基于氣體形狀特征和灰度分布的氣體泄漏檢測算法

潘新雨， 馬 燕

（上海師范大學信息與機電工程學院， 上海 200234）

0 引 言

氣體是工業生產不可或缺的物質，但氣體的生產、存儲、運輸和使用等過程中易發生泄露，而大部分氣體具有無色無味的特點，在發生泄露時不易被察覺，從而引發氣體爆炸、中毒等事故。 因此，如何在第一時間檢測泄漏氣體是眾多企業面臨的難題之一。

近年來，隨著紅外成像技術的快速發展，工作人員可通過紅外監控設備對氣體進行實時監控。 但現有的氣體泄漏檢測方法大多是在無其它干擾的情況下進行分析檢測，當監控范圍內存在外界干擾因素時，則會降低檢測精度。 另外，紅外圖像的目標與背景之間的對比度低，具有信噪比低、邊緣模糊等特點，也增加了檢測難度。 針對上述問題，王建平等［1］融合多幅幀間差分和背景差分后的圖像，利用形態學濾波消除噪聲干擾，最終獲得氣體泄漏疑似區域；劉路民根等［2］提取候選目標區域形狀特征，使用支持向量機（Support Vector Machines， SVM）分類器進行判別；李紅娣等［3］使用圖像熵表征紋理的復雜程度。 本文基于氣體形狀特征和灰度分布特征，排除不符合該特征的區域，從而準確地識別泄漏氣體區域。

1 算法描述

1.1 算法的主要流程

首先，提取紅外視頻，對視頻進行預處理，利用背景減除法排除部分非運動干擾區域，提取疑似氣體泄漏的區域；其次，根據氣體的形狀特征、灰度值變化特征，對疑似氣體泄漏的區域進行分析，最終判斷是否屬于泄露氣體。 算法的流程如圖1 所示。

圖1 算法流程圖Fig. 1 Algorithm flow chart

1.2 預處理

由于電荷耦合器件（Charge Coupled Device，CCD）攝像頭存在內部噪聲，外界也不可避免地存在運動噪聲。為避免噪聲干擾，本文采用高斯濾波對每幀圖像去噪，使圖像變得模糊，避免將噪聲作為泄漏氣體。 高斯濾波器的均值和方差分別取0和0.8。

1.3 提取疑似氣體泄漏區域

目前，常用的運動目標檢測法主要有幀間差分法、背景差分法和光流法［4］。

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輪廓的一種方法。 該方法實時性好，但當運動目標顏色分布均勻時，相鄰幀的差別主要集中在運動方向兩側，而內部有一定缺失，因此該方法不易獲取完整目標。

光流法是對圖像中所有的像素點賦予矢量速度，形成運動場，通過分析像素點的運動特征對圖像進行動態分析。 該方法適用于攝像頭移動的情況，但計算復雜，無法保證實時性。

背景減除法適用于背景相對靜止的目標檢測，將視頻序列的當前幀與背景幀差分運算，再用閾值提取目標。 該方法計算簡單，實時性好，一般能獲取較完整的運動目標輪廓。

本文采用背景減除法提取運動區域。 一般情況下，視頻中第一幀無運動對象和干擾，因此本文將第一幀設置為背景圖像，后續各幀圖像與背景圖像作差分運算獲得差分圖，然后將差分圖進行二值化閾值處理；當像素差分值的絕對值大于閾值，則將該像素看作疑似氣體點，用1 表示，否則用0 表示；最后，利用形態學中的膨脹操作修補孔洞。 本文選取了一段天然氣泄漏紅外視頻中的一幀圖像，將閾值分別設置為10，15 和20 時得到疑似氣體泄露區域，如圖2 所示。 從圖2 可見，隨著閾值的增大，疑似氣體泄露區域的數目隨之減小。 為避免漏檢，本文取閾值為15。

圖2 不同閾值下的疑似氣體泄漏區域Fig. 2 Suspected gas leakage areas under different thresholds

1.4 基于氣體形狀和灰度特征的氣體泄漏檢測算法

1.4.1 氣體形狀特征

受分子運動影響，氣體往往呈現不規則云團結構，但在穩定無干擾的情況下，即使氣體向四周擴散，該氣體結構的形狀特點也不會發生較大的改變［5］。 由此，本文提出氣體泄漏區域的判斷準則：

（1） 氣體連通區域的形狀類似于圓形，當連通區域的形狀在較大程度上偏離圓形，則判斷其為非氣體連通區域；

（2） 對于當前幀中的連通區域，當其與后面幀中鄰近位置的連通區域的形狀特征較為接近時，則判斷其為氣體區域，否則為非氣體區域。

根據判斷準則，本文進一步提出基于氣體形狀特征的氣體泄漏檢測算法：

（1） 遍歷所有連通區域，獲取各連通區域最小外接矩形框的中心點坐標（xi，yi），高度hi，寬度wi和面積si，并對這些特征值歸一化，得到特征向量fi＝（xi，yi，hi，wi，si）；

（2） 刪除si小于50 的連通區域；

（4）遍歷各連通區域，當第i幀中第j個連通區域的特征向量與第i＋1幀中第k個連通區域的特征向量間的余弦相似值cos（θ）＜0.5，則刪除連通區域。

1.4.2 氣體灰度分布特征

根據氣體分布規律，在氣體的擴散過程中，越靠近氣體的中心位置，氣體濃度越大，該位置與背景對應位置間的灰度差值也越大；反之，越遠離氣體中心，氣體濃度越小，該位置與背景對應位置間的灰度差值也越小［6］。 氣體分布示意圖如圖3 所示。

圖3 氣體分布示意圖Fig. 3 Gas distribution diagram

當連通區域的中心與氣體中心重合時，可以沿連通區域的中心按上，下，左和右4 個方向連線（紫色線）至連通區域邊界；在連線上等間隔取n個點，如圖3（a）中水平右邊連線上的A1、A2、A3和A44 個點。 理想情況下，這4 個點的灰度差值的絕對值逐漸減小，即滿足式（1）：

但當連通區域的中心偏離氣體中心時，這4 個點的灰度差值絕對值不一定符合式（1），如圖3（b）所示，有可能滿足式（2）：

即連線上點的灰度差值絕對值符合式（1），但同時也存在個別點不符合式（1）的情況。

本文進一步提出基于氣體灰度分布的氣體泄漏檢測算法：

（1） 對于第m個連通區域，沿其中心點A0向上方向連線至連通區域邊界，等間隔取n個點，得到這n個點在差分圖上數值的絕對值｜δ1｜、｜δ2｜、…、｜δn ｜，以這些點的序號i為橫坐標，｜δi ｜為對應縱坐標，得到二維圖中的n個離散點，對這n個離散點用最小二乘法擬合，得到沿中心點A0向上連接至連通域邊界的直線，該直線的斜率為k1。 最小二乘法計算公式（3）：

（2） 分別沿向下、向左、向右連線，分別得到斜率為k2、k3和k4的擬合直線；

（3） 當f（k1）＋f（k2）＋f（k3）＋f（k4）≥3，則第m個連通區域為氣體區域，否則為非氣體區域。 其中，f（ki） 按式（4）計算：

利用最小二乘法擬合離散點，其目的是為了得到二維圖中這些離散點的總體變化趨勢，忽略一些小波動，從而使算法更具普適性。

分別對圖4（a）中的1 號和2 號連通區域，采用基于氣體灰度分布的檢測算法得到擬合直線，如圖4（b）和圖4（c）所示。 圖4（b）中4 條擬合直線的k值均小于0，則判斷1 號連通區域為氣體；圖4（c）中4 條擬合直線的k值只有2 條小于0，則判斷2 號連通區域為非氣體，判斷結果與原圖一致。

圖4 1 號和2 號連通區域最小二乘法擬合結果Fig. 4 Least square fitting results of connected region 1 and 2

2 實驗結果與分析

實驗硬件配置為Intel（R） Core（TM） i5-10210U CPU ＠ 1.60 GHz 2.11 GHz，16.0 GB 內存，軟件仿真環境為Python 3.9，OpenCv 4.6.0.66。 利用本文提出算法對一段天然氣泄漏紅外視頻進行預處理，尋找疑似氣體泄漏的區域，針對氣體的形狀特征和灰度分布特征，進一步判斷疑似區域是否為泄漏區域，進而驗證算法的準確性與可行性。

首先，對紅外視頻進行高斯濾波去噪預處理，以鏡頭無晃動、視頻中無運動干擾對象的第1 幀作為背景幀，后續每一幀與背景幀差分并進行二值化處理，獲取各幀圖像中的疑似氣體泄漏區域；其次，對各連通域計算其特征向量，分析其長寬比、面積和相鄰兩幀間的連通域特征向量間的余弦相似度，刪除非氣體泄漏區域；最后，根據氣體分布特征獲得氣體泄漏區域。 利用本文算法檢測氣體區域的結果如圖5 所示。

圖5 利用本文算法檢測氣體區域的結果Fig. 5 Results of gas region detection using the algorithm

對比圖5（c）和圖5（d）可以發現，通過氣體形狀特征可以排除部分非氣體區域，但仍存在非氣體區域，而利用氣體灰度分布特征后則可以排除非氣體區域，更準確地獲得氣體泄漏區域。

另外，從視頻中截取連續12 幀圖像，這些圖像的檢測結果如圖6 所示，可見利用本文算法檢測得到的泄漏氣體區域集中在氣源附近，其結果與圖像相符。

圖6 連續12 幀圖像的檢測結果Fig. 6 Detection results of 12 consecutive frames of images

為檢測本文算法在視頻中有干擾因素時的性能，本文從視頻中截取了含有運動人物的連續12 幀圖像，檢測結果如圖7 所示。 從檢測結果可以看出，由于運動人物不符合氣體的形狀和灰度分布特征，本文算法未將其作為泄漏氣體。

圖7 連續12 幀含干擾因素圖像的檢測結果Fig. 7 Detection results of 12 consecutive frames of images with interference factors

3 結束語

本文利用氣體形狀和灰度分布特征提出了一種新的氣體泄漏檢測算法。 該算法首先使用高斯濾波對輸入紅外視頻中的各幀圖像進行去噪預處理；其次，以穩定無干擾的第一幀圖像作為背景幀，后續每一幀圖像與背景幀做背景減除法，獲取疑似氣體泄漏連通區域；最后，通過形狀特征和氣體的灰度特征來判斷連通域是否為不可見氣體泄露的區域。 該算法的優勢在于使用了氣體自身的特有規律來分析判斷，即使存在外界干擾，也能更精準的排除非氣體區域。