一种室外设施巡检方法
【技术领域】
[0001]本发明涉及一种视频图像处理方法，具体涉及一种基于视频图像处理的室外设施巡检方法。
【背景技术】
[0002]在我们的工业体系中难免将一些设备置于户外环境中，由于户外环境的复杂，设备被异物侵犯的可能性要远远高出室内环境的设备；如何高效的进行设备表面非人造物体侵害的检测排查，关系着设备的正常运行；目前只能通过人工巡视的方式进行逐一排查，若设备量少，该方法可行，若设备数量十分庞大，通过人工巡检的方式费时费力，效率低下；目前出现了利用传感器技术进行监测排查的研究在逐步展开，但是这种方法成本过高。
【发明内容】
[0003]本发明提供了一种面向结构化的工业环境中非人造物体，基于视频图像处理技术的室外设施巡检方法。
[0004]本发明采用的技术方案是:一种室外设施巡检方法，包括以下步骤:
读取彩色图像A，转换为灰度图像C ;
采用概率霍夫变换计算图像C中的线段，选出长度超过设定阈值的线段I ;
将线段I以平行距离为度量使用K近邻聚类，遍历聚类结果，直到聚类线段能够构成设备的外形结构；
以构成设备外形结构的组合线段为参考位置选出需要检测区域，计算区域内的局部化二值化图像S;
通过二值化图像S的细化算法将二值化图像S的白色连通体进行简化，简化为曲线线段ο;
遍历包含曲线线段0的二值化图像S，提取曲线线段0的端点，记入端点队列；
用梯度直方图和支持向量机对端点队列进行分类处理，得到巡检结果。
[0005]进一步的，所述需要检测区域内的局部化二值化图像计算方法如下:
以每个像素为中心，划分邻域范围，计算邻域范围内像素灰度的平均值；若该像素灰度值大于平均值加偏移量，则在二值化图像S中该点灰度值为255，否则为0。
[0006]进一步的，以11个像素为直径划分邻域范围；偏移量为5。
[0007]进一步的，所述图像A转换为灰度图像之前还包括预处理过程，预处理为平滑滤波去除噪声。
[0008]进一步的，所述细化算法为Zhang-Suen算法。
[0009]进一步的，所述提取位于曲线线段0端点的点的方法如下:
若点的灰度值为255，且其上下左右和对角线上的临近8个像素中有一个像素的灰度值为255，其余7个灰度值为0，则判断该点是曲线线段0的端点。
[0010]进一步的，所述端点队列的分类方法如下: 读取端点队列中的第一个端点；
设定参考尺寸，分别取其0.6,0.8,1.0、1.2和1.4倍长度为端点邻域尺寸，以端点为中心，从灰度图像C中提取5个不同大小的子图像，将子图像缩放为标准尺寸；
分别计算标准尺寸子图像的梯度直方图描述子；
用训练好的支持向量机分类器对描述子进行分类，判断是否为非人造物体；
从端点队列中删除第一个端点，重复上述步骤，直到端点队列内容为空。
[0011]进一步的，所述是否为非人造物体的判断方法如下:
根据对描述子的分类结果，若有至少一个图像的分类结果为非人造物体，则该端点判断为设备上的非人造物体，否则判定该端点为背景图像。
[0012]本发明的有益效果是:
(1)本发明能够适应真实光照情况，视频信息量更丰富，分类更准确；
(2)本发明在针对性区域，利用局部二值化方法强化细节信息，检测准确率高；
(3)本发明中的非人造异物图像纹理采用梯度直方图和向量机建模，稳定性更高，具有较高的抗噪声、抗倾斜能力；
(4)本发明不受场地限制，可以适应更大范围和露天环境的检测作业；
(5)本发明利用设备周边的视频信号作为处理对象，信号本身符合人类感知习惯，亦可传输给各管理员席位人工复查；
(6)采用本发明处理方法，可以降低操作人员的工作量，提高巡检的自动化处理水平，提高巡检效率，及早发现排除威胁设备正常运转的非人造异物问题。
【附图说明】
[0013]图1为本发明流程图。
【具体实施方式】
[0014]下面结合附图和具体实施例对本发明做进一步说明。
[0015]—种室外设施巡检方法，包括以下步骤:
读取彩色图像A，转换为灰度图像C ;
采用概率霍夫变换计算图像C中的线段，选出长度超过设定阈值的线段I ;
将线段I以平行距离为度量使用K近邻聚类，遍历聚类结果，直到聚类线段能够构成设备的外形结构；
以构成设备外形结构的组合线段为参考位置选出需要检测区域，计算区域内的局部化二值化图像S;
通过二值化图像S的细化算法将二值化图像S的白色连通体进行简化，简化为曲线线段0 ;
遍历包含曲线线段0的二值化图像S，提取曲线线段0的端点，记入端点队列；
用梯度直方图和支持向量机对端点队列进行分类处理，得到巡检结果。
[0016]霍夫变换算法是从图像中识别几何形状的基本方法之一，用来从图像中分离出具有某种相同特征的几何形状，适合于本发明；具体计算方法详细记载于“MatasJ， Galambos C， Kittler J.Robust detect1n of lines using the progressiveprobabilistic hough transform[J].Computer Vis1n and Image Understanding,2000，78(1): 119-137.，，。
[0017]K近邻聚类算法首先随机从数据集中选取K个点作为初始聚类中心，然后计算各个样本到聚类中的距离，把样本归到离它最近的那个聚类中心所在的类；计算新形成的每一个聚类的数据对象的平均值来得到新的聚类中心，如果相邻两次的聚类中心没有任何变化，说明样本调整结束，聚类准则函数已经收敛。
[0018]进一步的，所述需要检测区域内的局部化二值化图像计算方法如下:
以每个像素为中心，划分邻域范围，计算邻域范围内像素灰度的平均值；若该像素灰度值大于平均值加偏移量，则在二值化图像S中该点灰度值为255，否则为0。
[0019]进一步的，以11个像素为直径划分邻域范围；偏移量为5。
[0020]进一步的，所述图像A转换为灰度图像之前还包括预处理过程，预处理为平滑滤波去除噪声。
[0021 ] 进一步的，所述细化算法为Zhang-Suen算法。
[0022]Zhang-Suen算法是常用的一种细化算法，属于模板匹配；在细化过程中，不断移动3X3的模板，使它与图像中各点重合；若图像中某点与模板的中心点重合时，该点的8个邻点也恰能与模板的其它点相匹配，且将其中心点的值由1变为0，该区域的连通性保持不变，贝U可将此点从图像中删去；算法在“Zhang Τ Y, Suen C Y.A fast parallelalgorithm for thinning digital patterns[J].Communicat1ns of the ACM, 1984,27(3): 236-239.”也有介绍。
[0023]进一步的，所述提取位于曲线线段0端点的点的方法如下:
若点的灰度值为255，且其上下左右和对角线上的临近8个像素中有一个像素的灰度值为255，其余7个灰度值为0，则判断该点是曲线线段0的端点。
[0024]进一步的，所述端点队列的分类方法如下:
读取端点队列中的第一个端点；
设定参考尺寸，分别取其0.6,0.8,1.0、1.2和1.4倍长度为端点邻域尺寸，以端点为中心，从灰度图像C中提取5个不同大小的子图像，将子图像缩放为标准尺寸；
分别计算标准尺寸子图像的梯度直方图描述子；
用训练好的支持向量机分类器对描述子进行分类，判断是否为非人造物体；
从端点队列中删除第一个端点，重复上述步骤，直到端点队列内容为空。
[0025]进一步的，所述是否为非人造物体的判断方法如下:
根据对描述子的分类结果，若有至少一个图像的分类结果为非人造物体，则该端点判断为设备上的非人造物体，否则判定该端点为背景图像。
[0026]使用时，硬件设备包括数字摄像机、补光设备和工业控制计算机；其中处理的图像文件是从数字摄像机获取的视频文件获得；工业控制计算机控制数字摄像机、并且按照本发明处理方法对获取的视频文件进行处理，获得处理结果，并输出检测结果。
[0027]对视频文件的处理步骤包括:
1)设置检测结果队列为空；
2)通过计算机驱动数字摄像机读取彩色图像A;
3)对图像A进行预处理得到图像B，预处理以平滑滤波去除噪声； 4)将图像B转换为灰度图像C;
5)使用概率霍夫变换计算灰度图像C中的线段，并将所有线段存入一个链表；
6)遍历各条线段，按照该线段长度对线段进行划分，选出长度超过设定阈值的线段I，存入链表；
7)将线段I以平行距离为度量使用K近邻聚类；
8)遍历线段聚类结果，搜索判断聚类线段能否构成设备的外形结构，若能找到合理组合，则转入下一步，若没找到合理组合返回步骤2);
9)以组合线段为参考位置选出需要检测的区域；
10)计算需要检测区域的局部二值化图像S，计算方法如下:以每个像素为中心，以直径为11个