CN105046218A - 一种基于串并行处理的多特征交通视频烟雾检测方法 - Google Patents

Abstract

本发明公开了一种基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，包括以下步骤：101、获取拍摄的交通领域内的图像数据并进行预处理；102、混合高斯建模并提取感兴趣区域；103、对感兴趣区域进行颜色特征提取、形状特征提取及小波特征提取；104、基于串并行处理的烟雾颜色特征、形状特征及小波特征综合判断，并采用动态阈值的方法对阈值进行动态实时调节，对所分析的结果进行动态判断。本发明公开的基于串并行处理的多特征交通视频烟雾检测方法适用于交通领域内的火灾检测，具有检测速度快、可靠性和鲁棒性高等优点。

Description

一种基于串并行处理的多特征交通视频烟雾检测方法

技术领域

本发明涉及一种交通场景的烟雾检测技术，特别涉及一种基于串并行处理的多特征交通视频烟雾检测方法。

背景技术

目前，现有技术中的火灾检测技术有两种方式，一是基于传感器的传统火灾检测，二是基于视频的火灾检测。基于传感器的火灾检测技术易受外界环境的影响，例如灰尘、空气湿度等，检测鲁棒性和实时性较差。对于基于视频的烟雾检测技术，烟雾图像识别的处理实时性、准确性不高，导致烟雾检测系统可靠性不强。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于串并行处理的多特征交通视频烟雾检测方法，该检测方法是一种快速准确的烟雾检测算法，解决了传统火灾检测器和视频图像处理实时性及准确性差的技术缺陷，有效地提高了烟雾检测系统的实时性与精确性。

本发明的目的通过以下技术方案实现：一种基于串并行处理的多特征交通视频烟雾检测方法，包括以下步骤：

步骤101、交通摄像头拍摄交通场景中的图像数据，并将获取到的图像数据进行预处理；

步骤102、将步骤1的图像数据进行混合高斯建模，提取感兴趣区域；

步骤103、在感兴趣区域内，进行颜色特征、形状特征及小波特征的提取；

步骤104、在步骤3的基础上，对提取多个特征进行融合，并采用动态阈值的方法进行动态分析，最终判断视频图像中有无烟雾。

所述步骤102实现的方法为：

将视频场景中的每个像素点利用K个高斯分布构建，并用这K个高斯分布的加权和描述视频场景。一般来说，K越大，处理场景变化的能力就越强，算法也更复杂。可根据计算机配置适当选取，K的取值范围为3～7，例如，K的取值可以为5。

步骤21、高斯模型构建；

设t时刻场景图像中某像素点的观测值为X_t，则观测值为X_t出现的概率密度函数为：

$P\left(X_t\right)=\underset{i=1}{\overset{K}{\Σ}}{\mathrm{\ω}}_{i,t}\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t}),$ 式(1)

其中，P(X_t)为观测值为X_t的情况出现的概率，X_t为t时刻像素点的值；K为高斯分布个数；ω_i,t为t时刻第i个模型的权值，所述t时刻第i个模型的权值满足0≤ω_i,t≤1且η(X_t,μ_i,t,∑_i,t)为t时刻第i个高斯分布，η(X_t,μ_i,t,∑_i,t)定义为：

$\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})=\frac{1}{{\left(2\mathrm{\π}\right)}^{m/2}|{\mathrm{\Σ}}_{i,t}{|}^{1/2}}{e}^{-\frac{1}{2}{(X_t-{\mathrm{\μ}}_{i,t})}^T{\mathrm{\Σ}}_{i,t}^{-1}(X_t-{\mathrm{\μ}}_{i,t})},$ 式(2)

其中，i＝1,2,…K，m为X_t的维数，μ_i,t为t时刻第i个高斯模型，X_t为t时刻像素点的值。

步骤22、随后根据所设定阈值的范围对图像像素点灰度值进行判断，在阈值内的像素点设定为背景，阈值外的像素点标记为运动前景，并用红色线框标出此运动前景，设定其为感兴趣区域。

步骤23、运用区域生长法对感兴趣区域进行处理，恢复感兴趣区域烟雾中间部分因运动特征不明显而误去的分块形状。区域生长法是以一个像素点为种子点，加上与种子点相似的邻近点形成一个区域。当新的点被合并后再用新的区域重复这一过程。这个相似性准则可以是灰度级、彩色、组织或其它特征，相似性的测度可以由所确定的阈值来判定，并尝试灰度级减少运算量。

所述步骤103实现方法为：

步骤31、颜色特征提取；

火灾烟雾的颜色主要偏向于灰色、白色和青蓝色。若以RGB颜色模型进行颜色分析，则灰色和白色的烟雾在R、G、B3个通道上的数值基本相等，而青蓝色烟雾的B分量值往往大于其他分量。由于烟雾颜色的差异主要存在于亮度分量上，因此可以将每个像素点的RGB通道的值进行归一化，使得烟雾具有更好的聚类性，归一化公式为：

$\left\{\begin{array}{c}r=\frac{R}{R+G+B}\\ g=\frac{G}{R+G+B}\\ b=\frac{B}{R+G+B}\end{array}\right.,$ 式(3)

其中，R、G、B为图像原像素的红、绿、蓝3个通道分量的值，r、g、b为归一化完成后获得的值。通过对传统烟雾颜色模型及实验数据的分析，得出烟雾像素点色彩满足以下颜色模型关系：

C_min＝min(r,g,b),

C_max＝max(r,g,b),

I＝(R+G+B)/3,

式(4)

条件1：|C_max-C_min|＜T1,

条件2：T2＜I＜T3,

条件3：C_max＝b∩|C_max-C_min|＜T4,

其中，r为归一化后RGB通道内红色通道的数值，g为归一化后RGB通道内绿色通道的数值，b为归一化后RGB通道内蓝色通道的数值，C_min为r，g，b中的最小值，C_max为r，g，b中的最大值，R为未归一化前RGB通道内红色通道的数值，G为未归一化前RGB通道内绿色通道的数值，B为未归一化前RGB通道内蓝色通道的数值，I为R，G，B三者的平均值。T1为设定白烟特征值，T2为亮度最小值，T3为亮度最大值，T4为设定蓝烟特征值。

条件1描述灰白色烟的特征，T1取值为0.08～0.12；条件2为亮度分布，I为亮度值，T2＝80、T3＝220；条件3描述青蓝色烟的特征，T4值应略大于T1。当满足条件1和2或满足条件2和3时，即判断为烟雾，否则不是烟雾。

步骤32、形状特征提取；

在形状分析中，改进形状分析的标准，结合统计分析的结果来检测视频图像中不规则度的突变。一般对烟雾做形状分析的大多采用视频图像的不规则量作为判别是否有烟雾的标准，即当视频图像内容的不规则度达到一个阈值之后判别为有烟雾。本文将以下公式作为二维图像上的烟雾不规则度的一个度量：

$\mathrm{\Φ}=\frac{C}{\sqrt{4\mathrm{\π}S}},$ 式(5)

其中，Φ为不规则度，C为烟雾区域的周长，S为烟雾区域的面积。

烟雾周长按以下步骤计算：

1)提取出可疑烟雾轮廓；2)将得到的轮廓线以4×4像素划分为小块；3)使用freeman链码来近似描述边界轮廓，freeman链码沿着顺时针方向，依次连接上一步得到的近似点，对每一段连接线进行方向4向链码编码；4)通过得到的链码编码，可以计算出烟雾轮廓的边界周长。

在获取视频图像的不规则度后，可以直接设定阈值来检测烟雾。这是因为在空气流的影响下，烟雾的运动没有规律，形状不定，导致图像的不规则度增加。这相比于普通生活中多与方体，柱体等类似的物体，烟雾的不规则度有相当明显的提高。而在交通场景下，视频图像一般都呈现比较规则的形状，比如汽车，道路，桥梁，建筑物等，它们多可以分为几何体及其组合。

如果直接将图像内容的不规则度作为衡量指标，可能因为视频中缓慢飘过的云朵等不规则物体使得视频图像的不规则度平缓增加但最终图像的不规则度超过阈值而造成误判。因此本文采用“不规则度突变量”来衡量，对烟雾这种突发性，扩散快，大剂量的不规则物体判断有良好的判断效果。所述不规则度突变量计算公式为：

γ＝(Φ_l+1-Φ_l)/Φ_l，式(6)

其中,γ为不规则度突变量，Φ_l+1为第l+1帧时可疑烟雾区域的不规则度，第Φ_l为第l帧时可疑烟雾区域的不规则度。

通过统计分析，获取图像的不规则度，在多次实验分析取得较大的“不规则突变量”作为监测烟雾发生的阈值。如图2所示，为实验运用本方法经区域生长后的不规则度统计图，可以发现在140帧左右有一个不规则度的突变，此处即产生了低浓度的烟雾。

步骤33、小波特征提取；

步骤33A、小波高频能变化率静特性；

烟雾具有模糊背景的特征，其高频能较低，运动物体如车和行人纹理清晰，高频能较高。本文采用对感兴趣区域进行小波变换，计算其高频能，并与背景进行比较，若低于背景，则有可能为烟雾。本文采用小波变换Haar进行二维单次小波变换，将图像分解为低频部分LL，高频部分LH、HL、HH。如图3a、图3b、图3c和图3d所示，为行人区域小波变化结果图，其中图3a是行人区域低频能信息图，图3b是行人区域高频能水平方向信息图，图3c是行人区域高频能垂直方向信息图，图3d是行人区域高频能斜方向信息图。如图4a、图4b、图4c和图4d所示，为烟雾区域小波变化结果图，图4a是烟雾区域低频能信息图，图4b是烟雾区域高频能水平方向信息图，图4c是烟雾区域高频能垂直方向信息图，图4d是烟雾区域高频能斜方向信息图。

像素的高频能计算公式如下：

w_n(x,y)＝|LH_n(x,y)|²+|HL_n(x,y)|²+|HH_n(x,y)|²,式(7)

其中，w_n(x,y)为像素点(x,y)的高频能，LH_n(x,y)为像素点(x,y)的高频水平分量，HL_n(x,y)为像素点(x,y)的高频垂直分量，HH_n(x,y)为像素点(x,y)的高频斜方向分量。

区域的高频能计算公式如下：

$E\left(I_t\right)=\underset{(i,j)\∈ROI}{\Σ}\left|\right|LH{(i,j)}^2+HL{(i,j)}^2+HH{(i,j)}^2\left|\right|,$ 式(8)

其中，E(I_t)为第t帧视频图像感兴趣区域的小波高频能，ROI为视频图像感兴趣区域，LH(i,j)为像素点(i,j)的高频水平分量，HL(i,j)为像素点(i,j)的高频垂直分量，HH(i,j)为像素点(i,j)的高频斜方向分量。

小波高频能变化率为：

$\mathrm{\α}=\frac{E\left(I_t\right)-E_b}{E_b},$ 式(9)

其中，α为当前视频帧感兴趣区域的小波高频能相对下降量，E(I_t)为第t帧视频图像感兴趣区域的小波高频能，E_b为第t帧视频图像感兴趣区域所对应的背景区域的小波高频能。

如下表表1a和表1b所示，为一组典型的烟雾区域小波高频能变化率。可知烟雾的α在0附近。在本文并行识别烟雾算法中，阈值定为[-0.1，0]，以识别低浓度烟雾模糊背景，降低高频能的特征。

表1a

表1b

步骤33B、小波高频能变化率动特性；

烟雾的运动较其他运动物体较慢，且边缘模糊，使其高频能变化缓慢，刚性物体边缘清晰，运动使其高频能变化迅速；对感兴趣区域计算高频能变化率，如图5所示为烟雾区域的高频能变化率随帧(时间)变化曲线。如图6所示，为非烟雾区域(行人)随帧(时间)变化曲线。

烟雾曲线变化平缓，行人曲线变化剧烈。采用15帧内高频能变换率的方差描述曲线变化情况。方差公式：

$S^2=\frac{1}{n}\[{(x_1-x)}^2+{(x_2-x)}^2+...{(x_n-x)}^2\],$ 式(10)

其中，S²为方差，n是帧数，x₁为第1帧的高频能变换率，x₂为第2帧的高频能变换率，x_n为第n帧的高频能变换率，x为每帧高频变化率总和的平均值。

根据方差大小分成5类，赋予权值：0，0.25，0.5，0.75和1。

烟雾区域的方差为0.0055，行人区域的方差为1.7979。

通过对视频图像做小波分析，将其分解为3幅高频分量子图像，包含水平方向(HL)、垂直方向(LH)和对角方向(HH)的边缘信息。

一般采用小波分析对图像进行烟雾检测的方法，是通过监测视频图像中的背景物体边缘的小波系数的值是否减少。如果在连续的图像帧中,其值变为零或接近于零,则有可能是烟雾所致。为了进一步降低误报率，本文提出用“小波分析高频能突变量”作为监测的标准。

所述小波分析高频能突变量为：

β＝(α_l+1-α_l)/α_l，式(11)

其中，β是小波分析高频能突变量，α_l+1为第l+1帧时可疑烟雾区域的小波高频能相对下降量，α_l为第l帧时可疑烟雾区域的小波高频能相对下降量。

尽管使用小波系数检测烟雾已经有较高的准确率，但是在实际场景中难免有水汽，烟尘，雾天等影响，导致视频图像中物体模糊，其边缘的小波系数降低。这样采用“小波系数”作为检测标准，误报的可能性将增大。鉴于烟雾的发生具有突发性，迅速扩散，会使图像的小波系数快速下降，这与雾天的缓慢到来有明显的区别。采用变化率作为标准，在保留数值降为低值的信息外，进一步提取数值变化的信息，有效地提高检测的准确性。

步骤41、动态阈值；

在对视频图像做并行多特征分析之后，对各分析结果进行综合，取一段视频序列作为检测周期，采用以下判据作为烟雾检测的标准。取视频序列的N帧为一个检测周期，出现烟雾的概率为：

$P=W_C\frac{C}{N}+W_S\frac{S}{N}+W_V\frac{V}{N},$ 式(12)

其中，P为出现烟雾的概率，N为帧数，W_C,W_S,W_V分别表示颜色分析，形状分析，小波分析结果在综合判据中所占的比重，C，S，V分别表示在一个检测周期中颜色分析，形状分析，小波分析判别为有烟雾的视频帧数。

步骤42、给予上述公式初始值，若出现烟雾的概率P大于预定的初始值，则认为图像中出现烟雾，发出报警信号，否则直接进入下一个检测周期，同时根据实际情况实时更新所设定的阈值。

将算法应用于夜晚场景下，算法的误报率增高。其中颜色分析的效果不理想，在夜景下，光线不足，在路灯等影响下明暗不均基于RGB空间的颜色检测算法效果不佳，在夜景下，颜色分析误检和漏检占了很大一部分。

由于HSV色彩空间完全分离了色度，亮度以及饱和度，于是本文将基于RGB空间的颜色分析经过变换转为HSV空间下的分析，经测试，这样的变换很好的解决由于光照的变化而影响颜色测量的问题，取得较好的颜色分析效果。RGB颜色空间的值(r,g,b)，其中r,g,b属于〔0,255]到HSV空间的(h,s,v)的转换计算如下：

v'＝max(r,g,b)，式(13)

其中，v'为(r,g,b)为RGB颜色空间的最大值，(r,g,b)为归一化后RGB颜色空间的值，每个分量值范围为〔0,255]。

v＝v'/255,

s＝(v'-min(r,g,b))/v,

$h=\left\{\begin{array}{c}5+b^{\′};r=max(r,g,b),g=min(r,g,b)\\ 1-g;r=max(r,g,b),g\≠\min (r,g,b)\\ 1+r^{\′};g=max(r,g,b),b=min(r,g,b)\\ 3-b;g=max(r,g,b),b\≠\min (r,g,b),\\ 3+g^{\′};b=\max (r,g,b),r=\min (r,g,b)\\ 5-r^{\′};others\end{array}\right.,$ 式(14)

其中，h为色调值，s为饱和度值，v为亮度值，且h∈[0,1],s∈[0,1],v∈[0,1]；r为归一化后RGB通道内红色通道的数值，g为归一化后RGB通道内绿色通道的数值，b为归一化后RGB通道内蓝色通道的数值：

r'＝(v'-r)/(v'-min(r,g,b))，

g'＝(v'-g)/(v'-min(r,g,b))，

b'＝(v'-b)/(v'-min(r,g,b))，

max(r,g,b)为r，g，b中的最大值，min(r,g,b)为r，g，b中的最小值。

本发明的原理：本发明利用监控摄像头通过图像输入模块获取交通领域内的图像数据，对获得的图像数据进行预处理；并运用基于串并型混合多特征的视频烟雾检测算法对上述图像进行检测并标记，在此基础上对标记的烟雾目标进行动态阈值综合确认。本方法不受空间、灰尘和空气湿度等外界条件的影响，实现了交通火情实时快速检测，为复杂交通环境下火情的早期识别提供技术支持。本发明的基于串并行处理的多特征交通视频烟雾检测方法，主要包括：获取拍摄的交通领域内的图像数据并进行预处理；混合高斯建模并提取感兴趣区域；对感兴趣区域进行颜色特征提取、形状特征提取及小波特征提取；采用基于串并行的处理方法对提取的烟雾颜色特征、形状特征及小波特征进行综合判断，并使用动态阈值对分析结果进行动态判断。

本发明相对于现有技术具有如下的优点及效果：

1、本发明提出的基于串并行处理的多特征交通视频烟雾检测算法，通过算法各个特征分析之间的协调工作，能够根据图像数据的颜色特征、运动特征、形状特征及模糊背景特性，对烟雾图像进行有效的识别，提高了烟雾检测方法的实时性、可靠性及鲁棒性。具有检测速度快、可靠性和鲁棒性高等特点。

2、本发明利用基于串并行处理的多特征交通视频烟雾检测算法，对所拍摄的图像中的烟雾利用串并行结合的分析方法进行实时检测，克服了串行流程分析计算流程冗杂、运行速度慢及并行全局运算因产生大量的重复运算而影响效率的缺点，为交通领域的主动侦查早期火灾情况和智能交通背景下交通火情预防及控制安全保护提供了技术支持。

附图说明

图1是基于串并行处理的多特征交通视频烟雾检测算法流程图。

图2是经过区域生长后通过统计分析获取图像的不规则度分布图。

图3a是行人区域低频能信息图。

图3b是行人区域高频能水平方向信息图。

图3c是行人区域高频能垂直方向信息图。

图3d是行人区域高频能斜方向信息图。

图4a是烟雾区域低频能信息图。

图4b是烟雾区域高频能水平方向信息图。

图4c是烟雾区域高频能垂直方向信息图。

图4d是烟雾区域高频能斜方向信息图。

图5是烟雾区域的高频能变化率随帧(时间)变化曲线。

图6是非烟雾区域(行人)随帧(时间)变化曲线。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

一种基于串并行处理的多特征交通视频烟雾检测方法，该检测方法是一种视频烟雾的早期识别方法，通过交通领域监控摄像头所拍摄的图像及计算机实现。其具体流程如图1所示，主要包括如下步骤：

步骤101、获取拍摄的交通领域内的图像数据并进行预处理；

步骤102、混合高斯建模并提取感兴趣区域；

步骤103、提取感兴趣区域的颜色特征、形状特征和小波特征；

步骤104、基于串并行处理对烟雾的颜色特征、形状特征及小波特征进行综合判断，并采用动态阈值的方法对分析结果进行动态判断。

上述步骤102、步骤103和步骤104的实现过程如下：

将采集到的图像数据建立混合高斯数学模型，为视频场景中的每个像素点构建K个高斯分布，并用这K个高斯分布的加权和描述视频场景。一般来说，K越大，处理场景变化的能力就越强，算法也更复杂。可根据计算机配置适当选取，一般取3～7。这里取K值为5。随后根据所设定阈值的范围对图像像素点灰度值进行判断，在阈值内的像素点设定为背景，阈值外的像素点标记为运动前景，并用红色线框标出此运动前景，设定其为感兴趣区域。

将感兴趣区域分别进行颜色特征提取、形状特征提取及小波特征提取。

颜色特征提取内容为感兴趣区域内像素点RGB通道分量值的归一化处理、烟雾像素点通道值范围设置、条件判据设定。

形状特征提取内容为利用freeman链码计算出疑似烟雾区域的周长及面积，对各个联通区域进行不规则度及不规则度突变量的计算与统计，设定不规则度及不规则度突变量的阈值，满足阈值范围内的像素点进行标记。

小波特征提取内容为采用小波变换Haar进行二维单次小波变换，将感兴趣区域图像分解为低频部分LL，高频部分LH、HL、HH，计算各像素点的高频能与低频能数据值，计算小波高频能变化率，设定高频能、低频能数据及小波高频能变化率的阈值，计算像素点数据在阈值范围内的进行标记。

动态阈值综合判断内容为将设定时间内颜色特征提取、形状特征提取、小波特征提取中疑似烟雾帧数与总帧数的比值进行加权相加，设定动态判断阈值公式并给予初始值，若综合判断的数值在阈值范围内，则认为图像中出现烟雾。

此种方法可以很好地减少计算量、节省系统资源、提高检测速度，同时在检测准确性上有着一定的提高，并大大加强了系统的鲁棒性。串并行结合的图像处理分析流程综合了各处理流程并将其优化，运用区域生长法对感兴趣区域进行处理，恢复了感兴趣区域烟雾中间部分因运动特征不明显而误去的分块形状，采用图像的“不规则度突变量”作为判别烟雾的判断指标，对烟雾这种突发性、扩散快、大剂量的不规则物体判断有良好的判断效果，运用“小波分析高频能突变量”作为衡量指标，避免雾霾天气下视频图像的高频信息少而造成误判，并使用“动态阈值”对视频图像的烟雾情况做报警监测，避免造成漏报或误报。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，包括以下步骤：

步骤101、获取拍摄的交通领域内的图像数据并进行预处理；

步骤102、混合高斯建模并提取感兴趣区域；

步骤103、提取感兴趣区域的颜色特征、形状特征和小波特征；

步骤104、基于串并行处理的烟雾颜色特征、形状特征及小波特征综合判断，并采用动态阈值的方法对阈值进行动态实时调节，对所分析的结果进行动态判断。

2.根据权利要求1所述的基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，所述步骤101包括以下步骤：

步骤11、将所拍摄的视频图像转成矩阵数据；

步骤12、对上述的矩阵数据进行去噪的预处理。

3.根据权利要求1所述的基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，所述步骤102包括以下步骤：

步骤21、将采集到的图像数据建立混合高斯数学模型，为视频场景中的每个像素点构建K个高斯分布，并用这K个高斯分布的加权和描述视频场景；一般来说，K越大，处理场景变化的能力就越强，算法也更复杂；根据计算机配置适当选取，选取范围为3～7；

步骤22、随后根据所设定阈值的范围对图像像素点灰度值进行判断，在阈值内的像素点设定为背景，阈值外的像素点标记为运动前景，并用红色线框标出此运动前景，设定其为感兴趣区域；

步骤23、运用区域生长法对感兴趣区域进行处理，恢复感兴趣区域烟雾中间部分因运动特征不明显而误去的分块形状。

4.根据权利要求1所述的基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，所述步骤103包括以下步骤：

步骤31、将感兴趣区域进行颜色特征提取：对感兴趣区域内像素点的RGB通道分量值进行归一化处理、烟雾像素点通道值范围设置及条件判据设定；

步骤32、将感兴趣区域进行形状特征提取：利用freeman链码计算出疑似烟雾区域的周长及面积，对各个联通区域进行不规则度及不规则度突变量的计算与统计，设定不规则度及不规则度突变量的阈值，满足阈值范围内的像素点进行标记；

步骤33、将感兴趣区域分别进行小波特征提取：提取内容为采用小波变换Haar进行二维单次小波变换，将感兴趣区域图像分解为低频部分LL，高频部分水平分量LH、垂直分量HL、斜分量HH，计算各像素点的高频能与低频能数据值，计算小波高频能变化率，设定高频能、低频能数据及小波高频能变化率的阈值，计算像素点数据在阈值范围内的进行标记。

5.根据权利要求1所述的基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，所述步骤104包括以下步骤：

步骤41、设定动态阈值判断公式为：

$P=W_C\frac{C}{N}+W_S\frac{S}{N}+W_V\frac{V}{N},$

其中，P为检测出有烟雾的概率值，N为检测周期，W_C，W_S，W_V分别表示颜色分析，形状分析，小波分析结果在综合判据中所占的比重，C，S，V分别表示在一个检测周期中颜色分析，形状分析，小波分析判别为有烟雾的视频帧数；

步骤42、给予上述公式初始值，若P大于预定的初始值，则认为图像中出现烟雾，发出报警信号，否则直接进入下一个检测周期，同时根据实际情况实时更新所设定的阈值。

6.根据权利要求1所述的基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，在步骤101中，所述图像具有判别烟雾有无的衡量指标，所述判别烟雾有无的衡量指标包括不规则度突变量和小波分析高频能突变量；

所述不规则度突变量计算公式为:

γ＝(Φ_l+1-Φ_l)/Φ_l，式(6)

其中,γ为不规则度突变量，Φ_l+1为第l+1帧时可疑烟雾区域的不规则度，第Φ_l为第l帧时可疑烟雾区域的不规则度；

所述小波分析高频能突变量为：

β＝(α_l+1-α_l)/α_l，式(11)

其中，β是小波分析高频能突变量，α_l+1为第l+1帧时可疑烟雾区域的小波高频能相对下降量，α_l为第l帧时可疑烟雾区域的小波高频能相对下降量。

7.根据权利要求1所述的基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，所述方法还包括以下步骤：

步骤I、图像中运用运动区域提取且去噪后，再利用区域生长法还原真实图像；

步骤П、图像数据提取，高斯建模及感兴趣区域提取，多特征融合分析，动态阈值综合判断为依次的串联流程；在所述多特征融合分析中，并行处理颜色特征提取，形状特征提取和小波特征。

8.根据权利要求3所述的基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，所述步骤21包括以下步骤：

步骤21A、设t时刻场景图像中某像素点的观测值为X_t，则观测值X_t出现的概率密度函数为：

$P\left(X_t\right)=\underset{i=1}{\overset{K}{\Σ}}{\mathrm{\ω}}_{i,t}\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t}),$ 式(1)

其中，P(X_t)观测值X_t出现的概率密度函数，X_t为t时刻像素点的值；K为高斯分布的个数；ω_i,t为t时刻第i个模型的权值，满足0≤ω_i,t≤1且η(X_t,μ_i,t,∑_i,t)为t时刻第i个高斯分布，定义为：

$\mathrm{\η}(X_t,{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})=\frac{1}{{\left(2\mathrm{\π}\right)}^{m/2}{\left|{\mathrm{\Σ}}_{i,t}\right|}^{1/2}}{e}^{-\frac{1}{2}{(X_t-{\mathrm{\μ}}_{i,t})}^T{\mathrm{\Σ}}_{i,t}^{-1}(X_t-{\mathrm{\μ}}_{i,t})},$ 式(2)

其中，i＝1,2,…K，m为X_t的维数；μ_i,t为t时刻第i个高斯模型。

9.根据权利要求4所述的基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，所述步骤32包括以下步骤：

步骤32A、提取出可疑烟雾轮廓；

步骤32B、将得到的轮廓线以4×4像素划分为小块；

步骤32C、使用freeman链码来近似描述边界轮廓，freeman链码沿着顺时针方向，依次连接上一步得到的近似点，对每一段连接线进行方向4向链码编码；

步骤32D、通过得到的链码编码，计算出烟雾轮廓的边界周长和面积；

步骤32E、计算二维图像上的烟雾不规则度的一个度量：

$\mathrm{\Φ}=\frac{C}{\sqrt{4\mathrm{\π}S}},$ 式(5)

其中，Φ为不规则度，C为烟雾区域的周长，S为烟雾区域的面积。

10.根据权利要求4所述的基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，所述步骤33包括以下步骤：

步骤33A、像素的高频能计算公式如下：

w_n(x,y)＝|LH_n(x,y)|²+|HL_n(x,y)|²+|HH_n(x,y)|²,式(7)

其中，w_n(x,y)为像素点(x,y)的高频能，LH_n(x,y)为像素点(x,y)的高频水平分量，HL_n(x,y)为像素点(x,y)的高频垂直分量，HH_n(x,y)为像素点(x,y)的高频斜方向分量；

步骤33B、区域的高频能计算公式如下：

$E\left(I_t\right)=\underset{(i,j)\∈ROI}{\Σ}\left|\right|LH{(i,j)}^2+HL{(i,j)}^2+HH{(i,j)}^2\left|\right|,$ 式(8)

其中，E(I_t)为第t帧视频图像感兴趣区域的小波高频能，ROI为视频图像感兴趣区域，LH(i,j)为像素点(i,j)的高频水平分量，HL(i,j)为像素点(i,j)的高频垂直分量，HH(i,j)为像素点(i,j)的高频斜方向分量；

步骤33C、计算小波高频能变化率：

$\mathrm{\α}=\frac{E\left(I_t\right)-E_b}{E_b},$ 式(9)

其中，α为当前视频帧感兴趣区域的小波高频能相对下降量，E(I_t)为第t帧视频图像感兴趣区域的小波高频能，E_b为第t帧视频图像感兴趣区域所对应的背景区域的小波高频能；

步骤33D、采用15帧内高频能变换率的方差描述曲线变化情况；方差公式：

$S^2=\frac{1}{n}\[{(x_1-x)}^2+{(x_2-x)}^2+\mathrm{...}{(x_n-x)}^2\],$ 式(10)

其中，S²是方差，n是帧数，x₁是第一帧的高频能变换率，x₂是第二帧的高频能变换率，x_n为第n帧的高频能变换率，x为每帧高频变化率总和的平均值；根据方差大小分成5类，赋予权值：0，0.25，0.5，0.75和1。