检测和定位

2024-08-04

检测和定位（精选8篇）

检测和定位篇1

1 引言

随着当今社会经济的飞速发展,车辆的数量也变得与日聚增起来。高速增长的汽车数量和落后的停车场管理模式形成了鲜明的矛盾冲突。于是,智能车辆管理系统的实现变得尤为重要。实现智能车辆管理系统的核心内容就是能够自动化识别车辆车牌,而作为车牌识别核心技术的第一步——车牌定位技术的好坏极大程度上决定了车牌识别的性能。

目前车牌定位的实现方法大体分为两类,一类是基于灰度图像的车牌区域定位方法,另一类是基于彩色图像的车牌区域定位方法。前者主要有基于纹理特征法、基于数学形态学法、基于小波分析法等方法。后者主要有基于RGB颜色法、基于神经网络法等。本文结合两类不同的方法,先采用改良的RGB颜色法——HSV颜色模型来识别车牌,可以定位出大部分颜色鲜明的车牌,由于此方法受图片质量影响较大,我们在颜色法后采用边缘检测定位法,通过垂直边缘检测,将图片中垂直边缘较多的区域定位出来,两种方法的结合可以获得车辆图片中车牌所在的区域,判断出真正的车牌位置。

2 颜色定位

采用RGB颜色定位方法需要RGB的3个分量(Red分量--红色,Green分量--绿色,Blue分量--蓝色)共同确定一个颜色标准,我国大部分车牌都是蓝色,我们要从Blue分量中找到分量的阈值确定蓝色的范围,这本就不是一件容易的事。但是我们往往不只有3原色构成的车牌,遇到像黄色的车牌时情况会更加复杂,需要考虑Red分量和Green分量的配比问题。这些问题让单纯选择RGB颜色定位变得分外困难。

为了解决这些问题我们采用HSV颜色模型,如图1所示。HSV模型是根据颜色的直观特性创建的一种圆锥模型。与RGB颜色模型中的每个分量都代表一种颜色不同的是,HSV模型中每个分量并不代表一种颜色,而分别是:色调(H),饱和度(S),亮度(V)。

H分量是代表颜色特性的分量,用角度度量,取值范围为0~360,从红色开始按逆时针方向计算,红色为0,绿色为120,蓝色为240。S分量代表颜色的饱和信息,取值范围为0.0~1.0,值越大,颜色越饱和。V分量代表明暗信息,取值范围为0.0~1.0,值越大,色彩越明亮。我们可以从一种纯色彩开始,即指定色彩角H,并让V=S=1,然后我们可以通过向其中加入黑色和白色来得到我们需要的颜色。增加黑色可以减小V而S不变,同样增加白色可以减小S而V不变。这就意味着通过保持V,S不变来找表示颜色的H的范围,再反过来通过H的范围确定V,S的取值范围,从而可以确定出我们需要的颜色范围,如图2所示。

采用颜色定位我们首先需要将图像颜色空间从RGB转换为HSV,再遍历图像的所有像素,将满足HSV范围内的像素点标记为白色,其余部分标记为黑色。所得图片中白色部分为车牌位置。再采用闭操作,取轮廓等操作获取目标车牌。

3 边缘检测定位

边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。而本文采用的是基于垂直边缘的检测方法。因为一般的车牌图片在没经过一定的处理之前车牌边缘都有很多垂直边缘,那么就可以以此来判定车牌的位置。

车牌定位准确率的高低与图片的好坏有着密不可分的关系,如图片的天气,环境等外界环境因素直接影响图片的识别率。所以在进行识别之前必须对车辆图片进行预处理,消除干扰并突出车牌特征。

这里对车辆图片进行车牌边缘检测定位的流程如图3所示:

3.1 高斯模糊

对车辆图片先进行高斯模糊就是把图片中某一点周围的像素色值按高斯曲线统计起来,采用数学上加权平均的计算方法得到这条曲线的色值,最后能够留下物体的轮廓。高斯模糊使图片变得更平滑,去除了干扰的噪声对后面车牌的判断打下了坚实的基础。

3.2 灰度化

将彩色图像转化成为灰度图像的过程称为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定,而每个分量有255中值可取,这样一个像素点可以有255*255*255种颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像,也正因为如此,对图像的灰度化处理存在的最大争议就是图像信息的丢失,图像信息的丢失可能使得对车牌的识别变得更加复杂。但对于计算机而言,处理灰度化图像相比于处理彩色图像要更加容易,同时,现在已研究的很多处理图像的算法和技术仅支持对灰度化图像的处理,在现今的科技状况下对图像灰度化处理使我们更便捷地获取所需要的信息。但无疑,对彩色图像直接进行判断更符合人眼识别的规律,更趋近人工智能的本质,也是今后研究的方向与趋势。一般有以下四种方法对彩色图像进行灰度化处理:分量法,最大值法,平均值法,加权平均法。

(1)分量法:将彩色图像中的三分量的亮度作为三个灰度图像的灰度值,可根据应用需要选取一种灰度图像。

其中fk(i,j)(k=1,2,3)为转换后的灰度图像在(i,j)处的灰度值。

(2)最大值法:将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。

(3)平均值法:将彩色图像中的三分量亮度求平均得到一个灰度值。

(4)加权平均法:根据重要性及其他指标,将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高,对蓝色敏感最低,因此,按下式对RGB三分量进行加权平均能得到较合理的灰度图像。

3.3 Sobel算子

Sobel算子是边缘检测定位中的核心算法,用于检测图像的垂直边缘,便于区分车牌。

Sobel算子是一阶导数的边缘检测算子,在算法实现过程中,通过3×3模板作为核与图像中的每个像素点做卷积和运算,如下所示,其中A为原图像,然后选取合适的阈值以提取边缘。

许多学者已经提出了很多图像检测算子,如Sobel算子、Laplace算子、Canny算子等。比较常用的有Sobel算子和Laplace算子。Sobel算子求图像的一阶导数,Laplace算子则是求图像的二阶导数,在通常情况下,也能检测出边缘,不过Laplace算子的检测不分水平和垂直。

3.4 二值化

图像的二值化,就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果。一幅图像包括目标物体、背景还有噪声,要想从多值的数字图像中直接提取出目标物体,最常用的方法就是设定一个阈值T,用T将图像的数据分成两部分:大于T的像素群和小于T的像素群,然后分别设置为黑白两种颜色,实现了整个图像的二值化。

3.5 闭操作

对二值化图像先进行膨胀运算,其次进行腐烛运算,此组合运算即为图像的闭运算。对二值化图像先进行腐烛运算,其次进行膨胀运算,此组合运算即为图像的开运算。闭操作可使轮廓线更光滑,但与开操作相反的是,闭操作通常消除狭窄的间断和长细的鸿沟,消除小的空洞,并填补轮廓线中的断裂。使用结构元素B对集合A进行闭操作,数学表达为:

这个公式表明,使用结构元素B对集合A的闭操作就是用B对A进行膨胀,然后用B对结果进行腐蚀。

3.6 取轮廓,筛选,角度与尺寸判断

经过上述一系列的图像操作我们可以得到一张包含许多独立图块的图像,取轮廓操作就是将图像中的所有独立的不与外界有交接的图块取出来。然后根据这些轮廓,求这些轮廓的最小外接矩形。尺寸判断操作是对外接矩形进行判断,以判断它们是否是可能的候选车牌的操作。经过尺寸和角度判断,会排除大量由轮廓生成的不合适尺寸的最小外接矩形。接下来需要对剩下的图块进行旋转操作,将倾斜的车牌调整为水平,为后面的车牌判断与字符识别提高成功率的关键环节。最后确定我们要识别的车牌的尺寸。

4 结论

本文提出了两种关于车牌识别中车牌定位的方法,采用改进的HSV颜色模型,准确,快速地对颜色鲜明的车牌进行定位,简化了车牌定位中一些图片处理和特征判断的过程。而另一种方法是边缘检测中垂直边缘定位的方法,垂直边缘的选择让此方法能获得更高的准确率,同时采用图像处理,数学形态学等多种算法强化了图片中的许多特征量,极大提高了垂直边缘的判断。

虽然采用两种定位方法的结合,极大提高了车牌定位的准确率,但仍然有不足之处,需要进一步完善。两种方法都需要较高的图片质量,大量的光暗区域和严重的雨雪天气都会对车牌定位的准确率产生较大的影响。还有如颜色定位中一旦车辆的颜色与车牌的颜色一致,那判断的准确率会大大降低。而第二种方法如果遇到大量垂直边缘的车辆也会造成较大的误差。

摘要：车牌识别技术是智能交通管理系统的关键技术之一,而车牌定位则是车牌识别的实现基础。快速,准确,高鲁棒性的车牌定位技术可以给车牌识别带来极大的辅助。针对车牌定位的问题,研究提出了基于HSV颜色模型的颜色定位方法和通过垂直边缘检测的边缘检测定位这两种方法。两种方法的结合使用不仅实现了车牌快速,准确的定位,更为车牌识别后续的字符分割,字符定位等步骤奠定了坚实的基础。

关键词：车牌定位,图像处理,HSV颜色模型,边缘检测,数学形态学

参考文献

[1]魏平顺.智能交通系统中车标图像识别技术研究[D].南京:南京理工大学,2013.16-25.

[2]李侠.车标定位技术研究[D].大连:辽宁师范大学,2011,16-26.

[3]张闯,孙兴波,陈瑶,等.常用边缘检测技术的对比[J].传感器世界,2013,19(11):20-23.

[4]刘毅,赖晓风.基于边缘检测的图像分割技术浅析[J].电子制作,2013(16):67-67.

[5]罗辉武,唐远炎,王翊,等.基于结构特征和灰度特征的车牌字符识别方法[J].计算机科学,2011,38(11):267-270.

检测和定位篇2

网络犯罪侦查中的监听检测及监听定位的研究

作者：肖自红

来源：《法制博览》2012年第06期

路灯电缆防盗检测和定位新方法篇3

目前,随着社会的快速发展,导致各种金属资源供应紧张。路灯电缆因其输送电压低、布置分散、含铜高等特点而受偷盗者的关注,给公共事业带来了极大的困扰和隐患[1,2]。

现有的电缆防盗检测方法主要有4种[3,4,5,6]:测漏电流法、测工作电流法、测直流阻抗法、电力载波法。测漏电流法和测工作电流法只能适用于路灯通电条件下,而且受气候和电压波动的影响,可靠性有限。测直流阻抗法和电力载波法能适用于断路工况,但前者受路灯结构的影响不能适用于路灯电缆防盗,后者只能检测出被盗线路,无法进行被盗点定位,而且受电路电容的影响,传输范围有限。上述防盗方法都有一定的局限性,为此,有必要研究新型路灯电缆防盗方法。

为了克服传统电缆防盗方法不适用于路灯电缆的缺点,本文介绍了一种路灯电缆防盗检测和定位新方法。

1 路灯电路及其简化图

在路灯供电系统中,使用的是带电感镇流器、补偿电容和电子触发器的高压钠灯,其电路图如图1所示。

在路灯两端加入低于50 V的电压时,电子触发器两端产生的电压不足以使高压钠灯触发,高压钠灯处于断路状态。通过检测可知,电子触发器可以用一个阻抗很大的电容代替。

由于电子触发器与镇流器电感串联后与补偿电容并联,所以镇流器和电子触发器的阻抗可忽略。由此可得,断电工况下路灯可用补偿电容等效。此时,路灯支路可用图2(a)所示的等效电路图表示。

补偿电容C0在路灯内部补偿电容器的铭牌上有标示,为已知值。每条线路上连接的路灯以及镇流器的型号相同,所以对应的等效电容阻抗值也相等。令C1=C2=…=Cn=C0,根据并联电容阻抗的计算方法,路灯电路的简化图如图2(b)所示。其中,路灯支路总电容C=nC0,n为被测电路中路灯的数量。

2 防盗监控原理

2.1 防盗测量原理

在路灯电路简化图中串联一可调电抗器L和一个定值电阻R,可以得到防盗测量原理图如图3所示[7,8]。

测量时, $\dot{Ι}$ 向检测电路注入恒流变频信号,检测返回电压信号 $\dot{U}$ 。当注入电流 $\dot{Ι}$ 与返回电压 $\dot{U}$ 的相位相同时,被测电路电容与串联电感发生串联谐振,记录该谐振频率ω0,则有:

$ω_{0} L = \frac{1}{ω_{0} C} (1)$

可得被测电路路灯数n为:

$n = \frac{1}{ω_{0}^{2} L C_{0}} (2)$

将式(2)计算出的路灯数量与被测线路中路灯实际的安装数量进行比较。若两者相等,说明该电路路灯电缆连接正常,反之,则出现电缆被盗。

2.2 三相路灯系统防盗检测

实际的路灯供电系统采用三相四线制供电,变压器的每条出线连接一条母线。由于每条母线上所连接的所有路灯均为并联连接,所以每条母线所连接的路灯系统电路图也可以用图2(b)来等效。由此可得三相路灯系统防盗检测电路如图4所示。

当三相断路器Ka,Kb,Kc断开时,旋转开关Kj开始旋转,当动触头依次连接a,b,c三相触点时,检测仪器分别对A,B,C三相进行巡检,循环读取三相线路连接的路灯数量检测值,并与对应相线路中安装的路灯数量实际值进行比较。如果两者相等,说明该相路灯电缆完整,如果两者不相等,说明该相发生路灯电缆被盗。

2.3 误警排除

2.1节和2.2节介绍了当线路路灯检测数量与对应线路路灯安装数量不相等时,判断为电缆被盗。但是实际路灯系统中还有2种因线路路灯检测数量与对应线路路灯安装数量不相等而产生误警的情况,其误警和排除方法分别为:

1)电容损坏。当线路补偿电容老化或击穿时,电路电容会减少,也会发生路灯检测数量与路灯安装数量不相等的状况,产生误警。

2)线路断路故障。当线路发生非电缆被盗的断路故障时,与单相路灯电缆被盗时完全相同,也会产生误警现象。

由于以上2种误警情况均为单相故障,只对该相的路灯检测数量造成影响,而不影响非故障相的路灯检测数量。通常情况下路灯电缆被盗时,三相四线的4根电缆同时被盗。所以当路灯系统中仅有一相路灯监测数量改变时,判断为该相电容损坏或单相断路,当三相路灯检测数量均发生改变时判断为电缆被盗。

2.4 被盗支路的判定及被盗点定位

由于巡检法仅能判定电缆是否被盗,无法判定被盗支路和被盗点。而三相路灯电缆必定在同一地点被盗,所以在判断出电缆被盗后,停止巡检,只需要直接对其中任意一相进行被盗支路的判定和被盗点定位。被盗支路检测图如图5所示。

图5用于检测系统对电缆被盗相路灯系统进行被盗支路检测,该相路灯系统用6条支路表示,每条支路负载都可以用图2(b)所示的电路等效。当防盗检测仪器判断A相路灯线路中出现电缆被盗时,调节支路开关K1～K6的状态,使检测回路中有且仅有1条支路,利用图3所示的防盗检测原理依次检测各条支路的电缆状况,找出路灯检测数量与实际安装数量不相等的支路,即被盗支路。读取此时路灯的检测数量n,电缆被盗点在第n根与第n+1根路灯杆之间。

3 可调电感的选取

式(2)可以变形为:

$ω = \sqrt{\frac{1}{n C_{0} L}} (3)$

为了考虑滤波电路响应频率和计数器位数等限制,谐振频率必须控制在一定范围内。由式(3)可知,频率仅与电路中连接的路灯数量n有关。在巡检时根据实际路灯数量选取合适值,使线路谐振频率在控制范围内。当出现被盗,路灯数量n减少,将使谐振频率增大,此时适量增大可调电感的大小,使谐振频率降低到控制范围以内。

4 仿真和实验测试

4.1 仿真测试

为了验证防盗测量法对路灯电缆被盗点定位的精度,构建了基于MATLAB/Simulink的仿真模型,对单相测量过程进行了仿真,结果见附录A。

4.2 实验测试

仿真结果显示,被盗点定位结果与电路实际断路点吻合。在此基础上进行了模拟实验,主要考查路灯电缆防盗检测中被盗点定位的检测精度。实验采用110 W高压钠灯,其补偿电容为12 μF, 检测结果如表1所示。

4.3 误差分析

由实验结果可知,通过谐振频率计算出的断路点位置与实际位置有一定误差,主要原因是路灯中补偿电容的大小不精确,允许有10%的误差。但该方案的被盗点定位只是将故障点定位在一定范围内(相邻两盏路灯之间),没有计算到具体某一点,所以该被盗点定位方法允许有一定的误差,只需要将计算出的n值取整数即与实际断路点吻合。较小的测量误差对实际的被盗点定位没有影响。

5 实际工程中的实现方案

针对长沙市路灯管理所提供的一路灯变压器供电的典型电路,设计路灯电缆防盗检测实现方案如图6所示。具有12条供电线路,每条线路供24盏路灯,即每相平均供8盏路灯。在变压器中性点安装检测仪、可调电抗器L、串联定值电阻R和旋转开关Kj, 白天路灯线路停电时,三相断路器Ka,Kb,Kc断开,旋转开关Kj依次连接a,b,c三相触点时,检测仪器分别对A,B,C三相进行巡检,测量三相路灯的数量,按照2.2节和2.4节所描述的方法检测被盗支路和被盗点位置。

6 结语

本文提出了一种路灯电缆防盗检测新方法。该检测方法以电容电流谐振检测方法为基础,检测断路工况下路灯电路的谐振频率,根据频率的大小计算路灯电路中连接路灯的数量,根据路灯的数量判断路灯线路的完整性并进行故障定位。该方法以单相支路为检测对象,不受变压器类型的影响,没有线路长度限制,适合在路灯供电系统断路工况下运行。理论分析、仿真和实验验证了该方法的可行性。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

参考文献

[1]叶远国,廖国武.低压配电电缆防盗问题的研究.华南师范大学学报:自然科学版,2000(5):34-36.YE Yuanguo,LI AO Guowu.Study on low-voltage power distribution cables security.Journal of South China Normal University:Science and Technology Edition,2000(5):34-36.

[2]方波,秦大为.电力电缆防盗报警系统.电工技术,2007(1):30-31.FANG Bo,QI N Dawei.Stealing-proof alarming system for power cable.Electric Engineering,2007(1):30-31.

[3]周丙发,李涛.林涛.路灯照明电缆防盗报警方案探讨.灯光监控,2005(4):23-24.ZHOU Binfa,LI Tao,LI N Tao.Study on anti-theft alarm systemof street lighting cable.Lighting Monitoring,2005(4):23-24.

[4]林立生.通用型电力电缆防盗报警系统电路设计.水利科技,2007(3):59.LI N Lisheng.The circuit design of anti-theft alarm systemfor general power cable.Hydraulic Engineering,2007(3):59.

[5]王君.路灯地埋电缆线路敷设与理想的防盗装置.工程技术,2007(23):44.WANGJun.The line laying of buried cable and an ideal anti-theft device.Engineering Technology,2007(23):44.

[6]申卫国,汪卫生.内启动高压钠灯原理及应用.光电子技术,2003(23):275-279.SHEN Weiguo,WANG Weisheng.The principle and application of the inner starting high pressure sodium lamps.Photonics Technology,2003(23):275-279.

[7]曾祥君,易文韬,刘张磊.注入信号精确测量配电网电容电流新技术.电力系统自动化,2008,32(4):77-80.ZENG Xiangjun,YI Wentao,LI U Zhanglei,Anovel technique of capacitive current resonance measurement with signal injected for distribution networks.Automation of Electric PowerSystems,2008,32(4):77-80.

网球视频中记分牌的检测和定位篇4

由于网球视频的可观赏性和巨大的经济潜力[1], 如何从大量的网球视频中检索有用的数据, 已经成为学者的重要研究方向。在网球视频中, 记分牌的比分对网球比赛标注和检索意义重大。一是它能够提供比赛双方的标识名;二是可以根据比赛分值的变化和网球规则来标注出比赛中所有盘局的具体位置;三是通过识别记分牌上的特殊字符串“AD”, 不但能标注出打AD球事件还可以反映比赛的激烈程度;四是利用记分牌上的得分差距可统计破发点数和打关键球事件发生的位置等。而记分牌的检测和定位是获得记分牌比分的基础。

在记分牌的检测上国内外一些学者也进行了研究, Hsieh等人在棒球比赛中提出了模板匹配法[2]进行记分牌检测, 但需要事先存储记分牌模版, 由于不同媒体不同时期会产生不同记分牌就加大了检测难度。北京工业大学陈世举等人在篮球比赛中利用多维相关性分析和提取边缘[3]来检测记分牌, 但是网球比赛中场地线边缘明显且频繁地出现在记分牌周围, 严重影响记分牌的准确检测和定位。清华大学部凡等人在足球比赛中提出了连续帧的强度方差来检测记分牌[4], 而网球视频中场地和记分牌同时出现在同一帧的概率非常大, 连续帧的强度方差不能很好地区别场地和记分牌, 因此这种方法不利于网球比赛中记分牌的检测。

本文提出一种新的方法能准确检测和定位网球中的记分牌, 首先分析了网球比赛记分牌的特点, 然后提出了基于角点区域直方图的方法, 最后对实验进行展示和分析。实验结果表明该方法对网球中的记分牌检测和定位效果明显。

1 记分牌的特点

在一场网球比赛视频中, 记分牌一般是视频直播编辑工作者通过人工的方法加到特定的帧上, 属于视频叠加信息的范畴。记分牌一般具有以下特点[5]:

(1) 同一场比赛记分牌的形状比较规则, 并且在帧中的位置固定;

(2) 记分牌所在的帧占整个视频帧的60%左右;

(3) 记分牌的背景颜色的透明度有多种形式;

(4) 记分牌中所含的图像细节分量较多, 边缘和角点丰富;

(5) 当比赛产生盘局时记分牌会增长, 在球员休息或者交换场地时可能变短也可能消失;

(6) 比赛的记分牌前一半部分是用于显示比赛双方的标识名也叫记分牌不变区域, 在整个视频当中完全相同。

2 角点区域直方图的提出及定义

直方图[5]是一种重要的频率分布图, 除了反映图像的某些特定问题, 还用于图像的相似度度量上。直方图通常有灰度直方图、颜色直方图和颜色相关直方图等, 但这些只是表达图像中颜色和亮度的特性, 在实际应用中往往同一个物体由于受人为因素和外界因素综合影响下, 存在颜色、亮度和透明度的差异性, 这些直方图就不能很好地表征这个物体。角点[6,7] (也称兴趣点) 虽然目前还没有明确的定义, 但普遍认为角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点。这些点保留了图像图形的重要特征, 在人类视觉与机器视觉中都具有着重要的作用, 其信息的含量很高有利于图像的可靠匹配。利用图像的角点特征构造成一个直方图, 将会为研究工作者提供一个很好的研究工具, 下面要构造一种新的关于角点的直方图。

在一幅图像中, 由于颜色取值的多样性, 可以在每个像素点取值基础上获得颜色直方图, 而对角点来说, 每个像素点的取值只能为两个, 是角点和不是角点, 因此在像素点上构造一个实用的和角点有关的直方图是不可能的。考虑到后续的应用我们定义了基于角点区域的直方图, 将图像分割成N×M个小块, N、M分别为图像的高度和宽度的N和M等份, 假设I表示整个图像的全部像素, I以一维数组形式存储, 角点区域直方图可以表示为:

其中i∈{1, 2, …, N}, k∈{1, 2, …, m}, K∈{1, 2, …, M};p (i, k) 表示第i个区域第k个像素点;p (K) 表示整个图像区域第K个像素点;Cp (i, k) 和Cp (K) 均表示统计该区域下角点的个数。第i区域是指图像N和M等份分割成N×M个小块后, 从左到右、从上到下的第i子区域。整个公式表达的含义是第i区域内角点的个数占整个图像区域角点个数的概率。由于记分牌中的标识名部分只有二行, 本文中的实验N取2, M取15, 构建30维角点区域直方图。角点的检测算法有很多种, 其中Harris算法[8,9,10]对图像的灰度函数进行了一阶导数, 使各个方向的变化都包含进去, 克服了其他算法对边缘的敏感性, 本文中选取的就是Harris算法。图1是某一场比赛的记分牌区域的截图, 其中用绿色矩形框定的是记分牌不变区域。图2是不变区域对应的角点区域直方图。通过对比图1和图2可以发现角点区域直方图确实能很好地表达物体的特征。

3 记分牌检测和定位算法

记分牌检测和定位算法包括四个阶段:第一阶段, 记分牌上不变区域的定位;第二个阶段, 模板匹配算法的选取;第三阶段, 记分牌不变区域模板的建立和模板匹配时的自适应阈值的获取;第四阶段, 对帧序列进行模板匹配, 匹配成功的帧进行精确定位。

3.1 记分牌上不变区域的定位

不变区域的定位是后续模板构建的基础, 其算法的基本步骤为:

(1) 从网球视频中抽取n帧。由于网球比赛开始会有一些对球员基本信息进行介绍的镜头, 这些镜头不出现记分牌。为了更准确定位记分牌的位置, n帧抽取的方法为:从整场比赛的1/3时长处开始抽帧, 每隔一分钟抽一帧共取n帧, 实验中n的取值为50;

(2) 粗定位区域的确定。为了减少计算量和提高运算速度, 根据记分牌的特点 (1) 可以初步确定一个定位区域。例如在视频帧左下角, 取高度为帧高的0.25倍, 宽度为帧宽的0.5倍的矩形区域;

(3) 特征的提取。前言中对陈世举等人做的记分牌定位分析得知不能使用边缘作为帧的特征, 而记分牌特点 (3) 表明选择颜色作为特征不会很理想, 再结合特点 (4) 可选用角点作为特征来进行研究;

(4) 记分牌不变区域的确定。对每一帧的粗定位区域进行角点检测形成二维数组Ai, 数组中只有二种类型的数据1和0, 其中1表示该点为角点。把n个Ai进行对应位置相加, 会发现相加之后的数组As记分牌处的数值明显大于周边的值, 可通过设一个阈值T来确定记分牌上不变的区域位置。实验室中阈值取As中最大值的0.8倍;

(5) 记分牌不变矩形区域的起始点坐标以及宽度和高度的确定。从上而下行扫描数组As, 统计同一行上大于T的个数Ci, 如果Ci大于15那么该行记为记分牌的起始行X1, 同理从下而上行描数组As得到记分牌的结束行X2。自左向右列扫描数组As, 统计同一列上大于T的个数Cj, 如果Cj大于X2与X1差值的一半, 那么该列记为记分牌的起始列Y1, 同理自右向左行描数组As得到记分牌的结束列Y2;则记分牌的起始坐标可表示为 (X1, Y1) , 宽度为Y2与Y1的差值, 高度为X2与X1的差值。

3.2 模板匹配算法的选取

所提取的特征大多数都可以表示成向量[11]的形式, 因此常用的相似度比较方法都是基于向量空间模型, 采用几何距离作为相似度度量, 即将特征看作是向量空间中的点, 通过计算二个点之间的接近程度来衡量特征间的相似度, 常用的方法[12]有欧式距离、二次式距离、马氏距离等等。

以上介绍的几种相似度度量方法中每个特征值的重要性是一样, 由于网球中记分牌在区域分割时, 一部分区域会出现角点个数为0或者角点个数特别少情形, 而这些区域在模板匹配时, 对整个记分牌影响较小。基于上述特点本文选择了加权欧式距离[13]作为模板匹配时度量的方法。加权欧式距离的公式为:

其中w1, w2, …, wn表示相应特征值的权重, 权重越大表示该特征值越重要。事实证明加权欧式距离能较好地反映二个向量的相似程度, 但是权重选取特别的困难。本文提出的角点区域直方图, 其某一维的特征值是反映某一区域角点数占整个区域角点数的比例, 实际上这个比例在一定程度也反映了该区域的重要程度, 那么本文权重选取是特征值乘以角点区域直方图的维数。权值wi的公式为:wi=Hc (ik, K) ×N, 其中N为角点区域直方图的维数。

3.3 模板建立和自适应阈值的获取

记分牌特点 (5) 体现记分牌或隐或现这个特点, 加大检测的难度, 这时特点 (6) 就显得重要, 由于记分牌的不变区域一直不变, 可为其建立模板, 用匹配法来断定某一帧中是否含有记分牌, 从而加快了记分牌的检测速度。

样本在一定的程度上也反映整体的性质, 样本的模板可视为整体的模板, 样本获取的匹配阈值可视为整体的阈值。根据记分牌的特点 (2) 可以得出样本中含记分牌的帧也占整个样本的60%左右, 而这些帧的记分牌中不变区域极其的相似, 下面的算法就是充分利用这个特点进行模板建立和自适应阈值的获取。为了保证样本能正确反映整体的性质和减少数据的运算量, 本文中样本是这样抽取的:从视频的第一帧开始, 每隔一分钟抽取一帧, 直到视频结束。模板建立和阈值的获取的算法如下:

首先对算法作初始化工作: (1) 得到抽取样本中所有帧的角点区域直方图Hs; (2) 定义变量Threshold, 表示可比较的阈值, 初始值为0; (3) 定义变量less Count、more Count分别表示统计Hs中某个直方图与其他直方图的加权欧式距离小于等于和大于Threshod时的个数, 初始值都为0; (4) 定义变量i、j, 分别为Hs中第i和第j帧, 其中i和j不相同, 初始值都为0; (5) 定义变量length和size, 初始值分别为Hs的长度和Hs的长度的0.4倍; (6) 定义变量histogram Sum, 存放直方图累加的结果。

算法的伪代码如下:

算法执行完毕得到的角点区域直方图均值为所求的模板, Threshold为二个角点区域直方图加权欧式距离后所参照比较的阈值, 比较结果小于阈值的说明这二个直方图相似, 比较结果小于等于阈值的说明这二个直方图不相似。

3.4 模板匹配和精确定位

按照时间顺序对每一幅网球视频帧中记分牌不变区域的位置进行角点区域直方图提取, 计算提取出的角点区域直方图和模板的加权欧式距离, 如果加权欧式距离小于等于阈值Threshold那么这一帧含有记分牌下一步将要对该帧作记分牌精确定位处理。

考虑到记分牌在整个网球比赛中是变长的, 对含有记分牌的帧使用滑动窗口来实现记分牌的精确定位, 具体步骤如下:

(1) 对帧中的记分牌粗定位区域进行角点检测;

(2) 在该帧中确定记分牌不变区域A。初始化滑动窗口, 高度为A的高度, 宽度为10个像素点, 左边框线为A的右边框线。自左向右滑动窗口, 步长为一个像点的距离;

(3) 每次滑动窗口时, 统计窗口内的角点数目。如果统计的角点数目小于滑动窗口高度的像素点数时, 记下此时的窗口的左边框线Y3, Y3就为所求的记分牌的右边框线;

(4) 对确定好的记分牌用绿色矩形框框定。

4 实验结果和分析

为了验证本文中提出的算法和思想, 实验中使用的数据源如表1所示。

4.1 记分牌定位结果展示

考虑到视频帧的播放速率为15帧/秒—25帧/秒, 而记分牌上的得分至少5秒之后才能改变, 没有必要把视频中所有的帧抽取出来, 实验时每2秒抽取一帧。对上面的每一场比赛都选取了含有记分牌的第一帧和最后一帧来作说明, 记分牌部分是用绿色矩形框进行框定的, 实验的定位结果如图3-图6所示。

从上面的图示可知本文使用的方法对记分牌的定位有着较好的准确度。

4.2 记分牌检测结果和分析

在记分牌不变区域定位好的情况下, 对以上四场比赛分别使用了灰度直方图、颜色直方图、颜色相关直方图和本文提出的角点区域直方图作模板进行记分牌检测对照, 对照结果如表2-表5所示。

表中的误检数是统计检测出所有帧中误检帧的个数, 其中误检帧为不含有记分牌的帧被误检测为含有记分牌的帧。从上面的实验结果来看, 颜色直方图对没有透明度的记分牌检测效果较好, 而对有透明度的记分牌敏感, 会造成一些漏检和误检, 检测效果不是太理想。相比之下角点区域直方图具有鲁棒性对有无透明度的记分牌检测均能取得很好的效果。

5 结语

通过对网球比赛的分析, 本文定义了角点区域直方图, 并把这一方法应用到网球视频中记分牌的检测和定位当中, 并通过4组实验进行对照, 实验表明角点直方图在具有一定透明度的记分牌的检测上, 效果优于其他三种直方图, 这一点体现了它的鲁棒性。另外, 提出角点区域直方图是这篇文章的创新点和亮点, 它有别于其他直方图, 尤其在作直方图相似度匹配时, 能够很好地与加权欧式距离进行结合, 这一点本文的3.2节进行了很好的说明。

摘要：为了在网球视频中精确地检测和定位记分牌, 在总结和分析网球记分牌特点基础上, 提出角点区域直方图的概念并利用其进行记分牌的检测和定位。首先通过角点和角点区域直方图获得记分牌模板, 其次根据自适应阈值进行模板匹配检测记分牌;最后利用滑动窗口对记分牌进行精确定位。实验结果表明该方法查全率和查准率都达到了99%以上, 且对有一定透明度的记分牌也有明显的效果。

检测和定位篇5

关键词：10k V配电网,故障,在线检测定位

一、10k V配电网线路特点

本文主要是对10k V配电网故障在线检测定位系统实施研究, 其主要特点为:

1拥有较多的线路分支, 网络结构十分复杂。由于10k V配电网拥有很多分支, 同时分支又形成了众多子分支, 有时达到了十几代, 信号衰减甚至达到了1万倍。即便是可以检测出故障反射波, 也仅提供至故障点的距离, 并且满足一定距离点可能存在多个点, 其中真正的故障点只有一个, 很难解决辨别真伪故障点问题。

2拥有较大的接地电阻, 石灰杆是很多10k V杆塔的材料, 一旦形成接地, 由于地质和环境电压等因素造成的影响不会得到零数值, 而是产生几千欧、几十千欧。配电网出现单相接地故障之后, 相对减弱了信号, 其他信号极易将其淹没、接地电阻大始终阻碍了研究, 对其影响积极克服也是配电网故障定位的难点。

3整体长度长、对地电容较大。10k V配电网拥有较长线路, 甚至达到了几十公里、上百公里。将交流信号注入对地电容中可以发挥分流功能, 线路越长, 线路也会产生越大的对地电容, 最终形成较大的分流, 因此需要电流信号越小, 对其进行定位也就越难。

二、故障在线检测定位方法

1阻抗法。按照发生故障时测量的电流与电压对故障回路阻抗进行计算, 进一步联系线路长度和阻抗的正比例关系, 对故障距离进行估测。根据算法可以将阻抗法划分为双端数据与单端数据。通过精确分布参数模型实施双端数据测距算法, 需要不断完善数据同步于伪根判断。由于模拟技术的不足和功能促使单端数据测距算法利用单侧电压信号与电流。

2行波法。行波法是指按照行波和故障距离自故障点传播所需时间以及检测点所需时间形成正比例, 通常划分为五种。

第一种采用的是现代行波故障测距原理, 具体利用故障暂态形成的行波获得双端测距的原理, 通过来自于线路内部的故障产生了行波初期浪涌, 当其达到线路两端测量点时, 可以获取它们绝对时间差值, 进而对故障点至故障点两端测量点距离实施计算。

第二种原理是故障线路上断路器合闸形成的暂态行波在测量点上永久性的故障点彼此的往返时间对故障距离进行计算, 通过这一点可知对于线路利用重合闸传输高压电来说是非常关键的, 其可以有效弥补小时导致测距的失败或者是由于故障形成的零初始角电压。

第三种原理是通过故障点形成的行波达到线路两端时间差进一步完成的, 采用第一个行波波头达到线路两端时间计算双端定位, 因此仅需捕捉到第一个行波波头, 而不需要对其折射与反射进行考虑, 同时行波产生了较大幅值, 容易辨别。

第四种行波定位是单端进行故障产生行波进而定位故障的方法。当线路出现故障时, 在故障点与母线之间电压和电流来回反射, 按照故障点与行波之间一次往返时间以及行波波速能够准确定位故障点。

第五种原理是根据注入端的信号和故障点与故障点之间, 一次往返的时间对故障距离进行计算, 也可以认为在故障之后, 人工对故障线路发送脉冲信号, 之后对脉冲信号发送时间与故障点反射达到检测点所需时间积极检测。

3配电网自动化方法。最近几年, 随着不断成熟的配电网自动化措施, 陆续出现了基于SCADA的判断系统故障区域方法。其中很多都是根据配网馈线继电保护, 联系断路器关系拓扑分解整个网络, 进一步产生了线路网络的矩阵关系, 由此形成判断算法。

三、故障在线检测定位系统优势

1在线取电。传统故障指示器通过电池进行取电, 并且不需要防水, 因此需要进行灌浇密封处理, 无法替换电池, 不足之处在于使用时间短暂, 大概是一年。而故障在线检测定位系统应用的是新型材料, 在10A状况下, 可以采取0.5W功率, 并且相当于原先重量的1/6。互感器可以对电网功率和自身消耗能量智能测量, 促使输入功率远大于使用功率。当电网缺乏功率时, 自行关闭设备上的辅助模块, 节省用电量。

2更新判断故障。我们通过小波变化对接地故障进行判断。接地故障拥有一个容性回路, 容易通过高频成分。所以, 通常接地故障量中包含了大量的暂态成分。对这类非平稳信号积极分析的重要工具为小波变换。同时按照电流突变发以及过流速断定值法, 接地暂态电流测量法等从服务端搜集的特点数据双判断短路和接地检测, 获得更加精准的故障判断。

3便于组网。目前我们应用的树型网络形式:后台、数据集中器、数字故障指示器后台和集中数据器利用GPRS联系通信, 利用短距离无线通信对集中数据器和数字故障指示器紧密联系。在服务器IP中输入集中数据器和附近数字故障指示器之后, 构建整个系统的自行组网。

4对负荷电流数值准确测量。将一个导磁金属安装在电缆上, 当其属于闭合状态时, 导磁金属就可以形成感应电流, 如将一层导线缠绕在金属上, 按照右手螺旋准则就能够形成电压, 称该导磁金属与导线为感应架。

5构建和升级线路监测运行环境。将温度传感器添加至故障指示器的节点中, 以便创造线路运作实时监测的环境;后台服务器把要求改正的动态参数利用集中数据器向数字故障指示器进行传输, 进一步实现参数修改和一键升级的目标。

结语

随着不断扩大的配电网规模, 用户也提高了对电能质量与可靠性要求, 自动化建设配电网获得了高度重视。在发展配电网自动化的各个领域中, 配电网故障在线检测和定位是一个关键的研究课题, 本文通过对10k V配电网故障在线检测定位系统进行研究, 最大程度上降低了配电网故障效率, 对建设智能电网和自动化配网发挥了巨大作用。

参考文献

[1]季涛, 孙同景, 薛永端.配电网故障定位技术现状与展望[J].继电器, 2009 (24) .

检测和定位篇6

关键词：ZigBee,定位,跌倒检测,三轴加速度传感器

老年人由于身体虚弱、平衡能力差以及自我保护能力低等因素,很容易发生意外跌倒。如果跌倒后没有得到及时的救助和处理,将会导致严重的后果,甚至危及到生命安全。因此,开发一个集跌倒监测、跌倒定位和远程报警为一体的监控系统具有很重要的意义。

近年来,MEMS(Micro-Electro-Mechanical Systems)加速度传感器的发展为基于三轴加速度传感器的跌倒监测创造了可能。在参考文献[1]中,采用通过加速度传感器监测人体姿态的方法来监测跌倒;在参考文献[2-3]中,采用基于加速度向量幅值SVM(Signal Vector Magnitude)和微分加速度幅值的绝对平均值MAVD(Mean Absolute Value of Differential)作为跌倒判断标准的检测方法。本文提出一种基于人体跌倒过程中加速度变化趋势的检测算法,该算法实现简单并且具有很高的精度。

人体跌倒时,提供精确的跌倒位置为及时救助提供了方便。常见的基于Zig Bee的定位方法有:基于接收信号强度值RSSI的测距算法[4]、基于到达时间TOA的测距算法、基于到达角度AOA的测距算法以及基于质心算法和DV-HOP算法的估计距离定位算法。但这些算法不是精度低,就是算法复杂,或者成本偏高。本文提出一种基于RSSI查找表和方差分析的定位算法,并采用硬件加速的方法予以实现,不但满足了实时定位的要求,并且具有很高的定位精度。跌倒报警采用移动手机作为监控终端,Zig Bee网络将跌倒信息传到本地监控中心,监控中心完成定位算法后将跌倒坐标通过GSM无线网络发送到医护人员的移动手机上,方便医护人员第一时间为跌倒者提供救助。

1 系统构架设计

系统主要由三大部分组成:可穿戴检测终端、Zig Bee传感器网络和监控中心,如图1所示。可穿戴检测终端由Zig Bee无线模块、ARM处理器和三轴加速度传感器构成,三轴加速度传感器监测人体跌倒过程中的加速度值并产生与跌倒相关的中断,ARM通过I2C总线对三轴加速度传感器进行配置并接收中断进而实现跌倒检测算法,Zig Bee无线模块负责数据传输。Zig Bee传感器网络由携带在人体上的移动盲节点、固定在环境中的参考节点和协调器节点组成,负责传递跌倒信息和生成用于定位的原始数据;监控中心利用Zig Bee网络生成的定位原始数据实现高精度定位并将跌倒信息和跌倒坐标利用GSM无线模块发送至医护人员的移动手机上。

2 算法与实现

2.1 Zig Bee无线传感器网络

无线传感器网络采用的网络类型为网状网,网络中有协调器、路由器和终端三种设备。在该系统中,除了协调器节点外,移动盲节点和固定在环境中的参考节点都是路由器。在网络组建成功之后,协调器将查询移动盲节点,接着盲节点将以单跳方式广播8次blast信息,参考节点接收到8次盲节点的接收信号强度值RSSI(Received Signal Strength Indication)并求平均值之后发送给协调器节点,协调器节点将这些信号强度值发给监控中心作为定位的原始数据。另外,在监测到人体跌倒之后,盲节点将通过传感器网络把跌倒信息发送到监控中心。

2.2 实时室内定位

室内定位问题一直是个难点。由于室内环境的复杂性很高,信号在传播过程中,反射、多径传播、非视距、天线增益等问题都会对信号强度的损耗造成影响。所以,对RSSI进行数学建模需要加入大量的修正因子,由此也加大了算法实现难度或者不能保证实时定位的要求。另外,大量文献中采用的基于RSSI测距再通过三边测量的定位法精度都很难保证。基于这个原因,本文提出了一种根据实际环境构造RSSI查找表、利用方差分析的定位算法。

如图2所示,将参考节点范围内的区域划分成大小相同的若干小正方形区域。构建好传感器网络之后,将移动盲节点放置到每个小正方形区域的中心,测量各个参考节点接收到的移动盲节点的RSSI值;通过多次测量求平均值得到该小正方形区域的RSSI值,同时记录该区域的中心坐标,这样便构建了一个带坐标值的RSSI查找表。这种方法不仅避免了对复杂环境进行RSSI信号建模,同时提高了测量精度。在定位过程中,将移动盲节点的RSSI值与带坐标值的RSSI查找表进行遍历方差计算,找到最小方差值的那个RSSI值对应的坐标即可得到移动盲节点的位置坐标。在实验中,将一个8 m×8 m的房间划分成64个小正方形区域,通过实测构建RSSI查找表,查找表中包括了坐标值和对应该坐标的每个参考节点的RSSI值。基于C语言的定位算法描述如下:

该算法中有大量的加/减法和乘/除法计算,如果采用嵌入式软件方法进行实现,将会花费大量的计算时间,不能满足实时定位的要求。为此,针对该算法设计了一个基于FPGA的硬件加速器,该加速器采用并行计算和流水线的方式实现,其硬件框图如图3所示。

基于硬件加速的定位算法实现流程:将RSSI查找表平均分成8组并行计算;每一组通过减法、乘累加和移位操作计算方差值,并通过比较器找出组内最小方差值和对应标号;8组并行计算得出的最小方差值再通过比较器找到相对于整个RSSI查找表的最小方差和对应的标号,通过标号就可以在RSSI查找表中得到移动盲节点此时的位置坐标。整个流程由控制器控制。

2.3 跌倒监测

ADXL345三轴加速度传感器内置有运动检测功能和中断系统。ARM处理器通过I2C总线接口对传感器的内部寄存器进行配置来设定产生各种中端的加速度和时间阈值;ARM处理器同时接收加速度传感器的中断并通过I2C总线读取跌倒过程中的运动状态来实现跌到检测。

跌倒检测算法主要是研究人体跌倒过程中加速度的变化特性[5]。人体跌倒过程中的加速度变化曲线如图4所示。通过与人体正常活动(上下楼、起立、坐下、跳起、下蹲)过程中的加速度的变化特性相比较,可以得到人体跌倒过程中的4种关键特性(失重、撞击、静止和跌倒后)与初始状态的差异性。对这4种关键特性的检测可以作为检测到人体跌倒的标准。该算法可以很精确地监测到人体跌倒,同时不会将人体正常起居活动误判为跌倒。

人体跌倒过程分析:正常情况下,加速度传感器的矢量和一般大于1 g;失重现象会发生在跌倒之初,此时加速度的矢量和降低至0 g的水平;发生失重后,人体将于地面相撞击,在加速度曲线中表现为剧烈冲击;一般地,跌倒并撞击地面后,人体无法立即站起来,人体会在短时间内保持静止;在跌倒之后,加速度传感器3个轴的值与初始状态相比有很大不同。上述4种情况共同构成了整个跌倒算法。图5所示为在ARM处理器上实现的算法流程。

2.4 报警系统

检测到人体跌倒之后,监控中心实时地计算出跌倒位置坐标并通过向GSM无线模块发送AT命令来发送报警短信。跌倒位置坐标转化成Unicode代码后以PDU格式发送中文短信。接收报警短信的号码可随意设置,比如发送给不同的医护人员、救护中心以及家属,以便最大程度地监控老人跌倒和提供及时救助。

3 系统测试

为了验证本方案的可靠性,进行了充分的实验。在参考节点覆盖的区域内随意移动盲节点,本系统测试得到的位置坐标和实际位置坐标的误差在1 m以内;在人体向前、向后、向左和向右4个方向跌倒时,均可以100%检测到人体跌倒;每次发生跌倒之后,监控手机均能在5 s之内接收到跌倒报警和跌倒位置信息。同时,还测试了本系统对伪跌倒的区分度,人体在正常行走、跑步、起跳、坐下、下蹲和上下楼梯时均不会出现检测到伪跌倒的状况。

本文提出并实现了一个具有定位和远程报警功能的无线人体跌倒监测系统。定位功能以Zig Bee无线传感器网络中参考节点接收到的盲节点的RSSI值为基础,建立RSSI查找表和方差分析的定位算法,并用硬件加速器实现。系统定位实时性高,精度达到1 m。通过研究人体跌倒过程中加速度变化特性,采用三轴加速度传感器和ARM处理器实现了高精度的人体跌倒监测功能。远程报警终端采用常见的移动手机,在被监控者发生意外跌倒时,将发送跌倒报警和跌倒位置信息。

参考文献

[1]MOSTRAC P,ROMAN M,JURCEVIC M,et al.System formonitoring and fall detection if patients using mobile 3-axisaccelerometer sensors[C].2011 IEEE International Workshopon MemeA,Bari,2011:456-459.

[2]CHEN T C.Fall detection and location using ZigBee sensornetwork[C].Cross Strait Quad-Regional Radio Science andWireless Technology Conference,Harbin,2011,2:937-941.

[3]Gao Yang,Gao Jingmin,Wang Jiuhe.Research of humenfall detection algorithm based on tri-axis accelerometer[J].International Conference on Remote Sensing,2012,500:623-628.

[4]Zhang Tong,Wang Jue,Liu Ping,et al.Fall detection bywearable sensor and one-class SVM algorithm[J].LectureNotes in Control and Information Sciences,2006,345:858-863.

检测和定位篇7

随着管道运输在国民经济中发挥的作用日益提高, 管道的维护和管理、泄漏检测及管道的安全运行已成为重要的研究课题, 受到了世界各国的高度重视。在众多的泄漏检测与定位方法中, 负压波法以其原理简单、检测速度快等优点, 在实际管线中的应用越来越广泛[1]。其基本原理是通过设置在泄漏点两侧或泵站内的传感器来采集压力波信号, 根据压力波的物理特征和时间差, 利用信号处理方法即可检测泄漏的存在, 同时确定泄漏位置。

在负压波方法中, 根据信号处理手段的不同又产生了不同的方法, 如基于相关分析的负压波法、基于小波变换的负压波法等。其中, 基于小波变换的负压波法对输入信号的要求较低, 计算量小, 克服噪声能力强, 但该方法对由工况变化及泄漏引起的压力突降难以识别, 易产生误报警。而基于相关分析的负压波法作为一种最原始的方法, 由于受外界噪声等各种因素的干扰, 使得直接对信号进行相关分析, 定位误差往往较大。

经验模态分解 (EMD) 是近年来信号分析领域的一个突破, 它是一种将时域信号按频率尺度分解的数值算法, 可以根据被分析信号自身的特点, 将信号分解为若干个固有模态函数 (IMF) 之和, 分解出的各分量突出了信号的局部特征, 因此非常适用于非平稳信号的分析[2]。考虑到管道泄漏所产生的负压波信号具有强烈的非平稳特征, 因此, 本文将EMD方法应用到长输管道的泄漏检测与定位中, 通过对泄漏产生的负压波信号进行EMD分解, 利用其对非线性、非平稳信号敏感的特点, 有效地提取了泄漏特征, 从而在一定程度上提高了定位精度。

1 基于负压波的相关检漏原理

当管道发生泄漏时, 在泄漏处会引起压力突降形成一个负压波, 该波以一定波速自泄漏点向管道两端传播, 利用安装在泄漏点两端站点的压力传感器检测到的压力变化信号, 在进行相关分析的基础上即可判断是否发生泄漏, 根据入口和出口端接收到该波的时间差及波在介质中的传播速度即可进行泄漏点的定位, 检测原理如图1所示。

常规的定位公式为:

式 (1) 中, L为站间管道长度, m;x为泄漏点距上端站点的距离, m;v为管道传输介质中压力波的传播速度, m/s;Δt为上下游传感器接收到压力波的时间差, s。

由式 (1) 可知, 精确定位的关键是确定压力波的传播速度v及上下游传感器接受到压力波的时间差Δt, 其中, v一般取声波波速v=340m/s, Δt的确定可采用相关分析的方法得到, 具体如下:

设上下游传感器接收的压力信号分别为P1 (t) , P2 (t) , 它们可以表示为:

其中, Na (t) , Nb (t) 为上下游传感器接受到的噪声信号, p (t) 为接收到的负压波信号。

对P1 (t) , P2 (t) 进行相关运算, 有:

为处理数据方便, 一般认为泄漏产生的负压波信号与噪声信号无关, 且噪声信号Na (t) , Nb (t) 之间也是不相关的, 由此, 上式等价为:

当相关函数RA, B (τ) 达到最大时所对应的τ即为负压波信号传播到上下游传感器的时间差Δt。由于相关函数RA, B (τ) 在τ=τ0处取得极大值的必要条件是RA, B (τ) 在τ0处的导数等于0, 因此可求出τ0=Δt, 代入到式 (1) 即可定位。

然而, 在实际工业现场, 由于受各种外界噪声 (振动噪声, 环境噪声, 仪器噪声等) 的干扰, 同时加之管道运输距离较长, 由泄漏所产生的负压波信号往往被淹没在噪声信号中。通常的做法是首先对信号进行消噪处理, 得到较为洁净的负压波信号, 然后再采用上述方法得到Δt。但是, 由于对噪声的来源及性质不明确, 消噪处理往往缺乏针对性, 一般消噪过程并不能将噪声信号完全滤除, 消噪效果并不理想。同时, 由于噪声之间也不完全满足不相关的条件, 因此, 采用上述算法求Δt误差较大, 随之带来的定位误差也就比较大。

2 经验模态分解 (EMD) 原理

经验模态分解理论是由美国国家航空航天局 (NASA) 的美籍华人NordenE Huang及其同事于1998年提出的, 并在随后进行了改进[3]。EMD本质是对信号进行平稳化处理, 其结果是可以把不同特征尺度或层次的波动或趋势从原信号中分解出来, 得到一系列具有不同特征尺度的本征模态函数 (IMF) 分量, 分解唯一, 且IMF间具有正交性。

EMD的分解过程如下:

1) 确定信号x (t) 所有的局部极值点, 然后用三次样条曲线构造x (t) 的上 (极大值点) 、下 (极小值点) 包络线u (t) 和v (t) , 则上下包络线的平均曲线:

2) 从原始信号中减去m1 (t) 有:

若h1 (t) 满足本征模态函数的条件, 则h1 (t) 即为x (t) 的第一个分量, 否则, 把h1 (t) 作为原始数据, 重复1) , 得到上下包络线的平均值m11 (t) , 再判断h11 (t) =h1 (t) -m11 (t) 是否满足本征模态函数的条件, 如不满足重复循环k次, 直到得到的

满足本征模态函数的条件, 并记:

则IMF1 (t) 为信号x (t) 的第一个本征模态函数分量。

3) 将IMF1 (t) 从x (t) 中分离出来

将r1 (t) 作为原始数据, 重复上述的1) 、2) , 得到n个本征模态函数, 直到rn (t) 成为一个单调函数不能再从中抽取满足本征模态函数的分量时, 循环结束。综合式 (7) - (10) 有:

即原始信号x (t) 被分解为n个本征模态函数IMFi (t) 和1个残余分量rn (t) 之和, 分量IMFi (t) 分别包含了信号从高频到低频的不同频率成分, 从中可以看出, 高频信号总是最先被分离出来, 最后分解得到的残余分量是一单调函数, 体现了信号的趋势。

3 基于经验模态分解 (EMD) 相关检漏方法

3.1 基于EMD和相关分析的检漏原理

IMF代表了信号的内在波动模式, 因此对分解后的IMF进行分析可获得信号中更丰富的波动信息。但是, 在EMD分解的过程中会产生一些虚假成分而引起误诊。如何从众多的本征模态分量中提取含有泄漏信息的主要信号成分, 是准确进行泄漏特征提取的关键。因此, 本文结合EMD对非平稳信号在不同尺度上具有突出局部特征的属性和相关分析法的特点, 提出了基于EMD和相关分析的管道泄漏检测与定位方法。该方法首先通过经验模式分解将原始上下游接收到的负压波信号分解为若干个IMF, 将分离出的各IMF与原始信号进行相关分析, 求取与各分量相对应的相关系数, 依据相关系数序列值确定包含原始信号主要信息的主IMF, 并通过对所提取的主IMF分量进行重构, 从而除去虚假成分, 消除泄漏检测的各类干扰等不相关分量的影响;其次, 利用重构后的较为洁净的负压波信号, 采用1中的负压波相关检测原理完成泄漏的检测与定位。具体步骤如下:

步骤1将泄漏产生的负压波原始信号进行EMD分解;

步骤2将分解得到的各IMF与原信号进行相关系数计算, 并提取相关系数较大者作为主IMF;

步骤3对主IMF进行重构;

步骤4对重构后的上下游信号进行相关分析, 并求得相关系数最大时所对应的Δt;

步骤5代入公式 (1) 进行泄漏点定位。

3.2 实验研究及结果分析

已知某输气管道数据如下 (假设为水平管道) :

全长L=170km, 管径Υ649.6×8.74mm, 上站压力P=50×105Pa, 下站压力26.42×105Pa。图2, 图3是模拟管道在x=100.7km处发生泄漏时上下游传感器所采集到的负压波信号。

若直接对两信号进行互相关分析, 所得Δt=57.7s, 从而定位为x=94.809km, 定位相对误差为e=5.85%。

图4是对图2所示的泄漏信号进行EMD分解的结果, 共得到10个IMF及1个表征趋势的残余分量r。从中可以看出, IMF1、IMF2及IMF3频率较高, 幅值较大, 包含了信号的主要成分。残余分量r是一缓慢下降的单调曲线, 表征了负压波信号的趋势, 物理意义明确。进一步计算各IMF与原始信号的相关系数 (见表1) , 从中也可以看出, IMF1、IMF2、IMF3及r相关系数较大, 与原信号的相关性较为明显, 从而可将其确定为主IMF, 对其进行重构可得到图5的结果。

用同样的方法, 可对下游传感器接收到的负压波信号进行处理, 其中, 图6是对原始泄漏信号进行EMD分解的结果, 图7是对分解后的主IMF分量进行重构的结果。

最后, 对重构后的两信号进行相关运算, 此时得到Δt=86.1s, 从而定位为x=99.637km, 定位相对误差为e=1.1%。

通过改变x的位置, 又获得了2组实验数据。具体结果见表2。

可见, 采用EMD方法对泄漏所产生的负压波信号进行分析, 有利于提取信号的本质特征, 有效提高定位精度。

4 结论

针对长输管道泄漏检测与定位中噪声干扰问题, 本文提出了一种基于EMD分解和相关分析的管道泄漏检测与定位方法。该方法利用EMD分解特性和相关分析技术, 提取包含故障信息的主要IMF分量, 通过对所提取的主IMF分量进行重构, 消除了不相关分量的干扰, 提高了泄漏信号的相关程度, 从而提高了定位精度。实验结果验证了该方法的有效性。

摘要：针对长输管道泄漏检测与定位中噪声干扰问题, 提出了一种基于EMD分解和相关分析的管道泄漏检测与定位方法。该方法利用EMD分解特性和相关分析技术, 提取了包含故障信息的主要固有模态函数 (IMF) 分量, 增强了泄漏信号的本质特征。通过对所提取的IMF主分量进行重构, 消除了不相关分量的干扰, 提高了泄漏信号的相关程度, 从而提高了定位精度。实验验证了该方法的有效性。

关键词：经验模态分解 (EMD) ,相关分析,泄漏检测,管道

参考文献

[1]张布悦, 王贵增, 刘吉东, 等.输油管线泄漏检测与定位技术综述.上海海运学院学报, 2001, 22 (3) :13—16

[2] Huang N E, Shen Z, Long S R, et al.The empirical mode decomposi-tion and the Hilbert spectrumfor nonlinear and non-stationary time se-ries analysis.Proceedings of the Royal Society of London A.London:The Royal Society, 1998, 454:903—995

[3] Bassiuny AM, LI Xiao li, Du R.Fault diagnosis of stamping processbased on empirical mode decomposition and learning vector quantiza-tion.International Journal of Machine Tools and Manufacture, 2007;47:2298—2306

[4]崔玲丽, 高立新, 张建宇, 等.基于EMD的复合故障诊断方法.北京科技大学学报, 2008;30 (9) :1055—1060

检测和定位篇8

人脸作为图像与视频中重要的视觉对象之一, 是智能人机接口等许多应用的处理目标对象。近年来, 人脸检测技术在模式识别、计算机视觉、人机交互等诸多领域引起了普遍重视。人脸检测技术在计算机视觉等领域的研究中有着重要的意义:一方面, 将人脸作为基本视觉对象来考虑, 是自动检测与人脸识别、人脸跟踪、表情识别、人脸合成与人脸编码、唇读等技术的必要前提;另一方面, 人脸检测技术有着从智能安全监控、电子商务、视频会议和远程教育、基于内容的检索等诸多领域的广泛应用。

人脸检测是指在使用计算机在输入图像中判断人脸是否存在, 若存在, 确定人脸的大小、位置。人脸检测系统的输入可能包含人脸图像, 输出是关于图像中是否存在人脸及人脸数目、位置、尺度、姿态等信息的参数化描述。具体地说, 就是根据一定的算法确定输入图像是否存在人脸, 如果存在的话, 标出人脸的位置作为人脸检测系统的输出。

1 肤色建模

肤色是人脸最重要的信息, 而且肤色不受面部细节特征、旋转、表情变化以及饰物遮挡等情况的影响。

不同种族、性别人的肤色差异主要体现在亮度上。要提高肤色的聚类性就要消除亮度的影响。经过实验验证, 在YCrCb色彩空间下, 利用肤色模型求相似度矩阵返回每个像素是否为肤色的概率Fmod。获取矩阵的最大值对相似度矩阵进行归一化。计算整张图片的亮度平均值。归一化之后的每个矩阵点乘以255, 如果该值仍然小于整张图片的Y分量平均值, 则认为该点不是人脸的皮肤。最后把认为是人脸皮肤的像素点置为白色, 其余的点置为黑色, 得到黑白二值图像。其中, RGB色彩空间转换YCrCb色彩空间如式 (1) 所示, YCrCb空间下肤色相似度Fmod计算如式 (2) 所示。

undefined

(1)

F mod=exp (-0.5 (x-m) TC-1 (x-m) ) (2)

其中, x= (Cb, Cr) T, m=E (x) , C为协方差矩阵, C=E[ (x-m) (x-m) T]。

2 眼睛定位

由肤色模型确定的区域并不一定就是人脸区域, 有可能是手臂、脖子或其它与肤色相近的色块区域, 为了进一步验证是否是人脸区域, 需进一步检测这些区域中是否有眼睛。

在之前确定的人脸区域内, 根据图1所示人脸结构, 以距左边界0.08～0.36宽度、距下边界0.58～0.78长度的矩形内检测左眼, 以距左边界0.64～0.92宽度、距下边界0.58～0.78长度的矩形内检测右眼。具体检测方法为:分别统计两个小矩形内亮度小于某个亮度的像素点比例, 当大于某个阈值时, 认为在该区域内存在眼睛, 这个区域为最终确定的人脸区域, 否则删除这个区域。

3 实验结果

(1) 打开位图文件的结果 (图2) 。

(2) 皮肤颜色建模结果 (图3) 。

(3) 得到人脸区域结果 (图4) 。

(4) 眼睛亮度匹配排除非任梁区域结果 (图5) 。

(5) 勾勒人脸, 得到最终确定的人脸区域 (图6) 。

4 结语

通过实验证明, 肤色模型能够很好地区分出皮肤区域, 依据人脸结构再在肤色区域内检测是否存在人眼, 就能筛选出人脸区域。本项目的方案是完全可行和有效的。

目前系统存在的主要问题为:①只能判断正面人像区域, 对于侧面人像不能准确判断;②对于配戴眼镜、头发遮挡额头等特殊情况准确率较差。这些问题是下一步研究的任务。

摘要：提出了基于肤色建模和眼睛亮度检测的方法对彩色图像中的人脸进行检测。在检测前, 先对图像进行光线补偿, 再通过肤色模型获得可能的脸部区域, 最后根据眼睛在人脸固有位置亮度检测人眼, 最终确定人脸区域。通过实验测试说明, 该方法对人脸的检测达到了较好的效果。

关键词：人脸检测,光线补偿,肤色建模

参考文献