一种基于视频图像的实时烟雾场景检测方法

一种基于视频图像的实时烟雾场景检测方法
【专利摘要】本发明通过对训练视频库中的视频使用背景减法中码本模型进行运动前景提取，针对残缺前景图使用高斯膨胀法进行完善和补偿，得到较为完整的运动前景图，然后根据运动前景图分别提取运动目标的静态特征(颜色、轮廓、能量、梯度)和动态特征(像素抖动、扩散、质心速度)，通过支持向量机对这些特征进行整合，训练出烟雾模型，在检测阶段通过运动目标的静态和动态特征与烟雾模型的对比进行检测，如果符合烟雾模型就进行报警。
【专利说明】一种基于视频图像的实时烟雾场景检测方法

【技术领域】
[0001] 本发明涉及一种烟雾检测方法，在基本满足实时检测情况下，尤其是对于彩色烟 雾具有良好的检测效果，对火灾能过起到防范和预警的作用，属于计算机视觉【技术领域】。

【背景技术】
[0002] 火灾检测是模式识别和图像处理领域近年来兴起的研究热点。火灾是火失去控制 而蔓延的一种灾害性燃烧现象，是危害人类的重大自然灾害之一。火灾检测应用范围广泛， 能为森林、公园、草地等场所的火灾预警提供关键技术，成为众多研究机构和学者关注的焦 点。烟雾早于火焰产生，及时的检测烟雾对于火灾预警以及扑救具有重大的现实意义。
[0003] 目前在实际的应用中存在单特征和多特征烟雾检测两种方式，其中单特征烟雾检 测方法简答、容易实施，但是对于烟雾信息描述的不准确，误检率较高；多特征烟雾检测存 在特征数量与运算速度之间的矛盾，很多多特征烟雾检测方法并不能达到实时检测的效 果，另一方面，有些特征受视频分辨率影响较大（比如能量特征），而实际应用中考虑成本 的因素，监控系统所采用的摄像头分辨率较低。传统的烟雾检测都是用颜色作为烟雾特征 之一，把烟雾的颜色限定在预设的范围内（白色、灰白色、青色、灰黑色、黑色等），然而烟雾 的颜色受燃烧材质（含碳量高的燃烧物的烟雾就会表现为黑色，而含硫量高的燃烧物的烟 雾为浅黄色）和自然环境影响较大（在夕阳下烟雾的颜色为桔红色或浅橙色），尤其是化学 药品燃烧所产生的烟雾一般为彩色烟雾，所以传统的烟雾颜色分类存在较大的局限性。


【发明内容】

[0004] 本发明的目的是提供一种基于视频图像的实时烟雾检测方法，属于多特征烟雾检 测方式。该方法包含训练和预测两个阶段，在训练阶段，使用背景减法中的码本模型进行运 动前景提取，在提取的运动前景图基础上使用高斯膨胀法对运动前景图进行补偿，然后分 别提取7个烟雾特征对烟雾进行描述，最后使用svm训练烟雾模型。在检测阶段，根据运动 前景图提取运动目标的7个特征，并使用这些特征与烟雾模型进行比较，如果符合烟雾模 型就进行报警。该方法对烟雾信息描述较为完整，鲁棒性较好，基本能够实现实时监测的目 的。
[0005] 为实现上述目的，本发明采用下述的技术方案。其特征在于包括以下步骤：
[0006] 步骤一：对样本视频库中的视频进行运动前景提取，这个步骤采用背景减法中的 码本模型，分别采用亮度和颜色相似度为每个像素建立码本，从而建立背景模型，并在一定 的时间范围内对码本进行更新；
[0007] 步骤二：对于步骤一中得到的运动前景图使用高斯膨胀法进行补偿，即在运动前 景图边缘建立高斯核，利用高斯核内的前景点分别求取前景像素的均值和方差，利用高斯 分布求取非前景点属于前景点的概率，利用概率与设定的阈值的关系判定是否把非前景点 膨胀为前景点。
[0008] 步骤三：对于前景图对应的运动目标，提取它们的静态特征，包括颜色、轮廓、能 量、梯度特征，并求取这些特征的特征值；
[0009] 步骤四：对于前景图对应的运动目标，提取它们的动态特征，包括像素抖动、扩散 (面积改变率和轮廓改变率）、质心速度特征，并求取这些特征的特征值；
[0010] 步骤五：使用svrn对运动目标的静态和动态特征进行训练，在结构风险最小原理 上寻找分类面，从而得到烟雾模型和非烟雾模型；
[0011] 步骤六：检测阶段，使用运动目标特征与烟雾模型进行对比，对于符合烟雾模型的 运动目标进行报警。
[0012] 本发明所提供的基于视频图像的实时烟雾检测方法可以在保证检测速度的同时 有效的检测到烟雾的发生，从而为人们进行及时的扑救火灾提供时间。有关的测试结果表 明，本方法对于烟雾检测具有较好的结果，其检索时间满足实时的需求。

【专利附图】

【附图说明】
[0013] 图1基于视频图像的实时烟雾检测方法的框架图。
[0014] 图2基于视频图像的实时烟雾检测方法的流程图。
[0015] 图3基于视频图像的实时烟雾检测方法效果图。

【具体实施方式】
[0016] 前已述及，本发明通过训练视频库进行烟雾建模，在检测阶段，经过对待检测视频 提取运动目标特征，通过这些特征与烟雾模型的符合度来决定是否进行报警。
[0017] 下面结合【专利附图】

【附图说明】本发明的实现方式，图1中明确表示了本发明的过程。首先，根 据训练视频库进行烟雾建模；其次，提取待检测视频中运动目标特征并与烟雾模型进行比 较，如果符合就进行报警。
[0018] 需要注意的是，以下仅是示例性的列举了本发明的一种实施方式：
[0019] 步骤一：建立烟雾模型
[0020] 烟雾检测的核心是建立烟雾模型，烟雾建模主要由三个重要步骤组成，即运动前 景提取、烟雾特征分析以及使用分类器进行建模。其中运动前景提取是整个算法的前提， 运动前景图提取的准确与否直接关系到预测的结果；烟雾特征分析是烟雾检测的关键，使 用良好的特征才能把烟雾和其它运动目标区别开来；使用分类器进行烟雾建模是建立烟雾 模型的最终步骤，使用良好的分类器能对烟雾模型刻画的更加准确，本发明主要针对前景 补偿和特征分析进行了研究和创新，具有简单、快速的特点，并且具有较好的鲁棒性和适用 性。
[0021] 步骤一的一种示例性实施步骤如下：
[0022] (1)运动前景提取
[0023] 本方法中采用了背景减法中的码本模型进行运动前景提取，其核心为使用亮度和 颜色相似度对每个像素建立以及更新码本，根据当前像素在码本中相似性像素搜索的结果 决定是否为前景点。如果当前像素不在码本内部，说明其为前景点，同时对码本进行更新。
[0024] (2)高斯膨胀法
[0025] 各种运动前景提取算法在某些特定的情况下都能取得良好的效果，但是分辨率较 低、图像质量较差、运动物体速度较低以及环境较复杂都会对前景提取造成很大影响。提取 的运动前景图经常存在残缺和空洞问题，而这些空洞对进一步的对象识别、分析及跟踪造 成很大影响。本发明针对烟雾颜色具有一致性，我们采用高斯膨胀法进行逐像素膨胀的方 法，取得良好的效果。
[0026] A.建立标记矩阵
[0027] 对已提取的前景图进行膨胀，首先对前景图中所有像素点进行标记，根据标记确 定该像素点是否应该膨胀。建立标记矩阵MatrixFlag(x,y),初始化设置所有坐标点的标记 都为假，然后遍历整个图像。对于前景点（x，y)，如果以点（x，y)为中心的3X3矩阵的外 围8个点都为前景点，说明这个点周围不用进行膨胀，所以假定该点已经遍历过了，设置该 点的值为真，前景点的集合简记为M。
[0028] 初始化标记矩阵：

【权利要求】
1. 一种基于视频图像的实时烟雾场景检测方法，包括以下步骤： 步骤一：对视频中的运动目标进行前景提取，运动前景提取采用的是背景减法中的码 本模型，分别根据运动目标的颜色的亮度和颜色相似度建立背景模型，对于一定时间内对 背景模型进行更新以及去除冗余信息。在检测阶段，当当前像素在码本中没有找到匹配的 像素时，在码本中添加新的码元，并对码本模型进行更新； 步骤二：对于步骤一中得到的运动前景图使用高斯膨胀法进行补偿，即在运动前景图 边缘建立高斯核，利用高斯核内的前景点分别求取前景像素的均值和方差，利用高斯分布 求取非前景点属于前景点的概率，利用概率与设定的阈值的关系判定是否把非前景点膨胀 为前景点。 步骤三：对于前景图对应的运动目标，提取它们的静态特征，包括颜色、轮廓、能量、梯 度特征，并求取这些特征的特征值； 步骤四：对于前景图对应的运动目标，提取它们的动态特征，包括像素抖动、扩散（面 积改变率和轮廓改变率）、质心速度特征，并求取这些特征的特征值； 步骤五：使用svm对运动目标的静态和动态特征进行训练，在结构风险最小原理上寻 找分类面，从而得到烟雾模型和非烟雾模型； 步骤六：检测阶段，使用运动目标特征与烟雾模型进行对比，对于符合烟雾模型的运动 目标进行报警。
2. 如权利要求1所述的方法，其特征在于：所述步骤二中对于残缺前景图使用高斯膨 胀法进行补偿和完善。
3. 如权利要求1所述的方法，其特征在于：所述步骤三中使用HSV空间H分量的相似 率来衡量烟雾的颜色特征；拉普拉斯算子进行改进，梯度统计后标准梯度链的发现以及梯 度特征值的计算。
4. 如权利要求1所述的方法，其特征在于：所述步骤四中使用像素抖动特征反应烟雾 在运动过程中像素变化规律；使用质心代替角点求取烟雾速度，描述烟雾的速度特征。
【文档编号】G06K9/00GK104408745SQ201410658794
【公开日】2015年3月11日 申请日期:2014年11月18日 优先权日:2014年11月18日
【发明者】李炜, 李艳华, 齐翔 申请人:北京航空航天大学