您好, 歡迎來到化工儀器網
一種基于形狀的紅外圖像泄漏氣體檢測方法
目前，氣體在工業和人們生活中應用越來越多。例如，應用在電力系統中的SF6，火災保護中的CO2，以及化工生產中的C2H4等等，泄漏氣體檢測對于避免重大人員財產損失具有重要意義。氣體泄漏檢測主要有傳統傳感器檢測和圖像檢測兩類方法。傳統方法采用固定點檢測器，檢測范圍小，需要接觸到泄漏氣體才能檢測，隨著機器視覺等技術發展，基于圖像序列的泄漏氣體檢測方法成為主流，具有快速響應、非接觸、監控面積大等特點。
基于圖像序列泄漏氣體檢測方法主要有3個步驟：
1)使用高斯混合背景建模或者背景差分等方法估計圖像序列中的運動區域。
2)對氣體候選區域提取靜態特征如顏色特征，或動態特征如紋理特征。比如Appana利用HSV顏色和紋理特征檢測煙霧；Ojo提取了煙霧的HSI顏色特征和小波能量特征進行煙霧檢測。
3)使用預先訓練好的分類器或是其他判斷準則，判斷是否為氣體目標。例如：Ye使用SVM分類器檢測煙霧。Yuan、Zhao使用Adaboost分類器檢測煙霧。另外，為了解決遠距離的煙霧檢測，文獻曾提出過一種基于雙閾值的MSER追蹤算法；還有一種是基于背景差分法和顏色特征的實時檢測算法，使用GPU加速。
上述這些檢測方法，其推廣性不強，適合一般泄漏氣體檢測。其主要原因在于：可見光下，煙霧的顏色主要是黑色或白色，而在紅外條件下，影響泄漏氣體灰度值的因素有很多，如氣體種類、濃度、背景，濾光片等。而氣體的紋理特征在不同濃度、不同背景下相差較大，不適合紅外圖像中泄漏氣體的檢測。
本文提出了一種基于氣體形狀特征和SVM分類的紅外圖像氣體檢測方法，該方法可以有效區分氣體和干擾，具有*的檢測率和較低的虛警率。
1 基于形狀的泄漏氣體檢測方法
本文泄漏氣體檢測流程如圖1所示，分為訓練和預測兩部分。訓練過程，首*行運動區域檢測，再將運動區域處理的結果進行連通域分析，形成候選區域。人工分類候選區域構建訓練樣本庫，通過對樣本提取形狀特征，使用支持向量機進行訓練。預測過程，也是首*行運動區域檢測，再將運動區域處理的結果進行連通域分析，形成候選區域。對候選區域分別提取形狀特征，使用訓練好的SVM模型進行預測，判斷該候選區域是否為氣體。
△圖1 本文所提出的算法流程及其對應的關鍵中間結果
1.1 基于差分的運動區域檢測
本文方法采用了基于差分的運動區域檢測方法，提取候選泄漏氣體區域。設定當前視頻幀為I，取視頻具有理想條件的某幀B為背景幀。背景幀的理想條件為無氣體、干擾物在圖像中。運動區域檢測規則如下：
式中：M(x，y)是運動目標像素點的集合；I(x，y)表示當前幀中像素點的灰度值；B(x，y)為背景圖像中對應像素點的灰度值；目標與背景的灰度差別TH為閾值。閾值的選擇主要依靠先驗知識，在本文實驗中，閾值設置在10左右。運動區域提取出之后，再將運動區域處理結果進行連通域分析，根據面積降序對連通域排序，將面積小于200左右的區域去除，選取面積前5左右的若干個連通域分別作為候選區域Mc(x，y)。
1.2 泄漏氣體形狀特征
1.2.1 紅外圖像中泄漏氣體特征分析
對視頻背景幀(圖2(a))和當前幀(圖2(b))，按公式(1)、(2)處理，M′c(x，y)=I(x，y)*Mc(x，y)(2)得到圖2(c)，其氣體灰度差異較大，再對M′c(x，y)做二值化處理可得到圖2(d)，其具有特定錐形特征。分析可知，雖然氣體不是剛體，形狀各異，但是在無風或弱風環境中，泄漏氣體由于壓強原因，在泄漏點往遠處擴散過程中，往往會呈現出一種錐形結構。
泄漏氣體隨著濃度的變化，會出現半透明現象，如圖2(b)。氣體半透明特性導致氣體區域的紋理特征受到背景區域紅外輻射的干擾。而氣體的灰度、紋理特征也與氣體濃度相關，但是邊緣信息受影響較小。使用氣體區域的形狀特征，通過氣體邊緣信息來描述，氣體區域邊緣信息與圖像對比度相關，不受氣體區域灰度影響，如圖2(d)。泄漏氣體的形狀和干擾運動物體比如：人的形狀具有較大差異，見圖3，通過形狀特征可以區分泄漏氣體和干擾運動物體。因此本文采用提取候選區域的形狀特征來判斷是否為氣體，提出一種基于泄漏氣體先驗知識的形狀特征的泄漏氣體檢測算法，該算法對灰度變化不敏感，受干擾影響小。
△圖2 泄漏氣體形狀特征
1.2.2 泄漏氣體形狀特征提取
由于運動區域檢測提取出的候選區域大小不盡相同，為了消除這些影響，首先對候選區域做標準化預處理：截取二值圖像中包含有效信息的大區域，然后將截取的區域轉化成標準的16×16像素的圖像。處理前后的圖片如圖3所示。再將16×16像素信息保存為1維的特征向量，作為分類器輸入的特征。
△圖3 泄漏氣體形狀特征提取
1.3 分類器設計
本文使用支持向量機(SVM)作為分類器對提取的形狀特征進行分類。支持向量機(SVM)具有只需相對較少的訓練樣本的特性。RBF核函數可處理非線性分類，參數較少并且便于優化計算等特點。本文采用RBF核函數并使用網格搜索的方法進行核參數尋優。實際工業應用場合，能獲取到的樣本是有限的。而目前文獻中未見專門的紅外氣體泄漏視頻數據庫，因此本文實驗數據都是作者利用專業設備進行室內外場景仿真得到的。
2 泄漏氣體檢測實驗
2.1 泄漏氣體檢測實驗平臺
本文的算法是在Intel(R)Core(TM)i5-4460CPU和4GB內存的計算機上完成的。SVM使用的是LIBSVM軟件包。實驗視頻使用紅外相機拍攝完成，每秒幀數30。每幀圖像大小640×480。紅外波段范圍7.5μm~14μm。泄漏氣體為乙烯氣體。實驗濾光片型號為BP-10688-744-nm。
2.2 泄漏氣體檢測數據準備
在運動區域檢測算法檢測得到的候選區域圖片中，人工篩選出典型的氣體與干擾圖像，有利于分類器學習到更具適應性的模型。通過10個實驗視頻中運動候選區域的人工篩選和分類，構建了氣體與干擾物樣本庫，其中包括氣體正樣本1314個。負樣本包括人體干擾等1447個。再將這些樣本分為2211張圖片構成的訓練集和550張圖片構成的測試集。氣體可能從各個方向泄漏，通過圖像旋轉的方法，對真實應用情況進行仿真，使訓練集的樣本數增加4倍，增強模型的泛化能力。對氣體泄漏視頻圖片中通過差分提取的運動區域進行分類器測試，測試集上準確率為98.73%。
2.3 檢測實驗結果與分析
由表1可知，文獻方法不太適用于本文的紅外視頻的氣體檢測，受到運動物體干擾比較大，無法區分運動物體是否為氣體。同時從圖4可看出，本文方法對于不同場景能夠保持較高的泄漏氣體檢測率，同時虛警率較低，如在圖4中將人體干擾排除，正確檢測出氣體。因此本文算法可以有效檢測到泄漏氣體并且去除掉人體等干擾物對氣體檢測的影響。表1為不同視頻檢測率對比。
△圖4 泄漏氣體檢測結果
表1 泄漏氣體檢測率
3 結論
在弱風條件下，存在背景干擾、人體干擾等情況，本文提出一種基于泄漏氣體先驗知識的形狀特征和SVM分類的紅外圖像氣體泄漏檢測算法。算法經過多個紅外視頻驗證了其能夠滿足工業應用的要求。算法通過考慮氣體的運動特征和形狀特征將泄漏氣體和干擾有效區別，從而減少背景和干擾物影響。
文獻[9] YUAN F. A double mapping framework for extraction of shape-invariant features based on multi-scale partitions with AdaBoost for video smoke detection[J]. Pattern Recognition,45(12):4326-4336.