[发明专利]基于全方位计算机视觉的智能隧道安全监控装置

摘要

一种基于全方位计算机视觉的智能隧道安全监控装置，包括微处理器、用于监视隧道现场的视频传感器、与外界通信的通信模块，微处理器包括：图像数据读取模块，用于读取从视频传感器传过来的视频图像信息；文件存储模块，用于将视频传感器采集的数据存储到存储器中；现场实时播放模块，用于连接外部的显示设备，将监视现场画面实时播放；视频传感器的输出与微处理器通信连接，利用全方位计算机视觉传感器对隧道现场进行监视，不断进行图像处理和分析，通过对隧道中早期火灾火焰的形体变化特征来探测以及发现隧道早期火灾，通过对隧道中的车辆进行识别，得到车流量、车道占有率、车辆分类、车速等交通数据以及其他一些在隧道内发生的交通事故。

主权项

1、一种基于全方位计算机视觉的智能隧道安全监控装置，所述的智能隧道安全监控装置包括微处理器、用于监视隧道现场的视频传感器、用于与外界通信的通信模块，所述的微处理器包括：图像数据读取模块，用于读取从视频传感器传过来的视频图像信息；文件存储模块，用于将视频传感器采集的数据存储到存储器中；现场实时播放模块，用于连接外部的显示设备，将监视现场画面实时播放；所述的视频传感器的输出与微处理器通信连接，其特征在于：所述的视频传感器是全方位视觉传感器，所述的视觉传感器包括用以反射监控领域中物体的外凸折反射镜面、用以防止光折射和光饱和的黑色圆锥体、透明圆柱体、摄像头，所述的外凸折反射镜面位于透明圆柱体的上方，外凸折反射镜面朝下，黑色圆锥体固定在折反射镜面外凸部的中心，摄像头对着外凸反射镜面朝上，所述的摄像头位于外凸反射镜面的虚焦点位置；所述的微处理器还包括：传感器标定模块，用于对全方位视觉传感器的参数进行标定，建立空间的实物图像与所获得的视频图像的对应关系；图像展开处理模块，用于将采集的圆形视频图像展开为全景柱状图，根据圆形全方位图像上的一个点(x*，y*)和矩形柱状全景图上的一个点(x**，y**)的对应关系，建立(x*，y*)与(x**，y**)的映射矩阵，式(1)所示：P**(x**，y**)←M×P*(x*，y*) (1)上式中，M是映射矩阵，P*(x*，y*)是圆形全方位图像上的像素矩阵，P**(x**，y**)是矩形柱状全景图上的像素矩阵；颜色模型转换模块，用于将彩色图像中的每一个像素点的颜色从RGB颜色空间转换到(Cr，Cb)空间颜色模型；运动对象检测模块，用于从视频流中实时提取目标，对每个图像点采用多个自适应混合高斯模型表示，设用来描述每个点颜色分布的高斯分布共有K个，分别标记为：η(Yt，μt，i，∑t，i)，i＝1，2，3…，k各高斯分布分别具有不同的权值${\omega }_{t,j}(\underset{i}{\Sigma }{\omega }_{t,i}=1$ 和优先级pt，j＝ωt，i/σi，j，其中σi，j是各高斯分布的方差；各个高斯分布优先级从高到低的次序排序，取定背景权值部分和阈值M，只有满足$B=\mathrm{mi}{n}_b\underset{1}{\overset{b}{\Sigma }}{\omega }_j>M,$ 前若干个分布才被认为是背景分布，其它则是前景分布；在检测前景点时，按照优先级次序将Yt与各高斯分布逐一匹配，若没有表示背景分布的高斯分布与Yt匹配，则判定该点为前景点；否则为背景点；若检测时没有找到任何高斯分布与Yt匹配，则将优先级最小的一个高斯分布去除，并根据Yt引入一个新的高斯分布，并赋予较小的权值和较大的方差，对所有高斯分布重新进行权值归一化处理；若第μ个高斯分布与Yt匹配，则对第i个高斯分布的权值更新公式如下，$\left\{\begin{array}{c}{\omega }_{t+1,i}=(1-\alpha ){\omega }_{t,i}+\alpha *{\omega }_{t+1,i}\\ {\omega }_{t+1,i}=(1-\alpha ){\omega }_{t+1,i}\mathrm{otherwise}\end{array}\right.---\left(17\right)$ 其中α是表示背景更新快慢的常数—权值更新率，式(17)表明只有与Yt相匹配的高斯分布的权值才得到提高，其它分布的权值都被降低；另外，相匹配的高斯分布的参数也按照式(18)、(19)进行更新；μt，i＝(1-α)μt，i+αYt (18)σt，i2＝(1-α)σt，i2+α(Yt-μt，i)2 (19)式中，μt，k为第K个高斯的亮度期望，σi，k为第K个高斯的亮度方差；在更新完高斯分布的参数和各分布权值后，还要对各个分布重新计算优先级和排序，并确定背景分布的数目；对背景点、静止前景点、运动前景点的更新率进行区别对待，对式(17)中的权值更新率更改为β，有区别与高斯分布参数的更新率α，更改后的权值更新公式由式(20)给出：$\left\{\begin{array}{c}{\omega }_{t+1,i}=(1-\beta ){\omega }_{t,i}+\beta *{\omega }_{t+1,i}\\ {\omega }_{t+1,i}=(1-\beta ){\omega }_{t+1,i}\mathrm{otherwise}\end{array}\right.---\left(20\right);$ 运动目标分割模块，用于根据空间连续性采用连通区域检测算法来分割目标，先对消除了背景模型后的前景点集F分别进行膨胀和腐蚀处理，得到扩张集Fe和收缩集Fc，通过处理所得到的扩张集Fe和收缩集Fc可以认为是对初始前景点集F进行填补小孔和去除孤立噪声点的结果；因此有以下关系Fc＜F＜Fe成立，接着以收缩集Fc作为起始点，在扩张集Fe上检测连通区域，然后将检测结果记为{Rei，i＝1，2，3，…，n}，最后将检测所得的连通区域重新投影到初始前景点集F上，得到最后的连通检测结果{Ri＝Rei∩F，i＝1，2，3，…，n}；在所述的运动目标分割模块中分割出目标区域后，提取前景目标的静态特征，其中包括外接矩形大小、面积、长宽比、中值点位置、颜色投影直方图；目标跟踪模块，用于采用二阶Kalman滤波器作为目标的运动模型，预测运动目标的位置，在对预测后的运动目标和前景目标进行匹配时，利用图像块匹配来精确定位目标的位置，建立静态前景目标和受跟踪的动态运动目标之间的对应关系。