I(pi,qi)；其中，I(x',y')表示图像中的邻域中心点(x',y')的像素灰度值，I(pi,qi)表示图像中坐标为(pi,qi)的点的像素灰度值；di表示采样点(pi,qi)在图像中的像素灰度差值；
S2085、二值化：将灰度差值进行二值化操作，将每个灰度值与预设阈值T进行比较，若di＞T则设为1，否则设为0；
S2086、特征向量生成：将二值化的结果按照顺序组合成一个特征向量，这个特征向量即为对应特征点的BRIEF描述子，该描述子则可用于匹配得到匹配点。
更进一步优选的，S2步骤中，所述旋转BRIEF算法是在原始BRIEF算法的基础上，引入了旋转校准，并结合LBP算法构建特征描述子，具体是指：
对于图像的每个尺度和方向，使用旋转BRIEF算法提取特征点，得到每个特征点的描述子；对于每个特征点，将其邻域分成若干个网格，然后在每个网格内分别计算LBP特征；得到每个网格的LBP直方图；
将每个网格的LBP直方图依次拼接在一起，得到整个邻域的LBP特征描述子；
将旋转BRIEF算法得到的每个特征点的描述子和LBP描述子进行顺序连接，得到结合LBP算法的特征描述子。
更进一步优选的，在每个网格内分别计算LBP特征，具体是指：
对于指定的像素点，提取其周围的像素点；
将提取到像素点的像素值与指定的像素点的像素值进行比较，若提取到的像素点的像素值大于指定的像素点的像素值，则该指定的像素点所在的位置的权值为1，否则为0，得到二进制序列；
对于所得的二进制序列，按照顺时针或逆时针的顺序，依次连接起来，得到一个二进制数；
将得到的二进制数转换为十进制数，即为该指定的像素点的LBP特征值。
进一步优选的，S3步骤中，利用随机抽样一致性算法筛选匹配点。
进一步优选的，S3步骤中，根据匹配点构成的数据集建立模型，设定阈值，根据模型和阈值筛选匹配点，获得含有正确的匹配点的图像；所述模型是指将匹配点看作数据集构成的模型，所述阈值是指一个容忍误差的精度阈值。
更进一步优选的，S3步骤，具体包括以下子步骤：
S301、对于所有匹配点，计算它们到该模型的误差；
S302、将误差小于阈值的匹配点归为假设内点，计算假设内点的数目和模型的精度；
S303、重复执行上述步骤，直到达到指定的迭代次数或找到一个达到指定精度阈值的模型；
S304、选取所有迭代中计算精度最高的模型并输出；
S305、将匹配点带入该模型，如果匹配点位于模型上，则为正确匹配点，否则为错误匹配点。
进一步优选的，S4步骤中，所述图像拍摄的时间间隔为一秒中拍出图像数量的倒数，即一秒钟拍出m张图像，则时间间隔为1/m秒。
更进一步优选的，S4步骤中，采用欧式距离公式对所述匹配点之间的距离进行确认；对于平面坐标系中的匹配点，假设有两个匹配点A和B，坐标分别为(Ax,Ay)和(Bx,By)，则AB之间的欧式距离计算为：AB=sqrt((Bx-Ax)2+(By-Ay)2)。
进一步优选的，S4步骤中采用三帧差分运算确认所述井喷流体的速度，具体的，所述三帧差分运算的步骤包括：
选择需要进行差分运算的三个连续帧，分别为帧A、帧B和帧C；
对所述帧A和所述帧C进行差分运算，得到两个差异图像，分别为差异图像AB=帧B-帧A，差异图像BC=帧C-帧B；
将两个差异图像AB和BC进行合并，得到最终的差异图像，即帧间的三帧差分图像，三帧差分图像ABC=差异图像AB+差异图像BC；
根据三帧差分图像ABC的差异程度、变化区域的位置和形态特征，进行运动目标的检测和分析。
进一步优选的，S1步骤中，采用高清高速摄像机采集井喷流体运动过程的连续图像序列。
更进一步优选的，高清高速摄像机距离井口500米-600米，高清高速摄像机的拍照频率为50帧-120帧。
更进一步优选的，S1步骤中，对连续图像序列进行预处理，所述预处理包括平滑处理、灰度化处理、边缘检测处理和高斯金字塔尺度空间分解处理中的任意一种或多种的组合。
本发明第二方面提供了一种基于帧间差法的井喷流体测速装置，本发明的发明目的之二是提供一种基于帧间差法的井喷流体测速装置，从而可以高准确性、高稳定性和高效率的测量不同条件下的井喷流体，并可根据该流体测量结果进行分析，为后续工程设计和操作提供了准确、可信的数据支持。
本发明第二方面提供了一种基于帧间差法的井喷流体测速装置，该装置包括：
图像采集模块，用于采集井喷流体运动过程的连续图像序列；
匹配点确认模块，用于利用定向FAST检测器和旋转BRIEF算法提取所述图像序列中的特征点，根据所述特征点确认匹配点；
匹配点筛选模块，用于筛选所述匹配点，获得含有正确的匹配点的图像；
井喷流体测速模块，用于根据所述匹配点之间的距离和所述图像拍摄的时间间隔确认所述井喷流体的速度。
进一步优选的，该装置还包括人机交互界面，在人机交互界面上展示井喷流体的运动过程和速度。
更进一步优选的，操作人员可在人机交互界面上检查含有正确的匹配点的图像。
本发明第三方面提供了一种计算机设备，包括处理器、输入设备、输出设备和存储器，处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本发明第一方面中所描述的部分或全部步骤。
本发明第四方面提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储有用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本发明第一方面中所描述的部分或全部步骤。
本发明第五方面提供了一种基于帧间差法的井喷流体测速方法在井喷流体测速分析中的应用。
进一步的，将根据所述基于帧间差法的井喷流体测速方法测得的井喷流体的速度数据与标准值进行对比，判断井喷流体速度是否超过了安全范围，进而评估危险程度。
更进一步的，基于所获得的井喷流体的速度数据，分析速度的变化趋势，对时间或空间上的速度变化趋势进行分析，绘制速度随时间的变化曲线；或在井喷现场进行速度分布的空间分析，观察井喷流体的动态特征。
更进一步优选的，基于所获得的井喷流体的速度数据，通过统计方法对井喷流体速度进行分析；计算平均速度、最大速度或速度的标准差指标，以了解速度的集中程度、波动性和分布特征。
更进一步优选的，基于所获得的井喷流体的速度数据，进一步应用于模型分析；具体的，使用数学模型、流体力学模型或计算流体动力学（CFD）模拟方法，通过输入测得的速度数据，进一步分析井喷流体的行为和性质。
更进一步优选的，基于所获得的井喷流体的速度数据，判断喷射能量，具体的，根据测得的速度V和已知的流体密度，计算井喷流体的喷射能量/>，/>。
与现有技术相比，本发明所带来的有益的技术效果表现在：
1、本发明提供了一种基于帧间差法的井喷流体测速方法，能够有效减少井喷流体中含有的杂质、沉淀物等因素导致测量结果的误差。
2、本发明能够适应不同条件下的井喷流体测量，实现对不同流量、不同密度的井喷流体进行准确、高效的测速分析。
3、本发明能够根据所获得的井喷流体的运动速度和轨迹对危害进行评估，其均可在化工、石油、地质、水资源、环境保护等领域广泛应用。
附图说明
图1为本发明基于帧间差法的井喷流体测速方法流程图；
图2为本发明实施例提供的一种特征点位移的前一帧图像示意图；
图3为本发明实施例提供的一种特征点位移的后一帧图像示意图；
图4为井喷现场某时刻的前帧图；
图5为井喷现场某时刻的后帧图；
图6为经过特征识别后的前帧图；
图7为经过特征识别后的后帧图。
具体实施方式
下面将结合本发明说明书附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
作为本发明一较佳实施例，参照说明书附图1所示，本实施例公开了一种基于帧间差法的井喷流体测速方法，该方法包括以下步骤：
S1、采集井喷流体运动过程的连续图像序列；
S2、利用定向FAST检测器和旋转BRIEF算法提取所述图像序列中的特征点，根据所述特征点确认匹配点；
所述定向FAST检测器是在原始FAST角点检测算法的基础上，引入了方向信息，使用最大方差法为每个检测到的特征点赋予主方向，形成的定向FAST检测器；所述旋转BRIEF算法是在原始BRIEF算法的基础上，引入了旋转校准，并结合LBP算法构建特征描述子，形成的改进的旋转BRIEF算法；
S3、筛选所述匹配点，获得含有正确的匹配点的图像；
S4、根据所述匹配点之间的距离和所述图像拍摄的时间间隔确认所述井喷流体的速度。
实施例2
作为本发明又一较佳实施例，本实施例是在上述实施例1的基础上，对本发明的技术方案做出的进一步详细地补充和阐述。在本实施例中，S2步骤中，通过定向FAST检测器对图像序列中的像素点的亮度值进行快速测试，确定图像序列中的特征点；根据旋转BRIEF算法确认相邻帧的匹配点对，即从一幅图像中提取的每一个特征点都会与第二幅图像中的所有特征点进行距离计算，根据匹配点对确认最佳匹配点。
在本实施例中，所述定向FAST检测器是在原始FAST角点检测算法的基础上，引入了方向信息，使用最大方差法为每个检测到的特征点赋予主方向，形成的定向FAST检测器；所述旋转BRIEF算法是在原始BRIEF算法的基础上，引入了旋转校准，并结合LBP算法构建特征描述子，形成的改进的旋转BRIEF算法；使得特征描述符具有一定的旋转不变形，从而形成所述旋转BRIEF算法。能够更好地使用图像旋转的场景。
在本实施例中，原始BRIEF算法对图像旋转不具有不变性，即对旋转后的图像，匹配点可能无法正确对应，而本申请提出的旋转BRIEF算法通过引入旋转校准，使得特征描述符具有一定的旋转不变性，能够更好地适应图像旋转的场景。
在本实施例中，原始BRIEF算法只能提取固定尺度的特征点，而旋转BRIEF算法将尺度不变性引入其中，通过在不同尺度上进行特征提取，可以提高算法的鲁棒性，使得特征能够匹配更大范围的尺度变化。这些改进使得旋转BRIEF算法在图像特征提取和匹配中具有更好的性能和鲁棒性，能够更好地应对图像旋转、尺度变化等因素的影响，从而提高了特征点的匹配准确性和匹配率。
作为本实施例的一种实施方式，所述S2步骤中，所述定向FAST检测器是在原始FAST角点检测算法的基础上，引入了方向信息，使用最大方差法为每个检测到的特征点赋予主方向，具体是指：
S201、在检测到的特征点周围，取一个固定大小的邻域窗口；
S202、计算邻域窗口内每个像素的梯度幅值和梯度方向；
S203、在邻域窗口内，统计每个方向的梯度个数，形成方向直方图H；
S204、对方向直方图H进行方差计算，得到各个方向的方差值；
S205、从所有方向的方差中找到最大值，该最大值对应的方向即为特征点的主方向。
所述旋转BRIEF算法是在原始BRIEF算法的基础上，引入了旋转校准，具体是指：
S206、根据每个特征点的主方向，确定一个方向作为旋转校准的基准；
S207、在每个特征点周围的邻域内，根据主方向选择一个旋转角度，然后将图像绕特征点旋转，使得特征点的主方向与X轴对齐；
S208、旋转完成后，针对每个特征点，根据旋转后的坐标位置，计算对应的BRIEF描述子，并生成特征向量。
S208步骤中，计算对应的BRIEF描述子，并生成特征向量的具体步骤如下：
S2081、邻域选择：假设特征点的位置为(x,y)，邻域的大小为N；
S2082、特征点坐标调整：将特征点坐标调整到邻域的中心，即(x',y')=（x-N/2,y- N/2）；
S2083、特征描述子采样点选择：假设采样点的数量为K，选择一组采样点的坐标(pi,qi) ，i= 1, 2,…, K；这些采样点表示在邻域中的相对位置；
S2084、灰度差值计算：对于每个采样点(pi,qi)，计算它们在图像中的像素灰度差值， di=I(x',y')-I(pi,qi)；其中，I(x',y')表示图像中的邻域中心点(x',y')的像素灰度值，I(pi,qi)表示图像中坐标为(pi,qi)的点的像素灰度值；di表示采样点(pi,qi)在图像中的像素灰度差值；
S2085、二值化：将灰度差值进行二值化操作，将每个灰度值与预设阈值T进行比较，若di＞T则设为1，否则设为0；
S2086、特征向量生成：将二值化的结果按照顺序组合成一个特征向量，这个特征向量即为对应特征点的BRIEF描述子，该描述子则可用于匹配得到匹配点。
S2步骤中，所述旋转BRIEF算法是在原始BRIEF算法的基础上，引入了旋转校准，并结合LBP算法构建特征描述子，具体是指：
对于图像的每个尺度和方向，使用旋转BRIEF算法提取特征点，得到每个特征点的描述子；对于每个特征点，将其邻域分成若干个网格，然后在每个网格内分别计算LBP特征；得到每个网格的LBP直方图；
将每个网格的LBP直方图依次拼接在一起，得到整个邻域的LBP特征描述子；
将旋转BRIEF算法得到的每个特征点的描述子和LBP描述子进行顺序连接，得到结合LBP算法的特征描述子。
更进一步优选的，在每个网格内分别计算LBP特征，具体是指：
对于指定的像素点，提取其周围的像素点；
将提取到像素点的像素值与指定的像素点的像素值进行比较，若提取到的像素点的像素值大于指定的像素点的像素值，则该指定的像素点所在的位置的权值为1，否则为0，得到二进制序列；
对于所得的二进制序列，按照顺时针或逆时针的顺序，依次连接起来，得到一个二进制数；
将得到的二进制数转换为十进制数，即为该指定的像素点的LBP特征值。
实施例3
作为本发明又一较佳实施例，本实施例是在上述实施例1或实施例2的基础上，对本发明的技术方案做出的进一步详细地补充和阐述。在本实施例中，S3步骤中，利用随机抽样一致性算法筛选匹配点。
S3步骤中，根据匹配点构成的数据集建立模型，设定阈值，根据模型和阈值筛选匹配点，获得含有正确的匹配点的图像；所述模型是指将匹配点看作数据集构成的模型，所述阈值是指一个容忍误差的精度阈值。具体的，S3步骤，具体包括以下子步骤：
S301、对于所有匹配点，计算它们到该模型的误差；
S302、将误差小于阈值的匹配点归为假设内点，计算假设内点的数目和模型的精度；
S303、重复执行上述步骤，直到达到指定的迭代次数或找到一个达到指定精度阈值的模型；
S304、选取所有迭代中计算精度最高的模型并输出；
S305、将匹配点带入该模型，如果匹配点位于模型上，则为正确匹配点，否则为错误匹配点。
实施例4
作为本发明又一较佳实施例，本实施例是在上述实施例1、实施例2或实施例3的基础上，对本发明的技术方案做出的进一步详细地补充和阐述。在本实施例中，S4步骤中，所述图像拍摄的时间间隔为一秒中拍出图像数量的倒数，即一秒钟拍出m张图像，则时间间隔为1/m秒。
S4步骤中，采用欧式距离公式对所述匹配点之间的距离进行确认；对于平面坐标系中的匹配点，假设有两个匹配点A和B，坐标分别为(Ax,Ay)和(Bx,By)，则AB之间的欧式距离计算为：AB=sqrt((Bx-Ax)2+(By-Ay)2)。
作为本实施例又一种实施方式，S4步骤中采用三帧差分运算确认所述井喷流体的速度，具体的，所述三帧差分运算的步骤包括：
选择需要进行差分运算的三个连续帧，分别为帧A、帧B和帧C；
对所述帧A和所述帧C进行差分运算，得到两个差异图像，分别为差异图像AB=帧B-帧A，差异图像BC=帧C-帧B；
将两个差异图像AB和BC进行合并，得到最终的差异图像，即帧间的三帧差分图像，三帧差分图像ABC=差异图像AB+差异图像BC；
根据三帧差分图像ABC的差异程度、变化区域的位置和形态特征，进行运动目标的检测和分析。
作为一个示例，S1步骤中，采用高清高速摄像机采集井喷流体运动过程的连续图像序列。高清高速摄像机距离井口500米-600米，高清高速摄像机的拍照频率为50帧-120帧。S1步骤中，对连续图像序列进行预处理，所述预处理包括平滑处理、灰度化处理、边缘检测处理和高斯金字塔尺度空间分解处理中的任意一种或多种的组合。
实施例5
作为本发明又一较佳实施例，参照说明书附图1所示，本实施例针对井喷流体中含有杂质、沉淀物等因素导致测量结果的误差等问题，提供了一种基于帧间差法的井喷流体测速方法，能够适应不同条件下的井喷流体测量，并具有高准确性、高稳定性和高效率等特点。该方法能够实现对井喷流体的实时跟踪和记录，可以为行业相关领域提供可靠的数据支持，促进行业的发展和进步。
参照说明书附图1所示，该方法包括以下步骤：
S1、采集井喷流体运动过程的连续图像序列。
在步骤S1中，可采用高清高速摄像机采集井喷流体运动过程的连续图像序列，高清高速摄像机在拍摄过程中不能移动镜头且固定焦距。这样可以保证拍摄的图像为一个角度，能够减少因角度变化带来的错误匹配点个数，更容易得到正确匹配点之间的距离。
在步骤S1中，高清高速摄像机距离井口500-600米，高清高速摄像机的拍照频率为50帧-120帧。其中，拍摄中摄像机应该保持设置到足够远，避免设备受到影响，但也要保证摄像机能够拍摄清晰，鉴于使用摄像设备不同，设置距离也可不一样，并且，距离井口拍照的频率也不必太快，过快会导致相邻帧图片变化过小。
在步骤S1中，可对连续图像序列进行预处理。预处理包括对平滑处理、灰度化处理、边缘检测处理和高斯金字塔尺度空间分解处理中的一种或多种，用于提高特征点提取质量。其中，平滑处理是为了改善图像质量，消除图像中的随机噪声，起到平滑作用；灰度化处理是为了提高运算速度，增强图像对比度，同时方便进行边缘检测；边缘检测处理是为了检测图像中亮度变化较大的位置，找出图像中物体边缘的位置；高斯金字塔尺度空间分解处理的目的是实现多尺度分解，以便在不同尺度下检测和提取不同特征。
S2、利用定向FAST检测器和旋转BRIEF算法提取图像序列中的特征点，根据特征点确认匹配点。
在步骤S2中，通过定向FAST检测器对图像序列中的像素点的亮度值进行快速测试，以确定图像序列中的特征点，而流体运动速度越快，流体运动中的物体也就越容易在图像中留下明显的轨迹或对比度变化，这些明显的轨迹或对比度变化也就越容易被定向FAST检测器检测出来，即流体运动速度越快，检测到的特征点数量越多。因此，FAST检测器适合用于检测流体的快速运动。
上述所使用的定向FAST检测器是在原始FAST角点检测算法的基础上引入了方向信息，提高了对图像旋转变化的鲁棒性，具有较快的计算速度，并且定向FAST检测器的计算复杂度相对较低，可以在实时性要求较高的情况下快速提取角点。
而上述旋转BRIEF算法描述的特征点可以弥补FAST算法对特征点的旋转和尺度变化不敏感的缺陷，即该算法提取的特征描述子在旋转和缩放等多角度变换情况下具有较高的匹配率。本申请所使用的旋转BRIEF算法是对原始BRIEF算法的改进，可以更好地应对旋转情况下的特征点匹配，减少旋转造成的误匹配，且旋转BRIEF算法相对于其他更复杂的特征描述子算法，如SIFT或SURF，具有较低的计算开消，适用于实时性要求较高的应用场景。
ORB算法综合了FAST检测器和BRIEF描述子，并引入了旋转不变性和尺度不变性，本申请所使用的定向FAST检测器和旋转BRIEF算法，相较于常用的ORB算法，在鲁棒性和计算效率方面具有一定的优势。
在传统的FAST算法中，通过比较像素亮度的大小来检测出图像中的特征点，但不能处理图像旋转的情况，旋转后的图像会导致检测效果下降。因此，引入方向信息，通过最大方差法计算特征点周围像素的梯度来确定特征点的方向，使其具备一定的旋转不变性。使用最大方差法可以为每个检测到的特征点赋予主方向，提高特征点的旋转不变性和鲁棒性，形成改进的定向FAST检测器，相比于定向FAST原来的确定主方向的方法，最大方差法优势在于稳定性较好、易于实现、计算量小能快速得到主方向，最大方差法步骤如下：
（1）在检测到的特征点周围，取一个固定大小的邻域窗口；
（2）计算邻域窗口内每个像素的梯度幅值和梯度方向；
计算梯度方向：对于窗口中的每个像素点 (x,y)，计算水平梯度Dx和竖直梯度Dy：
Dx= I(x+1,y)-I(x-1,y)；
Dy= I(x,y+1)-I(x,y-1)；
其中，I(x,y)表示图像中坐标为(x,y)的像素值。
获得每个像素点的梯度大小和方向：
幅度(Magnitude)=sqrt(Dx 2+ Dy 2)
方向(Direction)=atan2(Dy, Dx)
方向角度θ=Direction×180/π；
（3）统计方向分布：在窗口内，统计每个方向的梯度个数，形成方向直方图 H：
H(θ)=Sum(Dx*cos(θ)+Dy*sin(θ))
其中，θ表示方向角度，选取一定的角度间隔进行统计；
（4）计算方差：对方向直方图 H 进行方差计算，即得到各个方向的方差值；
（5）找到方差最大的方向：从所有方向的方差中找到最大值，即特征点的主方向。
方向信息就是上述所求的特征点的主方向，用角度值θ表示，可以将特征点的角度值存储在特征描述符中，以在后续的特征匹配中使用。
上述步骤确定了特征点的主方向，然后根据主方向将图像旋转到固定的标准方向，使得描述子的编码与特征点的旋转无关。以此引入旋转校准。具体步骤如下：
（1）根据每个特征点的主方向，确定一个方向作为旋转校准的基准；
（2）在每个特征点周围的邻域内，根据主方向选择一个旋转角度，然后将图像绕特征点旋转，使得特征点的主方向与x轴对齐；
（3）计算特征描述子：旋转完成后，针对每个特征点，根据旋转后的坐标位置，计算对应的BRIEF描述子，并生成特征向量。
而计算对应的BRIEF描述子，并生成特征向量的具体步骤如下：
（1）邻域选择：假设特征点的位置为(x,y)，邻域的大小为 N；
（2）特征点坐标调整：将特征点坐标调整到邻域的中心，即(x',y')=（x-N/2,y- N/2）；
（3）特征描述子采样点选择：假设采样点的数量为 K，选择一组采样点的坐标(pi,qi) ，i = 1, 2,…, K，这些采样点表示在邻域中的相对位置;
（4）灰度差值计算：对于每个采样点(pi,qi)，计算它们在图像中的像素灰度差值，di=I(x',y')-I(pi,qi)；其中，I(x',y')表示图像中的邻域中心点(x',y')的像素灰度值，I(pi,qi)表示图像中坐标为(pi,qi)的点的像素灰度值；di表示采样点(pi,qi)在图像中的像素灰度差值；
（5）二值化：将灰度差值进行二值化操作，将每个灰度值与预设阈值T进行比较，若di＞T则设为1，否则设为0；
（6）特征向量生成：将二值化的结果按照顺序组合成一个特征向量，这个特征向量即为对应特征点的BRIEF描述子,该描述子则可用于匹配得到匹配点。
在旋转BRIEF算法的基础上，结合LBP（局部二值模式）算法来构建更为鲁棒的特征描述子，形成改进的旋转BRIEF算法，具体步骤如下：
（1）对于图像的每个尺度和方向，使用旋转BRIEF算法提取特征点，得到每个特征点的描述子；
（2）对于每个特征点，将其邻域分成若干个网格，然后在每个网格内分别计算LBP特征。得到每个网格的LBP直方图表示。LBP特征不具备旋转不变性，因此对于每个网格，需要在图像的不同方向（例如0度、45度、90度、135度）上分别计算LBP特征，得到不同方向上的LBP直方图；
（3）将每个网格的LBP直方图依次拼接在一起，得到整个邻域的LBP特征描述子；
（4）将旋转BRIEF描述子和LBP描述子进行顺序连接，得到一种结合了二者优点的新的特征描述子。
对于上述计算LBP特征，其步骤如下;
（1）对于指定的像素点，提取其周围的像素值，如以一个像素点为中心，取其8邻域像素值；
（2）将提取到的像素值与中心像素值进行比较。对于每个像素值，以中心像素值为阈值，将其二值化。若大于中心像素值，则该指定的像素点所在的位置的权值为1，否则为0；
（3）对于所得的二进制序列，按照顺时针或逆时针的顺序，依次连接起来，得到一个二进制数；
（4）将得到的二进制数转换为十进制数，即为该指定的像素点的LBP特征值。
该方法的优势在于，在采用旋转BRIEF算法提取特征点时保留了尺度和旋转不变性，而在结合LBP算法时又增强了对纹理和光照的鲁棒性，从而得到更为鲁棒的特征描述子，提高了特征匹配的准确性和稳健性。
旋转BRIEF算法使用金字塔技术对输入图像进行尺度变换，生成一系列不同尺度的图像。然后，在每个尺度上检测特征点并计算特征描述子。这样可以使得描述子具备一定的尺度不变性。
旋转校准是一个过程，用于调整关键点周围的采样点的方向，以使其与指定方向一致，从而实现旋转不变性。实现步骤如下：（1）计算每个特征点的主方向，确定一个方向作为旋转校准的基准；（2）将坐标系旋转：选择一个固定的方向作为图像的x轴，然后计算特征点主方向与x轴的夹角，将图像围绕该夹角旋转，这样就将每个特征点沿着主方向旋转到了垂直x轴的方向。可以使用逆时针旋转矩阵来实现。（3）计算特征描述子：旋转完成后，针对每个特征点，根据旋转后的坐标位置，计算对应的BRIEF描述子，并生成特征向量。
引入方向信息，进行旋转校准便使得特征描述符具有一定的旋转不变性。
在步骤S2中，可利用暴力匹配算法确认匹配点。暴力破解法通过结合定向FAST检测器和旋转BRIEF算法，可以简化整个匹配过程，降低了实施的复杂性。
在步骤S2中，可根据暴力匹配算法确认相邻帧的匹配点对，即从一幅图像中提取的每一个特征点都会与第二幅图像中的所有特征点进行距离计算，根据匹配点对确认最佳匹配点。
S3、筛选匹配点，获得含有正确的匹配点的图像。
在步骤S3中，可利用随机抽样一致性算法（RANSAC）筛选匹配点。
本申请结合上述RANSAC算法，并申请所使用的定向FAST检测器、旋转BRIEF算法更注重于特征点提取和描述子生成，而常用的ORB和RANSAC算法是指在ORB算法的特征点提取和匹配的基础上，利用RANSAC算法进行外点剔除和模型估计，更侧重于增加鲁棒性和准确性，通过外点剔除和模型估计来提高图像识别的稳定性和准确性。
在步骤S3中，可根据匹配点构成的数据集建立模型，设定阈值，根据模型和阈值筛选匹配点，获得含有正确的匹配点的图像。
上述模型指的是将匹配点看作数据集构成的模型，匹配点来自于暴力匹配后的匹配点，阈值指的是一个容忍误差的精度阈值，阈值过小可能会将一些正确的匹配点排除在外，造成准确性下降；阈值过大可能会将一些错误的匹配点纳入模型，导致估计的假设模型不准确，应当平衡鲁棒性和准确性。迭代次数也可根据收敛条件进行选择，当达到一定的收敛条件时停止迭代，取值范围可在几十到几百之间。
在步骤S3中，还可包括以下步骤：
S301、对于所有匹配点，计算它们到该模型的误差；
S302、将误差小于阈值的匹配点归为假设内点，计算假设内点的数目和模型的精度；
S303、重复执行上述步骤，直到达到指定的迭代次数或找到一个达到指定精度阈值的模型；
S304、根据匹配点之间的距离和图像拍摄的时间间隔确认井喷流体的速度。匹配点在前后两帧图像中的变化大致可以表示为图2和图3中所示。
S4、根据所述匹配点之间的距离和所述图像拍摄的时间间隔确认所述井喷流体的速度。
在步骤S4中，可时间间隔为一秒钟拍出图像数量的倒数。例如，一秒钟拍出m张图像，则时间间隔为1/m秒。
在步骤S4中，可采用欧氏距离公式对所述匹配点之间的距离进行确认，对于平面坐标系中的匹配点，假设有两个匹配点A和B，坐标分别为(Ax,Ay)和(Bx,By)，则AB之间的欧式距离计算为：AB=sqrt((Bx-Ax)2+(By-Ay)2)。
进一步地，可在移动终端的人机交互界面展示井喷流体的运动过程和速度。
进一步地，还可在移动终端的人机交互界面检查含有正确的匹配点的图像。
将上述的一种基于帧间差法的井喷流体测速方法应用于钻井现场发生井喷的环境中，当摄像机捕捉到前后两帧图像时，前帧图像为图4，后帧图像为图5，本例所用两帧图像帧数为120，即摄像机每秒拍摄120张图像，所以特征点在相邻两帧图像中运动的时间为1/120秒。如图6和图7所示，对图片进行预处理后使用定向FAST检测器和旋转BRIEF算法提取井喷流体图像序列中的特征点，并圈出，并使用暴力匹配算法进行初步匹配，利用随机抽样一致性算法（RANSAC）对匹配点进行筛选，去除错误的匹配点，最终获得正确的匹配点，并用线条标出相应的匹配点，利用正确匹配点之间的距离和时间间隔计算井喷流体的速度。
实施例6
作为本发明又一较佳实施例，本实施例的基于帧间差法的井喷流体测速方法采用三帧差分运算。所述三帧差分运算的步骤包括：
选择需要进行差分运算的三个连续帧，分别为帧A、帧B和帧C，所述通常帧A、帧B和帧C可为相邻的帧。
对所述帧A和所述帧C进行差分运算，得到两个差异图像，分别为差异图像AB=帧B-帧A，和差异图像BC=帧C-帧B。
将两个差异图像进行合并，可以采用简单的加法操作，得到最终的差异图像，即帧间的三帧差分图像，所述三帧差分图像ABC=差异图像AB+差异图像BC。
进一步地，根据三帧差分图像ABC的差异程度、变化区域的位置和形态特征，进行运动目标的检测和分析。
实施例7
作为本发明又一较佳实施例，本实施例提供了一种基于帧间差法的井喷流体测速装置，该装置是基于上述实施例1、实施例2、实施例3、实施例4、实施例5或实施例6所述的方法运行的，该装置包括：
图像采集模块，用于采集井喷流体运动过程的连续图像序列；
匹配点确认模块，用于利用定向FAST检测器和旋转BRIEF算法提取所述图像序列中的特征点，根据所述特征点确认匹配点；
匹配点筛选模块，用于筛选所述匹配点，获得含有正确的匹配点的图像；
井喷流体测速模块，用于根据所述匹配点之间的距离和所述图像拍摄的时间间隔确认所述井喷流体的速度。
进一步优选的，该装置还包括人机交互界面，在人机交互界面上展示井喷流体的运动过程和速度。
更进一步优选的，操作人员可在人机交互界面上检查含有正确的匹配点的图像。
实施例8
作为本发明又一较佳实施例，为了实现上述目的，根据本申请的另一方面，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于上述实施例1至实施例6所述的一种基于帧间差法的井喷流体测速方法的步骤。
在本实施例中处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-ProgrammableGate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及做出数据处理，即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例1、实施例2、实施例3、实施例4、实施例5或实施例6中的步骤。
实施例9
作为本发明又一较佳实施例，本实施例公开了一种计算机可读存储介质，上述计算机可读存储介质存储有用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如上述实施例1至实施例5中任意实施例所描述的部分或全部步骤。
实施例10
作为本发明又一较佳实施例，本实施例提供了上述实施例1至实施例8中任意一个实施例中的基于帧间差法的井喷流体测速方法或基于帧间差法的井喷流体测速装置在井喷流体测速分析中的应用。
可将所获得的井喷流体的速度数据，与标准值进行对比。将测得的井喷流体速度与相关的标准值进行比较。这些标准值可以来自行业标准、安全规范或基于历史数据和经验得出的。通过比较，可以判断井喷流体速度是否超过了安全范围，进而评估危险程度。可以参考相关的标准、规范或经验，根据测得的井喷流体速度与标准值进行比较。如果测得的速度超过了标准值，那么可以初步判断为危险。这些标准值可能来自行业标准、安全规范，或者是基于历史数据和经验得出的。
可基于所获得的井喷流体的速度数据，分析速度的变化趋势。如果有多个速度测量点，对时间或空间上的速度变化趋势进行分析。绘制速度随时间的变化曲线，或者在井喷现场进行速度分布的空间分析。这样可以观察井喷流体的动态特征，如速度的增加或减小趋势、速度的空间分布等。
可基于所获得的井喷流体的速度数据，对速度数据进行统计分析。可以通过统计方法对井喷流体速度进行分析。计算平均速度、最大速度、速度的标准差等指标，以了解速度的集中程度、波动性和分布特征。统计分析可以帮助识别异常情况、预测井喷危险程度等。
可基于所获得的井喷流体的速度数据，进一步应用于模型分析。使用数学模型、流体力学模型或计算流体动力学（CFD）模拟等方法，通过输入测得的速度数据，进一步分析井喷流体的行为和性质。模型分析能够对井喷流体的流动过程、侵蚀状况、作用力等进行深入研究，以更好地了解井喷机理和应对措施。
可基于所获得的井喷流体的速度数据，判断喷射能量。由于，井喷流体的喷射能量与其速度和密度有关，根据测得的速度和已知的流体密度，计算井喷流体的喷射能量。如果喷射能量较高，可能会造成更严重的危害，其简化公式为：喷射能量=0.5ρv2；ρ表示密度，v表示速度。
可基于所获得的井喷流体的速度数据，考虑环境和结构因素。评估井喷流体速度时，应考虑环境因素和相关的结构安全性。例如，密集的工作区域、接近喷射源的设备和人员可能面临更大的危险。
可基于所获得的井喷流体的速度数据，用于以后的作业的参考，通过借鉴经验和专家形成的意见，方便对测得的井喷流体速度进行评估。保证了专业人员在处理类似事故和异常情况方面具有丰富的经验，并能提供准确的判断和建议。

Claims (13)

1.一种基于帧间差法的井喷流体测速方法，其特征在于：该方法包括以下步骤：
S1、采集井喷流体运动过程的连续图像序列；
S2、利用定向FAST检测器和旋转BRIEF算法提取所述图像序列中的特征点，根据所述特征点确认匹配点；
所述定向FAST检测器是在原始FAST角点检测算法的基础上，引入了方向信息，使用最大方差法为每个检测到的特征点赋予主方向，形成的定向FAST检测器；具体的包括以下子步骤，
S201、在检测到的特征点周围，取一个固定大小的邻域窗口；
S202、计算邻域窗口内每个像素的梯度幅值和梯度方向；
S203、在邻域窗口内，统计每个方向的梯度个数，形成方向直方图H；
S204、对方向直方图H进行方差计算，得到各个方向的方差值；
S205、从所有方向的方差中找到最大值，该最大值对应的方向即为特征点的主方向；
所述旋转BRIEF算法是在原始BRIEF算法的基础上，引入了旋转校准，并结合LBP算法构建特征描述子，形成的改进的旋转BRIEF算法；具体包括以下子步骤，
S206、根据每个特征点的主方向，确定一个方向作为旋转校准的基准；
S207、在每个特征点周围的邻域内，根据主方向选择一个旋转角度，然后将图像绕特征点旋转，使得特征点的主方向与X轴对齐；
S208、旋转完成后，针对每个特征点，根据旋转后的坐标位置，计算对应的BRIEF描述子，并生成特征向量；
对于图像的每个尺度和方向，使用旋转BRIEF算法提取特征点，得到每个特征点的描述子；对于每个特征点，将其邻域分成若干个网格，然后在每个网格内分别计算LBP特征；得到每个网格的LBP直方图；将每个网格的LBP直方图依次拼接在一起，得到整个邻域的LBP特征描述子；将旋转BRIEF算法得到的每个特征点的描述子和LBP描述子进行顺序连接，得到结合LBP算法的特征描述子；
S3、筛选所述匹配点，获得筛选后的匹配点的图像；
S4、根据匹配点之间的距离和图像拍摄的时间间隔确认所述井喷流体的速度。
2.如权利要求1所述的一种基于帧间差法的井喷流体测速方法，其特征在于：S208步骤中，计算对应的BRIEF描述子，并生成特征向量的具体步骤如下：
S2081、邻域选择：假设特征点的位置为(x,y)，邻域的大小为N；
S2082、特征点坐标调整：将特征点坐标调整到邻域的中心，即(x',y')=（x-N/2，y- N/2）；
S2083、特征描述子采样点选择：假设采样点的数量为K，选择一组采样点的坐标(pi,qi)，i= 1, 2,…, K；这些采样点表示在邻域中的相对位置；
S2084、灰度差值计算：对于每个采样点(pi,qi)，计算它们在图像中的像素灰度差值，即di=I(x',y')-I(pi,qi)；其中，I(x',y')表示图像中的邻域中心点(x',y')的像素灰度值，I(pi,qi)表示图像中坐标为(pi,qi)的点的像素灰度值；di表示采样点(pi,qi)在图像中的像素灰度差值；
S2085、二值化：将灰度差值进行二值化操作，将每个灰度值与预设阈值T进行比较，若di＞T则设为1，否则设为0；
S2086、特征向量生成：将二值化的结果按照顺序组合成一个特征向量，这个特征向量即为对应特征点的BRIEF描述子，该描述子则可用于匹配得到匹配点。
3.如权利要求1所述的一种基于帧间差法的井喷流体测速方法，其特征在于：在每个网格内分别计算LBP特征，具体是指：
对于指定的像素点，提取其周围的像素点；
将提取到像素点的像素值与指定的像素点的像素值进行比较，若提取到的像素点的像素值大于指定的像素点的像素值，则该指定的像素点所在的位置的权值为1，否则为0，得到二进制序列；
对于所得的二进制序列，按照顺时针或逆时针的顺序，依次连接起来，得到一个二进制数；
将得到的二进制数转换为十进制数，即为该指定的像素点的LBP特征值。
4.如权利要求1-3任意一项所述的一种基于帧间差法的井喷流体测速方法，其特征在于：S2步骤中，通过定向FAST检测器对图像序列中的像素点的亮度值进行快速测试，确定图像序列中的特征点；根据旋转BRIEF算法确认相邻帧的匹配点对，即从一幅图像中提取的每一个特征点都会与第二幅图像中的所有特征点进行距离计算，根据匹配点对确认最佳匹配点。
5.如权利要求1-3任意一项所述的一种基于帧间差法的井喷流体测速方法，其特征在于：S3步骤中，利用随机抽样一致性算法筛选匹配点。
6.如权利要求1-任意一项所述的一种基于帧间差法的井喷流体测速方法，其特征在于：S3步骤中，根据匹配点构成的数据集建立模型，设定阈值，根据模型和阈值筛选匹配点，获得含有正确的匹配点的图像；所述模型是指将匹配点看作数据集构成的模型，所述阈值是指一个容忍误差的精度阈值。
7.如权利要求6所述的一种基于帧间差法的井喷流体测速方法，其特征在于：S3步骤，具体包括以下子步骤：
S301、对于所有匹配点，计算它们到该模型的误差；
S302、将误差小于阈值的匹配点归为假设内点，计算假设内点的数目和模型的精度；
S303、重复执行上述步骤，直到达到指定的迭代次数或找到一个达到指定精度阈值的模型；
S304、选取所有迭代中计算精度最高的模型并输出；
S305、将匹配点带入该模型，如果匹配点位于模型上，则为正确匹配点，否则为错误匹配点。
8.如权利要求1-3任意一项所述的一种基于帧间差法的井喷流体测速方法，其特征在于：S4步骤中，所述图像拍摄的时间间隔为一秒中拍出图像数量的倒数，即一秒钟拍出m张图像，则时间间隔为1/m秒。
9.如权利要求1-3任意一项所述的一种基于帧间差法的井喷流体测速方法，其特征在于：S4步骤中，采用欧式距离公式对所述匹配点之间的距离进行确认；对于平面坐标系中的匹配点，假设有两个匹配点A和B，坐标分别为(Ax,Ay)和(Bx,By)，则AB之间的欧式距离计算为：AB=sqrt((Bx-Ax)2+(By-Ay)2)。
10.如权利要求1-3任意一项所述的一种基于帧间差法的井喷流体测速方法，其特征在于：S4步骤中采用三帧差分运算确认所述井喷流体的速度，具体的，所述三帧差分运算的步骤包括：
选择需要进行差分运算的三个连续帧，分别为帧A、帧B和帧C；
对所述帧A和所述帧C进行差分运算，得到两个差异图像，分别为差异图像AB=帧B-帧A，差异图像BC=帧C-帧B；
将两个差异图像AB和BC进行合并，得到最终的差异图像，即帧间的三帧差分图像，三帧差分图像ABC=差异图像AB+差异图像BC；
根据三帧差分图像ABC的差异程度、变化区域的位置和形态特征，进行运动目标的检测和分析。
11.如权利要求1-3任意一项所述的一种基于帧间差法的井喷流体测速方法，其特征在于：S1步骤中，采用高清高速摄像机采集井喷流体运动过程的连续图像序列。
12.如权利要求11所述的一种基于帧间差法的井喷流体测速方法，其特征在于：高清高速摄像机距离井口500米-600米，高清高速摄像机的拍照频率为50帧-120帧。
13.如权利要求1-3任意一项所述的一种基于帧间差法的井喷流体测速方法，其特征在于：S1步骤中，对连续图像序列进行预处理，所述预处理包括平滑处理、灰度化处理、边缘检测处理和高斯金字塔尺度空间分解处理中的任意一种或多种的组合。
CN202410125104.9A 2024-01-30 2024-01-30 一种基于帧间差法的井喷流体测速方法 Active CN117648889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410125104.9A CN117648889B (zh) 2024-01-30 2024-01-30 一种基于帧间差法的井喷流体测速方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410125104.9A CN117648889B (zh) 2024-01-30 2024-01-30 一种基于帧间差法的井喷流体测速方法

Publications (2)

Publication Number Publication Date
CN117648889A CN117648889A (zh) 2024-03-05
CN117648889B true CN117648889B (zh) 2024-04-26

Family

ID=90043793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410125104.9A Active CN117648889B (zh) 2024-01-30 2024-01-30 一种基于帧间差法的井喷流体测速方法

Country Status (1)

Country Link
CN (1) CN117648889B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118311293A (zh) * 2024-03-22 2024-07-09 中国水利水电科学研究院 一种水流流速的测量方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111257588A (zh) * 2020-01-17 2020-06-09 东北石油大学 一种基于orb和ransac的油相流速测量方法
CN111583093A (zh) * 2020-04-27 2020-08-25 西安交通大学 一种实时性好的orb特征点提取的硬件实现方法
CN112907626A (zh) * 2021-02-08 2021-06-04 中国空间技术研究院 基于卫星超时相数据多源信息的运动目标提取方法
CN114972817A (zh) * 2022-04-25 2022-08-30 深圳创维－Rgb电子有限公司 图像相似度匹配方法、设备及存储介质
CN116051636A (zh) * 2022-12-30 2023-05-02 展讯通信(天津)有限公司 位姿计算方法、装置和设备
CN116668665A (zh) * 2022-02-28 2023-08-29 佳能株式会社 测量装置、移动装置、测量方法和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL149844A (en) * 2002-05-23 2010-11-30 Hadasit Med Res Service Method, system and facility for assessing esophageal function

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111257588A (zh) * 2020-01-17 2020-06-09 东北石油大学 一种基于orb和ransac的油相流速测量方法
CN111583093A (zh) * 2020-04-27 2020-08-25 西安交通大学 一种实时性好的orb特征点提取的硬件实现方法
CN112907626A (zh) * 2021-02-08 2021-06-04 中国空间技术研究院 基于卫星超时相数据多源信息的运动目标提取方法
CN116668665A (zh) * 2022-02-28 2023-08-29 佳能株式会社 测量装置、移动装置、测量方法和存储介质
CN114972817A (zh) * 2022-04-25 2022-08-30 深圳创维－Rgb电子有限公司 图像相似度匹配方法、设备及存储介质
CN116051636A (zh) * 2022-12-30 2023-05-02 展讯通信(天津)有限公司 位姿计算方法、装置和设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Introduction to ORB(Oriented Fast and Rotated BRIEF);Deepanshu Tyagi;《medium.com/@deepanshut041/introduction-to-orb-oriented-fast-and-rotated-brief-4220e8ec40cf》;20190101;1-3 *
基于SIFT的无人机视觉图像匹配算法研究;赵佳宁;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115(第1期);I138-3884 *
采用ORB-SVM模型的铝合金熔滴复合电弧堆积层形貌缺陷快速识别;郭鑫鑫;《西安交通大学学报》;20221031;第56卷(第10期);201-208 *

Also Published As

Publication number Publication date
CN117648889A (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
Liu et al. Deep learning–based enhancement of motion blurred UAV concrete crack images
US20200226413A1 (en) Fast and robust multimodal remote sensing images matching method and system
CN105046235B (zh) 车道线的识别建模方法和装置、识别方法和装置
CN117648889B (zh) 一种基于帧间差法的井喷流体测速方法
Yu et al. Fast bridge deflection monitoring through an improved feature tracing algorithm
Chen et al. Image‐based framework for concrete surface crack monitoring and quantification
CN107657644B (zh) 一种移动环境下稀疏场景流检测方法和装置
CN105934757A (zh) 一种用于检测第一图像的关键点和第二图像的关键点之间的不正确关联关系的方法和装置
Pan et al. 3D vision-based bolt loosening assessment using photogrammetry, deep neural networks, and 3D point-cloud processing
Chen et al. A deep region-based pyramid neural network for automatic detection and multi-classification of various surface defects of aluminum alloys
CN115597494B (zh) 一种基于点云的预制构件预留孔的精度检测方法、系统
Liang et al. An extraction and classification algorithm for concrete cracks based on machine vision
CN111563896A (zh) 一种用于接触网异常检测的图像处理方法
CN116091998A (zh) 图像处理方法、装置、计算机设备和存储介质
CN115984186A (zh) 基于多分辨率知识提取的精细产品图像异常检测方法
Adu-Gyamfi et al. Functional evaluation of pavement condition using a complete vision system
CN104966283A (zh) 图像分层配准方法
Lu et al. A unified normalization method for homography estimation using combined point and line correspondences
CN104484647B (zh) 一种高分辨率遥感图像云高度检测方法
Ljubičić et al. SSIMS-Flow: Image velocimetry workbench for open-channel flow rate estimation
CN113705564A (zh) 一种指针式仪表识别读数方法
Song et al. Bolt looseness detection based on Canny edge detection algorithm
Marques et al. Crater delineation by dynamic programming
Yu et al. Automatic and efficient metallic surface defect detection based on key pixel point locations
Wang et al. Degree of nonlinearity (DoN) measure for target tracking in videos

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
GR01 Patent grant
GR01 Patent grant