CN102013009A - 烟雾图像识别方法及装置 - Google Patents

Abstract

本发明揭露了一种烟雾图像识别方法，所述方法包括：将当前图像与背景图像相减获得差分图像；对所述差分图像进行运动目标检测；利用烟雾模型在检测出的运动目标中区分出疑似烟雾目标；利用光流误差方程计算所述疑似烟雾目标的运动矢量；统计所述疑似烟雾目标的运动矢量的方差；和所述方差大于预定阀值则确定所述疑似烟雾目标为烟雾目标。同时本发明还提供一种烟雾图像识别装置。本发明利用图像识别技术进行烟雾检测和报警，可以很方便地集成于现有监控摄像系统中，具有易于实施的特点。

Description

烟雾图像识别方法及装置

【技术领域】

本发明涉及图像处理领域，特别涉及一种对监控图像中烟雾的图像识别方法或装置。

【背景技术】

吸烟是一种危害健康的行为，因此越来越多的国家和地区对吸烟采取禁止的态度，并在愈来愈多的区域设置禁烟区域，比如加油站、医院、学校和其他公共场合。然而总是有一部分人并不具有良好的素养或缺乏自控能力，在禁烟区域无视禁烟标志，或者是一些吸烟的人并没有注意到所在区域的禁烟标志而在禁烟区域吸烟，这时候就需要该禁烟区域的管理人员来进行管理，但是管理人员的注意力并不能长时间的集中，所以最好在该禁烟区域设置一定的提醒装置帮助管理人员进行管理。

现有技术中，通常在该禁烟区域内设置一些烟雾传感器来实现监控，当所述烟雾传感器检测到大气中的烟雾成分的含量超过预定阀值，就结合其他装置发出报警。但是这种提醒装置的缺点是需要烟雾传感器的安装位置比较合理，以便检测到预定浓度的烟雾才起作用，而在诸如加油站的禁烟区域有时空气流动太快，安装在顶棚的烟雾传感器不一定能够检测到足够浓度的烟雾；而在另一些公共场合，由于施工难度较高或者资金投入太大等问题使额外安装烟雾传感器等设备比较麻烦，不容易实现。鉴于很多公共场合都设置有监控摄像头，如果能够结合原有监控摄像头提供一定的烟雾检测和报警功能，那将是非常符合应用的。

因此有必要提供一种新的技术方案来解决上述缺点。

【发明内容】

本发明的一个目的在于提供一种烟雾图像识别方法，利用图像识别技术进行烟雾识别。

本发明的另一目的在于提供一种烟雾图像识别装置，利用图像识别技术进行烟雾识别。

为了达到本发明的目的，本发明提供一种烟雾图像识别方法，所述方法包括：将当前图像与背景图像相减获得差分图像；对所述差分图像进行运动目标检测；利用烟雾模型在检测出的运动目标中区分出疑似烟雾目标；利用光流误差方程计算所述疑似烟雾目标的运动矢量；统计所述疑似烟雾目标的运动矢量的方差；和所述方差大于预定阀值则确定所述疑似烟雾目标为烟雾目标。

进一步地，所述背景图像通过背景建模获得，所述背景建模是指通过已采集的N帧连续图像组成的样本获得背景图像，所述背景图像中的任一位置的像素点的像素值都等于已采集的N帧连续图像中对应位置的像素点的像素值作为样本值的样本中值，其中N为大于0的整数。

进一步地，所述已采集的N帧连续图像组成的样本是不断更新的，所述更新为下述三种方式中的一种：第一种，对所述样本值进行排序，对其中距离样本中值最远的样本值替换为新采集的图像中的对应位置像素点的像素值；第二种，对当前N帧连续图像中的前m帧丢弃，替换为新采集的m帧图像，其中m为大于等于1且小于等于N的整数；第三种，先采用第一种方式更新，然后采用第二种方式更新。

进一步地，将所述差分图像转化为二值图像，对所述二值图像依次采用数学形态学滤波的腐蚀算法和膨胀算法后，再进行运动目标检测。

进一步地，所述烟雾模型的训练方法是：将训练图像从RGB色彩空间转换到HSI色彩空间；以H，S分量对训练图像的像素点建立平面直方图；判断所述像素点是否是烟雾像素；如果是，对所述像素点的H，S分量增加正的高斯脉冲；如果不是，对所述像素点的H，S分量增加正的高斯脉冲；和对若干张训练图像不断重复上述过程以获得烟雾模型。

进一步地，所述光流误差方程是：

$\left[\begin{array}{c}{v}_x\\ v_y\end{array}\right]={\left[\begin{array}{cc}\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂x}\right)& \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂y}\right)\\ \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂y}\right)& \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂y}\frac{\∂I}{\∂y}\right)\end{array}\right]}^{-1}\left[\begin{array}{c}-\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂t}\right)\\ -\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂y}\frac{\∂I}{\∂t}\right)\end{array}\right]$

其中，I表示图像，v表示运动矢量，x，y为方向，t为时间量。

进一步地，，所述疑似烟雾目标的运动矢量的方差在连续n帧图像都超出预定阀值，才确定所述疑似烟雾目标为烟雾目标。

根据本发明的另一方面，本发明同时一种烟雾图像识别装置，所述装置包括：图像采集模块，采集图像；背景建模模块，利用已采集的图像建立背景模型并估计出背景图像；运动目标检测模块，将当前图像与背景图像相减获得差分图像并对所述差分图像进行运动目标检测；运动目标分类模块，利用烟雾模型区分出一般运动目标和疑似烟雾目标；运动矢量分析模块，利用光流误差方程计算所述疑似烟雾目标的运动矢量；烟雾目标识别模块，统计所述疑似烟雾目标的运动矢量的方差并判断所述运动矢量是否超过预定阀值。

进一步地，所述背景建模模块包括包括背景估算单元和样本值更新单元，

所述背景估算单元利用已采集的N帧连续图像作为样本利用中值滤波法估算出背景图像，其中N为大于0的整数；和

所述样本值更新单元提供所述样本并不断更新所述样本。

进一步地，所述运动目标检测模块包括差分图像计算单元和运动目标检测单元，

所述差分图像计算单元将所述图像采集模块采集的当前图像和所述背景建模模块估计出的背景图像相减获得差分图像；和

所述运动目标检测单元从所述差分图像中检测出运动目标。

进一步地，所述运动矢量分析模块采用的光流误差方程是：

$\left[\begin{array}{c}{v}_x\\ v_y\end{array}\right]={\left[\begin{array}{cc}\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂x}\right)& \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂y}\right)\\ \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂y}\right)& \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂y}\frac{\∂I}{\∂y}\right)\end{array}\right]}^{-1}\left[\begin{array}{c}-\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂t}\right)\\ -\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂y}\frac{\∂I}{\∂t}\right)\end{array}\right]$

其中，I表示图像，v表示运动矢量，x，y为方向，t为时间量。

进一步地，所述烟雾目标识别模块判断所述疑似烟雾目标的运动矢量的方差在连续n帧图像都超出预定阀值，才确定所述疑似烟雾目标为烟雾目标。

与现有技术相比，本发明利用图像识别技术进行烟雾检测和报警，可以很方便地集成于现有监控摄像系统中，具有易于实施的特点。

【附图说明】

结合参考附图及接下来的详细描述，本发明将更容易理解，其中同样的附图标记对应同样的结构部件，其中：

图1为本发明的一个实施例中的烟雾图像识别方法的方法流程图；

图2为本发明的一个实施例中的烟雾模型训练方法的方法流程图；和

图3为本发明的一个实施例中的烟雾图像识别装置的结构方框图。

【具体实施方式】

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

首先分析对固定区域监控并利用监控图像完成烟雾识别的场景特点，由于对固定区域监控时，监控摄像头在安装以后通常不会再发生位置和角度的变动，那么同一监控摄像头采集的监控图像的背景一般也是固定的。而当有人在所述固定区域吸烟时，监控图像内的运动物体主要包括有人和烟雾两大类，而人的运动可以视为刚性物体运动，其各部位的运动矢量具有很强的相似性，而烟雾的运动可以视为气体或者流体的运动，其各部位的运动矢量是非常杂乱的，并不具有很强的相似性。鉴于上述几个特点，本发明中的烟雾图像识别方法和装置主要采用了建立背景模型、建立烟雾模型和采用光流的运动矢量分析方法等技术来完成烟雾识别的过程。所述烟雾图像识别方法和装置可以由软件、硬件及其两者的结合实现成为一个系统或者一个系统的一部分，也可以实现成为一个独立的模块。

请参考图1，其示出了本发明的一个实施例中的烟雾图像识别方法100的方法流程图。所述烟雾图像识别方法100包括：步骤101，将当前图像与背景图像相减获得差分图像；步骤102，对所述差分图像进行运动目标检测；步骤103，利用烟雾模型区分出一般运动目标和疑似烟雾目标；步骤104，采用光流误差方程计算所述疑似烟雾目标的运动矢量；步骤105，统计所述疑似烟雾目标的运动矢量的方差；和步骤106，如果所述方差大于预定阀值则确定所述疑似烟雾目标为烟雾目标。

其中步骤101可以消除或者说消弱背景对整个识别过程的干扰，所述背景图像可以通过背景建模获得。在一个实施例中，所述背景图像是利用已采集的若干帧图像通过中值滤波法来获得的。确切地讲，可以利用已采集的N帧连续图像作为初始估计样本，N为大于0的整数，假设x₁，x₂，x₃，...，x_N是所述N帧连续图像中的同一像素点的像素值x_t的一组观察值样本，那么在t时刻所述背景图像中的对应像素点的像素估计值为：x_t＝median(x_i)，i大于等于1且小于等于N，即背景图像中该像素点的像素估计值等于该像素点的观察值样本的中值。由于所述“同一像素点”具有一般性，所以可以将背景图像表示为

其中x_t表示背景图像中的任意点。显然背景图像B(x_t)是否准确与所述N帧连续图像组成的样本有着较强的相关性。为了进一步地提高所述背景图像的准确性，一方面，可以使用较大的N值，也就是采用较多的样本来建立背景模型；另一方面，还可以采取如下方式对所述样本不断更新，既在利用N帧连续图像建立起背景图像的初始模型后，对初始估计样本中某一像素点的观察值样本x₁，x₂，x₃，...，x_N进行排序，并与背景图像中的该像素点的像素值x_t(也就是初始估计样本中值)作比较，丢弃其中距离x_t最远也即对背景像素相关度最差的像素值，然后替换为新采集的图像中的该点的像素值。对于背景像素中的每个像素点都采用这种方式进行不断的调整，直到建立稳定的背景模型，其中检验背景模型是否稳定可以检验观察值样本的方差大小是否小于预定阀值，这个阶段可以称之为慢更新或者说背景模型调整阶段。然后，所述样本可以采取FIFO先进先出的方式进行更新，即每新采集一帧图像，就把当前样本的N帧连续图像中的第一帧丢弃，然后剩余的N-1帧图像和新采集的一帧图像重新构成样本，这个阶段可以称之为快更新，主要作用是保证背景图像能够在环境的快速变化的同时保证准确率。显然，当所述背景图像越准确，那么步骤101中获得的差分图像中残余背景信息越少，也即所述差分图像中的前景点越准确，所述前景就是当前图像中区别于背景的运动目标的概称。

其中步骤102可以检测出所述差分图像中的运动目标。在一个实施例中，为了减少噪声的干扰，可以将所述差分图像先转化为二值图像，然后对所述二值图像依次采用数学形态学中的腐蚀算法和膨胀算法，最后进行运动目标检测。具体的运动目标检测方法是现有技术中较为成熟的技术，在此不再累述。

显然，在所述差分图像中不一定只检测出一个运动目标，例如当一个人在医院走廊抽烟，那么相应的监控图像中的运动目标最少也包括这个人和他吸烟喷出的烟雾，甚至还可能有其他人或者运动物体。为了尽量不被非烟雾运动目标干扰识别过程，在步骤103中可以利用烟雾模型区分出一般运动目标和疑似烟雾目标。所述烟雾模型也可以认为是一个分类器，对于分类器模型的训练不同的技术人员有不同的方式，只要能够尽量准确地区别一般运动目标和疑似烟雾目标即可，本发明人同时提供了一种烟雾模型训练方法。

请参考图2，其示出了本发明的一个实施例中的烟雾模型训练方法200的方法流程图。所述烟雾模型训练方法200包括：

步骤201，将训练图像从RGB色彩空间转换到HSI色彩空间。所述RGB色彩空间是利用红(R)、绿(G)、蓝(B)三个颜色来进行色彩的表示，而HSI色彩空间是利用色调(Hue)、色饱和度(Saturation或Chroma)和亮度(Intensity或Brightness)来进行色彩的表示。在本实施例中，鉴于烟雾的颜色通常为灰色或者白色并且具有半透明的特点，所以使用HSI色彩空间更能突出烟雾的色彩特征。

步骤202，以H，S分量对训练图像的像素点建立平面直方图，这是因为烟雾的H，S分量特征较其他物体易于区别。

步骤203，判断所述像素点是否是烟雾像素；如果是，则步骤204；如果不是，则步骤205。

步骤204，对所述像素点的H，S分量增加正的高斯脉冲；

如果不是，步骤205对所述像素点的H，S分量增加正的高斯脉冲；和

步骤206，对若干张训练图像不断重复上述过程以获得烟雾颜色模型。在训练好的烟雾颜色模型中，如果视所述烟雾颜色模型为一个平面，那么当所述差分图像输入所述烟雾颜色模型后，一个像素点的H，S分量位于平面上方时，该点为烟雾点；否则为非烟雾点。

继续回到步骤103中，利用烟雾模型对所述差分图像中的运动目标进行检测，如果所述差分图像中的一个运动目标内的像素点中存在超过预定比例的烟雾点时，则认为该运动目标是疑似烟雾目标，否则为一般运动目标。

其中步骤104至步骤106确认疑似烟雾目标是否是烟雾目标。应当认识到，烟雾的运动是气体流体的运动，其各部位的运动矢量是非常杂乱的，并不具有很强的相似性。在步骤104中，可以利用光流误差方程来计算所述疑似烟雾目标的运动矢量，首先定义光流方程误差

$E=\underset{x\∈B}{\mathrm{\Σ}}{(\frac{\∂I}{\∂x}{v}_x+\frac{\∂I}{\∂y}{v}_y+\frac{\∂I}{\∂t})}^2$

计算误差的偏微分，并让其等于0；

$\underset{x\∈B}{\mathrm{\Σ}}(\frac{\∂I}{\∂x}{v}_x+\frac{\∂I}{\∂y}{v}_y+\frac{\∂I}{\∂t})\frac{\∂I}{\∂x}=0$

$\underset{x\∈B}{\mathrm{\Σ}}(\frac{\∂I}{\∂x}{v}_x+\frac{\∂I}{\∂y}{v}_y+\frac{\∂I}{\∂t})\frac{\∂I}{\∂x}=0$

求解上面的方程组得到

$\left[\begin{array}{c}{v}_x\\ v_y\end{array}\right]={\left[\begin{array}{cc}\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂x}\right)& \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂y}\right)\\ \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂y}\right)& \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂y}\frac{\∂I}{\∂y}\right)\end{array}\right]}^{-1}\left[\begin{array}{c}-\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂t}\right)\\ -\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂y}\frac{\∂I}{\∂t}\right)\end{array}\right]$

以上公式中，I表示图像，v表示运动矢量，x，y为方向，t为时间量。在步骤105中，统计所述疑似烟雾目标的运动矢量的方差，因为方差可以表征所述运动矢量的杂乱程度，那么所述方差越大，所述运动矢量越杂乱。步骤106，如果所述方差大于预定阀值则确定所述疑似烟雾目标为烟雾目标。特别地，为了减少误报提高准确性，在步骤106中可以验证连续几帧中的该运动目标的分析结果，如果连续几帧都出现所述疑似烟雾目标的方差都超过阈值，才确定所述疑似烟雾目标为烟雾目标。

综上所述，本发明充分利用了对固定区域监控并利用监控图像完成烟雾识别的场景特点，结合建立背景模型、建立烟雾模型和采用光流的运动矢量分析方法等技术手段达到了良好的烟雾图形识别效果。在一个应用实施例中，所述烟雾图像识别方法通过软件实现成为一个模块，集成与现有的监控摄像系统中，当监控区域出现有人吸烟或者发生火灾时，可以通过监控摄像系统中的显示器或者音响之类的设备提示给管理人员，帮助管理人员第一时间发现异常，当然所述烟雾图像识别方法不仅仅可以适用于固定监控区域的监控，还可以用于对已有图像或者视频文件进行烟雾识别、对森林火灾进行烟雾识别等等领域，只需要对其中一个或者几个技术手段进行略微改进即可，比如对背景模型的建立进行改进，对烟雾模型的建立进行改进等等。

本发明同时提供一种烟雾图像识别装置，请参考图3，其示出了本发明的一个实施例中的烟雾图像识别装置300的结构方框图。所述烟雾图像识别装置300包括图像采集模块310、背景建模模块320、运动目标检测模块330、运动目标分类模块340、运动矢量分析模块350和烟雾目标识别模块360。

所述图像采集模块310包括感光元件(如CCD图像传感器)、摄像头之类的图像或视频采集装置，其可以是监控区域内的监控摄像机。所述图像采集模块310不断采集监控区域的图像，所述图像通常为连续的一帧帧图像。譬如在医院、学校或者幼儿园各个走廊的拐角处安装的摄像机，按照每秒30帧的速率采集分辨率为320像素*240像素的监控图像。

所述背景建模模块320包括背景估算单元322和样本值更新单元324。所述背景估算单元322利用已采集的N帧连续图像作为样本利用中值滤波法估算出背景图像，其中N为大于0的整数，所述样本值更新单元324提供所述样本并不断更新所述样本以提升估算出的背景图像的准确性。在一个实施例中，所述样本值更新单元324将所述图像采集模块310采集的N帧图像作为样本给所述背景估算单元322，所述背景估算单元322利用已采集的N帧连续图像作为初始估计样本，假设x₁，x₂，x₃，...，x_N是所述N帧连续图像中的同一像素点的像素值x_t的一组观察值样本，那么在t时刻所述背景图像中的该像素点的像素估计值为：x_t＝median(x_i)，i大于等于1且小于等于N，即背景图像中该像素点的像素估计值等于该像素点的观察值样本的中值。由于所述“同一个点”或者“N帧连续图像中的同一像素点”具有一般性，所以可以将背景图像表示为

其中x_t表示背景图像中的任意点。显然背景图像B(x_t)是否准确与所述N帧连续图像有着较强的相关性。在一个实施例中，为了提高所述背景图像B(x_t)的准确性，所述样本值更新单元324不断更新所述估计样本，所述更新估计样本的方法可以采用多种方式，例如所述样本值更新单元将当前N帧连续图像中前m帧丢弃，然后替换为新采集的m帧图像构成新的N帧连续图像以组成新的估计样本。还比如所述样本值更新单元将x_t与当前样本x₁，x₂，x₃，...，x_N作比较，将其中与x_t差值最大的样本值丢弃，然后替换为新采集的图像中的该像素点的像素值。当然还可以采取这两种方法的结合，总之尽量以最新采集的图像或者像素值或者与背景像素相关性较强的图像或者像素点来构成所述估计样本，使得所述估计出的背景图像B(x_t)尽量准确。

所述运动检测模块330包括差分图像计算单元332和运动目标检测单元334。所述差分图像计算单元332将所述图像采集模块310采集的当前图像和所述背景建模模块320估算出的背景图像相减获得差分图像。所述运动目标检测单元334从所述差分图像中检测出运动目标，所述运动目标可能为多个。所述运动目标检测单元334采用的运动目标检测方法可以为所述烟雾图像识别方法100中所述方法，也可以采用其他方法。

所述运动目标分类模块340根据预设烟雾模型对所述运动目标进行分类，以便区分出其中的一般运动目标和疑似烟雾目标。所述运动目标检测模块340采用的预设烟雾模型可以为所述烟雾模型训练方法200训练的烟雾颜色模型，也可以采用其他烟雾模型。

所述运动矢量分析模块350根据光流误差方程计算所述疑似烟雾目标的运动矢量。所述光流误差方程为：

$\left[\begin{array}{c}{v}_x\\ v_y\end{array}\right]={\left[\begin{array}{cc}\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂x}\right)& \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂y}\right)\\ \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂y}\right)& \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂y}\frac{\∂I}{\∂y}\right)\end{array}\right]}^{-1}\left[\begin{array}{c}-\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂t}\right)\\ -\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂y}\frac{\∂I}{\∂t}\right)\end{array}\right]$

其中，I表示图像，v表示运动矢量，x，y为方向，t为时间量。

所述烟雾目标识别模块360计算所述疑似烟雾目标的运动矢量的方差，并判断所述方差是否超过阈值。在一个实施例中，所述方差超过阈值则确定所述疑似烟雾目标为烟雾目标。在另一个实施例中，当连续几帧内该疑似烟雾目标的运动矢量的方差都超过阀值，才确定所述疑似烟雾目标为烟雾目标。

上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于所述具体实施方式。

Claims (12)

1.一种烟雾图像识别方法，其特征在于，其包括：

将当前图像与背景图像相减获得差分图像；

对所述差分图像进行运动目标检测；

利用烟雾模型在检测出的运动目标中区分出疑似烟雾目标；

利用光流误差方程计算所述疑似烟雾目标的运动矢量；

统计所述疑似烟雾目标的运动矢量的方差；和

所述方差大于预定阀值则确定所述疑似烟雾目标为烟雾目标。

2.根据权利要求1所述的方法，其特征在于，所述背景图像通过背景建模获得，所述背景建模是指通过已采集的N帧连续图像组成的样本获得背景图像，所述背景图像中的任一位置的像素点的像素值都等于已采集的N帧连续图像中对应位置的像素点的像素值作为样本值的样本中值，其中N为大于0的整数。

3.根据权利要求2所述的方法，其特征在于，所述已采集的N帧连续图像组成的样本是不断更新的，所述更新为下述三种方式中的一种：第一种，对所述样本值进行排序，对其中距离样本中值最远的样本值替换为新采集的图像中的对应位置像素点的像素值；第二种，对当前N帧连续图像中的前m帧丢弃，替换为新采集的m帧图像，其中m为大于等于1且小于等于N的整数；第三种，先采用第一种方式更新，然后采用第二种方式更新。

4.根据权利要求1所述的方法，其特征在于，将所述差分图像转化为二值图像，对所述二值图像依次采用数学形态学滤波的腐蚀算法和膨胀算法后，再进行运动目标检测。

5.根据权利要求1所述的方法，其特征在于，所述烟雾模型的训练方法是：

将训练图像从RGB色彩空间转换到HSI色彩空间；

以H，S分量对训练图像的像素点建立平面直方图；

判断所述像素点是否是烟雾像素；

如果是，对所述像素点的H，S分量增加正的高斯脉冲；

如果不是，对所述像素点的H，S分量增加正的高斯脉冲；和

对若干张训练图像不断重复上述过程以获得烟雾模型。

6.根据权利要求1所述的方法，其特征在于，所述光流误差方程是：

$\left[\begin{array}{c}{v}_x\\ v_y\end{array}\right]={\left[\begin{array}{cc}\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂x}\right)& \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂y}\right)\\ \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂y}\right)& \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂y}\frac{\∂I}{\∂y}\right)\end{array}\right]}^{-1}\left[\begin{array}{c}-\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂t}\right)\\ -\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂y}\frac{\∂I}{\∂t}\right)\end{array}\right]$

其中，I表示图像，v表示运动矢量，x，y为方向，t为时间量。

7.根据权利要求1所述的方法，其特征在于，所述疑似烟雾目标的运动矢量的方差在连续n帧图像都超出预定阀值，才确定所述疑似烟雾目标为烟雾目标。

8.一种烟雾图像识别装置，其特征在于，其包括：

图像采集模块，采集图像；

背景建模模块，利用已采集的图像建立背景模型并估计出背景图像；

运动目标检测模块，将当前图像与背景图像相减获得差分图像并对所述差分图像进行运动目标检测；

运动目标分类模块，利用烟雾模型区分出一般运动目标和疑似烟雾目标；

运动矢量分析模块，利用光流误差方程计算所述疑似烟雾目标的运动矢量；

烟雾目标识别模块，统计所述疑似烟雾目标的运动矢量的方差并判断所述运动矢量是否超过预定阀值。

9.根据权利要求8所述的装置，其特征在于，所述背景建模模块包括包括背景估算单元和样本值更新单元，

所述背景估算单元利用已采集的N帧连续图像作为样本利用中值滤波法估算出背景图像，其中N为大于0的整数；和

所述样本值更新单元提供所述样本并不断更新所述样本。

10.根据权利要求8所述的装置，其特征在于，所述运动目标检测模块包括差分图像计算单元和运动目标检测单元，

所述差分图像计算单元将所述图像采集模块采集的当前图像和所述背景建模模块估计出的背景图像相减获得差分图像；和

所述运动目标检测单元从所述差分图像中检测出运动目标。

11.根据权利要求8所述的装置，其特征在于，所述运动矢量分析模块采用的光流误差方程是：

$\left[\begin{array}{c}{v}_x\\ v_y\end{array}\right]={\left[\begin{array}{cc}\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂x}\right)& \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂y}\right)\\ \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂y}\right)& \underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂y}\frac{\∂I}{\∂y}\right)\end{array}\right]}^{-1}\left[\begin{array}{c}-\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂x}\frac{\∂I}{\∂t}\right)\\ -\underset{x\∈B}{\mathrm{\Σ}}\left(\frac{\∂I}{\∂y}\frac{\∂I}{\∂t}\right)\end{array}\right]$

其中，I表示图像，v表示运动矢量，x，y为方向，t为时间量。

12.根据权利要求8所述的装置，其特征在于，所述烟雾目标识别模块判断所述疑似烟雾目标的运动矢量的方差在连续n帧图像都超出预定阀值，才确定所述疑似烟雾目标为烟雾目标。

Images