基于HOG特征和滑動框搜索的地面油氣管道檢測方法

雍歧衛(wèi),喻言家,陳 雁

(后勤工程學院 軍事供油系, 重慶 401331)

基于HOG特征和滑動框搜索的地面油氣管道檢測方法

雍歧衛(wèi),喻言家,陳 雁

(后勤工程學院 軍事供油系, 重慶 401331)

提出一種基于HOG特征和滑動框搜索的地面油氣管道檢測方法，能快速、高效、準確地檢測高分辨率無人機巡線圖像中的地面油氣管道。該方法首先提取管道與非管道圖像樣本的HOG特征，由所得特征作為樣本數據訓練油氣管道檢測分類器。將訓練好的分類器用在整張無人機巡線圖像中自動檢測油氣管道，利用與樣本管道圖像尺寸一致的滑動框對整張無人機巡線圖像進行掃描，提取滑動框中的HOG特征輸入到已訓練的分類器中判斷該窗口是否為管道，并進行標記。為了驗證提出方法的有效性，將此方法運用于235張高分辨率航拍圖像上進行油氣管道自動檢測，檢測精確率達到84.7%。

無人機；HOG特征；滑動框搜索；支持向量機；地面油氣管道檢測

油氣管道巡線工作是實時進行的，要求無人機能夠通過視頻傳回的當前幀圖像，對管線進行識別提取，獲取當前管線形狀、位置等信息，與樣本庫數據對比，及時發(fā)現問題區(qū)域，準確定位事故位置，將信息快速傳回地面站。傳統(tǒng)的方法是利用巡線圖像數據，制作正攝影圖像與樣本庫圖像匹配分析，需要無人機將整條線路巡查完畢后的整個環(huán)境圖像數據及POS數據，同時需要專業(yè)后臺軟件長時間運行處理，否則無法達到實時巡線的效果。

利用無人機遙感對地面油氣管道設備設施進行巡查，能夠大大提高巡線效率，減少人員工作量[1-2]。方向梯度直方圖(histogram of oriented gradient,HOG)特征是一種在目標檢測領域應用較為廣泛的特征描述子，最早運用在行人檢測上，一般以HOG+SVM 的思路為主[3-4]。本研究考慮到地面管道在形狀特征上一般為規(guī)則的圓柱體，管道邊緣成規(guī)則的平行直線，而HOG特征對于有一定形態(tài)規(guī)律的目標能夠較好地描述表達[5]。所以，本文采用HOG特征來描述油氣管道，引入SVM支持向量機訓練滑動框檢測分類器[6]，利用矩形框在圖片上進行掃描，提取每個矩形框中局部圖片特征，利用訓練好的分類器通過特征匹配來進行油氣管道識別。

1 HOG特征原理

HOG特征是法國學者Dalal等設計用于人體檢測的特征，它能夠通過梯度和邊緣的方向密度分布對目標的表象和形狀進行很好的描述，于2005年在CVPR會議上提出，在行人檢測中取得了十分顯著的效果[7]。

1.1 圖像歸一化

為了計算油氣管道的HOG特征，通常要先進行圖像歸一化來使得光線均衡，本文采取伽馬校正的方法。

圖1 gamma取0.4、1.4時的成像效果及灰度直方圖對比

1.2計算圖像梯度

計算圖像梯度。圖像的邊緣特征與像素點梯度值大小成正相關，通常采用計算圖像一階導數的方法來獲得梯度圖像，見圖2。還有一種變異的方法是用二階圖像導數作為基本塊檢測器，用來捕捉有用的特征。

圖2 垂直方向梯度圖

1.3 分割圖像

HOG特征是一種局部特征，需要對整張圖像切塊分割后分塊提取，圖像被分成均勻空間區(qū)域，稱之為分割區(qū)塊(cell)。每個區(qū)塊的HOG特征可以表示該區(qū)塊各方向邊緣的強弱。對于圖像分割的方式，分為overlap(區(qū)域交疊式分割)、non-overlap(區(qū)域不交疊式分割)兩種。overlap是指分割的區(qū)域有重合，這樣能避免將連續(xù)物體分割開，但會增加計算量；non-overlap與之相反，圖3為某型無人機拍攝的管線樣本圖像的分割效果及cell、block和管線樣本圖(image)的對應關系。

圖3 管道樣本圖像的分割效果

1.4像構建分割區(qū)塊(cell)梯度方向直方圖

將圖像分割后，需要計算每個分割區(qū)塊(cell)的方向梯度直方圖，生成該區(qū)塊的HOG特征編碼。計算步驟為：統(tǒng)計每一個區(qū)塊(cell)內所有像素的一階梯度幅值和方向，按邊緣方向把0～360°等分為若干類(bin)，對每個像素點按梯度方向α(x,y)進行歸類，采用像素點的梯度幅值對梯度方向α(x,y)進行加權投影，圖4為分割區(qū)塊內梯度方向統(tǒng)計圖。

圖4 分割區(qū)塊內梯度方向統(tǒng)計圖

1.5把分割區(qū)塊(cell)合并為塊(block)

把連在一起的分割區(qū)塊(cell)按照一定規(guī)律合并大的塊(block)。本文采用塊重疊(overlap)的方法，這種方式可以通過塊重疊對塊邊緣區(qū)域進行重新統(tǒng)計計算，從而達到塊邊界模糊的目的，使得處于塊邊緣部分的像素點被重新統(tǒng)計在圖像特征中，使得HOG特征描述更加精確。

1.6 塊內歸一化梯度直方圖

對block塊內的HOG特征向量進行歸一化，可以使最終得到的HOG特征向量對光照、陰影和邊緣的一些變化具有更好的魯棒性。本文采用的歸一化函數為：

(1)

式中ξ為接近0的正數。最后將所有block對應的特征串聯形成HOG特征，可以看出管道輪廓信息通過HOG特征能夠很好區(qū)分。

2 基于HOG特征和H分量顏色直方圖特征野戰(zhàn)管線識別流程

首先采用切片的方式，對無人機巡線圖像切取多張大小合適的管道樣本，然后提取樣本的HOG 特征與H分量顏色直方圖特征進行SVM分類器[8-9]訓練，最后將分類器運用到航拍圖像的管道檢測上，采取滑動框搜索的方法，選擇與切片樣本同樣大小的滑動窗口，從航拍圖像的左上方開始，按照規(guī)定間隔依次滑動，每滑動一次都對窗口內的圖像塊進行判斷，是管道就進行標記，不是則跳過檢測下一個窗口。為了縮短掃描時間，實驗采用了跳躍式掃描法，在保證全面掃描的情況下，盡量使滑動間隔達到最大，管線目標的識別算法流程圖如圖5所示。

圖5 管線目標的識別算法流程

3 實驗設計及結果分析

3.1 實驗數據

作者利用某型無人機對輸油管道進行了巡線模擬實驗，共拍攝巡線視頻19 min，利用視頻抽幀的方法提取圖片 2 000余張，實驗拍攝圖像為3 840×2 160的JPG格式。

3.2 分類器訓練集

從實驗巡線圖像中隨機選取部分圖像，根據實際成像效果，樣本塊的大小設置為100×80，利用切片法切取管道樣本和非管道樣本，所選取的樣本管道大多位于圖片塊的中心位置。整個訓練集有油氣管道樣本798張，如圖6所示，非管道樣本1 342張。

圖6 油氣管道樣本圖

3.3遺傳算法SVM參數尋優(yōu)仿真實驗

遺傳算法(genetic algorithm，GA)是一種生物學的進化尋優(yōu)算法，從多點開始，通過復制、交叉、變異的操作來進行參數尋優(yōu)。將遺傳算法運用到管線識別分類器的參數優(yōu)化中，尋找識別性能最好的懲罰參數C和RBF核參數g。本文按照上述方法，利用400個管線切片樣本與非切片樣本作為訓練集進行仿真實驗，得到的適應度曲線如圖7所示。

圖7 SVM分類器迭代過程適應度曲線

SVM分類器巡線HOG特征樣本最優(yōu)參數為：Bestc=4.591 9，Bestg=0.479 08，在該參數下的最優(yōu)適應度為99.289 1%。

3.4 評價方法

針對管道識別效果的評價， 采用準確率(Precision)、平均檢測時間(T)這兩個指標來衡量，好的識別算法應該在保證識別準確率高的同時，檢測時間更短[10]。其中Precision、T分別定義為：

(2)

(3)

式中：TP表示為檢測正確的野戰(zhàn)管線圖像數量；FP檢測器錯的管道圖像數量;Precision即指檢測正確圖像數與檢測出的全部圖像數的百分比；ti表示檢測第i張圖像時所用時間；T表示檢測全部圖像所用的平均檢測時間。

3.5 實驗結果及分析

實驗對235張測試無人機巡線航拍圖進行檢測，取得了較好的檢測結果：準確率達84.7%，檢測時間為2.1 s。從檢測結果來看，利用HOG特征訓練SVM分類器，并以“矩形的視角”來描述油氣管道目標，通過滑動框搜索實現油氣管道定位標記，該方法簡單易實現，可以靈活運用圖像分類中各類特征、相似度量算法與之結合。但是矩形窗體內包含了許多背景的信息，從而會對判定造成不利的影響；并且樣本尺度要與滑動框尺度一致，對于不同尺度下的圖像，需要采集不同樣本訓練不同尺度下的分類器，計算量較大，管道識別效果如圖8所示。

圖8 管線識別效果圖

4 結束語

利用無人機遙感技術對石油天然氣設備設施進行巡查維護，有利于節(jié)約人力成本，保障設備安全。本文針對無人機巡線條件下的油氣管道識別問題，提出了基于 HOG 特征和滑動搜索框的油氣管道檢測方法，為無人機智能化巡線提供一種新的思路。本方法的優(yōu)點為：利用油氣管道邊緣方向平行的特點，采用HOG特征對油氣管道進行描述，特征的魯棒性強；通過滑動框搜索與分類器判斷實現油氣管道定位標記，方法簡單、易實現，可結合多種特征訓練多個分類器，對各類目標進行檢測(如油氣泄漏、設備損壞等)。不足之處就是矩形框內背景噪聲干擾大，存在誤檢漏檢，需要作進一步研究改進。

[1] 李器宇,張拯寧,柳建斌,等.無人機遙感在油氣管道巡檢中的應用[J].紅外,2014(3):37-42.

[2] 常文見,孟凡輝,王倉,等.無人機遙感技術在長輸管道中的應用探討[J].價值工程,2013(32):197-198.

[3] 慕春雷.基于HOG特征的人臉識別系統(tǒng)研究[D].成都:電子科技大學,2013.

[4] 徐超,高夢珠,查宇鋒,等.基于HOG和SVM的公交乘客人流量統(tǒng)計算法[J].儀器儀表學報,2015(2):446-452.

[5] 向征,譚恒良,馬爭鳴.改進的HOG和Gabor,LBP性能比較[J].計算機輔助設計與圖形學學報,2012(6):787-792.

[6] 張伐伐,李衛(wèi)忠,盧柳葉,等.SVM多窗口紋理土地利用信息提取技術[J].遙感學報,2012(1):67-78.

[7] SURHONE L M,TENNOE M T,HENSSONOW S F,et al.Histogram of Oriented Gradients[J].Betascript Publishing,2016,12(4):1368-1371.

[8] 鄧乃楊，田英杰.數據挖掘中的新方法——支持向量機[M].北京：科學出版社，2005.

[9] 陳冰梅,樊曉平,周志明,等.支持向量機原理及展望[J].制造業(yè)自動化,2010(14):136-138.

[10] 徐寧,何文軍,吳新忠,等.血液白細胞圖像自動識別系統(tǒng)性能評價方案的設計與應用[J].臨床檢驗雜志,2013(1):76-77.

(責任編輯楊黎麗)

GroundOilandGasPipelineDetectionMethodBasedonHOGCharacteristicandSlidingBoxSearch

YONG Qiwei， YU Yanjia， CHEN Yan

(The Military Supply Department, Logistical Engineering University, Chongqing 401331, China)

A ground oil and gas pipeline detection method based on HOG features and sliding frame search is proposed, which can detect the ground oil pipeline in the high resolution unmanned aerial vehicle (UAV) patrol image rapidly, efficiently and accurately.The method firstly extracts the HOG features of the pipeline and non pipeline image samples, and uses the obtained features as the sample data to train the gas pipeline detection classifier.The trained classifier is used for automatic detection of UAV pipeline images. And using a sliding frame with a certain size to scan the whole patrol line image of the UAV, it extracts the HOG feature in the sliding box, and inputs it into the trained classifier to determine whether the window is a duct and mark it. In order to verify the effectiveness of the proposed method, this method is applied to automatic detection of oil and gas pipelines on 235 high resolution aerial images, and the detection accuracy is 84.7%.

UAV; HOG characteristics; sliding frame search; support vector machine; ground oil and gas pipeline detection

2017-08-16

國家自然科學基金資助項目(51475469)

雍歧衛(wèi)(1967—),男,四川南充人,碩士,教授,主要從事石油與天然氣工程研究，E-mail；270245904@qq.com，通訊作者 喻言家(1993—),男,湖南岳陽人，碩士研究生,主要從事石油與天然氣工程研究，E-mail:270245904@qq.com。

雍歧衛(wèi),喻言家,陳雁.基于HOG特征和滑動框搜索的地面油氣管道檢測方法[J].重慶理工大學學報(自然科學)，2017(11):192-197.

formatYONG Qiwei，YU Yanjia，CHEN Yan.Ground Oil and Gas Pipeline Detection Method Based on HOG Characteristic and Sliding Box Search[J].Journal of Chongqing University of Technology(Natural Science)，2017(11):192-197.

10.3969/j.issn.1674-8425(z).2017.11.029

TP391

A

1674-8425(2017)11-0192-06