《基于数字图像处理技术的冰凌参数识别方法》由会员分享，可在线阅读，更多相关《基于数字图像处理技术的冰凌参数识别方法（11页珍藏版）》请在金锄头文库上搜索。
1、 基于数字图像处理技术的冰凌参数识别方法 张宝森 李春江 孙凯 摘 要：基于黄河防凌远程视频监视系统现场采集到的视频影像，采用图像识别的方法提取黄河沿岸关键冰凌参数，包括密集度及流速。对于冰凌密集度的提取方法，是先将摄像设备取得的视频变为单帧图像，然后对单帧图像进行二值化处理，利用图像分割技术得到冰凌所在区域，最后统计得出冰凌的密集度;对于冰凌流速提取，是用摄像设备取得视频图像序列，利用稠密光流法标记各图像的特征点位置，追踪特征点，从而得到移动距离，最后根据时间间隔计算得出冰凌的流动速度。关键词：图像识别;冰凌密集度;冰凌速度;测量方法;现场采集;黄河Abstract：The ice conc
2、entration and velocity are two key parameters for the Yellow River ice protection， which can be extracted by image recognition method. The videos were field acquired by the remote video monitoring system of the Yellow River ice protection. The measurement of ice concentration had two steps. Firstly，
3、 the video was converted to single frame images. Then the single frame images were binarized. The ice regions were recognized by image segmentation and the ice concentration could be counted easily. For the measurement of ice velocity， the video image sequence was obtained by the camera equipment. T
4、hen the positions of each images feature points were marked by the dense optical flow method and the feature points were tracked to obtain the moving distance. Finally， the ice velocity was calculated according to the interval time.Key words： image recognition; ice concentration; ice velocity; measu
5、rement method; field acquisition; Yellow River1 前 言传统的水文监测多采用远程传感器传输数据进行测量，在设备安装及数据采集方面都有一定的局限性。近年来随着人工智能技术的不断发展，计算机“视觉系统”得到了长足的发展1-2。应用图像处理及模式识别等技术可以搭建起经济、高效的远程水文监测系统，对水位、流速、冰凌密集度等相关数据进行测量。对比传统方法，远程监测系统采用非接触式测量机制，位置不受环境限制，有效地规避了传统测量设备的安装问题;可以为水文监测提供一种远程无人值守的监测模式，适用于偏僻、恶劣的水域环境;同时可降低设备成本及人力成本3。黄河是我国凌
6、汛出现最为频繁的河流，其中以内蒙古河段最为严重，这是由其特殊的地理位置、水文气象条件和河道特性所决定的4，因此对于凌情信息的实时采集、精确分析就显得尤为重要5-7。当前，国内外针对冰凌的图像识别研究日趋火热，许志辉等8-9采用MODIS系统动态监测黄河冰凌;张秀伟等10利用深度学习神经网络的方法开展了大规模黄河冰凌的图像识别工作，取得了良好的效果;加拿大学者Kalke和Loewen11使用无人机采集到的河冰图像，利用支持向量机的方法开展识别工作;季顺迎等12-13针对渤海油气平台的海冰监测系统进行了图像识别研究;还有学者利用电测法14、多普勒效应15、雷达探测16等方法实现冰凌现场监测。但是河
7、流冰凌影像的特点更为复杂，对于算法的要求更高，特别是基于远程无线视频流的黄河冰凌影像，其具有以下特点：具有较为复杂多变的目标背景，黄河各个河段的泥沙含量不同，地理环境相异，冰凌与河水所呈现出的状态各不相同;影像中目标背景水面会随着不同时段光照的变换呈现出不同的灰度分布，很难利用先验知识来确定其阈值信息;黄河冰凌种类繁多、形状各不相同，多呈现无规则性，且容易发生互相遮挡;当出现碰撞时冰凌目标会发生形变，因此无法事先对其进行形状建模;黄河冰凌目标多呈现弱目标形态，部分河段河水浑浊，水内冰若隐若现，依靠边缘信息或者灰度信息很难提取较为完整的冰凌目标;由于所有监控摄像头均分布于野外河岸，极易受到当地气
8、候条件如强风等的影响，因此传输回来的冰凌影像容易出现明显的抖动;视频流在远程无线传输过程中，不可避免地会出现丢帧现象，在客观上会造成冰凌目标出现不连贯的大运动现象。为此，笔者基于黄河防凌远程视频监视系统采集的视频影像，结合多种图像处理手段，采用图像识别的方法，针对河流冰凌的关键参数开展识别方法研究。2 冰凌参数的图像识别方法2.1 冰凌密集度图像识别冰凌密集度是表征黃河冰凌汛情严重程度的重要参数，也是汛情安全预警的重要参考指标，因此准确快速地测量冰凌密集度有着重要意义。冰凌密集度图像识别部分主要包含最优颜色通道选取、灰度化、图像模糊、二值化几个部分。首先根据黄河的特征对视频采集图像进行颜色通道
9、分离，取出最优通道，判断原则是河水和冰凌最大差异化;然后进行灰度化处理，应用高斯模糊处理方法去除图像噪声;最后将图像转化为二值图，获取冰凌所在区域的轮廓，其流程如图1所示。本研究采用OTSU（最大类间方差法）二值化算法识别冰17-18。该算法优点是当目标与背景的面积相差不大时，能够有效地对图像进行分割，同时该方法将图像的灰度分布作为分割图像的依据，对噪声也相当敏感。黄河表面冰水混合物较多，薄冰透过水面显现出的效果和冰层类似，因此该方法比较适用于黄河冰凌密集度提取。2.2 冰凌流速图像识别过快的冰凌流速可能会导致大量冰凌聚集形成冰塞现象，或者冲击沿岸设施，造成严重后果，故需要对冰凌流速开展实时监
10、测分析。冰凌流速图像识别部分主要包含图像灰度化、模糊、目标识别与追踪几个部分。首先对视频采集图像进行灰度化处理，然后应用高斯模糊处理方法去除图像噪声。在获取到视频采集图像第一帧后，将第一帧进行特征点提取并保存为目标模板用于特征追踪，然后在移动过程中识别、追踪相同的特征点并记录其位置，其流程如图2所示。本研究采用稠密光流法（Dense Optical Flow）识别并追踪冰面特征点19。该方法采用Lucas-Kanade光流法进行跟踪，并对跟踪结果使用Forward-Backward Error方法进行反馈，计算跟踪结果与原始位置的欧氏距离。同时，把置信度过低的跟踪结果舍弃，在视频序列中选择可靠
11、的轨迹确保跟踪目标正确。该方法对连续运动物体的跟踪准确率较高，较为适用于黄河冰凌追踪。3 黄河冰凌图像密集度分析本研究用到的摄像设备获取的视频为30帧/s。由于冰的流动速度较慢，因此采用每10帧间隔进行采样并分析密集度，图像标定比例为每像素0.03 m。3.1 颜色通道选取及灰度化以如图3所示的一帧图像为例，左侧为原图像，右侧为经过颜色通道分离，进行灰度化处理后的结果。可以看到灰度化处理后冰凌与水之间界线更加明显，易于区分和进一步分割图像。3.2 高斯模糊采用高斯差分（Difference of Guassian，DOG）的方式对图像进行模糊处理，高斯差分是灰度图像增强和角点检测的一种方法，通
12、过DOG可降低模糊图像的模糊度。其原理是将原始灰度图像用两个不同标准差的高斯核函数进行卷积处理，得到两张高斯模糊化后的图像，然后对两张图像进行差分处理，其流程如图4所示20。这样可以提取图像中的关键特征点，即找到角点。采用以上公式不仅可以利用高斯模糊的作用去除高频信号中包含的随机噪声，还可提取图像中的角点，即很好地保留图像中的边缘信息，适合本研究中信息单一的图像。对图3进行高斯差分处理后结果如图5所示。3.3 图像二值化采用OSTU二值化方法识别冰凌，其基本原理是假定图像包含两类像素（前景像素和背景像素），计算使两类像素能分开的最佳阈值，或者使等价的类间方差最大。对于一张像素为MN的图像，假设
13、前景（目标）和背景的灰度分割阈值为T，整幅图像可以分为两类：前景像素（灰度值小于阈值T）占比为0，平均灰度为0;后景像素（灰度值大于阈值T）占比为1，平均灰度为1。则有以下公式：依据图像标定比例反演换算至物理空间，统计图6中白色区域面积，所占比例就是该帧图像的冰密集度。图7为随机选取一天的冰凌密集度24 h变化情况。4 黄河流冰的速度识别与分析4.1 流速识别系统采用稠密光流法对黄河冰凌速度场进行识别和分析，相对于传统的激光多普勒测速LDV（Laser Doppler Velocity）、粒子成像测速PIV（Particle Image Velocity）等方法，该方法设置简单、非接触、无须示
14、踪粒子，可实现全流场瞬态测量。稠密光流是一种针对图像进行逐点匹配的图像配准方法。采用该方法计算图像上所有点的偏移量，从而形成一个稠密的光流场，如图8所示，通过这个稠密的光流场，可以进行像素级别的图像配准，实现瞬态位移的精确测量。通过求解该函数可以得到两帧图像的相对位移，在考虑相机安装距离和俯仰角等因素的条件下，反演成流场的实际位移。将位移除以两帧图像的时间差，即可得到流场在时间差内的平均速度，因时间差较短，故可近似认为是瞬时速度。4.2 流冰的位置识别本研究用到的摄像设备获取的视频为30帧/s，由于靠近两岸的冰流速较慢，中间的冰流速较快，因此将视频图像分割为5部分，分别计算冰的流速。为了方便对
15、比，采用每10帧间隔进行采样，换算成时间间隔为1/3 s。使用流速识别系统识别出各采样帧的特征点的图像空间位置，依据图像标定比例换算为物理空间，并计算得出相对位移。黄河现场试验采集的视频图像分析结果如图9所示，其中黄色箭头为冰凌特征点的追踪结果。4.3 流速识别根据识别的位移数据计算各识别区间的冰凌速度时程曲线，图10为随机选取一天的冰凌最大、最小、平均速度的24 h变化情况。5 结 论基于采集的视频图像，利用灰度化、模糊化、二值化等图像处理手段，实现了图像的冰、水、河岸图像分割，从而准确地统计出了冰凌密集度;利用稠密光流法，标记和追踪冰凌的实时位置，实现了对冰凌流速的实时识别。将识别出的冰凌
16、密集度和流速按照时间序列排布，可以得到黄河冰凌在监视区段内的变化情况。利用计算机图像识别方法可以将庞大数据量的视频影像资料快速高效地转化为更加抽象和有意义的黄河冰凌关键参数，从而为黄河防凌减灾工作提供及时可靠的数据支撑。参考文献：1 宋丽梅，朱新军.機器视觉与机器学习：算法原理、框架应用与代码实现M.北京：机械工业出版社，2020：3-26.2 FUJIYOSHI H， HIRAKAWA T， YAMASHITA T. Deep Learning-Based Image Recognition for Autonomous Driving J. IATSS Research， 2019， 43 （4）： 244-252.3 张宝森，张防修，刘滋洋，等.黄河河道冰层雷达波特征图谱的现场实验研究
