本發(fā)明涉及一種視頻智能檢測與跟蹤方法，尤其是涉及一種油田實時視頻智能檢測與跟蹤方法及裝置。

背景技術(shù)：

油田的井場、站庫等設施有時會受到一些不安定因素的威脅，例如行人或動物目標的闖入等。為了保障油田的勘探、開發(fā)、生產(chǎn)安全，有必要對傳回的實時視頻進行智能分析。如果發(fā)現(xiàn)有不明目標的闖入，及時檢測出來，以便后續(xù)的處理。

現(xiàn)有的各種視頻檢測方法都能對人們所需要的各種場所，提供一種實時、形象、真實的反映被監(jiān)控對象的畫面，這些視頻監(jiān)控系統(tǒng)集成了預防、監(jiān)視、控制取證和管理等多種功能，可用作即時處理或事后分析。

然而，現(xiàn)有的視頻檢測與跟蹤方法并沒有針對油田業(yè)務的。例如針對車輛的檢測與跟蹤方法：檢測視頻中的車輛，對標記出的車輛編號，并記錄車輛信息，若駕駛員要求對車輛進行跟蹤，則切換到跟蹤模式。但是這種方法主要是針對車輛的檢測與跟蹤。再例如針對水利防控的檢測與跟蹤方法，如CN103325216A公開的“基于視頻監(jiān)控的水利防汛監(jiān)控預警方法與系統(tǒng)”，該方法將智能高速球型攝像機連接到視頻行為分析服務器，用戶登錄到監(jiān)控預警平臺軟件當中，在監(jiān)控預警平臺的存儲單元設置預警圖像、信息的存儲路徑與存儲方式，視頻行為分析服務器逐次調(diào)用關(guān)聯(lián)的智能高速球機預置位，其涉及視頻監(jiān)控與河流防汛排污檢測的結(jié)合。但這種方法僅是用于水利防控，目前并沒有在油田領(lǐng)域進行嘗試與探索。

對于油田而言，主要是針對分布在野外的油井、輸油管道以及站庫進行實時監(jiān)測，任何運動體都可能對這些設施造成破壞，從這個角度來說，油田應急監(jiān)測會更關(guān)注運動目標的檢測和其后續(xù)的動向。

技術(shù)實現(xiàn)要素：

(一)要解決的技術(shù)問題

為了解決現(xiàn)有技術(shù)的不足，本發(fā)明提供一種油田實時視頻智能檢測與跟蹤方法及裝置，將目標檢測、實時跟蹤、油田業(yè)務相結(jié)合，提取運動目標快速、準確，同時算法簡單，實施方便，可以實時捕捉、定位目標的運動位置，了解目標的動向，保障油田勘探開發(fā)生產(chǎn)安全。

(二)技術(shù)方案

為了達到上述目的，本發(fā)明采用的主要技術(shù)方案包括：

一種油田實時視頻智能檢測與跟蹤方法，其包括：

101，獲取視頻流；

102，對所述視頻流進行目標檢測；

103，當目標檢測結(jié)果中存在目標時，對所述目標進行實時跟蹤。

可選地，步驟102，具體包括：

102-1，對于所述視頻流中的任意一幀，獲取所述任意一幀的上一幀圖像和所述任意一幀的下一幀圖像；

102-2，計算所述任意一幀與所述上一幀的差D(n,n-1)以及所述下一幀與所述任意一幀的差D(n+1,n)；

102-3，根據(jù)所述D(n,n-1)、所述D(n+1,n)與預設閾值A(chǔ)之間的關(guān)系提取運動目標的二值化圖像D(n)。

可選地，步驟102-2，具體包括：

D(n,n-1)＝|I_n(x,y)-I_n-1(x,y)|；

D(n+1,n)＝|I_n+1(x,y)-I_n(x,y)|；

其中，(x,y)為像素點的坐標，I_n(x,y)為任意一幀圖像的像素值。

可選地，步驟102-3，具體包括：

可選地，步驟103，具體包括：

103-1，根據(jù)所述任意一幀圖像S的大小建立模板；

103-2，從所述S左上角開始遍歷每一像素點(i,j)，計算所述模板在(i,j)所覆蓋的圖像區(qū)域S(x,y)的歸一化相關(guān)NC。

可選地，步驟103-1，具體包括：所述模板的大?。?.39·S的大小。

可選地，步驟103-2，具體包括：

其中，T(i,j)為所述模板在(i,j)處的亮度值，S(x+i,y+j)為所述S在(x+i,y+j)處的亮度值。

可選地，步驟103執(zhí)行之后，還包括：

若對所述目標進行實時跟蹤后未發(fā)現(xiàn)運動目標，則重新執(zhí)行步驟101及后續(xù)步驟。

除此之外，本發(fā)明采用的主要技術(shù)方案還包括：

一種油田實時視頻智能檢測與跟蹤裝置，所述裝置，包括：

獲取模塊，用于獲取視頻流；

檢測模塊，用于對所述獲取模塊獲取的視頻流進行目標檢測；

跟蹤模塊，用于當所述檢測模塊的目標檢測結(jié)果中存在目標時，對所述目標進行實時跟蹤；

所述檢測模塊，用于對于所述視頻流中的任意一幀，獲取所述任意一幀的上一幀圖像和所述任意一幀的下一幀圖像；計算所述任意一幀與所述上一幀的差D(n,n-1)以及所述下一幀與所述任意一幀的差D(n+1,n)；根據(jù)所述D(n,n-1)、所述D(n+1,n)與預設閾值A(chǔ)之間的關(guān)系提取運動目標的二值化圖像D(n)；

所述檢測模塊，用于根據(jù)如下公式計算D(n,n-1)和D(n+1,n)，

D(n,n-1)＝|I_n(x,y)-I_n-1(x,y)|；

D(n+1,n)＝|I_n+1(x,y)-I_n(x,y)|；

其中，(x,y)為像素點的坐標，I_n(x,y)為任意一幀圖像的像素值；

所述檢測模塊，用于根據(jù)如下公式計算D(n)，

所述跟蹤模塊，用于根據(jù)所述任意一幀圖像S的大小建立模板；從所述S左上角開始遍歷每一像素點(i,j)，計算所述模板在(i,j)所覆蓋的圖像區(qū)域S(x,y)的歸一化相關(guān)NC；所述模板的大?。?.39·S的大?。?/p>

所述跟蹤模塊，用于根據(jù)如下公式計算NC，

其中，T(i,j)為所述模板在(i,j)處的亮度值，S(x+i,y+j)為所述S在(x+i,y+j)處的亮度值。

可選地，所述裝置，還包括：

控制模塊，用于當對所述目標進行實時跟蹤后未發(fā)現(xiàn)運動目標時，控制獲取模塊、檢測模塊和跟蹤模塊重新執(zhí)行。

(三)有益效果

本發(fā)明的有益效果是：獲取視頻流，對視頻流進行目標檢測，當目標檢測結(jié)果中存在目標時，對目標進行實時跟蹤，將目標檢測、實時跟蹤、油田業(yè)務相結(jié)合，提取運動目標快速、準確，同時算法簡單，實施方便，可以實時捕捉、定位目標的運動位置，了解目標的動向，保障油田勘探開發(fā)生產(chǎn)安全。

附圖說明

圖1為本發(fā)明一個實施例提供的一種油田實時視頻智能檢測與跟蹤方法流程圖；

圖2為本發(fā)明一個實施例提供的另一種油田實時視頻智能檢測與跟蹤方法流程圖；

圖3為本發(fā)明一個實施例提供的一種基于歸一化相關(guān)的區(qū)域匹配跟蹤算法示意圖；

圖4為本發(fā)明一個實施例提供的另一種油田實時視頻智能檢測與跟蹤方法流程圖；

圖5為本發(fā)明一個實施例提供的一種油田實時視頻智能檢測與跟蹤裝置結(jié)構(gòu)示意圖。

具體實施方式

為了更好的解釋本發(fā)明，以便于理解，下面結(jié)合附圖，通過具體實施方式，對本發(fā)明作詳細描述。

現(xiàn)有的視頻檢測與跟蹤方法并沒有針對油田業(yè)務的。為了解決該問題，根據(jù)油田勘探開發(fā)生產(chǎn)的特點，本發(fā)明提供一種油田實時視頻智能檢測與跟蹤方法及裝置，可以通過獲取視頻流，對視頻流進行目標檢測，當目標檢測結(jié)果中存在目標時，對目標進行實時跟蹤，將目標檢測、實時跟蹤、油田業(yè)務相結(jié)合，提取運動目標快速、準確，同時算法簡單，實施方便，可以實時捕捉、定位目標的運動位置，了解目標的動向，保障油田勘探開發(fā)生產(chǎn)安全。

參見圖1，本實施例提供的一種油田實時視頻智能檢測與跟蹤方法，包括：

101，獲取視頻流。

102，對視頻流進行目標檢測。

可選地，步驟102，具體包括：

102-1，對于視頻流中的任意一幀，獲取該任意一幀的上一幀圖像和該任意一幀的下一幀圖像。

102-2，計算該任意一幀與上一幀的差D(n,n-1)以及下一幀與該任意一幀的差D(n+1,n)。

102-3，根據(jù)D(n,n-1)、D(n+1,n)與預設閾值A(chǔ)之間的關(guān)系提取運動目標的二值化圖像D(n)。

可選地，步驟102-2，具體包括：

D(n,n-1)＝|I_n(x,y)-I_n-1(x,y)|；

D(n+1,n)＝|I_n+1(x,y)-I_n(x,y)|；

其中，(x,y)為像素點的坐標，I_n(x,y)為任意一幀圖像的像素值。

可選地，步驟102-3，具體包括：

103，當目標檢測結(jié)果中存在目標時，對目標進行實時跟蹤。

可選地，步驟103，具體包括：

103-1，根據(jù)任意一幀圖像S的大小建立模板。

103-2，從S左上角開始遍歷每一像素點(i,j)，計算模板在(i,j)所覆蓋的圖像區(qū)域S(x,y)的歸一化相關(guān)NC。

可選地，步驟103-1，具體包括：模板的大?。?.39·S的大小。

可選地，步驟103-2，具體包括：

其中，T(i,j)為模板在(i,j)處的亮度值，S(x+i,y+j)為S在(x+i,y+j)處的亮度值。

可選地，步驟103執(zhí)行之后，還包括：

若對目標進行實時跟蹤后未發(fā)現(xiàn)運動目標，則重新執(zhí)行步驟101及后續(xù)步驟。

本實施例的有益效果是：通過獲取視頻流，對視頻流進行目標檢測，當目標檢測結(jié)果中存在目標時，對目標進行實時跟蹤，將目標檢測、實時跟蹤、油田業(yè)務相結(jié)合，提取運動目標快速、準確，同時算法簡單，實施方便，可以實時捕捉、定位目標的運動位置，了解目標的動向，保障油田勘探開發(fā)生產(chǎn)安全。

下面結(jié)合圖2所示的流程，對本發(fā)明提供的油田實時視頻智能檢測與跟蹤方法進行再次說明。

201，獲取視頻流。

具體的，讀取視頻流后將視頻流存入內(nèi)存之中。

202，對視頻流進行目標檢測。

具體的，采用三幀差分算法進行目標檢測。

幀差分算法的基本思路是對視頻序列中對相鄰兩幀或多幀圖像進行差分處理，然后與事先設定的閾值A(chǔ)進行比較以獲得運動部分的像素點。

在實施時，可以通過如下步驟實現(xiàn)。

202-1，對于視頻流中的任意一幀，獲取任意一幀的上一幀圖像和任意一幀的下一幀圖像。

202-2，計算任意一幀與上一幀的差D(n,n-1)以及下一幀與任意一幀的差D(n+1,n)。

其中，D(n,n-1)＝|I_n(x,y)-I_n-1(x,y)|；

D(n+1,n)＝|I_n+1(x,y)-I_n(x,y)|；

其中，(x,y)為像素點的坐標，I_n(x,y)為任意一幀圖像的像素值。

202-3，根據(jù)D(n,n-1)、D(n+1,n)與預設閾值A(chǔ)之間的關(guān)系提取運動目標的二值化圖像D(n)。

其中，

三幀差分算法適合在短時間內(nèi)背景不會改變的情形，當發(fā)現(xiàn)目標運動即被檢測出來。

203，當目標檢測結(jié)果中存在目標時，對目標進行實時跟蹤。

具體的，運用基于歸一化相關(guān)的區(qū)域匹配跟蹤算法進行實時跟蹤。

基于歸一化相關(guān)的區(qū)域匹配跟蹤算法通過計算模板與模板所覆蓋區(qū)域的歸一化相關(guān)系數(shù)來進行匹配跟蹤(參見圖3)。

在具體實施時，可以通過如下步驟實現(xiàn)。

203-1，根據(jù)任意一幀圖像S的大小建立模板。

建立的模板一般為長寬比S小的矩形。

可選地，模板的大?。?.39·S的大小。

203-2，從S左上角開始遍歷每一像素點(i,j)，計算模板在(i,j)所覆蓋的圖像區(qū)域S(x,y)的歸一化相關(guān)NC。

其中，

T(i,j)為模板在(i,j)處的亮度值，S(x+i,y+j)為S在(x+i,y+j)處的亮度值。

當模板與S區(qū)域內(nèi)的像素逐一匹配計算后，得到一個關(guān)于NC的矩陣。NC矩陣元素的取值在0和1之間，值越大表示匹配效果越好，0表示模板和覆蓋的圖像區(qū)域沒有相關(guān)性，即匹配效果最差，1表示模板和覆蓋的圖像區(qū)域相關(guān)性最高，即匹配效果最好。同時通過這種歸一化相關(guān)處理能夠降低光照突變的帶來的影響。

204，若對目標進行實時跟蹤后未發(fā)現(xiàn)運動目標，則重新執(zhí)行步驟201及后續(xù)步驟。

如果沒有發(fā)現(xiàn)運動目標，則轉(zhuǎn)步驟201，繼續(xù)進行實時視頻流讀取。

步驟201至步驟204所述的方法，通過采用三幀差分算法和基于歸一化相關(guān)的區(qū)域匹配跟蹤算法相結(jié)合的方式進行油田實時視頻智能監(jiān)控，對于油田而言，主要是針對分布在野外的油井、輸油管道以及站庫進行實時監(jiān)測，任何運動體都可能對這些設施造成破壞，從這個角度來說油田應急監(jiān)測會更關(guān)注運動目標的檢測和其后續(xù)的動向，將各種功能模塊綜合在一起，三幀差分算法與油田業(yè)務相結(jié)合，提取運動目標快速、準確，同時算法簡單，實施方便。而通過于歸一化相關(guān)的區(qū)域匹配跟蹤可以實時捕捉、定位目標的運動位置，了解目標的動向，保障油田勘探開發(fā)生產(chǎn)安全。

圖4示出了本實施例提供的油田實時視頻智能檢測與跟蹤方法的實際應用流程。實時視頻流接入后，通過視頻圖像讀取模塊讀取視頻流，讀取的視頻流經(jīng)運動目標檢測模塊進行目標檢測，如果發(fā)現(xiàn)運動目標，則通過實時跟蹤模塊進行跟蹤，如果未發(fā)現(xiàn)運動目標，則重新通過運動目標檢測模塊進行目標檢測，直至本次監(jiān)控結(jié)束。

本實施例的有益效果是：通過獲取視頻流，對視頻流進行目標檢測，當目標檢測結(jié)果中存在目標時，對目標進行實時跟蹤，將目標檢測、實時跟蹤、油田業(yè)務相結(jié)合，提取運動目標快速、準確，同時算法簡單，實施方便，可以實時捕捉、定位目標的運動位置，了解目標的動向，從而可以減少油田重要設施的現(xiàn)場人工巡查次數(shù)，并且能夠連續(xù)運行，實時發(fā)現(xiàn)和記錄非法闖入目標，與人工巡查相比，能降低安全保障工作的人力資源投入成本，并提高油田重要設施的安全保障系數(shù)。

基于同一發(fā)明構(gòu)思，本發(fā)明還提供一種油田實時視頻智能檢測與跟蹤裝置，該裝置解決問題的原理與油田實時視頻智能檢測與跟蹤方法相似，因此該裝置的實施可以參見一種油田實時視頻智能檢測與跟蹤方法的實施，重復之處不再贅述。

參見圖5，該油田實時視頻智能檢測與跟蹤裝置，包括：

獲取模塊501，用于獲取視頻流；

檢測模塊502，用于對獲取模塊501獲取的視頻流進行目標檢測；

跟蹤模塊503，用于當檢測模塊502的目標檢測結(jié)果中存在目標時，對目標進行實時跟蹤；

檢測模塊502，用于對于視頻流中的任意一幀，獲取該任意一幀的上一幀圖像和該任意一幀的下一幀圖像；計算該任意一幀與上一幀的差D(n,n-1)以及下一幀與該任意一幀的差D(n+1,n)；根據(jù)D(n,n-1)、D(n+1,n)與預設閾值A(chǔ)之間的關(guān)系提取運動目標的二值化圖像D(n)；

檢測模塊502，用于根據(jù)如下公式計算D(n,n-1)和D(n+1,n)，

D(n,n-1)＝|I_n(x,y)-I_n-1(x,y)|；

D(n+1,n)＝|I_n+1(x,y)-I_n(x,y)|；

其中，(x,y)為像素點的坐標，I_n(x,y)為任意一幀圖像的像素值；

檢測模塊502，用于根據(jù)如下公式計算D(n)，

跟蹤模塊503，用于根據(jù)任意一幀圖像S的大小建立模板；從S左上角開始遍歷每一像素點(i,j)，計算模板在(i,j)所覆蓋的圖像區(qū)域S(x,y)的歸一化相關(guān)NC；模板的大?。?.39·S的大小；

跟蹤模塊503，用于根據(jù)如下公式計算NC，

其中，T(i,j)為模板在(i,j)處的亮度值，S(x+i,y+j)為S在(x+i,y+j)處的亮度值。

可選地，該裝置，還包括：

控制模塊，用于當對目標進行實時跟蹤后未發(fā)現(xiàn)運動目標時，控制獲取模塊、檢測模塊和跟蹤模塊重新執(zhí)行。

本實施例的有益效果是：通過獲取視頻流，對視頻流進行目標檢測，當目標檢測結(jié)果中存在目標時，對目標進行實時跟蹤，將目標檢測、實時跟蹤、油田業(yè)務相結(jié)合，提取運動目標快速、準確，同時算法簡單，實施方便，可以實時捕捉、定位目標的運動位置，了解目標的動向，從而可以減少油田重要設施的現(xiàn)場人工巡查次數(shù)，并且能夠連續(xù)運行，實時發(fā)現(xiàn)和記錄非法闖入目標，與人工巡查相比，能降低安全保障工作的人力資源投入成本，并提高油田重要設施的安全保障系數(shù)。