馮 磊

?

基于視頻的煙霧檢測系統(tǒng)——運(yùn)用煙霧流動模型和時空能量分析的方法

馮 磊

（邢臺職業(yè)技術(shù)學(xué)院，河北 邢臺 054035）

在火災(zāi)發(fā)生的初始階段，監(jiān)測煙霧對于防止火災(zāi)至關(guān)重要。文章提出了一種基于時間特征的檢測方法，即由光煙流動模式分析和時空能量分析提取的時間特征融合得到。一個特征向量是通過使用具有優(yōu)選方向的Gabor濾波器組，利用紋理信息來確定煙霧的流動特征。此外，在具有時間差的圖像中，應(yīng)用空間頻率的能量分析得到另一特征向量。最后，這些特征向量輸入訓(xùn)練好的支持向量機(jī)(SVM)進(jìn)行煙霧判別，提供準(zhǔn)確的煙霧檢測。根據(jù)實(shí)驗(yàn)數(shù)據(jù)可得，該算法特征提取簡便，可以更快檢測煙霧的發(fā)生，提高了煙霧檢測效率。

煙霧檢測；光煙流分析；時空能量分析；支持向量機(jī)

隨著經(jīng)濟(jì)的快速發(fā)展，人們對環(huán)境安全的要求越來越高，而火災(zāi)作為各類災(zāi)害中發(fā)生概率最高且對人類危害最嚴(yán)重的一種災(zāi)害，研究者們對火災(zāi)檢測也日益重視。煙霧的早期檢測可以作為火災(zāi)發(fā)生的有效預(yù)警。目前，煙霧檢測的方法主要有兩種，一種是傳統(tǒng)的基于傳感器，另一種是基于視頻圖像的。煙霧傳感器的監(jiān)測區(qū)域小且封閉，同時還受到煙霧擴(kuò)散延遲等限制，所以監(jiān)測的準(zhǔn)確度、響應(yīng)時間都受到一定的影響。當(dāng)前煙霧傳感器的局限性促使人們對基于視覺的煙霧檢測方法進(jìn)行了研究。視覺傳感器使用煙霧的視覺特征，如顏色、運(yùn)動和紋理信息等，同時能夠監(jiān)測更大的區(qū)域，并且可以容易地集成到現(xiàn)有的監(jiān)視網(wǎng)絡(luò)系統(tǒng)中。然而，考慮到煙霧的復(fù)雜性，如煙霧密度的變化、顏色、遮蔽特性、照明、非剛性和可變形狀，目前基于視覺的監(jiān)測系統(tǒng)受到許多技術(shù)的挑戰(zhàn)。已有研究顯示，利用 GMM獲取準(zhǔn)確的背景，通過幀間差分法對連續(xù)兩幀的灰度圖像序列進(jìn)行絕對差運(yùn)算，與背景相減獲得運(yùn)動目標(biāo)區(qū)域[1]。由于GMM是將圖像中的各個像素點(diǎn)的特征選用多個單高斯模型的混合來表示，對復(fù)雜動態(tài)背景進(jìn)行建模，計算量較大。利用時空分析、煙霧運(yùn)動建模和動態(tài)紋理來識別具有煙霧色的運(yùn)動物體中的煙霧[2]。通過小波變換和光流計算的本征值來對煙霧進(jìn)行分離，然而考慮到小波分析只能確定高頻分量，因此該方法也有其自身的缺陷[3]。

在本文中，我們提出了一種多信息融合的算法，該算法將小波變換的時空頻率的能量分量的組合特征和從Gabor濾波的時間圖像獲得的方向變換的統(tǒng)計信息組合起來作為聯(lián)合特征，這種聯(lián)合信息不僅能克服煙霧難以捕捉的缺點(diǎn)，同時能保證煙霧的流動性。將最后得到的聯(lián)合特征向量用支持向量機(jī)（SVM）實(shí)現(xiàn)分類。

一、算法結(jié)構(gòu)

所提出的方法解決了煙霧特征的復(fù)雜性，如煙霧擴(kuò)散的動態(tài)行為、煙霧的顏色范圍、半透明的屬性以及煙霧紋理圖案等一系列問題。具體算法如下圖1。

圖1 本文提出算法的流程

（一）圖像預(yù)處理

1.顏色分析

在大多數(shù)情況下，燃燒發(fā)生前，當(dāng)煙霧溫度較低時，產(chǎn)生的煙的顏色從藍(lán)白色變?yōu)榘咨?。隨著溫度的升高，顏色可以從灰黑色變?yōu)楹谏Ｍǔ＃曨l中采集的圖像像素由RGB顏色空間表示，然而RGB顏色空間容易受到非線性視覺感知和光照變化的影響。因此采用HSV顏色空間，不僅符合人類視覺習(xí)慣，同時能夠克服RGB顏色空間的缺點(diǎn)。

這里，H（i,j），S（i,j）和V（i,j）表示了空間中像素的色調(diào)、飽和度和明度值。從大量視頻中實(shí)驗(yàn)得出了H和V的閾值范圍，且能夠滿足在使用的實(shí)驗(yàn)視頻中檢測煙霧區(qū)域。

2.時態(tài)幀差法

就其動力學(xué)而言，煙霧在擴(kuò)散過程中向各個方向擴(kuò)散。一般來說，考慮到風(fēng)的影響，煙霧會改變它的形狀、位置以及在視頻連續(xù)幀中傳播的區(qū)域。此外，煙霧的不透明度取決于其密度，這使得煙霧的視覺模式難以建模。

使用幀差法，我們可以估計當(dāng)前幀和前一幀之間的區(qū)域的變化。當(dāng)攝像機(jī)靜止時，由幀差法生成的邊緣圖像就是視頻場景中運(yùn)動物體的邊緣。煙霧擴(kuò)散很慢可以通過計算多個幀之間的差來解決，當(dāng)擴(kuò)散很快的時候，則可以在每N個連續(xù)幀中應(yīng)用幀差法來檢測任何運(yùn)動。為了計算時間差分，用時間t和t+n上的兩幀對應(yīng)的強(qiáng)度值i t和i t+n之差來檢測視頻中的運(yùn)動。

（二）特征提取

1.基于Gabor濾波器的煙流特性紋理模式分析

如果輸入圖像由不同的紋理區(qū)域組成，那么這些區(qū)域的局部空間頻率之差將在一個或多個濾波器輸出的子圖像中產(chǎn)生差異，從而不能提供關(guān)于紋理的精確定位。簡單的2D Gabor濾波器具有擴(kuò)張和旋轉(zhuǎn)的特性，因此可以分解具有不同尺度和方向的圖像，從而能夠得到具有有限光譜信息的空間特性、空間選擇性和空間頻率等視覺特性。在所提出的方法中，我們使用一組具有不同優(yōu)選方向的Gabor濾波器，通過與每個時間差分圖像卷積得到這些灰度濾波圖像的簡單統(tǒng)計來形成用于分類的特征向量。卷積公式如下：

圖2 Gabor 濾波器選用的方向

2.時空能量分析

任何運(yùn)動物體都具有固有特性，因?yàn)闊熿F運(yùn)動的不規(guī)則性我們不易發(fā)現(xiàn)導(dǎo)致運(yùn)動物體能量突然下降的細(xì)節(jié)，所以煙霧最初具有半透明性質(zhì)，隨著時間的推移變得越來越不可見，那么含有煙霧的圖像區(qū)域最初表現(xiàn)出較低的空間能量，隨著不透明度降低而增加。為了解決這個問題，我們進(jìn)行了空間二維小波變換分析，以獲得僅適用于時間差分圖像的能量。雖然我們能夠運(yùn)用這個特性在復(fù)雜背景下檢測煙霧和非煙霧移動物體，但是對于真實(shí)煙霧檢測元素的精度對于實(shí)時應(yīng)用來說還是不夠的。這樣加上基于Gabor紋理模式分析才能夠進(jìn)行更為全面的分析。

首先由在像素列上應(yīng)用低通濾波和高通濾波的一維分解，得到一維和二維小波變換，從而生成兩個子圖像。其次是在另一個子圖像上運(yùn)用一維分解。過程如下：

圖3 單級二維離散小波變換的過程

每個像素的小波能量計算公式如下：

3.支持向量機(jī)（SVM）

為了區(qū)分視頻幀中是否有煙霧存在，支持向量機(jī)（SVM）是一個非常有效的工具。利用煙霧的Gabor濾波器從紋理分析中提取的統(tǒng)計特征與非煙霧的值很接近，這使得難以對輸入向量進(jìn)行線性分離。因此，我們使用支持向量機(jī)的RBF核，可以結(jié)合數(shù)據(jù)和分類中的非線性，它是一種非概率二元分類器，它可以將距離決策邊界最遠(yuǎn)的數(shù)據(jù)點(diǎn)分離，并在兩個類上清除超平面上可能的最寬間隙[4]。為了訓(xùn)練這個SVM，我們建立了一個訓(xùn)練數(shù)據(jù)集，包括300幀的煙霧和非煙霧視頻，每個幀中包含21個特征向量。其中在每個幀中的特征是Gabor濾波器的空間能量和5個方向，每個Gabor濾波器具有4個統(tǒng)計參數(shù)，總共產(chǎn)生21個特征。

表2給出了用于本研究的實(shí)驗(yàn)數(shù)據(jù)的概要。我們實(shí)驗(yàn)確定的標(biāo)準(zhǔn)偏差σ=0.6，能夠產(chǎn)生高的分類性能。為了評估我們的程序，我們用視頻數(shù)據(jù)集對其進(jìn)行檢查。每個訓(xùn)練/測試運(yùn)行進(jìn)行20倍交叉驗(yàn)證，以提高分類結(jié)果的可靠性。

表1 本文中使用的SVM的實(shí)驗(yàn)數(shù)據(jù)

二、實(shí)驗(yàn)結(jié)果及分析

本文的仿真環(huán)境為 MATLAB2015。實(shí)驗(yàn)選取了數(shù)據(jù)庫中的測試視頻，同時將攝像頭固定拍攝一組模擬煙霧發(fā)生的視頻。以這兩個測試視頻為基礎(chǔ)建立數(shù)據(jù)集，該數(shù)據(jù)集包含從煙霧視頻截取的4 000幀煙霧圖像，在不同的光照條件下拍攝，并涵蓋了多種濃度和光照的煙霧形態(tài)。

我們可以從圖4中觀察到我們提出的算法的逐步過程：（A—C）預(yù)處理階段，（D）特征提取階段，和（E）分類階段。在圖4（a）中，從視頻序列顯示提取的幀。在圖4（b）中顯示通過進(jìn)行顏色分析閾值化而獲得的感興趣區(qū)域。我們可以觀察到，固定物體被濾除并導(dǎo)致煙霧色物體的運(yùn)動檢測，如圖4（c）所示。當(dāng)具有不同取向角的Gabor濾波器組應(yīng)用于包含生長信息的這些時間幀時，能夠看到對煙霧的流動有顯著影響，如圖4（d）所示。我們可以觀察到，由于風(fēng)的方向和煙的向上運(yùn)動，相對于其他兩個方向，第一、第三和第五方向上有更多的紋理信息。對于這5個圖像中的每一個，我們計算每4個統(tǒng)計參數(shù)以產(chǎn)生20個特征。將時空幀的能量作為另一個特征，使每個幀的21個特征向量傳到SVM分類器中，如圖4（e）所示。

表2 4個視頻煙霧識別結(jié)果

在相同的數(shù)據(jù)集上對文獻(xiàn)[1]算法進(jìn)行實(shí)驗(yàn)，本文算法無論從處理速度上還是識別效果上均優(yōu)于文獻(xiàn)[1]算法。且本文算法平均準(zhǔn)確率能夠達(dá)到98.4%。

三、結(jié)論

本文提出了一種基于煙霧的光流特性的有效、魯棒的煙霧檢測方法。在本研究中，通過分析其擴(kuò)散行為、顏色和不透明度來確定煙霧的存在。該框架包括：（1）顏色掩蔽和時間幀差作為預(yù)處理階段；（2）基于時空能量分析的特征提取和從具有優(yōu)選取向的Gabor濾波圖像提取的紋理信息；（3）基于SVM的決策用于識別視頻幀中的煙霧。這種簡單的技術(shù)可以容易地安裝在煙霧報警系統(tǒng)中，因?yàn)樵撍惴ㄔ诿髁恋谋尘皸l件下也能響應(yīng)，使其在不同的照明條件下有效。大量實(shí)驗(yàn)結(jié)果表明，該技術(shù)可有效排除疑似煙霧物體的干擾，并且具有準(zhǔn)確性強(qiáng)、靈敏度高和魯棒性強(qiáng)等優(yōu)點(diǎn)。

[1]潘廣貞，元琴，樊彩霞等. 基于混合高斯模型和幀差法的吸煙檢測算法[J].計算機(jī)工程與設(shè)計，2015（5）：1290-1294.

[2] P. Barmpoutis , K. Dimitropoulos , N. Grammalidis .Smoke detection using spatio-temporal analysis, motion modeling and dynamic texture recognition[J].2014 22nd European Signal Processing Conference, IEEE, 2014, pp：1078-1082.

[3] X. Qi , J. Ebert. A computer vision based method for fire detection in color videos[J].Int. J. Imag, 2（2009）： 22-34 .

[4]M.N. Favorskaya , K.E. Levtin .Early video–based smoke detection in outdoor spaces by spatio-temporal clustering[J].International Journal of Reasoning-based Intelligent Systems, 5（2013）：133-144.

[5] T.-H. Chen , Y.-H. Yin , S.-F. Huang , Y.-T. Ye .The smoke detection for early fire-alarming system based on video processing[J].2006 International Conference on Intelligent Information Hiding and Multimedia, IEEE, 2006.

Smoke Detection System Based on Video——Through the Analysis of Smoke flow Pattern and Spatial-temporal Energy

FENG Lei

（Xingtai Polytechinic College, Xingtai, Hebei 054035, China）

In the initial stage of fire, monitoring smoke is very important for preventing fire. This paper proposes, a temporal feature extraction method, which is fused by light smoke flow pattern analysis and spatiotemporal energy analysis. A feature vector is obtained by using a Gabor filter bank with a preferred direction and using texture information. Besides, in the image with time difference, another feature vector is obtained by energy analysis of spatial frequency. Finally, these feature vectors are fed into support vector machine (SVM) to discriminate smoke and provide accurate smoke detection. According to the experimental videos, the features of algorithm are simple and easy to extract. It can detect smog quickly and improve the efficiency of smoke detection.

Smoke detection; Temporal features; Optical smoke flow; Support vector machines

2018—08—21

河北省重點(diǎn)研發(fā)計劃自籌項(xiàng)目——“基于機(jī)器視覺的火災(zāi)煙霧檢測預(yù)警系統(tǒng)”，項(xiàng)目編號：17275425。

馮磊（1984—），河北邢臺人，邢臺職業(yè)技術(shù)學(xué)院，講師。

TP391.41

A

1008—6129（2018）05—0080—06