CN104050480A - 基于计算机视觉的吸烟烟雾检测方法 - Google Patents

Abstract

本发明公开了一种基于计算机视觉的吸烟烟雾检测方法，其中包括两个阶段：生成分类器阶段和吸烟烟雾检测阶段，生成分类器阶段包括接受样本视频信息，利用多通道背景差分提取疑似吸烟烟雾区域，提取疑似区域的运动特征，利用所提取运动特征组合成特征向量训练支持向量机；吸烟烟雾检测阶段包括，接收待检测视频信息，利用生成分类器阶段相同的方法提取疑似吸烟烟雾区域的动态特征并组合成特征向量输入分类器，判断疑似区域是否为吸烟烟雾。本发明能够实现简单场景中大范围的吸烟烟雾检测，有助于公共场所内的控烟工作。

Description

基于计算机视觉的吸烟烟雾检测方法

技术领域

本发明涉及图像处理及视频监控，尤其涉及一种烟雾检测方法。

背景技术

众所周知，吸烟是一种不良习惯，严重危害身体健康，而对于烟民来说吸烟已经成为日常生活中一种习惯。目前，吸烟的危害已经逐步被大众所熟知，在公共场所都禁止吸烟。可是，在公共场所虽然都有禁烟提示标牌，但主要仍以烟民个人控制力或监管人员监督提示才能禁烟。对于人工监管控烟需要投入大量人力，而公共场合复杂的环境无法保证监管人员准确及时发现其他人的抽烟行为，这也暴露出在公共场所依然缺少高效便捷控烟手段的社会问题。

目前，利用计算机视觉实现的烟雾检测系统均是针对火灾烟雾而研发的，其中烟雾检测的算法可大体分为两类：第一种，利用烟雾的静态特征，例如颜色、能量、形状；第二种，利用烟雾的动态特征，例如扩散特征、飘动方向。通过烟雾的特征值来判断火灾位置，具有高效、安全、便捷等优点。但是，相比于火灾产生的烟雾，吸烟烟雾浓度低、范围小，因此在应用烟雾特征进行检测的过程中与火灾烟雾有所区别，也因此，在现有技术中，还没有应用计算机视觉进行吸烟烟雾检测的设备和方法。

发明内容

本发明的目的是提出一种基于计算机视觉的吸烟烟雾检测方法，通过监控系统采集检测视频，再对视频进行分析处理得出判断，能够在室内环境下实现对吸烟行为的检测并确认吸烟者。

为实现上述目的，采用了以下技术方案：

本发明所述检测方法包括训练生成分类器阶段和吸烟烟雾检测阶段；

(1)训练生成分类器阶段，包括如下步骤，

a、接收样本视频。

b、对样本视频进行分析，对每一帧图像进行疑似烟雾区域标记，生成疑似烟雾区域二值图像；以样本视频第一帧图像为图像背景，将t帧图像与背景图像由RGB彩色空间转化到HSV彩色空间；对于t帧图像中的每一像素点与t帧的背景图像的像素点在H、S、V三通道内分别相减，将差值与烟雾检测阈值范围进行比较，若差值在阈值范围内，则设定该像素点为疑似烟雾区域，在二值图像内将该像素点标记为1，若差值不在阈值范围内，则在二值图像内将该像素点标记为0。

c、提取疑似烟雾区域的动态特征，所述动态特征包括烟雾区域的面积变化和烟雾区域质心的运动轨迹；计算样本视频中每一帧内疑似烟雾区域的面积；计算描述疑似烟雾区域面积变化的特征值，所述特征值包括最大值、均值、方差和时间；标记样本视频中每一帧内疑似烟雾区域的质心；计算描述烟雾疑似区域质心运动轨迹的特征值，综合动态特征得到特征向量。

d、生成分类器，先对样本视频中的疑似烟雾区域提取运动特征和标记类别属性，再将所有疑似烟雾区域提取的运动特征组合成运动特征向量并标记类别后，最后将所有运动特征向量和类别标记存储于分类器内。

(2)吸烟烟雾检测阶段，包括如下步骤，

a、接收待检测视频。

b、对待检测视频进行分析，对每一帧图像进行疑似烟雾区域标记，生成疑似烟雾区域二值图像；以样本视频第一帧图像为图像背景，将t帧图像与背景图像由RGB彩色空间转化到HSV彩色空间；对于t帧图像中的每一像素点与t帧的背景图像的像素点在H、S、V三通道内分别相减，将差值与烟雾检测阈值范围进行比较，若差值在阈值范围内，则设定该像素点为疑似烟雾区域，在二值图像内将该像素点标记为1，若差值不在阈值范围内，则在二值图像内将该像素点标记为0。

c、提取疑似烟雾区域的动态特征，所述动态特征包括烟雾区域的面积变化与烟雾区域质心的运动轨迹；计算样本视频中每一帧内疑似烟雾区域的面积；计算描述疑似烟雾区域面积变化的特征值，所述特征值包括最大值、均值、方差和时间；标记样本视频中每一帧内疑似烟雾区域的质心；计算描述烟雾疑似区域质心运动轨迹的特征值，综合动态特征得到特征向量。

d、对待检测视频中的疑似烟雾区域提取运动特征，将所有疑似烟雾区域提取的运动特征组合成运动特征向量后，将所有运动特征向量输入分类器中，判断疑似烟雾区域是否为吸烟行为产生的烟雾区域。

在训练生成分类器阶段和吸烟烟雾检测阶段中，在对样本视频进行分析时，对样本视频每一帧进行彩色空间转换，将背景帧与视频的当前帧图像由RGB彩色空间转化至HSV彩色空间，具体如下，

$H=\left\{\begin{array}{cc}\frac{60(G-B)}{\max -\min }& \max =R\\ \frac{120+60(B-R)}{\max -\min }& \max =G\\ \frac{240+60(R-G)}{\max -\min }& \max =B\\ H+360& H<0\end{array}\right.$

$S=\frac{\max -\min }{\max }$

$V=\frac{\max }{255}$

式中，H代表色调Hue，用角度度量，表示颜色的色彩种类，取值范围为0～360°，各颜色变化头尾相接，从红色开始按照逆时针方向计算，60°是黄色，120°是绿色，180°是青色，240°是蓝色，300°是品红色，360°回到红色；此处的黄色、绿色等颜色指的是对应于RGB彩色空间立方体模型中位于端点处的标准色，而不是人眼视觉直观感受的颜色范围。

S代表饱和度Satarution，范围为0～1，表征色彩的纯度，纯色的饱和度为1，在纯色中逐渐掺入白色则饱和度逐渐降低；

V代表颜色的明暗度Value，范围为0～1；

R代表RGB彩色空间中的红色光亮度；

G代表RGB彩色空间中的绿色光亮度；

B代表RGB彩色空间中的蓝色光亮度。

在训练生成分类器阶段和吸烟烟雾检测阶段中，将背景图像根据颜色特征进行分区；烟雾在飘动过程中由口中飘出进而扩散到周围背景区域，烟雾扩散中覆盖在背景上对背景颜色产生影响；在不同颜色的背景下，烟雾的影响度不同，检测方法不同；所述背景按颜色分为黑色背景、灰白色背景和彩色背景。

在训练生成分类器阶段和吸烟烟雾检测阶段中，对背景进行差分，标记疑似烟雾区域，对当前帧与背景图像在HSV彩色空间的H、S、V三通道内分别进行差分，对处于不同颜色区域的像素采用不同阈值进行判断是否为疑似烟雾像素；若满足阈值条件则判断像素点为疑似烟雾区域，在二值图像中标记为1，反之则标记为0。

在训练生成分类器阶段和吸烟烟雾检测阶段中，提取如下疑似烟雾区域的动态特征值，

A_max＝max(A(t))

$\stackrel{\&OverBar;}{A}=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}A\left(t\right)$

$V_a=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{[A\left(t\right)-\stackrel{\&OverBar;}{A}]}^2$

T

其中，A_max是疑似烟雾区域面积变化过程中的最大面积，是均值，V_a是方差，T是运动时间，A(t)是每一帧内疑似烟雾区域的像素个数；

为了排除微小面积变化引发的干扰，运动时间T选择变化过程中面积为最大面积A_max的20％的两个点之间的时间。综合动态特征值对分类器进行训练，利用训练得到的分类器来判断疑似烟雾区域是否符合吸烟烟雾的面积变化特点。

在训练生成分类器阶段和吸烟烟雾检测阶段中，提取疑似烟雾区域质心运动轨迹特征，以质心的运动轨迹表征烟雾区域的运动轨迹，t时刻疑似烟雾区域质心的坐标为(x(t),y(t))，记录每一帧烟雾区域质心在图像内的位置；计算时间T内质心的运动的距离；将相邻质心之间线段用极坐标表示，按照方向角的范围将质心运动分为8个方向，计算质心在8个方向上的累计运动距离，对累积运动距离直方图进行均衡化后，得到质心运动轨迹的特征向量。

工作过程大致如下：

训练分类器阶段的过程为：对样本视频进行分析，对每一帧图像进行疑似烟雾区域标记，生成疑似烟雾区域二值图像，提取疑似烟雾区域的动态特征，其中包括烟雾区域的面积变化与烟雾区域质心的运动轨迹，对样本视频中的疑似烟雾区域提取运动特征和标记类别属性后，将所有疑似烟雾区域提取的运动特征组合成运动特征向量并标记类别后，将所有运动特征向量和类别标记存储于分类器内。检测吸烟烟雾阶段的过程为：通过监控系统的摄像头采集监控视频，对待检测视频进行分析，对每一帧图像进行疑似烟雾区域标记，生成疑似烟雾区域二值图像，提取疑似烟雾区域的动态特征，其中包括烟雾区域的面积变化与烟雾区域质心的运动轨迹，对待检测视频中的疑似烟雾区域提取运动特征，将所有疑似烟雾区域提取的运动特征组合成运动特征向量后，将所有运动特征向量输入分类器中，判断疑似烟雾区域是否为吸烟行为产生的烟雾区域。

与现有技术相比，本发明具有如下优点：

1、通过监控设备采集视频图样，只需对图样的分析处理便可判断出烟雾区域是否有人吸烟；

2、可远程监控，并能锁定烟雾区域的具体位置，避免管理人员盲目地监控吸烟行为，使管理人员可以有目的地对抽烟行为进行劝阻，方便管理人员管理；

3、广泛应用于公共场所的禁烟工作，提高管理人员的工作效率和管理精度。

附图说明

图1是本发明中训练生成分类器阶段的流程图。

图2是本发明中吸烟烟雾检测阶段的流程图。

图3a是本发明方法在黑色背景下的一种吸烟烟雾图像。

图3b是本发明方法对于图3a涉及的烟雾图像的吸烟烟雾检测结果。

图4a是本发明方法在白色背景下的吸烟烟雾图像。

图4b是本发明方法对于图4a涉及的烟雾图像的吸烟烟雾检测结果。

图5a是本发明方法在彩色背景下的吸烟烟雾图像。

图5b是本发明方法对于图5a涉及的烟雾图像的吸烟烟雾检测结果。

具体实施方式

下面结合附图对本发明做进一步说明：

如图1、2所示的本发明两个阶段的流程图中，本发明主要所述检测方法包括训练生成分类器阶段和吸烟烟雾检测阶段；

训练生成分类器阶段的大致过程为：接收样本视频信息，通过样本视频得到若干作为样本的运动区域，提取这些训练样本的特征，并人工标记这些训练样本的属性(是否为吸烟产生的烟雾区域)，然后通过分类器训练算法将所有运动区域提取运动特征组合成运动特征向量并标记类别，并将其存储于分类器。

训练生成分类器阶段的具体步骤如下：

a、接收样本视频。

b、对样本视频进行分析，对每一帧图像进行疑似烟雾区域标记，生成疑似烟雾区域二值图像；本发明中获得疑似烟雾区域的方法为背景差分法，即通过当前图像与估计的背景相减，差值与吸烟烟雾差值范围相比较以判断像素点是否为疑似烟雾像素点；将背景帧与视频的当前帧图像由RGB彩色空间转化至HSV彩色空间，转化关系为

$H=\left\{\begin{array}{cc}\frac{60(G-B)}{\max -\min }& \max =R\\ \frac{120+60(B-R)}{\max -\min }& \max =G\\ \frac{240+60(R-G)}{\max -\min }& \max =B\\ H+360& H<0\end{array}\right.$

$S=\frac{\max -\min }{\max }$

$V=\frac{\max }{255}$

式中，H代表色调Hue，用角度度量，表示颜色的色彩种类，取值范围为0～360°，各颜色变化头尾相接，从红色开始按照逆时针方向计算，60°是黄色，120°是绿色，180°是青色，240°是蓝色，300°是品红色，360°回到红色；此处的黄色、绿色等颜色指的是对应于RGB彩色空间立方体模型中位于端点处的标准色，而不是人眼视觉直观感受的颜色范围；

S代表饱和度Satarution，范围为0～1，表征色彩的纯度，纯色的饱和度为1，在纯色中逐渐掺入白色则饱和度逐渐降低；

V代表颜色的明暗度Value，范围为0～1；

R代表RGB彩色空间中的红色光亮度；

G代表RGB彩色空间中的绿色光亮度；

B代表RGB彩色空间中的蓝色光亮度。

将背景图像根据颜色特征进行分区；烟雾在飘动过程中由口中飘出进而扩散到周围背景区域，烟雾扩散中覆盖在背景上对背景颜色产生影响；在不同颜色的背景下，烟雾的影响度不同，检测方法不同；所述背景按颜色分为黑色背景、灰白色背景和彩色背景。背景的划分公式：

黑色背景：V<0.2

彩色背景： $\left\{\begin{array}{c}V\&GreaterEqual;0.2\\ S\&GreaterEqual;0.2\end{array}\right.$

灰白色背景： $\left\{\begin{array}{c}V\&GreaterEqual;0.2\\ S<0.2\end{array}\right.$

对背景进行差分，标记疑似烟雾区域，对当前帧与背景图像在HSV彩色空间的H、S、V三通道内分别进行差分，对处于不同颜色区域的像素采用不同阈值进行判断是否为疑似烟雾像素；若满足阈值条件则判断像素点为疑似烟雾区域，在二值图像中标记为1，反之则标记为0。在黑色背景下，灰白色的烟雾会明显提升背景像素的亮度，只需对像素的V的变化进行判断即可提取疑似烟雾区域，即：V_t(x,y)-V_b(x,y)≥γ₁。

在灰白色背景下，烟雾在保持背景像素低饱和度的同时，会提升像素的亮

即： $\left\{\begin{array}{c}{V}_t(x,y)-V_b(x,y)\&GreaterEqual;{\mathrm{\&gamma;}}_2\\ S_t(x,y)<0.2\end{array}\right.$

在彩色背景下，吸烟产生的少量的半透明烟雾无法完全覆盖背景的颜色，而是表现出烟雾特有的一种半透明的视觉效果。在HSV彩色空间内，烟雾的半透明特点使得前景色调相似于背景的色调，而灰白色的烟雾会降低背景颜色的纯度，使得饱和度降低，背景像素的值增加。综合上述在HSV色彩空间上烟雾的特性分析，本发明通过公式来检测并提取烟雾疑似区域：

$\left\{\begin{array}{c}|H_t(x,y)-H_b(x,y)|\&le;\mathrm{\&alpha;}\\ S_b(x,y)-S_t(x,y)\&GreaterEqual;\mathrm{\&beta;}\\ V_t(x,y)-V_b(x,y)\&GreaterEqual;{\mathrm{\&gamma;}}_3\end{array}\right.$

其中，H_t(x,y)表示在时刻t时，前景图像中位于(x,y)点时的像素色调值，H_b(x,y)为背景图像位于(x,y)点时的像素色调值，同样S_t(x,y)和S_b(x,y)所代表的是前景和背景图像中对应像素点的饱和度值。而V_t(x,y)和V_b(x,y)则各自代表前景与背景图像中对应点的亮度值。α、β、γ₁、γ₂、γ₃则分别是检测的阈值。若满足上述不等式关系，则判断(x,y)点为疑似烟雾区域，在二值图像中标记为1，反之则标记为0。

对疑似烟雾区域进行形态学处理，去除孤立噪声点。

第一步，利用大小为3×3的矩形结构元素p进行腐蚀操作，去除二值图像中的微小孤立噪声点；

第二步，利用大小为10×10的矩形结构元素q进行闭运算，填充二值图像中疑似烟雾区域的空洞；

第三步，利用结构元素p进行膨胀操作，消除第一步腐蚀操作对二值图像内疑似烟雾区域面积带来的影响。

c、提取疑似烟雾区域的动态特征：吸烟产生的烟雾由口中出现，在烟雾区域运动的同时烟雾区域自身也在不断发生变化，烟雾区域面积逐渐扩大，烟雾浓度逐渐降低，半透明性所表现出对背景的遮盖能力逐渐减弱，最终浓度降低至视觉上无法分辨，即烟雾消散。本发明选取烟雾的面积变化与烟雾区域的质心轨迹作为特征对烟雾区域的运动进行描述。

记录每一帧图像内疑似烟雾区域的面积，提取特征对面积变化的过程进行描述。提取如下疑似烟雾区域的动态特征值作为判据，

A_max＝max(A(t))

$\stackrel{\&OverBar;}{A}=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}A\left(t\right)$

$V_a=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{[A\left(t\right)-\stackrel{\&OverBar;}{A}]}^2$

T

其中，A_max是疑似烟雾区域面积变化过程中的最大面积，是均值，V_a是方差，T是运动时间，A(t)是每一帧内疑似烟雾区域的像素个数；

为了排除微小面积变化引发的干扰，运动时间T选择变化过程中面积为最大面积A_max的20％的两个点之间的时间。综合动态特征值对分类器进行训练，利用训练得到的分类器来判断疑似烟雾区域是否符合吸烟烟雾的面积变化特点。

记录每一帧烟雾区域质心在图像内的位置，提取特征对质心轨迹进行描述。时间T内，质心运动的距离为：

$D=\underset{t=1}{\overset{T-1}{\mathrm{\&Sigma;}}}{(x(t+1)-x\left(t\right))}^2+{(y+(t+1)-y\left(t\right))}^2$

将相邻质心之间线段用极坐标表示，则t时刻与t+1时刻质心之间线段坐标为(d(t),θ(t))，其中线段的长度为：

$d\left(t\right)=\sqrt{{(x(t+1)-x\left(t\right))}^2+{(y(t+1)-y\left(t\right))}^2}$

线段与水平线的顺时针夹角：

$\mathrm{\&theta;}\left(t\right)=\left\{\begin{array}{c}{\cos }^{-1}\frac{x(t+1)-x\left(t\right)}{d\left(t\right)},y(t+1)-y\left(t\right)\&GreaterEqual;0\\ \mathrm{\&pi;}+{\cos }^{-1}\frac{x(t+1)-x\left(t\right)}{d\left(t\right)},y(t+1)-y\left(t\right)<0\\ 0,d\left(t\right)=0\end{array}\right.$

将质心的运动方向按θ(t)的范围分为八个方向进行编码。方向i上的累积运动距离D_i为当时d(t)累加之和。对各方向的累积运动距离进行直方图均衡化后方向i上的累计运动距离

得到反映烟雾区域质心运动的特征向量[D′₁,D′₂,D′₃,D′₄,D′₅,D′₆,D′₇,D′₈]。

d、生成分类器，通过对疑似烟雾区域进行特征提取得到特征向量。训练分类器之前，对提取的疑似烟雾区域的特征向量进行归一化，

利用最大最小值法：

${\hat{x}}_i=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}$

式中：x_max和x_min分别为特征向量中的最大值和最小值。x_i是原特征值，是归一化后的特征值。经过归一化后，数据结果在分布[0,1]的范围之内，可以有效减少后续计算量。结合疑似区域面积变化与运动轨迹特征，得到特征向量[A_max,T,V_a,D′₁,D′₂,D′₃,D′₄,D′₅,D′₆,D′₇,D′₈]。

对样本视频的特征向量进行标记，利用支持向量机(Support vector machine,SVM)对样本进行训练得到分类器C。

至此，训练模块全部完成，得到了SVM分类器C

(2)吸烟烟雾检测阶段，包括如下步骤，

由训练模块得到分类器后，接受待检测的视频，可检测视频场景中是否有吸烟行为发生，具体检测方法如下：

a、接收待检测视频；

b、对待检测视频进行分析，对每一帧图像进行疑似烟雾区域标记，生成疑似烟雾区域二值图像；首先，以待检测视频第一帧为背景图像，将当前帧与背景帧由RGB彩色空间转化为HSV彩色空间；然后，通过像素的颜色特征将背景分为不同的区域；将当前帧与背景帧在H、S、V三通道内分别进行差分，根据不同背景区域设置不同的阈值，若背景帧像素与当前帧像素的差值满足阈值则判定为疑似烟雾区域；对疑似烟雾区域进行形态学操作，去除孤立噪声点；具体的方法与训练生成分类器阶段中相关方法类似，此处不再赘述。

c、提取疑似烟雾区域的动态特征，所述动态特征包括烟雾区域的面积变化与烟雾区域质心的运动轨迹；

提取疑似烟雾区域面积变化特征。计算待检测视频中每一帧内疑似烟雾区域的面积，计算描述疑似烟雾区域面积变化的特征值：最大值、均值、方差、时间；具体的方法与训练生成分类器阶段中相关方法类似，此处不再赘述。

提取疑似烟雾区域的质心轨迹特征。记录每一帧烟雾区域质心在图像内的位置；计算时间T内质心的运动的距离；将相邻质心之间线段用极坐标表示，按照方向角的范围将质心运动分为8个方向，计算质心在8个方向上的累积运动距离，对累积运动距离直方图进行均衡化后，得到特征向量；具体的方法与训练生成分类器阶段中的相关方法类似，此处不再赘述。

d、对待检测视频中的疑似烟雾区域提取运动特征，将所有疑似烟雾区域提取的运动特征组合成运动特征向量后，将所有运动特征向量输入分类器中，利用训练得到分类器C进行分类。

通过对疑似烟雾区域进行特征提取得到特征向量。训练分类器之前，对提取的疑似烟雾区域的特征向量进行归一化，利用最大最小值对特征向量进行归一化，具体的方法与训练生成分类器阶段中的相关方法类似，此处不再赘述。

将归一化后的特征向量[A_max,T,V_a,D′₁,D′₂,D′₃,D′₄,D′₅,D′₆,D′₇,D′₈]输入分类器C，判断待测视频中是否由吸烟行为发生。

若分类器判定视频中发生吸烟行为，则发出警报。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程图变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于计算机视觉的吸烟烟雾检测方法，其特征在于：所述检测方法包括训练生成分类器阶段和吸烟烟雾检测阶段；

(1)训练生成分类器阶段，包括如下步骤，

a、接收样本视频；

b、对样本视频进行分析，对每一帧图像进行疑似烟雾区域标记，生成疑似烟雾区域二值图像；

c、提取疑似烟雾区域的动态特征，所述动态特征包括烟雾区域的面积变化和烟雾区域质心的运动轨迹；

d、生成分类器，先对样本视频中的疑似烟雾区域提取运动特征和标记类别属性，再将所有疑似烟雾区域提取的运动特征组合成运动特征向量并标记类别后，最后将所有运动特征向量和类别标记存储于分类器内；

(2)吸烟烟雾检测阶段，包括如下步骤，

a、接收待检测视频；

b、对待检测视频进行分析，对每一帧图像进行疑似烟雾区域标记，生成疑似烟雾区域二值图像；

c、提取疑似烟雾区域的动态特征，所述动态特征包括烟雾区域的面积变化与烟雾区域质心的运动轨迹；

d、对待检测视频中的疑似烟雾区域提取运动特征，将所有疑似烟雾区域提取的运动特征组合成运动特征向量后，将所有运动特征向量输入分类器中，判断疑似烟雾区域是否为吸烟行为产生的烟雾区域。

2.根据权利要求1所述的基于计算机视觉的吸烟烟雾检测方法，其特征在于，在训练生成分类器阶段和吸烟烟雾检测阶段中，在对样本视频进行分析和对待检测视频进行分析时，均采用如下方法：

对每一帧图像进行疑似烟雾区域标记，生成疑似烟雾区域二值图像；

以样本视频第一帧图像为图像背景，将t帧图像与背景图像由RGB彩色空间内转化到HSV彩色空间内；

对于t帧图像中的每一像素点与t帧的背景图像的像素点在H、S、V三通道内分别相减，将差值与烟雾检测阈值范围进行比较，若差值在阈值范围内，则设定该像素点为疑似烟雾区域，在二值图像内将该像素点标记为1，若差值不在阈值范围内，则在二值图像内将该像素点标记为0。

3.根据权利要求1所述的基于计算机视觉的吸烟烟雾检测方法，其特征在于，在训练生成分类器阶段和吸烟烟雾检测阶段中，在提取疑似烟雾区域动态特征时，均采用如下方法：

计算样本视频中每一帧内疑似烟雾区域的面积；

计算描述疑似烟雾区域面积变化的特征值，所述特征值包括最大值、均值、方差和时间；

标记样本视频中每一帧内疑似烟雾区域的质心；

计算描述烟雾疑似区域质心运动轨迹的特征值，综合动态特征得到特征向量。

4.根据权利要求1和2所述的基于计算机视觉的吸烟烟雾检测方法，其特征在于：在训练生成分类器阶段和吸烟烟雾检测阶段中，在对样本视频进行分析时，对样本视频每一帧进行彩色空间转换，将背景帧与视频的当前帧图像由RGB彩色空间转化至HSV彩色空间，具体如下，

$H=\left\{\begin{array}{cc}\frac{60(G-B)}{\max -\min }& \max =R\\ \frac{120+60(B-R)}{\max -\min }& \max =G\\ \frac{240+60(R-G)}{\max -\min }& \max =B\\ H+360& H<0\end{array}\right.$

$S=\frac{\max -\min }{\max }$

$V=\frac{\max }{255}$

式中，H代表色调Hue，用角度度量，表示颜色的色彩种类，取值范围为0～360°，各颜色变化头尾相接，从红色开始按照逆时针方向计算，60°是黄色，120°是绿色，180°是青色，240°是蓝色，300°是品红色，360°回到红色；

S代表饱和度Satarution，范围为0～1，表征色彩的纯度，纯色的饱和度为1，在纯色中逐渐掺入白色则饱和度逐渐降低；

V代表颜色的明暗度Value，范围为0～1；

R代表RGB彩色空间中的红色光亮度；

G代表RGB彩色空间中的绿色光亮度；

B代表RGB彩色空间中的蓝色光亮度。

5.根据权利要求1和2所述的基于计算机视觉的吸烟烟雾检测方法，其特征在于：在训练生成分类器阶段和吸烟烟雾检测阶段中，将背景图像根据颜色特征进行分区；烟雾在飘动过程中由口中飘出进而扩散到周围背景区域，烟雾扩散中覆盖在背景上对背景颜色产生影响；在不同颜色的背景下，烟雾的影响度不同，检测方法不同；所述背景按颜色分为黑色背景、灰白色背景和彩色背景。

6.根据权利要求1和2所述的基于计算机视觉的吸烟烟雾检测方法，其特征在于：在训练生成分类器阶段和吸烟烟雾检测阶段中，对背景进行差分，标记疑似烟雾区域，对当前帧与背景图像在HSV彩色空间的H、S、V三通道内分别进行差分，对处于不同颜色区域的像素采用不同阈值进行判断是否为疑似烟雾像素；若满足阈值条件则判断像素点为疑似烟雾区域，在二值图像中标记为1，反之则标记为0。

7.根据权利要求1和2所述的基于计算机视觉的吸烟烟雾检测方法，其特征在于：在训练生成分类器阶段和吸烟烟雾检测阶段中，提取如下疑似烟雾区域的动态特征值，

A_max＝max(A(t))

$\stackrel{\&OverBar;}{A}=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}A\left(t\right)$

$V_a=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{[A\left(t\right)-\stackrel{\&OverBar;}{A}]}^2$

T

其中，A_max是疑似烟雾区域面积变化过程中的最大面积，是均值，V_a是方差，T是运动时间，A(t)是每一帧内疑似烟雾区域的像素个数；

为了排除微小面积变化引发的干扰，运动时间T选择变化过程中面积为最大面积A_max的20％的两个点之间的时间；综合动态特征值对分类器进行训练，利用训练得到的分类器来判断疑似烟雾区域是否符合吸烟烟雾的面积变化特点。

8.根据权利要求1和2所述的基于计算机视觉的吸烟烟雾检测方法，其特征在于：在训练生成分类器阶段和吸烟烟雾检测阶段中，提取疑似烟雾区域质心运动轨迹特征，以质心的运动轨迹表征烟雾区域的运动轨迹，t时刻疑似烟雾区域质心的坐标为(x(t),y(t))，记录每一帧烟雾区域质心在图像内的位置；计算时间T内质心的运动的距离；将相邻质心之间线段用极坐标表示，按照方向角的范围将质心运动分为8个方向，计算质心在8个方向上的累计运动距离，对累积运动距离直方图进行均衡化后，得到质心运动轨迹的特征向量。