1.一种应用于固定摄像机动态视频序列的烟雾与火焰探测方法,包括以下步骤:
1)视频帧变换预处理,将获取的4个相邻帧It-2,It-1,It和It+1作为预处理模块输入,经过三个处理步骤:灰度变换、直方图均衡和离散小波变换,使用用灰度变换将彩色图像变化为灰色图像,使用直方图均衡改善图像的对比度,使用离散Haar小波变换来提高图像的水平、垂直和对角线方向的高频细节处理效率;;
2)缓慢移动区域识别和像素分割采用自适应背景减除算法,利用帧It-1和背景Bt-1递归地估计t时刻的背景图像Bt:
其中(x,y)表示一个像素坐标,α是0和1之间的自适应参数;由于一个烟雾区域逐帧增长,属于烟雾区域的像素很快就不固定于背景中,α值将接近1;初始时B0(x,y)=I0(x,y);若以下条件满足,则像素(x,y)属于移动对象:
(|It(x,y)-It-1(x,y)|>Tt(x,y))&(|It(x,y)-It-2(x,y)|>Tt(x,y))
其中It-2(x,y),It-1(x,y),It(x,y)分别表示t-2,t-1和t时刻像素(x,y)的亮度值;Tt(x,y)是像素(x,y)的自适应阈值,其在t时刻的值通过下述公式计算:
初始时T0(x,y)=const>0;
当前帧It+1被建模为使用混合参数β的前景Ft+1和背景成分Bt的组合:
It+1(x,y)=βFt+1(x,y)+(1-β)Bt(x,y)
对于不透明物体β值等于1,对于透明物体β值等于0,对于半透明物体,如烟,β值位于0到1的范围;
因此,一旦在背景更新步骤中获得了Bt、当前帧It+1,并将β值设为0.38,就可以估算前景Ft+1;然后,应用阈值处理获取前景的二值图像Fbin;
3)连通分量分析去除图像中的噪声
使用形态学开操作缩小细微噪声区域:
其中S标识图像,M表示3×3结构元素;
使用形态学闭操作重建开操作中丢失的分量:
并连接运动斑点,去除图像中的噪声使用形态学运算实现:
其中M表示3×3结构元素.
重复搜索图像中所有的轮廓,然后丢弃过小的轮廓,并用多边形近似表示剩余的轮廓;
4)混沌运动估计使用光流来计算烟雾和火焰的移动统计特征,光流计算只应用于属于前景的图像块,该过程可以有效降低错误检测率;采用farneback光流法计算,该算法对噪声不敏感,并且可以确定同质区域运动矢量的方向;粒子共向运动的系数被确定为:
C=Vc/Vt,
其中Vc表示运动矢量共向的数量,Vt表示感兴趣区域运动矢量总的数量;5)移动斑点分类包括颜色分割与对比分析、空间与时间小波分析两个阶段;颜色分割与对比分析在YCbCr空间对火焰进行颜色分割,图像某区域将被认为属于火焰,如果:
Yi>Ym,Cbi<Cbm,Cri<Crm
其中Yi,Cbi,Cri表示感兴趣区域像素的亮度、蓝色分量、红色分量的平均值;Ym,Cbm,Crm表示帧上所有像素的亮度、蓝色分量、红色分量的平均值。
2.如权利要求1所述一种应用于固定摄像机动态视频序列的烟雾与火焰探测方法,其特征在于:所述步骤2)中,对于α和β两个参数的估算,通过接受者操作特性ROC分析来估算α和β的最优值。
3.如权利要求书1所述一种应用于固定摄像机动态视频序列的烟雾与火焰探测方法,其特征在于:所述步骤5)中,所述颜色分割与对比分析过程为采用Weber对比分析:
其中Ft+1(x,y)表示t时刻属于一个斑点的像素(x,y)的强度,Bt(x,y)表示t时刻位于对应斑点下方的背景像素(x,y)的强度,n表示属于斑点的像素数量。
4.如权利要求书1所述一种应用于固定摄像机动态视频序列的烟雾与火焰探测方法,其特征在于:所述步骤5)中,所述空间与时间小波分析过程采用基于空间和时间的小波分析用于对运动斑点分类,需要计算每个场景的能量和时间统计量,高频小波能量通常可以反映烟雾区域的特征,而高频分量的减少能够被当前图像和背景图像的空间小波变换检测;能量可以由下式计算:
其中Bk是感兴趣区域的第k个图像块,作为输入图像;LH,HL,HH是包含原始图像水平、垂直、对角线方向高频信息的小波变换系数;
场景的背景图像通常是光滑的且缺乏对象,这些区域通常有较低的小波能量;因此,场景的背景估计和高频能量减少可以通过当前图像和背景的基于下式的小波变换进行检测:
其中BGt表示背景图像。