基于數字圖像處理的機房網絡設備安全監控技術研究

摘要：傳統機房設備運維依靠人力，費時耗力，且無法實現全天24小時實時監控。依靠大量傳感設備運行所實現的無人監控系統能夠做到不間斷監控，但建設和維護成本高。基于圖像處理的網絡設備安全監控技術可以有效解決傳統監控系統所帶來的上述問題，通過利用圖像預處理技術、顏色特征提取與識別、字符識別等技術，對設備指示燈狀態、數字信息進行讀取和識別，判斷設備運行情況，從而達到有效監控的目的。

關鍵詞：圖像處理;監控系統;指示燈狀態;顏色識別;數字識別

中圖分類號：TP317.4 文獻標識碼：A 文章編號：1006-8228（2020）08-37-05

0引言

校園中心機房設備運維及安全監控工作日益重要。當前，很多機房依然采取傳統的人工監控方式，費時耗力，且無法滿足全天候監控的要求。另一種無人值守的監控系統[1]依賴于在設備上加裝大量傳感器來實現無人全天候檢測，但其建設和維護成本很高。

本文利用數字圖像處理技術對設備指示燈狀態和數字信息進行識別來判斷設備運行狀態，從而實現24小時不間斷監控效果。

1 系統設計

圖像處理技術是對的圖像中信息進行提取、識別和分析，通過對獲取信息的判斷.采取預設的處理方式來應對。本文監控對象為機房網絡設備，通過對設備的指示燈狀態和數字信息識別來判定設備運行狀態，發送不同的報警信號。系統框架如圖1所示。

2 預處理技術

通過攝像機獲取的圖像會由于拍攝的外部因素（如天氣、遮擋等）干擾，造成圖像效果不佳。因此，對原始圖像進行適當的預處理[2]是十分必要的。

2.1 圖像灰度化

圖像灰度化[3]可以有效降低彩色圖像中干擾因素對后期圖像處理的影響，灰度化處理后的圖像，既保留了原始圖像的清晰度，又排除了變化因素的干擾。灰度圖像灰度級劃分為0至255級，其中每個像素點的R、G、B三個分量值均相等，0代表黑色，255代表白色，0-255代表從黑到白的漸變。常用的算法有：

（1）平均值法將R、G、B三個分量之和的平均值作為各分量的值，即：

（2）最大值法取R、G、B三個分量中的最大值作為各分量的值，即：

（3）加權平均值法為R、G、B三個分量賦予不同的權值，將三個分量加權后的和作為各分量的值，即：

2.2 圖像二值化

為了對圖像中感興趣區域內信息進行提取和識別，需要對灰度化處理后的圖像進一步做二值化處理，二值化[，處理后，圖像只保留0和l兩個灰度級。

在公式（4）中，t為實驗閾值，（i j）代表任意一個像素點，f（ij）代表該像素點的灰度值，當f（ij）

3 顏色特征識別[5]

通過指示燈顏色來判斷設備運行狀態，是最為常用和可靠的一種方式。顏色特征相對于其他視覺特征更直觀，且不受變量因素影響。在提取顏色特征時，通常要用到不同的顏色空間模型，其中常用的是混合顏色空間，如CMY、RGB、XYZ等，RGB顏色模型使用最為廣泛。

3.1 混合型顏色空間

●RGB顏色空間模型[6]

RGB顏色空間模型利用R、G、B三種基色相加混合的原理，通過調整各基色混合比例，產生任意色光F：

F=r[R]+g[G]+b[B]（5）

RGB顏色空間模型可以用一個三維立方體來表示，R、G、B三個分量分別映射到是三個不同坐標軸，如圖3所示。

從RGB顏色空間模型中可以看出，不同比例的R、G、B_基色混合產生不同的色光F。RGB顏色空間雖然應用廣泛，但它并不符合人眼對色彩的感知。因此，本文采用更加符合視覺感知的基于色調胞和度/亮度型顏色空間。

3.2 基于色調，飽和度/亮度型顏色空間

這種顏色空間用色調、飽和度、亮度來做作為其三個分量來表示不同的顏色信息，避免了不同光線強度下對顏色信息識別所帶來的影響，降低了識別難度。

●HSV顏色空間模型

H（Hue）代表色相，S（Saturation）代表飽和度，V（Value）代表明亮程度。通常用一個圓錐空間模型來描述HSV顏色空間[7]，圓錐中軸線表示亮度V，其取值范圍[0，255]，顏色由黑色到白色漸變。H和S兩個變量位于圓形坐標系中，其中H繞縱軸線逆時針旋轉，不同角度值代表不同色相，如0°、120°、240°分別表示紅、綠、藍。s取值為[0.0，1.0]，是圓錐每個橫截面中心點到面上任意像素點的距離。如圖4所示。

3.3 顏色特征提取與識別

使用顏色特征進行指示燈顏色識別時，需要先提取各指示燈的顏色信息。本文采用灰度直方圖方法來提取顏色特征信息。

灰度直方圖用概率密度函數表示，直方圖的累計和用概率分布函數表示。采用概率分布函數如下：其中，m=0，0，2，…，g-1，h[m]表示灰度級為m的像素個數。因為這種灰度直方圖是基于RGB顏色空間模型建立的，該模型下所得直方圖維度高，存儲計算量大，且易產生非線性變化，不利于量化與分類。HSV顏色空間可以很好的解決以上問題，所以，實驗中需要先將RGB顏色空間轉化到HSV顏色空間。

為進一步簡化計算，可以對所得顏色直方圖矢量進行降維操作，由于人眼對色相（H）敏感度高于飽和度（S）和亮度（V），因此，實驗中將H降至16級，S和V降至4級，具體操作如下：

利用量化后的h，s，v三個顏色分量所獲得顏色特征矢量為：

通過公式（17）便可以得到基于HSV顏色空間的顏色直方圖。具體量化處理并不是固定的，應根據實驗條件和要求進行相應的調整。

實驗中，通過對指示燈顏色信息進行識別，獲得當前設備的運行狀態。如圖5所示。

經過對顏色信息的讀取和識別后，獲得一組服務器指示燈的狀態信息，用一個二維數組進行表示為：

4 數字識別

4.1 字符分割

圖像經預處理后，需要先對字符進行分割[8]，再逐一識別。本文采用一種基于圖像投影的分割算法，將字符圖像水平和垂直投影作為分割的依據進行字符分割。

使用基于圖像投影的字符分割算法進行字符分割時，分別引入垂直分割閾值α和水平分割閾值β，用于判定垂直和水平方向的分割是否有效，這避免了一些特殊字符（如“川”、“U”等）對試驗的干擾，提高了分割的準確度。

4.2 光學字符識別（OCR）

在利用分割出的字符與模板圖像進行匹配[9]前，需要對字符大小和線條進行歸一化[10]處理，并提取處理后的字符特征，利用提取特征信息與模板字符特征進行比較，最后利用最小二乘法完成字符識別。

主要提取兩類特征信息。一個是網格特征，將所要識別的字符圖像按4 x4的方式進行16等分，分別統計出每個等分區域中黑色像素點的個數及黑色像素點的總和，獲得一組17維的特征向量。另一個是邊界特征，分別統計8條區域分割線與待識別字符的相交次數，將得到的8組數值與17維網格特征共同組成該字符的25維特征矢量：T=（t1，t2，t3，∧，t25）。最后，通過計算待識別字符特征矢量與模板字符特征矢量

其中，Ai為權重，i為模板字符個數，i=（1，2，3，…，n），j為模板字符特征維數j=（1，2，3，…，25），i，j均為自然數。將值最小的d1所對應的字符作為識別結果。

5 結束語

基于圖像處理技術的機房網絡設備安全監控系統較好的達到了預期的監控效果。實驗中，由于光線等因素不斷變化，所以在圖像處理算法的設計和選擇上很重要，直接影響最終實驗結果。下一步，將繼續優化算法，提高系統的適用性，提升識別的準確率。

參考文獻（References）：

[1]湯軍，劉昕.無人值守機房動環監控系統的建設和運維[J].有線電視技術，2018.345（9）：84-87

[2]張世輝.漢字圖像預處理算法的研究及實現[J].計算機技術與發展，2003.4.

[3]周金和，彭福堂等.一種有選擇的圖像灰度化方法[J].計算機工程，2006.32（20）：198-200

[4]WEI Yuxi， WU Yueqing， TAO Pan. Left ventriclesegmentation in transesophageal echocardiography basedon supervised descent method[J]. Journal of ComputerApplications，2018.

[5]徐春梅，王春耀，劉躍等.基于機器視覺系統的顏色識別[J].機械設計與制造，2011.8：262-263

[6]劉國奇，鄧銘，李晨靜.融合RGB顏色空間的植物圖像分割模型[J].鄭州大學學報（理學版），2019.51（1）：21-26

[7]王紅雨，尹午榮，汪梁等.基于HSV顏色空間的快速邊緣提取算法[J].上海交通大學學報，2019.7：765-772

[8]朱麟.字符分割技術的研究與應用[J].科技展望，2016.26（34）：123

[9] Vincent T， Laganiere R. Matching feature points fortelerobotics[C]//Haptic Virtual Environments and TheirApplications，IEEE Intemational Workshop 2002 HAVE.IEEE.2002.

[10]王景中，胡貝貝.歸一化算法在文字識別系統中的應用研究[J].計算機應用與軟件，2011.28（3）：95-97

★基金項目：安徽省教育廳自然科學基金項目“基于圖像處理的小型機動車輛檢索關鍵技術研究”（KJ2018A0687）;安徽廣播電視大學青年教師科研基金項目“基于數字圖像處理技術的網絡設備運維監控系統研究”（qn15-30）

作者簡介：王正玉（1985-），男，宿州蕭縣人，碩士研究生，工程師，主要研究方向：圖像處理。