基于紅外成像的乙烯氣體泄漏檢測

王建平，李俊山，楊亞威，孫勝永，王 蕊

(1.第二炮兵工程大學(xué) 信息工程系，陜西 西安 710025;2. 第二炮兵工程大學(xué) 一系，陜西 西安 710025)

1 引 言

乙烯工業(yè)是石油化工產(chǎn)業(yè)的核心，其產(chǎn)品占石化產(chǎn)品的70%以上，在國民經(jīng)濟中占有重要的地位。國際上將乙烯產(chǎn)量作為衡量一個國家石油化工發(fā)展水平的一項重要標(biāo)志。然而，當(dāng)乙烯發(fā)生泄漏時如果不及時處理，將有可能帶來巨大的損失。目前傳統(tǒng)的檢測方法是利用其部分化學(xué)性質(zhì)以接觸式操作來進(jìn)行檢測，該方法檢測范圍較小，必然消耗大量人力物力，難以做到全天候?qū)崟r監(jiān)控。當(dāng)前缺乏一種應(yīng)用范圍廣、檢測能力強、可靠性和實時性高的乙烯泄漏檢測方法。

紅外成像探測技術(shù)以其被動式、抗干擾性強、目標(biāo)識別能力強和全天候工作等特點，已在導(dǎo)彈控制、前視成像、紅外夜視、紅外搜索、紅外跟蹤、海關(guān)緝私、海上救援、森林消防、航空測量、資源勘探、生物醫(yī)學(xué)等領(lǐng)域得到了越來越廣泛和深入的應(yīng)用，并使紅外圖像處理技術(shù)成為21世紀(jì)信息化社會構(gòu)成和國防建設(shè)中的重要的支撐技術(shù)之一，具有十分廣闊的發(fā)展和應(yīng)用前景[1]。氣體紅外成像基本原理是：利用氣體的物理特性，采用不同紅外輻射和目標(biāo)氣體的吸收波段來區(qū)別譜域和空間域的信號，在攝像機取景器或者LCD上實時獲得類似煙霧的泄露氣體圖像，從而實現(xiàn)對可見光下無色的氣體(如烴類，碳?xì)浠衔?的檢測識別。在石油化工領(lǐng)域，由于基于氣體紅外成像的監(jiān)控系統(tǒng)具備高安全性、實時性的優(yōu)點，因此能有效地解決當(dāng)前該領(lǐng)域存在的此類難題。但是，在化工企業(yè)龐雜管道連接處發(fā)生乙烯泄漏時，氣體紅外成像后形成的圖像具有濃度低、飄動方向隨機變化、易受多種輻射源因素干擾的特點，運用傳統(tǒng)的運動目標(biāo)檢測算法只能得到部分離散的羽狀疑似區(qū)域，不能得到一個完整、準(zhǔn)確、能進(jìn)行精確定位的疑似區(qū)域，而監(jiān)控系統(tǒng)的性能直接受到圖像系統(tǒng)處理技術(shù)的限制。本文主要針對這一難點，提出一種幀間差分和背景差分相結(jié)合的累積分析方法，此方法能獲得較完整準(zhǔn)確的疑似區(qū)域，為后續(xù)疑似區(qū)域進(jìn)一步判定識別奠定可靠的基礎(chǔ)。

2 紅外成像氣動的運動目標(biāo)檢測方法分析

運動目標(biāo)檢測是計算機視覺領(lǐng)域中的一個重要研究熱點，在軍事、工業(yè)過程控制、醫(yī)學(xué)研究、交通監(jiān)控、飛機導(dǎo)航等領(lǐng)域有著廣泛的應(yīng)用前景。針對氣體自身的運動特性，比較有效的方法主要有三種檢測算法，即幀間差分法[2]、背景差分法[3]和光流法[4]。

2.1 成像氣體的幀間差分法分析

幀間差分法是通過對視頻序列中相鄰兩幀圖像作差分運算來獲取檢測目標(biāo)輪廓的一種方法。當(dāng)監(jiān)控場景中出現(xiàn)運動目標(biāo)時，幀與幀之間會出現(xiàn)一定的差別，將兩幀相減后再取絕對值，用所得結(jié)果和設(shè)定閾值比較后分析該視頻序列的運動特性，確定圖像是否有運動目標(biāo)。對視頻序列進(jìn)行幀間差分，相當(dāng)于進(jìn)行了高通濾波。本文以Δt表示獲取的間隔幀數(shù)，幀間差分的過程如下：

Dkx，y=Ikx，y-Ik-Δtx，y,

(1)

(2)

其中：Dk是差分運算后得到的圖像，IDk為二值化后的圖像，T為所設(shè)定的閾值。為了減少噪聲的干擾以及去除一些小面積的區(qū)域，需要對IDk進(jìn)行形態(tài)學(xué)處理，所得輪廓才屬于感興趣的運動區(qū)域。該算法對周圍環(huán)境的變化不敏感，適應(yīng)性強；但對于運動性不明顯的物體，提取前景比較困難；對于快速運動的目標(biāo)，差分后的圖像可能會出現(xiàn)重影的情況。

由于泄漏氣體具有濃度、飄動方向隨機變化性，形成的相鄰幾幀圖像的相似區(qū)域?qū)㈦S機變化，其幀間差分后獲得的疑似區(qū)域就會呈現(xiàn)出隨機離散多塊的特點。受多種輻射源因素干擾的特點，氣體紅外成像形成的圖像具有很多噪點，形態(tài)學(xué)的處理能將大部分噪點剔除取得不錯的濾波效果。但此方法最終得到的疑似區(qū)域不能滿足準(zhǔn)確定位的要求。

2.2 成像氣體的背景差分法分析

當(dāng)攝像機固定在某一個位置時，背景差分是運動目標(biāo)檢測一個較為理想的選擇。該方法是一種采用圖像序列中當(dāng)前幀和背景參考模型比較來檢測運功目標(biāo)，其背景的建模方法至關(guān)重要。常見的背景建模方法有均值法、中值法、卡爾曼濾波器、單高斯分布模型、多高斯分布模型等[5]。其背景差分過程如下：

Dkx，y=Ikx，y-Bkx，y,

(3)

(4)

其中：Dk是差分運算后得到的圖像，Bk為實時更新的背景圖像，DBk為二值化后的圖像，T為所設(shè)定的閾值。同樣的，也應(yīng)當(dāng)對DBk進(jìn)行形態(tài)學(xué)去噪處理。

采用合理的背景模型能夠提高對周圍環(huán)境的適應(yīng)性，使其背景差分的效果相對較好。然而由紅外相機獲得的視頻圖像，背景和前景有較多相似性，泄漏氣體所形成的圖像和背景灰度值比較接近時，較難提實現(xiàn)前景獲取。在進(jìn)行背景建模時，無論我們使用何種方法，都會將前景的信息分量更新到背景中，因此得到的也不能是完全真實的背景。氣體圖像具有濃度的非均勻性，與背景模型進(jìn)行差分后雖能獲得較為整體的疑似區(qū)域信息，但仍然存在隨機離散多塊的特點。

3 聯(lián)合背景差分與幀間差分的疑似區(qū)域檢測方法

由紅外攝像機拍攝得到的乙烯氣體泄漏紅外視頻圖像與可見光圖像相比，紅外成像在像元分辨率、圖像清晰度等方面有一定差距[6]，因此當(dāng)氣體泄漏達(dá)不到一定程度時，并不能得到較為清晰的氣體擴散圖像。生產(chǎn)車間是一個具有復(fù)雜管道的工作環(huán)境，受到氣流的影響較大時氣體又會朝向不同的方向隨機飄動，以及工人等環(huán)境因素進(jìn)入紅外攝像機的檢測范圍內(nèi)時極易產(chǎn)生干擾，此時只使用幀間差分或背景差分進(jìn)行檢測也不能取得理想效果。兩種方法都只能得到離散的多塊羽狀疑似區(qū)域，不能進(jìn)行后續(xù)的定位處理。光流法具有較強適應(yīng)性強，但該方法計算復(fù)雜度高，耗時較高，難以用于實時檢測。

受文獻(xiàn)[7-11]的啟示，我們提出了一種簡單有效的運動檢測算法，充分利用了幀間差分和背景差分兩種方法的優(yōu)點，將一段時間內(nèi)的視頻圖像信息巧妙累積在一起，得到較為理想的泄漏疑似區(qū)域。其具體流程如圖1所示。

圖1 疑似區(qū)域檢測過程Fig.1 Suspected region detection process

3.1 背景模型的建立

為了保證系統(tǒng)的實時性，應(yīng)該在確保得到較為理想背景模型的前提下，選擇簡單的背景建模方法。在對泄漏氣體檢測的算法中，平均值法是一個較為理想的選擇，其計算簡單、容易實現(xiàn)、效率較高，同時也起到了消除相機抖動和噪聲干擾等作用[12]。本次研究中選擇前N幀圖像進(jìn)行平均得到初始背景圖像B1，如下：

(5)

初始背景得到后，在后續(xù)運算中，必須進(jìn)行實時的背景更新，如果在更新中繼續(xù)采用平均值的思想進(jìn)行，將會使計算變得復(fù)雜。利用滑動平均法就能使計算變得簡單，如下：

Bk+1x，y=αIkx，y+

1-αBkx，y，0<α<1，

(6)

其中：Bk為第k幀時的背景圖像，α為更新參數(shù)。通過改變α的值可以實現(xiàn)對背景圖像更新速率的控制。當(dāng)α較大時，能迅速對背景進(jìn)行更新，當(dāng)α很小時則實現(xiàn)緩慢更新。在實際中α取值較小，具體取值應(yīng)有大量實驗得到。

3.2 幀間差分和背景差分結(jié)合

背景模型得到后，建立一種幀間差分和背景差分相結(jié)合的疑似區(qū)域檢測方法。具體步驟如下：

(1)使用公式(3)和公式(4)進(jìn)行背景差分得到二值圖像，再對此二值圖像進(jìn)行形態(tài)學(xué)濾波處理得到圖像DBk；

(2)取一段時間間隔[k-n，k]，間隔內(nèi)每m幀取一幀圖像，可為Ik-n，Ik-n+m，…，Ik，此處所取的間隔m應(yīng)保證兩幀圖像相異程度相對最高，使用公式(1)和公式(2)對以上圖像進(jìn)行幀間差分以及形態(tài)學(xué)濾波得到二值圖像序列Dk-n+m，Dk-n+2m，…，Dk；再將Dk-n+m，Dk-n+2m，…，Dk這n/m張二值圖像做邏輯或運算得到圖像Ok，其綜合了多幀幀間差分的信息，如下：

Okx，y=

Dk-n+m(x，y)‖Dk-n+2m(x，y)‖Dk(x，y).

(7)

(3)將背景差分所得圖像DBk和多幀幀間差分結(jié)合所得圖像Ok進(jìn)行邏輯與運算得到最終檢測結(jié)果Ak；如下：

Akx，y=DBkx，y&Okx，y.

(8)

(4)設(shè)置最大面積閾值TSmax，若疑似區(qū)域大于該閾值，則認(rèn)為相機工作狀態(tài)不穩(wěn)定(例如云臺轉(zhuǎn)動)，舍棄該次檢測的疑似區(qū)域；設(shè)定最小面積閾值TSmin以排除噪聲的干擾，得到最終的疑似區(qū)域序列。

4 實驗結(jié)果與分析

實驗環(huán)境為PC機(CPU Core E5200，內(nèi)存2G，主頻2.50 GHz，硬盤250G)，開發(fā)工具為VS2010及開源軟件Open CV 2.4.3庫。實驗中所使用的視頻圖像由生產(chǎn)車間的中特定的紅外相機獲得，其分辨率為704×576，幀速率為25幀/s；處理速度能達(dá)到30～35幀/s。

如圖2所示，經(jīng)過100幀的平均后能得到一個與實際近似的背景模型(b)，將(a)與更新后的(b)圖像差分后得到(c)，(c)具有很多噪點，調(diào)用OpenCV庫中的形態(tài)學(xué)濾波函數(shù)進(jìn)行開閉運算后就可以得到(d)，但(d)所得到的是一個離散的不完整羽狀疑似區(qū)域。

如圖3所示，公式(1)中間隔幀數(shù)Δt為3，大量實驗所得此時兩幀圖像的相異程度相對最高，但所獲取的疑似區(qū)域也是離散不完整的。

圖3 幀間差分

如圖4所示，(a)為將101幀之后的10張幀間差分后的二值圖像進(jìn)行邏輯或運算而得到的二值圖像，此圖像綜合了多張幀間差分圖像的信息；(b)為將圖2中(d)與圖4中(a)進(jìn)行邏輯與運算而得到的二值圖像。(c)、(d)為背景更新至161幀和221幀時得到的二值圖像，此時獲取到一個清晰、完整、準(zhǔn)確和能進(jìn)行精確定位的疑似泄漏區(qū)域。

5 結(jié) 論

提出了一種聯(lián)合背景差分與幀間差分的泄露氣體疑似區(qū)域檢測方法，該方法具備運算復(fù)雜度低，計算速度快的優(yōu)點，有效地克服單獨的幀間差分和背景差分在氣體泄露檢測中存在的缺點，對兩種方法多幀圖像的信息進(jìn)行累積，形成了優(yōu)勢互補，克服了氣體不規(guī)律性的飄動以及背景的變化帶來的影響，能排除絕大部分的干擾，得到一個相對較為完整確定的疑似區(qū)域，為疑似區(qū)域的進(jìn)一步精確判定奠定基礎(chǔ)。但該方法不能將大面積類成像氣體干擾因素(如生產(chǎn)車間周期性運動的物體)排除，仍然需要經(jīng)過其他的識別方法對疑似區(qū)域進(jìn)行進(jìn)一步的判定。

下一步工作將利用乙烯氣體泄漏紅外成像的形態(tài)特征、統(tǒng)計特征、頻域特征以及其飄動性對疑似區(qū)域進(jìn)行分析識別，找到泄漏區(qū)域的本征特征，排除干擾，進(jìn)一步提高監(jiān)控系統(tǒng)的準(zhǔn)確性。

[1] 李俊山，楊威，張雄美. 紅外圖像處理、分析與融合[M]. 北京：科學(xué)出版社，2009.

Li J S，Yang W，Zhang X M.InfraredImageProcessing，AnalysisandFusion[M].Beijing：Science Press，2009. (in Chinese)

[2] 吳君欽，劉昊，羅勇. 靜態(tài)背景下的運動目標(biāo)檢測算法[J]. 液晶與顯示，2012，27(5)：682-686.

Wu J Q，Liu H，Luo Y. Algorithm of moving object detection in static background [J].ChineseJournalofLiquidCrystalsandDisplays，2012，27(5)：682-686 . (in Chinese)

[3] Yuan F N. A fast accumulative motion orientation model based on integral image for video smoke detection [J].PatternRecognitionLetters，2008(29)：925-932.

[4] 胡以靜，李政訪，胡躍明. 基于光流的運動分析理論及應(yīng)用[J]. 計算機測量與控制，2007，15(2)：219-221.

Hu Y J，Li Z F，Hu Y M. Theories and applications of motion analysis based on optical flow [J].ComputerMeasurement&Control，2007，15(2)：219-221 . (in Chinese)

[5] 李林，盧煥章，肖山竹，等. 基于分級自適應(yīng)背景差分的運動目標(biāo)檢測[J]. 電視技術(shù)，2013，37(7)：164-166.

Li L，Lu H Z，Xiao S Z，etal. Moving object detection based on differentiated Self-adaptive background difference [J].VideoEngineering，2013，37(7)：164-166 .(in Chinese)

[6] 劉火平，孟維平，宋立維，等. 紅外圖像序列中不均勻背景消除新方法[J]. 液晶與顯示，2012，27(4)：539-544.

Liu H P，Meng W P，Song L W，etal. New method for eliminating non-uniformity background of IR images [J].ChineseJournalofLiquidCrystalsandDisplays，2012，27(4)：539-544 . (in Chinese)

[7] 帥師，周平，汪亞明，等. 基于小波的實時煙霧檢測[J]. 計算機應(yīng)用研究，2007，24(3)：309-311.

Shuai S，Zhou P，Wang Y M，etal. Wavelet based real-time smoke detection [J].ApplicationResearchofComputers，2007，24(3)：309-311 .(in Chinese)

[8] 夏永泉，寧少輝，李衛(wèi)麗. 一種簡單有效的運動目標(biāo)檢測算法[J]. 計算機測量與控制，2011，19(2)：356-358.

Xia Y Q，Ning S H，Li W L. A simple and effective moving objects detection algorithm [J].ComputerMeasurement&Control，2011，19(2)：356-358. (in Chinese)

[9] Ho C C，Chen M C. Nighttime fire smoke detection system based on machine vision[J].InternationalJournalofPrecisionandManufacturing，2012，13(8)：1369-1376.

[10] 靳永亮，王延杰，丁南南，等. 改進(jìn)的紅外弱小目標(biāo)檢測方法[J]. 液晶與顯示，2011，26(4)：555-560.

Jin Y L，Wang Y J，Ding N N，etal. Improved method for small infrared target detection [J].ChineseJournalofLiquidCrystalsandDisplays，2011，26(4)：555-560. (in Chinese)

[11] 邱家濤，李玉山，初秀琴，等. 穩(wěn)定運動物體視頻的特征方法[J]. 光學(xué) 精密工程，2012，20(10)：2300-2307.

Qiu J T，Li Y S，Chu X Q，etal. Feature-based approach for stabilizing videos moving objects [J].Opt.PrecisionEng.，2012，20(10)：2300-2307. (in Chinese)

[12] 穆治亞，魏仲慧，何昕，等. 采用稀疏表示的紅外圖像自適應(yīng)雜波抑制[J]. 光學(xué) 精密工程，2013，21(7)：1850-1857.

Mu Z Y，Wei Z H，He X，etal. Adaptive clutter suppression of infrared images by using sparse representation [J].Opt.PrecisionEng.，2013，21(7)：1850-1857. (in Chinese)