本发明涉及视频监控领域，具体涉及一种通过视频监控进行烟雾检测的方法。
背景技术：
火灾会造成经济上的重大损失和人员伤亡。在公共安全领域，为了避免火灾，使用了很多的火灾检测技术，多数是基于离子检测、温度检测、相对湿度的检测、空气通明度的检测，此外还有传统的紫外线和红外线的火灾检测器。大部分的物体在燃烧前都会产生烟雾，烟雾检测可实现火灾的早期预警和报警。传统的烟雾检测器既要求放置在火灾发生地附近，并且不能提供现场的具体信息，例如：火灾发生地，火灾大小，火灾蔓延速度等。还有，如果由其他方式(如吸烟)产生地燃烧副产物被烟雾检测器检测到，也会火灾报警，但这个火灾报警是错误的。因此，传统的烟雾检测器存在不可靠性。
技术实现要素：
本发明的目的在于提供一种基于视频监控技术的更可靠的火灾检测技术，可以将重点防火区域的视频监控数据充分利用起来，实现远程监控、智能监控、早期预警、实时报警的功能，保障公共安全领域大范围的防火监控需要，提升监控智能化水平。
本发明的技术方案如下：
一种通过视频监控进行烟雾检测的方法，其特征在于：利用烟雾有静态特征和动态特征两个特征来检测烟雾，先进行静态特征分析，从视频图像中提取出与烟雾颜色相似的区域，再进行动态特征分析，对上面提取出来的区域进行检测，从而排除与烟雾颜色相似的非烟雾区域。
所述的静态特征分析，具体方法是：在rgb颜色空间中，创建一个混合高斯模型，先初始化高斯模型
其中i表示第几个高斯模型，以被观测对象的第一个像素值作为均值μ，并初始化一个较大的方差σ2和低的权重ωi，然后用下一个像素与初始化好的高斯模型逐一进行匹配，若与现有的高斯模型都不匹配，则增加一个新的高斯模型；当前像素点的颜色与它现有的第i个高斯分布按优先级从高到低依次进行匹配，直到找到一个匹配的分布为止；判断待检测图像中的像素是否属于已建立的混合高斯模型，从而提取出具有烟雾颜色的图像区域。
所述的动态特征分析，具体方法是：对提取出来的烟雾颜色区域进行检测，判断是否具有不规则性和扩散性以及半透明性特征，将不符合以上特征的区域作为假烟雾区域滤除。
许多基于视频的火灾检测技术都是对火焰进行检测，并给予火灾报警但在许多实际的情况中，与火焰检测相比，烟雾检测将能更早的给予火灾报警，减少经济损失和人员的伤亡。由于烟雾有静态特征(颜色)和动态特征(扩散性)，本发明提出了一种利用两个特征来检测烟雾的方法，先利用静态特征从视频图像中提取出与烟雾颜色相似的区域，再利用动态特征对上面提取出来的区域进行检测，可以排除与烟雾颜色相似的非烟雾区域，这样降低了错误报警率，可以增加早期报警的可靠性，提高公共安全场景下的火灾防控水平，能够及时、有效地发现控制火灾现场。本发明利用现有监控平台，无需增加硬件设备，充分利用已有资源，可实现快速、大范围部署。
具体实施方式
本发明利用烟雾有静态特征和动态特征两个特征来检测烟雾，先进行静态特征分析，从视频图像中提取出与烟雾颜色相似的区域，再进行动态特征分析，对上面提取出来的区域进行检测，从而排除与烟雾颜色相似的非烟雾区域。
1、静态特征分析
颜色是烟雾图像信息中的特征之一，通过颜色检测能够将图像中具有烟雾颜色的区域提取出来。烟雾对光有反射性，所以周围环境的颜色会对烟雾颜色产生影响。例如：在夜晚，火焰成为主要的光源，烟雾呈现出红色。所以采用在rgb颜色空间中，创建一个混合高斯模型来检测烟雾颜色像素。这样系统可以适应环境的变化，且更加有效的检测出烟雾。
1.1混合高斯模型的建立
先初始化高斯模型
1.2高斯分布匹配
当前像素点的颜色与它现有的第i个高斯分布按优先级从高到低依次进行匹配，直到找到一个匹配的分布为止。与第i个分布匹配的条件是：
若有匹配的模型,则更新该模型的均值和方差:
a，β为学习率，a为常数，β的计算公式为：
权值更新公式如下:
ωi＝(1-a)ωi+ami
mi为第i个模型的匹配标志，匹配的分布mi＝1，其他的模型mi＝0。上式表明只有与x相匹配的高斯模型的权值才得到提高，其它模型的权值都被降低。
更新高斯模型的优先级时，通过权重ωi和方差σi进行更新，公式如下：
pi＝ωi/σi
当所建立的高斯模型数量达到上限时，若没有找到任何高斯模型与x匹配，则将优先级最小的一个高斯模型去除，并根据x引入一个新的高斯模型，并赋予较小的权值和较大的方差，然后更新所有高斯模型的权值。创建混合高斯模型需要用一组烟雾样本图像集fc＝{c1,c2,…cn}来训练。建立后，可以判断待检测图像中的像素是否属于已建立的混合高斯模型，从而提取出具有烟雾颜色的图像区域。
2、动态特征分析
烟雾的动态性是由于无规则性的扩散形成，另外烟雾在动态扩散的同时呈现出半透明的特性。它包括形状的不规则性和扩散性，半透明的特性会使背景的边缘信息变的模糊。我们把不规则性和半透明特性结合起来检测烟雾。对提取出来地烟雾颜色区域进行检测，判断是否具有不规则性和扩散性以及半透明性特征，将不符合以上特征的区域作为假烟雾区域滤除。动态特征的检测可极大地提高准确报警率。
2.1烟雾的不规则性
由于气流的影响，烟雾的形状在不停的变化，所以测量烟雾的形状是难以实现的。因此，可以采用从上面提取出来地区域的周长比上面积的方法。当它们的比值大于一个阈值(std)时，为烟雾区域，否则为非烟雾区域。公式如下：
sep/std≥std
式中sep为烟雾区域周长，std为烟雾区域面积。
2.2烟雾的扩散性
由于烟雾的扩散性，所以烟雾的面积会不断地增大。因此，我们计算一段时间内提取区域的增长率(△adi)来判断烟雾的扩散性。在数字图像中，烟雾的面积(p)可以用区域像素点的个数表示，时间的间隔可以用间隔的帧数来表示。公式如下:
式中pi为图像序列的第i张图像中表示的可能烟雾区域的像素总数，(i+k)-i即dt表示k帧图像，
式中
2.3烟雾扩散的方向性
烟雾在扩散过程中具有一定方向性，由于烟雾的密度普遍低于空气密度，其运动方向一般为自下向上，因此对烟雾的飘动方向进行分析，能有效地将烟雾运动与其他运动进行区别。本文采用离散运动方向搜索计算矩形块(扩展单个运动区域的边界坐标而得到)的运动方向，每个方向角对应一个方向编码。通过连续两帧图像在离散运动方向中的搜索，以绝对误差和最小准则来确定矩形块的运动方向。
式中ik-1和ik为连续两帧的灰度图像，ws和we分别为矩形块宽度的起始和终止值，hs和he分别为矩形块高度的起始和终止值，i和j分别为搜索模板的水平和垂直分量，且i和j的取值为-1,0,1，方向编码dc的计算公式如下：
dc＝3×j+i+5
通过以上两式求得离散运动方向搜索中绝对误差和最小方向的i，j值，并转换成相应的方向编码，即求得矩形块的运动方向。由烟雾自下向上的飘动特性不难得出，方向编码dc的值将集中在1,2,3。
2.4烟雾的半透明性
烟雾具有半透明性。烟雾遮挡的场景区域，其边缘变得模糊且高频信息缓慢减少；而刚性物体遮挡场景时，场景的高频信息会有比较明显的陡变。根据这一特性，利用小波分析，能有效去除与烟雾颜色类似的运动的人及车的干扰。图像的小波变换是一种信号的时间一一尺度(时间一一频率)分析方法，是一种窗口大小固定不变，但其形状可改变，时间窗和频率窗可以改变的时频局部化分析方法，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。每一级分解均会产生表示图像比较粗糙(低频图像)和比较精细(高频图像)的小波系数，一幅图像可以分解成一幅低分辨率图像和分辨率由低到高的表示图像细节的许多子图像。不同分辨率的子图像对应不同的频率，有用的信号通常表现为低频信号，噪声信号通常表现为高频信号。因此分解图像的高频信号可以提取原目标图像的纹理背景特征，在低频区域提取目标。
将以上的静态特性和动态特性提取出来作为特征向量，通过svm支持向量机分类器做出判断，检测视频中出现的烟雾特征，提供预警和报警功能。