CN101441771B - 基于色彩饱和度与运动模式的视频火灾烟雾检测方法 - Google Patents

Abstract

本发明公开了一种基于色彩饱和度与运动模式的视频火灾烟雾检测方法，对由监控摄像机得到的视频图像，首先通过差分法提取前景运动块，然后检测前景运动块的色彩饱和度，估计运动块的方向，计算运动块的累积量和主运动方向，最后通过计算每个区域的色彩饱和度检测百分比、平均累积量和主运动方向比率组成特征向量，采用贝叶斯分类器进行判断是否为火灾烟雾。本发明色彩饱和度检测反映烟雾的色彩粗略分布，剔除大量具有鲜明色彩的前景干扰对象。分块方式的色彩检测进一步增强系统的抗干扰性。累积量表现了烟雾在阴燃点附近持续运动的特性，对于非往复运动对象具有非常好的抗干扰性能。综合运用色彩检测饱和度百分比、平均累积量和主运动比率，可以大大地降低系统误报率。

Description

基于色彩饱和度与运动模式的视频火灾烟雾检测方法

技术领域

本发明属于火灾监测监控技术领域，具体是利用火灾烟雾色彩饱和度、运动模式实现早期火灾的视频火灾烟雾自动检测。

背景技术

城市高层建筑物、公共场所等场合，一旦出现火灾，容易出现重大事故。为了避免这类情况发生，可在这些场合安装传统感烟、感温的火灾探测系统，能够发现、扑灭火灾。但是，传统的感烟、感温火灾探测技术存在一些难以解决的问题：探测器必须安装在起火点附近，否则将无法有效地探测到灾害的发生；另外，若长期接触粉尘等恶劣环境容易造成传感器中毒失效。这种探测系统如果被应用在高大空间内(如飞机库和大仓库等)、室外或有强气流的场所(如海上钻井平台等)，也很难或根本无法进行有效的火灾探测。因此这些场所的防火始终是困扰消防人员的难题。

基于视频图像的火灾探测是近几年才兴起的新型火灾监测监控技术，可望能够解决上述难题。视频火灾探测根据识别对象的不同可以分为视频火焰探测和视频烟雾探测。在很多火灾中，烟雾往往比火焰先出现，因此烟雾检测能更早地发现火灾，为火灾的及时扑灭和人员疏散赢得了宝贵的时间。Toreyin等人(Pattern Recognition Letters，2006，27：49-58)提出了一种基于小波变换的烟雾识别方法，根据背景图像在烟雾遮挡下边缘变模糊的特点，利用2层小波变换高频子带研究烟雾的模糊遮挡特征，小波变换能够较好地提取图像中的点奇异特征，但不能很好地提取线奇异特征，存在一定的局限性。Fujiwara等人(International Symposium on Communications and InformationTechnologies，October 26-29，2004，Sapporo Convention Center，Sapporo，Japan)提出了一种利用分形编码进行烟雾的检测，但只进行静态图像烟雾的检测。2007年在美国奥兰多举行的阻燃和探测研究与应用大会(Suppression andDetection Research and Application Conference，SUPDET 2007，Orlando，Florida，March5-8，2007)上，熊子佑等提出了一种利用高斯混合模型提取烟雾运动区域，然后通过分析轮廓的不规则性来识别烟雾的方法，但是由于烟雾边缘并不明显以及噪声的影响，这种方法在复杂监控条件下的应用效果不好。中国专利公告号CN1325903C介绍的一种基于像素级的烟雾检验方法，可以通过检测监控图像的像素平均值所在区间来识别烟雾，基于像素亮度的识别方法虽然识别速度较快，但由于很多环境物体和烟雾具有相近的色彩统计特征，因此误报相当严重。国内外现有关于可视烟雾探测技术研究已经提出的特征提取方法或产品大多采用基于像素级的研究方法，尚不能准确反应出烟雾的运动特征，仍然存在漏报、误报问题，这些系统在复杂环境下的稳定性、适应性也比较差。

发明内容

本发明的目的在于针对现有技术存在的不足，提供一种基于色彩饱和度与运动模式的视频火灾烟雾检测方法，可以用于室外、高大空间等场所，且可以实现防盗和防火的集成，通过综合利用色彩饱和度检测和运动分析等技术，降低环境干扰，使得该系统的火灾烟雾检测准确率大大提高。

本发明的技术方案如下：

一种基于色彩饱和度与运动模式的视频火灾烟雾检测方法，其特征在于：对由固定好的监控摄像机得到的视频图像，首先通过差分法提取前景运动块，然后检测前景运动块的色彩饱和度，估计运动块的方向，计算运动块的运动累积量和主运动方向，最后通过计算每个区域的色彩饱和度检测百分比、平均运动累积量和主运动方向比率组成特征向量，采用贝叶斯分类器进行判断是否为火灾烟雾。

所述的基于色彩饱和度与运动模式的视频火灾烟雾检测方法，其特征在于：

(1)、通过差分法提取前景运动块：

将每帧视频图像分割成大小相等的矩形块，假设视频图像的宽度与高度分别为W_i和H_i，每个块的宽度与高度大小分别为W_b和H_b，则每一帧图像行方向和列方向的块数目分别为：

其中，

表示取整运算，取整这意味着，系统不处理图像的边界；

为了增强系统对环境光照等变化的快速适应，只采用相邻两帧视频图像的同一位置的块差分进行运动检测，块差分准则为绝对误差和Sn(i，j)-式(2)，

$S_n(i,j)=\underset{x=0}{\overset{W}{\mathrm{\Σ}}}\underset{y=0}{\overset{H}{\mathrm{\Σ}}}|F_{n-1}(x,y)-F_n(x+i,y+j)|---\left(2\right)$

下表n代表帧数，(i，j)是像素点的坐标，如果矩形块的绝对误差和Sn(i，j)大于给定阈值T_d，则认为该矩形块为运动块，否则为静止块，不进行后续处理；

其中，W和H分别为矩形块的宽度和高度；

(2)、检测前景运动块的色彩饱和度：

将色彩饱和度的检测转化为火灾烟雾色彩R、G、B各通道强度值的比较分析；对于灰色到黑色变化的烟雾，其色彩分量R、G、B值彼此非常接近，三分量中最大和最小值的差小于某一指定的阈值T₁，同时，色彩的平均值I应该在给定阈值T₂和T₃之间变化，在一些情况下，烟雾的色彩有时呈现淡蓝色；因此，色彩分量B略微大于其他两个分量值，由此制定了一套块色彩饱和度检测规则，检测过程如下：

第一步计算每个像素的色彩分量R、G、B值中的最大值C_max、最小值C_min和平均值I；

第二步计算各检测规则是否通过：

规则1：计算最大值C_max和最小值C_min之差的绝对值，如果该值小于阈值T₁，则认为规则1检测通过，否则规则1检测失败；

规则2：如果平均值I大于阈值T₂且小于阈值T₃，则认为规则2检测通过，否则规则2检测失败；

规则3：如果最大值C_max是蓝色分量B，且最大值C_max和最小值C_min之差的绝对值小于阈值T₄，则认为规则3检测通过，否则规则3检测失败；

第三步如果规则1和规则2均通过，或者规则2和规则3均通过，则认为该像素为候选烟雾像素，否则为非烟雾像素；

根据上述色彩检测方法，逐个矩形块进行像素分析，得到每帧视频图像的二值图像；

采用分块方式计算每个块通过火灾烟雾色彩检测的像素百分比F_c，将此值作为该块的色彩饱和度检测特征量；如果色彩饱和度检测百分比特征量F_c小于指定阈值T_c，则该块视为非烟雾运动块；

(3)、估计运动块的方向，计算运动块的运动累积量和主运动方向：

对于通过火灾烟雾色彩饱和度检测的矩形决，在整个360度圆周上，将运动方向以每隔45度离散成均等的8个方向，并为每个方向进行编码，0代表静止块，1、2、3、4、5、6、7、8分别代表运动方向与x轴正向夹角为0、45、90、135、180、225、270、315度的运动块；

对于每一个矩形块，保存刚刚过去时间内的块运动方向编码，即采用滑动时间窗口统计W_T帧内各运动块的运动方向时间序列，即统计W_T帧这段时间内各个块的运动方向编码，这样处理就保留了运动时空特征；

在此时间序列的基础上，统计每个块运动方向的直方图H_T(θ)，θ是0-9的方向编码值，计算反映块运动持续时间长短的运动累积量特征值F_A，即

$F_A=\frac{1}{W_T}\underset{\mathrm{\θ}=1}{\overset{8}{\mathrm{\Σ}}}{H}_T\left(\mathrm{\θ}\right)$

如果某块的运动累积量F_A小于指定阈值T_A，则认为该块为静止块；对于大于阈值T_A的块，将频次最大的方向视为块的主运动方向θ_main，则

${\mathrm{\θ}}_{\mathrm{main}}=\left\{\begin{array}{cc}\underset{\mathrm{\θ}}{\arg \max }\left\{H_T\left(\mathrm{\θ}\right)\right\}& \mathrm{if}{F}_A\≥T_A\\ 0& \mathrm{else}\end{array}\right.$

(4)、通过计算每个区域的色彩饱和度检测百分比、平均累积量和主运动方向比率组成特征向量：

根据每个块的运动方向编码0-9，将视频分为编码为0的静止区域和编码为1-9的运动区域，依据目标8-邻域连通性，将运动块分割成彼此互不连通的区域，并计算每个区域运动块的数目；如果某个区域的运动块数目小于某一阈值，则将该区域所有的运动决编码修正为0，即变为静止块，从而消除噪声的干扰；

计算每个区域主运动方向编码的直方图H(θ_main)，提取区域主运动统计量等特征；对于同一个区域R_n，计算每个区域向上主运动所占的比率，反映烟雾区域的块主运动方向朝向向上，即方向编码为2、3和4，具体的计算公式如下

$F_1^R=\frac{\underset{{\mathrm{\θ}}_{\mathrm{main}}=2}{\overset{4}{\mathrm{\Σ}}}H\left({\mathrm{\θ}}_{\mathrm{main}}\right)}{\underset{{\mathrm{\θ}}_{\mathrm{main}}=1}{\overset{8}{\mathrm{\Σ}}}H\left({\mathrm{\θ}}_{\mathrm{main}}\right)}$

在区域R_n中，n代表帧数，区域运动块的平均累积量特征为

$F_2^R=\frac{1}{N_{R_n}}\underset{i,j\∈R_n}{\mathrm{\Σ}}{F}_A(i,j)$

其中

为区域R_n的运动块数目区域运动块的平均色彩检测百分比为

$F_3^R=\frac{1}{N_{R_n}}\underset{i,j\∈R_n}{\mathrm{\Σ}}{F}_C(i,j)$

结合色彩检测百分比、运动累积量和区域主运动统计量等特征，采用贝叶斯分类器进行最终的火灾烟雾检测。

视频图像通常存在大量的噪声。为了消除噪声的干扰，本发明将视频图像分割成大小相等的矩形块。针对这些矩形块，可以单独进行运动和色彩检测。

对于大多数可燃物，当烟雾的温度比较低时，其颜色趋于淡蓝色到白色之间。当烟雾的温度比较高或快接近着火时，烟雾色彩介于灰色到黑色之间。可以看出，在大多数情况下，烟雾的色彩饱和度通常比较低。所谓色彩的饱和度(Saturation)，也称为色彩的纯度。色彩纯度越高，表现色彩越鲜明，纯度较低，表现较为黯淡。传统的著名色彩表示系统，大都基于色彩的三个属性——色相(Hue)、饱和度(Saturation)及明亮度(Value)，如HSV色彩空间。计算机显示设备和数字图像大都采用基于红、绿、蓝的三基色色彩空间(RGB)。根据观察到的这个特点，对所获取的烟雾图像进行色彩饱和度检测。为了加快检测速度，在RGB色彩空间指定火灾烟雾的色彩分布范围，并将色彩饱和度的检测转化为火灾烟雾色彩R、G、B各通道强度值的比较分析。

本发明色彩饱和度检测反映烟雾的色彩粗略分布，剔除大量具有鲜明色彩的前景干扰对象。分块方式的色彩检测进一步增强系统的抗干扰性。累积量表现了烟雾在阴燃点附近持续运动的特性，对于非往复运动对象具有非常好的抗干扰性能。主运动比率反映了烟雾运动模式。综合运用色彩检测饱和度百分比、平均累积量和主运动比率，可以大大地降低系统误报率，实现了对烟雾快速准确的检测，这是以往技术中所没有的。

附图说明

图1为本发明的视频火灾烟雾实时检测系统结构图。

图2为本发明的搜索模版。

图3为本发明的离散方向编码。

具体实施方式

实施例1：

图1给出了本发明基于色彩饱和度与运动模式的视频火灾烟雾检测方法的系统构成示意图：将火灾烟雾监测摄像机D采集到的被监控场景C的视频图像，通过数据采集卡传到视频烟雾检测计算机A，根据本发明所描述的检测方法编写相应的图像分析软件，对视频图像进行在线实时自动分析，如果判断存在火灾烟雾，则通过计算机发出指令，控制报警器发出报警信号，或者控制报警及联动装置B迅速灭火，同时启动视频服务器E进行录像，保存现场动态图像数据。

本发明基于色彩饱和度与运动模式的视频火灾烟雾检测方法的处理步骤为：

1、计算机通过采集卡获取视频图像，2、通过差分得到前景运动块，3、计算每个运动块的色彩饱和度检测百分比，4、计算每个运动块的累积量和主运动方向，5、计算每个区域的彩饱和度检测百分比、平均累积量和主运动方向比率，6、根据所提取的特征进行判决，如果是火灾烟雾，给出报警信号，重新返回到第1步。

本发明基于色彩饱和度与运动模式的视频火灾烟雾检测方法的具体操作步骤如下：

1.火灾烟雾检测系统硬件平台的布置

安装普通CCD摄像机视频监控系统或利用现有的普通视频监控系统，按照图1的方式建立视频火灾烟雾实时检测系统硬件平台。通过多路采集卡将监控现场C中的视频图像实时地采集到烟雾检测计算机A中。同时，烟雾检测计算机A可以连接必要的火灾报警装置，也可以与联动灭火装置B进行连接，以便实现联动灭火。

2.系统初始化

在不同的光照和CCD摄像机情况下，拍摄的视频图像质量不同，这样极大地影响了系统探测的准确性，因此需要根据实际应用估计出参考数据。在系统刚刚启动时，系统默认为被监控现场没有火灾的发生。在此情况下，系统立即启动自动学习的机制，估计被监控场景中的各种特征参数。用户可以根据被监控场景的特征参数和现场的实际情况，通过设定报警灵敏度等方式调整火灾烟雾检测所需的各种控制和阈值等参数。

3.通过差分法提取前景运动块

从视频采集卡获取的视频图像通常存在大量的噪声，为了消除噪声的干扰，将视频图像划分成大小相等的矩形块。针对这些矩形块，可以分别进行运动检测和色彩饱和度检测。假设视频图像的大小分别为W_i和H_i，每个块的大小为W_b和H_b，则每一帧图像行方向和列方向的矩形块总数目分别为

其中，

表示取整运算。

取整运算这意味着，系统不处理图像的边界，这样处理简化了计算，但不实质影响视频火灾烟雾的检测效果。

为了增强系统对环境光照等变化的快速适应，采用能够快速适应环境变化的帧差分方法进行运动检测。对每一个像素计算差分绝对值，并将块中的差分绝对值进行求和，即块差分准则为绝对误差和Sn(i，j)(式2)。如果块的绝对误差和Sn(i，j)大于给定阈值T_d，则认为该块为运动块，否则为静止块，不进行后续处理。

$S_n(i,j)=\underset{x=0}{\overset{W}{\mathrm{\Σ}}}\underset{y=0}{\overset{H}{\mathrm{\Σ}}}|F_{n-1}(x,y)-F_n(x+i,y+j)|---\left(2\right)$

其中，W和H分别为矩形块的宽度和高度；

4.色彩饱和度检测

对于大多数可燃物，当烟雾的温度比较低时，其颜色趋于淡蓝色到白色之间。当烟雾的温度比较高或快接近着火时，烟雾色彩介于灰色到黑色之间。可以看出，在大多数情况下，烟雾的色彩饱和度通常比较低。所谓色彩的饱和度(Saturation)，也称为色彩的纯度。色彩纯度越高，表现色彩越鲜明，纯度较低，表现较为黯淡。传统的著名色彩表示系统，大都基于色彩的三个属性——色相(Hue)、饱和度(Saturation)及明亮度(Value)，如HSV色彩空间。计算机显示设备和数字图像大都采用基于红、绿、蓝的三基色色彩空间(RGB)，可以将色彩从RGB空间变换到HSV色彩空间。

根据观察到的这个特点，对所获取的烟雾图像进行色彩饱和度检测。为了加快检测速度，在RGB色彩空间指定火灾烟雾的色彩分布范围，并将色彩饱和度的检测转化为火灾烟雾色彩R、G、B各通道强度值的比较分析。对于灰色到黑色变化的烟雾，其色彩分量R、G、B值彼此非常接近。换句话说，三分量中最大和最小值的差小于某一指定的阈值T₁。同时，色彩的平均值I应该在给定阈值T₂和T₃之间变化。在一些情况下，烟雾的色彩有时呈现淡蓝色。因此，色彩分量B略微大于其他两个分量值。由此制定了一套各个像素色彩饱和度检测规则，这样处理降低了计算复杂度，色彩检测过程如下

(1)计算各像素的色彩分量R、G、B值中的最大值C_max、最小值C_min和平均值I；

(2)计算各检测规则是否通过：

规则1：计算最大值C_max和最小值C_min之差的绝对值，如果该值小于阈值T₁，则认为规则1检测通过，否则规则1检测失败；

规则2：如果平均值I大于阈值T₂且小于阈值T₃，则认为规则2检测通过，否则规则2检测失败；

规则3：如果最大值C_max是蓝色分量B，且最大值C_max和最小值C_min之差的绝对值小于阈值T₄，则认为规则3检测通过，否则规则3检测失败；

(3)如果规则1和规则2均通过，或者规则2和规则3均通过，则认为该像素为候选烟雾像素，否则为非烟雾像素。

在上面的规则中，规则1代表烟雾色彩的灰度特性，规则2限定烟雾色彩的亮度变化范围，规则3允许色彩中含有轻微的蓝色调。根据此色彩检测规则，系统逐个象素进行分析，得到色彩饱和度检测二值图像。同时，为了降低噪声的干扰，采用上述的分块方式计算每个块通过火灾烟雾色彩检测的像素百分比F_c，将此值作为该块的色彩饱和度检测特征量。如果色彩饱和度检测百分比特征量F_c小于指定阈值T_c，则该块视为非烟雾运动块。

5.估计运动块的方向，计算运动块的运动累积量和主运动方向：

对于通过火灾烟雾色彩饱和度检测的矩形块，在整个360度圆周上，将运动方向以每隔45度离散成均等的8个方向，并为每个方向进行编码，0代表静止块，1、2、3、4、5、6、7、8分别代表运动方向与x轴正向夹角为0、45、90、135、180、225、270、315度的运动块；

对于每一个矩形块，保存刚刚过去时间内的块运动方向编码，即采用滑动时间窗口W_T生成块的运动方向时间序列，保留了运动时空特征，在此时间序列的基础上，统计每个块运动方向的直方图H_T(θ)，计算反映块运动持续时间长短的运动累积量特征值F_A，即

$F_A=\frac{1}{W_T}\underset{\mathrm{\θ}=1}{\overset{8}{\mathrm{\Σ}}}{H}_T\left(\mathrm{\θ}\right)$

如果某块的运动累积量F_A小于指定阈值T_A，则认为该块为静止块；对于大于阈值T_A的块，将频次最大的方向视为块的主运动方向θ_main，则

${\mathrm{\θ}}_{\mathrm{main}}=\left\{\begin{array}{cc}\underset{\mathrm{\θ}}{\arg \max }\left\{H_T\left(\mathrm{\θ}\right)\right\}& \mathrm{if}{F}_A\≥T_A\\ 0& \mathrm{else}\end{array}\right.$

6.通过计算每个区域的色彩饱和度检测百分比、平均累积量和主运动方向比率组成特征向量：

根据每个块的运动方向编码0-9，将视频分为编码为0的静止区域和编码为1-9的运动区域，依据目标8-邻域连通性，将运动块分割成彼此互不连通的区域，并计算每个区域运动块的数目；如果某个区域的运动块数目小于某一阈值，则将该区域所有的运动块编码修正为0，即变为静止块，从而消除噪声的干扰；

计算每个区域主运动方向编码的直方图H(θ_main)，提取区域主运动统计量等特征；对于同一个区域R_n，计算每个区域向上主运动所占的比率，反映烟雾区域的块主运动方向朝向向上，即方向编码为2、3和4，具体的计算公式如下

$F_1^R=\frac{\underset{{\mathrm{\θ}}_{\mathrm{main}}=2}{\overset{4}{\mathrm{\Σ}}}H\left({\mathrm{\θ}}_{\mathrm{main}}\right)}{\underset{{\mathrm{\θ}}_{\mathrm{main}}=1}{\overset{8}{\mathrm{\Σ}}}H\left({\mathrm{\θ}}_{\mathrm{main}}\right)}$

在区域R_n中，区域运动块的平均累积量特征为

$F_2^R=\frac{1}{N_{R_n}}\underset{i,j\∈R_n}{\mathrm{\Σ}}{F}_A(i,j)$

其中

为区域R_n的运动块数目

区域运动块的平均色彩检测百分比为

$F_3^R=\frac{1}{N_{R_n}}\underset{i,j\∈R_n}{\mathrm{\Σ}}{F}_C(i,j)$

结合色彩检测百分比、运动累积量和区域主运动统计量等特征，采用贝叶斯分类器进行最终的火灾烟雾检测。

Claims (1)

1.一种基于色彩饱和度与运动模式的视频火灾烟雾检测方法，其特征在于：对由固定好的监控摄像机得到的视频图像，首先通过差分法提取前景运动块，然后检测前景运动块的色彩饱和度，估计运动块的方向，计算运动块的运动累积量和主运动方向，最后通过计算每个区域的色彩饱和度检测百分比、平均运动累积量和主运动方向比率组成特征向量，采用贝叶斯分类器进行判断是否为火灾烟雾；具体步骤为：

(1)、通过差分法提取前景运动块：

将每帧视频图像分割成大小相等的矩形决，假设视频图像的宽度与高度分别为W_i和H_i，每个块的宽度与高度大小分别为W_b和H_b，则每一帧图像行方向和列方向的块数目分别为：

其中， 

表示取整运算，取整这意味着，系统不处理图像的边界；

为了增强系统对环境光照等变化的快速适应，只采用相邻两帧视频图像的同一位置的块差分进行运动检测，块差分准则为绝对误差和Sn(i，j)-式(2)，

n代表帧数，(i，j)为像素点的坐标，如果矩形块的绝对误差和Sn(i，j)大于给定阈值T_d，则认为该矩形块为运动块，否则为静止块，不进行后续处理；

其中，W和H分别为矩形块的宽度和高度；

(2)、检测前景运动块的色彩饱和度：

将色彩饱和度的检测转化为火灾烟雾色彩R、G、B各通道强度值的比较分析；对于灰色到黑色变化的烟雾，其色彩分量R、G、B值彼此非常接近，三分量中最大和最小值的差小于某一指定的阈值T₁，同时，色彩的平均值I应该在给定阈值T₂和T₃之间变化，在一些情况下，烟雾的色彩有时呈现淡蓝色；因此，色彩分量B略微大于其他两个分量值，由此制定了一套块色彩饱和度检测规则，检测过程如下：

第一步计算每个像素的色彩分量R、G、B值中的最大值C_max、最小值C_min和平均值I；

第二步计算各检测规则是否通过：

规则1：计算最大值C_max和最小值C_min之差的绝对值，如果该值小于阈值T₁，则认为规则1检测通过，否则规则1检测失败；

规则2：如果平均值I大于阈值T₂且小于阈值T₃，则认为规则2检 测通过，否则规则2检测失败；

规则3：如果最大值C_max是蓝色分量B，且最大值C_max和最小值C_min之差的绝对值小于阈值T₄，则认为规则3检测通过，否则规则3检测失败；

第三步如果规则1和规则2均通过，或者规则2和规则3均通过，则认为该像素为候选烟雾像素，否则为非烟雾像素；

根据上述色彩检测方法，逐个矩形块进行像素分析，得到每帧视频图像的二值图像；

采用分块方式计算每个块通过火灾烟雾色彩检测的像素百分比F_c，将此值作为该块的色彩饱和度检测特征量；如果色彩饱和度检测百分比特征量F_c小于指定阈值T_c，则该块视为非烟雾运动块；

(3)、估计运动块的方向，计算运动块的运动累积量和主运动方向：

对于通过火灾烟雾色彩饱和度检测的矩形块，在整个360度圆周上，将运动方向以每隔45度离散成均等的8个方向，并为每个方向进行编码，0代表静止块，1、2、3、4、5、6、7、8分别代表运动方向与x轴正向夹角为0、45、90、135、180、225、270、315度的运动块；

对于每一个矩形块，保存刚刚过去时间内的块运动方向编码，即采用滑动时间窗口统计W_T帧内各运动块的运动方向时间序列，即统计W_T帧这段时间内各个块的运动方向编码，这样处理就保留了运动时空特征；

在此时间序列的基础上，统计每个块运动方向的直方图H_T(θ)，计算反映块运动持续时间长短的运动累积量特征值F_A，即

如果某块的运动累积量F_A小于指定阈值T_A，则认为该块为静止块；对于大于阈值T_A的块，将频次最大的方向视为块的主运动方向θ_main，则

(4)、通过计算每个区域的色彩饱和度检测百分比、平均累积量和主运动方向比率组成特征向量：

根据每个块的运动方向编码0-9，将视频分为编码为0的静止区域和编码为1-9的运动区域，依据目标8-邻域连通性，将运动块分割成彼此互不连通的区域，并计算每个区域运动块的数目；如果某个区域的运动块数目小于某一阈值，则将该区域所有的运动块编码修正为0，即变为静止块，从而消除噪声的干扰；

计算每个区域主运动方向编码的直方图H(θ_main)，提取区域主运动统计量特 征；对于同一个区域R_n，计算每个区域向上主运动所占的比率，反映烟雾区域的块主运动方向朝向向上，即方向编码为2、3和4，具体的计算公式如下

在区域R_n中，区域运动块的平均累积量特征为

其中 

为区域R_n的运动块数目

区域运动块的平均色彩检测百分比为

结合色彩检测百分比、运动累积量和区域主运动统计量特征，采用贝叶斯分类器进行最终的火灾烟雾检测。 

Images