摘要:液位是工业测量的重要参数之一,如何准确有效的对液位进行测量一直是研究的一个重点。为解决上述问题提出将视频技术应用于液位测量的新方法。当出现干扰时,以往的直接测量算法很难准确测量,而运用此方法,首先根据液位运动特性,建立其运动的数学模型,在采用更新函数的背景差法基础上,提出了一种卡尔曼滤波的预估校正算法,避免了测量中对单帧图像信息的依赖,提高了检测系统抗扰性。实验仿真表明,算法有效地保证了液位跟踪的准确性、稳定性和连续性。
1 引言
液位是工业过程中需要测量的重要参数之一。液位检测是指测量气-液、液-液、液-固分界面位置的技术,广泛用于水力、石油化工等流程工业中。有效的检测和跟踪液位对于汛情预报、有效预防洪汛灾害具有很高的参考价值。已有的测量方法[1]主要有利用压力浮力原理、液位传感器原理、以及超声波技术等直接测量法,对液位检测环境依赖性强,且对于液位的实时检测,往往存在较大误差。鉴于此,欲采用视频技术对液位进行检测。
随着图像处理与计算机视觉技术、通信与网络技术的发展,客观上具备了利用视频方法对液位进行检测的条件。通过安装在固定位置的摄像头采集液位图像,应用图像处理技术处理图像数据,获取实时、丰富、动态的液位信息。视频检测的主要特点在于它的非接触性全场测量、高测量灵敏度以及大的时空动态范围。而软件平台和算法的不断完善以及微处理芯片处理速度的增加为视频技术检测液位的嵌入式实现打下了基础,使得它成为一个新兴的发展方向。
本文即针对摄像机静止情况下固定场景内的液位变化,提出了一种对液位进行检测、跟踪的方案:提取当前帧的目标区域,采用更新函数的背景差方法实现了对背景的抗干扰性,解决了后续处理中的一个关键影响因素;建立帧间液位变化的相互联系,采用卡尔曼滤波预测液位参数。该算法简单有效,可在实时监控系统中实现对液位的检测和跟踪。
2 图像预处理及液位的检测
液位是不断运动变化的,运用图像处理方法处理此类问题,很关键的一步就是抗干扰性,要消除或尽量减弱光照对图像选取的影响。图像序列具有复杂性,光线、目标动态变化使得获取背景图像复杂,且需动态更新,如何进行背景图像和目标图像的准确分割是后续处理的基础。
传统的运动目标检测算法一般采用相邻帧图像差分,背景差方法来实现判断,相邻帧图像差分法处理速度快,但是对光照变化敏感,若光照变化剧烈,有物体影子,有小的运动物体,或图像效果受污染严重,则效果欠佳[2]。背景差的方法的难点在于背景图像的维持与更新。实际上,场景中背景很复杂,存在干扰,且随时间而不断变化。在这里,采用背景差法检测出变化的液位,即选取一幅参考图像作为背景图像,采用当前图像与背景图像相减来检测液位运动,鉴于场景变化(如光照、阴影等)的影响,在此引入一种去除光照影响的实时背景更新方法来提高检测的精度。
首先选取不包含目标区域的一段时间内的背景帧,采用输入视频的其中一幅图像作为初始背景,对其进行中值滤波,滤除由传感器引起的噪声,然后得到背景图像中各个像素值,建立背景模型(u,σ2)[3],u为像素值的均值,σ2为像素值的方差。假设光线变化相对于物体运动变化缓慢,而目标区域中的像素参数保持不变,非目标区域中像素参数采用递归算法更新。已知在t+1时刻的背景中某像素值Zt+1,则
传统的简单的背景差法检测运动目标受场景变化影响很大,视场内的光照变化、杂物的干扰、噪声污染直接影响到检测的精度,而融入更新函数的背景差法,添加了自适应光照敏感项,既可以抑制光照变化的影响,而且可以避免较小的扰动对采集的图像造成的影响,同时也减少了系统的计算量,保证了运动目标检测的精确度。
令
如果Count为1,说明液位发生变化,则对其进行追踪和检测;如果Count为0,则说明液位较起始图像没发生变化,不需要对其进行处理,直接转向对下一帧已获取图像的检测。对于检测到液位有变化的图像进行二值化,由于各种干扰因素的影响,所得到的图像可能会存在断续的情况,采用形态学滤波方法对其进行一定处理。设定一定的阈值Td,如果两个断续的点之间的距离小于阈值Td,则合并为一个点;大于阈值Td的点则丢弃。通过这种阈值的设定,小的扰动形成的干扰(如小的树叶或其他杂质)可被消除,从而可以得到比较精确的液位线。
3 基于卡尔曼滤波的液位运动参数估计及运动轨迹跟踪
3.1 卡尔曼滤波
针对以上方法所检测到的变化的液位,为了使其具有实用价值,有必要对其进行实时性的跟踪,并对其发展趋势进行一定的预测,使之可以广泛应用于生产生活中的各个方面。已有的解决方法有基于区域的跟踪[4],基于模型的跟踪[5],基于活动轮廓的跟踪[6],但这些方法的算法比较复杂,不能很好的满足实时性的要求,特别对于嵌入式实现而言,在这里,引入扩展卡尔曼滤波器。
卡尔曼滤波器是一个“optimal recursive data processingalgorithm(最优化自回归数据处理算法)”。其基本思想是:采用信号与噪声的状态空间模型,利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计,求出现时刻的估计值。它是用状态方程和递推方法进行估计的,因而对信号的平稳性和时不变性不做要求。它适合于实时处理和计算机运算,对于解决很大部分的问题,他是最优,效率最高甚至是最有用的。
3.2 参数估计
由液位特性,可将其看作为运动趋势基本一致的点集合。通过前述检测方法可得到一条完整液位线。在实际生产生活中,一般的液位变化并不是一个匀速变化的过程,由于各种因素的影响,它可能长时间的保持不变,也可能突然发生跳变,鉴于此,可将液位的运动看做是一个由随机加速而被扰动的直线运动过程,则有动力学公式:
由于液位的运动模型是一个非线性运动模型,常规方法是用扩展卡尔曼滤波(EKF)进行处理,但它在强非线性和非高斯环境下跟踪性能较差,甚至会出现滤波发散,导致预测失败。在这里,仅取液位位置和运动速度为状态变量,而将变化量at作为一种输入,则直接将非线性问题线性化了,得到的增广状态方程如下:
利用卡尔曼滤波对液位进行跟踪。首先从摄像头获取的图像中得到液位位置xk-1,计算结果为yk-1;再求出tk时刻液位将出现的位置x^-k;然后通过摄像头确定运动后的液位位置xk,计算结果为yk;最后通过预定位置x^-k与观测位置yk计算出tK时刻更为准确的液位位置x^k,便可实现对液位位置变化的跟踪。
at作为输入,取为at-1,由当前位置yk与前一时刻位置yk-1决定。由于观测位置yk与实际x^k通常有一定的偏差,导致at-1的值存在一定的误差,可通过第k次的计算加以修正,μ为修正系数。
设液位实际位置xk与预想位置x^-k之差为e-k, e-k为事前误差;液位实际位置xk与利用观测位置x^k得到的推断位置之差为ek, ek为事后误差,即:
实际上,每次对液位位置的确定都包含着两个过程。首先是根据状态方程预测位置的预测过程:
3.3 液位的跟踪
液位以随机加速度进行运动,运动轨迹是非线性的,根据已建立的状态方程和观测方程,通过卡尔曼滤波算法,预测下一帧图象中的液位位置,针对相邻帧之间液位变化,求出当前帧中液位在下一帧中的对应后继位置。前一采样时刻引入卡尔曼滤波预测下一时刻的液位信息,用预测的信息更新当前帧中的信息,并用预测值代替观测值用于下一帧(t+1时刻)的卡尔曼滤波方程。由于采用了校正算法,避免了测量中对于单帧图像的依赖性,即使某个时刻检测不到明显的液位或是液位超过视频检测范围,都不会影响下一帧图像液位位置的确定,且结果可用于对于后续图像的跟踪。同时,根据相邻帧建立对应关系,便于后续图像的跟踪使用,并保留液位的运动轨迹。
4 实验结果及分析
本文针对自来水厂蓄水池的水位变化,由CCD摄像头和相应的视频采集卡获取图片(图片采集速度为5帧/s,图像分辨率为320×240),用前述方法检测出变化的液位,采用卡尔曼滤波推断液位的高度变化,对不同情形下的液位变化进行了检测和跟踪。实验结果如图1、图2所示,图中黑色圆圈表示液位的实际高度观测值,蓝色星号表示根据状态方程直接预测出的液位高度值,红色加号表示经过扩展卡尔曼滤波预测修正后的高度值。
从图1可以看出,当液位平缓变化时,直接预测的高度值和经过卡尔曼滤波校正后的高度值相差不大,都能实现有效的实时跟踪。而当液位变化剧烈时,如图2,直接预测的结果与实际值有较大偏差,在液位变化急剧时,甚至会产生跟踪失败的结果;而经过卡尔曼滤波校正后,不管液位如何剧烈变化,即使是暂时不能检测到精确的液位,由于引入了校正系数,都可以得到较准确的预估校正值,不会对后续图像的处理造成影响,从而实现对液位有效的的实时跟踪。从实验结果可以看出,对于液位的随机变化,基于卡尔曼滤波预估校正的液位检测方法都能有效的实行实时跟踪,并且跟踪准确,可信度高。表明本文所述方案的检测和跟踪性能是令人满意的。
5 结论
本文针对摄像头静止情况下固定场景内的液位变化,提出了一种液位检测、跟踪算法。采用融入背景更新函数的背景差法提高液位检测的精度;利用液位变化的特性,引入非匀加速度直线运动模型模拟液位运动,保证了液位跟踪的准确性、稳定性和连续性;通过引入卡尔曼滤波预估校正算法,建立目标液位在下一帧中的预测信息,根据帧间液位关系进行校正。实验证明,这种方法可有效运用于对液位的实时监控中。它将在主动视觉的液位估计以及动态在线测量液位等领域得到广泛的应用。
参考文献:
[1] 任开春,涂亚庆. 20余种测量方法分析[J].工业仪表与自动化装置, 2003, 5: 12-16.
[2] 刘亚,艾海舟.一种基于背景模型的运动目标检测与跟踪算法[J].信息与控制, 2002.
[3] Stephen JMcKenna, et a.l TrackingGroUPS ofPeople[J]. Com-put. Vis. ImageUnderstanding, 2000, 8 (1): 42-56.
[4] C Wren, et a.l Real- time Tracking of the Human Body[ J].IEEE Trans. on Pattern Analysis andMachine Intel ligence, 1997,19(7): 780-785.
[5] IKaraulova, PHal,l AMarshal.l AHierarchicalModelofDynam-ic or Tracking People with a Single Video Camera[C]. Bristo: lBritishMachineVision Conference, 2000. 352-361.
[6] N Aragios, R Deriche. Geodesic Active Contours and Level Setsfor he Detection and Tracking oMf ovingObjects[J]. IEEE Trans.Pattern Analysis andMachine Intelligence, 2000, 22(3): 266-280.
[7] 张凯,等.实时动态环境下多智能体的路径搜索研究[J].机器人, 2004, 26(1): 74 77.
[作者简介]
陈金丽(1984-),女(汉族),湖南岳阳人,硕士研究生,主要研究领域为数字图象处理;
张 帆(1963-),男(汉族),湖南人,副教授,主要研究领域为智能信息处理和智能控制;
张 显(1984-),男(汉族),湖北人,硕士研究生,主要研究领域为数字图象处理。
