雍歧衛(wèi),喻言家,陳 雁

(后勤工程學(xué)院 軍事供油系, 重慶 401331)

基于HOG特征和滑動(dòng)框搜索的地面油氣管道檢測(cè)方法

雍歧衛(wèi),喻言家,陳 雁

(后勤工程學(xué)院 軍事供油系, 重慶 401331)

提出一種基于HOG特征和滑動(dòng)框搜索的地面油氣管道檢測(cè)方法，能快速、高效、準(zhǔn)確地檢測(cè)高分辨率無(wú)人機(jī)巡線圖像中的地面油氣管道。該方法首先提取管道與非管道圖像樣本的HOG特征，由所得特征作為樣本數(shù)據(jù)訓(xùn)練油氣管道檢測(cè)分類器。將訓(xùn)練好的分類器用在整張無(wú)人機(jī)巡線圖像中自動(dòng)檢測(cè)油氣管道，利用與樣本管道圖像尺寸一致的滑動(dòng)框?qū)φ麖垷o(wú)人機(jī)巡線圖像進(jìn)行掃描，提取滑動(dòng)框中的HOG特征輸入到已訓(xùn)練的分類器中判斷該窗口是否為管道，并進(jìn)行標(biāo)記。為了驗(yàn)證提出方法的有效性，將此方法運(yùn)用于235張高分辨率航拍圖像上進(jìn)行油氣管道自動(dòng)檢測(cè)，檢測(cè)精確率達(dá)到84.7%。

無(wú)人機(jī)；HOG特征；滑動(dòng)框搜索；支持向量機(jī)；地面油氣管道檢測(cè)

油氣管道巡線工作是實(shí)時(shí)進(jìn)行的，要求無(wú)人機(jī)能夠通過(guò)視頻傳回的當(dāng)前幀圖像，對(duì)管線進(jìn)行識(shí)別提取，獲取當(dāng)前管線形狀、位置等信息，與樣本庫(kù)數(shù)據(jù)對(duì)比，及時(shí)發(fā)現(xiàn)問(wèn)題區(qū)域，準(zhǔn)確定位事故位置，將信息快速傳回地面站。傳統(tǒng)的方法是利用巡線圖像數(shù)據(jù)，制作正攝影圖像與樣本庫(kù)圖像匹配分析，需要無(wú)人機(jī)將整條線路巡查完畢后的整個(gè)環(huán)境圖像數(shù)據(jù)及POS數(shù)據(jù)，同時(shí)需要專業(yè)后臺(tái)軟件長(zhǎng)時(shí)間運(yùn)行處理，否則無(wú)法達(dá)到實(shí)時(shí)巡線的效果。

利用無(wú)人機(jī)遙感對(duì)地面油氣管道設(shè)備設(shè)施進(jìn)行巡查，能夠大大提高巡線效率，減少人員工作量[1-2]。方向梯度直方圖(histogram of oriented gradient,HOG)特征是一種在目標(biāo)檢測(cè)領(lǐng)域應(yīng)用較為廣泛的特征描述子，最早運(yùn)用在行人檢測(cè)上，一般以HOG+SVM 的思路為主[3-4]。本研究考慮到地面管道在形狀特征上一般為規(guī)則的圓柱體，管道邊緣成規(guī)則的平行直線，而HOG特征對(duì)于有一定形態(tài)規(guī)律的目標(biāo)能夠較好地描述表達(dá)[5]。所以，本文采用HOG特征來(lái)描述油氣管道，引入SVM支持向量機(jī)訓(xùn)練滑動(dòng)框檢測(cè)分類器[6]，利用矩形框在圖片上進(jìn)行掃描，提取每個(gè)矩形框中局部圖片特征，利用訓(xùn)練好的分類器通過(guò)特征匹配來(lái)進(jìn)行油氣管道識(shí)別。

1 HOG特征原理

HOG特征是法國(guó)學(xué)者Dalal等設(shè)計(jì)用于人體檢測(cè)的特征，它能夠通過(guò)梯度和邊緣的方向密度分布對(duì)目標(biāo)的表象和形狀進(jìn)行很好的描述，于2005年在CVPR會(huì)議上提出，在行人檢測(cè)中取得了十分顯著的效果[7]。

1.1 圖像歸一化

為了計(jì)算油氣管道的HOG特征，通常要先進(jìn)行圖像歸一化來(lái)使得光線均衡，本文采取伽馬校正的方法。

圖1 gamma取0.4、1.4時(shí)的成像效果及灰度直方圖對(duì)比

1.2計(jì)算圖像梯度

計(jì)算圖像梯度。圖像的邊緣特征與像素點(diǎn)梯度值大小成正相關(guān)，通常采用計(jì)算圖像一階導(dǎo)數(shù)的方法來(lái)獲得梯度圖像，見(jiàn)圖2。還有一種變異的方法是用二階圖像導(dǎo)數(shù)作為基本塊檢測(cè)器，用來(lái)捕捉有用的特征。

圖2 垂直方向梯度圖

1.3 分割圖像

HOG特征是一種局部特征，需要對(duì)整張圖像切塊分割后分塊提取，圖像被分成均勻空間區(qū)域，稱之為分割區(qū)塊(cell)。每個(gè)區(qū)塊的HOG特征可以表示該區(qū)塊各方向邊緣的強(qiáng)弱。對(duì)于圖像分割的方式，分為overlap(區(qū)域交疊式分割)、non-overlap(區(qū)域不交疊式分割)兩種。overlap是指分割的區(qū)域有重合，這樣能避免將連續(xù)物體分割開(kāi)，但會(huì)增加計(jì)算量；non-overlap與之相反，圖3為某型無(wú)人機(jī)拍攝的管線樣本圖像的分割效果及cell、block和管線樣本圖(image)的對(duì)應(yīng)關(guān)系。

圖3 管道樣本圖像的分割效果

1.4像構(gòu)建分割區(qū)塊(cell)梯度方向直方圖

將圖像分割后，需要計(jì)算每個(gè)分割區(qū)塊(cell)的方向梯度直方圖，生成該區(qū)塊的HOG特征編碼。計(jì)算步驟為：統(tǒng)計(jì)每一個(gè)區(qū)塊(cell)內(nèi)所有像素的一階梯度幅值和方向，按邊緣方向把0～360°等分為若干類(bin)，對(duì)每個(gè)像素點(diǎn)按梯度方向α(x,y)進(jìn)行歸類，采用像素點(diǎn)的梯度幅值對(duì)梯度方向α(x,y)進(jìn)行加權(quán)投影，圖4為分割區(qū)塊內(nèi)梯度方向統(tǒng)計(jì)圖。

圖4 分割區(qū)塊內(nèi)梯度方向統(tǒng)計(jì)圖

1.5把分割區(qū)塊(cell)合并為塊(block)

把連在一起的分割區(qū)塊(cell)按照一定規(guī)律合并大的塊(block)。本文采用塊重疊(overlap)的方法，這種方式可以通過(guò)塊重疊對(duì)塊邊緣區(qū)域進(jìn)行重新統(tǒng)計(jì)計(jì)算，從而達(dá)到塊邊界模糊的目的，使得處于塊邊緣部分的像素點(diǎn)被重新統(tǒng)計(jì)在圖像特征中，使得HOG特征描述更加精確。

1.6 塊內(nèi)歸一化梯度直方圖

對(duì)block塊內(nèi)的HOG特征向量進(jìn)行歸一化，可以使最終得到的HOG特征向量對(duì)光照、陰影和邊緣的一些變化具有更好的魯棒性。本文采用的歸一化函數(shù)為：

(1)

式中ξ為接近0的正數(shù)。最后將所有block對(duì)應(yīng)的特征串聯(lián)形成HOG特征，可以看出管道輪廓信息通過(guò)HOG特征能夠很好區(qū)分。

2 基于HOG特征和H分量顏色直方圖特征野戰(zhàn)管線識(shí)別流程

首先采用切片的方式，對(duì)無(wú)人機(jī)巡線圖像切取多張大小合適的管道樣本，然后提取樣本的HOG 特征與H分量顏色直方圖特征進(jìn)行SVM分類器[8-9]訓(xùn)練，最后將分類器運(yùn)用到航拍圖像的管道檢測(cè)上，采取滑動(dòng)框搜索的方法，選擇與切片樣本同樣大小的滑動(dòng)窗口，從航拍圖像的左上方開(kāi)始，按照規(guī)定間隔依次滑動(dòng)，每滑動(dòng)一次都對(duì)窗口內(nèi)的圖像塊進(jìn)行判斷，是管道就進(jìn)行標(biāo)記，不是則跳過(guò)檢測(cè)下一個(gè)窗口。為了縮短掃描時(shí)間，實(shí)驗(yàn)采用了跳躍式掃描法，在保證全面掃描的情況下，盡量使滑動(dòng)間隔達(dá)到最大，管線目標(biāo)的識(shí)別算法流程圖如圖5所示。

圖5 管線目標(biāo)的識(shí)別算法流程

3 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

作者利用某型無(wú)人機(jī)對(duì)輸油管道進(jìn)行了巡線模擬實(shí)驗(yàn)，共拍攝巡線視頻19 min，利用視頻抽幀的方法提取圖片 2 000余張，實(shí)驗(yàn)拍攝圖像為3 840×2 160的JPG格式。

3.2 分類器訓(xùn)練集

從實(shí)驗(yàn)巡線圖像中隨機(jī)選取部分圖像，根據(jù)實(shí)際成像效果，樣本塊的大小設(shè)置為100×80，利用切片法切取管道樣本和非管道樣本，所選取的樣本管道大多位于圖片塊的中心位置。整個(gè)訓(xùn)練集有油氣管道樣本798張，如圖6所示，非管道樣本1 342張。

圖6 油氣管道樣本圖

3.3遺傳算法SVM參數(shù)尋優(yōu)仿真實(shí)驗(yàn)

遺傳算法(genetic algorithm，GA)是一種生物學(xué)的進(jìn)化尋優(yōu)算法，從多點(diǎn)開(kāi)始，通過(guò)復(fù)制、交叉、變異的操作來(lái)進(jìn)行參數(shù)尋優(yōu)。將遺傳算法運(yùn)用到管線識(shí)別分類器的參數(shù)優(yōu)化中，尋找識(shí)別性能最好的懲罰參數(shù)C和RBF核參數(shù)g。本文按照上述方法，利用400個(gè)管線切片樣本與非切片樣本作為訓(xùn)練集進(jìn)行仿真實(shí)驗(yàn)，得到的適應(yīng)度曲線如圖7所示。

圖7 SVM分類器迭代過(guò)程適應(yīng)度曲線

SVM分類器巡線HOG特征樣本最優(yōu)參數(shù)為：Bestc=4.591 9，Bestg=0.479 08，在該參數(shù)下的最優(yōu)適應(yīng)度為99.289 1%。

3.4 評(píng)價(jià)方法

針對(duì)管道識(shí)別效果的評(píng)價(jià)， 采用準(zhǔn)確率(Precision)、平均檢測(cè)時(shí)間(T)這兩個(gè)指標(biāo)來(lái)衡量，好的識(shí)別算法應(yīng)該在保證識(shí)別準(zhǔn)確率高的同時(shí)，檢測(cè)時(shí)間更短[10]。其中Precision、T分別定義為：

(2)

(3)

式中：TP表示為檢測(cè)正確的野戰(zhàn)管線圖像數(shù)量；FP檢測(cè)器錯(cuò)的管道圖像數(shù)量;Precision即指檢測(cè)正確圖像數(shù)與檢測(cè)出的全部圖像數(shù)的百分比；ti表示檢測(cè)第i張圖像時(shí)所用時(shí)間；T表示檢測(cè)全部圖像所用的平均檢測(cè)時(shí)間。

3.5 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)對(duì)235張測(cè)試無(wú)人機(jī)巡線航拍圖進(jìn)行檢測(cè)，取得了較好的檢測(cè)結(jié)果：準(zhǔn)確率達(dá)84.7%，檢測(cè)時(shí)間為2.1 s。從檢測(cè)結(jié)果來(lái)看，利用HOG特征訓(xùn)練SVM分類器，并以“矩形的視角”來(lái)描述油氣管道目標(biāo)，通過(guò)滑動(dòng)框搜索實(shí)現(xiàn)油氣管道定位標(biāo)記，該方法簡(jiǎn)單易實(shí)現(xiàn)，可以靈活運(yùn)用圖像分類中各類特征、相似度量算法與之結(jié)合。但是矩形窗體內(nèi)包含了許多背景的信息，從而會(huì)對(duì)判定造成不利的影響；并且樣本尺度要與滑動(dòng)框尺度一致，對(duì)于不同尺度下的圖像，需要采集不同樣本訓(xùn)練不同尺度下的分類器，計(jì)算量較大，管道識(shí)別效果如圖8所示。

圖8 管線識(shí)別效果圖

4 結(jié)束語(yǔ)

利用無(wú)人機(jī)遙感技術(shù)對(duì)石油天然氣設(shè)備設(shè)施進(jìn)行巡查維護(hù)，有利于節(jié)約人力成本，保障設(shè)備安全。本文針對(duì)無(wú)人機(jī)巡線條件下的油氣管道識(shí)別問(wèn)題，提出了基于 HOG 特征和滑動(dòng)搜索框的油氣管道檢測(cè)方法，為無(wú)人機(jī)智能化巡線提供一種新的思路。本方法的優(yōu)點(diǎn)為：利用油氣管道邊緣方向平行的特點(diǎn)，采用HOG特征對(duì)油氣管道進(jìn)行描述，特征的魯棒性強(qiáng)；通過(guò)滑動(dòng)框搜索與分類器判斷實(shí)現(xiàn)油氣管道定位標(biāo)記，方法簡(jiǎn)單、易實(shí)現(xiàn)，可結(jié)合多種特征訓(xùn)練多個(gè)分類器，對(duì)各類目標(biāo)進(jìn)行檢測(cè)(如油氣泄漏、設(shè)備損壞等)。不足之處就是矩形框內(nèi)背景噪聲干擾大，存在誤檢漏檢，需要作進(jìn)一步研究改進(jìn)。

[1] 李器宇,張拯寧,柳建斌,等.無(wú)人機(jī)遙感在油氣管道巡檢中的應(yīng)用[J].紅外,2014(3):37-42.

[2] 常文見(jiàn),孟凡輝,王倉(cāng),等.無(wú)人機(jī)遙感技術(shù)在長(zhǎng)輸管道中的應(yīng)用探討[J].價(jià)值工程,2013(32):197-198.

[3] 慕春雷.基于HOG特征的人臉識(shí)別系統(tǒng)研究[D].成都:電子科技大學(xué),2013.

[4] 徐超,高夢(mèng)珠,查宇鋒,等.基于HOG和SVM的公交乘客人流量統(tǒng)計(jì)算法[J].儀器儀表學(xué)報(bào),2015(2):446-452.

[5] 向征,譚恒良,馬爭(zhēng)鳴.改進(jìn)的HOG和Gabor,LBP性能比較[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2012(6):787-792.

[6] 張伐伐,李衛(wèi)忠,盧柳葉,等.SVM多窗口紋理土地利用信息提取技術(shù)[J].遙感學(xué)報(bào),2012(1):67-78.

[7] SURHONE L M,TENNOE M T,HENSSONOW S F,et al.Histogram of Oriented Gradients[J].Betascript Publishing,2016,12(4):1368-1371.

[8] 鄧乃楊，田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機(jī)[M].北京：科學(xué)出版社，2005.

[9] 陳冰梅,樊曉平,周志明,等.支持向量機(jī)原理及展望[J].制造業(yè)自動(dòng)化,2010(14):136-138.

[10] 徐寧,何文軍,吳新忠,等.血液白細(xì)胞圖像自動(dòng)識(shí)別系統(tǒng)性能評(píng)價(jià)方案的設(shè)計(jì)與應(yīng)用[J].臨床檢驗(yàn)雜志,2013(1):76-77.

(責(zé)任編輯楊黎麗)

GroundOilandGasPipelineDetectionMethodBasedonHOGCharacteristicandSlidingBoxSearch

YONG Qiwei， YU Yanjia， CHEN Yan

(The Military Supply Department, Logistical Engineering University, Chongqing 401331, China)

A ground oil and gas pipeline detection method based on HOG features and sliding frame search is proposed, which can detect the ground oil pipeline in the high resolution unmanned aerial vehicle (UAV) patrol image rapidly, efficiently and accurately.The method firstly extracts the HOG features of the pipeline and non pipeline image samples, and uses the obtained features as the sample data to train the gas pipeline detection classifier.The trained classifier is used for automatic detection of UAV pipeline images. And using a sliding frame with a certain size to scan the whole patrol line image of the UAV, it extracts the HOG feature in the sliding box, and inputs it into the trained classifier to determine whether the window is a duct and mark it. In order to verify the effectiveness of the proposed method, this method is applied to automatic detection of oil and gas pipelines on 235 high resolution aerial images, and the detection accuracy is 84.7%.

UAV; HOG characteristics; sliding frame search; support vector machine; ground oil and gas pipeline detection

2017-08-16

國(guó)家自然科學(xué)基金資助項(xiàng)目(51475469)

雍歧衛(wèi)(1967—),男,四川南充人,碩士,教授,主要從事石油與天然氣工程研究，E-mail；270245904@qq.com，通訊作者 喻言家(1993—),男,湖南岳陽(yáng)人，碩士研究生,主要從事石油與天然氣工程研究，E-mail:270245904@qq.com。

雍歧衛(wèi),喻言家,陳雁.基于HOG特征和滑動(dòng)框搜索的地面油氣管道檢測(cè)方法[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2017(11):192-197.

formatYONG Qiwei，YU Yanjia，CHEN Yan.Ground Oil and Gas Pipeline Detection Method Based on HOG Characteristic and Sliding Box Search[J].Journal of Chongqing University of Technology(Natural Science)，2017(11):192-197.

10.3969/j.issn.1674-8425(z).2017.11.029

TP391

A

1674-8425(2017)11-0192-06