基于視頻圖像智能分析的油井入侵檢測方法及裝置的制作方法

專利名稱：：基于視頻圖像智能分析的油井入侵檢測方法及裝置的制作方法
技術領域：
：本發明涉及油井視頻入侵檢測報警系統中的圖像處理、圖像分析、油井視頻入侵檢測，特別涉及基于視頻圖像智能分析的油井入侵檢測方法及裝置。
背景技術：
：油井視頻入侵檢測報警是油井安全監控系統自動化智能化的必然發展趨勢。現有各種視頻監控報警系統主要采用運動檢測方法來實現報警功能，無法解決油井監控環境中機器運動、機器陰影、光線變化等因素造成的干擾和誤報問題。因此，如何利用先進的圖像處理與分析技術，以油井視頻監控工程實踐中遇到的各種問題為出發點，結合創新的視頻入侵檢測流程和處理手段，開發出基于視頻圖像智能分析的油井入侵檢測技術對于加強油井入侵監控報警，保證油井設備和國家油氣資源的安全，是一項非常現實而急迫的實際應用需求。
發明內容本發明的目的是針對現有油井視頻監控系統實際應用中普遍存在靈敏度較低和誤報率偏高等問題，提供一種基于視頻圖像智能分析的油井入侵檢測方法。本發明的另一目的是提供一種能夠實現上述方法的基于視頻圖像智能分析的油井入侵檢測裝置。根據本發明的第一方面，基于視頻智能分析的油井入侵檢測方法包括以下步驟A)利用高斯混合模型對油井的視頻圖像背景進行建模，獲得用于運動檢測的背景模型；B)通過將采集的油井視頻圖像與所述背景模型進行匹配處理，得到與背景模型匹配的油井背景圖像，以及與背景模型不匹配的屬于運動物體的前景圖像；C)通過對前景圖像進行連通區域標記處理、目標識別處理和視頻圖像團塊動態分析處理，從所述前景圖像中獲得入侵目標。其中步驟A)包括實時檢測油井視頻圖像中每個圖像點的亮度值；接著利用所述亮度值形成多個用來描述每個圖像點亮度分布的高斯模型，以作為多個用于運動檢測的圖像點背景模型。其中步驟B)包括將油井視頻圖像的每個圖像點的亮度值逐一與所述多個圖像點背景模型之每個分別進行匹配處理，并將不匹配的圖像點作為前景圖像點，從而得到由多個前景圖像點構成的前景圖像。其中所述步驟C)的連通區域標記處理步驟包括采用跑長碼方式對前景檢測結果進行圖像連通區域標記，獲得圖像中多個連通區域；對連通區域的面積、寬度、高度、高寬比、占空比、輪廓復雜度、灰度均值和方差的各要素進行統計，以得到各要素統計特征。其中采用以下步驟實現基于跑長碼的圖像連通區域標記對二值圖像進行掃描，產生圖像中所有目標段的跑長碼初始標記，形成標記鄰接表；對鄰接表進行分析產生映射表，并根據映射表內容修正所述跑長碼初始標記。其中步驟C)的目標識別處理步驟包括通過對多個連通區域的各要素統計特征進行分析處理得到去除干擾的M個候選目標區域，其中當所述連通區域的各要素統計特征大于其下限值和小于其上限值時，確定該連通區域為候選目標區域；當所述連通區域的各要素統計特征不大于其下限值和小于其上限值時，把該連通區域作為干擾予以刪除，由此得到M個去除干擾的候選目標區域，其中M為正整數。其中步驟C)的視頻圖像團塊動態分析處理步驟包括對所述M個候選區域進行相關處理獲得圖像團塊及其的動態特性；去除動態特性的活躍度小于預定值的圖像團塊以及把動態特性的活躍度大于預定值的圖像團塊作為目標區域或入侵目標。其中對所述M個候選區域進行相關處理獲得圖像團塊及其動態特性的步驟包括首先采用循環隊列保存前N幀視頻圖像序列中的連通區域信息，其中N是正整數；接著以當前幀圖像中的M個候選區域為基準分別與循環隊列中保存的前N幀視頻圖像序列中的連通區域信息進行高階相關處理，獲得K個視頻圖像團塊以及它們的時間持續性、最大運動距離、最小運動距離、靜止(微動)持續幀數等動態特性，其中M和K均為正整數。其中所述步驟C)還包括采用區域輪廓特征匹配法對所述入侵目標進行PTZ跟蹤，將較遠距離的入侵目標拉近，獲得入侵目標的高分辨率清晰視頻圖像。其中所述區域輪廓特征匹配法包括步驟用經由連通區域標記處理的當前幀的M個候選目標區域的輪廓與作為入侵目標的待匹配區域輪廓進行比較，以得到所述當前幀的M個候選目標區域輪廓相對于待匹配區域輪廓的多個不匹配程度；將對應于不匹配程度最小的候選目標區域選作最佳匹配區域，以作為PTZ跟蹤結果。根據本發明第二方面，基于視頻智能分析的油井入侵檢測裝置包括背景建模單元，用于利用高斯混合模型對油井的視頻圖像背景進行建模，獲得用于運動檢測的背景模型；運動檢測模塊，用于通過將采集的油井視頻圖像與所述背景模型進行匹配處理，得到與背景模型匹配的油井背景圖像，以及與背景模型不匹配的屬于運動物體的前景圖像；入侵目標獲取單元，用于通過對前景圖像進行連通區域標記處理、目標識別處理和視頻圖像團塊動態分析處理，從所述前景圖像中獲得入侵目標。其中所述入侵目標獲取單元包括圖像連通區域標記模塊，用于采用跑長碼方式對前景檢測結果進行圖像連通區域標記，以獲得圖像中多個連通區域，并對連通區域的面積、寬度、高度、高寬比、占空比、輪廓復雜度、灰度均值和方差的各要素進行統計，得到各要素統計特征；目標識別模塊，用于對所述多個連通區域的各要素統計特征進行比較，將各要素統計特征大于其下限值和小于其上限值的連通區域識別為候選目標區域；視頻團塊動態分析模塊，用于對所述候選目標區域進行相關處理獲得圖像團塊及其的動態特性，并根據所述動態特性確定目標區域或入侵目標。其中所述入侵目標獲取單元還包括入侵目標PTZ跟蹤模塊，用于用于把此后經由連通區域標記處理得到的多個候選目標區域輪廓與作為入侵目標的待匹配區域輪廓進行比較，將不匹配程度最小的候選目標區域作為PTZ跟蹤結果。本發明通過對前景圖像目標識別處理和視頻圖像團塊動態分析處理，從而解決了油井監控環境中機器運動、機器陰影、光線變化等因素造成的干擾和誤報問題。圖1是本發明的本發明的基于視頻智能分析的油井入侵檢測裝置的原理圖；圖2是圖1中入侵目標獲取單元的結構圖；圖3顯示了一個典型的油井視頻監控場景；圖4顯示了采用視頻圖像背景建模與運動檢測模塊對圖3的油井視頻監控場景進行處理獲得的運動檢測結果；圖5顯示了采用圖像目標識別模塊對圖4中的運動檢測結果進行處理獲得的干擾去除后的結果；圖6顯示了采用視頻圖像團塊動態分析模塊對圖像目標識別模塊輸出的候選目標結果進行處理獲得的真實入侵目標；圖7顯示了采用上述幾個模塊對圖3所示的油井視頻監控場景進行入侵檢測的結果；圖8顯示了采用入侵目標PTZ跟蹤模塊對圖7中的入侵目標進行拉近后獲得的入侵目標高分辨率清晰視頻圖像；具體實施例方式圖1顯示了本發明的基于視頻智能分析的油井入侵檢測裝置，包括背景建模單元，用于利用高斯混合模型對油井的視頻圖像背景進行建模，獲得用于運動檢測的背景模型；運動檢測模塊，用于通過將采集的油井視頻圖像與背景模型進行匹配處理，得到與背景模型匹配的油井背景圖像，以及與背景模型不匹配的屬于運動物體的前景圖像；入侵目標獲取單元，用于通過對前景圖像進行連通區域標記處理、目標識別處理和視頻圖像團塊動態分析處理，從所述前景圖像中獲得入侵目標。圖2顯示了圖1中的入侵目標獲取單元的結構，包括圖像連通區域標記模塊，用于采用跑長碼方式對前景檢測結果進行圖像連通區域標記，以獲得圖像中多個連通區域，并對連通區域的面積、寬度、高度、高寬比、占空比、輪廓復雜度、灰度均值和方差的各要素進行統計，得到各要素統計特征；目標識別模塊，用于對所述多個連通區域的各要素統計特征進行比較，將各要素統計特征大于其下限值和小于其上限值的連通區域識別為候選目標區域；視頻團塊動態分析模塊，用于對所述候選目標區域進行相關處理獲得圖像團塊及其的動態特性，并根據所述動態特性確定目標區域，從而獲得真正的入侵目標。為了對入侵目標進行跟蹤，入侵目標獲取單元還包括入侵目標PTZ跟蹤模塊，用于把此后經由連通區域標記處理得到的多個候選目標區域輪廓與作為入侵目標的待匹配區域輪廓進行比較，將不匹配程度最小的候選目標區域作為PTZ跟蹤結果。本發明的基于視頻智能分析的油井入侵檢測方法包括以下步驟根據本發明的第一方面，基于視頻智能分析的油井入侵檢測方法包括以下步驟A)利用高斯混合模型對油井的視頻圖像背景進行建模，獲得用于運動檢測的背景模型；B)通過將采集的油井視頻圖像與所述背景模型進行匹配處理，得到與背景模型匹配的油井背景圖像，以及與背景模型不匹配的屬于運動物體的前景圖像；C)通過對前景圖像進行連通區域標記處理、目標識別處理和視頻圖像團塊動態分析處理，從所述前景圖像中獲得入侵目標。其中步驟A)包括實時檢測油井視頻圖像中每個圖像點的亮度值；接著利用所述亮度值形成多個用來描述每個圖像點亮度分布的高斯模型，以作為多個用于運動檢測的圖像點背景模型。其中步驟B)包括將油井視頻圖像的每個圖像點的亮度值逐一與所述多個圖像點背景模型之每個分別進行匹配處理，并將不匹配的圖像點作為前景圖像點，從而得到由多個前景圖像點構成的前景圖像。其中所述步驟C)的連通區域標記處理步驟包括采用跑長碼方式對前景檢測結果進行圖像連通區域標記，獲得圖像中多個連通區域；對連通區域的面積、寬度、高度、高寬比、占空比、輪廓復雜度、灰度均值和方差的各要素進行統計，以得到各要素統計特征。其中采用以下步驟實現基于跑長碼的圖像連通區域標記對二值圖像進行掃描，產生圖像中所有目標段的跑長碼初始標記，形成標記鄰接表；對鄰接表進行分析產生映射表，并根據映射表內容修正所述跑長碼初始標記。其中步驟C)的目標識別處理步驟包括通過對多個連通區域的各要素統計特征進行分析處理得到去除干擾的M個候選目標區域，其中當所述連通區域的各要素統計特征大于其下限值和小于其上限值時，確定該連通區域為候選目標區域；當所述連通區域的各要素統計特征不大于其下限值和小于其上限值時，把該連通區域作為干擾予以刪除，由此得到M個去除干擾的候選目標區域，其中M為正整數。其中步驟C)的視頻圖像團塊動態分析處理步驟包括對所述M個候選區域進行相關處理獲得圖像團塊及其的動態特性；去除動態特性的活躍度小于預定值的圖像團塊以及把動態特性的活躍度大于預定值的圖像團塊作為目標區域或入侵目標。其中對所述M個候選區域進行相關處理獲得圖像團塊及其動態特性的步驟包括首先采用循環隊列保存前N幀視頻圖像序列中的連通區域信息，其中N是正整數；接著以當前幀圖像中的M個候選區域為基準分別與循環隊列中保存的前N幀視頻圖像序列中的連通區域信息進行高階相關處理，獲得K個視頻圖像團塊以及它們的時間持續性、最大運動距離、最小運動距離、靜止(微動)持續幀數等動態特性，其中M和K均為正整數。其中所述步驟C)還包括采用區域輪廓特征匹配法對所述入侵目標進行PTZ跟蹤，將較遠距離的入侵目標拉近，獲得入侵目標的高分辨率清晰視頻圖像。其中所述區域輪廓特征匹配法包括步驟用經由連通區域標記處理的當前幀的M個候選目標區域的輪廓與作為入侵目標的待匹配區域輪廓進行比較，以得到所述當前幀的M個候選目標區域輪廓相對于待匹配區域輪廓的多個不匹配程度；將對應于不匹配程度最小的候選目標區域選作最佳匹配區域，以作為PTZ跟蹤結果。下面結合附圖對本發明進行詳細說明(1)視頻圖像背景建模與運動檢測處理本發明的背景建模單元采用高斯混合模型對視頻圖像背景進行建模，并根據初步的前景檢測結果進行智能更新，然后采用運動檢測單元后續視頻圖像進行前景檢測，實現對視頻圖像中運動物體的高效檢測。具體實現過程如下針對圖像的YUV顏色空間中的亮度值Y分量進行檢測，對每個像素采用多個高斯模型的混合表示。設用來描述背景圖像中每個像素的亮度分布的高斯成份共有K個，分別標記為nk(Y，i!k，Ek，n)，k=1，2，，K;n=1，2，，N(1)式中n為像素序號；N表示圖像像素總數。圖像中每個像素的K個高斯分布互相獨立，且具有不同的權值和優先級，各個高斯分布模型按優先級從高到低的次序排列，具有適當的背景像素模型權值和閾值。在檢測前景點時，按照優先級次序將當前像素的亮度值Y與該像素所處位置的各個高斯分布背景像素模型逐一匹配，若匹配，則判定該點為背景景點，否則為前景點；若該像素所處位置的某個高斯分布模型與該像素的亮度值Y匹配，則對該高斯分布模型的權值和高斯參數按設定的更新率進行更新，具體方式如下wt=Wh*a+3(2)ut=ut—^a+(l-a)*Y(3)Et=Eh*a+(l-a)*(Y_iih)2(4)其中wt_i、utl和Etl分別為更新前的高斯分布模型的權值、均值和方差；wt、Ut和Et分別為更新后的高斯分布模型的權值、均值和方差；a為設置的更新率，有0<a<1；^為基準權值，且0<3<1。若該像素所處位置的某個高斯分布模型與該像素的亮度值Y不匹配，則只對權值更新如下wt=wt_i*a(5)上式相當于降低了該高斯分布背景模型的權值。(2)圖像連通區域處理圖像連通區域標記模塊采用跑長碼對視頻圖像運動前景的檢測結果進行圖像連通區域標記，獲得圖像連通區域。基于跑長碼的圖像連通區域標記算法分為兩個相對獨立的步驟，第一步對二值圖像進行掃描，產生圖像中所有目標段的跑長碼及初始標記，并得到標記鄰接表；第二步對鄰接表進行分析產生映射表，并根據映射表內容修正第一步得到的跑長碼標記。具體實現過程如下第一步，產生跑長碼表和鄰接表，具體實現步驟如下a.若在第i行中發現一段值為1的連續象素段，則轉下一步檢查與上一行目標段的鄰接情況，否則掃描下一行，直到整個圖像掃描完畢為止；b.若上一行沒有目標段與該段重疊，則將一個新標記賦予該段，并將該標記記入鄰接表同一列的上下兩行，轉a步；c.若上一行有一個目標段與該段重疊，則將上一行目標段的標記賦予該段，轉a止少；d.若上一行有兩個以上目標段與該段重疊，則將上一行第一段的標記賦予該段，并將該標記與上行所以其它重疊段的標記逐個配對，分別記入鄰接表同一列的上下兩行，轉a步。<table>tableseeoriginaldocumentpage9</column></row><table>鄰接表上述步驟a-d是該標記算法對圖像進行的唯一一次掃描，產生跑長碼表和鄰接表的過程也是簡單明了的。上面分別給出了一個二值圖例(其中二值圖例中的0表示背景區域，1表示目標區域)和經過上述幾個步驟后產生的跑長碼表和鄰接表(其中鄰接表第1，2,4列是步驟b分別掃描1，2，6行時產生的，第3列是步驟d掃描第3行時產生的)。例如，當在某一行中發現一段目標時，則檢查上一行的所有目標段。若上一行沒有目標與該段重疊，說明發現了一個新的目標段(如上面二值圖例中的第1行第1段、第2行第2段和第6行第1段)，所以將一個新標記賦予該目標段；若上一行有一個目標段與該段重疊(如二值圖例中的第2行第1段)，則只需將上一行目標段的標記賦予該目標段；若上一行有兩個以上目標段與該段重疊時(如二值圖例中的第3行第1段)，除了必須將上一行重疊的第一段的標記賦予該目標段外，還需要將上一行其它重疊目標段的標記鄰接情況記入鄰接表，表示它們為等價標記，屬于同一個目標。具體實現過程如下根據步驟a掃描二值圖的第1行，則得到第1行的初始跑長碼為(2，4，1)，其中第1個值2表示第1行目標段的起始位置(第2列)，第2個值4表示該目標段的結束位置，第3個值表示該目標段的標記(即表示該目標段為二值圖中的第1個目標段)，因為該目標段處于二值圖的第1行(前面不存在目標段)，所以根據步驟b，這里將該目標段的標記值1記鄰接表的第1列的上下兩行；然后掃描二值圖第2行，先獲得第2行的第1個目標段的跑長碼為(2，3，1)，這里值2和值3也是分別表示該目標段的起始和結束位置，因為該行為二值圖的第2行，則需要檢查該目標段與上一行(第1行)中各個目標段的鄰接情況，從二值圖可以看到，該目標段與第1行的目標段(2，4，1)鄰接，所以根據步驟c這里將目標段(2，4，1)的標記值1賦予該目標段；再接著掃描第2行，獲得該行第2個目標段的跑長碼為(6，7，2)，從二值圖可以看到該目標段沒有與上一行的任何目標段鄰接，所以根據步驟b，給該目標段賦予一個新的標記值2，并將標記記入鄰接表的第2列的上下行；接下來，掃描第3行，獲得一個目標段的起始和結束位置為2和7，并且該目標段與上一行(第2行)的第1個目標段(2，3，1)和第2個目標段(6，7，2)都鄰接，所以根據步驟d，給該目標段賦予上一行第1個鄰接目標段的標記值1，所以得到該目標段的跑長碼為(2，7，1)，然后將該目標段的標記值1與第2個鄰接目標段(6，7，2)的標記值2配對成(1，2)記入鄰接表的第3列(表示標記為1和2的目標段鄰接)；二值圖的第4行掃描后獲得兩個目標段(2，3，1)和(6，7，1)，該行的兩個目標段都是只與第3行的目標段(2，7，1)鄰接，所以根據第c步直接將目標段(2，7，1)的標記值1賦給這兩個目標段；第5行全0，說明不存在目標段；第6行掃描發現一個目標段，它的起始和結束位置分別為4和6，而且該目標段的前一行(第5行)不存在目標段，則根據步驟b，給該目標段賦予一個新的標記值3，從而得到該目標段的跑長碼為(4，6，3)，并將該標記值記入鄰接表的第4列的上下行；最后掃描第7行，發現一個目標段，起始和結束位置分別為4和5，并且該目標段只與上一行的目標段(4,6,3)鄰接，所以直接將目標段(4，6，3)的標記值3賦予給該目標段，得到該目標段的跑長碼為(4，5，3)，結束掃描。該算法第一步中產生的鄰接表記錄著哪些標記為等價標記(屬于同一目標)。接下來的第二步就是通過分析鄰接表，對標記進行分類，并將分類結果記入映射表，最終得到的映射表長度就等于標記數(目標數)。映射表給出了一個標記最終應映射成哪個標記，因此根據映射表就可以將第一步產生的初始跑長碼表進行修改，得到各個目標段的最終標記，從而完成目標標記過程，具體步驟如下所述。第二步，產生映射表并修正標記，具體實現步驟如下a.令目標數ObjNum=0；b.按順序在鄰接表第一行中尋找一個非零的值(該列上下兩行一定相同)，找到則說明發現了一個新的目標，需要轉c步檢查該目標的所有等價標記，否則結束；c.發現新目標，0bjNum+=1，將找到的標記壓入堆棧，并將鄰接表中該標記所在的那一列清零；d).若堆棧空，則轉b步尋找下一個目標；否則將棧頂的值送至當前標記變量CurLab,并令映射表的第CurLab項map(CurLab)=ObjNum；e).按順序掃描鄰接表，若在某列的上下兩行中有一個標記等于當前標記變量的值CurLab，則將該列另一行的標記壓入堆棧，并將該列清零，掃描完畢后轉d步；例如，對第一步獲得的鄰接表實例，令ObjNum=0，然后在鄰接表中找到第1列的為非0(上下兩行的值都為1)，根據步驟c，0bjNum+=1，這時ObjNum的值變為1，接著將鄰接表第1列的標記值壓入堆棧，并將該列的值清零，執行步驟d，將堆棧頂部的值(這時為1)送至當前標記變量CurLab，即CurLab=1，根據map(CurLab)=ObjNum，則映射表的第1項的值為map(l)=1，得到映射表的第1個值為1(此時的鄰接表如下面鄰接表1所10示)；然后根據步驟e，按順序掃描鄰接表，發現鄰接表的第3列的上面一行的值等于當前標記變量CurLab(值為1)，所以將該列的下面一行的標記值2壓入堆棧，并將該列清零，由于只有該列的標記值等于CurLab所以轉至d步，發現堆棧非空，所以將堆棧中的標記值2送值當前標記變量CurLab，CurLab=2，并根據規則map(CurLab)=ObjNum,獲得映射表的第2項的值為1，即map(2)=1(此時的鄰接表如下面鄰接表2所示)；接著再執行步驟e，發現鄰接表的第2列的上下兩行的值都等于當前標記變量CurLab(值為2)，則將該列的標記值2壓入堆棧，并將該列清零，轉至d步(此時鄰接表如下面鄰接表3所示)；根據步驟d，此時堆棧非空，則將堆棧的值彈出送至變量CurLab，并令map(CurLab)=ObjNum,即map⑵=1(此時映射表的第2項并不改變)；接下來，順序執行步驟e，在鄰接表中并沒有發現等于CurLab的標記值，則轉至d步，發現堆棧為空，轉至步驟b尋找下一個目標；執行b步，發現鄰接表的第4列非零，根據步驟c，令0bjNum+=1，此時ObjNum=2，將該列的標記值壓入堆棧，并將該列清零(此時鄰接表為全零)，順序執行步驟d，發現堆棧非空，則將堆棧值送至變量CurLab,即CurLab=3，然后令map(CurLab)=ObjNum,即map(3)=2，獲得映射表的第3項的值為2，完成鄰接表的掃描(此時鄰接表變成全零，根據步驟b結束鄰接表掃描)，從而獲得最終的映射表。<table>tableseeoriginaldocumentpage11</column></row><table>在得到映射表后，只要按順序掃描每一個目標段，然后根據映射表map將原標記Lab修正為Lab=map(Lab)，即可完成目標的最終標記。例如，對于初始跑長碼表的第1行的目標段(2，4，1)，它的標記值為1，則根據映射表獲得該目標段修正后的標記值Lab=map(Lab)，即最終標記為映射表的第1項map(1)，標記值為1；然后修改第2行的兩個目標段的標記值，對于目標段(2，3，1)，它的最終標記值為!11即(1)，值為1，而對于初始跑長碼表第2行的第2個目標段(6，7，2)，它的初始標記為2，則根據映射表它修正后的標記值應該為map(2)，即映射表的第2項的值，為1，因此將該目標段的標記修改為1；再例如，對于初始跑長碼表中的第6行的目標段(4，6，3)和第7行的目標段(4，5，2)，它們的初始標記為3，根據映射表，將這兩個目標段的標記值修正為map(3)，即2；其它目標段的標記修正后如下面修正后的跑長碼表所示。<table>tableseeoriginaldocumentpage12</column></row><table>修正后的跑長碼表上面分別給出了根據第一步獲得的鄰接表產生的映射表和根據映射表修正后的跑長碼表。從修正后的跑長碼表，可以看出，每一個目標段的標記都是正確的，而且標記號是從1開始按順序連續往上加的，并保證了標記數等于真正的目標數。(3)圖像目標識別處理圖像目標識別模塊根據圖像連通區域標記模塊獲得的各個運動區域的統計特征建立規則對它們進行初步判斷，去除大部分非目標干擾(如機器的運動部分、運動的機器陰影等)，具體實現過程如下首先獲得運動區域的各種統計特征，包括長度、寬度、面積、長寬比、象素數、占空比、灰度均值和方差等(此處運動區域的各種統計特征(如圖像長度、灰度均值、方差等)的相關定義與普通圖像處理算法相同，故不在贅述)。其中運動區域的長度W和寬度H分別定義為區域外接矩形的長度和寬度；面積S=WXH；長寬比Rl=ff/Η；象素數設為N，則占空比R2=N/S;區域的灰度均值M和方差V分別定義為區域內全部目標象素的灰度均值和方差。然后根據目標的各種特征量進行統計，獲得圖像目標識別的規則，S卩如果I<W<ffH,Hl<H<Hh,Sl<S<SH,RIl<R1<RIh,R2l<R2<R2H,Ml<M<Mh,Vl<V<Vh則該區域被判斷為多個候選目標區域，否則作為非目標干擾予以去除，這樣就可以得到去除干擾的M個連通區域(簡稱M個候選目標區域)。其中ffL,Wh,Hl,Hh,Sl,Sh,RIl,RIh,R2l,R2H，Ml,Mh,Vl,Vh分別為目標區域樣本集各種特征量的統計范圍上下限。(4)視頻圖像團塊動態特性分析模塊該模塊通過對多幀視頻圖像中的去除干擾的連通區域進行相關處理，獲得圖像團塊的動態特性。具體實現過程如下首先采用循環隊列保存前N幀視頻圖像序列中的連通區域信息(包括區域的大小、中心位置、形狀等)；然后以當前幀圖像中去除干擾的M個連通區域為基準與循環隊列中保存的前N幀區域信息進行相關處理，也就是將當前幀的M個連通區域與前N幀獲得的區域信息通過高階相關處理，即可獲得這N+1幀中具有關聯性的K個目標區域或入侵目標，即視頻圖像團塊(blob)，然后通過對它們的動態特性(例如時間持續性、最大運動距離、最小運動距離、靜止(微動)持續幀數)進行分析得到入侵目標，即把動態特征的活躍(變化)度大于預定值的圖像團塊確定為入侵目標，例如把時間持續性、最大運動距離、最小運動距離、靜止(微動)持續幀數超出預定值的圖像團塊確定為目標區域或入侵目標。(5)入侵目標PTZ跟蹤處理入侵目標PTZ跟蹤模塊采用區域輪廓特征匹配方法對圖像目標識別模塊和視頻圖像團塊動態分析模塊輸出的目標區域進行PTZ跟蹤。具體實現過程如下首先采用圖像處理技術中的輪廓提取算法對待匹配(跟蹤)區域進行處理，獲得區域的輪廓為Contour。={(xn,yn)，η=1，2，...，N}，其中χη和yn分別為待匹配區域的第η個輪廓點的水平坐標和垂直坐標，N為輪廓點數目；當前幀視頻圖像經過視頻圖像背景建模與運動檢測模塊和圖像連通圖像標記模塊處理后得到M個候選目標區域，其輪廓為Contourm={(xm,n，ym,n)，η=1,2,...,Nmm=1,2,...,Μ，其中xm,n和ym,n分別為第M個候選目標區域的第η個輪廓點的水平坐標和垂直坐標；則待匹配輪廓Contour與當前幀M個候選區域輪廓Contourm,m=1，2，...，M之間的Hausdorff距離可表示為H(Contour0,Contourm)=max(h(Contour0,Contourm),h(Contourm,Contour0))(6)h{Contour0,Contourm)=max(min(J(x~xm+(yn~ym))()(χ,y)eContour(xm,ym)eContourm‘h(Contourm,Contour0)=max(min(y/(x~xmJ2+(y-ym,n)2))(8)JeContowrm(x0,y0)eContour0"其中h(A，B)稱為點集A到點集B的有向Hausdorff距離；H(A,B)反映了點集A和點集B之間的不匹配程度，也就是說HausdorfT距離越大，兩個點集(輪廓)相差越遠。因此，可在當前幀M個候選區域中選擇輪廓點集與待匹配區域的輪廓的Hausdorff距離最小的區域為最佳匹配區域作為PTZ跟蹤結果。下面針對一個具體實施例，對本發明的基于視頻圖像智能分析的油井入侵檢測技術進行詳細說明。例1，首先利用視頻圖像背景建模單元和運動檢測單元對圖3所示的油井視頻監控圖像進行處理，獲得運動物體檢測結果如圖4所示；接著利用圖像識別模塊對圖4中檢測到的各個運動圖像區域進行干擾去除，獲得的識別結果如圖5所示；然后利用視頻圖像團塊動態特性分析模塊對圖5中保留的各個圖像團塊的動態特性進行分析，獲得真正的入侵目標(人體)，結果如圖6所示和圖7所示；最后利用入侵目標PTZ跟蹤模塊對圖7中獲得的入侵目標圖像區域進行PTZ跟蹤，將較遠距離的目標拉近，獲得入侵目標的高分辨率清晰視頻圖像，結果如圖8所示。從以上油井視頻入侵檢測結果可以看到本發明所開發的基于視頻圖像智能分析的油井視頻入侵檢測技術即從工程上保證了干擾去除的高效性，又在技術上實現了對油井視頻監控條件下入侵目標的高靈敏度檢測與高精確性的識別確認，為油井環境的7X24小時自動監控報警提供了一條先進實用的技術途徑。本發明所開發的基于視頻圖像智能分析的油井入侵檢測技術在采用先進的圖像處理與分析技術的基礎上，充分結合實際工程應用經驗，即考慮了油井入侵檢測報警對靈敏度和準確性的要求，又考慮了油井視頻監控報警系統中的各種干擾因素，比現存的其它系統和相關技術具有更高的智能水平和更強的工程適應性。盡管上文對本發明進行了詳細說明，但是本發明不限于此，本
技術領域：
技術人員可以根據本發明的原理進行各種修改。因此，凡按照本發明原理所作的修改，都應當理解為落入本發明的保護范圍。權利要求一種基于視頻智能分析的油井入侵檢測方法，包括以下步驟A)利用高斯混合模型對油井的視頻圖像背景進行建模，獲得用于運動檢測的背景模型；B)通過將采集的油井視頻圖像與所述背景模型進行匹配處理，得到與背景模型匹配的油井背景圖像，以及與背景模型不匹配的屬于運動物體的前景圖像；C)通過對前景圖像進行連通區域標記處理、目標識別處理和視頻圖像團塊動態分析處理，從所述前景圖像中獲得入侵目標。2.根據權利要求1所述的方法，其中步驟A)包括實時檢測油井視頻圖像中每個圖像點的亮度值；接著利用所述亮度值形成多個用來描述每個圖像點亮度分布的高斯模型，以作為多個用于運動檢測的圖像點背景模型。3.根據權利要求2所述的方法，其中步驟B)包括將油井視頻圖像的每個圖像點的亮度值逐一與所述多個圖像點背景模型之每個分別進行匹配處理，并將不匹配的圖像點作為前景圖像點，從而得到由多個前景圖像點構成的前景圖像。4.根據權利要求2或3所述的方法，其中所述步驟C)的連通區域標記處理步驟包括采用跑長碼方式對前景檢測結果進行圖像連通區域標記，獲得圖像中多個連通區域；對連通區域的面積、寬度、高度、高寬比、占空比、輪廓復雜度、灰度均值和方差的各要素進行統計，以得到各要素統計特征。5.根據權利要求4所述的方法，其中所述步驟C)的目標識別處理步驟包括通過對多個連通區域的各要素統計特征進行分析處理得到去除干擾的M個候選目標區域，其中當所述連通區域的各要素統計特征大于其下限值和小于其上限值時，確定該連通區域為候選目標區域當所述連通區域的各要素統計特征不大于其下限值和小于其上限值時，把該連通區域作為干擾予以刪除，由此得到M個去除干擾的候選目標區域，其中M為正整數。6.根據權利要求5所述的方法，其中所述步驟C)的視頻圖像團塊動態分析處理步驟包括對所述M個候選區域進行相關處理獲得圖像團塊及其的動態特性；去除動態特性的活躍度小于預定值的圖像團塊以及把動態特性的活躍度大于預定值的圖像團塊作為目標區域或入侵目標。7.根據權利要求6所述的方法，其中所述步驟C)還包括采用區域輪廓特征匹配法對所述入侵目標進行PTZ跟蹤，將較遠距離的入侵目標拉近，獲得入侵目標的高分辨率清晰視頻圖像。8.一種基于視頻智能分析的油井入侵檢測裝置，包括背景建模單元，用于利用高斯混合模型對油井的視頻圖像背景進行建模，獲得用于運動檢測的背景模型；運動檢測模塊，用于通過將采集的油井視頻圖像與所述背景模型進行匹配處理，得到與背景模型匹配的油井背景圖像，以及與背景模型不匹配的屬于運動物體的前景圖像；入侵目標獲取單元，用于通過對前景圖像進行連通區域處理、目標識別處理和視頻圖像團塊動態分析處理，從所述前景圖像中獲得入侵目標。9.根據權利要求8所述的基于視頻智能分析的油井入侵檢測裝置，其中所述入侵目標獲取單元包括圖像連通區域標記模塊，用于采用跑長碼方式對前景檢測結果進行圖像連通區域標記，以獲得圖像中多個連通區域，并對連通區域的面積、寬度、高度、高寬比、占空比、輪廓復雜度、灰度均值和方差的各要素進行統計，得到各要素統計特征；目標識別模塊，用于對所述多個連通區域的各要素統計特征進行比較，將各要素統計特征大于其下限值和小于其上限值的連通區域識別為候選目標區域；視頻團塊動態分析模塊，用于對所述候選目標區域進行相關處理獲得圖像團塊及其的動態特性，并根據所述動態特性確定目標區域或入侵目標。10.根據權利要求9所述的基于視頻智能分析的油井入侵檢測裝置，其中所述入侵目標獲取單元還包括入侵目標PTZ跟蹤模塊，用于把所述候選目標區域輪廓與待匹配區域輪廓進行比較，將不匹配程度最小的候選目標區域作為PTZ跟蹤結果。全文摘要本發明公開了一種基于視頻圖像智能分析的油井入侵檢測方法及裝置。本發明的方法包括利用高斯混合模型對油井的視頻圖像背景進行建模，獲得用于運動檢測的背景模型；通過將采集的油井視頻圖像與所述背景模型進行匹配處理，得到與背景模型匹配的油井背景圖像，以及與背景模型不匹配的屬于運動物體的前景圖像；通過對前景圖像進行連通區域處理、目標識別處理和視頻圖像團塊動態分析處理，從所述前景圖像中獲得入侵目標。本發明既考慮了油井視頻入侵檢測報警系統對靈敏度和準確性的要求，又考慮了油井監控場景中機器運動、機器陰影、光線變化等各種干擾因素的影響，以滿足油井視頻監控報警系統7×24小時全天候運行的實際要求。文檔編號G08B13/196GK101799968SQ20101000063公開日2010年8月11日申請日期2010年1月13日優先權日2010年1月13日發明者任芳,李秋華,杜鹢申請人:任芳;李秋華;杜鹢