论文部分内容阅读
摘要：“烟为火始”，如果能在视频中及时地检测到烟雾，就能提供更早的火灾预警。而且在各式建筑物中视频监控系统已大量使用，利用视频来探测火灾的技术将得以推广。
关键词：多特征融合；视频烟雾；检测
1运动检测
运动检测是实现烟雾检测的前提，文中选取背景减除法对运动区域进行检测。背景减除法首先在Kalman滤波的基础上根据时域递归低通滤波对背景进行更新和提取，再使用带阈值的背景差分法获取运动目标。
2特征提取
2.1烟雾轮廓不规则特征提取
发生火灾时，在热气流的影响下，烟雾从着火点开始不断向周围扩散，烟雾的边界呈现出一种不规则的状态，而行人、汽车和动物的边界看起来更规则，可将这一特性作为检测烟雾和非烟物体的一个依据。文中将圆形度作为检测烟雾和非烟物体的依据。圆形度定义为：
式中A为图形面积，L为图形周长。文中采用8向链码提取周长L和面积A。通过8向链码求取区域周长L的方法为：将区域像素看成点，将周长L定义为区域边界像素的8链码长度和，其表达式为：
其中，水平方向和垂直方向链码长度为1，其余方向链码长度为槡2；Q为图形边界线上的像素点数；li-chain為链码长度。按此规则遍历边界链码，可算得边界长度。通过边界链码求取区域面积A的方法为：1）令点（x，y）为链码起点，取横坐标x为长度起点，纵坐标y为第一高度，并对链码初始化，使长度终点等于起点。2）取一个新点（x1，y1），判断纵坐标y1是否等于y，若等于转到步骤3，若不等于转到步骤4。3）存储y1作为新高度，并取x1作为此高度的长度起点，对链码初始化，使长度终点等于长度起点。4）用x1与点（x1，y1）的高度的起点和终点进行比较，若x1小于起点，则将x1作为新起点；若x1大于终点，则将x1作为新终点；否则转到步骤5。5）判断是否到达链码终点，若是转到步骤6，否则进入步骤2。6）对每一个高度求其长度，面积等于每个高度的长度之和。由上述数据可以发现，由于烟雾运动区域的无规则性，其圆形度通常大于3；行人、车辆和动物等规则物体的圆形度一般小于3；因此可将圆形度作为BP神经网络的第一个输入特征用于融合判断。
2.2提取烟雾模糊特征
利用二维离散小波变换提取这一特征，一幅图像经过二维离散小波变换后分解为四个四分之一大小的图像，包括一幅低频分量子图像和三幅高频分量子图像。其中，三幅高频分量子图像分别体现了竖直方向（LH）、水平方向（HL）和对角方向（HH）的纹理信息。其中，低频分量子图像可以较完整地体现出原图像的特征，而高频分量子图像只体现了原图像的部分特征。设一幅图像经过二维离散小波变换得到三幅高频分量子图像的小波系数分别为LHn（x，y）、HLn（x，y）和HHn（x，y），用Wn（x，y）表示三幅高频分量子图像的复合能量值，其公式为：
文中通过定义高频能量衰减率来表示物体背景变模糊的程度，公式如下：
其中，en表示图像中疑烟区域第n帧的高频能量值；ebn表示疑烟区域对应背景图像经二维离散小波变换后的高频能量值；当视频中出现烟雾时，随着边缘变平滑，细节信息减少，通常会使三幅高频分量子图像的能量值减少。
由上述数据可以发现：由于烟雾运动区域的模糊性，其高频衰减率远大于汽车、行人和动物等刚性物体。一般，烟雾的高频衰减率在0.1～0.5之间；行人、汽车和动物等刚性物体的高频衰减率小于0.1，两者具有很好的区分度。所以可将高频衰减率作为BP神经网络的第二个输入特征用于融合判断。
2.3提取烟雾纹理特征
纹理体现了物体表面共有的内在特征，被定义为一个区域内的属性，反映了图像中同质现象的视觉特性。火灾烟雾在热气流的影响下，做着小尺度，快速的随机运动，并会产生漂移、闪烁、扩散和相位起伏等现象，从而引起图像序列灰度值的空间变化。因此文中选择基于统计法中的灰度共生矩阵法提取样本的纹理特征值，此方法是建立在图像的二阶组合条件概率密度基础上的，具有较好的鉴别能力。灰度共生矩阵（GLCM）算法过程如下：在图像上任取两点（k，l），（m，n）形成一个点对；点（k，l）的灰度为i，点（m，n）的灰度为j，则该点对的灰度为（i，j）；当灰度值的级数为L时，在整幅图像中i和j的组合共有L2种，统计出每一种（i，j）出现的次数以及总次数，并将其归一化成概率Pij，其中[Pij]为灰度共生矩阵。灰度共生矩阵实质上是描述在θ方向上，相隔距离为d的像元灰度层（i，j）出现的概率，表示为p（i，j|d，θ）。公式如下：
其中，#代表像元个数；k、l和m、n在各自所选的窗口内变化；一般位移方向有4种，即0°、45°、90°和135°，当距离为d时，其计算公式如下：
实验表明，当灰度级L=16时，计算速度不至于太慢同时也能够表达足够的纹理信息，此时利用灰度共生矩阵可以得到一系列的纹理统计量，根据火灾烟雾纹理的无方向性和像素灰度的高随机性，选择更能有效反映火灾烟雾特征的能量和对比度作为纹理特征。分别计算出火灾烟雾图像和样本图像在0°、45°、90°和135°方向上的灰度共生矩阵，再计算出每一个方向上的能量和对比度，最后取每一个特征量在4个方向上的平均值作为识别火灾烟雾的判据。
3结语
总之，火灾发生初期没有明显的火焰产生，最早可能出现的是烟雾，所以烟雾识别对于实现早期火灾报警更加重要。有关人员还需对相关问题进行研究，以促进烟雾识别工作的顺利进行。
参考文献：
[1]基于多特征融合的早期野火烟雾检测[J].张斌，魏维，何冰倩.成都信息工程大学学报.2018.
[2]基于多特征融合运行期均值法的烟雾检测算法[J].刘颖，顾小东，杜久玲，王倩.电视技术.2016.
（作者单位：吉林省长春市长春理工大学光电信息学院）
作者简介：宋丹，1978年10月，女，满族，吉林长春，硕士研究生，副教授，研究方向：检测技术与自动化装置。
关键词：多特征融合；视频烟雾；检测
1运动检测
运动检测是实现烟雾检测的前提，文中选取背景减除法对运动区域进行检测。背景减除法首先在Kalman滤波的基础上根据时域递归低通滤波对背景进行更新和提取，再使用带阈值的背景差分法获取运动目标。
2特征提取
2.1烟雾轮廓不规则特征提取
发生火灾时，在热气流的影响下，烟雾从着火点开始不断向周围扩散，烟雾的边界呈现出一种不规则的状态，而行人、汽车和动物的边界看起来更规则，可将这一特性作为检测烟雾和非烟物体的一个依据。文中将圆形度作为检测烟雾和非烟物体的依据。圆形度定义为：
式中A为图形面积，L为图形周长。文中采用8向链码提取周长L和面积A。通过8向链码求取区域周长L的方法为：将区域像素看成点，将周长L定义为区域边界像素的8链码长度和，其表达式为：
其中，水平方向和垂直方向链码长度为1，其余方向链码长度为槡2；Q为图形边界线上的像素点数；li-chain為链码长度。按此规则遍历边界链码，可算得边界长度。通过边界链码求取区域面积A的方法为：1）令点（x，y）为链码起点，取横坐标x为长度起点，纵坐标y为第一高度，并对链码初始化，使长度终点等于起点。2）取一个新点（x1，y1），判断纵坐标y1是否等于y，若等于转到步骤3，若不等于转到步骤4。3）存储y1作为新高度，并取x1作为此高度的长度起点，对链码初始化，使长度终点等于长度起点。4）用x1与点（x1，y1）的高度的起点和终点进行比较，若x1小于起点，则将x1作为新起点；若x1大于终点，则将x1作为新终点；否则转到步骤5。5）判断是否到达链码终点，若是转到步骤6，否则进入步骤2。6）对每一个高度求其长度，面积等于每个高度的长度之和。由上述数据可以发现，由于烟雾运动区域的无规则性，其圆形度通常大于3；行人、车辆和动物等规则物体的圆形度一般小于3；因此可将圆形度作为BP神经网络的第一个输入特征用于融合判断。
2.2提取烟雾模糊特征
利用二维离散小波变换提取这一特征，一幅图像经过二维离散小波变换后分解为四个四分之一大小的图像，包括一幅低频分量子图像和三幅高频分量子图像。其中，三幅高频分量子图像分别体现了竖直方向（LH）、水平方向（HL）和对角方向（HH）的纹理信息。其中，低频分量子图像可以较完整地体现出原图像的特征，而高频分量子图像只体现了原图像的部分特征。设一幅图像经过二维离散小波变换得到三幅高频分量子图像的小波系数分别为LHn（x，y）、HLn（x，y）和HHn（x，y），用Wn（x，y）表示三幅高频分量子图像的复合能量值，其公式为：
文中通过定义高频能量衰减率来表示物体背景变模糊的程度，公式如下：
其中，en表示图像中疑烟区域第n帧的高频能量值；ebn表示疑烟区域对应背景图像经二维离散小波变换后的高频能量值；当视频中出现烟雾时，随着边缘变平滑，细节信息减少，通常会使三幅高频分量子图像的能量值减少。
由上述数据可以发现：由于烟雾运动区域的模糊性，其高频衰减率远大于汽车、行人和动物等刚性物体。一般，烟雾的高频衰减率在0.1～0.5之间；行人、汽车和动物等刚性物体的高频衰减率小于0.1，两者具有很好的区分度。所以可将高频衰减率作为BP神经网络的第二个输入特征用于融合判断。
2.3提取烟雾纹理特征
纹理体现了物体表面共有的内在特征，被定义为一个区域内的属性，反映了图像中同质现象的视觉特性。火灾烟雾在热气流的影响下，做着小尺度，快速的随机运动，并会产生漂移、闪烁、扩散和相位起伏等现象，从而引起图像序列灰度值的空间变化。因此文中选择基于统计法中的灰度共生矩阵法提取样本的纹理特征值，此方法是建立在图像的二阶组合条件概率密度基础上的，具有较好的鉴别能力。灰度共生矩阵（GLCM）算法过程如下：在图像上任取两点（k，l），（m，n）形成一个点对；点（k，l）的灰度为i，点（m，n）的灰度为j，则该点对的灰度为（i，j）；当灰度值的级数为L时，在整幅图像中i和j的组合共有L2种，统计出每一种（i，j）出现的次数以及总次数，并将其归一化成概率Pij，其中[Pij]为灰度共生矩阵。灰度共生矩阵实质上是描述在θ方向上，相隔距离为d的像元灰度层（i，j）出现的概率，表示为p（i，j|d，θ）。公式如下：
其中，#代表像元个数；k、l和m、n在各自所选的窗口内变化；一般位移方向有4种，即0°、45°、90°和135°，当距离为d时，其计算公式如下：
实验表明，当灰度级L=16时，计算速度不至于太慢同时也能够表达足够的纹理信息，此时利用灰度共生矩阵可以得到一系列的纹理统计量，根据火灾烟雾纹理的无方向性和像素灰度的高随机性，选择更能有效反映火灾烟雾特征的能量和对比度作为纹理特征。分别计算出火灾烟雾图像和样本图像在0°、45°、90°和135°方向上的灰度共生矩阵，再计算出每一个方向上的能量和对比度，最后取每一个特征量在4个方向上的平均值作为识别火灾烟雾的判据。
3结语
总之，火灾发生初期没有明显的火焰产生，最早可能出现的是烟雾，所以烟雾识别对于实现早期火灾报警更加重要。有关人员还需对相关问题进行研究，以促进烟雾识别工作的顺利进行。
参考文献：
[1]基于多特征融合的早期野火烟雾检测[J].张斌，魏维，何冰倩.成都信息工程大学学报.2018.
[2]基于多特征融合运行期均值法的烟雾检测算法[J].刘颖，顾小东，杜久玲，王倩.电视技术.2016.
（作者单位：吉林省长春市长春理工大学光电信息学院）
作者简介：宋丹，1978年10月，女，满族，吉林长春，硕士研究生，副教授，研究方向：检测技术与自动化装置。