CN102201146A - 基于主动红外视频的零照度环境火灾烟雾识别方法 - Google Patents

Abstract

一种基于主动红外视频的零照度环境火灾烟雾识别方法，采集主动红外视频图像数据；通过差分法提取红外视频图像数据中的前景图像，并进行亮度值分析；提取并分析前景图像中聚类中心的速度特征；计算聚类中心速度特征的平均值和方差；根据计算得到的聚类中心速度特征的方差，并与预先设定的阈值进行比较，从而判断被监控受限零照度空间中是否有火灾烟雾；如果是火灾烟雾，给出报警信号；否则重新返回到前继续采集下一帧红外视频图像数据。本发明减少了红外视频图像背景噪声的影响，实现了在零照度环境下对主动红外视频烟雾的识别。

Description

基于主动红外视频的零照度环境火灾烟雾识别方法

技术领域

本发明属于火灾探测技术领域，具体涉及计算机图像处理以及零照度环境下的主动红外视频火灾探测，特别涉及基于主动红外视频的零照度环境火灾烟雾识别方法。

背景技术

可视火灾探测技术是基于机器视觉以及图像处理的火灾探测新技术，它能够有效地综合火焰、烟雾等图像特征，提供直观的火灾信息。可视火灾探测技术具有响应速度快，监测范围广，距离远等特点，使火灾探测技术更大程度地满足了人们对火灾安全的要求，其中烟雾图像识别探测技术能够较早发现火灾，实现早期火灾探测。

B.U.Toreyin等人在第13届欧洲信号处理会议上利用了小波变换来提取烟雾图像的边缘特征，并根据背景图像在烟雾遮挡下边缘变得模糊，边缘信息减少的现象来识别烟雾。在2006年美国举办的智能信息及多媒体信号处理会议上，Chen等提出了火灾烟雾颜色一般为灰色或黑色，所以结合RGB颜色模型与HIS颜色模型的I分量联合进行了火灾烟雾识别。熊子佑等在“Video-based Smoke Detection：Possibilities，Techniques，and Challenges”一文中认为烟雾是湍流现象，可以通过无量纲的边缘与面积的比值或者表面积与体积的比值来描述这种湍流现象中复杂形状的特征。袁非牛在荷兰的《模式识别期刊》上，提出基于累计方法的视频烟雾检测方法，为了加快检测速度，他首先将视频图像分割成了大小相等的块，然后利用某种搜索模板与块匹配方法估计出块的运动方向。2008年，Yang等人发展了一种基于支持向量积SVM的火灾烟雾识别特征分类器，其选用的特征值是基于小波分析烟雾半透明的特征值。

上述的烟雾视频图像识别探测技术都是基于环境具备足够的光照条件下，当监控场景光线不足，或者当环境处于零照度的情况下，普通摄像机的视频采集就会受到环境光照强度过小的影响。这是因为当前普通的摄像监控系统是在可见光的照射下，如阳光、灯光等，通过摄像机的镜头，将被摄物体反射的光线在摄像机的感光器件CCD靶面上成像，然后通过转换电路将图像信号转换为视频信号，再经过传输系统，最终将图象在显示设备，比如监视器上重现出来。基于这个原理，当环境光线不足，甚至于环境处于零照度的情况下，普通的视频烟雾探测技术就会受到制约。但是，主动红外摄像监控系统的工作原理是利用摄像机的CCD图像传感器具备很宽的感光光谱范围，它的感光光谱不仅包括了可见光区域，并且还延伸至红外区域，基于此特性，就能够在没有可见光照明的情况下，使用与摄像机配套的红外光源，即红外灯，发出红外光经物体反射被红外CCD接收成像。利用这个特性，主动红外视频烟雾探测技术就能够克服光线不足导致普通视频烟雾探测技术失效的情况，它将是用于零照度环境下视频火灾烟雾探测的新手段。

目前，在监控环境处于零照度的黑暗条件下，还未见利用主动红外摄像机进行红外视频采集，并配以相应火灾视频烟雾识别算法的探测技术，而一些典型的烟雾特征，如上述中提及的颜色特征、模糊特征、轮廓特征以及纹理特征等，在用于红外视频烟雾识别时，由于其红外视频背景和图像的特殊性而存在缺陷。同时，在实际应用中如火车行李车厢、大飞机行李舱、物资仓库等重要监控场所，对其进行主动红外视频烟雾监控，并且根据红外视频烟雾图像的特点发展相应的火灾视频烟雾探测方法，具有重要的意义。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种基于主动红外视频的零照度环境火灾烟雾识别方法，利用主动红外摄像机采集零照度环境下的红外烟雾视频图像，并且通过提取烟雾聚类中心的速度特征将烟雾与干扰源区分开来，从而实现零照度环境下主动红外视频烟雾识别的目的。

本发明技术解决方案：基于主动红外视频的零照度环境火灾烟雾识别方法：系统硬件部

分如图1所示，它由红外光源、主动红外摄像机、图像采集卡、计算机(嵌入式系统)以及报警控制装置等构成。由主动红外摄像机采集得到的视频图像通过采集卡传给视频监控计算机进行处理：首先采用差分法提取前景图像并进行亮度值分析；然后计算前景图像里聚类中心的速度特征并进行判别，如果判别为火灾烟雾，则计算机发出指令，控制报警器发出报警信号；如果判别为非火灾烟雾，则返回差分法步骤，继续处理下一帧图像。

图2为本发明中的识别算法流程图，

第一步，利用主动红外摄像机采集零照度环境下的红外烟雾视频图像；

第二步，通过差分法提取第一步中所述视红外烟雾频图像中的前景图像，并进行亮度值分析；

第三步，提取前景图像中聚类中心的速度特征；

第四步，计算聚类中心速度特征的平均值和方差；

第五步，根据计算得到的聚类中心速度特征的方差，并与预先设定的阈值进行比较，从而判断被监控受限的零照度环境下是否有火灾烟雾；

第六步，如果有火灾烟雾，给出报警信号；否则重新返回到第二步继续对处理下一帧红外烟雾视频图像。

具体解释和说明如下：

本发明首先采用背景差分算法来提取主动红外视频图像中的前景图像。背景差分算法能够得到较精确的前景图像，但所采集到的背景图像随着时间的推移，对外部条件造成的场景变化比较敏感，所以需要实时更新背景模型，通过下面的(1)式来计算视频每一帧的背景图像：

$B_{n+1}(x,y)=\left\{\begin{array}{cc}(1-\mathrm{\α})B_n(x,y)+\mathrm{\α}{I}_n(x,y),& (x,y)\mathrm{stationary}\\ B_n(x,y),& (x,y)\mathrm{moving}\end{array}\right.---\left(1\right)$

通过上面的式子得到的B_n+1是视频n+1帧时的背景图像，I_n是视频n帧时的图像，α是一个取值在0～1之间的参数，α越大，背景更新越快，它决定了背景更新的速率。在确定了背景的更新速率后，用当前帧的图像I_n减去背景图像B_n就得到了前景图像：

$X_n(x,y)=\left\{\begin{array}{cc}255,& \mathrm{if}|I_n(x,y)-B_n(x,y)|>T\\ 0,& \mathrm{otherwise}\end{array}\right.---\left(2\right)$

式(2)中得到的X_n是n帧时的二值图像，灰度值为255的像素点组成的区域就是所提取的前景图像，I_n是视频n帧时的图像，B_n是视频n帧时的背景图像，T是根据场景而选定的阈值。如果当前帧的像素点与背景图像中相对应的像素点差的绝对值大于T，就判断这像素点为前景图像，否则判断为背景。

通过背景差分算法提取了主动红外视频的前景图像后，需要进一步分析其前景图像的亮度值，主动红外视频图像的亮度值可以用HIS颜色模型中的I(亮度)分量来表示。HSI模型是由美国色彩学家孟塞尔(H.A.Munseu)在1915年提出的，它反映了人的视觉系统感知彩色的方式，以色调、饱和度以及亮度三种基本特征量来感知颜色。这种颜色模型把颜色分成了下面的三个特征：第一个特征表示色调或者色相H(Hue)，它能够表示RGB等各种颜色的种类，第二个特征用来表明颜色的鲜艳程度，即饱和度或者彩度S(Saturation)，第三个特征是用来表示明暗度，被称为明度或者亮度I(Intensity)。在利用色彩信息的过程中，这种颜色模型的优点在于它将亮度(I)与反映色彩本质特征的两个参数色调(H)以及饱和度(S)分开。而主动红外视频的每一帧都是灰度图像，不存在颜色信息，所以利用HIS模型中的亮度值I分量来提取分析视频的前景图像。同时，在一定的背景环境条件下，烟雾前景图像的亮度值一般在L₁≤I≤L₂范围内变化，其中L₁，L₂的值都是实验统计数据所得，具体方法是多次在相同背景环境下，采用主动红外摄像机对烟雾区域进行视频采集，然后通过对多个红外视频中烟雾前景图像的亮度值I进行统计分析得到：烟雾前景图像的亮度值一般在L₁≤I≤L₂范围内变化的结论，其中L₁、L₂是烟雾前景图像的亮度值I分量的变化上下限。将前景图像中满足L₁≤I≤L₂条件的区域留下，不满足的去除，并将所得的主动红外视频前景图像保存用于下一步烟雾视频图像特征的提取。

在获得了主动红外视频图像的前景图像后，为了对烟雾的特征进行提取，本发明采用K-means算法提取前景图像的聚类中心，并且将得到的聚类中心保存，用于下一步的特征计算与分析。

K-means算法首先接受输入量k，然后将n个数据对象划分为k个聚类以使得其所获得的聚类满足以下条件：不同的聚类中对象相似度比较小，而同一个聚类中的对象相似度比较高。聚类相似度是通过各聚类中对象均值所获得的一个“中心对象”，即聚类中心来进行计算的。首先从n个数据对象中随意选择k个对象来作为其初始聚类中心，而对于其他所剩下的对象，则通过它们与初始聚类中心的相似度即距离，来分别将它们分配给与其最相似的(每个聚类中心所代表的)聚类；然后接着计算每个所获得的新聚类的聚类中心，即该聚类中所有对象的均值；最后不断重复这一过程直到标准测度函数开始收敛为止。一般地，采用均方差作为标准测度函数，其k个聚类具有以下的特点：各个聚类本身尽可能的紧凑，而各个聚类之间尽可能的分开。

设样本数据集为X＝{x_i|i＝1，2，...，n}，C_j(j＝1，2，...，k)表示聚类的k个类别，c_j(j＝1，2，...，k)表示初始的聚类中心，计算两个数据对象之间的欧氏距离：

$d(x_i,x_j)=\sqrt{{(x_i-x_j)}^T(x_i-x_j)}---\left(3\right)$

计算聚类中心：

$c_j=\frac{1}{n_j}\underset{x\∈C_j}{\mathrm{\Σ}}x---\left(4\right)$

K-means算法的核心思想是通过迭代把数据对象划分到不同的簇中，以求目标函数：

$E=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_j}{\mathrm{\Σ}}}d(x_j,c_i)---\left(5\right)$

最小化，从而使得生成的簇尽可能地紧凑以及独立，其具体的算法流程如下：

输入：k，data[n]；

(1)选择k个初始的聚类中心点，例如c[0]＝data[0]，…，c[k-1]＝data[k-1]；

(2)对于data[0]，…，data[n]，分别与c[0]，…，c[n-1]进行比较，假定与c[i]的差值最少，那么就标记为i；

(3)对于所有已经标记为i的点，重新计算c[i]＝{所有标记为i的data[j]之和}/标记为i的个数；

(4)重复步骤(2)和(3)，直到所有c[i]值的变化小于了给定阈值。

首先通过K-means算法的计算，得到每一帧图像的烟雾聚类中心c_n(x，y)，n代表视频的帧数，x、y分别代表c_n(x，y)点的横坐标以及纵坐标，然后再计算每相邻两帧之间c_n(x，y)的速度：

$\left|v_n\right|=\sqrt{{(x_n-x_{(n-1)})}^2+{(y_n-y_{(n-1)})}^2}---\left(6\right)$

${\mathrm{\α}}_n=\arctan \frac{y_n-y_{(n-1)}}{x_n-x_{(n-1)}}---\left(7\right)$

在式(6)以及(7)中，|v_n|表示c_n(x，y)的瞬时速率，它代表了速度矢量的大小，α_n表示c_n(x，y)的瞬时角度，它代表了速度矢量的方向，n(n＝1，2，…)表示视频帧数。这样，本发明中主动红外视频图像中烟雾前景图像的特征就可以用一组聚类中心的速度矢量来表示，即：

$N=({\stackrel{\→}{v}}_1,{\stackrel{\→}{v}}_2,\·\·\·,{\stackrel{\→}{v}}_{n-1})---\left(8\right)$

通过对前景图像聚类中心速度特征的计算与分析，由于烟雾前景图像具备较好的运动重复性，然后按照以下的方式来设定阈值：计算得到的烟雾聚类中心瞬时速率|v_n|组成数组的方差为S_v1，烟雾聚类中心瞬时角度α_n组成数组的方差为S_α1，而干扰源聚类中心瞬时速率|v_n|组成数组的方差为S_v2，干扰源聚类中心瞬时角度α_n组成数组的方差为S_α2。

其中，通过下面式子计算聚类中心速度特征的平均值和方差：

(1)c_n(x，y)的瞬时速率|v_n|的平均值：

$v=\frac{v_1+v_2+...+v_n}{n}---\left(9\right)$

上式中，v代表瞬时速率|v_n|的平均值，v₁，v₂，…v_n代表每一帧烟雾聚类中心c_n(x，y)的瞬时速率，n代表视频帧数。

c_n(x，y)的瞬时角度α_n的平均值：

$\mathrm{\α}=\frac{{\mathrm{\α}}_1+{\mathrm{\α}}_2+...+{\mathrm{\α}}_n}{n}---\left(10\right)$

上式中，α代表瞬时角度α_n的平均值，α₁，α₂，…α_n代表每一帧烟雾聚类中心c_n(x，y)的瞬时角度，n代表视频帧数。

(2)c_n(x，y)的瞬时速率|v_n|的方差：

$S_v=\frac{{(v_1-v)}^2+{(v_2-v)}^2+...+{(v_n-v)}^2}{n}---\left(11\right)$

上式中，S_v代表了c_n(x，y)的瞬时速率|v_n|的方差，v代表瞬时速率|v_n|的平均值，v₁，v₂，…v_n代表每一帧烟雾聚类中心c_n(x，y)的瞬时速率，n代表视频帧数。

c_n(x，y)的瞬时角度α_n的方差：

$S_{\mathrm{\α}}=\frac{{({\mathrm{\α}}_1-\mathrm{\α})}^2+{({\mathrm{\α}}_2-\mathrm{\α})}^2+...+{({\mathrm{\α}}_n-\mathrm{\α})}^2}{n}---\left(12\right)$

上式中，S_α代表了c_n(x，y)的瞬时角度α_n的方差，α代表瞬时角度α_n的平均值，α₁，α₂，…α_n代表每一帧烟雾聚类中心c_n(x，y)的瞬时角度，n代表视频帧数。

最后设定2个阈值M和N分别满足S_v1＜M＜S_v2以及S_α2＜N＜S_α1，只有当聚类中心速度特征的方差的计算结果同时满足条件S_v＜M以及S_α＞N时，才可判定为火灾烟雾，否则判定为非火灾烟雾。

本发明与现有技术相比的优点在于：现有的普通视频烟雾识别方法主要针对在环境具有可见光照射的情况下，利用普通摄像机进行视频采集并且对视频烟雾图像进行识别，当监控环境处于零照度的黑暗条件下，由于受到环境光照条件不足的影响，普通视频烟雾图像的采集就会受到限制，而采用主动红外摄像机对零照度环境下的烟雾视频图像进行采集，克服了环境光照条件不足的影响。但是一些常用于普通视频烟雾识别的烟雾特征，如颜色特征、模糊特征、轮廓特征以及纹理特征等，在用于红外视频烟雾识别时，却由于其红外视频背景和图像的特殊性而存在缺陷。本发明提出一种基于主动红外视频图像聚类中心速度特征的零照度环境下火灾烟雾识别方法，首先采用差分法提取前景图像并进行亮度值分析，然后提取前景图像里聚类中心的速度特征，最后通过计算聚类中心速度特征的方差，并与预先设定的阈值进行比较从而判断是否为火灾烟雾。采用差分法并结合亮度值分析，较大程度地减少了红外视频图像背景噪声的影响；而计算前景图像里聚类中心的速度特征，利用烟雾相比行人或者手电筒光等非烟雾情况，其具备较好的运动重复性，并且具有聚类中心运动瞬时速率较小，瞬时角度紊乱性较大的特征，在计算出聚类中心速度特征的方差并与预先设定的阈值进行比较后，实现了在零照度环境下对主动红外视频烟雾的识别。

附图说明

图1为本发明基于主动红外视频的零照度环境火灾烟雾探测系统示意图；

图2为本发明基于主动红外视频的零照度环境火灾烟雾识别算法流程图。

具体实施方式

图1给出了本发明基于主动红外视频的零照度环境火灾烟雾探测系统示意图：将主动红外摄像机D采集到的被监控受限零照度空间C的红外视频图像数据通过图像采集卡E或硬盘录像机F传到视频监控计算机A，视频监控计算机A利用根据本发明基于主动红外视频的零照度环境火灾烟雾识别算法流程图编写的图像分析软件对红外视频图像进行分析，如果判断存在火灾烟雾，则通过计算机发出指令控制报警装置B发出报警信号；如果聚类中心速度特征的计算结果小于阈值，则判断为非火灾烟雾，返回到流程的第一步，重新进入下一轮循环，开始读取下一张红外视频图像数据。

图2给出了本发明基于主动红外视频的零照度环境火灾烟雾识别算法流程图，步骤为：1、计算机读取主动红外视频图像数据；2、通过差分法并结合亮度值分析提取前景图像；3、提取并分析前景图像中聚类中心的速度特征；4、计算聚类中心速度特征的平均值和方差；5、根据计算得到的聚类中心速度特征的方差，并与预先设定的阈值进行比较，从而判断被监控受限零照度空间C中是否有火灾烟雾；6、如果是火灾烟雾，给出报警信号；如果否，则重新返回到最初的步骤。

本发明基于主动红外视频的零照度环境火灾烟雾识别方法的具体操作步骤如下：

首先利用视频监控计算机A将由主动红外摄像机D采集的视频图像数据分解成一帧帧的图像，将第一帧作为背景图像，从第二帧开始，将背景图像与每一帧图像按照式(1)进行差分得到前景图像：

$X(x,y)=\left\{\begin{array}{cc}255& \mathrm{if}|I(x,y,j)-I(x,y,k)|>T\\ 0& \mathrm{otherwise}\end{array}\right.---\left(1\right)$

上式中(x，y)为以图像长方向为x轴，宽方向为y轴建立的坐标系中像素点的坐标，X(x，y)为前景图像，j代表背景帧，k代表当前帧，I(x，y，j)为背景帧点(x，y)的像素值，I(x，y，k)为当前帧点(x，y)的像素值，T是阈值。

下一步按照式(2)更新背景图像I(x，y，j)：

$I(x,y,j)=\left\{\begin{array}{ccc}\mathrm{aI}(x,y,k)+(1-a)X(x,y)& \mathrm{if}& X(x,y)=0\\ I(x,y,j)& \mathrm{if}& X(x,y)=255\end{array}\right.---\left(2\right)$

上式中α是常数，且0＜α＜1，在本实施例中α取0.01，这样背景图像更新效果较好。如果差分结果图像X(x，y)中点(x，y)的像素值为0，则更新背景图像中(x，y)点的像素值I(x，y，j)，如果差分结果前景图像X(x，y)中点(x，y)的像素值为255，则不进行任何操作，像素值为255的图像部分称为前景图像。

同时，在一定的背景环境条件下，烟雾前景图像的亮度值一般在L₁≤I≤L₂范围内变化，其中L₁，L₂的值都是实验统计数据所得，具体方法是多次在相同背景环境下，采用主动红外摄像机对烟雾区域进行视频采集，然后通过对多个红外视频中烟雾前景图像的亮度值I进行统计分析得到：烟雾前景图像的亮度值一般在L₁≤I≤L₂范围内变化的结论，其中L₁、L₂是烟雾前景图像的亮度值I分量的变化上下限。在本实施例中L₁、L₂分别为160、190，那么将每一帧前景图像中满足L₁≤I≤L₂条件的区域保存，并将所得的主动红外视频前景图像保存用于下一步烟雾视频图像特征的提取。

然后，为了提取烟雾视频图像的特征，采用K-means算法计算前景图像的聚类中心，具体的方法如下：

先输入聚类数目K和包含N个对象的数据集X＝{x₁，x₂，x₃，...，x_n}。输出K个聚类簇{S₁，S₂，S₃，...，S_K}，使目标函数最小。

(1)从数据集X中随机选择K个对象作为初始聚类中心c₁，c₂，c₃，...，c_k；

(2)重复；

(3)逐个将对象x_i(i＝1，2，3，...，n)按照欧式距离分配给最近的一个聚类中心c_j，1≤j≤K，

其中m是数据属性的个数；

(4)重新计算每个簇中新的聚类中心c_j，j＝1，2，…，K，N_j是第j个簇S_j中对象的个数，同时将每一帧里前景图像中烟雾聚类中心点记为c_n(x，y)；

(5)直到K个聚类中心不再变化，目标函数E最小化。

接着，通过上面算法对红外视频前景图像的计算，就得到每一帧图像的烟雾聚类中心c_n(x，y)，n代表视频的帧数，x、y分别代表c_n(x，y)点的横坐标以及纵坐标，计算每相邻两帧之间烟雾聚类中心c_n(x，y)的速度：

$\left|v_n\right|=\sqrt{{(x_n-x_{(n-1)})}^2+{(y_n-y_{(n-1)})}^2}---\left(3\right)$

${\mathrm{\α}}_n=\arctan \frac{y_n-y_{(n-1)}}{x_n-x_{(n-1)}}---\left(4\right)$

在式(3)以及(4)中，|v_n|表示c_n(x，y)的瞬时速率，α_n表示c_n(x，y)的瞬时角度，n(n＝1，2，…)表示视频帧数。这样，本发明中主动红外视频图像中烟雾前景图像的特征就可以用一组聚类中心的速度矢量来表示，即：

$N=({\stackrel{\→}{v}}_1,{\stackrel{\→}{v}}_2,\·\·\·,{\stackrel{\→}{v}}_{n-1})---\left(5\right)$

通过对前景图像聚类中心速度特征的计算与分析，由于烟雾前景图像具备较好的运动重复性，最后按照以下的方式来设定阈值：计算得到的烟雾聚类中心瞬时速率|v_n|组成数组的方差为S_v1，烟雾聚类中心瞬时角度α_n组成数组的方差为S_α1；而干扰源聚类中心瞬时速率|v_n|组成数组的方差为S_v2，干扰源聚类中心瞬时角度α_n组成数组的方差为S_α2。设定2个阈值M和N分别满足S_v1＜M＜S_v2以及S_α2＜N＜S_α1，只有当聚类中心速度特征的方差的计算结果同时满足条件S_v＜M以及S_α＞N时，才可判定为火灾烟雾，否则判定为非火灾烟雾。

Claims (6)

1.一种基于主动红外视频的零照度环境火灾烟雾识别方法，其特征在于实现步骤如下：

第一步，利用主动红外摄像机采集零照度环境下的红外烟雾视频图像；

第二步，通过差分法提取第一步中所述视红外烟雾频图像中的前景图像，并进行亮度值分析；

第三步，提取前景图像中聚类中心的速度特征；

第四步，计算聚类中心速度特征的平均值和方差；

第五步，根据计算得到的聚类中心速度特征的方差，并与预先设定的阈值进行比较，从而判断被监控受限的零照度环境下是否有火灾烟雾；

第六步，如果有火灾烟雾，给出报警信号；否则重新返回到第二步继续对处理下一帧红外烟雾视频图像；

所述第二步中的差分法实现步骤如下：

(1)将第一帧作为背景图像，从第二帧开始，将背景图像与每一帧图像按照公式(1)进行差分得到前景图像：

$X(x,y)=\left\{\begin{array}{cc}255& \mathrm{if}|I(x,y,j)-I(x,y,k)|>T\\ 0& \mathrm{otherwise}\end{array}\right.---\left(1\right)$

上式中(x，y)为以图像长方向为x轴，宽方向为y轴建立的坐标系中像素点的坐标，X(x，y)为前景图像，j代表背景帧，k代表当前帧，I(x，y，j)为背景帧点(x，y)的像素值，I(x，y，k)为当前帧点(x，y)的像素值，T是阈值；

(2)按照公式(2)更新背景图像I(x，y，j)：

$I(x,y,j)=\left\{\begin{array}{ccc}\mathrm{aI}(x,y,k)+(1-a)X(x,y)& \mathrm{if}& X(x,y)=0\\ I(x,y,j)& \mathrm{if}& X(x,y)=255\end{array}\right.---\left(2\right)$

上式中α是常数，且0＜α＜1，这样背景图像更新效果较好。如果差分结果图像X(x，y)中点(x，y)的像素值为0，则更新背景图像中(x，y)点的像素值I(x，y，j)，如果差分结果前景图像X(x，y)中点(x，y)的像素值为255，则不进行任何操作，像素值为255的图像部分称为前景图像。

2.根据权利要求1所述的基于主动红外视频的零照度环境火灾烟雾识别方法，其特征在于：所述第二步中亮度值分析方法为：利用HIS模型中的亮度值I分量来分析视频的前景图像，在一定的背景环境条件下，烟雾前景图像的亮度值在L₁≤I≤L₂范围内变化，其中，其中L₁、L₂是烟雾前景图像的亮度值I分量的变化上下限；L₁，L₂的值是实验统计数据所得，具体方法是多次在相同背景环境下，采用主动红外摄像机对烟雾区域进行视频采集，然后通过对多个红外视频中烟雾前景图像的亮度值I进行统计分析得到：烟雾前景图像的亮度值一般在L₁≤I≤L₂范围内变化的结论，将前景图像中满足L₁≤I≤L₂条件的区域留下，不满足的去除，并将所得的前景图像保存用于下一步红外烟雾视频图像特征的提取。

3.根据权利要求1所述的基于主动红外视频的零照度环境火灾烟雾识别方法，其特征在于：所述第三步骤中提取前景图像中聚类中心的速度特征具体实现步骤为：

(1)首先通过K-means算法的计算，得到每一帧烟雾聚类中心c_n(x，y)，n＝1，2，…表示视频帧数，x、y分别代表c_n(x，y)点横坐标以及纵坐标；

(2)然后再计算每相邻两帧烟雾聚类中心c_n(x，y)的速度：

$\left|v_n\right|=\sqrt{{(x_n-x_{(n-1)})}^2+{(y_n-y_{(n-1)})}^2}---\left(6\right)$

${\mathrm{\α}}_n=\arctan \frac{y_n-y_{(n-1)}}{x_n-x_{(n-1)}}---\left(7\right)$

在公式(6)及(7)中，|v_n|表示c_n(x，y)的瞬时速率，它代表了速度矢量的大小，α_n表示c_n(x，y)的瞬时角度，它代表了速度矢量的方向，主动红外视频图像中烟雾前景图像的特征就用一组聚类中心的速度矢量来表示，即：

$N=({\stackrel{\→}{v}}_1,{\stackrel{\→}{v}}_2,\·\·\·,{\stackrel{\→}{v}}_{n-1})---\left(8\right).$

4.根据权利要求1所述的基于主动红外视频的零照度环境火灾烟雾识别方法，其特征在于：所述第四步计算聚类中心速度特征的平均值和方差过程为：

(1)c_n(x，y)的瞬时速率|v_n|的平均值：

$v=\frac{v_1+v_2+...+v_n}{n}---\left(9\right)$

上式中，v代表瞬时速率|v_n|的平均值，v₁，v₂，…v_n代表每一帧烟雾聚类中心c_n(x，y)的瞬时速率，n＝1，2，…表示视频帧数；

c_n(x，y)的瞬时角度α_n的平均值：

$\mathrm{\α}=\frac{{\mathrm{\α}}_1+{\mathrm{\α}}_2+...+{\mathrm{\α}}_n}{n}---\left(10\right)$

上式中，α代表瞬时角度α_n的平均值，α₁，α₂，…α_n代表每一帧烟雾聚类中心c_n(x，y)的瞬时角度；

(2)c_n(x，y)的瞬时速率|v_n|的方差：

$S_v=\frac{{(v_1-v)}^2+{(v_2-v)}^2+...+{(v_n-v)}^2}{n}---\left(11\right)$

上式中，S_v代表了c_n(x，y)的瞬时速率|v_n|的方差；

c_n(x，y)的瞬时角度α_n的方差：

$S_{\mathrm{\α}}=\frac{{({\mathrm{\α}}_1-\mathrm{\α})}^2+{({\mathrm{\α}}_2-\mathrm{\α})}^2+...+{({\mathrm{\α}}_n-\mathrm{\α})}^2}{n}---\left(12\right)$

上式中，S_α代表了c_n(x，y)的瞬时角度α_n的方差。

5.根据权利要求1所述的基于主动红外视频的零照度环境火灾烟雾识别方法，其特征在于：所述第五步中的阈值的设定方法为：设定2个阈值M和N分别满足S_v1＜M＜S_v2以及S_α2＜N＜S_α1，只有当聚类中心速度特征的方差同时满足条件S_v＜M以及S_α＞N时才可判定为火灾烟雾，否则判定为非火灾烟雾；其中S_v1为计算得到的烟雾聚类中心瞬时速率|v_n|组成数组的方差；S_α1为烟雾聚类中心瞬时角度α_n组成数组的方差；S_v2为干扰源聚类中心瞬时速率|v_n|组成数组的方差；S_α2为干扰源聚类中心瞬时角度α_n组成数组的方差。

6.根据权利要求1所述的基于主动红外视频的零照度环境火灾烟雾识别方法，其特征在于：所述步骤(2)中的α取0.01。

Images