差分直接检测

差分直接检测（精选三篇）

差分直接检测 篇1

关键词：视频车辆检测,背景差分,虚拟线框

随着社会经济的不断发展,公路交通量持续增长,交通拥挤和阻塞现象日益严重,同时带来的交通污染与交通事故也越来越引起社会的普遍关注, 交通运输已经成为国民经济和现代社会发展的关键因素之一。由信息技术、通讯传输技术、自动控制技术以及计算机处理技术等高新技术组成的智能交通系统ITS(Intelligent Transport System)是解决交通拥堵难题的一条有效出路。它借助电子、通信、计算机、人工智能、数据库、运筹规划等先进的技术手段得到和提供道路交通的全方位信息,从而低成本、高效率地对公路交通实现科学的管理,达到高效合理地利用道路交通资源、及时测报和防范交通隐患、促进交通管理、城市安全的现代化的目的。

交通信息包括交通事件(交通事故、闯红灯等)和交通流量、车道占有率、行程时间等交通参数和道路拥挤程度等信息,其中车速、车辆驶向等参数在交通信息检测中起着至关重要的作用。在车辆信息检测中,人工测量方法只适用于作短期内的调查,不适用于实时交通控制和交通流的诱导。因此,就需要应用自动检测技术,同时测量多种车辆信息,从而便于对交通的实时监测与控制。随着数字图像处理理论的不断完善、计算机硬件系统的迅速发展、高速处理芯片和高速大容量存储芯片的出现与普及,从图像序列中检测出运动信息,识别与跟踪目标成为车辆信息实时检测技术的主要发展方向。

车辆实时检测的方法多种多样,但其基本原理就是利用运动车辆的某种特征把车辆目标从动态的图像序列中提取出来,目前常用的方法有基于背景差分的检测方法[1,2,7]、基于邻帧差分的检测方法[5]、基于检测窗数据流的检测方法[3,4]、基于概率特征分组的检测方法、基于阴影的检测方法。背景差分算法在处理运动目标的检测时较其他方法有着灵活性强、准确度高的优点,因而更加利于对动态的车辆目标进行检测。

但是,传统的背景差分算法[1]进行车辆检测需要对二维图像进行大面积的目标搜索并识别,这对于视频车辆的实时检测导致计算量过大。为准确、实时地进行车辆检测,本文在参考检测窗数据流法思路的基础上,对传统的背景差分法进行了改进,提出一种基于虚拟线框的车辆实时检测方法。该方法通过在各个车道上设置类似于电磁感应线圈的虚拟线框,通过判断车辆是否触发虚拟线框来进行车辆检测,避免了对图像进行复杂的图像分割,从而大大降低了算法的运算量。

以下第二部分中着重介绍基于虚拟线框的车辆检测算法的设计思想以及利用这种方法进行车辆信息的检测。第三部分测试该算法的处理速度和精度。最后是结论。

1 车辆检测算法

1.1 车辆识别算法

本文的算法是以背景差分法[7]为基础的,背景差分法是一种应用很广泛的运动目标提取方法,包括差分图像、图像分割和目标识别三个部分。差分图像是指将当前帧图像与预先提取的背景帧图像(无目标出现)逐像素差分,对于差分值大于某个阈值的像素二值化为1,差分值小于某个阈值的像素二值化为0;这样,二值化结果为1的像素所组成的区域为图像变化区域,这就将目标可能出现的区域从图像中分割出来了,称为图像分割;接着对该区域内的像素进行目标识别,即判断区域内是否存在车辆,目标识别的方法有很多,常用的有边缘检测法[1,3,8]、模型匹配法[6]、颜色特征分析法。

传统的背景差分法[1]是基于彩色图像的,由于本文的算法无需对车辆的颜色进行判断,所以车辆的颜色信息为无用信息,因此,在图像处理过程中,先将图像的颜色信息滤除,即将彩色图像转化为灰度图像,这样就能在一定程度上减少算法的计算量。

用背景差分法检测目标,使用的参考帧(背景帧)的好坏直接关系到检测的精度。然而,随着环境中光线和天气的不确定的变化,背景图像也是在不断变化的,单选取一个固定的背景图像进行差分肯定会造成较大的误差,降低算法的准确度。因此,在车辆检测中,背景帧不是一成不变的,而是需要不断刷新的[7]。所以,背景提取应当分为背景的初始选取和动态更新两个过程,背景初始选取就是在进行实时的视频车辆检测之前先预先选取一个没有目标出现的背景图像,以后的各个帧就同该背景帧进行差分。背景的动态更新就是根据当前帧和背景帧两个图像,来推导出在没有车辆通过的情况下当前帧的道路背景图像,滤除掉所有的车辆、行人,光线,天气等干扰。背景更新如以下公式(1)所示:

上式中,Bn、Bn + 1为第n、n+1帧背景帧灰度,Cn为当前帧灰度,若当前帧灰度Cn与背景帧灰度Bn之间差分绝对值小于阈值时,通过平均法进行背景更新,若大于阈值就保持原背景不变。

但是,如果对整个图像进行上述的背景更新、差分图像、图像分割、目标识别等运算,并且在目标识别的基础上还要对其进行跟踪,以提取车辆信息,这对于每秒要处理25帧图像的系统来说计算量太大,不利于实时处理。这就需要对背景差分算法进行改进,降低其运算量,以达到高效,准确的进行车辆实时检测的目的。

检测窗数据流法[3、4]通过在图像中有车辆出现的某个区域设置一个检测窗,通过对检测窗内的图像进行边缘检测,当有车辆目标出现在窗口内时,算法就将该目标的边缘信息提取出来,从而判断出是否有车辆目标出现。检测窗的作用就类似电磁线圈,一旦被触发就向系统发出目标出现的信号。检测窗法只需要对窗口内的图像进行处理,从而避免了对整幅图像进行大面积目标搜索。但是,不断地对窗口内的图像进行边缘算子的计算也很难达到预想的效果,并且对于边缘信息不明显的车辆线框很难检测到,因此,仅用检测窗法进行目标检测还是存在弊端。

本文在背景差分算法的基础上,结合检测窗数据流法的思想,提出一种基于虚拟线框的视频车辆检

测算法。算法的基本思想是:在每个车道上设置虚拟线框,算法仅对虚拟线框内的图像作背景差分处理,即将当前帧中线框内的像素与背景帧线框内的像素进行差分处理,这样,就避免了对整个图像进行复杂的图像分割,直接对线框内的差分结果做特征分析,本文采用面积分析法,即当目标占用线框总面积的1/2 以上时,触发虚拟线框,从而得到目标出现的信号。

1.2 车辆目标的跟踪

如果需要对车辆行驶方向和行驶速度进行检测,只对车辆目标进行识别是不够的,必须对车辆目标进行跟踪,即从连续的数帧图像中提取出车辆的运动轨迹。利用传统的背景差分算法进行车辆跟踪计算量是相当大的[1]。国内外的专家们也提出过许多能够准确进行目标跟踪的算法,如:基于模型分析的目标跟踪方法、基于运动估计的目标跟踪方法[7]、基于边缘检测的目标跟踪算法[8]、基于轮廓匹配的目标跟踪算法[6]。这些方法都能够准确对目标进行跟踪,而且还能够得到目标车辆的车型,车长,尤其是基于边缘检测和基于轮廓匹配的跟踪算法,它们甚至能直观的在视频图像中将车辆目标锁定并且在图像中表现出来。但是,以上算法存在一个通病,那就是算法复杂,对于检测器的运算速度要求较高。同时,算法的复杂性必然会导致算法的不稳定。而利用虚拟线框法进行车辆跟踪,虽然不能得到车型、车长等信息,但其算法简单,速度快,在同样能准确的检测出车辆的行驶速度和行驶方向的基础上耗费的硬件资源更少。

下面介绍一下虚拟线框法进行车辆目标跟踪的基本思想。如图1所示,在整个图像的感兴趣区域(即车辆检测区域)设置两个虚拟线框,一个线框作为车辆识别线框,用于判断有无车辆出现,另一个线框作为车辆跟踪线框,用于进行车辆行驶方向判断和车速的测量(两个线框中每个线框都可能作为车辆识别线框,关键是看哪个线框先被触发)。开始时,对该车道设置的两个虚拟线框进行目标检测,若某个线框内出现目标,则该线框成为车辆识别线框,另一个线框为车辆跟踪线框,并开始计时。当另一个线框也被触发,车辆跟踪结束,停止计时。此时即可输出车辆行驶方向,并且两个线框之间的距离(路面上的实际距离)除以计时变量输出的时间就是车辆行驶的(平均)速度。

2 测试结果及分析

本文分别对不同车型,不同颜色的50 辆车的进行检测。车速车辆定性地划分为快速、中速、慢速三个部分。本文对每辆车分别检测5 个时段,每个时段检测25 帧图像,图像的分辨率为720×576像素,根据实验中检测准确的帧数除以帧数25得到一辆车在某个时段下的检测准确率,然后对得到的准确率求平均即可得到一辆车的识别准确率。每个虚拟线框的大小约为150×15像素。实验结果如表1所示。

经过测试,算法的测试效果还是比较理想的。结论如下:

1)算法对车辆行驶方向检测效果较好,在处理速度基本达到25帧/秒的情况下检测准确率约为

88%,对车辆行驶方向的判断基本准确。

2)在测试过程中,当虚拟线框内在首帧就有车辆出现时,车辆方向检测出错。

3)对于车辆颜色与路面相近的情况,算法出错,出现车辆“断裂”现象,即在车辆通过虚拟线框过程中出现某帧显示“无车经过”。

4)在车辆行驶缓慢的情况下,算法准确率明显下降。

3 结论

获得各条道路的交通流参数是对城市交通状况进行监控的前提,同时它又为城市的道路规划提供了必要的依据。基于视频的交通流检测方法由于它的种种优点目前已经成为了智能交通系统中的一个研究热点,视频检测方法的准确性和实时性是直接影响它实际应用价值的两个指标。

差分直接检测 篇2

血样标本的检测均由同一人经同一仪器检测。结果 经深静脉留置管直接采血与经周围静脉常规采血检测血清钾、钠、氯、钙、血糖、尿素氮和肌酐等生化指标所测值分别为：血钾(mmol/L)4.10±0.10/4.05±0.11、血清钠(mmol/L)143.89±1.48/143.78±1.46、血清氯(mmol/L)108.51±1.32/108.06±1.35、血清钙(mmol/L)2.20±0.05/2.15±0.11、血糖(mmol/L)10.28±0.65/12.18±1.11、尿素氮(mmol/L)14.57±1.48/15.09±1.54、肌酐(μmol/L)136.21±18.69/140.98±19.10。两种方法所检测的血生化值差异无显著性(P>0.05)。

结论 经深静脉留置管直接采血检测血生化指标是可行的。且血样采集简便，减少血液丢失量及感染机会。

经深静脉留置管输液已被广泛用于临床。目前，已有文献报道从输液用静脉留置管处采血检测血生化指标是可行的，它可以避免反复穿刺，具有一定优势[1]。但文献报道的方法需先经输液管推注生理盐水继之抽血2 mL弃去，然后再采血送检，增加了操作和成本。鉴于此，我科尝试采用经深静脉留置管处直接采血检测血生化指标，探讨其可行性。

1 资料与方法

1.1 临床资料 自204月至年5月，收治入我院ICU的危重症患者31例。其中男性23例，女性8例，年龄(59.3±9.1)岁。颈内静脉留置管22例，锁骨下静脉留置管9例。输液方法：颈内或锁骨下深静脉留置管接三通阀，三通阀一端连接输液管输液，侧孔连接消毒塞。

1.2 操作步骤和检测仪器 采用自身对照法。采血时先暂停输液20 s，再将输液瓶放低使血液回流入输液管内20 cm(相当于回血量2 mL)，然后将三通阀旋转至关闭输液通道，开通消毒塞处，于此处采血2 mL作标本后打开输液通道，使混有药液的回血迅速完全输回体内，再调整输液速度;同时，由另一护士在同一病例的周围静脉常规采血2 mL作为对照。两标本同时立即送检。

血样检测仪器为岛津7200型，检测指标为血钾、钠、氯、钙、血糖、尿素氮、肌酐。血样标本的检验均由同一人操作。

1.3 统计学处理 所测数值用均数±标准差(±s)表示，采用配对t检验，以P<0.05为差异有显著性。

2 结果

脉冲涡流矩形差分探头缺陷检测机理 篇3

脉冲涡流检测(pulsed eddy current testing,PECT)是涡流无损检测的分支,它拥有丰富的频谱,所含信息量较多,检测速度快,具有广阔的应用前景[1,2,3]。目前,脉冲涡流主要用于两方面:(1)非铁磁性材料的缺陷检测和厚度测量,如铝和铜等[4,5];(2)铁磁性材料检测,如冷轧的铁铜合金缺陷深度和尺寸的识别[6,7,8]等。

PECT探头通常由一个激励线圈和若干个检测线圈或磁传感器组成。相对于圆柱形线圈,矩形线圈能够在试件上产生较为均一的涡流,具有衰减速度慢和检测深度大的优势[9,10,11]。对于脉冲涡流差分探头的研究,普遍认为差分模式的检测能够抑制噪声和提高PECT的鲁棒性[12]。Angani等[13]设计了一种差分圆柱式探头,用来检测不锈钢管道,结果表明,该探头能够有效检测带有绝缘层的管道。何赟泽等[14]设计了一种新型的PECT探头,该探头由一个矩形激励线圈和三个检测线圈组成,通过三个检测线圈获取三个方向的磁场分量。本课题组研究了矩形线圈垂直放置时参数对检测灵敏度的影响并优化了线圈的结构[15];还研究了脉冲涡流矩形线圈纵向与横向放置检测时的涡流分布,并比较了脉冲涡流矩形传感器Z分量差分与非差分检测的性能[16,17]。

为了更深入地研究矩形探头的脉冲涡流差分检测模式和机理,本文从试件中涡流现象的本质出发,分析矩形传感器不同方向涡流的分布规律和强度,并通过不同的磁传感器差分方式获取不同方向的磁场差分信号。充分利用矩形探头的方向特性,寻找合适的磁场分量作为差分探头的设计依据。

1 仿真模型和分析

1.1 模型的建立

本文使用有限元分析软件Comsol Multiphysics 4.3b来建立图1所示的脉冲涡流三维检测模型。模型的参数设置如下:铁和铝分别作为铁磁性材料和非铁磁性材料试件的代表,试件的尺寸设置为长100mm、宽50mm和高10mm。铝和铁的电导率分别设置为3.774×107S/m和1.12×107S/m,铝和铁的相对磁导率分别设置为1和4000。矩形线圈的长、宽、高分别设置为50mm、35mm和45mm,线径为0.3mm,线圈匝数为1000;激励源频率为100Hz和幅值为1A的脉冲方波。

1.2 铁磁性材料中涡流分布

图2~图5所示为矩形探头在铁磁性材料三个方向上的涡流分布情况。从图2中可以看出,感应涡流的X方向分量呈对称分布在矩形线圈开口端下方,而且两端涡流密度的值是相反的;图3中感应电流的Y方向分量对称分布在矩形线圈封闭端的下方,两端涡流密度值相反,这说明两端的涡流方向是相反的;图4显示了铁板上涡流Z方向分量,可以明显看出涡流Z分量呈圆圈状断断续续分布。从图2~图4中可以得出X分量、Y分量和Z分量涡流密度的最大值分别为2.56×105A/m2、2.66×105A/m2和1.21×105A/m2,X和Y方向的涡流分量明显大于Z分量,且两端的对称式分布为矩形探头的差分检测提供了条件。选取铁板上涡流密度最大的Y分量分布作为差分检测点的参考位置。图5所示的感应总电流密度显示了中间区域电流最小,而四周涡流分布较大。由图2~图5仿真得到试件上的涡流分布情况,为实验中的传感器的布置提供了依据。

1.3 非铁磁性材料中涡流分布

为了便于对比和分析,需要研究矩形探头在非铁磁性材料中涡流分布情况。设置非铁磁性材料属性为铝,仿真结果如图6~图9所示。图6为铝板表面涡流密度X分量分布图,可以看出铝板涡流密度X分量分布和铁板上X分量分布规律一致,都是对称分布在矩形线圈开口端下方,由图6中涡流颜色可以看出涡流方向和铁板涡流对应的涡流方向相反;图7所示铝板的涡流密度Y分量和铁板上的分布规律相同,都是对称分布在矩形线圈的封闭端下方,且涡流方向也是和铁板涡流Y分量的方向相反;图8所示铝板的涡流密度Z分量也是呈圆圈状断断续续分布在矩形探头的下方。由以上分析可得,非铁磁性材料的涡流分布规律和铁磁性材料的涡流分布规律具有相似性,且涡流密度X分量和Y分量的分布使得脉冲涡流差分检测更有依据,图9所示的涡流总分量的分布显示了中间涡流分量小而四周分量较大的规律。X、Y、Z方向上涡流密度的值分别为1.62×105A/m2、9.16×104A/m2和4.91×104A/m2,对比铁板中涡流密度X、Y、Z方向分量值可以得出铝板上涡流密度X分量更利于非铁磁性缺陷的检测,这就是和铁板上矩形探头差分检测的区别。

1.4 脉冲涡流矩形差分探头设计方法

试件上产生的涡流密度X分量和Y分量对称分布在矩形探头的四周下方,因此,检测点应该在矩形探头的边缘的下方。当涡流方向和缺陷走向垂直时会造成最大的电流密度的扰动和周围磁场的变化,为便于分析,在仿真中缺陷设置为与涡流方向垂直。图10显示了缺陷和涡流密度Y分量垂直时的检测模式。图11显示了缺陷和试件上涡流密度X分量垂直时的检测模式。检测点A和B分别用来获取缺陷处和无缺陷处的信号,由于涡流密度相反,它们信号的相加即为差分信号,形成了脉冲涡流差分检测模式;对于涡流密度X分量,检测点C和D分别用来获取试件上缺陷处和无缺陷处的信号来形成差分信号。检测点A和B、C和D都关于矩形探头对称。

图10中的检测点A和B关于矩形探头的中心是对称的,分别代表缺陷处和无缺陷处的磁场位置。提取检测点A和B的磁场信号如图12所示,可以看出两侧的磁场信号关于X轴近似对称,实验装置主要由信号发生装置、带有霍尔(Hall)和巨磁阻(GMR)传感器的矩形线圈、功率放大器、信号调理电路、这是因为两侧的感应电流方向相反形成了相反的磁场。通过上述分析可以得出,实验中传感器的布置为脉冲涡流矩形差分探头设计提供了依据。

2 实验装置

实验装置主要由信号发生装置、带有霍尔(Hall)和巨磁阻(GMR)传感器的矩形线圈、功率放大器、信号调理电路、数据采集模块和试件等组成。信号发生器为ET3325函数发生器,能够产生任意波形,且失真度较小。为了获取差分信号,在矩形探头的两侧各放置一个磁传感器。功率放大器采用英国牛顿公司制造的LPA05B型放大器,功率放大倍数为恒定190倍。信号调理电路由滤波电路和信号放大电路组成,采用Analog Devices公司生产的AD620作为放大器的芯片。数据采集卡型号为DAQ2010并通过MATLAB的工具箱进行信号的采集,试件为带有不同深度缺陷的铁板和铝板,具体的试件与缺陷尺寸如图13所示,整个检测装置如图14所示。

3 实验结果和讨论

3.1 铁板检测实验

图15所示为矩形探头检测铁板时的放置方式,为了获取铁板检测时的磁场X方向和Z方向的分量,制作了两个带有传感器的PCB,放置在矩形探头内,构成脉冲涡流矩形差分探头,如图16、图17所示。其中,图16所示的两个GMR传感器呈对称布置,分别对应于图10中检测点A和B。由于GMR传感器的工作面为两个侧面,故用来获取X方向的磁场分量。与GMR传感器不同的是,Hall传感器的工作面为两个底面,可以获取Z方向的磁场分量,所制作的是带有Hall传感器的差分探头,如图17所示。

两个传感器经过差分放大器后的信号是脉冲涡流在铁板上的检测信号,通过对铁板缺陷的检测能力来评价这两种分量的检测效果,经过时域平均和低通滤波后的脉冲涡流时域信号如图18~图20所示(图中h为缺陷深度)。由图18可以明显看出不同缺陷之间信号的区分度较图19更大。为了更加精确地分析这两种分量检测效果的优劣,提取每个缺陷信号峰值,如图20所示。由图20可以发现,每个缺陷所对应磁场的X分量要比Z分量的值要大,而且峰值随着缺陷深度变大而增加的趋势要比Z分量更加明显,具有更高的检测灵敏度,这就说明矩形探头在检测铁板时,所产生的磁场的X方向上的信号具有更好的检测效果。

3.2 铝板检测实验

矩形探头在铝板上的检测方式如图21所示,为了获取铝板磁场信号的Y方向分量和Z方向分量,制作了带有GMR传感器和Hall传感器的PCB放置在矩形探头上。图22所示为两个GMR传感器模拟图11中检测点C和D的布置方式,由于传感器两个侧面是工作面,故能够捕获磁场信号的Y分量;为了获取磁场信号的Z方向分量,制作了图23所示的带有Hall传感器的PCB。为了评估磁场Y方向和Z方向信号检测缺陷的灵敏度,提取不同缺陷差分时域信号进行分析,铝板上磁场Y分量和Z分量分别如图24和图25所示,可以看出GMR传感器所获取的磁场信号Y分量使得不同缺陷之间区分更为明显。提取磁场Y分量和Z分量的不同缺陷峰值,得到图26所示的结果。由图26可以看出,每个缺陷对应的磁场的Y分量比Z分量峰值更大,且磁场Y分量和缺陷深度的曲线的斜度更大,使得不同深度缺陷区分明显,这说明矩形探头在铝板上产生的磁场Y分量对缺陷检测的灵敏度比磁场Z分量对缺陷检测的灵敏度更高。

4 结语