（湖北工业大学湖北武汉430000）
摘要：水位不仅是表征江河湖海等自然水体的水资源状况也是表征水利工程运行状况的重要参数，论文通过截取水尺视频流中的图像，利用图像识别技术，自动计算水位值。该技术基于图像处理的方法，丰富了图像处理内容同时为水位自动检测提供了新的思路。
关键词：水位检测；图像识别；视频帧；字符切割
目前水位监测主要有两种方式，一种是通过目测，然后记录水位值；另一种是借助各种传感器来自动获取。根据两种方式存在的问题，论文创新性地运用图像识别技术对拍摄到的水尺图像进行刻度线和数字识别，从而获取水位值。
1.视频图像技术水位数据获取方案
本论文提出一种基于视频图像的水位数据获取方案。该方案主要优点在于水位测量的可操作性、实时性、准确性、智能性和经济性。将主要依靠硬件的水位测量方法转化为主要依靠软件，将工作人员从繁重的目测工作中解放出来。
采集硬件设施只要一杆水尺，水尺包含有刻度线和数字和一个CCD摄像头。对于水位图像的采集并不依赖于视频采集卡的采集频率，而是通过编写与硬件无关的软件实现水位图像的定时截取，无需进行滤除大量重复水位图像的工作，提高了水位数据采集的实时性与智能性。基于灰度特征的水尺区域提取方法，即首先对灰度图像进行灰度拉伸，再进行二值化，最后通过分析二值图像的灰度特征进行有效区域的提取。
2.图像的获取和处理
2.1从视频流中截取水尺图像
由于视频帧的截取是实时进行的，即摄像头在监控的同时截取水位图像。在水情监测系统中对水位测量的实时性要求通常是每十分钟一次水位数据，因此设定每隔十分钟从视频流中提取一帧图像。实时视频帧的定时截取使用C#在VS2005平台下进行开发，该程序由前台用户界面和后台逻辑控制组成，前后台之间主要通过消息进行通信.
2.2图像灰度化
灰度化的目的有三个：其一，缩小图像的大小，减少存储空间。其二，提高后续图像处理速度，满足实时性要求。其三，将处理多种颜色的水位信息图像进行颜色统一。若原来的某点颜色为RGB（RGB对应的分别为红、绿、蓝），采用公式2.1将256色图转换为灰度图像[23]：
浮点算法：Gray=R*0.3+G*0.59+B*0.11；式（2.1）
2.3水尺图像提取
水尺图像作为目标图像，有其普遍性，也具有自己的特殊性。在尝试使用了边缘提取算法后，发现边缘提取并不适合于本论文。通过实验，将灰度化的图像进行灰度拉伸之后，利用其二值图像的灰度统计特征具有较好的提取效果。
3基于水尺图像识别的水位数据获取
3.1刻度线区域与数字区域的切割
本论文采用垂直投影的方法，即自上而下扫描图像，统计出每列的黑色像素点的个数，以直方图的形式表现确定刻度线和数字区域的分割点。垂直投影图由于噪声等原因的存在，并没有明显的空隙，但是存在最小值。设垂直投影图的函数为f（x），则f（x）的最小值f（x1）所对应的x1，即为图像的分割点。根据切割点，将垂直投影图与原始图进行2次比对。若图片的宽度为w，第一次将（x1，w）区间的像素以白色填充，并且保存刻度线区域图像；第二次将（0，x1）区间的的像素以白色填充，并且保存数字区域图像。
3.2数字识别
数字识别算法通常有模板匹配法、特征分析匹配法、神经网络法。本论文的数字识别将采用神经网络法，此方法利用神经网络的机制提取字符中存在的特征，训练已有样本，构建一个稳定神经网络来识别。在数字识别时需经过字符分割、字符归一化、字符特征提取等。
3.2.1字符分割
对于水尺上数字，若字符间没有粘连，经过垂直投影后的单行数字将会出现明显的空隙。但是由于水尺常年裸露在外，经过风吹雨晒，获取的水位图片通常含有噪声污染，造成字符粘连。所以经过垂直投影后就没有明显的空隙，只是存在有波谷。但是单个数字也可能存在波峰和波谷，此时虽然可以选择波谷最低处作为分割点，但是切割点不是非常准确。由于轮廓投影具有很好单峰性，故通过轮廓投影和垂直投影的比对来选择分割点，对于轻度污染导致的字符粘连情况，具有良好的分割效果。
3.2.2归一化处理
3.2.3特征提取
由于本论文所研究是图像中的数字笔画比较简单，为了有效地刻画数字的结构和局部特征，需要设计一个维数较低的向量，并且适应性较好，能够有效地进行数字识别的特征提取方法。在这里采用13点特征提取法，具体算法如下：
1．将字符划分为4*2块大小相等的子区域，统计出每个区域黑色像素点的个数，以此得到小区域内黑色像素点的个数的八个特征值。
2．统计水平方向上中间两列和竖直方向上中间两列的黑色像素个数，得到四个特征值。
3．统计整个字符的黑色像素，并将其做为一个特征。
3.2.4基于BP神经网络的数字识别
在确定了本论文中的输入层、隐含层、输出层结点个数后，给出BP神经网络的训练流程：
1．设置变量和参数，其中包括训练样本，权值矩阵，学习速率。
2．初始化，给各个权值矩阵一个较小的随机非零向量。
3．输入随机样本。
4．对输入样本，前向计算BP网络每层神经元的输入信号和输出信号。
5．根据误差准则由实际输出和期望输出求得误差。判断是否满
其中w为水位值，d为离水面最近的数字，n为数字与水面之间刻度线根数，p为水尺精度。
由于水位是动水水位，水面具有波动，所以需要考虑波幅消除方法和技术。这里进行了水面位置的简单校正，将水面位置校正在两跟刻度线的中间，即在两种模式下最后都减去了0.5*P，满足误差在1厘米以内的要求。
4试验及成果分析
本论文研究的基于视频图像的水位识别系统主要由三部分组成：前端采集设备、网络系统、后台数据中心。前端采集系统主要负责水位图像的采集，网络系统主要负责水位数据的传输，后台数据中心主要用来存储水位数据，方便水位的实时监测以及数据查询。
根据实验流程图，整个实验的装置框架如图4.1所示。
图4.1实验装置框架
5.结论
本文在分析讨论了传统水位测量方法的基础上，提出基于视频图像的水位获取方法。该方法的主要成果在于水位测量不再主要依靠硬件，而是主要依靠软件，减少了安装、维护的经济代价，使得水位的识别具有更高实时性和正确性。对摄像头监控到的水位视频帧的截取完全通过自动定时方法，不需要人工的干预，提高水位图像获取的智能性。水位图像中的目标区域为水尺区域。在进行水尺区域提取时，提出利用二值图像的灰度特征及其模板匹配的思想，简单高效地将水尺区域从整个水位图像中提取出来，并保留刻度线和数字的清晰度。刻度线根数计算时，采用了连通域思想，并对标记算法进行改进，为直线的识别和计算在特定的领域开拓了一种新思路，提高了运算速率，但该方法只适合于轻度污染的情况。对数字区域经过行切割、列切割、归一化、字符特征提取处理后，送入BP神经网络进行数字识别，对其中的数字切割提出了垂直投影和轮廓投影相结合的新方法，对轻度污染造成的粘连数字具有很好的切割效果。通过理论研究和相关的实验，本文研究的基于视频图像的水位识别方法具有一定的实用性，特别适合于偏远地区及条件恶劣的环境中使用。
参考文献：
1.翟俊海、赵文秀、王熙照，图像特征提取研究，河北大学学报（自然科学版），2009年1月第29卷第1期
2.KlemaVC.Thesingularvaluedecomposition：Itscomputationandsomeapplications[J].IEEETransactionsonAutomaticControl，1980，25（2）：164176.
3.KirbyM，SirovichL.ApplicationoftheKarhunen-Loeveprocedureforthecharacterizationofhumanfaces.IEEETransactionsonPatternAnalysisandMachineIntelligence，1990，12（1）：103一108.
4.W.D.Stromberg，T.G.Farr.AFourier-basedTexturalFeatureExtractionProcedure，IEEETrans.Geosci.RemoteSensing，1986，24（5）：722-731
5.高晓亮、王志良、王馨、刘翼伟，于HSV空间的视频实时水位检测算法，郑州大学学报，2010年9月第42卷第3期