具有稳定跟踪功能的污水处理技术

　　申请日2016.01.22

　　公开(公告)日2016.06.29

　　IPC分类号G06K9/00; C02F1/00; G06K9/54; G06K9/62

　　摘要

　　本发明公开了一种具有稳定跟踪功能的污水处理装置，包括污水处理车和安装在污水处理车上的监控装置，监控装置具体包括预处理模块、检测跟踪模块、识别输出模块，其中预处理模块包含图像转化、图像滤波、图像增强三个子模块，检测跟踪模块包含构建、丢失判别、更新三个子模块。本污水处理装置将视频图像技术运用在污水处理车上，能有效监控记录对文物的恶意破坏行为，具有实时性好、定位准确、自适应能力强、图像细节保留完整和鲁棒性强等优点。

　　权利要求书

　　1.一种具有稳定跟踪功能的污水处理装置，包括污水处理车和安装在污水处理车上的监测装置，监测装置用于对污水处理车附近的活动进行视频图像监测，其特征是，监测装置包括预处理模块、检测跟踪模块、识别输出模块;

　　(1)预处理模块，用于对接收到的图像进行预处理，具体包括图像转化子模块、图像滤波子模块和图像增强子模块：

　　图像转化子模块，用于将彩色图像转化为灰度图像：

　　H ( x , y ) = max ( R ( x , y ) , G ( x , y ) , B ( x , y ) ) + min ( R ( x , y ) , G ( x , y ) , B ( x , y ) ) 2 + 2 ( max ( R ( x , y ) , G ( x , y ) , B ( x , y ) ) - m i n ( R ( x , y ) , G ( x , y ) , B ( x , y ) ) )

　　其中，R(x，y)、G(x，y)、B(x，y)分别代表像素(x，y)处的红绿蓝强度值，H(x，y)代表坐标(x，y)处的像素灰度值;图像大小为m×n;

　　图像滤波子模块，用于对灰度图像进行滤波：

　　采用维纳滤波来进行一级滤除后，定义svlm图像，记为Msvlm(x，y)，具体定义公式为：Msvlm(x，y)=a1J1(x，y)+a2J2(x，y)+a3J3(x，y)+a4J4(x，y)，其中a1、a2、a3、a4为可变权值，i=1，2，3，4;J(x，y)为经滤波后的图像;

　　图像增强子模块：

　　当 | 128 - m | > | ω - 50 | 3 时， L ( x , y ) = 255 × ( H ( x , y ) 255 ) ψ ( x , y ) , 其中，L(x，y)为增强后的灰度值;ψ(x，y)是包含有局部信息的伽马校正系数，此时α是范围为0到1的可变参数，ω为模板尺度大小参量，尺度越大则模板中包含的邻域像素信息就越多，输入图像经过不同尺度ωi的模板，得到的图像Ji将会包含不同范围的邻域信息;

　　当 | 128 - m | ≤ | ω - 50 | 3 且ω>50时， L ( x , y ) = 255 × ( H ( x , y ) 255 ) ψ ( x , y ) × ( 1 - ω - 50 ω 2 ) , 其中ψ(x，y)=ψα(Msvlm(x，y))，mH是图像中灰度值高于128的所有像素的均值，mL是灰度值低于128的所有像素的均值，且此时m=min(mH，mL)，在α值已知的情况下，计算出256个ψ校正系数作为查找表，记为其中i为索引值，利用Msvlm(x，y)的灰度值作为索引，根据ψ(x，y)=ψα(Msvlm(x，y))快速获得图像中每个像素的伽马校正系数ψ(x，y);为模板修正系数;

　　(2)检测跟踪模块，具体包括构建子模块、丢失判别子模块和更新子模块：

　　构建子模块，用于视觉字典的构建：

　　在初始帧获取跟踪目标的位置和尺度，在其周围选取正负样本训练跟踪器，将跟踪结果作为训练集X={x1，x2，......xN}T;并对训练集中的每幅目标图像提取128维的SIFT特征其中St表示训练集中第t幅目标图像中SIFT特征的个数;跟踪N帧以后，通过聚类算法将这些特征划分为K个簇，每个簇的中心构成特征单词，记为能够提取到的特征总量其中K<

　　丢失判别子模块，用于判别目标的丢失与否：

　　当新一帧图像到来时，从K个直方图柱中随机选取Z u = s i g n ( Φ ) = 1 Φ ≥ g s 0 Φ < g s , 其中gs为人为设定的判失阀值;当u=1时目标被稳定跟踪，当u=0时，目标丢失;当目标丢失时，定义仿射变换模型： x t y t = s . c o s ( μ 1 × θ ) s . s i n ( μ 1 × θ ) - s . s i n ( μ 1 × θ ) s . c o s ( μ 1 × θ ) x t - 1 y t - 1 + μ 2 e f , 其中(xt，yt)和(xt-1，yt-1)分别为当前帧目标中某个SITF特征点的位置坐标和前一个帧目标中对应匹配特征点的位置坐标，两者均为已知量;s为尺度系数，θ为旋转系数，e和f代表了平移系数， μ 1 = 1 - | T - T 0 | 1000 T 0 T ≥ T 0 1 + | T - T 0 | 1000 T 0 T < T 0 为温度旋转修正系数， μ 2 = 1 - | T - T 0 | 1000 T 0 T ≥ T 0 1 + | T - T 0 | 1000 T 0 T < T 0 为温度平移修正系数，μ1和μ2用于修正因为环境温度偏差造成的图像旋转和平移误差，T0为人为设定的标准温度，设为20度，T为由温度传感器实时监测得到的温度值;采用Ransac估计算法求取仿射变换模型的参数，最后在新的尺度s和旋转系数θ下采集正负样本，更新分类器;

　　更新子模块，用于视觉字典的更新：

　　在每帧图像获得目标位置以后，根据仿射变换参数的计算结果，收集所有满足结果参数的SIFT特征点经过F=3帧以后，获得新的特征点集其中St-F代表了从F帧图像中得到的总特征点数;利用下式对新旧特征点重新进行K聚类：其中表示新的视觉字典，视觉字典的大小保持不变;是遗忘因子，表明了旧字典所占的比重，越小，新特征对目标丢失的判断贡献越多，取

　　(3)识别输出模块，用于图像的识别和输出：在待识别的图像序列中利用跟踪算法获取目标区域，将目标区域映射到已知训练数据形成的子空间，计算子空间中目标区域与训练数据之间的距离，获得相似性度量，判定目标类别，并输出识别结果。

　　2.根据权利要求1所述的一种具有稳定跟踪功能的污水处理装置，其特征是，采用维纳滤波来进行一级滤除后，此时图像信息还包含有残余的噪音，采用以下的二级滤波器进行二次滤波：

　　J ( x , y ) = Σ i = - m / 2 m / 2 Σ j = - n / 2 n / 2 H ( x , y ) P g ( x + i , y + j )

　　其中，J(x，y)为经过滤波后的图像;Pg(x+i，y+j)代表尺度为m×n的函数，且Pg(x+i，y+j)=q×exp(-(x2+y2)/ω)，其中q是将函数归一化的系数，即：∫∫q×exp(-(x2+y2)/ω)dxdy=1。

　　说明书

　　一种具有稳定跟踪功能的污水处理装置

　　技术领域

　　本发明涉及污水处理领域，具体涉及一种具有稳定跟踪功能的污水处理装置。

　　背景技术

　　所谓原生污水就是城市直接排放未经处理的生活或者是工业废水，现阶段的利用方法是原生污水直接进入污水源热泵系统进行换热，在消耗少量电力的情况下为城市建筑物室内制冷供暖。污水再利用有几个技术难点需要克服：堵塞，腐蚀，换热效率。污水处理设备能有效处理城区的生活污水，工业废水等，避免污水及污染物直接流入水域，对改善生态环境、提升城市品位和促进经济发展具有重要意义。污水处理车作为污水处理的一种重要工具，由于其移动性能强已经越来越广泛地被使用，例如专利申请号为201110377821.3的专利申请就公开了一种污水处理车。

　　另外，污水处理车作为一种重要的昂贵设备，其安全性尤为重要，必须能防止和监视恶意破坏行为。

　　发明内容

　　针对上述问题，本发明提供一种具有稳定跟踪功能的污水处理装置。

　　本发明的目的采用以下技术方案来实现：

　　一种具有稳定跟踪功能的污水处理装置，包括污水处理车和安装在污水处理车上的监测装置，监测装置用于对污水处理车附近的活动进行视频图像监测，监测装置包括预处理模块、检测跟踪模块、识别输出模块;

　　(1)预处理模块,用于对接收到的图像进行预处理，具体包括图像转化子模块、图像滤波子模块和图像增强子模块：

　　图像转化子模块,用于将彩色图像转化为灰度图像:

　　H ( x , y ) = max ( R ( x , y ) , G ( x , y ) , B ( x , y ) ) + min ( R ( x , y ) , G ( x , y ) , B ( x , y ) ) 2 + 2 ( max ( R ( x , y ) , G ( x , y ) , B ( x , y ) ) - min ( R ( x , y ) , G ( x , y ) , B ( x , y ) )

　　其中，R(x,y)、G(x,y)、B(x,y)分别代表像素(x,y)处的红绿蓝强度值，H(x,y)代表坐标(x,y)处的像素灰度值;图像大小为m×n;

　　图像滤波子模块，用于对灰度图像进行滤波：

　　采用维纳滤波来进行一级滤除后，定义svlm图像，记为Msvlm(x,y)，具体定义公式为：Msvlm(x，y)=a1J1(x，y)+a2J2(x，y)+a3J3(x，y)+a4J4(x，y)，其中a1、a2、a3、a4为可变权值，i=1，2，3，4;J(x,y)为经滤波后的图像;

　　图像增强子模块：

　　当 | 128 - m | > | ω - 50 | 3 时， L ( x , y ) = 255 × ( H ( x , y ) 255 ) ψ ( x , y ) , 其中，L(x,y)为增强后的灰度值;ψ(x,y)是包含有局部信息的伽马校正系数，此时α是范围为0到1的可变参数，

　　当 | 128 - m | ≤ | ω - 50 | 3 且ω>50时， L ( x , y ) = 255 × ( H ( x , y ) 255 ) ψ ( x , y ) × ( 1 - ω - 50 ω 2 ) , 其中ψ(x，y)=ψα(Msvlm(x，y))，mH是图像中灰度值高于128的所有像素的均值，mL是灰度值低于128的所有像素的均值，且此时m=min(mH，mL)，在α值已知的情况下，计算出256个ψ校正系数作为查找表，记为其中i为索引值，利用Msvlm(x,y)的灰度值作为索引，根据ψ(x，y)=ψα(Msvlm(x，y))快速获得图像中每个像素的伽马校正系数ψ(x,y);为模板修正系数;

　　(2)检测跟踪模块，具体包括构建子模块、丢失判别子模块和更新子模块：

　　构建子模块，用于视觉字典的构建：

　　在初始帧获取跟踪目标的位置和尺度，在其周围选取正负样本训练跟踪器，将跟踪结果作为训练集X={x1，x2，……xN}T;并对训练集中的每幅目标图像提取128维的SIFT特征其中St表示训练集中第t幅目标图像中SIFT特征的个数;跟踪N帧以后，通过聚类算法将这些特征划分为K个簇，每个簇的中心构成特征单词，记为能够提取到的特征总量其中K<

　　丢失判别子模块，用于判别目标的丢失与否：

　　当新一帧图像到来时，从K个直方图柱中随机选取Z u = s i g n ( Φ ) = 1 Φ ≥ g s 0 Φ < g s , 其中gs为人为设定的判失阀值;当u=1时目标被稳定跟踪，当u=0时，目标丢失;

　　当目标丢失时，定义仿射变换模型： x t y t = s . cos ( μ 1 × θ ) s . sin ( μ 1 × θ ) - s . sin ( μ 1 × θ ) s . cos ( μ 1 × θ ) x t - 1 y t - 1 + μ 2 e f , 其中(xt,yt)和(xt-1，yt-1)分别为当前帧目标中某个SITF特征点的位置坐标和前一个帧目标中对应匹配特征点的位置坐标，两者均为已知量;s为尺度系数，θ为旋转系数，e和f代表了平移系数， μ 1 = 1 - | T - T 0 | 1000 T 0 T ≥ T 0 1 + | T - T 0 | 1000 T 0 T < T 0 为温度旋转修正系数， μ 2 = 1 - | T - T 0 | 1000 T 0 T ≥ T 0 1 + | T - T 0 | 1000 T 0 T < T 0 为温度平移修正系数，μ1和μ2用于修正因为环境温度偏差造成的图像旋转和平移误差，T0为人为设定的标准温度，设为20度，T为由温度传感器实时监测得到的温度值;采用Ransac估计算法求取仿射变换模型的参数，最后在新的尺度s和旋转系数θ下采集正负样本，更新分类器;

　　更新子模块，用于视觉字典的更新：

　　在每帧图像获得目标位置以后，根据仿射变换参数的计算结果，收集所有满足结果参数的SIFT特征点经过F=3帧以后，获得新的特征点集其中St-F代表了从F帧图像中得到的总特征点数;利用下式对新旧特征点重新进行K聚类：其中表示新的视觉字典，视觉字典的大小保持不变;是遗忘因子，表明了旧字典所占的比重，越小，新特征对目标丢失的判断贡献越多，取

　　(3)识别输出模块，用于图像的识别和输出：在待识别的图像序列中利用跟踪算法获取目标区域，将目标区域映射到已知训练数据形成的子空间，计算子空间中目标区域与训练数据之间的距离，获得相似性度量，判定目标类别，并输出识别结果。

　　优选的，采用维纳滤波来进行一级滤除后，此时图像信息还包含有残余的噪音，采用以下的二级滤波器进行二次滤波：

　　J ( x , y ) = Σ i = - m / 2 m / 2 Σ j = - n / 2 n / 2 H ( x , y ) P g ( x + i , y + j )

　　其中，J(x,y)为经过滤波后的图像;Pg(x+i，y+j)代表尺度为m×n的函数，且Pg(x+i，y+j)=q×exp(-(x2+y2)/ω)，其中q是将函数归一化的系数，即：∫∫q×exp(-(x2+y2)/ω)dxdy=1。

　　本污水处理装置的有益效果为：在图像预处理阶段，增强的图像能够根据模板的大小自适应调整，提高增强效果，且在在不同模板大小时判断条件能自动修正，且考虑了视觉习惯以及人眼对不同色彩的感知度同色彩强度的非线性关系;将M×N个幂指数运算降低为256个，提高了计算效率;在目标检测和跟踪阶段，能够消除不同温度导致图像的旋转和平移造成的误差，提高识别率，经处理后的图像细节更加清晰，且计算量相对于传统方法大幅度减少，能够有效适应目标尺度变化，并能够准确判定目标是否发生丢失，在目标重新回到视场后能够被重新检测并稳定跟踪。此外，该污水处理车具有实时性好、定位准确和鲁棒性强的优点，且在快速有遮挡的目标检测和跟踪方面取得了很好的效果。