CN104616034B

CN104616034B - 一种烟雾检测方法

Info

Publication number: CN104616034B
Application number: CN201510081287.XA
Authority: CN
Inventors: 李瑞瑞
Original assignee: Beijing University of Chemical Technology
Current assignee: Beijing University of Chemical Technology
Priority date: 2015-02-15
Filing date: 2015-02-15
Publication date: 2018-05-29
Anticipated expiration: 2035-02-15
Also published as: CN104616034A

Abstract

本发明公开了一种烟雾检测方法，该方法包括：步骤1，把原始图像分割成1/2重叠的ROI；步骤2，将ROI进行分块；步骤3，获取小块的LGBP映射图；步骤4，提取映射图的LBP特征，得到直方图序列LGBPHS；步骤5，使用AdaBoost算法训练LGBPHS特征，得到级联强分类器；步骤6，使用级联强分类器进行烟雾检测。本发明的有益效果：对ROI划分成1/2重叠小块，再对小块抽取LGBPHS特征，可以避免遗漏大面积烟雾，能更全面的提取ROI的图像细节信息，能有效防止信息泄露，防止漏检发生，提高检测率；提取烟雾LGBPHS特征，充分描述烟雾的纹理特征；针对大量冗余LGBPHS特征，采用AdaBoost算法提取出重要特征，形成强分类器，通过更新负样本，迭代AdaBoost算法，级联多个强分类器，形成最终烟雾检测分类器。

Description

一种烟雾检测方法

技术领域

本发明涉及火灾探测技术领域，具体而言，涉及一种烟雾检测方法。

背景技术

在火灾探测技术领域中，传统的火灾探测技术主要以感光、感温、感烟、感可燃气体为主，但是这些探测器只能检特定的烟雾征并且只能检测特定的烟雾，存在一定的固有缺陷：实时性差，抗干扰能力弱，检测设备价格昂贵，在实际的使用中具有一定局限性。实时智能视频烟雾检测具有克服上述缺点的潜在能力和优势，因为在火灾发生的早期，烟雾是最先出现。另一方面，随着智慧城市的建设步伐加快，电子摄像监控备日益普及，很容易获得高清视频监控数据。如何通过视频图像处理的方法，快速、准确地识别出烟雾，对于提高火灾情报的预精度、缩短预报时间，减少财产损失和保障人的生命安全是至关重要的。因此，国内外研究学者致力于视频烟雾检测的研究中。

基于视频的烟雾检测存在许多困难问题，其中包括烟雾的误检率比较高，这一问题是全世界科研人员一直在想办法解决的问题，而寻找合适特征描述子来表达烟雾特征是解决这一问题的有效方法。早期，许多研究工作使用不同的颜色模型，并利运动扩散性来检测烟雾，但是当有带颜色的运动物体出现在视频里的时候，这些方法会出现误检。Liu和Ahuja提出了烟雾检测的光学、时间提出了烟雾检测的光学、时间提出了烟雾检测的光学、时间的模型，他们利用频率特性，采傅里叶描述符来来描述烟雾形状，该方法对于噪音很敏感。在时域方法中，Turgay Celik等人提出自适应背景模型方法，该方法难于处理包含闪烁的火苗视频帧。非时域的方法虽然可以检测静态的帧，但是完全没有利用帧的连续性。Toreyin综合使用运动、抖动、模糊和颜色特征，并提出利用边缘凸状性来进行烟雾检测，但当场景中的信息比较少时，容易产生误检。袁飞牛提出了累计运动方向模型的方法，该方法利用烟雾运动方向大致朝上的特点不能检测向其他方向飘散的烟雾。Yu Chunyu等人利用烟雾颜色的特征确定候选区域，并利用光流法提取烟雾的运动方向，但是光流法计算开销较大。近年来，烟雾检测最多使用的是纹理特征和分类辨别的方法：Gubbi先把图像分成32X32的块，再分别利用离散余弦变换和小波变换抽取纹理特征，再用最近邻域分类算法和支持向量机SVM判断块中是否存在烟雾，遗憾的是，该方法中小波的计算性能比较慢。Ferrari对雾气图像进行双树复小波变换，构造隐马尔可夫树模型来表达烟雾纹理，采用SVM来检测烟雾，但是这种方法没有采用分块，其误检率较高。Chen-Yu Lee等人根据烟雾的时空特性提取出3个重要的特征，分别为模糊边界、运动变化以及颜色亮度，他们将3个特征结合起来使用SVM作为烟雾检测的分类器。Byoung Chul Ko等人利用亮度映射剔除非烟雾像素，再使用小波系数建立时间火灾模型，使用SVM作为火灾探测分类器。袁飞牛利用LBP(LocalBinary Pattern)和LBPV(Local Binary Pattern Variance)抽取烟雾特征，并计算其直方图，最后使用神经网络作为烟雾探测的分类器，由于使用了计算复杂度高的尺度不变的特征，因此降低了检测的性能。可以看出，到目前为止，在背景复杂的视频中实时检测任意形状、杂乱无章的烟雾仍然是一个难点。

研究发现，LBP算法可以快速提取图像边缘、角点等局部微小特征，具有很强的实用性，但是LBP算法只能提取单一尺度的特征值，而烟雾具有飘动性、扩散性、多维性。Gabor小波变换具有对纹理变化提取的多方向多尺度的特性，可以更好地表现烟雾的特性。将两者结合描述烟雾特征，具有更好的辨识度。

发明内容

为解决上述问题，本发明的目的在于提供一种实时检测出烟雾，具有极低的误检率的烟雾检测方法。

本发明提供了一种烟雾检测方法，该方法包括：

步骤1，利用高斯混合模型，把原始图像分割成1/2重叠的ROI，

其中，ROI为感兴趣区域；

步骤2，对所述ROI进行分块，每隔15像素提取一个30*30像素的小块，得到所述ROI的块集，即：ROISET＝(ROI 0，ROI1，…，ROI(M-1))，

其中，ROIi表示ROISET集中的一个ROI，M为ROISET的个数；

步骤3，利用Gabor滤波器对步骤2中每个30*30像素小块进行小波变换，

Gabor滤波器的表达式为：

其中，μ和ν分别为Gabor滤波器的方向和尺度，

其中，i为复数算子，λ为频域中Gabor滤波器之间的间距因子，k_max为最大频率，σ为高斯包络沿x轴和y轴方向的标准偏差，

根据μ*ν得到Gabor滤波器的个数，组成Gabor滤波器组，利用Gabor滤波器组与每个ROI进行卷积，得到40幅Gabor幅值图，即：

卷积表达式为：

G_Ψf＝(x,y,μ,ν)＝f(x,y)*Ψ_μ,ν(z)，

其中，f(x,y)为ROI上坐标为f(x,y)的像素值，Ψ_μ,ν(z)为方向为μ、尺度为ν的Gabor滤波器；

步骤4，对每个30*30像素小块的40幅Gabor幅值图分别提取LBP特征，形成LGBP映射图，把每个所述LGBP映射图分成4个15*15像素小块，对每个15*15像素小块提取直方图，把所有直方图串联起来形成直方图序列，即LGBPHS；

步骤5，对步骤4中LGBPHS特征的数据进行AdaBoost训练，抽取最有用的特征，形成一个强分类器SC_i，

其中，i为当前强分类器的个数；

循环提取ROISET集的直方图序列集，即：

LGBPHS_ROISET＝(LGBPHS_ROI0,LGBPHS_ROI1,...,LGBPHS_ROI(M-1))，

设置标签为：

Label_ROISET＝(Label_ROI0,Label_ROI1,...,Label_ROI(M-1))，

其中，Label_ROIi＝{0,1}，i∈[0,M-1]，标签取值为0时表示没有烟雾，取值为1时表示有烟雾；

步骤6，将运动区域的图像样本依次输入到各级强分类器中，针对每一级强分类器排除一定不是烟雾的图像，将可能是烟雾的图像输入到下一级，直至通过所有强分类器判定为烟雾图像。

其中，步骤5中AdaBoost算法训练的具体步骤如下：

步骤501，将集分成正样本集和负样本LGBPHS_{SET_NEG}集，Label_ROISET集分成正样本Label_{ROISET_POS}集和负样本Label_{SET_NEG}集；

步骤502，使用AdaBoost算法训练LGBPHS_ROISET集，训练出一组最优弱分类器，组成一个强分类器SC_i，

其中，i为当前强分类器的个数；

步骤503，使用SC_i检测LGBPHS_{SET_NEG}集，判断检测的结果：

当强分类器SC_i的值为真时，标签Label＝0，

当强分类器SC_i的值为假时，标签Label＝1；

步骤504，当检测标签Label＝0时，负样本LGBPHS_{SET_NEG}集的ROI被正确分类，即没有烟雾，使用新的LGBPHS_{SET_NEG}集更新负样本，

当检测标签Label＝1时，负样本LGBPHS_{SET_NEG}集的ROI被错误分类，即有烟雾，不更新负样本，

对更新的负样本重新进行AdaBoost算法训练，当总误差率小于等于0.0000001时，停止AdaBoost算法迭代，得到级联强分类器，即：SC_ALL＝(SC₀,SC₁,...,SC_n)，

其中，n为强分类器的个数。

作为本发明进一步的改进，步骤1中原始图像的大小为100*100像素。

作为本发明进一步的改进，步骤3中Gabor滤波器的方向为5个方向，Gabor滤波器的尺度为8个尺度。

作为本发明进一步的改进，步骤5中所述强分类器的个数为16个。

本发明的有益效果为：

1、对运动区域划分成二分之一重叠的小块，再以小块为单位对它们抽取LGBPHS特征，这样可以避免遗漏大面积烟雾，能够更加全面的提取ROI的图像细节信息，能够有效的防止信息的泄露，防止漏检的发生，提高检测率；

2、提取烟雾LGBPHS特征的方法，充分描述烟雾的纹理特征；

3、针对大量冗余的LGBPHS特征，采用AdaBoost算法提取出重要的特征，形成强分类器，通过更新负样本，迭代训练AdaBoost算法，级联多个强分类器，形成最终的烟雾检测分类器。

附图说明

图1为本发明实施例所述的一种烟雾检测方法的流程图。

图2为本发明实施例所述的一种烟雾检测方法中步骤5的流程图。

具体实施方式

下面通过具体的实施例并结合附图对本发明做进一步的详细描述。

如图1所示，本发明实施例所述的一种烟雾检测方法，该方法包括：

步骤1，利用高斯混合模型，把原始图像分割成1/2重叠的ROI，

其中，ROI为感兴趣区域；

其中，ROIi表示ROISET集中的一个ROI，M为ROISET的个数；

Gabor滤波器的表达式为：

其中，μ＝5和ν＝8分别为Gabor滤波器的方向和尺度，

根据5*8＝40得到40个Gabor滤波器，组成Gabor滤波器组，利用Gabor滤波器组与每个ROI进行卷积，得到40幅Gabor幅值图，即：

卷积表达式为：

G_Ψf＝(x,y,μ,ν)＝f(x,y)*Ψ_μ,ν(z)，

步骤4，对每个30*30像素小块的40幅Gabor幅值图分别提取LBP特征，形成LGBP映射图，把每个所述LGBP映射图分成4个15*15像素小块，总共40*4＝160块，对每个15*15像素小块提取直方图，把直方图从[0,255]范围压缩到[0,58]范围，形成160*59＝9440个特征；

步骤5，对步骤4中LGBPHS特征的数据进行AdaBoost训练，抽取最有用的特征，形成一个强分类器SC_i，其中，i为当前强分类器的个数；

循环提取ROISET集的直方图序列集，即：

LGBPHS_ROISET＝(LGBPHS_ROI0,LGBPHS_ROI1,...,LGBPHS_ROI(M-1))，

设置标签为：

Label_ROISET＝(Label_ROI0,Label_ROI1,...,Label_ROI(M-1))，

其中，步骤5中AdaBoost算法训练的具体步骤如下：

其中，i为当前强分类器的个数；

步骤503，使用SC_i检测LGBPHS_{SET_NEG}集，判断检测的结果：

当强分类器SC_i的值为真时，标签Label＝0，

当强分类器SC_i的值为假时，标签Label＝1；

其中，n为16。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种烟雾检测方法，其特征在于，该方法包括以下步骤：

步骤1，利用高斯混合模型，把原始图像分割成1/2重叠的ROI，

其中，ROI为感兴趣区域；

步骤2，对所述ROI进行分块，每隔15像素提取一个30*30像素的小块，得到所述ROI的块集，即：ROISET＝(ROI0，ROI1，…，ROI(M-1))，

其中，ROIi表示ROISET集中的一个ROI，M为ROISET的个数；

步骤3，利用Gabor滤波器对步骤2中每个30*30像素小块进行小波变换，Gabor滤波器的表达式为：

<mrow> <msub> <mi>&Psi;</mi> <mrow> <mi>&mu;</mi> <mo>,</mo> <mi>v</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>k</mi> <mrow> <mi>&mu;</mi> <mo>,</mo> <mi>v</mi> </mrow> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <msup> <mi>&sigma;</mi> <mn>2</mn> </msup> </mfrac> <msup> <mi>e</mi> <mrow> <mo>(</mo> <mo>-</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>k</mi> <mrow> <mi>&mu;</mi> <mo>,</mo> <mi>v</mi> </mrow> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>|</mo> <mo>|</mo> <mi>z</mi> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>/</mo> <mn>2</mn> <msup> <mi>&sigma;</mi> <mn>2</mn> </msup> <mo>)</mo> </mrow> </msup> <mo>&lsqb;</mo> <msup> <mi>e</mi> <mrow> <msub> <mi>ik</mi> <mrow> <mi>&mu;</mi> <mo>,</mo> <mi>v</mi> </mrow> </msub> <mi>z</mi> </mrow> </msup> <mo>-</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msup> <mi>&sigma;</mi> <mn>2</mn> </msup> <mo>/</mo> <mn>2</mn> </mrow> </msup> <mo>&rsqb;</mo> <mo>,</mo> </mrow>

其中，μ和ν分别为Gabor滤波器的方向和尺度，

卷积表达式为：

G_Ψf＝(x,y,μ,ν)＝f(x,y)*Ψ_μ,ν(z)，

其中，i为当前强分类器的个数；

循环提取ROISET集的直方图序列集，即：

LGBPHS_ROISET＝(LGBPHS_ROI0,LGBPHS_ROI1,...,LGBPHS_ROI(M-1))，

设置标签为：

Label_ROISET＝(Label_ROI0,Label_ROI1,...,Label_ROI(M-1))，

2.根据权利要求1所述的一种烟雾检测方法，其特征在于，步骤5中AdaBoost算法训练的具体步骤如下：

步骤501，将LGBPHS_ROISET集分成正样本集和负样本LGBPHS_{SET_NEG}集，Label_ROISET集分成正样本Label_{ROISET_POS}集和负样本Label_{SET_NEG}集；

其中，i为当前强分类器的个数；

步骤503，使用SC_i检测LGBPHS_{SET_NEG}集，判断检测的结果：

当强分类器SC_i的值为真时，标签Label＝0，

当强分类器SC_i的值为假时，标签Label＝1；

其中，n为强分类器的个数。

3.根据权利要求1所述的一种烟雾检测方法，其特征在于，步骤1中原始图像的大小为100*100像素。

4.根据权利要求1所述的一种烟雾检测方法，其特征在于，步骤3中Gabor滤波器的方向为5个方向，Gabor滤波器的尺度为8个尺度。

5.根据权利要求1所述的一种烟雾检测方法，其特征在于，步骤5中所述强分类器的个数为16个。