CN1996053B - 基于全方位视觉的泥石流灾害检测装置 - Google Patents

Abstract

一种基于全方位视觉的泥石流灾害检测装置，包括用于监视待测山体和雨量收集装置水位的全方位视觉传感器、雨量收集装置和用于根据视频信号进行灾害检测的微处理器，所述的全方位视觉传感器安装在待测山体的沟床的上方，所述的全方位视觉传感器输出连接微处理器，所述的雨量收集装置包括盛水器、翻斗，所述的翻斗上设有用于显示盛水器水位的浮标；所述的微处理器包括视觉传感器标定模块、浮标位置采集模块、雨量智能计算模块、激发泥石流雨强计算模块、泥石流预警模块。本发明提供一种测量精度高、灵敏性好、低维护率、能够长期可靠使用的基于全方位视觉的泥石流灾害检测装置。

Description

基于全方位视觉的泥石流灾害检测装置 

(一)技术领域

本发明属于全方位视觉传感技术、计算机图像处理技术、多媒体技术、无线网络通信技术、泥石流地声检测技术、地质灾害发生时的地表活动观察技术和雨量可视化技术在地质灾害预测、预警方面的应用，主要适用于在地质灾害发生频繁的山区、河流监视，减少当地人民的生命财产的损失，本发明涉及一种泥石流灾害检测装置。 

(二)背景技术

泥石流是一种饱含大量泥沙、石块和巨砾的固、液两相流体。它呈粘性层流或稀性紊流等运动状态，是各种自然因素(地质、地貌、水文、气象、土壤、植被等)和人为因素综合作用的结果。泥石流因其形成过程复杂，暴发突然，来势凶猛，历时短暂，破坏力大等，常给山区人民生命财产和经济建设造成重大灾害。 

我国泥石流分布广泛，类型齐全，危害严重，地区差异明显。主要发育地带从横断山区向北至秦巴山区、黄土高原，然后向东西分为两支，东支沿太行山、燕山到辽东山地，西支经祁连山到天山山地，总体展布形式受控于在构造体系的展布格局，略呈“Y”字形。近年来，泥石流灾害造成的损失呈持续增长的趋势，与国家经济建设规模的增长同步相随。这说明几十年来的防灾减灾工作尚不能与国民经济发展对此项工作的客观要求相适应。特别是近年以来，泥石流灾情已经达到了相当惊人的程度，并还有继续增长的趋势，目前我国每年平均仅在泥石流灾害所造成的死亡人员已经达到4位数。 

泥石流发生时的视觉以及听觉特征是：从远处望去，犹如一条巨蟒在山谷中蜿蜒前行，吼声如雷，黑色“龙头”巨浪翻滚：走到近处，飞来的泥浆夹杂着石块会使你望而却步。它所到之处，桥梁坍塌，道路毁坏，河道堵塞，房屋早已灰飞烟灭。 

由于泥石流危害的严重性，加上泥石流灾害的成因及影响因子又比较复杂，目前尚难以完全治理，无法抑制泥石流灾害的发生。因此泥石流灾害的在线检测技术，能使灾害危险区的居民可以及时得到泥石流灾害的已经发生信息，迅速采取预防措施回避损失，减轻泥石流的灾害，保障山区人民的生命财产安全，它是目前最有效可行的办法。自然灾害总是要发生的，这也是一种客观存在的自然规律。人类如何与自然灾害协调相处，将自然灾害造成的损失减少到最低限度是我们面临的一个重大课题。 

由于山区的人民往往群居在山坡下，泥石流发生时从山谷中蜿蜒前行到达人居地点，大约在几分钟到几十分钟之间，因此在线的检测、迅速的判断、及时的将泥石流灾害的发生信息发布出去是非常关键的。同时在什么地点安置检测点为 安排紧急疏散争取时间也是十分重要的。 

一般泥石流、滑坡、坍塌等灾害的形成，大多在山高、谷深、坡陡的山区，相对高差大，沟床比降大，切割厉害，利于集中地表径流搬运固体物质及有效临空面的形成。因此在这些地点安置检测点能在第一时间检测到泥石流、滑坡、坍塌等灾害的形成，为生活在沟谷中下游的人们的紧急疏散争取到有利时间。 

泥石流的波状运动对于泥石流流量的估计是非常重要的。我们知道泥石流的峰值流量在泥石流防治工程的设计中是关键参数。峰值流量一般出现在泥石流的龙头部分。如果泥石流是不稳定的，那么龙头流量沿程是不一致的，越向下游流量越大。而且大龙头追赶小龙头进而形成更大流量的龙头也经常发生。这可以说明泥石流的流量放大并不仅仅是由于沟道的严重堵塞作用，通过该现象可以解释为什么泥石流的最大流量要远远高于相应的清水流量，从这一点来讲泥石流灾害与洪水灾害的一个区分点。 

对于泥石流流速的分布和冲击力的估计，泥石流的危险范围预测等也有重要的意义。因为泥石流的威力集中在龙头，比如弯道超高、冲毁房屋都和龙头的速度、流深有关。 

专利申请号为200410098507.1的中国发明专利申请，公开了一种泥石流侦测无线通报系统及方法，是用来侦测山坡地区的表土层移动状态，是使用泥石移动无线侦测装置，设置在山坡地区，用以进行侦测该山坡地区泥石移动的状态，并通过无线信号传输技术输出泥石移动状态信号；同时，远程无线接收主机，通过无线信号传输技术，接收该泥石移动状态信号，以此得知该山坡地区泥石移动的状态。存在的缺陷是：精度低、灵敏度差、维护比较麻烦、可靠性差。 

(三)发明内容

为了克服已有的泥石流检测系统的精度低、灵敏度差、维护比较麻烦、可靠性差的不足，本发明提供一种测量精度高、灵敏性好、低维护率、能够长期可靠使用的基于全方位视觉的泥石流灾害检测装置。 

本发明解决其技术问题所采用的技术方案是： 

一种基于全方位视觉的泥石流灾害检测装置，所述的泥石流灾害检测装置包括用于监视待测山体和雨量收集装置水位的全方位视觉传感器、雨量收集装置和用于根据视频信号进行灾害检测的微处理器，所述的全方位视觉传感器安装在待测山体的沟床的上方，所述的全方位视觉传感器输出连接微处理器，所述的全方位视觉传感器包括用以反射监控领域中物体的外凸折反射镜面、用以防止光折射和光饱和的黑色圆锥体、透明圆柱体和摄像头，所述的外凸折反射镜面位于透明圆柱体的上方，外凸折反射镜面朝下，黑色圆锥体固定在外凸折反射镜面的底部中央；所述的雨量收集装置包括盛水器、翻斗，所述的盛水器上设有用于显示盛水器水位的浮标；所述的微处理器包括：视觉传感器标定模块，用于设定视频图像位置与实际空间坐标上的位置的对应关系；浮标位置采集模块，用于采集视频传感器的视频图像，并确定盛水器浮标的位置；雨量智能计算模块，用于设定浮 标的位置与翻斗的水量的对应关系；采集视觉传感器的信号，检测翻斗自动发生翻倒动作前瞬间浮标的位置，并依据对应关系计算翻斗中的实际雨量，检测翻斗前一次自动恢复动作后的翻斗中的浮标位置，计量翻斗中的初始雨量，实际雨量与初始雨量相减后得到本次倾倒雨量；激发泥石流雨强计算模块，用于统计计算降雨过程中最大10分钟雨强或最大1小时雨强，以每分钟为单位进行统计；雨强则指单位时间内暴雨的降雨量，在Δt(i)暴雨历时内降雨量为ΔY(i)时，每分钟平均雨强用以下公式(15)计算： 

$y\left(i\right)=\frac{\mathrm{\ΔY}\left(i\right)}{\mathrm{\Δt}\left(i\right)}---\left(15\right)$

要得到最大10分钟雨强或最大1小时雨强，遍历统计时间间隔前后10分钟的情况，并求其最大值，计算公式如(16)所示： 

$y_{1h}=\max (\underset{i=j-10}{\overset{j+49}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j-9}{\overset{j+50}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j-8}{\overset{j+51}{\mathrm{\Σ}}}y\left(i\right),\·\·\·,\underset{i=j}{\overset{j+59}{\mathrm{\Σ}}}y\left(i\right))---\left(16\right)$

$y_{10\min }=\max (\underset{i=j+40}{\overset{j+49}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j+41}{\overset{j+50}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j+42}{\overset{j+51}{\mathrm{\Σ}}}y\left(i\right),\·\·\·,\underset{i=j+50}{\overset{j+59}{\mathrm{\Σ}}}y\left(i\right))$

式中，i为目前统计时刻点，j为前60分的统计时刻点，y_1h为最大一小时雨强，y_10min为最大10分钟雨强y_10min； 

泥石流预警模块，用于在数据库中预先存储的特定最大10分钟雨强或最大1小时雨强发生泥石流的统计概率，依据上述计算的最大10分钟雨强或最大1小时雨强得到发生泥石流的概率，并发出预报和预警信息。 

进一步，所述的微处理器还包括沟谷上游检测模块，用于检测沟谷上游是否发生崩塌和滑坡；所述的沟谷上游检测模块包括： 

图像变化计算单元，用于采用快速分割算法检测地貌发生的变化，设定一个比较稳定的基准参考图像，将所获得的当前帧现场视频图像与基准参考图像进行差值运算，图像相减的计算公式如式(28)表示： 

f_d(X，t₀，t_i)＝f(X，t_i)-f(X，t₀)    (28) 

上式中，f_d(X，t₀，t_i)是实时拍摄到检测范围内图像与基准参考图像间进行图像相减的结果；f(X，t_i)是实时拍摄到检测范围内图像；f(X，t₀)是基准参考图像； 

连通区域计算单元，用于对当前图像进行标记，像素灰度为0的背景，像素灰度为1为目标，计算当前图像中的像素是否与当前像素周围相邻的某一个点的像素相等，如灰度相等判断为具有连通性，将所有具有连通性的像素作为一个连通区域； 

崩塌和滑坡判断单元，用于依据上述得到的连通区域，对上述标记过的每个连通区域求出其面积Si，当前景活动对象面积Si超过一个阈值时作为崩塌和滑坡可疑；每帧之间活动对象的移动判断其移动方向，如运动方向是从高处下低处移动，判 定属于崩塌和滑坡；将每一帧中求的连通区域用按先后顺序以轨迹方式表达其轨迹形状，其轨迹形状接近于一个矩型，发生崩塌和滑坡位置越高，矩型的高度尺寸就越大，崩塌和滑坡发生面积越大，矩型的宽度尺寸就越大。 

再进一步，所述的微处理器还包括沟谷中游检测模块，用于检测泥石流的运动特征、流量特征以及流量沿程特征；所述的沟谷上游检测模块包括： 

灰度直方图单元，用于将全方位视觉传感器采集的视频图像采用灰度直方图表示，描述图像中具有灰度级的像素的个数，横坐标是灰度级，纵坐标是该灰度出现的频率； 

泥石流划分单元，用于利用检测区域内灰度直方图的分布来区分水流、泥石流的龙头、龙身、龙尾，设定龙头、龙身、龙尾经过检测区域相应的直方图； 

流速测量单元，用于将在全方位视觉传感器所获得的图像中从上游到下游对检测区域进行按序编号，在视频测量中在某一个时刻中发现初始检测区域所检测到的直方图有明显的变化，将该时刻与直方图保存在存储单元内，经过一段时间后发现另一检测区域所检测到的直方图也有明显的变化，并与保存在存储单元内的初始检测区域所检测到的直方图进行比对，如果两个直方图有非常大的相似性，认为泥石流的龙头从刚才的初始检测区域向前发展到另一检测区域，两个检测区域之间的距离是在该时间内泥石流的龙头或龙身或龙尾运动的距离，通过计算下式得到泥石流的流速； 

流速＝所经过的距离/所经历的时间。 

更进一步，所述的微处理器还包括沟谷下游检测模块，用于通过用户界面输入泥石流可能经过的沟谷图像信息，并将该信息存储在存储单元中，在检测泥石流发生时根据所存储沟谷图像信息，并判断在该沟谷上是否发现有黑色流动体，如果有，判定有泥石流发生可疑。 

所述的泥石流灾害检测装置还包括声音传感器，所述的声音传感器连接微处理器，所述的微处理器还包括声音辅助检测模块，用于采用在时间域上的处理方法，提取信号的周期、峰值、过零率等作为时域上的特征，确认泥石流的发生；所述的声音辅助检测模块包括： 

声音响度测量单元，用于测量声音传感器的信号的声压，如声压级达到100分贝以上，则判断有泥石流的可疑； 

声音持续时间测量单元，用于设定时间域上的超过一定的阈值连续声音波形作为声音持续时间，如所发出的声音持续时间达到10min以上，判断有泥石流的可疑；泥石流判断单元，用于接收声音传感器的信号，读入嵌入式系统中，通过嵌入式系统中的软件计算声音的声压级以及声音持续时间，如声压级以及声音持续时间均满足条件，判断发生泥石流。 

所述的盛水器下端设有引流管，该引流管的下方为翻斗，所述的翻斗安装在铰支座上，所述铰支座位于当翻斗盛积的水量达到设定数量值时正好能使翻斗翻倒、将翻斗中盛积的水量倾倒完毕后翻斗由于重心恢复力的作用恢复到原来位 置的平衡支点，所述的翻斗上安装在翻斗翻倒时堵住引流管、翻斗恢复后放开引流管的止流装置，所述的止流装置的堵塞件与引流管的下端配合；在所述的翻斗内设有观测水槽，所述的观测水槽与翻斗底部连通，所述的观测水槽内设有具有颜色特征的浮标。 

所述的翻斗呈扁型梯形状，翻斗的宽度为一个恒定量W，梯形边的下部底边长度为l，梯形边的上部底边长度为L，梯形的总高度为H，浮标的位置即水位的高度y，在雨量智能计算模块中，翻斗梯形边的长度x是水位的高度y的线形函数，建立水位的高度与翻斗中雨水的容积的对应关系，公式如(7)所示： 

$V\left(y\right)=\frac{W*y*[l+y*\left(\frac{L-l}{H}\right)]}{2}---\left(7\right)$

上式中，V为翻斗中雨水的容积； 

将本次翻斗自动发生翻倒动作瞬时翻斗中的浮标位置y(i)_{action-before}以及前一次自动恢复动作后的翻斗中的浮标位置y(i-1)_action-after存储在记忆单元内，通过公式(8)计算出实际本次翻斗自动发生翻倒过程中所倾倒掉的水量； 

$\mathrm{\ΔV}\left(i\right)=\frac{W}{2}*\{y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*[l+y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*\left(\frac{L-l}{H}\right)]---\left(8\right);$

${-y(i-1)}_{\mathrm{action}-\mathrm{after}}*[l+y{(i-1)}_{\mathrm{action}-\mathrm{after}}*\left(\frac{L-l}{H}\right)]\}$

设定盛水器的面积为S，根据公式(11)就能得到本次所检测到的雨量， 

$\mathrm{\ΔY}\left(i\right)=\frac{\mathrm{\ΔV}\left(i\right)}{S}---\left(11\right)$

上式中，ΔY(i)为雨量； 

在所述的智能雨量计算单元中，记录该次翻斗自动发生翻倒动作的时刻，并将各个翻倒时刻记录在数据库记录表中，并记录各个翻到时刻的雨量，运用统计方式计算得到设定时间段的雨量。 

所述的泥石流灾害检测装置还包括照明灯，所述的照明灯安装在视觉传感器上，所述的微处理器还包括亮度判断及节能灯开关模块，用于提取图像RGB色彩空间到YUV空间的转化的结果得到Y的亮度分量，如果当Y的值小于域值Ymin时，自动接通照明灯，照明灯的亮度为域值Ymin的10％，当Y的值超过域值Ymin的20％时，自动断开对照明灯的供电。 

所述的微处理器还包括背景维护模块，所述的背景维护模块包括： 

背景亮度计算单元，用于计算平均背景亮度Yb计算公式如式(19)所示： 

${\stackrel{\‾}{Y}}_b=\frac{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}{Y}_n(x,y)(1-M_n(x,y))}{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}(1-M_n(x,y))}---\left(19\right)$

式(19)中，Yn(x，y)为当前帧各像素的亮度，Mn(x，y)为当前帧的掩模表，所述的掩模表是用一个与视频帧尺寸相同的数组M来记录各像素点是否有运动变化： 

Yb0为判定为运动对象时前一帧的背景亮度，Yb1为检测到检测对象时 

第一帧的背景亮度，两帧平均亮度的变化为： 

ΔY＝Yb1-Yb0    (20) 

如果ΔY大于上限值，则认为发生了开灯事件；如果ΔY小于某个下限值，则认为发生了关灯事件；如ΔY介于上限值和下限值之间，则认为光线自然变化； 

背景自适应单元，用于当光线自然变化时，按照下式(17)进行自适应学习： 

X_mix，bn+1(i)＝(1-λ)X_mix，bn(i)+λX_mix，cn(i)    (17) 

式中：X_mix，cn(i)为当前帧RGB向量，X_mix，bn(i)为当前帧背景RGB向量，X_mix，bn+1(i)为下一帧背景预测RGB向量，λ为背景更新的速度；λ＝0，使用固定不变的背景(初始背景)；λ＝1，使用当前帧作为背景；0＜λ＜1，背景由前一时刻的背景与当前帧混合而成； 

当光线由突变引起的，背景像素按照当前帧重置，参见式(18)： 

X_mix，bn+1(i)＝X_mix，cn(i)    (18)。 

上式中的X_mix，bn+1(i)(i＝1，2，3)分别表示R，G，B3个分量。 

所述的微处理器还包括剔除噪声模块，用于剔除由噪声所产生的图像边缘点，用滤波掩膜确定的邻域内像素的平均灰度值去替代图像每个像素点的值，即每一个像素值用其局部邻域内所有值的均值置换，如公式(22)所示： 

h[i，j]＝(1/M)∑f[k，1]       (22) 

式中，M是邻域内的像素点总数。 

本发明的技术构思为：从视频角度来看是一种泥石流的龙头-龙身-龙尾的阵次交替的运动，实质上属于一种浅流的波状运动。在视频图像理解中利用泥石流的阵性波状运动的空间特征和时间特征，其视觉的近距离的动态图像特征为：1)泥石流龙头是以拉伸，前倾，下落，而后揭起的滚动方式向前运动；2)把泥石流龙身部分的速度剖面划分成缓变区、陡变区和塞流区三个部分；3)泥石流的阵性流是一种急流，只向下游传播；4)除间断性以外，泥石流波状运动还表现为非周期性；5)根据阵性波的时空运动特征，我们将其分为三类：涌波、滚动短波、滚动长波。在某些条件下，如底面的坡度较大或者底面糙率为零，泥石流的波状运动随时间是不稳定性，波高和波速都会越来越大。 

所述的用全方位视觉来观测泥石流是否发生，是根据泥石流发生时龙头-龙身-龙尾的阵次交替的运动的特征；泥石流的最大流量要远远高于相应的清水流量的特征；泥石流龙头是以拉伸，前倾，下落，而后揭起的滚动方式向前运动的特征；泥石流波状运动非周期性特征；泥石流的波高和波速都会越来越大特征。 

首先应确定泥石流的最高泥位以及最高泥位下的泥石流流体断面面积和相应的平均流速，但是，泥石流断面与流速又受泥石流活动频率与泥石流性质的影响，同时，泥石流爆发突然，来势汹汹，且每次活动时间又较短暂。 

泥石流的发生时其视觉的远距离的动态图像特征为：犹如一条巨蟒在山谷中蜿蜒前行，黑色“龙头”巨浪翻滚。 

泥石流的发生时其声音特征为：吼声如雷，且声强与频率又与雷声有区别，雷声在时间方面声强功率比较集中，而泥石流声强功率分布要比雷声更宽；虽然泥石流的波状运动随时间具有不稳定性，但是也是具有一定规律可寻的，同时随着泥石流的波高和波速增大，声强呈增大趋势，频率也呈加快趋势；而雷声不具备上述特征。 

图像处理与计算机视觉是一个不断发展的新技术，原则上采用计算机视觉进行观测有四个目的，即预处理、最底层的特征提取、中级特征的辩识以及通过图像对高级情景的解释。一般来说，计算机视觉包括主要特征、图像处理以及图像理解。 

图像是人类视觉的延伸。通过视觉，可以立即准确地发现泥石流灾害，这是不争的事实。图像监测快速性的基础是视觉所接受的信息以光为传播媒介；而图像信息的丰富和直观，更为泥石流灾害的辨识和判断奠定了基础，其它任何泥石流灾害探测技术均不能提供如此丰富和直观的信息。此外，图像监测的关键器件图像敏感组件通过光学镜头与外界发生间接接触，这种结构保证了图像监测技术可以较恶劣野外环境中使用。由此，图像监测技术在泥石流灾害检测中的地位和作用为： 

(1)可在大空间、大面积、恶劣的野外环境中使用； 

(2)可对泥石流灾害现象中的图像信息作出快速反应； 

(3)可提供直观的泥石流灾害发生时的视频信息。 

基于全方位视觉的泥石流灾害检测方法与装置，是一种以计算机为核心，结合光电技术和计算机图像处理技术研制而成的泥石流灾害监测报警系统。基于全方位视觉的泥石流灾害检测方法，是一种基于数字图像处理和分析的新型泥石流灾害检测方法。它利用摄像头对现场进行监视，同时对摄得的连续图像、声音输入计算机，不断进行图像处理和分析，通过泥石流发生时的视觉、声音特征来检测泥石流灾害。 

图像是一种包含强度、形体、位置等信息的信号。野外存在各种视频干扰因素，如阳光的变化、风造成扬尘、树木的摆动、天上的云团移动所造成的阴影等。因此基于全方位视觉的泥石流灾害检测方法必须立足于一些泥石流发生时的基本 特性，这样就可以排除各种干扰，使泥石流检测更快速、可靠。 

同样获取检测区域的地形地貌以及气象水文信息能提高检测泥石流发生的准确率，这是因为泥石流的流道必定在山谷中从上而下的，而泥石流发生的直接原因是强降雨所造成的，因此在强降雨时或者强降雨后检测泥石流发生能排除上述阳光的变化、风造成扬尘、树木的摆动、云团的移动造成的阴影等对视频检测泥石流的干扰，重点检测在山谷区域中的动态图像的变化，以便能缩小检测范围、提高检测精度。 

本发明的关键技术点是采用全方位视觉传感器获取监视地域的地形地貌变化的动态图像信息以及降雨气象的可视化信息，因此全方位视觉传感器的设计是首要问题，其次采用全方位视觉传感器获取监视地域的地形地貌变化的动态图像信息并对这些信息进行加工处理得到前景运动目标，这些前景运动目标中包括山体的滑坡、泥石流的流体运动、水的流动以及山体上其他植被受雨水、风等自然力引起的摇动，要从这些前景运动目标中分离出山体的滑坡、泥石流的流体运动；同时强降雨是发生泥石流等自然灾害的直接原因，通过全方位视觉传感器获取气象水文的可视化信息对泥石流等自然灾害的预测预报有着积极的意义。 

全方位视觉传感器(ODVS)，ODVS摄像装置主要由垂直向下的折反射镜和面向上的摄像头所构成。具体构成是由聚光透镜以及CCD构成的摄像单元固定在由透明树脂或者玻璃制的圆筒体的下部，圆筒体的上部固定有一个向下的大曲率的折反射镜，在折反射镜和聚光透镜之间有一根直径逐渐变小的圆锥状体，该圆锥状体固定在折反射镜的中部，圆锥状体的目的是为了防止过剩的光射入而导致在圆筒体内部的光饱和现象。图1是表示本发明的全方位成像装置的光学系统的原理图。 

采用ODVS目的是能在检测周围的视频信息同时又能读取雨量计中的小浮标的视频信息，这样检测泥石流等自然灾害的视频信息也能测量瞬时雨量和累积雨量作为雨量传感器；全方位视觉传感器如图1所示，聚光透镜4以及摄像单元5固定在圆筒体的下部；圆筒体的上部固定着一个向下的大曲率的折反射镜1，其光学原理是全景图像的光点经透明外罩3，在折反射镜1上形成折反射，然后在CMOS摄像单元5上成像。这样能将一个半球(折反射镜)中的信息压缩成一幅图像，使得一幅图像中的信息量更大。 

所述的折反射镜为双曲面镜，摄像头包括聚光透镜和摄像单元位于双曲面镜的虚焦点位置；双曲面镜构成的光学系统由下面5个等式表示。折反射镜面设计图如图2所示。 

((X²+Y²)/a²)-(Z²/b²)＝-1 (Z＞0)          (1) 

$c=\sqrt{a^2+b^2}---\left(2\right)$

β＝tan^-1(Y/X)                           (3) 

α＝tan^-1[(b²+c²)sinγ-2bc]/(b²+c²)cosγ (4) 

$\mathrm{\γ}={\tan }^{-1}[f/\sqrt{(X^2+Y^2)}]---\left(5\right)$

上式中，X，Y，Z表示空间坐标，c表示双曲面镜的焦点，2c表示两个焦点之间的距离，a，b分别是双曲面镜的实轴和虚轴的长度，β表示入射光线在XY平面上的夹角-方位角，α表示入射光线在XZ平面上的夹角-俯角，f表示成像平面到双曲面镜的虚焦点的距离。 

雨量与雨强与泥石流发生有着直接关系，本发明中采用全方位视觉传感器检测雨量与雨强，要检测雨量与雨强，首先需要将雨量进行可视化，通过设计特殊的雨量收集装置观察瞬时雨量和累计雨量，所设计的雨量收集装置的上部是一个圆形桶型体，雨水由圆形桶型体盛水器汇集，通过装有小圆护网的小漏斗及其下端的引流管，雨水进入翻斗；翻斗上有一个支点，支点的位置设计在当翻斗盛积的水量达到一定的数量值时正好能使得翻斗翻倒，自动将翻斗中盛积的水量倾倒，在翻斗翻倒的过程中引流管通过止流装置，将水量暂时停留在小漏斗及其下端的引流管中，当翻斗翻倒将翻斗中盛积的水量倾倒完毕后，翻斗由于重心恢复力的作用恢复到原来位置，自动打开止流装置使得雨水又进入翻斗；翻斗中设计一个有颜色特征的小浮标，通过视频来观察该小浮标的位置，能得到雨量收集装置中目前的水量，其范围在0-100ml之间；有颜色特征的小浮标被安置在雨量收集装置中的一个可上下方向移动的槽内，该槽与雨量收集装置的水是可以流动的，但是小浮标不会由于倾倒翻斗中的水时脱离槽，小浮标安置在全方位视觉的视觉范围内；视觉的方式检测雨量的原理图如附图3所示。 

所述的翻斗设计要满足几个条件，1)容积条件：翻斗的雨量收集最大量为100ml；2)雨量的计算条件：小浮标位置与翻斗中的雨水容积必须是可以通过简单公式进行计算的，也就是说能通过视频观测小浮标位置迅速得到翻斗所收集的雨量；3)无泄漏条件：在翻斗翻倒将翻斗中盛积的水量倾倒过程中，止流装置动作使引流管处在滞流状态；4)翻斗的动作条件：当翻斗收集的雨量达到最大量100ml时，翻斗能准确动作，当翻斗翻倒动作完成后又能迅速复位，同时停止引流管的滞流状态，使雨水能流入翻斗中；5)防腐蚀条件：由于雨水中包含有对一些材料的腐蚀成分，所选择的翻斗材料要耐腐蚀。 

所述的容积条件，在本发明中将翻斗的设计成扁型梯形状，如果将宽度设计为一个恒定量W，梯形边的下部底边长度为l，梯形边的上部底边长度为L，梯形的总高度为H，当翻斗所收集的雨量到达最大高度时，翻斗中雨水的容积可以用公式(6)进行计算： 

$V=\frac{W*H*(l+L)}{2}---\left(6\right)$

所述的雨量的计算条件，梯形边的长度x是随着高度y变化而变化的，因此长度x是高度y的线形函数，所以我们可以通过这个关系式求得在某个高度时翻斗中雨水的容积，公式如(7)所示： 

$V\left(y\right)=\frac{W*y*[l+y*\left(\frac{L-l}{H}\right)]}{2}---\left(7\right)$

从上述公式可以知道，我们只要测量出小浮标位置，也就是得到高度y，就能计算出在某个高度时翻斗中雨水的容积，当然也可以事先设计好一张表格，通过某一个高度y进行查表得到相对应的雨水的容积。 

所述的无泄漏条件，是通过止流装置动作使引流管处在滞流状态，翻斗翻倒过程中由于滑轨的作用，推动小锥体向上运动起到一个锥阀的作用，从而阻塞引流管的流体通道，使得雨水在翻斗翻倒期间仍保留在引流管或者小漏斗中；而当翻斗恢复原来位置时，小锥体依靠弹簧力的作用使得引流管的雨水畅通进入翻斗。 

所述的防腐蚀条件，在本专利中采用铝合金材料进行制造翻斗，翻斗中内部要光滑，以便能将翻斗中的一些渣滓在翻斗翻倒过程中清理出去。 

所述的翻斗的动作条件，是通过雨水的容积变化时翻斗的重心变化原理实现的，图3中当翻斗中的雨水容积达到最大容积时，相对与支点的雨水的重心与翻斗本身的重心的平衡被破坏，翻斗自动发生翻倒动作，由于制造上的误差，在本发明中设计了一个调节平衡块，通过调节平衡块调节相对与支点的翻斗本身的重心来达到准确的翻斗的动作。 

为了从翻斗式传感器测量雨量上的一些固有的缺陷和不足，本发明中将浮标式雨量计的优点也弥补翻斗式雨量计的缺陷和不足，特别是由于翻斗室水体残留、翻斗室残留泥沙和油污的影响、翻斗轴承付游隙变化及沙尘阻滞使摩擦力变化的影响等等所造成的随机误差，这种随机误差造成了每次测量的实际雨量与测量雨量不同，比如实际雨量为101ml、99ml、100ml、...，但是翻斗式传感器测量雨量都认为是100ml；在本专利中采用翻斗中有浮标的设计方法，在测量原理是通过测量翻斗中的浮标位置来计量翻斗中的水量，通过视频检测手段来检测翻斗自动发生翻倒动作前瞬间翻斗中的水量，这样实际雨量与测量雨量能达到一致；同时在翻斗自动恢复动作后的翻斗中的浮标位置来计量翻斗中的初始雨量，也能排除翻斗室水体残留、翻斗室残留泥沙等对计量雨量的随机误差，从这个意义上来讲翻斗只是作为雨量收集装置，而真正的计量雨量是通过浮标位置来计量的(不论是大量程以及小量程都是取决于翻斗中的浮标位置)，并将本次翻斗自动发生翻倒动作瞬时翻斗中的浮标位置y(i)_{action-before}以及前一次自动恢复动作后的翻斗中的浮标位置y(i-1)_action-after存储在记忆单元内，通过公式(8)计算出实际本次翻斗自动发生翻倒过程中所倾倒掉的水量； 

$\mathrm{\ΔV}\left(i\right)=\frac{W}{2}*\{y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*[l+y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*\left(\frac{L-l}{H}\right)]---\left(8\right)$

${-y(i-1)}_{\mathrm{action}-\mathrm{after}}*[l+y{(i-1)}_{\mathrm{action}-\mathrm{after}}*\left(\frac{L-l}{H}\right)]\}$

通过公式(8)求得的是本次所倾倒掉的水量，并同时将该次翻斗自动发生翻倒动作的时刻(年月日小时分秒)一起存储在数据库的雨量记录表中。 

世界气象组织和中国气象局对于雨量测定有严格的规定，目前，众所周知的雨、雪量计量单位是“毫米”。规定200毫米为雨量测定仪器的盛雨口标准口径，进入该筒内的积水深度即为雨量的毫米值。按公式(9)、(10)推算可得： 

口径：D＝200mm+0.6mm(0.6mm为盛雨口边宽)    (9) 

面积：S＝3.1416*(10.03)²cm²＝316cm²        (10) 

通过公式(8)和公式(10)所计算得到的值，然后根据公式(11)就能得到本次所检测到的雨量， 

$\mathrm{\ΔY}\left(i\right)=\frac{\mathrm{\ΔV}\left(i\right)}{S}---\left(11\right)$

通过雨量记录表中所记录的雨量以及翻斗自动发生翻倒动作的时刻等信息可以求每小时降水量、每日降水量以及00-06，06-12，12-18，18-24时段的累计降水量，由计算公式(12)进行计算： 

$Y_{\mathrm{total}}=\underset{i=\mathrm{starttime}}{\overset{\mathrm{endtime}}{\mathrm{\Σ}}}\mathrm{\ΔY}\left(i\right)---\left(12\right)$

在计算每小时降水量时，就是将某一个小时时间内的雨量记录进行累加；同样的方法计算每日降水量时，就是将零时时间到晚间12点以前时间内的雨量记录进行累加；对于微量降水以及每分钟降水量由于检测量小、检测时间短而造成了浮标移动量小，因此必须以每秒为单位检测在翻斗的浮标位置y(i)_now与前一次自动恢复动作后的翻斗中的浮标位置y(i-1)_action-after的相对位移，由计算公式(13)进行计算： 

$\mathrm{\ΔV}\left(i\right)=\frac{W}{2}*\{y{\left(i\right)}_{\mathrm{now}}*[l+{y\left(i\right)}_{\mathrm{now}}*\left(\frac{L-l}{H}\right)]-y{(i-1)}_{\mathrm{action}-\mathrm{after}}*[l+y{(i-1)}_{\mathrm{action}-\mathrm{after}}*\left(\frac{L-l}{H}\right)\left]\right\}---\left(13\right)$

通过公式(11)、(12)，累计在某一分钟内的雨量可以求得每分钟降水量，同样对微量降水可以通过比较长时间内的累加来得到微量降水值。 

所述的翻斗的浮标位置y检测是通过所获取视频图像进行处理得到浮标位置，为了简化图像运算，在本专利中将浮标的颜色设计成红色，那么上面的检测就可以简化为红色部分在空间的位置问题；从摄像装置读取的视频图像是RGB色彩空间，RGB色彩空间对亮度比较敏感，特别是在野外使用的雨量计不应该由亮度变化而造成误测量，这里通过色彩空间转化模块将图像RGB色彩空间到YUV空间的转化，为获得浮标空间位置做准备工作； 

YUV颜色模型是一种常用的颜色模型，其基本特征是将亮度信号与颜色信号分离，Y代表亮度，U、V是两个彩色分量，表示色差，一般是蓝，红色的相对值，由于人眼对亮度的变化比对颜色的变化敏感，因此，YUV模型中Y分量的值所占带宽大于等于彩色分量所占带宽YUV与RGB模型之间的线形关系如公式(14)给出，

Y＝0.301*R+0.586*G+0.113*B 

U＝-0.301*R-0.586*G+0.887*B    (14) 

V＝0.699*R-0.586*G-0.113*B 

由于我们在雨量计中只关心浮标的空间位置，因此上述公式计算时只要计算红色分量的值，然后得到相对应的二值化图像，我们将浮标的几何中心位置作为浮标在空间上的点的位置。由于计算机中的图像是以像素为单位表示的，另外由于摄像机模型在整个视频范围内并非都是线形的，因此需要建立实际空间的尺寸大小与图像中的尺寸的映射关系，即视觉雨量传感器的标定。 

所述的视觉雨量传感器的标定，是将一个尺寸大于浮标活动量程的标尺放在浮标活动轨迹线上，通过计算机读取标尺上的刻度，然后将各刻度对应在图像中的像素，并对应结果存储在一张映射表中，这样通过视频图像中浮标的位置就能得到实际浮标在空间上的位置。 

为了最大限度降低雨量计的功耗，在本发明中利用翻斗翻倒动作来自动产生一个触发信号，如果没有在测量状态就立即激活雨量计量装置，对翻斗中的浮标进行测量；若一段时间内无通、断信号发出，即表示降雨过程结束，系统经过一定时间后自动进入休眠状态。 

在晚间下雨往往比较多，而晚间由于亮度不够会影响视频的检测，在激活雨量计量装置的前提下，本发明中在亮度不足以测量时自动启动亮度判断及节能灯开关模块，以便能全天候进行雨量测量；所述的亮度判断及节能灯开关模块，是根据图像RGB色彩空间到YUV空间的转化的结果得到Y的亮度分量，如果当Y的值小于域值Ymin时，系统自动接通在摄像头上面的节能灯，节能灯的亮度只要能超过域值Ymin的10％左右即可，当Y的值超过域值Ymin的20％时，系统自动断开对节能灯的供电。 

为了防止在翻斗发生翻倒动作过程中泄水而造成的计量误差，本发明中通过止流装置动作使引流管处在滞流状态，翻斗翻倒过程中由于滑轨的作用，推动小锥体向上运动起到一个锥阀的作用，从而阻塞引流管的流体通道，使得雨水在翻斗翻倒期间仍保留在引流管或者小漏斗中；而当翻斗恢复原来位置时，小锥体依靠弹簧力的作用使得引流管的雨水畅通进入翻斗，同时也产生一个触发信号来激活雨量计量装置，因此翻斗的设计要满足两个要求：1)翻斗上的滑轨必须在翻斗翻倒以前使锥阀的作用阻塞引流管的流体通道，防止在翻斗发生翻倒动作过程中泄水而造成的计量误差；2)而当翻斗恢复原来位置时，小锥体依靠弹簧力的作用使得引流管的雨水畅通进入翻斗，同时能作为一个触发信号来激活全方位视觉的泥石流灾害检测装置，使得装置能在极低功耗情况下运行。 

按照上述原理制造的雨量计传感器在安装时只需调整基座的水平，无需调校翻斗感量，只要检验它能可靠翻动，因此安装调试简便易行；由于采用了无接触式的视频测量能降低故障率，减少维护或者无需维护。 

本发明中的雨量传感器的翻斗不作为计量部件，即使有少量沙尘沉积于翻斗斗室以及翻斗轴承付游隙变化，引起翻斗感量微小变化，不会影响翻斗正常翻动，沙尘将会沉淀于浮子室底层，只要保证水路通畅就不会影响浮子正常工作，也不会产生附加测量误差。 

在激发泥石流的雨量因素中，最关键的因素又是泥石流当日激发降雨过程中最大10分钟雨强或最大1小时雨强；所述的最大一小时雨强y_1h与最大10分钟雨强y_10min的统计是以每分钟为单位进行统计的；雨强则指单位时间内暴雨的降雨量。在Δt(i)暴雨历时内降雨量为ΔY(i)时，ΔY(i)由公式(11)计算，因此每分钟平均雨强可用以下公式(15)计算： 

$y\left(i\right)=\frac{\mathrm{\ΔY}\left(i\right)}{\mathrm{\Δt}\left(i\right)}---\left(15\right)$

要得到最大10分钟雨强或最大1小时雨强，本发明中遍历了统计时间间隔前后10分钟的情况，并求其最大值，计算公式如(16)所示： 

$y_{1h}=\max (\underset{i=j-10}{\overset{j+49}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j-9}{\overset{j+50}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j-8}{\overset{j+51}{\mathrm{\Σ}}}y\left(i\right),\·\·\·,\underset{i=j}{\overset{j+59}{\mathrm{\Σ}}}y\left(i\right))---\left(16\right)$

$y_{10\min }=\max (\underset{i=j+40}{\overset{j+49}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j+41}{\overset{j+50}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j+42}{\overset{j+51}{\mathrm{\Σ}}}y\left(i\right),\·\·\·,\underset{i=j+50}{\overset{j+59}{\mathrm{\Σ}}}y\left(i\right))$

式中，i为目前统计时刻点，j为前60分的统计时刻点，y_1h为最大一小时雨强，y_10min为最大10分钟雨强y_10min。 

通过上述所计算得到的最大10分钟雨强或最大1小时雨强值，并根据当地在某个最大10分钟雨强或最大1小时雨强发生泥石流的概率来发布泥石流的预报和预警信息。 

作为泥石流发生时的视频特征，根据沟谷上、中、下游检测位置不同检测重点也有所不同：1)从地形地貌的角度来看泥石流在坡度为20°-45°的区域容易发生侵蚀，大于45°的区域容易发生崩塌和滑坡，小于20°的区域则相对比较稳定，本发明中将相对高差大，沟床比降大，切割厉害的区域作为重点检测区域，并作为沟谷中上游泥石流发生时的检测；2)作为检测沟谷中游的泥石流的重点是在视频角度近处的区域，本发明中将测量装置安置在沟床的上方，目的能检测到泥石流龙头的一些特征：①龙头的运动特征-龙头是以拉伸，前倾，下落，而后揭起的滚动方式向前运动；②龙头的流量特征-峰值流量一般出现在泥石流的龙头部分；③泥石流流量沿程特征-流量沿程是不一致的，越向下游流量越大；3)作为检测沟谷下游的泥石流的重点是在视频角度远处的区域，从远处的宏观视角来看泥石流形成后就犹如一条巨蟒在山谷中蜿蜒前行，黑色“龙头”巨浪翻滚；4)根据在沟谷上、中、下游检测的视频信息，构成泥石流检测网络以提高检测的可信度。 

作为检测沟谷上游的检测，进行崩塌和滑坡的判断，采用背景减算法的快速分割算法来实时检测地貌发生的变化；背景消除是基于背景减算法检测前景对象(崩塌和滑坡)的关键，它直接影响检测出检测对象的完整性和准确性。 

作为检测沟谷中游的泥石流的重点是在视频角度近处的区域，测量装置安置在沟床的上方用于检测泥石流龙头的一些特征：①龙头的运动特征-龙头是以拉伸，前倾，下落，而后揭起的滚动方式向前运动；②龙头的流量特征-峰值流量一般出现在泥石流的龙头部分；③泥石流流量沿程特征-流量沿程是不一致的，越向下游流量越大；在数字图像处理技术中，一个最简单有力的工具是灰度直方图，一幅图像的直方图都包括了可观的信息，由于泥石流的龙头、龙身、龙尾的形状、大小、速度都是在运动和变化的，但是从某一个局部区域来讲，龙头、龙身、龙尾的直方图是有明显区别的，另外在图像处理中对直方图的计算是可以用非常低的计算量来完成，这对泥石流的实时检测是非常有利的。 

如果在泥石流经过的沟谷流域上安置多个检测装置，那么就可以检测得到泥石流流量随沿程逐步增大趋势，当然这需要有传感器网络技术来支持； 

本专利中在沟谷下游检测泥石流的重点放在视频角度远处的区域，这是因为从远处的宏观视角来看泥石流形成后就犹如一条黑色巨蟒在山谷中蜿蜒前行，由于地形地貌对泥石流前行运动轨迹的限定，因此在沟谷下游检测泥石流是否发生依托地形地貌图上沟谷的信息可以提高检测精度、减少检测范围以及计算工作量，本发明中采用用户界面输入泥石流可能经过的沟谷图像信息，并将该信息存储在存储单元中，在检测泥石流发生时根据所存储沟谷图像信息，并判断在该沟谷上是否发现有黑色流动体，如果有那么就认为是有泥石流发生可疑，需要进一步确认； 

声音可以作为泥石流判断的一种重要辅助手段，泥石流在沟谷中上游区域发生后，随着泥石流的流量增大、流速加快，对应泥石流的音量呈增大趋势和音调也呈加快趋势；暴雨时发出的较高音量的声音有两种可能性：1)泥石流发生；2)雷声。为了区别泥石流发生所产生的声音和雷声所产生的声音，在声音信号处理上可以用两种方法来解决，一种是在时间域上的处理方法，另一种是在频率域上的处理方法，由于在频率域上的处理方法要花费较大的计算时间不利于实时判断，在本发明中采用了在时间域上的处理方法，该方法直观，计算简单，例如可提取信号的周期、峰值、过零率等作为时域上的特征，最明显的特征是泥石流发生所产生的声音要比雷声所产生的声音持续时间长，因此可以把声压级(功率值)和持续时间作为识别泥石流发生的特征，用来进一步确认泥石流的发生。 

所述的声音响度测量，用来表示的是声音能量的强弱程度，其强度主要取决于声音声波振幅的大小。泥石流与雷声的声音的响度可以用声压(达因/平方厘米)或声强(瓦特/平方厘米)来计量，声压的单位为帕(Pa)，它与基准声压比值的对数值称为声压级，单位是分贝(dB)。响度的相对量称为响度级，它表示的是某鼾声响度与基准响度比值的对数值。响度——声音的大小；响度跟发声体的振幅有关系，振幅越大，响度越大；振幅越小，响度越小；同时响度跟距发声体的远近、方向有关系。一般泥石流与雷声的声音的声压级都会达到100分贝以上。 

所述的声音持续时间的测量，我们将时间域上的超过一定的阈值连续声音波 形作为声音持续时间，一般来说泥石流所发出的声音持续时间(10min以上)要远大于雷声所发出的声音持续时间(2min以下)； 

所述的声压级(功率值)和持续时间测量，首先是声信号被传声器接收，传声器将其变换为电信号；然后读入嵌入式系统中，通过嵌入式系统中的软件计算声音的声压级以及声音持续时间；最后根据上述两个指标判断是否是泥石流发出的声音。 

本发明的有益效果主要表现在：1、测量精度高、灵敏性好、低维护率、能够长期可靠使用；2、高质量完成泥石流发生的检测和避难警报输出的新手段，低功耗、长期可靠运行并保持低维护率、多媒体信息的测量、支持远程网络通信、智能化；3、采用声音传感器获取监视地域的声音响度与频率来进一步辅证泥石流的发生，利用雨量传感器中漏斗翻倒动作作为检测泥石流的触发信号，使得全方位视觉的泥石流灾害检测装置在没有下雨时处于休眠状态满足低功率的要求。 

(四)附图说明

图1为全方位视觉传感器的结构图。 

图2为全方位视觉传感器的折反射原理图。 

图3为基于全方位视觉的泥石流灾害检测装置中硬件与软件结构框图。 

图4为基于全方位视觉的泥石流灾害检测装置中硬件与网络通信框图。 

图5为雨量检测的翻斗设计图。 

图6为浮标的结构图。 

图7为翻斗翻倒过程的示意图。 

图8为计算机视觉在测量翻斗中浮标的示意图。 

(五)具体实施方式

下面结合附图对本发明作进一步描述。 

参照图1～图8，一种基于全方位视觉的泥石流灾害检测装置，包括用于监视待测山体和雨量收集装置水位的全方位视觉传感器、雨量收集装置和用于根据视频信号进行灾害检测的微处理器，所述的全方位视觉传感器安装在待测山体的沟床的上方，所述的全方位视觉传感器输出连接微处理器，所述的全方位视觉传感器包括用以反射监控领域中物体的外凸折反射镜面1、用以防止光折射和光饱和的黑色圆锥体2、透明圆柱体3和摄像头5，所述的外凸折反射镜面1位于透明圆柱体2的上方，外凸折反射镜面1朝下，黑色圆锥体2固定在外凸折反射镜面1的底部中央；所述的雨量收集装置包括盛水器6、翻斗11，所述的翻斗11上设有用于显示盛水器水位的浮标7；所述的微处理器包括：视觉传感器标定模块，用于设定视频图像位置与实际空间坐标上的位置的对应关系；浮标位置采集模块，用于采集视频传感器的视频图像，并确定盛水器浮标的位置；雨量智能计算模块，用于设定浮标的位置与翻斗的水量的对应关系；采集视觉传感器的信号，检测翻斗自动发生翻倒动作前瞬间浮标的位置，并依据对应关系计算翻斗中的实际雨量，检测翻斗前一次自动恢复动作后的翻斗中的浮标位置，计量翻斗中的初始雨 量，实际雨量与初始雨量相减后得到本次倾倒雨量；激发泥石流雨强计算模块，用于统计计算降雨过程中最大10分钟雨强或最大1小时雨强，以每分钟为单位进行统计；雨强则指单位时间内暴雨的降雨量，在Δt(i)暴雨历时内降雨量为ΔY(i)时，每分钟平均雨强用以下公式(15)计算： 

$y\left(i\right)=\frac{\mathrm{\ΔY}\left(i\right)}{\mathrm{\Δt}\left(i\right)}---\left(15\right)$

要得到最大10分钟雨强或最大1小时雨强，遍历统计时间间隔前后10分钟的情况，并求其最大值，计算公式如(16)所示： 

$y_{1h}=\max (\underset{i=j-10}{\overset{j+49}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j-9}{\overset{j+50}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j-8}{\overset{j+51}{\mathrm{\Σ}}}y\left(i\right),\·\·\·,\underset{i=j}{\overset{j+59}{\mathrm{\Σ}}}y\left(i\right))---\left(16\right)$

$y_{10\min }=\max (\underset{i=j+40}{\overset{j+49}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j+41}{\overset{j+50}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j+42}{\overset{j+51}{\mathrm{\Σ}}}y\left(i\right),\·\·\·,\underset{i=j+50}{\overset{j+59}{\mathrm{\Σ}}}y\left(i\right))$

式中，i为目前统计时刻点，j为前60分的统计时刻点，y_1h为最大一小时雨强，y_10min为最大10分钟雨强y_10min； 

泥石流预警模块，用于在数据库中预先存储的特定最大10分钟雨强或最大1小时雨强发生泥石流的统计概率，依据上述计算的最大10分钟雨强或最大1小时雨强得到发生泥石流的概率，并发出预报和预警信息。 

所述的雨量收集装置用于观察瞬时雨量和累计雨量，所设计的雨量收集装置的上部是一个圆锥形桶型体6，雨水由圆锥形桶型体盛水器汇集，通过装有小圆护网的小漏斗及其下端的引流管8，雨水进入翻斗11；翻斗11上有一个支点12，支点12的位置设计在当翻斗11盛积的水量达到一定的数量值时正好能使得翻斗翻倒，自动将翻斗11中盛积的水量倾倒，在翻斗11翻倒的过程中引流管8通过止流装置10，将水量暂时停留在小漏斗及其下端的引流管8中，当翻斗11翻倒将翻斗中盛积的水量倾倒完毕后，如附图3所示，翻斗11由于重心恢复力的作用恢复到原来位置，自动打开止流装置10使得雨水又进入翻斗11；翻斗11中设计一个有颜色特征的小浮标7，如附图2所示，小浮标7上部是一个红色小球，通过视频来观察该小浮标(红色小球)的位置，小浮标7被安置在雨量收集装置中的一个可上下方向移动的槽13内，小浮标7不会由于倾倒翻斗中的水时脱离槽，计算机视觉范围能检测到小浮标7的整个活动范围；槽13与翻斗11下部是相通的，形成水路；当翻斗11中盛积的水量发生变化时，槽13的水位也相应发生变化，由于浮力的作用小浮标7就会向上移动，能反映翻斗11中所盛积的雨量多少，视觉的方式检测雨量的原理图如附图3所示。根据上述的陈述，所述的翻斗设计要满足几个条件，1)容积条件：翻斗的雨量收集最大量为100ml；2)雨量的计算条件：小浮标位置与翻斗中的雨水容积必须是可以通过简单公式进行计算的，也就是说能通过视频观测小浮标位置迅速得到翻斗所收集的雨量；3)无泄漏条件：在翻斗翻倒将翻斗中盛积的水量倾倒过程中，止流装置动作使引流管处在滞流状 态；4)翻斗的动作条件：当翻斗收集的雨量达到最大量100ml时，翻斗能准确动作，当翻斗翻倒动作完成后又能迅速复位，同时停止引流管的滞流状态，使雨水能流入翻斗中；5)防腐蚀条件：由于雨水中包含有对一些材料的腐蚀成分，所选择的翻斗材料要耐腐蚀。 

为了弥补翻斗式传感器测量雨量上的一些固有的缺陷和不足，本发明中将浮标式雨量计的优点来弥补翻斗式雨量计的缺陷和不足，特别是由于翻斗室水体残留、翻斗室残留泥沙和油污的影响、翻斗轴承付游隙变化及沙尘阻滞使摩擦力变化的影响等等所造成的随机误差，这种随机误差造成了每次测量的实际雨量与测量雨量不同，比如实际雨量为101ml、99ml、100ml、...，但是翻斗式传感器测量雨量都认为是100ml；在本专利中采用翻斗中有浮标的设计方法，在测量原理是通过测量翻斗中的浮标位置来计量翻斗中的水量，通过视频检测手段来检测翻斗自动发生翻倒动作前瞬间翻斗中的水量，这样实际雨量与测量雨量能达到一致；同时在翻斗自动恢复动作后的翻斗中的浮标位置来计量翻斗中的初始雨量，也能排除翻斗室水体残留、翻斗室残留泥沙等对计量雨量的随机误差，从这个意义上来讲翻斗只是作为雨量收集装置，而真正的计量雨量是通过浮标位置来计量的(不论是大量程以及小量程都是取决于翻斗中的浮标位置)，并将本次翻斗自动发生翻倒动作瞬时翻斗中的浮标位置y(i)_{action-before}以及前一次自动恢复动作后的翻斗中的浮标位置y(i-1)_action-after存储在记忆单元内，通过公式(8)计算出实际本次翻斗自动发生翻倒过程中所倾倒掉的水量； 

$V\left(i\right)=\frac{W}{2}*\{y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*[l+y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*\left(\frac{L-l}{H}\right)]---\left(8\right)$

${-y(i-1)}_{\mathrm{action}-\mathrm{after}}*[l+y{(i-1)}_{\mathrm{action}-\mathrm{after}}*\left(\frac{L-l}{H}\right)]\}$

通过公式(8)求得的是本次所倾倒掉的水量，并同时将该次翻斗自动发生翻倒动作的时刻(年月日小时分秒)一起存储在数据库的雨量记录表中。 

世界气象组织和中国气象局对于雨量测定有严格的规定，目前，众所周知的雨、雪量计量单位是“毫米”。规定200毫米为雨量测定仪器的盛雨口标准口径，进入该筒内的积水深度即为雨量的毫米值。按公式(9)、(10)推算可得： 

口径：D＝200mm+0.6mm(0.6mm为盛雨口边宽)    (9) 

面积：S＝3.1416*(10.03)²cm²＝316cm²        (10) 

通过公式(8)和公式(10)所计算得到的值，然后根据公式(11)就能得到本次所检测到的雨量， 

$\mathrm{Rain}\left(i\right)=\frac{V\left(i\right)}{S}---\left(11\right)$

通过雨量记录表中所记录的雨量以及翻斗自动发生翻倒动作的时刻等信息可以求每小时降水量、每日降水量以及00-06，06-12，12-18，18-24时段的累计降水量，由计算公式(12)进行计算： 

${\mathrm{Rain}}_{\mathrm{total}}=\underset{i=\mathrm{starttime}}{\overset{\mathrm{endtime}}{\mathrm{\Σ}}}\mathrm{Rain}\left(i\right)---\left(12\right)$

在计算每小时降水量时，就是将某一个小时时间内的雨量记录进行累加；同样的方法计算每日降水量时，就是将零时时间到晚间12点以前时间内的雨量记录进行累加；对于微量降水以及每分钟降水量由于检测量小、检测时间短而造成了浮标移动量小，因此必须以每秒为单位检测在翻斗的浮标位置y(i)_now与前一次自动恢复动作后的翻斗中的浮标位置y(i-1)_action-after的相对位移，由计算公式(13)进行计算： 

$V\left(i\right)=\frac{W}{2}*\{{y\left(i\right)}_{\mathrm{now}}*[l+{y\left(i\right)}_{\mathrm{now}}*\left(\frac{L-l}{H}\right)]-y{(i-1)}_{\mathrm{action}-\mathrm{after}}*[l+y{(i-1)}_{\mathrm{action}-\mathrm{after}}*\left(\frac{L-l}{H}\right)\left]\right\}---\left(13\right)$

通过公式(11)、(12)，累计在某一分钟内的雨量可以求得每分钟降水量，同样对微量降水可以通过比较长时间内的累加来得到微量降水值。 

所述的翻斗的浮标位置y检测是通过所获取视频图像进行处理得到浮标位置，为了简化图像运算，在本专利中将浮标的颜色设计成红色，那么上面的检测就可以简化为红色部分在空间的位置问题；从摄像装置读取的视频图像是RGB色彩空间，RGB色彩空间对亮度比较敏感，特别是在野外使用的雨量计不应该由亮度变化而造成误测量，这里通过色彩空间转化模块将图像RGB色彩空间到YUV空间的转化，为获得浮标空间位置做准备工作； 

YUV颜色模型是一种常用的颜色模型，其基本特征是将亮度信号与颜色信号分离，Y代表亮度，U、V是两个彩色分量，表示色差，一般是蓝，红色的相对值，由于人眼对亮度的变化比对颜色的变化敏感，因此，YUV模型中Y分量的值所占带宽大于等于彩色分量所占带宽YUV与RGB模型之间的线形关系如公式(14)给出， 

Y＝0.301*R+0.586*G+0.113*B 

U＝-0.301*R-0.586*G+0.887*B    (14) 

V＝0.699*R-0.586*G-0.113*B 

由于我们在雨量计中只关心浮标的空间位置，因此上述公式计算时只要计算红色分量的值，然后得到相对应的二值化图像，我们将浮标的几何中心位置作为浮标在空间上的点的位置。由于计算机中的图像是以像素为单位表示的，另外由于摄像机模型在整个视频范围内并非都是线形的，因此需要建立实际空间的尺寸大小与图像中的尺寸的映射关系，即视觉雨量传感器的标定。 

所述的视觉雨量传感器的标定，是将一个尺寸大于浮标活动量程的标尺放在浮标活动轨迹线上，通过计算机读取标尺上的刻度，然后将各刻度对应在图像中的像素，并对应结果存储在一张映射表中，这样通过视频图像中浮标的位置就能得到实际浮标在空间上的位置。 

为了最大限度降低雨量计的功耗，在本发明中利用翻斗翻倒动作来自动产生一个触发信号，如果雨量传感器没有在测量状态就立即激活基于全方位视觉的泥石流检测装置中的供电电源，对翻斗中的浮标进行测量，同时也检测周围的视频信息；若一段时间内无通、断信号发出，即表示降雨过程结束，装置经过一定时间后(比如一天)自动进入休眠状态。附图8中的触发信号单元15当翻斗11发生翻倒动作时，会发出一个脉冲信号，同时该触发信号单元15也起到了翻斗11恢复状态的定位作用。 

在晚间下雨往往比较多，因此泥石流在晚间发生可能性又比较大，而晚间由于亮度不够会影响视频的检测，在激活装置的前提下，本发明中在亮度不足以测量时自动启动亮度判断及节能灯开关模块，以便能全天候进行雨量测量；所述的亮度判断及节能灯开关模块，是根据图像RGB色彩空间到YUV空间的转化的结果得到Y的亮度分量，如果当Y的值小于域值Ymin时，系统自动接通在摄像头上面的节能灯，节能灯的亮度只要能超过域值Ymin的10％左右即可，当Y的值超过域值Ymin的2％时，系统自动断开对节能灯的供电。 

为了防止在翻斗发生翻倒动作过程中泄水而造成的计量误差，本发明中通过止流装置动作使引流管处在滞流状态，翻斗翻倒过程中由于滑轨的作用，推动小锥体向上运动起到一个锥阀的作用，从而阻塞引流管的流体通道，使得雨水在翻斗翻倒期间仍保留在引流管或者小漏斗中；而当翻斗恢复原来位置时，小锥体依靠弹簧力的作用使得引流管的雨水畅通进入翻斗，同时也产生一个触发信号来激活雨量计量装置，因此翻斗的设计要满足两个要求：1)翻斗上的滑轨必须在翻斗翻倒以前使锥阀的作用阻塞引流管的流体通道，防止在翻斗发生翻倒动作过程中泄水而造成的计量误差；2)而当翻斗恢复原来位置时，小锥体依靠弹簧力的作用使得引流管的雨水畅通进入翻斗，同时能作为一个触发信号来激活雨量计量装置，使得雨量计能在极低功耗情况下运行。 

所述的全方位视频图像采集与处理装置，本发明中采用了全方位视觉传感器，其目的是能在读取小浮标的视频信息同时又能检测周围的视频信息，这样雨量传感器也能检测泥石流等自然灾害的视频信息；全方位视觉传感器如图1所示，聚光透镜4以及摄像单元5固定在圆筒体的下部；圆筒体的上部固定着一个向下的大曲率的折反射镜1，其光学原理是全景图像的光点经透明外罩3，在折反射镜1上形成折反射，然后在CMOS摄像单元5上成像。这样能将一个半球(折反射镜)中的信息压缩成一幅图像，使得一幅图像中的信息量更大。 

所述的折反射镜为双曲面镜，摄像头包括聚光透镜和摄像单元位于双曲面镜的虚焦点位置；双曲面镜构成的光学系统由下面5个等式表示。折反射镜面设计图如图2所示。 

((X²+Y²)/a²)-(Z²/b²)＝-1  (Z＞0)          (1) 

$c=\sqrt{a^2+b^2}$               (2) 

β＝tan^-1(Y/X)                            (3) 

α＝tan^-1[(b²+c²)sinγ-2bc]/(b²+c²)cosγ  (4) 

$\mathrm{\γ}={\tan }^{-1}[f/\sqrt{(X^2+Y^2)}]$              (5) 

上式中，X，Y，Z表示空间坐标，c表示双曲面镜的焦点，2c表示两个焦点之间的距离，a，b分别是双曲面镜的实轴和虚轴的长度，β表示入射光线在XY平面上的夹角-方位角，α表示入射光线在XZ平面上的夹角-俯角，f表示成像平面到双曲面镜的虚焦点的距离。 

所述的全方位视频图像采集与处理单元、网络通信单元和声音采集与处理单元，在硬件与软件实现方面，本发明中选择嵌入式Linux系统，主要达到集传感、通信、移动为一体的目的，嵌入式Linux系统中包括了软件与硬件技术，其中嵌入式Linux软件是核心技术，它能实现全方位视觉的视频服务器的功能。 

嵌入式Linux全方位视觉传感器系统结构如附图3所示。在嵌入式系统硬件方面，选用Samsung公司的S3c2410开发板为嵌入式arm9硬件平台，处理器内部集成了ARM公司ARM920T处理器核的32位微控制器，此外，配置16MB 16位的Flash和64MB 32位的SDRAM。通过以太网控制器芯片DM9000E扩展一个网口并引出一个HOST USB接口。通过在USB接口上外接一个带USB口的摄像头，将采集到的视频图像数据传输到输入缓冲区中进行处理。 

所述的视频服务器，其目的是不断读取全方位视觉传感器所拍摄到的场景图像信息，并提供对有线及无线网络的支持，使各种网络与远程主机进行Socket通讯，实现在远程主机上进行视频分析与处理，也可以通过无线网络传输场景信息到手机上，方便用户随时随地查看泥石流发生的现场视频信息。全方位视觉传感器视频服务器的架构如图4所示，在S3c2410中建立视频服务器。 

所述的全方位视频图像采集与处理单元，主要用于泥石流的检测与雨量的检测，关于雨量的检测上面已经陈述过，这里主要说明泥石流的检测的方法；作为泥石流发生时的视频特征，根据沟谷上、中、下游检测位置不同检测重点也有所不同：1)从地形地貌的角度来看泥石流在坡度为20°-45°的区域容易发生侵蚀，大于45°的区域容易发生崩塌和滑坡，小于20°的区域则相对比较稳定，本发明中将相对高差大，沟床比降大，切割厉害的区域作为重点检测区域，并作为沟谷中上游泥石流发生时的检测；2)作为检测沟谷中游的泥石流的重点是在视频角度近处的区域，本发明中将测量装置安置在沟床的上方，目的能检测到泥石流龙头的一些特征：①龙头的运动特征-龙头是以拉伸，前倾，下落，而后揭起的滚动方式向前运动；②龙头的流量特征-峰值流量一般出现在泥石流的龙头部分；③泥石流流量沿程特征-流量沿程是不一致的，越向下游流量越大；3)作为检测沟谷下游的泥石流的重点是在视频角度远处的区域，从远处的宏观视角来看泥石流形成后就犹如一条巨蟒在山谷中蜿蜒前行，黑色“龙头”巨浪翻滚；4)根据在沟谷上、中、下游检测的视频信息，构成泥石流检测网络以提高检测的可信度。 

所述的崩塌和滑坡的判断，采用背景减算法的快速分割算法来实时检测地貌发生的变化；背景消除是基于背景减算法检测前景对象(崩塌和滑坡)的关键，它直接影响检测出检测对象的完整性和准确性。本发明中采用了背景自适应法，其核心思想是对每一个背景像素使用1组矢量；RGB变化的当前混合值(Xmix， bi)来表示合法背景像素的允许取值(i为帧号)，并采用IIR滤波对其进行如下更新。 

(1)当光线自然变化，并且无前景对象存在时，1组向量(分别为RGB)进行自适应学习： 

X_mix，bn+1(i)＝(1-λ)X_mix，bn(i)+λX_mix，cn(i)    (17) 

式中：X_mix，cn(i)为当前帧RGB向量，X_mix，bn(i)为当前帧背景RGB向量，X_mix ,bn+1(i)为下一帧背景预测RGB向量，λ为背景更新的速度：λ＝0，使用固定不变的背景(初始背景)；λ＝1，使用当前帧作为背景；0＜λ＜1，背景由前一时刻的背景与当前帧混合而成。由于环境光线变化非常小，λ的值可以取的非常小。 

(2)当光线有突变时(由闪电引起的)、或者有前景对象存在时，背景保持不变。为避免将前景运动对象的部分像素学习为背景像素，采用： 

X_mix，bn+1(i)＝X_mix，bn(i)    (18) 

上式中的X_mix，bn+1(i)(i＝1，2，3)分别表示R，G，B3个分量，为简化起见，上述公式略去了每个像素的坐标(x，y)部分。 

进行背景亮度分析有助于降低系统的误识别率。背景亮度使用平均背景亮度Yb来度量，计算公式由式(19)给出， 

${\stackrel{\‾}{Y}}_b=\frac{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}{Y}_n(x,y)(1-M_n(x,y))}{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}(1-M_n(x,y))}---\left(19\right)$

式(19)中，Yn(x，y)为当前帧各像素的亮度，Mn(x，y)为当前帧的掩模表。用Yb0表示发现有运动对象时前一帧的背景亮度，Yb1表示检测到检测对象时第一帧的背景亮度，两帧平均亮度的变化为： 

ΔY＝Yb1-Yb0    (20) 

如果ΔY大于或者小于某个值则认为发生了闪电事件。根据上述判断结果对背景不进行更新，也不进行背景减算法。 

所述的掩模表，是用一个与视频帧尺寸相同的数组M来记录各像素点是否有运动变化，这个数组称为掩模映射表(Mask Map)： 

数组M是检测对象的二值图像，不但可用来掩模视频帧从而分割出运动对象，还可用于运动对象的跟踪、分析和分类。 

公式(20)中的背景亮度是从RGB颜色空间到YCrCb颜色空间的转换得到的，用公式(14)计算。 

所述的背景减算法也称为差分方法，是一种常用于检测图像变化和运动物体 的图像处理方法。为了要将光源点存在的那些像素部分检测出来，首先要有一个比较稳定的基准参考图像，并将该基准参考图像存储在计算机的存储器里，并通过上述的背景自适应法对基准参考图像进行动态更新，通过实时拍摄到图像与该基准参考图像间进行图像相减，相减的结果发生变化的区域亮度增强，图像相减的计算公式如式(21)表示， 

f_d(X，t₀，t_i)＝f(X，t_i)-f(X，t₀)    (21) 

式中f_d (X，t₀，t_i)是实时拍摄到检测范围内的图像与基准参考图像间进行图像相减的结果；f(X，t_i)是实时拍摄到检测范围内的图像，相当于式(17)中的X_mix，cn(i)；f(X，t₀)是基准参考图像，相当于式(17)中的X_mix，bn(i)。 

实际图像信号中包含有噪声，而且一般都表现为高频信号，因此在识别过程中要剔除由噪声所产生的图像边缘点。 

所述的剔除由噪声所产生的图像边缘点，在本发明中使用四邻域遍历的方法，它用滤波掩膜确定的邻域内像素的平均灰度值去替代图像每个像素点的值，即每一个像素值用其局部邻域内所有值的均值置换，如公式(22)所示： 

h[i，j]＝(1/M)∑f[k，1]    (22) 

式中，M是邻域内的像素点总数，本发明中取为4。 

像素间的连通性是确定区域的一个重要概念。在二维图像中，假设目标像素周围有m(m＜＝8)个相邻的像素，如果该像素灰度与这m个像素中某一个点A的灰度相等，那么称该像素与点A具有连通性。常用的连通性有4连通和8连通。4连通一般选取目标像素的上、下、左、右四个点。8连通则选取目标像素在二维空间中所有的相邻像素。将所有具有连通性的像素作为一个区域则构成了一个连通区域。 

所述的连通区域计算主要解决在图像处理过程中，一幅二值图像，其背景和目标分别具有灰度值0和1。对这样的二值图像，要对目标进行标记，计算每一目标的特征以进行识别，在多目标视频检测设计中，需要有一种快速而节省内存的连通区域标记算法。我们将像素为0的小区表示此区域无前景活动对象，若为1则表示此此区域有前景活动对象。所以可以采用连通成分标记法进行缺陷区域的合并。连通标记算法可以找到图像中的所有连通成分，并对同一连通成分中的所有点分配同一标记。下面是连通区域算法， 

1)从左到右、从上到下扫描图像； 

2)如果像素点为1，则： 

·如果上面点和左面点有一个标记，则复制这一标记。 

·如果两点有相同的标记，复制这一标记。 

·如果两点有不同的标记，则复制上点的标记且将两个标记输入等价表中作为等价标记。 

·否则给这个象素点分配新的标记并将这一标记输入等价表。 

3)如果需考虑更多的点则回到第2步。 

4)在等价表的每一等价集中找到最低的标记。 

5)扫描图像，用等价表中的最低标记取代每一标记。 

在泥石流发生的上游区域，本发明中采用区域大小、移动方向与轨迹形状等属性来判断所取得的前景运动目标是否是崩塌和滑坡；所述的区域大小属性判断是对上述标记过的每个连通区域求出其面积Si，当前景活动对象面积Si超过一个阈值时作为崩塌和滑坡可疑；接着通过每帧之间活动对象的移动判断其移动方向，崩塌和滑坡属于一种落体运动，其运动方向必定是从高处下低处移动的，为了与水体的流动进行区别，水体是在沟谷中从上游向下游流动的，而崩塌和滑坡不发生在沟谷中；所述的轨迹形状特征判断是在崩塌和滑坡发生后用于确认判断的准确性，本发明中将每一帧中求的连通区域用按先后顺序以轨迹方式表达其轨迹形状，其轨迹形状接近于一个矩型，发生崩塌和滑坡位置越高，矩型的高度尺寸就越大，崩塌和滑坡发生面积越大，矩型的宽度尺寸就越大。 

在泥石流发生的中上游区域，主要检测沟谷近处的区域，测量装置安置在沟床的上方用于检测泥石流龙头的一些特征：①龙头的运动特征-龙头是以拉伸，前倾，下落，而后揭起的滚动方式向前运动；②龙头的流量特征-峰值流量一般出现在泥石流的龙头部分；③泥石流流量沿程特征-流量沿程是不一致的，越向下游流量越大；在数字图像处理技术中，一个最简单有力的工具是灰度直方图，一幅图像的直方图都包括了可观的信息，由于泥石流的龙头、龙身、龙尾的形状、大小、速度都是在运动和变化的，但是从某一个局部区域来讲，龙头、龙身、龙尾的直方图是有明显区别的，另外在图像处理中对直方图的计算是可以用非常低的计算量来完成，这对泥石流的实时检测是非常有利的。 

因此在沟谷中游区域首先通过用户界面设置一些等宽的泥石流的检测区域，这些检测区域是泥石流必经之路，由于灰度直方图是灰度级的函数，描述的是图像中具有该灰度级的像素的个数，其横坐标是灰度级，纵坐标是该灰度出现的频率(像素的个数)，因此利用某个检测区域内灰度直方图的分布来区分水流、泥石流的龙头、龙身、龙尾；当泥石流的龙头、龙身、龙尾经过某个检测区域都会得到相应的直方图；在一帧图像上有多个检测区域，比如我们将在全方位视觉传感器所获得的图像中从上游到下游对检测区域进行按序编号，在视频测量中在某一个时刻(某一帧图像)中发现第一号检测区域所检测到的直方图有明显的变化，将该时刻与直方图保存在存储单元内，经过一段时间后发现第六号检测区域所检测到的直方图也有明显的变化，并与保存在存储单元内的第一号检测区域所检测到的直方图进行比对，如果这两个直方图有非常大的相似性，那么我们就认为泥石流的龙头从刚才的第一号检测区域向前发展到了第六号检测区域，因此第一号检测区域与第六号检测区域之间的距离是在该时间内泥石流的龙头运动的距离，然后可以通过计算下式得到泥石流的流速； 

流速＝所经过的距离/所经历的时间 

同样泥石流的龙身、龙尾在检测区域内的直方图也有非常大的相似性，通过 这些相似性也能得到龙身、龙尾的流速； 

如果在泥石流经过的沟谷流域上安置多个检测装置，那么就可以检测得到泥石流流量随沿程逐步增大趋势，当然这需要有传感器网络技术来支持； 

在沟谷下游检测泥石流，本专利中将检测的重点放在视频角度远处的区域，这是因为从远处的宏观视角来看泥石流形成后就犹如一条黑色巨蟒在山谷中蜿蜒前行，由于地形地貌对泥石流前行运动轨迹的限定，因此在沟谷下游检测泥石流是否发生依托地形地貌图上沟谷的信息可以提高检测精度、减少检测范围以及计算工作量，本发明中采用用户界面输入泥石流可能经过的沟谷图像信息，并将该信息存储在存储单元中，在检测泥石流发生时根据所存储沟谷图像信息，并判断在该沟谷上是否发现有黑色流动体，如果有那么就认为是有泥石流发生可疑，需要进一步确认； 

所述的声音采集与处理单元，用于检测泥石流发生的声音来确认泥石流的发生，泥石流在沟谷中上游区域发生后，随着泥石流的流量增大、流速加快，对应泥石流的音量呈增大趋势和音调也呈加快趋势；暴雨时发出的较高音量的声音有两种可能性：1)泥石流发生；2)雷声。为了区别泥石流发生所产生的声音和雷声所产生的声音，在声音信号处理上可以用两种方法来解决，一种是在时间域上的处理方法，另一种是在频率域上的处理方法，由于在频率域上的处理方法要花费较大的计算时间不利于实时判断，在本发明中采用了在时间域上的处理方法，该方法直观，计算简单，例如可提取信号的周期、峰值、过零率等作为时域上的特征，最明显的特征是泥石流发生所产生的声音要比雷声所产生的声音持续时间长，因此可以把声压级(功率值)和持续时间作为识别泥石流发生的特征，用来进一步确认泥石流的发生。 

所述的声音响度测量，用来表示的是声音能量的强弱程度，其强度主要取决于声音声波振幅的大小。泥石流与雷声的声音的响度可以用声压(达因/平方厘米)或声强(瓦特/平方厘米)来计量，声压的单位为帕(Pa)，它与基准声压比值的对数值称为声压级，单位是分贝(dB)。响度的相对量称为响度级，它表示的是某鼾声响度与基准响度比值的对数值。响度——声音的大小；响度跟发声体的振幅有关系，振幅越大，响度越大；振幅越小，响度越小；同时响度跟距发声体的远近、方向有关系。一般泥石流与雷声的声音的声压级都会达到100分贝以上。 

所述的声音持续时间的测量，我们将时间域上的超过一定的阈值连续声音波形作为声音持续时间，一般来说泥石流所发出的声音持续时间(10min以上)要远大于雷声所发出的声音持续时间(2min以下)； 

所述的声压级(功率值)和持续时间测量，首先是声信号被传声器接收，传声器将其变换为电信号；然后读入嵌入式系统中，通过嵌入式系统中的软件计算声音的声压级以及声音持续时间；最后根据上述两个指标判断是否是泥石流发出的声音。 

上述的实施例1所产生的发明效果是，按照上述原理制造的基于全方位视觉 的泥石流灾害检测装置，利用全方位视频图像、声音等多媒体信息，通过图像理解、声音信号处理等方式，检测与泥石流直接相关的雨量、雨强的外部因素；根据不同的地质、地貌以及沟谷的上、中、下游的情况检测不同区域的视频特征；根据泥石流发生的声音来进一步确认泥石流的发生。通过上述综合、多角度的检测泥石流能提高检测精度，能使灾害危险区的居民可以及时得到泥石流灾害的已经发生信息，迅速采取预防措施回避损失，减轻泥石流的灾害，保障山区人民的生命财产安全。 

作为本发明的基于全方位视觉的泥石流灾害检测装置，本身也可以作为视觉式雨量计传感器，与其他类型的雨量计传感器不同，在安装时只需调整基座的水平，无需调校翻斗感量，只要检验它能可靠翻动，因此安装调试简便易行；由于采用了无接触式的视频测量能降低故障率，减少维护或者无需维护，由于该雨量传感器的翻斗不作为计量部件，即使有少量沙尘沉积于翻斗斗室以及翻斗轴承付游隙变化，引起翻斗感量微小变化，不会影响翻斗正常翻动，沙尘将会沉淀于浮子室底层，只要保证水路通畅就不会影响浮子正常工作，也不会产生附加测量误差。 

本发明将光、机、电、通信、图像处理和多媒体等技术集成在一起，实现了地质灾害的智能化计算与泥石流的自动识别，提高了检测泥石流的准确度，装置能在极低的功耗下运行，实现了雨量的自动数据采集处理，提供各种网络通信手段以及各种控制功能，能在非常恶劣的环境条件下可靠工作，同时支持各种网络通信，能方便地形成地质灾害检测网络，对同时把握区域的泥石流发生、灾害分布和受灾程度情况提供了一种新的手段。 

Claims (7)

1.一种基于全方位视觉的泥石流预警预报装置，其特征在于：所述的泥石流预警预报装置包括用于监视待测山体和雨量收集装置水位的全方位视觉传感器、雨量收集装置和用于根据视频信号进行灾害检测的微处理器，所述的全方位视觉传感器安装在待测山体的沟床的上方，

所述的全方位视觉传感器输出连接微处理器，所述的全方位视觉传感器包括用以反射监控领域中物体的外凸折反射镜面、用以防止光折射和光饱和的黑色圆锥体、透明圆柱体和摄像头，所述的外凸折反射镜面位于透明圆柱体的上方，外凸折反射镜面朝下，黑色圆锥体固定在外凸折反射镜面的底部中央；所述的雨量收集装置包括盛水器、翻斗，所述的翻斗上设有用于显示盛水器水位的浮标；所述的微处理器包括：

视觉传感器标定模块，用于设定视频图像位置与实际空间坐标上的位置的对应关系；

浮标位置采集模块，用于采集视频传感器的视频图像，并确定盛水器浮标的位置；雨量智能计算模块，用于设定浮标的位置与翻斗的水量的对应关系；采集视觉传感器的信号，检测翻斗自动发生翻倒动作前瞬间浮标的位置，并依据对应关系计算翻斗中的实际雨量，检测翻斗前一次自动恢复动作后的翻斗中的浮标位置，计量翻斗中的初始雨量，实际雨量与初始雨量相减后得到本次倾倒雨量；

激发泥石流雨强计算模块，用于统计计算降雨过程中最大10分钟雨强或最大1小时雨强，以每分钟为单位进行统计；雨强则指单位时间内暴雨的降雨量，在Δt(i)暴雨历时内降雨量为ΔY(i)时，每分钟平均雨强用以下公式(15)计算：

$y\left(i\right)=\frac{\mathrm{\ΔY}\left(i\right)}{\mathrm{\Δt}\left(i\right)}---\left(15\right)$

要得到最大10分钟雨强或最大1小时雨强，遍历统计时间间隔前后10分钟的情况，并求其最大值，计算公式如(16)所示：

$y_{1h}=\max (\underset{i=j-10}{\overset{j+49}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j-9}{\overset{j+50}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j-8}{\overset{j+51}{\mathrm{\Σ}}}y\left(i\right),...,\underset{i=j}{\overset{j+59}{\mathrm{\Σ}}}y\left(i\right))$

$y_{10\min }=\max (\underset{i=j+40}{\overset{j+49}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j+41}{\overset{j+50}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j+42}{\overset{j+51}{\mathrm{\Σ}}}y\left(i\right),...,\underset{i=j+50}{\overset{j+59}{\mathrm{\Σ}}}y\left(i\right))---\left(16\right)$

式中，i为目前统计时刻点，j为前60分的统计时刻点，y_1h为最大一小时雨强，y_10min为最大10分钟雨强y_10min；

当日激发雨量计算模块，用于统计计算从泥石流发生时刻起往前推至凌晨8时的降雨量；

前期有效雨量计算模块，用于根据监控地所在的纬度和汛期的日照、蒸发、植被状况和相对湿度以及土坡特性，采用公式(2)计算前期15天的有效雨量，

式中，K为系数，根据监控地所在的纬度、汛期的日照、径流、蒸发、土壤渗透能力等因素确定，K为小于1的衰减系数；

泥石流的概率分布计算模块，用于设定R_当日+R_有效固定在一个比较小的范围，计算得到在所述R_当日+R_有效以及最大一小时雨强y_1h、最大10分钟雨强y_10min范围内发生泥石流的概率分布和不发生泥石流的概率分布；

所述的求最大一小时雨强y_1h、最大10分钟雨强y_10min发生泥石流的概率分布，首先是在某个R_当日+R_有效范围内发生泥石流灾害时求最大一小时雨强y_1h、最大10分钟雨强y_10min的个数n1、n2样本含量即得均数Y_1h、Y_10min，其公式为：

$\stackrel{\‾}{Y_{1h}}=(Y_{1h\left(1\right)}+Y_{1h\left(2\right)}+......+Y_{1h\left(n\right)})/n1=\underset{1}{\overset{n1}{\mathrm{\Σ}}}{Y}_{1h}/n1---\left(3\right)$

$\stackrel{\‾}{Y_{10\min }}=(Y_{10\min \left(1\right)}+Y_{10\min \left(2\right)}+......+Y_{10\min \left(n\right)})/n2=\underset{1}{\overset{n2}{\mathrm{\Σ}}}{Y}_{10\min }/n2$

然后根据均数Y_1h、Y_10min来求得其各自的标准差s_1h、s_10min，其公式为：

$s_{1h}=\sqrt{\underset{1}{\overset{n1}{\mathrm{\Σ}}}{(Y_{1h}-\stackrel{\‾}{Y_{1h}})}^2/(n1-1)}---\left(4\right)$

$s_{10\min }=\sqrt{\underset{1}{\overset{n2}{\mathrm{\Σ}}}{(Y_{10\min }-\stackrel{\‾}{Y_{10\min }})}^2/(n2-1)}$

当雨强与泥石流发生样本含量n1、n2足够大时，常用样本均数Y_1h、Y_10min和样本标准差s_1h、s_10min分别代替μ_1h、μ_10min和σ_1h、σ_10min，按其变化参数，推导出正态分布密度函数f₁(Y_1h)、f₂(Y_10min)，其公式为：

$f_1\left(Y_{1h}\right)=e^{-{(Y_{1h}-{\mathrm{\μ}}_{1h})}^2\left(2{{\mathrm{\σ}}_{1h}}^2\right)}/{\mathrm{\σ}}_{1h}\sqrt{2\mathrm{\π}}$ 0＜Y_10min＜Y_1h＜K

$f_2\left(Y_{10\min }\right)=e^{-{(Y_{10\min }-{\mathrm{\μ}}_{10\min })}^2\left(2{{\mathrm{\σ}}_{10\min }}^2\right)}/{\mathrm{\σ}}_{10\min }\sqrt{2\mathrm{\π}}---\left(5\right)$

式中μ_1h、μ_10min为均数；σ_1h、σ_10min为标准差；π为圆周率；e为自然对数的底，Y_1h为实际的最大一小时雨强y_1h、，Y_10min为实际的最大10分钟雨强y_10min；

所述的求最大一小时雨强y_1h、最大10分钟雨强y_10min不发生泥石流的概率分布，与上述方法一样，首先是在某个R_当日+R_有效范围内不发生泥石流灾害时求最大一小时雨强y^_1h、最大10分钟雨强y^_10min的个数n3、n4样本含量即得均数Y^_1h、Y^_10min，其公式为：

$\stackrel{\‾}{{Y^}_{1h}}=({Y^}_{1h\left(1\right)}+{Y^}_{1h\left(2\right)}+......+{Y^}_{1h\left(n3\right)})/n3=\underset{1}{\overset{n3}{\mathrm{\Σ}}}{Y^}_{1h}/n3---\left(6\right)$

$\stackrel{\‾}{{Y^}_{10\min }}=({Y^}_{10\min \left(1\right)}+{Y^}_{10\min \left(2\right)}+......+{Y^}_{10\min \left(n4\right)})/n4=\underset{1}{\overset{n4}{\mathrm{\Σ}}}{Y^}_{10\min }/n4$

然后根据均数Y^_1h、Y^_10min来求得其各自的标准差s^_1h、s^_10min。其公式为：

${s^}_{1h}=\sqrt{\underset{1}{\overset{n3}{\mathrm{\Σ}}}{({Y^}_{1h}-\stackrel{\‾}{{Y^}_{1h}})}^2/(n3-1)}---\left(7\right)$

${s^}_{10\min }=\sqrt{\underset{1}{\overset{n4}{\mathrm{\Σ}}}{({Y^}_{10\min }-\stackrel{\‾}{{Y^}_{10\min }})}^2/(n4-1)}$

当雨强与泥石流不发生样本含量n3、n4足够大时，常用样本均数Y^_1h、Y^_10min和样本标准差s^_1h、s^_10min分别代替μ^_1h、μ^_10min和σ^_1h、σ^_10min，按其变化参数，推导出正态分布密度函数f₃(Y_1h)、f₄(Y_10min)，其公式为：

$f_3\left(Y_{1h}\right)=e^{-{(Y_{1h}-{\mathrm{\μ}^}_{1h})}^2\left(2{{\mathrm{\σ}^}_{1h}}^2\right)}/{\mathrm{\σ}^}_{1h}\sqrt{2\mathrm{\π}}$ 0＜Y_10min＜Y_1h＜K2

$f_4\left(Y_{10\min }\right)=e^{-{(Y_{10\min }-{\mathrm{\μ}^}_{10\min })}^2\left(2{{\mathrm{\σ}^}_{10\min }}^2\right)}/{\mathrm{\σ}^}_{10\min }\sqrt{2\mathrm{\π}}---\left(8\right)$

式中μ^_1h、μ^_10min为均数；σ^_1h、σ^_10min为标准差；π为圆周率；e为自然对数的底，Y_1h为实际的最大一小时雨强y_1h、，Y_10min为实际的最大10分钟雨强y_10min；

所述的最大一小时雨强y_1h与最大10分钟雨强y_10min的统计是以每分钟为单位进行统计的；雨强则指单位时间内暴雨的降雨量；在Δt(i)暴雨历时内降雨量为Δy(i)时，平均雨强可用以下公式计算：

$y\left(i\right)=\frac{\mathrm{\ΔY}\left(i\right)}{\mathrm{\Δt}\left(i\right)}\left(9\right)$

$y_{1h}=\max (\underset{i=j-10}{\overset{j+49}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j-9}{\overset{j+50}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j-8}{\overset{j+51}{\mathrm{\Σ}}}y\left(i\right),...,\underset{i=j}{\overset{j+59}{\mathrm{\Σ}}}y\left(i\right))$

$y_{10\min }=\max (\underset{i=j+40}{\overset{j+49}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j+41}{\overset{j+50}{\mathrm{\Σ}}}y\left(i\right),\underset{i=j+42}{\overset{j+51}{\mathrm{\Σ}}}y\left(i\right),...,\underset{i=j+50}{\overset{j+59}{\mathrm{\Σ}}}y\left(i\right))---\left(10\right)$

式中，i为目前统计时刻点，j为前60分的统计时刻点；

根据公式(5)、(8)对于每一个最大一小时雨强y_1h求得发生与不发生泥石流的概率，同样对于每一个最大10分钟雨强y_10min求得发生与不发生泥石流的概率；

泥石流灾害量化模块，用于根据公式(5)所求得的最大一小时雨强y_1h、最大10分钟雨强y_10min发生泥石流的概率，取最大的概率max(f₁(Y_1h)，f₂(Y_10min)作为严重性预测预报指标，划分严重性等级；以f₁(Y_1h)发生的概率来作为紧急程度判断基准，用f₂(Y_10min)、f₃(Y_1h)以及f₄(Y_10min)来进行偏差调整，如果最大10分钟雨强y_10min发生泥石流灾害的概率大于最大一小时雨强y_1h发生泥石流灾害的概率的话，提高一个紧急程度；如果当不发生泥石流的概率远大于发生泥石流的概率时，(f₃(Y_1h)，f₄(Y_10min))＞＞(f₁(Y_1h)，f₂(Y_10min))，降低两个紧急程度；如果当不发生泥石流的概率大于发生泥石流的概率时，(f₃(Y_1h)，f₄(Y_10min))＞(f₁(Y_1h)，f₂(Y_10min))降低一个紧急程度；如果当不发生泥石流的概率小于设定概率k1时max(f₃(Y_1h)，f₄(Y_10min))≤k1，提高一个紧急程度；如果当不发生泥石流的概率小于另一设定概率k2时max(f₃(Y_1h)，f₄(Y_10min))≤k2，k1＞k2，提高两个紧急程度；泥石流灾害预警预报模块，用于当本次测量的严重性等级、紧急程度超过预设的阈值时，发布避难信号；

所述的微处理器还包括沟谷上游检测模块，用于检测沟谷上游是否发生崩塌和滑坡；所述的沟谷上游检测模块包括：

图像变化计算单元，用于采用快速分割算法检测地貌发生的变化，设定一个比较稳定的基准参考图像，将所获得的当前帧现场视频图像与基准参考图像进行差值运算，图像相减的计算公式如式(24)表示：

f_d(X，t₀，t_i)＝f(X，t_i)-f(X，t₀)    (24)

上式中，f_d(X，t₀，ti)是实时拍摄到检测范围内图像与基准参考图像间进行图像相减的结果；f(X，t_i)是实时拍摄到检测范围内图像；f(X，t₀)是基准参考图像；

连通区域计算单元，用于对当前图像进行标记，像素灰度为0的背景，像素灰度为1为目标，计算当前图像中的像素是否与当前像素周围相邻的某一个点的像素相等，如灰度相等判断为具有连通性，将所有具有连通性的像素作为一个连通区域；

崩塌和滑坡判断单元，用于依据上述得到的连通区域，对上述标记过的每个连通区域求出其面积Si，当前景活动对象面积Si超过一个阈值时作为崩塌和滑坡可疑；每帧之间活动对象的移动判断其移动方向，如运动方向是从高处下低处移动，判定属于崩塌和滑坡；将每一帧中求的连通区域用按先后顺序以轨迹方式表达其轨迹形状，其轨迹形状接近于一个矩型，发生崩塌和滑坡位置越高，矩型的高度尺寸就越大，崩塌和滑坡发生面积越大，矩型的宽度尺寸就越大；

沟谷中游检测模块，用于检测泥石流的运动特征、流量特征以及流量沿程特征；所述的沟谷上游检测模块包括：

灰度直方图单元，用于将全方位视觉传感器采集的视频图像采用灰度直方图表示，描述图像中具有灰度级的像素的个数，横坐标是灰度级，纵坐标是该灰度出现的频率；

泥石流划分单元，用于利用检测区域内灰度直方图的分布来区分水流、泥石流的龙头、龙身、龙尾，设定龙头、龙身、龙尾经过检测区域相应的直方图；

流速测量单元，用于将在全方位视觉传感器所获得的图像中从上游到下游对检测区域进行按序编号，在视频测量中在某一个时刻中发现初始检测区域所检测到的直方图有明显的变化，将该时刻与直方图保存在存储单元内，经过一段时间后发现另一检测区域所检测到的直方图也有明显的变化，并与保存在存储单元内的初始检测区域所检测到的直方图进行比对，如果两个直方图有非常大的相似性，认为泥石流的龙头从刚才的初始检测区域向前发展到另一检测区域，两个检测区域之间的距离是在该时间内泥石流的龙头或龙身或龙尾运动的距离，通过计算下式得到泥石流的流速：

流速＝所经过的距离/所经历的时间；

沟谷下游检测模块，用于通过用户界面输入泥石流可能经过的沟谷图像信息，并将该信息存储在存储单元中，在检测泥石流发生时根据所存储沟谷图像信息，并判断在该沟谷上是否发现有黑色流动体，如果有，判定有泥石流发生可疑。

2.如权利要求1所述的基于全方位视觉的泥石流预警预报装置，其特征在于：在所述的泥石流灾害量化模块中，严重性等级包括一般、有些严重、较重、严重、特别严重，其分布分别为2.5％(μ_1h-1.96σ_1h)、15.9％(μ_1h-1σ_1h)、50％(μ_1h)、84.1％(μ_1h+1σ_1h)、97.5％(μ_1h+1.96σ_1h)和2.5％(μ_10min-1.96σ_10min)、15.9％(μ_10min-1σ_10min)、50％(μ_10min)、84.1％(μ_10min+1σ_10min)、97.5％(μ_10min+1.96σ_10min)；紧急程度包括一般、有些紧急、较紧急、紧急、特别紧急；

在泥石流灾害预警预报模块中，当泥石流灾害的严重性和紧急程度判断值均为较重、较紧急情况时发布劝说避难信号；当泥石流灾害的严重性和紧急程度判断值均为严重、紧急情况时发布避难信号；当泥石流灾害的严重性判断值为严重或者特别严重，紧急程度判断值为特别紧急情况时发布紧急避难信号。

3.如权利要求1或2所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的盛水器下端设有引流管，该引流管的下方为翻斗，所述的翻斗安装在铰支座上，所述铰支座位于当翻斗盛积的水量达到设定数量值时正好能使翻斗翻倒、将翻斗中盛积的水量倾倒完毕后翻斗由于重心恢复力的作用恢复到原来位置的平衡支点，所述的翻斗上安装在翻斗翻倒时堵住引流管、翻斗恢复后放开引流管的止流装置，所述的止流装置的堵塞件与引流管的下端配合；在所述的翻斗内设有观测水槽，所述的观测水槽与翻斗底部连通，所述的观测水槽内设有具有颜色特征的浮标。

4.如权利要求3所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的翻斗呈扁型梯形状，翻斗的宽度为一个恒定量W，梯形边的下部底边长度为l，梯形边的上部底边长度为L，梯形的总高度为H，浮标的位置即水位的高度y，在雨量智能计算模块中，翻斗梯形边的长度x是水位的高度y的线形函数，建立水位的高度与翻斗中雨水的容积的对应关系，公式如(12)所示：

$V\left(y\right)=\frac{W*y*[l+y*\left(\frac{L-l}{H}\right)]}{2}---\left(12\right)$

上式中，V为翻斗中雨水的容积；

将本次翻斗自动发生翻倒动作瞬时翻斗中的浮标位置y(i)_{action-beforc}以及前一次自动恢复动作后的翻斗中的浮标位置y(i-1)_action-after存储在记忆单元内，通过公式(13)计算出实际本次翻斗自动发生翻倒过程中所倾倒掉的水量；

$V\left(i\right)=\frac{W}{2}*\{y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*[l+y{\left(i\right)}_{\mathrm{action}-\mathrm{before}}*\left(\frac{L-l}{H}\right)]---\left(13\right);$

$-y{(i-1)}_{\mathrm{action}-\mathrm{after}}*[l+y{(i-1)}_{\mathrm{action}-\mathrm{after}}*\left(\frac{L-l}{H}\right)]\}$

设定盛水器的面积为S，根据公式(11)就能得到本次所检测到的雨量，

$\mathrm{Rain}\left(i\right)=\frac{V\left(i\right)}{S}---\left(16\right)$

上式中，ΔY(i)为雨量；

在所述的智能雨量计算单元中，记录该次翻斗自动发生翻倒动作的时刻，并将各个翻倒时刻记录在数据库记录表中，并记录各个翻到时刻的雨量，运用统计方式计算得到设定时间段的雨量。

5.如权利要求1或2所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的泥石流灾害检测装置还包括照明灯，所述的照明灯安装在视觉传感器上，所述的微处理器还包括亮度判断及节能灯开关模块，用于提取图像RGB色彩空间到YUV空间的转化的结果得到Y的亮度分量，如果当Y的值小于域值Ymin时，自动接通照明灯，照明灯的亮度为域值Ymin的10％，当Y的值超过域值Ymin的20％时，自动断开对照明灯的供电。

6.如权利要求1所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的微处理器还包括背景维护模块，所述的背景维护模块包括：

背景亮度计算单元，用于计算平均背景亮度Yb计算公式如式(22)所示：

${\stackrel{\‾}{Y}}_b=\frac{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}{Y}_n(x,y)(1-M_n(x,y))}{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}(1-M_n(x,y))}---\left(22\right)$

式(22)中，Yn(x，y)为当前帧各像素的亮度，Mn(x，y)为当前帧的掩模表，所述的掩模表是用一个与视频帧尺寸相同的数组M来记录各像素点是否有运动变化：

Yb0为判定为运动对象时前一帧的背景亮度，Yb1为检测到检测对象时

第一帧的背景亮度，两帧平均亮度的变化为：

ΔY＝Yb1-Yb0    (23)

如果ΔY大于上限值，则认为发生了开灯事件；如果ΔY小于某个下限值，则认为发生了关灯事件；如ΔY介于上限值和下限值之间，则认为光线自然变化；

背景自适应单元，用于当光线自然变化时，按照下式(20)进行自适应学习：

X_mix；bn+1(i)＝(1-λ)X_mix，bn(i)+λX_mix，cn(i)    (20)

式中：X_mix，cn(i)为当前帧RGB向量，X_mix，bn(i)为当前帧背景RGB向量，X_mix，bn+1(i)为下一帧背景预测RGB向量，λ为背景更新的速度；λ＝0，使用固定不变的背景(初始背景)；λ＝1，使用当前帧作为背景；0＜λ＜1，背景由前一时刻的背景与当前帧混合而成；

当光线由突变引起的，背景像素按照当前帧重置，参见式(21)：

X_mix，bn+1(i)＝X_mix，cn(i)    (21)。

上式中的X_mix，bn+1(i)(i＝1，2，3)分别表示R，G，B3个分量。

7.如权利要求6所述的基于全方位视觉的泥石流预警预报装置，其特征在于：所述的微处理器还包括剔除噪声模块，用于剔除由噪声所产生的图像边缘点，用滤波掩膜确定的邻域内像素的平均灰度值去替代图像每个像素点的值，即每一个像素值用其局部邻域内所有值的均值置换，如公式(25)所示：

h[i，j]＝(1/M)∑f[k，1]    (25)

式中，M是邻域内的像素点总数。

Images