◎劉小強(qiáng) 魯耀方 郭相秦
1.三門峽職業(yè)技術(shù)學(xué)院信息傳媒學(xué)院;2.河南科技大學(xué)應(yīng)用工程學(xué)院;3.黃河水利委員會三門峽庫區(qū)水文水資源局,河南 三門峽 472000)
黃河三門峽庫區(qū)是一個水系發(fā)達(dá),河流分布廣泛的區(qū)域,近兩年極端暴雨天氣時常發(fā)生。2021年鄭州、渭南、三門峽、焦作、新鄉(xiāng)等多地多次發(fā)生暴雨,致使黃河三門峽庫區(qū)周邊河流水位急速上升,發(fā)生多起洪澇災(zāi)害事故。為應(yīng)對時有發(fā)生的洪澇災(zāi)害,國家在水域監(jiān)管方面設(shè)立專有水域管理員、建造高精度水位測量儀器,以便進(jìn)行水域管理,災(zāi)害預(yù)警。然而,使用人工對水域水位進(jìn)行檢測、記錄,費(fèi)事費(fèi)力、危險性高、易出錯且時效性差。高精度水位測量儀器又造價昂貴、使用壽命短、污染環(huán)境且難以普遍推廣使用。
由于部分地區(qū)暴雨常發(fā),汛期安全度存在著極大問題。再加上遙測站點(diǎn)較多、管理人員不足、監(jiān)管手段比較落后,可能會造成重大汛期災(zāi)情事故,后果不堪設(shè)想。為了解決以上水域管理中的問題,同時也減輕管理員的工作強(qiáng)度。筆者利用廣泛使用的標(biāo)準(zhǔn)水位尺和電子攝像頭對視頻圖像進(jìn)行水位數(shù)據(jù)實(shí)時計算。在水位檢測領(lǐng)域,目前國內(nèi)已經(jīng)出現(xiàn)了一些相對可用的檢測方法。有學(xué)者提出采用基于連通域的方法識別刻度線根數(shù),通過對水尺圖像掃描得到水尺刻度的連通域個數(shù)[1]。但是,此方法只能對圖像清晰且水尺與周圍環(huán)境有明顯區(qū)別的水域進(jìn)行刻度分離,難以應(yīng)用到復(fù)雜的水域環(huán)境中。也有學(xué)者提出利用BP人工神經(jīng)網(wǎng)絡(luò)智能識別水尺量程的方法[2]。此方法能夠減少程序設(shè)置步驟,但是對水位圖像的畫質(zhì)與使用環(huán)境有了一定的要求,在普通畫質(zhì)或陰雨霧霾天氣下,水尺的刻度不再清晰、數(shù)字量程不再易于辨別,造成識別效率和準(zhǔn)確度降低。
隨著5G 的應(yīng)用,水位測量信息化程度將進(jìn)一步提升,越來越多危險、枯燥、易出錯的工作被信息化設(shè)備與技術(shù)代替。目前,在水位測量領(lǐng)域,在重要水域采用電子水位尺、測量井、超聲測量儀等測量設(shè)備,通過圖像處理技術(shù)代替人類視覺進(jìn)行水位檢測逐漸成為當(dāng)今的研究熱點(diǎn)。
筆者立足現(xiàn)有水域管理?xiàng)l件,重點(diǎn)研究了日間一般清晰度下圖像中水位尺的檢測與水位數(shù)據(jù)計算,在前人的基礎(chǔ)上采用機(jī)器學(xué)習(xí)對水尺進(jìn)行模糊定位、顏色空間篩選、E 域高度平均計算等方法,消除水尺與周圍環(huán)境對比不明顯、畫質(zhì)不高等問題帶來的負(fù)面效果。不僅能夠適應(yīng)現(xiàn)實(shí)水域環(huán)境,而且提高了水位檢測系統(tǒng)的魯棒性。
方向梯度直方圖(Histogram of Oriented Gradient,HOG)特征是在計算機(jī)視覺和圖像處理中檢測物體特征的描述子。經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)hog 特征適用于檢測圖像中的水尺目標(biāo)。特征計算的過程如下:
(1)Windows 窗體:大小為64*128,Windows窗體時特征計算的頂層單元。
(2)Block 塊:大小為16*16,滑動步長為8*8,Block 塊在Windows 窗體內(nèi)滑動。
(3)Cell:大小為8*8,Cell 并列排放在block塊中。
(4)Bin:360°每個bin 占據(jù)40°,Bin 在Cell內(nèi),劃分為9bin。
(5)計算:4*9*((64-16)/8+1)*((128-16)/8+1)=3780 維
支持向量機(jī)(SVM)是一種二分類模型,一個有監(jiān)督的學(xué)習(xí)模型,能夠?qū)Ω呔S特征向量進(jìn)行分類學(xué)習(xí),此文中其主要用于對水尺進(jìn)行識別[3]。
Hog,SVM 的訓(xùn)練結(jié)果可以反復(fù)使用,因此將符合標(biāo)準(zhǔn)的訓(xùn)練結(jié)果保存,達(dá)到一次訓(xùn)練,永久使用的效果,極大減少運(yùn)算量。然而在實(shí)際使用中,第一次進(jìn)行訓(xùn)練的訓(xùn)練結(jié)果往往不能達(dá)到識別標(biāo)準(zhǔn),進(jìn)行二次加強(qiáng)訓(xùn)練,結(jié)果控制在10 個以內(nèi),達(dá)到預(yù)期結(jié)果。
顏色空間篩選,RGB(Red,Green,Blue)顏色空間中, 任意的顏色都可以用RGB 三色不同的分量相加混合構(gòu)成。在空間上可以將RGB 空間比作一個正方體,很難從中分割出具體的顏色范圍。相對于RGB 空間,HSV(Hue,Saturation,Value)空間能夠非常直觀的表達(dá)色彩,在空間上可以將HSV 空間比作一個圓錐,很容易從中劃分出常規(guī)的顏色區(qū)間。經(jīng)過對比HSV 色彩空間表便能得到。
1)紅色的HSV 范圍,H(0-10,156-180),S(43-255),V(46-255)。
2)藍(lán)色的HSV 范圍,H(100-124),S(43-255),V(46-255)。
最大類間方差法二值化,最大類間方差法是一種基于全局的二值化算法,可以科學(xué),自動化的進(jìn)行閾值的選取,可以最大限度地將水尺從背景中分離出來,此時的閾值可以當(dāng)作圖像的分割閾值。
水尺傾斜校正,通過Houghline 檢測水尺圖像中的直線,將傾角頻率最高,且合乎實(shí)際情況的直線的傾角設(shè)置為水尺的傾角。之后對水尺圖像進(jìn)行旋轉(zhuǎn),得到垂直的水尺圖像[4]。
水尺圖像裁切,使用圖像直方圖計算代價較小,可用于基于色彩空間的圖像檢索以及圖像分類[5]。經(jīng)過顏色篩選,可以獲取到關(guān)于水尺的二值圖像,通過二值圖像直方圖可以直觀,方便地從上下、左右方向精確定位水尺,提高識別速度和準(zhǔn)確度。
水位計算,精準(zhǔn)的水尺圖像中,以中位線為基準(zhǔn),將水尺分為左右兩個部分,每個E 都是同樣的。因此,即使出現(xiàn)了模糊不清的刻度“E”,也可通過E 的高度平均值獲取到含有污損的刻度“E”。
由于標(biāo)準(zhǔn)水位尺有不同的量程,因此僅僅通過刻度尺,并不能獲取水位數(shù)據(jù),數(shù)字便成了一種輔助工具,即使不能讀出數(shù)字。也能通過量程與左右兩側(cè)的刻度“E”,得到最終的水位數(shù)據(jù)。
水尺定位可分為四個子模塊,Hog 特征提取,SVM 監(jiān)督訓(xùn)練,難樣本再學(xué)習(xí),圖像水尺定位。待檢測圖像如圖1 所示。
HOG 即方向梯度直方圖,是一種應(yīng)用在計算機(jī)視覺和圖像處理中特征描述子[6]。通過自動裁切腳本,從待檢測圖像中提取大小比例1:2 的圖像,將其等比例放縮為64*128 的含水尺與不含水尺的樣本圖片,獲取正樣本如圖2 所示,共截取519 個,負(fù)樣本如圖3 所示,共7492 個,進(jìn)行Hog 特征提取。
圖2 正樣本樣例圖
圖3 負(fù)樣本樣例圖
SVM 監(jiān)督訓(xùn)練,在水尺檢測中可以用作區(qū)分水尺與非水尺的分類器。難樣本再學(xué)習(xí)過程通過反復(fù)保存再訓(xùn)練,得到識別結(jié)果在可接受范圍內(nèi)的訓(xùn)練模型,如圖4 可見識別結(jié)果被控制在10 個以內(nèi),減少了后期運(yùn)算量。
圖4 水尺檢測結(jié)果圖
通過Hog+SVM 獲取的水尺圖像結(jié)果存在著一定量的誤識別,因此仍需進(jìn)行下一步加工,水尺圖像存在著一些易于辨別的先驗(yàn)特征?;贖SV 空間對識別結(jié)果進(jìn)行顏色檢測,水尺顏色分布對比,最終從結(jié)果中篩選出水尺所在方框。識別過程如圖5,結(jié)果如圖6。
圖5 水尺HSV空間圖
圖6 水尺定位結(jié)果圖
精準(zhǔn)水尺裁切,Canny 邊緣檢測可有效地檢測出水尺邊緣,如圖7 所示,將得到的邊緣圖像進(jìn)行Hough 直線檢測,得到結(jié)果如圖8 所示,并根據(jù)控制直線的角度在90 度左右偏離45 度以內(nèi),從中找出平行的兩根直線,使用圖像旋轉(zhuǎn)對水尺進(jìn)行水尺傾斜校正,得到方向垂直的水尺圖像。
圖7 Canny邊緣檢測圖
圖8 HoughLine傾斜校正圖
采用基于顏色空間的方法,統(tǒng)計傾斜校正后的含有直線的二值圖像列像素統(tǒng)計,篩選出水尺的邊界范圍,最終得到精準(zhǔn)的水尺圖像如圖9 所示。
圖9 精準(zhǔn)水尺圖像
水尺圖像二值化,水尺左右分割,水尺可分為左右兩個部分,各占50%,由于“E”域粘連處會給圖像處理帶來麻煩,因此制裁且左側(cè)40%,右側(cè)40%,將水尺從“E”域連接處分割開以便后續(xù)水位數(shù)據(jù)的計算,使用最大類間方差通過統(tǒng)計整個圖像的直方圖特性來實(shí)現(xiàn)全局閾值T 的自動選取,獲得水尺的二值圖像如圖10,11 所示。
圖10 水尺左側(cè)分割圖
圖11 水尺右側(cè)分割圖
E 域統(tǒng)計包含個數(shù)統(tǒng)計,高度統(tǒng)計。根據(jù)“E”域平均高度,測算出接觸水面的“E”域長度。水位計算,根據(jù)水尺的總量程,左右兩側(cè)“E”域個數(shù)與長度。計算出當(dāng)前水位。如圖12 所示。
圖12 當(dāng)前水位深度圖
本次基于圖像處理的水位檢測系統(tǒng)測試采用黑盒測試完成,主要測試方向?yàn)椋盒阅苠e誤、水尺目標(biāo)檢測遺漏、精準(zhǔn)目標(biāo)獲取錯誤、輸出錯誤等。
采用的測試平臺為Windows7 64 位中文版,1 核 2G 內(nèi) 存,CPU AMD EPYCTM Rome(2.6GHz)。
表1 測試結(jié)果表
為了衡量水位檢測算法的性能,我們隨機(jī)截取了幾個不同日期的視頻片段進(jìn)行實(shí)驗(yàn)仿真,每隔30 秒截取一張水位信息圖像,并結(jié)合字典進(jìn)行實(shí)時的水位值計算,計算結(jié)果與人為觀測數(shù)據(jù)進(jìn)行對比,效果如圖13 所示。
圖13 人工檢測數(shù)據(jù)與視頻監(jiān)測數(shù)據(jù)對比圖
通過測試得出結(jié)論,經(jīng)過大量的樣本訓(xùn)練機(jī)器學(xué)習(xí)后,Hog+SVM 訓(xùn)練結(jié)果對輸入圖像中的水尺識別率較高, 識別所用時間也普遍小于10s,滿足數(shù)據(jù)采集所需性能要求,最終水位數(shù)據(jù)識別結(jié)果良好、識別率高,特別是結(jié)合水尺不會移動的特性,使得系統(tǒng)能夠滿足應(yīng)用需求。
本系統(tǒng)經(jīng)過合理的系統(tǒng)設(shè)計過程,結(jié)合現(xiàn)實(shí)水域情況,在系統(tǒng)圖像處理過程中,多次考慮到對噪聲、倒影、污損的消除,保證了水尺裁切的效果。 通過對E 域高度平均值進(jìn)行計算,不僅可以提高計算速度,面對圖像清晰度不高、天氣狀況不好的情況,有較好的適應(yīng)能力,為水位測量工作提供穩(wěn)定可靠的水位數(shù)據(jù)結(jié)果。同時本系統(tǒng)也存在一定的誤識別率,這與訓(xùn)練樣本和圖像方向角度有著較大關(guān)聯(lián)。