一種基于事件驅動的煤層氣井站異常場景遠程無線安全監測方法
【技術領域】
[0001] 本發明屬于信息技術領域，涉及到基于機器視覺的煤層氣井站異常場景識別算 法，特別涉及到煤層氣井站存在抽水機有規則運動及風吹草動等影響異常場景判別的干擾 場景的有效識別方法。
【背景技術】
[0002] 煤層氣井站通常處于荒山野外，道路崎嶇，地形復雜，氣井的安全監測問題一直是 關系氣井能否安全生產的大問題，通常采用定時人工巡檢的方式進行安全防范。如采用視 頻遠程監測的技術，技術上早已成熟的有線遠程安全監測，由于鋪設通信線路造價過高企 業無法承擔。無線方案（如利用3G網絡）傳輸視頻，一方面視頻圖像數據量大，數據傳輸 運營成本太高，使用方難以承受；另一方面幾百口井的視頻信號同時上傳，靠操作人員來發 現事故，工作量太大，效率低。因而，目前在煤層氣行業，遠程無線視頻監測的方案是在監測 現場安裝硬盤錄像機，存儲一段時間的視頻信號。如操作者想了解現場情況，就通過無線傳 輸，調用某一時段的視頻信息，屬于一種"事后查詢取證"的監測方法。最合理的無線監測 方案是視頻監測裝置實時監測現場場景，如發現人員闖入，設備移位，火災等異常場景，視 頻監測裝置智能實時識別這些場景，并向監測中心發送異常場景信息，提示操作者現場有 問題。但由于煤層氣井站的特殊性，首先煤層氣井站有一臺抽水機做有規則的上下運動，將 煤層氣井下的水抽出來，利于井下煤層氣體的析出。相當于在監測現場，有一臺運動設備， 如何將其與異常場景識別區分。常用的辦法是將抽水機運動區域劃分邊界并從整個監測區 域中摳除，方法簡單但受使用條件限制，如監測區域不斷變更則該方案就無法使用；其次在 煤層氣井站會有草木等，監測區域內的風吹草動都會帶來監測背景的圖像改變，成為異常 場景，會帶來誤報，大量的誤報信息增加數據傳輸成本，也會給操作人員帶來不必要的工作 量。因而，采用一種"基于事件驅動的煤層氣井站異常場景遠程無線安全監測技術"，其要求 就是將現場的異常場景與抽水機運動及風吹草動等干擾信息區別開，只有真正的異常場景 或事件出現發生時，現場智能監測設備才向監測中心報警并發送現場圖像信息。
[0003] 異常場景檢測、干擾信號識別與安全監測的實時性要求是矛盾的主要方面，復雜 的異常場景檢測、干擾信號識別算法必然有運算時間長的問題，難以滿足安全監測的實時 性要求。
[0004] 當前的目標檢測算法有多種，背景差分法是主要的研究方向，諸如高斯背景建模、 混合高斯背景建模，但是這些方法需要先驗模型參數，且不能表示多種背景模態。本方案 的目標檢測算法基于核密度估計背景建模法，它是一種無參數背景建模方法，不需要先驗 知識，合理選取樣本可以使像素點背景模型包含多種背景信息（如抽水機運動、風吹草動 等），在數據上由樣本估計出的總體分布比假定成高斯或混合高斯分布要更具說服力。
【發明內容】
[0005] 本發明要解決的技術問題是根據煤層氣井站現場惡劣環境條件及安全監測低成 本高效的要求，提供一種基于事件驅動的煤層氣井站異常場景遠程無線安全監測方法。
[0006] 本發明的技術方案采用兩種背景模型，分兩步逐步分割前景。先通過背景差分將 圖像分割成為動態背景區與非動態背景區，因為非動態背景區域的穩定性，它完全可以由 背景差分法提取。對于動態背景區需進一步由核密度估計來進一步分割前景。具體步驟如 下：
[0007] (1)背景模型初始化
[0008] 每個像素點包含兩個背景模型，第一背景模型做背景差分用，取前Μ幀圖像像素 均值，設\i(t)代表t時刻像素j處的第一背景模型，則j (t)可以由下式來表示：
[0010] 其中，Xl代表第i時刻像素j的灰度像素值。
[0011] 第二背景模型為核密度估計所用，每個像素點背景模型包含Μ個樣本，它們來自 于先前時刻的像素值。設代表t時刻像素j處的第二背景模型，則可以由集 合表示，如下式所示。
[0012] BMj j(t) = {χ1; χ2, . . . , χΜ !, χΜ} (2)
[0013] 其中，Χι代表第i時刻像素j的灰度像素值，即樣本值。
[0014] (2)前景檢測
[0015] 第一步分割動態背景區與非動態背景區，利用背景差分法，將當前圖像幀與第一 背景模型比較即可將動態背景區域區分出來。這一步可以稱為運動前景的粗略提取，在這 一步為了保證運動目標區域的完整性，放寬了動態背景區域的判斷條件，應用背景差分法 時融合了三幀差算法，條件取或判斷動態背景區域。運動目標包含在動態背景區域內，此外 還有動態背景的干擾。設Djt+Ι)為t+Ι時刻像素點i當前圖像與背景圖像比較后的二值 化結果，則：
表三幀差法閾值。IJt)代表t時刻像素i取值，代表第一背景模型像素點i處的 像素值。二值化后為1的區域就是動態背景區，接下來在這一區域應用核密度估計背景建 模法分割真正的運動前景。
[0018] 第二步前景運動目標的分割。動態背景區域包含兩種類型的區域：一是由抽水機 往復運動或者風吹草動等動態背景產生的運動背景，它也是背景；二是前景運動目標設為 區域，它才是真正要分割的運動前景。對這一區域內的像素點計算概率密度，選用高斯核函 數，公式如下：
[0020] 其中，xt+1是t+1時刻像素點處觀察到的像素值，Xl是像素點背景模型中的樣本值， h是窗寬。
[0021] 得到概率密度f；(xt+1)后，將它與一閾值比較，判斷是否為前景，公式如下：
[0023] 若觀測到的像素點概率密度估計值小于閾值，則認為它為前景點；反之，該點判斷 為背景點。至此，前景已經被判斷出來，但這里面有一個重要的參數，閾值th影響著檢測結 果的準確性。本方案對該參數求取方法如下。
[0024] (3)動態閾值求取
[0025] 現有的閾值求法有定閾值和動態閾值兩種，定閾值是取一個很小的數，如0. 0005， 這種方式認為整幅圖像的閾值都是一個定值，準確性不高，對復雜環境的適應能力也不強， 易造成誤檢。動態閾值一般靠經驗求取，如通常將閾值作為窗寬的反比例函數，這也是不準 確的。因此，本方案的創新點是通過理論分析求出更為合理的閾值以提高檢測準確性。下 面將介紹改進算法中動態閾值的求取方法。
[0026] 假設像素點j背景模型內包含Μ個樣本點，那么整體的概率密度可以看 成由以下方式得到的：每個樣本Xi以自身為中心，在一定的窗寬范圍內對整體分布做出 貢獻。則對于當前樣本來說，離中心^越遠，對總體分布貢獻越小。所以貢獻可以看成 一個函數的形式，這個函數是中間最大，兩邊越來越小的函數。由于時間軸上兩個相鄰的 樣本點（Xl，x1+1)通常來源于相同的局部分布，這個局部分布可以假定為高斯分布如服從 Ν(μ, 〇2)。所以我們可以把這個兩邊越來越小的函數看作是高斯函數。樣本對總體貢獻 的示意圖如圖1所示。圖中，某一像素點的第二背景模型分布可以看成是所有樣本貢獻的 加權，這也就是求取f；(xt+1)時式子⑷所代表的意義。與核密度值比較的閾值Th可以看 成一個核密度的臨界值，如果能從總體概率密度函數中找到這樣的一個臨界值，那么就可 以得到這個動態閾值。假設存在一條直線Lth，它與總體密度函數交點的核密度值足夠小， 就可以將交點的核密度值作為閾值，