基于机器视觉的输油管道监控方法技术

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

【技术实现步骤摘要】
基于机器视觉的输油管道监控方法
本专利技术专利涉及计算机图像处理技术，具体涉及图像预处理、图像增强、背景均值建模、自适应阈值差分，以及目标识别与报警方法应用于输油管道监控系统。
技术介绍
输油管道以其安全、经济、快捷等特点，近些年来在国内得到重视并且迅速的发展。发展输油管道运输业对石油化产业内部原油资源配置、加快国内外原油资源的利用、降低经营成本、改善国内经济的运行质量具有非常重要的意义。输油管道在得到快速发展的同时，一些不法分子通过盗取国家原油而谋取暴利，导致输油管道运输业发展受到阻碍，国家财产受到损失。如何有效的减少原油盗窃案事件的发生越来越成为人们所关注的问题。由于我国地域复杂多样，很多输油管道布置于人烟稀少、监控范围弱的野外地段，依靠常规的管理安全人员的人工巡查方式，不仅效率低而且很浪费时间，同时也难以解决管道安全的防护问题。因此需要借助计算机视觉图像处理技术对输油管道多处地段进行检测，并且对发生盗窃行为的检测目标进行报警，从而减少原油盗窃事件的发生。现借助计算机技术、图像处理技术，提出一种野外输油管道目标识别与报警方法。新提出的图像处理算法弥补现有输油管道监控系统的不足，对发生原油盗窃的行为进行及时、准确的报警。本设计采用机器视觉的目标检测方法，在野外多处输油管道地段安装无线摄像头，每处摄像头按一天每隔一段时间的固定时刻获取单帧监控图像，通过无线网络技术传至监控室图像信息数据库。监控室主机运行VS2010工具开发的上位机软件，获取图像以后通过图像处理算法对历史序列图像进行分析，识别图像中的目标，对检测目标进行的行为进行分析，若疑似盗窃行为，系统立刻发出警报提示，提醒周边管道安全管理人员对盗窃者实施制止。该算法基于监控终端上的识别和报警机制，辅助安全管理人员的工作，有效减少安全维护成本，提高监控效率。
技术实现思路
本专利技术的目的在于解决现有输油管道监控系统的弊端，提供了一种可靠、灵敏的图像处理算法，能准确、快捷、方便地获取野外输油管道周围环境的图像信息，判断可疑目标及给出报警信息，为管道安全管理人员的防盗措施带来很大的便利。为实现上述目的，本文采用的技术方案为基于机器视觉的野外输油管道目标检测方案：为输油管道安全管理人员提供准确、及时的报警信息，提高监控效率，降低安全维护成本。本专利技术采用的技术方案为基于机器视觉的输油管道监控方法，该方法是一种针对野外输油管道周围目标识别与报警的方法，对野外图像进行一系列的图像处理，获取前景目标，对可疑目标进行圈定以及实施报警措施。本方法的具体实施步骤如下：步骤a)对获取的单帧野外输油管道图像进行初始化。调整单帧野外输油管道图像的大小以及单帧野外输油管道图像的分辨率。采用最近邻插值方法对野外输油管道图像大小进行调整，野外输油管道图像简称图像，图像大小调整的公式如下：原图像大小为(src.height,src.width)，调整后图像的大小为(dest.height,dest.width)；src.height，src.width分别为野外输油管道单帧图像的的高和宽；dest.height，dest.width分别为调整后野外输油管道单帧图像的的高和宽。fh＝src.height/dest.heightfw＝src.width/dest.widthfh为高度缩放比例，fw为宽度缩放比例；输出图像(x,y)点处像素取原图像(x*fh,y*fw)点处像素，得到新调整的图像，新调整的图像不失比例；步骤b)判断图像是否出现异常情况，以及对各种异常情况进行相应的图像预处理。若出现雾霾天气，对图像进行去雾处理；若图像光通量太大，作为获取图像失败情况处理等。采用暗原色先验模型方法去雾，大气散射模型的形成过程：H(x)＝F(x)e-rd(x)+A(1-e-rd(x))其中，x为图像像素的空间坐标；H是观察到的有雾图像；F是待恢复的无雾图像；r表示大气散射系数；d代表景物深度；A是全局大气光，且假设A为全局常量，与空间坐标x无关。实现方法如下：(1)输入：有雾图像H(x)；(2)求取三个颜色通道的最小值M(x)(3)对M(x)进行均值滤波，得出Mave(x)sa表示均值滤波窗口的尺寸；(4)求取M(x)中所以元素的均值mav(5)利用Mave(x)求出L(x)Lo(x)＝min(min(βmav,0.9)Mave(x),M(x))Lo(x)表示环境光估计；(6)利用Mave(x)和H(x)求出A(7)输出：去雾后图像F(x)步骤c)将已调整大小和尺寸的彩色图像转化为灰度图像。彩色图像中每个像素的颜色有R、G、B三个分量决定，将三个分量以不同的权值进行加权平均，得到一个灰度值。公式如下：Y＝α*R+β*G+γB其中α+β+γ＝1，Y为计算之后获取的灰度值；R为原彩色图像中红色分量；G为原彩色图像中绿色分量；B为原彩色图像中蓝色分量。步骤d)对步骤c)中获取的灰度图像进行高斯滤波，去除光线变化和树枝摆动等随机噪声的干扰，对图像平滑去噪的同时更多的保留图像的总体灰度分布特征。高斯滤波是通过对输入图像的每个像素点与高斯核的卷积算子执行卷积计算然后将这些结果一块组成了滤波后的输出图像数组。二维高斯分布：若使用3×3高斯核，则计算公式如下：g(x,y)＝{f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y-1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16；g(x,y)：输出图像在(x,y)点处的像素值；f(x,y)：输入图像在(x,y)点处的像素值；步骤e)均值背景建模建立背景模型。取一天中固定时刻前一个月的图像序列，建立这个时刻的背景模型，将所有帧的像素点相加，取平均作为背景模型的估计。Ii表示图像序列的第i帧图像，其中i＝1，2，…，N；IB表示N帧图像的均值图像，即均值背景模型；步骤f)在获取累积所得的背景图像之后，再将待检测图像与背景图像进行差分，获取待检测图像的前景图像。具体做法是将待检测图像与背景图像做作差再取绝对值：sl(x,y)＝|src(x,y)-dst(x,y)|dst(x,y)为背景图像src(x,y)为某时刻待检测图像sl(x,y)为差分所获得的前景图像步骤g)一天中光线强度时刻在变化，采用固定阈值对图像进行二值化，前景和背景不能更好的分离，因此，采用自适应阈值二值化处理。最大类间方差是由日本学者大津(NobuyukiOtsu)于1979年提出，是一种自适应的阈值确定方法。假设图像大小为M×N，具体实现方法如下：w0＝N0/M×N，N0为前景点数，w0为前景点数占图像比例；w1＝N1/M×N，N1为背景点数，w1为背景点数占图像比例；w0+w1＝1；μ＝ω0*μ0+ω1*μ1；g＝w0(μ0-μ)^2+w1(μ1-μ)^2；得出类间方差：g＝w0w1(μ0-μ1)^2；用遍历的方法得到使类间方差g最大的阈值T，即为最合适的阈值，将小于T的像素置0，大于T的像素置为255，获得前景图像。步骤h)对二值前景图像进行形态学方法处理。首先腐蚀方法进行运算，消除噪声引起的小像素块；再进行膨胀方法进行运算，填满前景空洞现象。腐蚀方法的步骤：(1)用3x3的结构元素，扫描图像的每一个元素本文档来自技高网...

【技术保护点】
1.基于机器视觉的输油管道监控方法，其特征在于：本方法的具体实施步骤如下，步骤a)对获取的单帧野外输油管道图像进行初始化；调整单帧野外输油管道图像的大小以及单帧野外输油管道图像的分辨率；采用最近邻插值方法对野外输油管道图像大小进行调整，野外输油管道图像简称图像，图像大小调整的公式如下：原图像大小为(src.height,src.width)，调整后图像的大小为(dest.height,dest.width)；src.height，src.width分别为野外输油管道单帧图像的的高和宽；dest.height，dest.width分别为调整后野外输油管道单帧图像的的高和宽；fh＝src.height/dest.heightfw＝src.width/dest.widthfh为高度缩放比例，fw为宽度缩放比例；输出图像(x,y)点处像素取原图像(x*fh,y*fw)点处像素，得到新调整的图像，新调整的图像不失比例；步骤b)判断图像是否出现异常情况，以及对各种异常情况进行相应的图像预处理；若出现雾霾天气，对图像进行去雾处理；若图像光通量太大，作为获取图像失败情况处理；采用暗原色先验模型方法去雾，大气散射模型的形成过程：H(x)＝F(x)e‑rd(x)+A(1‑e‑rd(x))其中，x为图像像素的空间坐标；H是观察到的有雾图像；F是待恢复的无雾图像；r表示大气散射系数；d代表景物深度；A是全局大气光，且假设A为全局常量，与空间坐标x无关；步骤c)将已调整大小和尺寸的彩色图像转化为灰度图像；彩色图像中每个像素的颜色有R、G、B三个分量决定，将三个分量以不同的权值进行加权平均，得到一个灰度值；公式如下：Y＝α*R+β*G+γB其中α+β+γ＝1，Y为计算之后获取的灰度值；R为原彩色图像中红色分量；G为原彩色图像中绿色分量；B为原彩色图像中蓝色分量；步骤d)对步骤c)中获取的灰度图像进行高斯滤波，去除光线变化和树枝摆动随机噪声的干扰，对图像平滑去噪的同时更多的保留图像的总体灰度分布特征；高斯滤波是通过对输入图像的每个像素点与高斯核的卷积算子执行卷积计算然后将这些结果一块组成了滤波后的输出图像数组；二维高斯分布：...

【技术特征摘要】
1.基于机器视觉的输油管道监控方法，其特征在于：本方法的具体实施步骤如下，步骤a)对获取的单帧野外输油管道图像进行初始化；调整单帧野外输油管道图像的大小以及单帧野外输油管道图像的分辨率；采用最近邻插值方法对野外输油管道图像大小进行调整，野外输油管道图像简称图像，图像大小调整的公式如下：原图像大小为(src.height,src.width)，调整后图像的大小为(dest.height,dest.width)；src.height，src.width分别为野外输油管道单帧图像的的高和宽；dest.height，dest.width分别为调整后野外输油管道单帧图像的的高和宽；fh＝src.height/dest.heightfw＝src.width/dest.widthfh为高度缩放比例，fw为宽度缩放比例；输出图像(x,y)点处像素取原图像(x*fh,y*fw)点处像素，得到新调整的图像，新调整的图像不失比例；步骤b)判断图像是否出现异常情况，以及对各种异常情况进行相应的图像预处理；若出现雾霾天气，对图像进行去雾处理；若图像光通量太大，作为获取图像失败情况处理；采用暗原色先验模型方法去雾，大气散射模型的形成过程：H(x)＝F(x)e-rd(x)+A(1-e-rd(x))其中，x为图像像素的空间坐标；H是观察到的有雾图像；F是待恢复的无雾图像；r表示大气散射系数；d代表景物深度；A是全局大气光，且假设A为全局常量，与空间坐标x无关；步骤c)将已调整大小和尺寸的彩色图像转化为灰度图像；彩色图像中每个像素的颜色有R、G、B三个分量决定，将三个分量以不同的权值进行加权平均，得到一个灰度值；公式如下：Y＝α*R+β*G+γB其中α+β+γ＝1，Y为计算之后获取的灰度值；R为原彩色图像中红色分量；G为原彩色图像中绿色分量；B为原彩色图像中蓝色分量；步骤d)对步骤c)中获取的灰度图像进行高斯滤波，去除光线变化和树枝摆动随机噪声的干扰，对图像平滑去噪的同时更多的保留图像的总体灰度分布特征；高斯滤波是通过对输入图像的每个像素点与高斯核的卷积算子执行卷积计算然后将这些结果一块组成了滤波后的输出图像数组；二维高斯分布：若使用3×3高斯核，则计算公式如下：g(x,y)＝{f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y-1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16；g(x,y)：输出图像在(x,y)点处的像素值；f(x,y)：输入图像在(x,y)点处的像素值；步骤e)均值背景建模建立背景模型；取一天中固定时刻前一个月的图像序列，建立这个时刻的背景模型，将所有帧的像素点相加，取平均作为背景模型的估计；I...

【专利技术属性】
技术研发人员：雷飞，龙凯，孙康，熊志美，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11