CN103870818B - 一种烟雾检测方法和装置 - Google Patents

Abstract

本发明公开了一种烟雾检测方法和装置，属于数字图像与视频处理领域。该方法包括：对输入的视频图像进行目标区域检测，得到目标区域；计算内部相似性和与周围区域差异性目标区域内部相似性；计算内部相似性和与周围区域差异性目标区域与周围区域差异性；根据内部相似性和与周围区域差异性内部相似性和与周围区域差异性判决内部相似性和与周围区域差异性目标区域是否为烟雾。采用本发明实施例，通过对目标区域内的子块特征进行分类，还同时考虑目标区域与周围背景区域的差异性得到最终的判定结果，从而能有效地区分烟雾目标与类烟雾目标。

Description

一种烟雾检测方法和装置

技术领域

本发明涉及数字图像与视频处理领域，尤其涉及火灾监控的一种基于ULBP以及Adaboost的烟雾检测方法和装置。

背景技术

纹理特征是烟雾检测中使用的重要特征，局部二值模式(Local Binary Pattern，简称LBP)作为代表性的纹理特征之一，更是受到了广泛的关注，基于LBP的各种烟雾检测算法更是近年来研究的热点问题。自从Ojala首次把LBP定义为均匀模式的LBP(uniformLocal Binary Pattern，简称ULBP)，旋转不变的LBP(rotation-invariant Local BinaryPattern，简称RLBP)以及均匀的旋转不变的LBP(rotation-invariant-uniform LocalBinary Pattern，简称RULBP)这三种模式，就有越来越多的研究者开始研究LBP相关的算法。为了提高LBP特征的区分性，很多LBP的改进算法被纷纷提出。比如：为了避免LBP使用过程中造成的全局信息丢失，计算出每个像素点的LBP值的一系列衍生的LBP。再如：通过拉东变换得到纹理图像的主方向，然后在主方向上计算小波变换产生的能量特征。还有一种拉长的局部二值模式(Elongated Local Binary Pattern，简称ELBP)，该方法中利用椭圆形区域代替原来的原形区域来作为LBP提取的基本子块。

基于LBP与Adaboost的方法虽然证明在烟雾的检测上能取得较好的效果，但因为在一些场景中的类烟雾目标都拥有着和烟雾相近的特性，所以单纯考虑目标区域的特征很难将烟雾与验视频进行准确的区分，即不能有效的区分烟雾与类烟雾目标。

发明内容

有鉴于此，本发明要解决的技术问题是提供一种烟雾检测方法和装置，以针对以往的烟雾检测方法难以区分烟雾和类烟雾目标的技术问题。

本发明解决上述技术问题所采用的技术方案如下：

根据本发明的一个方面，提供的一种烟雾检测方法包括：

对输入的视频图像进行目标区域检测，得到目标区域；

计算目标区域内部相似性，包括：在目标区域内随机选取子块；提取每个子块的ULBP特征；利用Adaboost分类器对ULBP特征进行分类，得到内部相似性；

计算目标区域与周围区域差异性；

根据内部相似性和与周围区域差异性判决目标区域是否为烟雾。

优选地，利用Adaboost分类器对ULBP特征进行分类按以下公式计算：

其中，sim表示内部相似性，K表示子块数量，x_k表示第k个子块U-LBP特征，W_k为第k个随机块的权重，H(x_k)为Adaboost分类器对输入特征x_k得到的分类结果。

优选地，计算目标区域与周围区域的周围差异性进一步包括：

将目标区域周围划分成若干个子区域；

提取周围区域子区域内的ULBP特征及颜色特征；

计算周围区域子区域与目标区域子块的相似性。

优选地，根据内部相似性和与周围区域差异性判决目标区域是否为烟雾包括：

当目标区域内部相似性大于预设的第一阈值时，且目标区域与周围区域差异性大于预设的第二阈值时，则判断该目标区域为烟雾区域。

优选地，该方法之后还包括：根据目标区域的颜色特征以及运动特征验证是否是烟雾区域区，进一步包括：

提取目标区域内的颜色特征；

利用基于块匹配的光流提取目标区域内所有子块的运动速度和方向作为运动特征；

检验提取的颜色特征以及运动特征是否满足烟雾的特性。

根据本发明的另一个方面，提供的一种烟雾检测装置包括：

目标区域检测模块，用于对输入的视频图像进行目标区域检测，得到目标区域；

内部相似性计算模块，用于计算目标区域内部相似性；其包括：子块选取单元，用于在目标区域内随机选取子块；ULBP特征提取单元，用于提取每个子块的ULBP特征；分类单元，用于利用Adaboost分类器对ULBP特征进行分类，得到内部相似性；

周围区域差异性计算模块，用于计算目标区域与周围区域差异性；

判决模块，用于根据内部相似性和与周围区域差异性判决目标区域是否为烟雾。

优选地，周围区域差异性计算模块进一步包括：

子区域单元，将目标区域周围划分成若干个子区域；

ULBP及颜色特征提取单元，用于提取周围区域子区域内的ULBP特征及颜色特征；

计算单元，用于计算周围区域子区域与目标区域子块的相似性。

优选地，判决模块具体用于：当目标区域内部相似性大于预设的第一阈值时，且目标区域与周围区域差异性大于预设的第二阈值时，则判断该目标区域为烟雾区域。

优选地，该装置还包括用于根据目标区域的颜色特征以及运动特征验证是否是烟雾区域区的验证模块，具体用于：

提取目标区域内的颜色特征；

利用基于块匹配的光流提取目标区域内所有子块的运动速度和方向作为运动特征；

检验提取的颜色特征以及运动特征是否满足烟雾的特性。

本发明实施例的烟雾检测方法和装置，通过对目标区域内的子块特征进行分类，还同时考虑目标区域与周围背景区域的差异性得到最终的判定结果，从而能有效地区分烟雾目标与类烟雾目标。

附图说明

图1为本发明实施例提供的烟雾检测方法的流程图；

图2为本发明优选实施例提供的一种目标区域检测方法的流程图；

图3为本发明优选实施例提供的一种目标区域内部相似性计算方法的流程图；

图4为本发明优选实施例提供的一种随机子块提取样例图。

图5为本发明优选实施例提供的原始LBP计算图。

图6为本发明实施例ULBP所有模式图。

图7为本发明优选实施例提供的Adaboost的训练示意图。

图8为本发明优选实施例提供的目标区域与周围区域差异性计算方法的流程图；

图9为本发明优选实施例提供的周围区域子区域划分样例图。

图10为本发明优选实施例提供的验证颜色和运动特征方法的流程图；

图11为本发明实施例提供的烟雾检测装置的模块结构图；

图12为本发明优选实施例提供的内部相似性计算模块的模块结构图；

图13为本发明优选实施例提供的周围区域差异性计算模块的模块结构图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一

如图1所示，本发明实施例提供的一种烟雾检测方法包括以下步骤：

S10、对输入的视频图像进行目标区域检测，得到目标区域。

具体地，对输入的视频图像进行图像预处理与背景减除。比如运用图像金字塔与相关的平滑滤波操作得到去噪以后的图像。通过背景帧与当前帧的差分得到前景区域，并通过膨胀、腐蚀等操作使得得到的目标前景区域跟联通，然后滤除小的噪声区域，得到目标区域。

S20、计算目标区域内部相似性。

具体地，目标区域内的随机子块的提取、每个子块的ULPB特征提取、利用LBP对每个ULBP特征进行分类。

S30、计算目标区域与周围区域差异性。

具体地，目标区域周围区域的划分、周围区域子区域内的颜色与ULBP特征提取、计算周围区域子区域与目标区域子块的相似性。

S40、根据内部相似性和与周围区域差异性判决目标区域是否为烟雾。

具体地，当目标区域内部相似性大于预设的第一阈值时，且目标区域与周围区域差异性大于预设的第二阈值时，则判断该目标区域为烟雾区域。

本发明实施例中，通过计算目标区域内的子块相似性，还同时考虑目标区域与周围背景区域的差异性得到最终的判定结果，从而能有效地区分烟雾目标与类烟雾目标。

实施例二

如图2所示，本发明优选实施例提供的目标区域检测方法包括以下步骤：

S101、运用滤波器对输入的视频图像进行平滑滤波。

其中，滤波器可以采用高斯滤波器，也可以根据具体需要换成中值滤波器或双边滤波器等。

S102、通过背景帧与当前帧的差分得到前景区域。

举例来说，可以采用以下实施方法(根据具体需要也可以换成混合高斯模型对背景建模，用相邻帧做帧差得到运动区域)：

(1)分别获得背景帧和当前帧的灰度图像。

(2)利用当前帧的灰度图像和背景帧的灰度图像做差，得到两者的差值图像，并对获得的差值图像进行二值化处理使其变为二值图像，从而得到前景区域。

(3)按照下面公式利用原来背景和当前帧对背景帧进行更新：

其中I_n为当前读入的视频帧，B_n为原来的背景帧，B_n+1为更新后新得到的，Th₂为阈值，α为原来背景图像在更新中的权重值。

S103、对前景区域进行消除噪声区域，得到目标区域。

具体的，可以利用图像金字塔、膨胀、腐蚀(也可使用开运算、闭运算)对前景图像做进行进一步处理，使得到的目标前景区域更联通，然后滤除小的噪声区域，得到目标区域。

本实施例中，通过对输入的图像先使用高斯金字塔进行向下降采样，然后再用拉普拉斯金字塔对图像进行恢复，再对恢复的图像进行先腐蚀，再膨胀的处理，使地图像的运动区域更加平滑。

实施例三

如图3所示，本发明优选实施例提供的目标区域内部相似性计算方法包括：

S201、在目标区域内随机选取子块。

具体地，烟雾在其扩散的整个过程中没有固定的形态特点，这是烟雾检测不同于其他一些物体检测的很重要的不同点。考虑到烟雾区域烟雾纹理特征的没有规则性，本实施例从烟雾区域随机的提取一些不同大小的子块，然后提取每个子块的ULBP特征。具体的子块的提取方式如图4所示。图4中的子块1、子块2、子块3、以及子块4为烟雾区域随机产生的子块，在实际的实验中，我们一般根据目标区域的大小，来获得目标区域的子块，一般情况下子块的个数不超过10。

S202、提取每个子块的ULBP特征。

区别于其他物体，烟雾并没有固定的组成方式，它的每个部分的特征也会随着时间空间的变化而变化。但是烟雾区域内部却有着一定的相似性，就算是烟雾区域内部不同(边缘区域可能会有一些差别)位置的烟雾小块，拥有的纹理、颜色等特征也可能相等。所以在判定某个区域是否为烟雾区域的时候，我们通过随机提取烟雾区域内部的小块来进行开展我们从背景帧与当前帧的差分图像中提取ULBP特征。

作为一种优选的方案，整个目标区域内ULBP特征提取的基本的过程如下：(a)计算子块内每个像素的3x3领域构成的LBP的模式；(b)统计整个随机子块内部所有像素点的模式的直方图。最后得到的直方图便为最后需要提取的LBP特征。具体来说：

(a)计算子块内每个像素的3x3领域构成的LBP：首先将检测窗口划分为3×3的小区域，对于每个小区域的中心像素，将其环形邻域内的8个点进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为0，这样每个点都会获得一个8位二进制数(通常转换为十进制数)。公式(1)和(2)为具体公式：

公式中用LBP_P，R代表LBP的值，P_p代表中心像素3x3领域内的像素点，P_c代表中心像素点。P表示的是领域像素点的个数，在本发明方法中我们取P的值为8，即我们只考虑某像素点的8领域内的纹理特征；R表示在计算LBP编码值的时候考虑的某像素领域的半径的大小。图5为公式(1)和(2)的使用实例，其中使用的R的值为1，即只考虑半径为1的周围一圈的领域内的像素点。

考虑当p＝8，R＝1的情况下，所有LBP的编码方式总共对应了256个不同的值，但是研究者们发现在这256种模式中得到某些模式的可能性及其小，大部分的结果都出现在某些模式组成的集合中。基于这个思想提出了均匀模式的LBP。均匀模式意思为：一个二进制序列从1到0或是从1到0的变换的过程不超过2次。比如：序列10100010的变化次数为5，所以它不能被称为均匀模式。当p＝8，R＝1的情况下所有的模式值共对应58个均匀模式。其他0和1变化次数超过3次的所有模式都被认为是第59种模式。这样原来的256维的LBP模式就被转换成59种，降低了LBP特征的复杂度。均匀模式的LBP的具体计算公式如公式(3)以及(4)所示，并且我们把均匀模式的LBP记为U-LBP。

公式中，用来表示均匀模式的LBP，U的值为59，s，P_p，P_c的含义以及计算方式在第一章中已经给出公式进行说明。图6详细地给出了所有的58种均与模式。除了以下的58种均匀模式以外的模式都被称为第59种模式。

S203、利用Adaboost分类器对ULBP特征进行分类，得到内部相似性。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)。Adaboost的训练过程，其过程主要如下：

(a)假设有N个样本，记为(x₁，y₁)....(x_N，y_N)，y_i的值为1或者-1，把每个样本的初始权重都设置为即

(b)假设总共构造了M个弱分类器，每个弱分类器的设为h_m，则每个分类器的训练过程如下：

计算错误率：计算方式由公式(5)所示

公式中，F(x_i，y_i)的计算方式如公式(6)所示；公式的分母表示所有的正样本与负样本的权重的和；公式的分子代表的为所有样本中分类错误的样本所占的权重。

公式中，当样本正确分类时，函数的值设置为0；当样本被错误分类时，函数的值设置成1。

计算弱分类器的权重：计算方式由公式(7)所示

更新每个样本的权重：计算方式由公式(8)所示

公式中，由于α_m的值都是大于0的正整数，所以必然为一个大于1的正数，然而则为一个小于1的正数，通过这种方式则可以分别为正确分类错误分类的不同样本分配不同的权重，从而使得被错误分类的样本会有更高的权重；Z为归一化的值，使得所有的样本的权重加起来的和等于1。

(c)输出最终强分类器的分类结果，计算方式由公式(9)所示

当所有的弱分类器都已经训练完毕后，则可以把所有弱分类组成一个最终的强分类器。融合的方式如公式(9)所示，式中α_m为之前得到的每个弱分类器的权重，h_m(x)为每个弱分类器的分类结果。

图7为上面介绍的Adaboost的训练过程的一个具体实例，通过10个数据点具体说明整个训练的过程。

上图中总共训练了三个弱分类器，其中三个弱分类器的错误率以及弱分类器的权重分别为：Err₁＝0.3，α₁＝0.212，Err₂＝0.259，α₂＝0.263，Err₃＝0.219，α₃＝0.317。可以看出通过融合三个弱分类器，我们最终能得到正确的强分类器，把所有的样本进行正确的分类。

假设在某个目标区域内，一共提取了K个子块，我们把每个子块提取到的U-LBP特征记为x_k，则我们用公式(10)来计算整个目标区域内部得到的所以子块的相似性。

公式中，W_k为第k个随机块的权重，本发明方法中所有子块的W_k值都相同，值都等于1/K，但是W_k的值也可以根据不同的方法进行调整，例如：跟随机子块的面积、随机子块的位置等进行联系；H(x_k)即为Adaboost对输入特征x_k得到的分类结果。该公式的得到的是目标区域内所有子块被检测成烟雾的子块的权重占整个区域内子块总数的值，如果是烟雾区域则应该满足大部分的子块被检测成烟雾，即体现了整个烟雾区域的烟雾特性也体现了整个区域内子块之间存在的相似性。

本实施例中，为了获得我们需要的分类器，首先我们在500张正例及500张负例训练Adaboost分类器，然后再用训练好的分类器对每个子块进行分类，当有超过6个子块的分类结果为烟雾时，我们则认为该区域内的8个子块之间有一定的相似性，并且在纹理特征上符合烟雾所具有的特性，则继续进行与周围区域的差异性的检验。

实施例四

如图8所示，本发明优选实施例提供的目标区域与周围区域的差异性计算方法包括：

S301、将目标区域周围划分成若干个子区域。

请参阅图9所示的一种子区域划分方式，该方式中将周围区域划分为4个子区域。具体来说，烟雾和一些烟雾类似的物体很大的一个差异在于，烟雾是背景中本来没有后来产生的，而一些类烟雾目标，比如雾、乌云之类的物体他们是本来就存在与背景中的是背景不可分离的一部分所以在考察某些类烟雾目标体的时候，当目标区域内的特征非常相似时，我们还可以把目标区域周围的区域也放进考虑的范围，基于这个想法，本发明提出的方法不仅要确保目标区域内部有烟雾的特性并且具有一定的相似性之外，我们还把不标区域与周围区域之间的差异性作为判定目标区域是否为烟雾区域的重要特性。

S302、提取周围区域子区域内的ULBP特征及颜色特征。

在差异性的计算过程中，分别提取目标区域内子块与周围区域内子块在ULBP和颜色特征，颜色特征为：RGB三通道的每个通道的值之间的比值，RGB三个通道每两个通道之间的值的差值，HSV通道的三个通道的值，R通道的值，总共加起来组成一个10维的特征向量。

S303、计算周围区域子区域与目标区域子块的相似性。

具体地，计算公式如公式(11)所示；

公式中，simb_j为目标区域与周围第j个子区域之间的相似性，N为特征的维数，在计算纹理特征的相似性时，N的值的大小为59，在计算颜色特征的相似性的时候N的值为10。最终的距离由公式(12)求得。

SimB_j＝ω_csimb_j，c+ω_Lsimb_j，L (12)

公式中，ω_c和ω_L分别为颜色和U-LBP的权重，simb_j，c和simb_j，L分别为用公式(11)求得的相似度。

如果目标区域内的子块与一半以上的周围区域内的子块的相似性都很大，则我们认为该目标区域不是烟雾区域，而是类烟雾目标区域。

实施例五

如图10所示，本发明优选实施例提供的一种检验颜色特征以及运动特征是否满足烟雾的特性的方法包括以下步骤：

S501、提取目标区域内颜色特征。

作为一种优选方案，可以提取目标区域内的红-绿及蓝-黄对比色作为颜色特征。红-绿和蓝-黄两个对比色是衡量物体颜色的两个特征。他们的计算方法如下：

其中RG代表红-绿对比色，BY代表蓝-黄对比色，r，g，b分别为某像素点R通道，G通道和B通道的像素值，min(r，g，b)为三个值当中的最小值，max(r，g，b)为三个值当中的最大值。

由于烟雾的颜色一般表现为深灰色或者淡灰色，所以r，g的值以及b，min(r，g)的值相差不会太大，所以红-绿对比色和蓝-黄对比色都是很小的值在本实施例中RG的值小于0.13以及BY的值小于0.2，则认为该子块满足颜色特性，在实际运用中可以根据不同的场景设定不同的阈值。在判定候选区域是否为烟雾时，同时考虑整个候选区域内的所有子块，当满足颜色特征的子块的数目大于总的子块数的70％时，则认为该候选区域满足烟雾的颜色特征，需要进一步检测该区域的运动特征；如果该候选区域满足颜色特性的子块的数量小于总子块数的70％则认为该子块不是烟雾块。

S502、利用基于块匹配的光流提取运动区域的运动速度和方向作为目标区域的运动特征。

光流通过寻找前后两帧的匹配项来确定物体的运动速度和运动方向，基于块的光流把视频分成相同大小的子块，通过前后帧块的匹配来确定该子块的运动速度与方向。

(1)假设Vel_x，Vel_y为记录当前图像水平方向和垂直方向运动分量的图像，则我们用下式计算每个子块的运动方向和运动速度。

其中θ表示运动的方向，γ表示运动的速度。

(2)我们通过下面的方式把所有的运动方向量化成4个方向

(i).θ∈(330°，330°]or(0，330°]，θ＝1；

(ii).θ∈(30°，150°]，θ＝2；

(iii).θ∈(150°，210°]，θ＝3；

(iv).θ∈(210°，330°]，θ＝4；

S503、检验提取的颜色特征以及运动特征是否满足烟雾的特性

我们假设场景中没有很大的风，烟雾的运动方向和速度受风的影响较小。当判定某候选的烟雾区域是否满足烟雾的运动特性时，由于烟雾的运动方向收到热能的控制一般热的气流的运动方向都为上，所以我们认为候选的烟雾块中应该大部分的子块的运动方向都是编码为2的方向。在实际的实验中，当整个候选区域内θ＝2的子块的数量超过一定数量或者整个候选区域内所有的子块的θ的值是所有值的混合，则我们认为该候选区域满足运动方向的限制。γ则被用来限制烟雾的运动方向，在实验中所有子块的γ值被加权求平均，作为整个候选区域的运动幅值，当γ小于某个阈值的时候则认为该区域满足烟雾的运动速度特性。

实施例六

如图11所示，本发明优选实施例提供的一种烟雾检测装置包括：

目标区域检测模块10，用于对输入的视频图像进行目标区域检测，得到目标区域。

优选地，目标区域检测模块10具体用于：运用滤波器对输入的视频图像进行平滑滤波；通过背景帧与当前帧的差分得到前景区域；对前景区域进行消除噪声区域，得到目标区域。

内部相似性计算模块20，用于计算目标区域内部相似性。

优选地，内部相似性计算模块20进一步包括

子块选取单元201，用于在目标区域内随机选取子块；

ULBP特征提取单元202，用于ULBP特征提取每个子块的ULBP特征；

分类单元203，用于利用Adaboost分类器对ULBP特征进行分类，得到内部相似性。

优选地，ULBP特征提取单元202具体用于：计算子块内每个像素的3x3领域构成的LBP的模式；统计整个随机子块内部所有像素点的模式的直方图。

分类单元203具体用于按以下公式计算：

其中，sim表示内部相似性，K表示子块数量，x_k表示第k个子块U-LBP特征，W_k为第k个随机块的权重，H(x_k)为Adaboost分类器对输入特征x_k得到的分类结果。

周围区域差异性计算模块30，用于计算目标区域与周围区域差异性。

优选地，周围区域差异性计算30模块进一步包括：

子区域单元301，将目标区域周围划分成若干个子区域；

ULBP及颜色特征提取单元302，用于提取周围区域子区域内的ULBP特征及颜色特征；

计算单元303，用于计算周围区域子区域与目标区域子块的相似性。

其中，计算单元具体用于按以下公式计算：

SimB_j＝ω_csimb_j，c+ω_Lsimb_j，L

其中，ω_c和ω_L分别为颜色和ULBP的权重，simb_j，c和simb_j，L分别按以下公式计算：

其中，simb_j为目标区域与周围第j个子区域之间的相似性，N为特征的维数。

判决模块40，用于根据内部相似性和与周围区域差异性判决目标区域是否为烟雾。

当目标区域内部相似性大于预设的第一阈值时，且目标区域与周围区域差异性大于预设的第二阈值时，则判断该目标区域为烟雾区域。

作为本发明实施例的另一种优选方案，该装置还包括验证模块，用于根据目标区域的颜色特征以及运动特征验证是否是烟雾区域区。

进一步地，验证模块具体用于：提取目标区域内的颜色特征；利用基于块匹配的光流提取目标区域内所有子块的运动速度和方向作为运动特征；检验提取的颜色特征以及运动特征是否满足烟雾的特性。

需要说明的是，上述方法实施例中的技术特征在本装置均对应适用，这里不再重述。

本发明实施例的烟雾检测方法和装置，通过对目标区域内的子块特征进行分类，还同时考虑目标区域与周围背景区域的差异性得到最终的判定结果，从而能有效地区分烟雾目标与类烟雾目标。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来控制相关的硬件完成，所述的程序可以在存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (8)

1.一种烟雾检测方法，其特征在于，该方法包括：

对输入的视频图像进行目标区域检测，得到目标区域；

计算所述目标区域内部相似性，包括：在目标区域内随机选取子块；提取每个子块的ULBP特征；利用Adaboost分类器对ULBP特征进行分类，得到内部相似性；

计算所述目标区域与周围区域差异性；

根据所述内部相似性和与周围区域差异性判决所述目标区域是否为烟雾。

2.根据权利要求1所述的烟雾检测方法，其特征在于，所述利用Adaboost分类器对ULBP特征进行分类按以下公式计算：

$sim=\frac{{\mathrm{\Σ}}_{k=1}^K{W}_k\×H\left(x_k\right)}{{\mathrm{\Σ}}_{k=1}^K{W}_k}$

其中，sim表示内部相似性，K表示子块数量，x_k表示第k个子块U-LBP特征，W_k为第k个随机块的权重，H(x_k)为Adaboost分类器对输入特征x_k得到的分类结果。

3.根据权利要求1所述的烟雾检测方法，其特征在于，计算所述目标区域与周围区域的周围差异性进一步包括：

将目标区域周围划分成若干个子区域；

提取周围区域子区域内的ULBP特征及颜色特征；

计算周围区域子区域与目标区域子块的相似性。

4.根据权利要求1所述的烟雾检测方法，其特征在于，根据所述内部相似性和与周围区域差异性判决所述目标区域是否为烟雾包括：

当目标区域内部相似性大于预设的第一阈值时，且目标区域与周围区域差异性大于预设的第二阈值时，则判断该目标区域为烟雾区域。

5.根据权利要求1所述的烟雾检测方法，其特征在于，所述方法之后还包括根据目标区域的颜色特征以及运动特征验证是否是烟雾区域，进一步包括：

提取目标区域内的颜色特征；

利用基于块匹配的光流提取目标区域内所有子块的运动速度和方向作为运动特征；

检验提取的颜色特征以及运动特征是否满足烟雾的特性。

6.一种烟雾检测装置，其特征在于，该装置包括：

目标区域检测模块，用于对输入的视频图像进行目标区域检测，得到目标区域；

内部相似性计算模块，用于计算所述目标区域内部相似性；其包括：子块选取单元，用于在目标区域内随机选取子块；ULBP特征提取单元，用于提取每个子块的ULBP特征；分类单元，用于利用Adaboost分类器对ULBP特征进行分类，得到内部相似性；

周围区域差异性计算模块，用于计算所述目标区域与周围区域差异性；

判决模块，用于根据所述内部相似性和与周围区域差异性判决所述目标区域是否为烟雾。

7.根据权利要求6所述的烟雾检测装置，其特征在于，周围区域差异性计算模块进一步包括：

子区域单元，将目标区域周围划分成若干个子区域；

ULBP及颜色特征提取单元，用于提取周围区域子区域内的ULBP特征及颜色特征；

计算单元，用于计算周围区域子区域与目标区域子块的相似性。

8.根据权利要求6所述的烟雾检测装置，其特征在于，该装置还包括根据目标区域的颜色特征以及运动特征验证是否是烟雾区域的验证模块，所述验证模块具体用于：提取目标区域内的颜色特征；利用基于块匹配的光流提取目标区域内所有子块的运动速度和方向作为运动特征；检验提取的颜色特征以及运动特征是否满足烟雾的特性。