基于数字图像处理的机房网络设备安全监控技术研究

摘要：传统机房设备运维依靠人力，费时耗力，且无法实现全天24小时实时监控。依靠大量传感设备运行所实现的无人监控系统能够做到不间断监控，但建设和维护成本高。基于图像处理的网络设备安全监控技术可以有效解决传统监控系统所带来的上述问题，通过利用图像预处理技术、颜色特征提取与识别、字符识别等技术，对设备指示灯状态、数字信息进行读取和识别，判断设备运行情况，从而达到有效监控的目的。

关键词：图像处理;监控系统;指示灯状态;颜色识别;数字识别

中图分类号：TP317.4 文献标识码：A 文章编号：1006-8228（2020）08-37-05

0引言

校园中心机房设备运维及安全监控工作日益重要。当前，很多机房依然采取传统的人工监控方式，费时耗力，且无法满足全天候监控的要求。另一种无人值守的监控系统[1]依赖于在设备上加装大量传感器来实现无人全天候检测，但其建设和维护成本很高。

本文利用数字图像处理技术对设备指示灯状态和数字信息进行识别来判断设备运行状态，从而实现24小时不间断监控效果。

1 系统设计

图像处理技术是对的图像中信息进行提取、识别和分析，通过对获取信息的判断.采取预设的处理方式来应对。本文监控对象为机房网络设备，通过对设备的指示灯状态和数字信息识别来判定设备运行状态，发送不同的报警信号。系统框架如图1所示。

2 预处理技术

通过摄像机获取的图像会由于拍摄的外部因素（如天气、遮挡等）干扰，造成图像效果不佳。因此，对原始图像进行适当的预处理[2]是十分必要的。

2.1 图像灰度化

图像灰度化[3]可以有效降低彩色图像中干扰因素对后期图像处理的影响，灰度化处理后的图像，既保留了原始图像的清晰度，又排除了变化因素的干扰。灰度图像灰度級划分为0至255级，其中每个像素点的R、G、B三个分量值均相等，0代表黑色，255代表白色，0-255代表从黑到白的渐变。常用的算法有：

（1）平均值法将R、G、B三个分量之和的平均值作为各分量的值，即：

（2）最大值法取R、G、B三个分量中的最大值作为各分量的值，即：

（3）加权平均值法为R、G、B三个分量赋予不同的权值，将三个分量加权后的和作为各分量的值，即：

2.2 图像二值化

为了对图像中感兴趣区域内信息进行提取和识别，需要对灰度化处理后的图像进一步做二值化处理，二值化[，处理后，图像只保留0和l两个灰度级。

在公式（4）中，t为实验阈值，（i j）代表任意一个像素点，f（ij）代表该像素点的灰度值，当f（ij）

3 颜色特征识别[5]

通过指示灯颜色来判断设备运行状态，是最为常用和可靠的一种方式。颜色特征相对于其他视觉特征更直观，且不受变量因素影响。在提取颜色特征时，通常要用到不同的颜色空间模型，其中常用的是混合颜色空间，如CMY、RGB、XYZ等，RGB颜色模型使用最为广泛。

3.1 混合型颜色空间

●RGB颜色空间模型[6]

RGB颜色空间模型利用R、G、B三种基色相加混合的原理，通过调整各基色混合比例，产生任意色光F：

F=r[R]+g[G]+b[B]（5）

RGB颜色空间模型可以用一个三维立方体来表示，R、G、B三个分量分别映射到是三个不同坐标轴，如图3所示。

从RGB颜色空间模型中可以看出，不同比例的R、G、B_基色混合产生不同的色光F。RGB颜色空间虽然应用广泛，但它并不符合人眼对色彩的感知。因此，本文采用更加符合视觉感知的基于色调胞和度/亮度型颜色空间。

3.2 基于色调，饱和度/亮度型颜色空间

这种颜色空间用色调、饱和度、亮度来做作为其三个分量来表示不同的颜色信息，避免了不同光线强度下对颜色信息识别所带来的影响，降低了识别难度。

●HSV颜色空间模型

H（Hue）代表色相，S（Saturation）代表饱和度，V（Value）代表明亮程度。通常用一个圆锥空间模型来描述HSV颜色空间[7]，圆锥中轴线表示亮度V，其取值范围[0，255]，颜色由黑色到白色渐变。H和S两个变量位于圆形坐标系中，其中H绕纵轴线逆时针旋转，不同角度值代表不同色相，如0°、120°、240°分别表示红、绿、蓝。s取值为[0.0，1.0]，是圆锥每个横截面中心点到面上任意像素点的距离。如图4所示。

3.3 颜色特征提取与识别

使用颜色特征进行指示灯颜色识别时，需要先提取各指示灯的颜色信息。本文采用灰度直方图方法来提取颜色特征信息。

灰度直方图用概率密度函数表示，直方图的累计和用概率分布函数表示。采用概率分布函数如下：其中，m=0，0，2，…，g-1，h[m]表示灰度级为m的像素个数。因为这种灰度直方图是基于RGB颜色空间模型建立的，该模型下所得直方图维度高，存储计算量大，且易产生非线性变化，不利于量化与分类。HSV颜色空间可以很好的解决以上问题，所以，实验中需要先将RGB颜色空间转化到HSV颜色空间。

为进一步简化计算，可以对所得颜色直方图矢量进行降维操作，由于人眼对色相（H）敏感度高于饱和度（S）和亮度（V），因此，实验中将H降至16级，S和V降至4级，具体操作如下：

利用量化后的h，s，v三个颜色分量所获得颜色特征矢量为：

通过公式（17）便可以得到基于HSV颜色空间的颜色直方图。具体量化处理并不是固定的，应根据实验条件和要求进行相应的调整。

实验中，通过对指示灯颜色信息进行识别，获得当前设备的运行状态。如图5所示。

经过对颜色信息的读取和识别后，获得一组服务器指示灯的状态信息，用一个二维数组进行表示为：

4 数字识别

4.1 字符分割

图像经预处理后，需要先对字符进行分割[8]，再逐一识别。本文采用一种基于图像投影的分割算法，将字符图像水平和垂直投影作为分割的依据进行字符分割。

使用基于图像投影的字符分割算法进行字符分割时，分别引入垂直分割阈值α和水平分割阈值β，用于判定垂直和水平方向的分割是否有效，这避免了一些特殊字符（如“川”、“U”等）对试验的干扰，提高了分割的准确度。

4.2 光学字符识别（OCR）

在利用分割出的字符与模板图像进行匹配[9]前，需要对字符大小和线条进行归一化[10]处理，并提取处理后的字符特征，利用提取特征信息与模板字符特征进行比较，最后利用最小二乘法完成字符识别。

主要提取两类特征信息。一个是网格特征，将所要识别的字符图像按4 x4的方式进行16等分，分别统计出每个等分区域中黑色像素点的个数及黑色像素点的总和，获得一组17维的特征向量。另一个是边界特征，分别统计8条区域分割线与待识别字符的相交次数，将得到的8组数值与17维网格特征共同组成该字符的25维特征矢量：T=（t1，t2，t3，∧，t25）。最后，通过计算待识别字符特征矢量与模板字符特征矢量

其中，Ai为权重，i为模板字符个数，i=（1，2，3，…，n），j为模板字符特征维数j=（1，2，3，…，25），i，j均为自然数。将值最小的d1所对应的字符作为识别结果。

5 结束语

基于图像处理技术的机房网络设备安全监控系统较好的达到了预期的监控效果。实验中，由于光线等因素不断变化，所以在图像处理算法的设计和选择上很重要，直接影响最终实验结果。下一步，将继续优化算法，提高系统的适用性，提升识别的准确率。

参考文献（References）：

[1]汤军，刘昕.无人值守机房动环监控系统的建设和运维[J].有线电视技术，2018.345（9）：84-87

[2]张世辉.汉字图像预处理算法的研究及实现[J].计算机技术与发展，2003.4.

[3]周金和，彭福堂等.一种有选择的图像灰度化方法[J].计算机工程，2006.32（20）：198-200

[4]WEI Yuxi， WU Yueqing， TAO Pan. Left ventriclesegmentation in transesophageal echocardiography basedon supervised descent method[J]. Journal of ComputerApplications，2018.

[5]徐春梅，王春耀，刘跃等.基于机器视觉系统的颜色识别[J].机械设计与制造，2011.8：262-263

[6]刘国奇，邓铭，李晨静.融合RGB颜色空间的植物图像分割模型[J].郑州大学学报（理学版），2019.51（1）：21-26

[7]王红雨，尹午荣，汪梁等.基于HSV颜色空间的快速边缘提取算法[J].上海交通大学学报，2019.7：765-772

[8]朱麟.字符分割技术的研究与应用[J].科技展望，2016.26（34）：123

[9] Vincent T， Laganiere R. Matching feature points fortelerobotics[C]//Haptic Virtual Environments and TheirApplications，IEEE Intemational Workshop 2002 HAVE.IEEE.2002.

[10]王景中，胡贝贝.归一化算法在文字识别系统中的应用研究[J].计算机应用与软件，2011.28（3）：95-97

★基金项目：安徽省教育厅自然科学基金项目“基于图像处理的小型机动车辆检索关键技术研究”（KJ2018A0687）;安徽广播电视大学青年教师科研基金项目“基于数字图像处理技术的网络设备运维监控系统研究”（qn15-30）

作者簡介：王正玉（1985-），男，宿州萧县人，硕士研究生，工程师，主要研究方向：图像处理。