本發(fā)明屬于數(shù)字圖像及視頻處理領(lǐng)域范疇，應(yīng)用本發(fā)明的方法可以檢測(cè)出火災(zāi)發(fā)生時(shí)視頻圖像中的煙霧。

背景技術(shù)：

火給人類帶來光明和溫暖，是人類邁向文明時(shí)代的標(biāo)志，然而火若是在時(shí)間和空間上失去控制的燃燒就會(huì)造成災(zāi)害。在各類災(zāi)害中，火災(zāi)最經(jīng)常最普遍地危害公眾安全和社會(huì)發(fā)展?；馂?zāi)不僅毀壞物質(zhì)財(cái)產(chǎn)，還嚴(yán)重威脅著人的生命健康和安全，一旦發(fā)生會(huì)給我們?cè)斐刹豢赏旎氐膿p失。因此，如果能夠在火災(zāi)發(fā)生初期及早發(fā)現(xiàn)，并將其撲滅才可以最大限度的降低火災(zāi)造成的危害。

傳統(tǒng)的火災(zāi)報(bào)警系統(tǒng)一般是基于紅外傳感器或煙霧傳感器的，這是目前來說比較成功的，也是應(yīng)用最為廣泛的火災(zāi)報(bào)警器，但是這類報(bào)警器在室內(nèi)大型倉庫和室外大空間場(chǎng)所(如機(jī)場(chǎng)、車站、購物中心)中，或存在強(qiáng)氣流的地方，由于無法迅速采集火災(zāi)發(fā)出的煙溫變化信息，因此不能準(zhǔn)確及時(shí)的發(fā)出報(bào)警信號(hào)，難以滿足在火災(zāi)發(fā)生早期預(yù)警的要求。而且傳感器容易因外界環(huán)境的作用而發(fā)生老化或損壞，而導(dǎo)致出現(xiàn)事故后的漏報(bào)和誤報(bào)現(xiàn)象發(fā)生。

目前，隨著人們安防意識(shí)的不斷增強(qiáng)，視頻監(jiān)控系統(tǒng)已經(jīng)被廣泛的安裝在各種公共場(chǎng)所，因此可以通過光學(xué)成像的視頻煙霧探測(cè)技術(shù)來及早發(fā)現(xiàn)火災(zāi)隱患，其作用距離可以相對(duì)較遠(yuǎn)，不需要等到煙霧接近或到達(dá)設(shè)備安裝的地方便能感知其發(fā)生與否，而且響應(yīng)速度也會(huì)較快?，F(xiàn)在基于視頻的火災(zāi)預(yù)警研究中，很多是對(duì)火焰的識(shí)別，但是通過研究火災(zāi)發(fā)生的規(guī)律可以知道，在火災(zāi)發(fā)生早期總是會(huì)先有大量煙霧產(chǎn)生，如果在視頻畫面中看到明火，通?；馂?zāi)已經(jīng)開始了一段時(shí)間，或者有時(shí)候已到了不能掌控的階段。所以“煙為火始”，火災(zāi)發(fā)生的前期通常會(huì)產(chǎn)生煙霧，若能在視頻中及時(shí)地檢測(cè)到煙霧則可提供更早的火災(zāi)預(yù)警。

基于視頻監(jiān)控的火災(zāi)煙霧檢測(cè)系統(tǒng)，安裝在有需求的大空間場(chǎng)所中，可比傳統(tǒng)的火災(zāi)探測(cè)系統(tǒng)更有效的提高火災(zāi)預(yù)警的及時(shí)準(zhǔn)確性。通過對(duì)攝像頭采集到的視頻序列圖像進(jìn)行智能分析和判斷，來實(shí)現(xiàn)實(shí)時(shí)自動(dòng)的探測(cè)火災(zāi)。而且只要是在攝像頭的視野范圍內(nèi)，都可被及時(shí)的發(fā)現(xiàn)火災(zāi)隱患。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提出一種可以檢測(cè)視頻圖像火災(zāi)煙霧的方法。技術(shù)方案如下：

一種基于稠密光流的視頻圖像煙霧檢測(cè)方法，包括下列的步驟：

1)由混合高斯背景建模法提取運(yùn)動(dòng)區(qū)域

a)設(shè)當(dāng)前幀的rgb圖像為ik,由混合高斯背景建模法得到其運(yùn)動(dòng)前景sk；

b)對(duì)sk進(jìn)行形態(tài)學(xué)中的腐蝕和膨脹操作，然后利用ostu算法計(jì)算經(jīng)過形態(tài)學(xué)處理的sk的圖像分割閾值t，并分割出運(yùn)動(dòng)圖像blockk；

c)在blockk中采用四相鄰域標(biāo)記法，提取連通區(qū)，并根據(jù)各連通區(qū)邊界擴(kuò)展形成一個(gè)外接矩形區(qū)域，由此方法可初步提取當(dāng)前幀中多個(gè)運(yùn)動(dòng)區(qū)域：

rg＝{rg1,rg2,rg3...}

2)由幀差法提取運(yùn)動(dòng)區(qū)域

a)設(shè)當(dāng)前幀的灰度圖像為gk,與之相鄰的前一幀灰度圖像為gk-1，將gk與gk-1作差得到前景圖像sk；

b)采用與步驟1)中同樣的處理，得到當(dāng)前幀中的多個(gè)運(yùn)動(dòng)區(qū)域：

rs＝{rs1,rs2,rs3...}

3)對(duì)步驟1)和2)中的運(yùn)動(dòng)區(qū)域，合并有交集的運(yùn)動(dòng)區(qū)域，剔除沒有交集的運(yùn)動(dòng)區(qū)域：

r＝{r1,r2,r3...}

4)對(duì)步驟3)中得到的運(yùn)動(dòng)區(qū)域分成上、中、下三個(gè)均等大小的矩形區(qū)域，對(duì)前后兩幀中同一矩形區(qū)域的特征點(diǎn)進(jìn)行跟蹤，得其運(yùn)動(dòng)偏移量，即在所得到的矩形區(qū)域中計(jì)算稠密光流，由此得到矩形區(qū)域中每個(gè)像素點(diǎn)的光流場(chǎng)；

5)對(duì)步驟3)中得到的運(yùn)動(dòng)區(qū)域分成上、中、下三個(gè)均等大小的矩形方塊，利用sobel算子得到相應(yīng)的梯度矢量；

6)對(duì)步驟4)和步驟5)得到的光流矢量和梯度矢量進(jìn)行預(yù)處理，并將特征向量輸入直方圖中進(jìn)行提取相應(yīng)的特征維數(shù)，將所得到的特征輸入支持向量機(jī)進(jìn)行訓(xùn)練和識(shí)別煙霧。

附圖說明

附圖為使用本發(fā)明算法得到的檢測(cè)結(jié)果：

圖1為運(yùn)動(dòng)區(qū)域的提取；

圖2為對(duì)運(yùn)動(dòng)區(qū)域進(jìn)行光流法，并使用平均偏移量和mean-shift算法處理后得到的光流場(chǎng)。

圖3(a)和(b)分別為煙霧光流失量相位直方圖和人員走動(dòng)光流失量相位直方圖

圖4本發(fā)明專利的算法流程圖

具體實(shí)施方式

本發(fā)明專利通過觀察煙霧運(yùn)動(dòng)的特性，提出一種基于稠密光流和邊緣特征的煙霧檢測(cè)算法。該算法首先將彩色圖像進(jìn)行灰度化處理，從而縮小圖像的數(shù)據(jù)、提高運(yùn)行的效率，對(duì)所得到的灰度圖形用運(yùn)動(dòng)目標(biāo)檢測(cè)的方法得到運(yùn)動(dòng)物體的前景圖像，對(duì)前景圖像進(jìn)行二值化處理以及形態(tài)學(xué)濾波，然后利用混合高斯背景建模和幀差相結(jié)合的方法，提取運(yùn)動(dòng)區(qū)域。之后將此運(yùn)動(dòng)區(qū)域池化為上、中、下三部分，并在每個(gè)池化區(qū)域提取光流矢量特征和邊緣方向直方圖?？紤]到煙霧運(yùn)動(dòng)在時(shí)域中的連續(xù)相關(guān)性，提取相鄰三幀的煙霧特征向量以提高算法的魯棒性。最后使用支持向量機(jī)進(jìn)行訓(xùn)練和檢測(cè)煙霧。

以下說明基于稠密光流的視頻圖像煙霧檢測(cè)方法的具體實(shí)施步驟：

1.圖像的灰度化

將彩色圖像轉(zhuǎn)化成灰度圖像的方法有：

a)取rgb分量的平均值

b)取rgb分量中數(shù)值最大的值作為灰度值。

gray＝max(r,g,b)

c)對(duì)rgb分量取加權(quán)平均，得到灰度值。

gray＝ωrr+ωgg+ωbb

2.運(yùn)動(dòng)區(qū)域的提取

方法中運(yùn)動(dòng)前景的提取采用混合高斯背景建模和幀差相結(jié)合的方法。

假設(shè)當(dāng)前幀的rgb圖像為,由混合高斯背景建模法和幀差相結(jié)合的方法得到其運(yùn)動(dòng)前景，為了消除孤立噪聲點(diǎn)的影響，需要對(duì)進(jìn)行形態(tài)學(xué)中的腐蝕和膨脹操作。然后利用ostu算法計(jì)算圖像的分割閾值t，并分割出運(yùn)動(dòng)圖像。最后，在所得到的多個(gè)分割出的運(yùn)動(dòng)圖像中采用四相鄰域標(biāo)記法，提取連通區(qū)，并根據(jù)各連通區(qū)邊界擴(kuò)展形成一個(gè)外接矩形區(qū)域r。

3.對(duì)圖像邊緣特征的提取

對(duì)步驟2中得到的運(yùn)動(dòng)區(qū)域r分成上、中、下三個(gè)均等大小的矩形方塊,然后在上、中下三個(gè)分塊中提取相應(yīng)的邊緣特征。本發(fā)明根據(jù)實(shí)際中的應(yīng)用情形，將運(yùn)動(dòng)區(qū)域分成上、中、下三部分，原因如下：由于煙霧在擴(kuò)散過程往往形成類似于“倒立三角形”的形狀，底部煙霧較為稀疏且光流場(chǎng)的相位分布較為集中，煙霧上部分較為稠密且隨著空氣流動(dòng)向四周擴(kuò)散的軌跡明顯。若沒有進(jìn)行分塊則會(huì)丟失煙霧的空間分布信息，為了保留更多的空間特性，需要對(duì)運(yùn)動(dòng)區(qū)域進(jìn)行適當(dāng)?shù)某鼗？紤]到進(jìn)行遠(yuǎn)距離煙霧視頻拍攝時(shí)，畫面中煙霧所占面積將會(huì)減少，此時(shí)不宜將池化數(shù)量設(shè)置太大。具體提取方法下面進(jìn)行說明。

如果以i代表原始圖像，gx＝sx*i代表經(jīng)橫向邊緣檢測(cè)的圖像，gy＝sy*i代表經(jīng)縱向邊緣檢測(cè)的圖像，即圖像的梯度為[gx,gy]^t。所以每個(gè)像素點(diǎn)的梯度矢量為[gx(x,y),gy(x,y)]^t，可以求得其極坐標(biāo)形式[m(x,y),θ(x,y)]^t，即可以得到梯度的幅值m和幅角θ。相應(yīng)的計(jì)算方法如下所示：

θ(x,y)＝arctan(gx(x,y)/gy(x,y))

為了消除方向符號(hào)對(duì)算法的影響以及減小特征向量的維數(shù)，本文中將在(180°,360°]范圍的梯度方向投射到[0°,180°]之間。然后將梯度方向在[0°,180°]之間的幅角均勻的量化為θ1,θ2,θ3...θk，k個(gè)區(qū)間，即邊緣方向直方圖有k柱。其中k值可根據(jù)實(shí)際情況進(jìn)行選取，k越大其計(jì)算準(zhǔn)確性將越高，但同時(shí)算法的計(jì)算量也將線性增加，k值太小則提取的特征維數(shù)太少，將造成識(shí)別效果不佳，本文根據(jù)算法在實(shí)際中的應(yīng)用情形將k設(shè)為9。緣方向直方圖第k柱的值由方向?qū)儆讦萲的梯度幅值相加得到，相應(yīng)的計(jì)算方法如下所示：

式中，θk代表第k區(qū)間的取值范圍。

通過下式進(jìn)行歸一化：

式中，fk為第k區(qū)間的邊緣方向特征歸一化的結(jié)果，為了避免出現(xiàn)分母為零的情況，ε為取值非常小的正整數(shù)。

4.對(duì)圖像光流特征的提取

對(duì)步驟2中得到的運(yùn)動(dòng)區(qū)域r分成上、中、下三個(gè)均等大小的矩形方塊,然后在上、中下三個(gè)分塊中提取相應(yīng)的光流特征，具體提取方法下面進(jìn)行說明。

由于光流法對(duì)光照等因素比較敏感，以及其他因素對(duì)所得到的光流場(chǎng)將會(huì)產(chǎn)生影響，這就需要對(duì)所得到的光流場(chǎng)進(jìn)行處理。本發(fā)明方法中采用平均偏移量：利用運(yùn)動(dòng)分割算法獲取可疑運(yùn)動(dòng)目標(biāo)，并對(duì)前后兩幀運(yùn)動(dòng)目標(biāo)的特征點(diǎn)進(jìn)行跟蹤，得其運(yùn)動(dòng)偏移量。假定某一區(qū)域內(nèi)有n個(gè)特征點(diǎn)，第i個(gè)特征點(diǎn)前后兩幀的坐標(biāo)分別為(xi，yi)、(x′i，y′i)。偏移量為li，則判斷l(xiāng)i的大小，當(dāng)li小于2個(gè)像素點(diǎn)距離時(shí)則剔除該像素點(diǎn)；當(dāng)li大于2個(gè)像素點(diǎn)距離時(shí)則保留該像素點(diǎn)。

假設(shè)ik為原始灰度圖像，ik+1為其對(duì)應(yīng)的下一幀圖像，r為步驟2得到的運(yùn)動(dòng)區(qū)域。對(duì)ik和ik+1圖像中r區(qū)域的每個(gè)像素點(diǎn)pi,j使用gunnarfarneback稠密光流法可得到相應(yīng)的光流場(chǎng)f(x,y)，fx,i,j、fy,i,j為光流場(chǎng)的水平分量和垂直分量，進(jìn)而可以求得光流矢量的幅值和相位信息。

對(duì)于處理后的光流矢量f(x,y)，根據(jù)下式求取相應(yīng)的相位信息：

為了消除方向符號(hào)對(duì)算法的影響以及減小特征向量的維數(shù)，本文算法將在(π,2π]范圍的相位投射到[0,π]之間。

將ang(pi,j)的取值范圍分成n等份,以便將ang(pi,j)量化。n的值可以根據(jù)需要選取,n越大,其計(jì)算精度將越高,但計(jì)算量也將線性增加。所以各個(gè)取值區(qū)間為[(k-1)π/n,kπ/n],其中k＝1,…,n。設(shè)λk表示光流矢量的相位ang(pi,j)分布在第k區(qū)間內(nèi)的個(gè)數(shù),m表示所有光流矢量的相位總個(gè)數(shù),則：

通過歸一化可得到n維的光流相位分布向量。

采用類似的方法可得到相應(yīng)的光流幅值分布向量。

5.svm支持向量機(jī)的融合

在具體實(shí)現(xiàn)中，綜合考慮實(shí)際應(yīng)用中的需求，本發(fā)明專利將運(yùn)動(dòng)區(qū)域r的原始灰度圖像i池化為上、中、下三部分，用(b0,b1,b2)表示，即n取值為3。在b0中將邊緣方向直方圖e0的維數(shù)設(shè)為9維，光流相位分布向量s0設(shè)為18維，光流幅值分布向量l0設(shè)為9維，則上層池化區(qū)域中煙霧特征向量f0＝{e0,s0,l0}的維數(shù)為36維。由于煙霧在b0和b1中運(yùn)動(dòng)軌跡均較為明顯，因此本發(fā)明專利將b1相應(yīng)的特征向量維數(shù)設(shè)置和b0中一致，即煙霧特征向量f1＝{e1,s1,l1}的維數(shù)為36維。一般b2為煙霧運(yùn)動(dòng)的底層部分，此區(qū)域中煙霧較稀疏，因而將邊緣方向直方圖e2的維數(shù)設(shè)為9維，光流相位分布向量s2設(shè)為9維，光流幅值分布向量l2設(shè)為6維，則下層池化區(qū)域中煙霧特征向量f2＝{e2,s2,l2}的維數(shù)為24維。由上可得單幀煙霧特征向量f＝{f0,f1,f2}的維數(shù)是96?？紤]到煙霧運(yùn)動(dòng)在時(shí)域上具有連續(xù)的相關(guān)性，本發(fā)明專利采用連續(xù)三幀圖像的煙霧特征向量首尾相連，即總維數(shù)為96x3＝288。

將所得到的總維數(shù)為288的特征向量輸入支持向量機(jī)svm進(jìn)行訓(xùn)練和識(shí)別。