CN102136059B - 一种基于视频分析的烟雾检测方法 - Google Patents

Abstract

本发明公开了一种基于视频分析的烟雾检测方法，它是在数字摄像机作为传感器以及数字信号处理芯片的支持下实现的，其特征在于：其包括以下步骤：利用数字摄像机采集数字视频；筛选出其中包含有运动部分的前景部分；使用支持向量机检测器筛选出其中具有类似烟雾的区域；应用小波变换分析高频信号变化，筛选出其中背景是逐渐模糊变化的数字图像；最后，使用Adaboost级联分类器对筛选出具有烟雾纹理特征的数字图像。本发明的烟雾检测方法将背景建模提取运动对象、支持向量机SVM分类器筛选灰白色区域、小波变换高频信号变化分析、烟雾纹理特性级联分类器等多种手段融合并用，极大的提高了烟雾检测的准确性和效率，降低了误警率，鲁棒性高，具有极高的实用性。

Description

一种基于视频分析的烟雾检测方法

技术领域

本发明属于视频检测方法，尤其是对早期火灾进行预警的基于视频的烟雾检测方法。

背景技术

目前火灾检测方法包括气体检测、温度检测、烟雾检测等。由于气体和温度检测需要靠传感器近距离检测，需要密集的安装传感器，这对于森林等大面积的防火将是不现实的。基于视频图像分析检测烟雾的方法是一种新兴的火灾预警技术，该技术采用数字摄像机作为传感器连续拍摄监控区域形成现场数字视频并传输给主控处理器。运行在主控处理器中的智能视频图像分析算法将对输入的数字视频图像进行处理、分析、识别和统计跟踪，最终检测出可能存在烟雾的区域，作为火灾早期预警，并且能远程观看现场图像，实现监控和火灾探测双重功效。

目前基于图像分析的火灾检测方法有：基于可信度模型的多特征融合处理的火焰识别算法、基于K均值聚类方法的分形编码技术进行烟雾图像分割算法、基于模糊神经网络的火灾探测算法等。专利CN200810239324.5中还公开了一种基于烟雾特征训练得出的统计数据模型和烟雾特征判决树，然后应用到实际检测中的方法。这些方法基本上都采用比较单一的方法对烟雾视频进行检测，可靠性和效率偏低。

发明内容

本发明提供了一种解决上述问题的方案，提供一种性能更好、鲁棒性更好的烟雾检测方法。

本发明的技术方案是提供一种基于视频分析的烟雾检测方法，该方法是在数字摄像机作为传感器以及数字信号处理芯片的支持下实现的，其特征在于：该方法包括以下步骤：

1)利用所述数字摄像机，连续拍摄指定区域采集数字视频；

2)将步骤1)中所述数字视频转换成多帧连续的数字图像；

3)基于混合高斯模型，对步骤2)中所述数字图像中的背景部分建模；

4)在步骤3)中对所述数字图像的背景建模的基础上，利用差分法提取所述数字图像中的前景部分；

5)比较步骤4)中提取的连续多帧所述数字图像的前景部分，筛选出其中具有连续运动特点的前景部分作为前景对象；

6)使用支持向量机检测器对步骤5)中筛选出的所述前景对象进行进一步筛选，筛选出其中具有类似烟雾灰白区域的所述前景对象；

7)应用小波变换分析步骤6)中筛选出的所述前景对象的高频信号变化，筛选出其中背景是逐渐模糊变化的所述前景对象；

8)使用Adaboost级联分类器对7)中得到的所述前景对象进行进一步筛选，筛选出具有烟雾纹理特征的所述前景对象作为烟雾对象。

优选的，所述数字摄像机采用CCD或者CMOS等A/D芯片。

优选的，所述数字摄像机架设的位置要确保烟雾形成早期的所述数字视频中，烟雾的面积不小于100像素。

优选的，步骤5)中是利用目标跟踪器对多帧连续的所述数字图像中的运动对象进行跟踪分析，并统计其出现的次数，从而筛选出其内包含有连续多次出现的运动对象的所述前景对象。

优选的，步骤6)中所述支持向量机检测器是利用灰白色直方图预先训练好的。

优选的，步骤8)中所述Adaboost级联分类器是基于局部二元模式LBP纹理预先训练好的级联分析器。

本发明的烟雾检测方法将背景建模提取运动对象、支持向量机SVM分类器筛选灰白色区域、小波变换高频信号变化分析、烟雾纹理特性级联分类器等多种手段融合并用，极大的提高了烟雾检测的准确性和效率，降低了误警率，鲁棒性高，具有极高的实用性。

附图说明

图1是本发明的算法原理框图。

具体实施方式

下面对本发明的具体实施方式作进一步详细的描述。

如图1所示，本发明的烟雾检测方法首先进行视频采集，采集到的视频信息依次经过混合高斯背景建模，前景运动对象跟踪，SVM灰白色检测，高频信号小波检测，烟雾LBP纹理Adaboost分类器等进行逐步分拣筛选，最终得出检测结果。

本发明所述方法是在数字摄像机作为传感器的支持下实现的，烟雾检测原理主要利用了烟雾的连续运动、灰白色、运动时模糊背景、半透明、特殊纹理等特性进行分析。以下结合附图1所示的算法原理图，详细说明本方法的具体实施方式。

①采用数字摄像机作为传感器连续采集定点区域图像形成数字视频流作为信号源，数字摄像机采用CCD或者CMOS等A/D芯片；摄像机的架设要合理，以使所监控区域场景视频中早期火灾烟雾的面积大于100像素为宜；

②火灾早期烟雾是不断扩散的，在场景视频中表现为连续运动的前景对象。在数字摄像机获取到场景视频流后，首要的问题就是要提取出连续运动的前景对象作为烟雾的候选对象，以便进行后续筛选。作为定点火灾监控区域，一般是山林或者大型建筑物，林木受风吹会摆动，建筑物里会有行人或者光照变化，可见烟雾监控场景的背景是不稳定的，需要寻找一种方法能对不稳定背景进行背景建模。本方法背景建模采用混合高斯模型GMM。

本方法使用的混合高斯模型GMM使用3个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点。通观整个高斯模型，他主要是有方差和均值两个参数决定，对均值和方差的学习，采取不同的学习机制，将直接影响到模型的稳定性、精确性和收敛性。由于我们是对运动目标的背景提取建模，因此需要对高斯模型中方差和均值两个参数实时更新。为提高模型的学习能力，改进方法对均值和方差的更新采用不同的学习率；为提高在繁忙的场景下，大而慢的运动目标的检测效果，引入权值均值的概念，建立背景图像并实时更新，然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。具体更新公式如下：

μt＝(1-ρ)μt-1+ρxt                        (1)

σ2t＝(1-ρ)σ2t-1+ρ(xt-μt)T(xt-μt)       (2)

ρ＝αη(xt|μκ，σκ)                      (3)

|xt-μt-1|≤2.5σt-1                         (4)

wk，t＝(1-α)wk，t-1+αMk，t                 (5)

式中ρ为学习率，即反映当前图像融入背景的速率。

建模过程中，我们需要对混合高斯模型中的方差、均值、权值等一些参数初始化，并通过这些参数求出建模所需的数据，如马氏距离。在初始化过程中，一般我们将方差设置的尽量大些(如15)，而权值则尽量小些(如0.001)。

在高斯混合模型GMM建模获取稳定背景后，使用差分法提取前景区域，经形态学处理和跟踪统计，获取连续运动的前景运动对象作为烟雾候选对象(区域)；

③经过步骤②之后，已经提取到连续运动的前景对象，但并非所有的运动对象都是烟雾，利用烟雾呈灰白色的特性来排除非灰白色的干扰运动对象。本发明所述算法采用基于像素局部颜色直方图作为特征训练得到灰白色SVM检测器。应用灰白色SVM检测器对运动前景对象的像素点进行检测，统计运动对象中像素点为灰白色的数量，与预先设定的阈值进行比较。若灰白色像素点数量超过阈值，则判断为烟雾对象，否则不是烟雾对象。

训练灰白色检测器时，先人工标定正样本烟雾像素区域和负样本任意像素区域，训练程序将对标定的正负样本区域中的每个像素j周围统计得到局部颜色直方图H_j作为特征，应用支持向量机SVM进行训练。如下为H_j计算公式：

$H_j\left(l\right)=\underset{x,y}{\mathrm{\Σ}}I(f_j(x,y)=l),l=\mathrm{0,1},...,L_j-1---\left(6\right)$

④经过步骤③之后，已经筛选得到灰白色连续运动对象，但仅根据运动和灰白色这两个特点还不足以判别是烟雾，比如山林前飞过的白色气球，建筑物经过穿白色衣服的人，都具备这两个特征。火灾烟雾扩散过程是从稀薄到浓密的，即烟雾扩散过程中透明度在降低，换句话说，透过烟雾看到背景的像素在减少。提升小波变换可以将场景图像转化为LL、LH、HL和HH四个区域，LL为低频信号，LH和HL分别代表水平和垂直方向高频信号，HH代表对角线高频信号。小波变换分离了低频和高新信号，并且保持了信号的空间特性，非常有利于图像分析。前景烟雾灰度平缓过渡的，表现为小波变换后的LL低频区，前景烟雾像素与背景像素接合处产生突变，表现为小波变换后的LH、HL和HH高频区，因此，烟雾扩散过程中透明度降低，透视背景像素点在减少，因此前景烟雾像素与背景像素结合处在减少，表现为小波变换后LH、HL和HH高频区内的信号在减弱。因此，应用小波变换分析技术，分析运动对象的当前帧与其先前帧的高频信号变化，基于烟雾运动会模糊背景的原理，高频信号减少者为烟雾，高频信号不变或者增多者为非烟雾，进一步排除了整块的或者非半透明的灰白色连续运动物体，保留了近似烟雾的半透明灰白色连续运动物体。

本发明所述算法采用提升双正交小波，使用多项式插补获取信号高频分量，通过构造尺度函数获取信号低频分量。由提升方法构成的小波变换分为分裂、预测和更新3个步骤：

(1)分裂，将原始信号分为两个互不相交的子集和，通常是将一个数列分为偶数序列和奇数序列，即

F(sj)＝(sj-1，dj-1)                        (7)

(2)预测，根据数据间的相关性，可用sj-1预测dj-1。故可采用一个与数据集结构无关的预测算子P，使得dj-1＝P(sj-1)，这样就可以用子数据集sj-1代替原始的数据集sj。若用子集dj-1与预测值P(sj-1)的差值去代替dj-1，则此差值反映两者的逼近程度。如果预测合理，则差值数据集所包含的信息比原始子集dj-1包含的信息要少得多。预测过程的表达式如下：

dj-1＝dj-1-P(sj-1)                         (8)

(3)更新，经步骤(1)产生子集的某些整体特征(如均值)可能与原始数据并不一致，为了保持原始数据的整体特征，需要一个更新过程。经小波提升，可将信号sj分解为低频部分sj-1和高频部分dj-1；对于低频数据子集sj-1可再进行相同的分裂、预测和更新，将sj-1进一步分解为dj-2和sj-2，...如此下去，经过n次分解后，原始数据sj用小波表示为{sj-n，dj-n，dj-n+1，...，dj-1}其中，sj-n代表信号的低频部分；dj-n，dj-n+1，dj-1，则是信号从低到高的高频部分。

对同一图像，采用不同的小波基对其进行分解会产生不同的结果，由于不同的小波基具有不同的性能指标。小波基函数的正则性越高，其分辨率越高；其消失距阶数R越高，对应滤波器的低频拖尾衰减越快；对于正交小波，如果尺度函数和小波是紧支撑，则滤波器呈现FIR特性，其分解和重构算法可以通过FIR滤波器组实现；当尺度函数和小波对称时，滤波器呈现广义线性相位，缺乏该性质将会引起相位失真。因此，小波基的选取要兼顾小波的正交性、对称性、光滑度和正则性等。选取Daubechies构造的coiflets小波函数，它具有coifN(N＝1，2，3，4，5)一系列，coifles小波具有双正交性、紧支撑性、近似对称性等优点。coifN比dbN对称性更好，其支撑长度与db 3N相同，其消失矩阶数与db2N相同。

⑤经过步骤④之后，已经筛选得到具有烟雾扩散模糊效果的灰白色连续运动对象，据此判别，白色云朵也具备了这些特征。因此，还需要继续把白色云朵等排除掉。根据观察，烟雾扩散过程中，从烟雾源到烟雾外围浓度在降低，因此具有较规则的弧形灰度分水岭，而白色云朵的灰度分水岭较随机，因此，可表现为烟雾与云朵具有不同的纹理特征。本发明所述算法应用基于局部二元模式LBP训练的AdaBoost级联分类器筛选来排除白色云朵，最终得到烟雾运动对象，即前景烟雾区域。

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。Adaboost训练过程如下：

1.先通过对N个训练样本的学习得到第一个弱分类器；

2.将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器；

3.将1和2都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器；

4.最终经过提升得到强分类器。

到此，一个烟雾检测器已经实现。在融合了背景建模提取运动对象、支持向量机SVM分类器筛选灰白色区域、小波变换高频信号变化分析、烟雾纹理特性级联分类器等多种手段融合并用的分析模式，极大的提高了烟雾检测率，并降低了误警率，鲁棒性高，达到了烟雾检测的实用性。

以上实施例仅为本发明其中的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于视频分析的烟雾检测方法，该方法是在数字摄像机作为传感器以及数字信号处理芯片的支持下实现的，其特征在于：该方法包括以下步骤：

1）利用所述数字摄像机，连续拍摄指定区域采集数字视频；

2）将步骤1）中所述数字视频转换成多帧连续的数字图像；

3）基于混合高斯模型，对步骤2）中所述数字图像中的背景部分建模；

4）在步骤3）中对所述数字图像的背景建模的基础上，利用差分法提取所述数字图像中的前景部分；

5）比较步骤4）中提取的连续多帧所述数字图像的前景部分，筛选出其中具有连续运动特点的前景部分作为前景对象；

6）使用支持向量机检测器对步骤5）中筛选出的所述前景对象进行进一步筛选，筛选出其中具有类似烟雾灰白区域的所述前景对象；

7）应用小波变换分析步骤6）中筛选出的所述前景对象的高频信号变化，筛选出其中背景是逐渐模糊变化的所述前景对象；

8）使用Adaboost级联分类器对7）中得到的所述前景对象进行进一步筛选，筛选出具有烟雾纹理特征的所述前景对象作为烟雾对象。

2.根据权利要求1所述的基于视频分析的烟雾检测方法，其特征在于：所述数字摄像机采用CCD或者CMOS芯片。

3.根据权利要求1所述的基于视频分析的烟雾检测方法，其特征在于：所述数字摄像机架设的位置要确保烟雾形成早期的所述数字视频中，烟雾的面积不小于100像素。

4.根据权利要求1所述的基于视频分析的烟雾检测方法，其特征在于：步骤5）中是利用目标跟踪器对多帧连续的所述数字图像中的运动对象进行跟踪分析，并统计其出现的次数，从而筛选出其内包含有连续多次出现的运动对象的所述前景对象。

5.根据权利要求1所述的基于视频分析的烟雾检测方法，其特征在于：步骤6）中所述支持向量机检测器是利用灰白色直方图预先训练好的。

6.根据权利要求1所述的基于视频分析的烟雾检测方法，其特征在于：步骤8）中所述Adaboost级联分类器是基于局部二元模式LBP纹理预先训练好的级联分析器。

Images