CN111985314B - 一种基于ViBe与改进LBP的烟雾检测方法 - Google Patents

Abstract

本发明公开了一种基于ViBe与改进LBP的烟雾检测方法，首先，对待检测的视频图像进行预处理；其次，采用ViBe算法提取视频图像中的烟雾区域和类似烟雾的动态区域；提取每帧图像动态区域的颜色直方图和梯度直方图；然后，采用SVLBP提取动态区域的动态纹理特征；最后，对静态特征和动态特征进行融合，采用one‑class SVM分类器检测烟雾。本发明对烟雾的漏检率较低，能克服噪声的影响，具有一定的鲁棒性。

Description

一种基于ViBe与改进LBP的烟雾检测方法

技术领域

本发明属于火灾监控的烟雾检测领域，具体涉及一种基于ViBe与改进LBP(即SVLBP，Space Vectorbased Local Binary Patterns)的烟雾检测方法。

背景技术

在火灾检测领域，传统的检测方法主要采用感温型火灾探测器、气体传感器探测器、光辐射探测器和感烟型探测器等进行检测。这些基于传感器的烟雾检测方法虽然比较简单，但是因为灵敏度及对环境的依懒性，存在重大的缺陷，极易受到环境中灰尘及其他颗粒的影响，而且为了提高精度，必须靠近火源，而在大空间区域内，这种基于传感器的方法基本很难满足对火灾检测的要求。

如今，计算机视觉系统在国防、航天以及安全工作在发挥巨大作用，在高科技上的应用很广泛。鉴于传统的火灾检测技术的局限性，人们开始设想用计算机视觉的方法来进行烟雾检测，并取得了一定的研究成果。与传统的基于传感器的火灾检测方法相比，基于计算机视觉的火灾检测技术成本低、远离火源、适用范围广、效率高，且能够实时的提供火灾的燃烧位置、燃烧趋势等额外信息。

发明内容

发明目的：为克服现有技术方法存在的问题和不足，本发明提供一种基于ViBe与改进LBP的烟雾检测方法，该方法检测性能较高，且能克服噪声的影响，具有一定的鲁棒性。

技术方案：本发明提供的一种基于ViBe与改进LBP的烟雾检测方法，具体包括以下步骤：

(1)对待检测的视频图像进行预处理；

(2)采用ViBe算法提取视频图像中的烟雾区域和类似烟雾的动态区域；

(3)提取每帧图像动态区域的颜色直方图和梯度直方图；

(4)采用SVLBP提取动态区域的动态纹理特征；

(5)对静态特征和动态特征进行融合，采用one-class SVM分类器检测烟雾。

进一步地，步骤(1)所述的图像预处理主要包括图像修复、图像滤波以及图像超分辨率重建。

进一步地，所述步骤(2)包括以下步骤：

(21)初始化单帧图像中每个像素点的背景模型：随机抽样某像素点的邻域的N个像素点，组成t＝0时的像素模型作为背景模型；

(22)对后面的每一帧进行前景分割操作：当t＝k时，将此帧图像的像素点的模型P^k(x,y)与背景模型P^bg(x,y)做差，若N个像素点的差值小于等于阈值T，则P^k(x,y)为背景，否则为前景；

(23)背景模型更新采用时间取样更新策略，假设像素点p(x,y)为(22)确定的背景点，那该点以及该点的k领域内的像素点在下一帧图像中将有w的概率更新自己的模型样本，w取1/16。

进一步地，所述步骤(3)包括以下步骤：

(31)RGB颜色特征由一个三维向量表示，将R、G、B三分量按照参数x、y、z进行差异化量化，构造RGB空间的颜色直方图；

(32)根据RGB特征进行转换得到HIS特征，将H、I、S三分量按照参数x、y、z进行差异性量化，构造HIS空间的颜色直方图；

(33)先将图像进行归一化，然后计算图像的梯度，每个Cell块都会对梯度直方图进行投影，对每一个重叠block块内的Cell进行对比度归一化，将所有block内的直方图向量组成大的梯度直方图特征向量。

进一步地，所述步骤(4)包括以下步骤：

(41)设一个中心像素点的空间向量由第T帧的像素值与前后各两帧的像素值组成，表示为g_c＝[g_c,T-2,g_c,T-1,g_c,T,g_c,T+1,g_c,T+2]，根据传统LBP原理，取此中心像素点的邻域8个点，分别将这8个点的5帧像素值组成8个空间向量，作为此中心像素点空间向量的8个邻域空间向量，表示为W＝w(g₀,g₁,......g₆,g₇)；

(42)通过判断邻域像素点的空间向量与中心像素点的空间向量间的夹角是否大于某一个阈值β，来描述灰度变化，并确定中心像素点的SVLBP值的二进制各位取值，如下面公式所示：

其中，0≤x≤7，邻域像素点的的空间向量与中心像素点的空间向量的夹角表示为：

对于角度阈值β可以取8个θ(g_c,g_x)的平均值，并乘以调节因子γ，表示如下：

(43)根据步骤(42)的方法，得到第T帧中心像素点的SVLBP值的二进制各位为：

W＝w(s(g_c,g₀),s(g_c,g₁)......s(g_c,g₆),s(g_c,g₇))

进一步得到第T帧中心像素点的SVLBP值为：

(44)统计每帧图像序列SVLBP值出现的频率，构建SVLBP直方图。

进一步地，所述步骤(5)包括以下步骤：

(51)将步骤(3)提取的梯度直方图、颜色直方图与步骤(4)提取的SVLBP直方图连接成特征向量，即将每帧图像序列的静态特征和动态特征进行融合；

(52)提取训练集视频每帧的特征向量，训练one-class SVM模型，然后使用验证集视频来不断优化模型，最后在实际场景中进行运用。

有益效果：与现有技术相比，本发明的有益效果为：1、本发明预处理部分比较丰富，消除了许多噪声，修复了坏点，且提高了图像的清晰度，从而提高了烟雾准确度；2、ViBe动态区域提取算法克服了摄像头抖动的影响，动态区域提取准确；3、SVLBP算法充分利用了图像序列包含的时间轴信息，减小了对烟雾的漏检率，且具有更好的鲁棒性。

附图说明

图1为本发明的流程图；

图2为含有烟雾的视频序列的某一帧的原始图像；

图3为运用ViBe算法提取到的动态前景区域图；

图4为提取的梯度方向直方图；

图5为提取的颜色直方图；

图6为SVLBP动态纹理提取算法的原理图及中心像素空间向量表示图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，本发明提供一种基于ViBe与改进LBP的烟雾检测方法，具体包括以下步骤：

步骤1：图像修复、图像滤波以及图像超分辨率重建。

步骤1.1：图像修复，采用传统的Telea法进行修复，去除图像的部分瑕疵；

步骤1.2：图像滤波，对视频图像进行去噪处理，使用中值滤波方法去除视频图像中的椒盐噪声；

步骤1.3：图像超分辨率重建，采用双三线性插值算法将图像的分辨率放大2倍，以方便后续处理。

步骤2：采用ViBe建模算法提取视频图像，如图2所示中的烟雾区域和类似烟雾的动态区域，得到的结果如图3所示。

步骤2.1：初始化单帧图像中每个像素点的背景模型。随机抽样某像素点邻域的N个像素点，组成t＝0时的像素模型作为背景模型。

步骤2.2：对后面的每一帧进行前景分割操作。当t＝k时，将此帧图像的像素点的模型P^k(x,y)与背景模型P^bg(x,y)做差，若N个像素点的差值小于等于阈值T，则P^k(x,y)为背景，否则为前景。

步骤2.3：背景模型更新采用时间取样更新策略，假设像素点p(x,y)为步骤2.2确定的背景点，那该点以及该点的k领域内的像素点在下一帧图像中将有w的概率更新自己的模型样本，w取1/16。这样可以有效地消除摄像机的抖动或者目标微动带来的误差。

步骤3：提取每帧图像动态区域的RGB空间和HIS空间的颜色直方图梯度直方图。

步骤3.1：RGB颜色特征由一个三维向量表示，将其分解到红色(R)、绿色(G)、蓝色(B)三个基本颜色通道，将R、G、B三分量按照参数x、y、z进行差异化量化，构造RGB空间的颜色直方图，如图4所示。

步骤3.2：HIS特征不能直接得到，需要根据RGB特征进行转换。然后，将H、I、S三分量按照参数x、y、z进行差异性量化，构造HIS空间的颜色直方图，并做归一化处理。

步骤3.3：先将图像进行归一化，然后计算图像的梯度，对于每一个Cell块对梯度直方图进行投影，对每一个重叠block块内的Cell进行对比度归一化，最后将所有block内的直方图向量组成大的梯度直方图特征向量，如图5所示。

步骤4：采用SVLBP提取动态区域的动态纹理特征。

步骤4.1：设一个中心像素点的空间向量由第T帧的像素值与前后各两帧的像素值组成，表示为g_c＝[g_c,T-2,g_c,T-1,g_c,T,g_c,T+1,g_c,T+2]。根据传统LBP原理，取此中心像素点的邻域8个点，分别将这8个点的5帧像素值组成8个空间向量，作为此中心像素点空间向量的8个邻域空间向量，表示为W＝w(g₀,g₁,......g₆,g₇)，如图6所示。

步骤4.2：在传统LBP中，通过比较邻域像素点与中心像素点的大小，来描述灰度的变化，即判断中心像素点的LBP值的二进制各位取值是0还是1。而在这里是通过判断邻域像素点的空间向量与中心像素点的空间向量间的夹角是否大于某一个阈值，来描述灰度变化，并确定中心像素点的SVLBP(空间向量型LBP)值的二进制各位取值，如下面公式所示：

其中，0≤x≤7，邻域像素点的的空间向量与中心像素点的空间向量的夹角表示为：

对于角度阈值β可以取8个θ(g_c,g_x)的平均值，并乘以调节因子γ，表示如下：

步骤4.3：根据步骤4.2的方法，得到第T帧中心像素点的SVLBP值的二进制各位为：

W＝w(s(g_c,g₀),s(g_c,g₁)......s(g_c,g₆),s(g_c,g₇))

进一步得到第T帧中心像素点的SVLBP值为：

步骤4.4：统计每帧图像序列SVLBP值出现的频率，构建SVLBP直方图。

步骤5：对静态特征和动态特征进行融合，采用one-class SVM分类器检测烟雾。

步骤5.1：将步骤3提取的梯度直方图、颜色直方图与步骤4提取的SVLBP直方图连接成特征向量，即将每帧图像序列的静态特征和动态特征进行融合。

步骤5.2：提取训练集视频每帧的特征向量，训练one-class SVM模型，然后使用验证集视频来不断优化模型，最后在实际场景(测试集)中进行运用。

采用烟雾的检测率和漏检率，非烟雾的正确率和误检率作为算法的性能衡量指标。使用Bilkent University的烟雾视频和非烟雾视频进行实验，包括6个烟雾视频和2个非烟雾视频，视频分辨率比较低。首先，对视频数据进行预处理，采用ViBe算法进行动态区域提取，并分割为24*24的小区域，然后提取训练集视频每帧小区域的特征向量，训练one-class SVM模型，然后使用验证集视频来不断优化模型，最后在实际场景(测试集)中进行运用。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于ViBe与LBP的烟雾检测方法，其特征在于，包括以下步骤：

(1)对待检测的视频图像进行预处理；

(2)采用ViBe算法提取视频图像中的烟雾区域和类似烟雾的动态区域；

(3)提取每帧图像动态区域的颜色直方图和梯度直方图；

(4)采用SVLBP提取动态区域的动态纹理特征；

(5)对静态特征和动态特征进行融合，采用one-class SVM分类器检测烟雾；

所述步骤(4)包括以下步骤：

(41)设一个中心像素点的空间向量由第T帧的像素值与前后各两帧的像素值组成，表示为g_c＝[g_c,T-2,g_c,T-1,g_c,T,g_c,T+1,g_c,T+2]，根据传统LBP原理，取此中心像素点的邻域8个点，分别将这8个点的5帧像素值组成8个空间向量，作为此中心像素点空间向量的8个邻域空间向量，表示为W＝w(g₀,g₁,......g₆,g₇)；

(42)通过判断邻域像素点的空间向量与中心像素点的空间向量间的夹角是否大于某一个阈值β，来描述灰度变化，并确定中心像素点的SVLBP值的二进制各位取值，如下面公式所示：

其中，0≤x≤7，邻域像素点的的空间向量与中心像素点的空间向量的夹角表示为：

对于角度阈值β可以取8个θ(g_c,g_x)的平均值，并乘以调节因子γ，表示如下：

(43)根据步骤(42)的方法，得到第T帧中心像素点的SVLBP值的二进制各位为：

W＝w(s(g_c,g₀),s(g_c,g₁)......s(g_c,g₆),s(g_c,g₇))

进一步得到第T帧中心像素点的SVLBP值为：

(44)统计每帧图像序列SVLBP值出现的频率，构建SVLBP直方图。

2.根据权利要求1所述的一种基于ViBe与LBP的烟雾检测方法，其特征在于，步骤(1)所述的图像预处理主要包括图像修复、图像滤波以及图像超分辨率重建。

3.根据权利要求1所述的一种基于ViBe与LBP的烟雾检测方法，其特征在于，所述步骤(2)包括以下步骤：

(21)初始化单帧图像中每个像素点的背景模型：随机抽样某个像素点的邻域的N个像素点，组成t＝0时的像素模型作为背景模型；

(22)对后面的每一帧进行前景分割操作：当t＝k时，将此帧图像的像素点的模型P^k(x,y)与背景模型P^bg(x,y)做差，若N个像素点的差值小于等于阈值T，则P^k(x,y)为背景，否则为前景；

(23)背景模型更新采用时间取样更新策略，假设像素点p(x,y)为(22)确定的背景点，那该点以及该点的k领域内的像素点在下一帧图像中将有w的概率更新自己的模型样本，w取1/16。

4.根据权利要求1所述的一种基于ViBe与LBP的烟雾检测方法，其特征在于，所述步骤(3)包括以下步骤：

(31)RGB颜色特征由一个三维向量表示，将R、G、B三分量按照参数x、y、z进行差异化量化，构造RGB空间的颜色直方图；

(32)根据RGB特征进行转换得到HIS特征，将H、I、S三分量按照参数x、y、z进行差异性量化，构造HIS空间的颜色直方图；

(33)先将图像进行归一化，然后计算图像的梯度，每个Cell块都会对梯度直方图进行投影，对每一个重叠block块内的Cell进行对比度归一化，将所有block内的直方图向量组成大的梯度直方图特征向量。

5.根据权利要求1所述的一种基于ViBe与LBP的烟雾检测方法，其特征在于，所述步骤(5)包括以下步骤：

(51)将步骤(3)提取的梯度直方图、颜色直方图与步骤(4)提取的SVLBP直方图连接成特征向量，即将每帧图像序列的静态特征和动态特征进行融合；

(52)提取训练集视频每帧的特征向量，训练one-class SVM模型，然后使用验证集视频来不断优化模型，最后在实际场景中进行运用。