CN1924561A - 烟雾自适应检测方法及系统 - Google Patents

Abstract

本发明涉及烟雾自适应检测方法，该方法包括拉普拉斯差分检测方法、梯度边缘检测算子和八邻边缘轮廓跟踪方法等步骤，有效地描绘出待检测物体形状；再采用句法结构识别算法可有效地判别检测出来的物体是否是烟雾。该方法主要采用摄像机和计算机硬件系统，实现了本方法，可广泛用于隧道、发电站、仓库、飞机库、森林等烟雾检测或其它类似场合。

Description

烟雾自适应检测方法及系统

技术领域

本发明涉及一种烟雾自适应检测方法，该方法属于图像处理和图像识别技术领域范畴，是一种基于运动检测和图像形状识别理论来实现烟雾自适应检测，应用范围甚广。还涉及种烟雾自适应检测系统。

背景技术

随着国民经济的发展，高速公路和铁路里程的增加，隧道交通也迅速发展，有穿山越岭的铁路、公路隧道，有穿越江河湖海的水下隧道。现代化交通系统的迅速发展，如：隧道长度的不断增加，双向行车道，高危险性的货物，隧道内由于大交通流量而日益增加的火灾荷载等等因素，大大增加了隧道火灾的潜在危险。隧道一旦发生火灾，扑救十分困难，而且易造成严重损失。

然而由于当前使用的“传统形式的火灾探测系统”智能化技术滞后，当这些火灾探测器检则到有火灾时，火灾已处于初期甚至中后期阶段，且损失和灾害多数已经发生和形成，无法真实的实时的及早发现和分析并且杜绝初期的火灾事故隐患，故而难以实现其“预警”的目的与作用，从而出现了因“防”与“消”不能完美结合而导致火灾事故频频发生。

本发明不但可以检测火灾，还可以检测汽车尾气，当隧道内尾气浓度大，导致视野模糊时，便可报警，同时采取排烟措施减少交通事故发生的可能性。

发明内容

采用图像处理和图像识别理论来实现的，烟雾自适应检测方法在国内尚属空白，它可以实现对各种复杂环境中的各种烟雾自适应检测。

本发明的方法的技术方案如下：

一种烟雾自适应检测方法，包括下列步骤：

(1)拉普拉斯差分图像检测

(2)梯度检测边缘烟雾形状

(3)八邻域跟踪描述烟雾形状

(4)句法结构识别算法确定烟雾

附图说明

图1是烟雾效果图；

图2是梯度检测示意图；

图3是边缘连接原则图；

图4是物体形状识别系统模块组成框图

图5是线段基元图；

图6是八个线段的基元图；

图7是长方形链码图；

图8是正方形链码图；

图9是本文明的方法流程图；

图10结构示意图。

具体实施方式

参见图9，图10以下是对本发明方法作进一步说明，其主要部分的具体内容如下：

(1)拉普拉斯差分图像

对同一个摄像机摄取的图像，不同形状的物体在相邻两时刻t_k-1和t_k获得的。同一个景物的三维图像f(x，y，t_k-1)，f(x，y，t_k)和f(x，y，t_k-1)反映在二维图像上则是景物的形状的特征。烟雾和其它物体一样，也是具有形状特征的，但其形状特征并无规律性。一般人造物体均有自己的形状特征，而是这些特征是不变的，是固定的，据此可将烟雾从一般固定有形状的物体中检测出来。

在烟雾形状检测中，烟雾在不同时刻其空间位置是不同的。设图像f(x，y，t_k-1)为无烟帧图像，f(x，y，t_k)和f(x，y，t_k+1)为有烟帧图像，则这三幅图像的拉普拉斯差图像D_{fk-1，fk，fk+1}为一幅二值图像：

$\left\{\begin{array}{c}{D}_{f_{k-1},f_k}=|f_{k-1}-f_k|\\ D_{f_k,f_{k-1}}(x,y)=|f_k-f_{k-1}|\\ D=|D_{f_{k-1},f_k}(x,y)-D_{f_k,f_{k+1}}(x,y)|\end{array}\right.---\left(1\right)$

这里，x，y＝0，1，2，........，N-1

二值图像灰度阈值T为

$T=\frac{{[\frac{S_{k-1}+S_k}{2}+{\left(\frac{M_k-M_{k-1}}{2}\right)}^2]}^2}{S_{k-1},S_k}---\left(2\right)$

其中，S_k，M_k为某小邻域Ω(x，y)的方差和均值。

有烟雾图像f(x，y，t_k)和无烟雾图像差分便可以得到烟雾图像。附图1说明效果

(2)梯度检测提取烟雾边缘形状

对于二值图像而言，可用梯度检测G[f(x，y)]来检测其边缘形状，边缘检测G算子表示为

$G{\left[f(x,y)\right]}^{~}=|f(x,y)-f(x+1,y)|+|f(x,y)-f(x,y+1)|$

其中，f(x，y)为二值差分图像。梯度G[f(x，y)]示意图附图2说明。

(3)轮廓跟踪描述烟雾形状

依据Robinson边缘点连接方法，可将各个边缘点连成一个形状，其连接方法可表示附图3说明。

(4)句法结构识别算法确定烟雾

烟雾形状描述中使用的方法如下：人们在识别各种物体时，都是依据它们外部形状进行分类判别的。句法结构法依据物体外部形状来识别各种物体，且与目标图像旋转、比例变化和平移无关，但在低对比度提取目标图像边缘链码较为困难。

句法结构识别系统模块组成框图附图4说明。

a)输入图像红外阵列320×240

b)轮廓的形状检测——用梯度检测算子检测出物体图像轮廓的结构形状；

c)基元选择——依据训练图像样本集，研究确定描述待识别物体结构形状基元；

d)文法确定生成语言L(G)——依据训练图像样本集确定文法；

e)和所选择的基元生成模板句子的有限集合——语言L(G)

f)基元提取及生成未知图像句子X——依据所选定的基元对提取出来物体结构形状进行基元提取并生成未知图像轮廓形状的句子；

g)句法分析——按着相似性准则，判别XL(G)，若XL(G)，则X为要识别物体，否则X不是要识别的物体。

1)基元选择

物体的几何形状虽然各不相同，但都是由简单的几何形状组成，其中大多数几何开头都是由线段、弧和少量非圆曲线等所组成。人们根据物体的几何形状，便可识别出汽车、飞机等物体。

a)线段基元

线段基元可用线段的长度、斜率和端点坐标来描述，附图5说明。

其中，A点坐标为(XA、YA)，B点坐标为(XB、YB)

b)八个方向的线段基元

基元可用它们的标识符号和数量属性来描述，八个方向线段基元描述附图6说明。如要更精确一些，可选用如16，32或64个方向的线段作为基元。

2)链码(又称句子、符号串、字符串)

基元按着文法规则就可生成链码，附图6图7说明。

链码可称之为字符串(或符号串)，它可用来描述各种图像形状，且与图像形状平移，比例变换及视角左右偏移无关，而且是唯一的。

依据八个方向基元可以计算出长方形的语言L(G)为：

(a)a₀ ⁿa₆ ^ma₄ ⁿa₂ ^m

(b)a₁ ⁿa₇ ^ma₅ ⁿa₃ ^m等，这里n不等于m。

3)句法分析

句法分析就是实现识别的过程，即判别未知图像链码X∈L(G)是否成立，也就是说若链码X与语言L(G)中模板链码不相似或不相同，则链码X所表示的图像是语言L(G)模板链码所代表的图像类型。

常用的句法结构方法是莱芬沙因(LenVenshtein)距离法。LenVenshtein距离分类判别式为：

d(x，y)＝min{δ·L_j+r·m+β·n_j}............(4)

式中，L_j——代换误差的次数，m_j——插入误差次数，n_j——抹去误差次数，δ、r、β为加权量。

这是：代换误差定义为：W₁aW₂→W₁bW₂

插入误差定义为：W₁W₂→W₁aW₂

抹去误差定义为：W₁aW₂→W₁W₂

将各种固定形状物体生成L(G)，若得到的未知形状XL(G)，则X为烟雾，否则不是。

Claims (7)

1.烟雾自适应检测方法，包括下列步骤：

(1)拉普拉斯差分图像检测

(2)梯度检测边缘烟雾形状

(3)八邻域跟踪描述烟雾形状

(4)句法结构识别算法判定烟雾

2.如权利要求1所述拉普拉斯差分图像方法，由下列方法得出：

设图像f(x，y，t_k-1)为无烟帧图像，f(x，y，t_k)和f(x，y，t_k+1)为有烟帧图像，则这三幅图像的拉普拉斯差图像D_{fk-1，fk，fk+1}为一幅二值图像：

$\left\{\begin{array}{c}{D}_{f_{k-1},f_k}=\left|f_{k-1}{-f}_k\right|\\ D_{f_k,f_{k-1}}(x,y)=|f_k-f_{k-1}|\\ D=|D_{f_{k-1},f_k}(x,y)-D_{f_k,f_{k+1}}(x,y)|\end{array}\right.$

这里，x，y＝0，1，2，........，N-1

二值图像灰度阈值T为

$T=\frac{{[\frac{S_{k-1}+S_k}{2}+{\left(\frac{M_k-M_{k-1}}{2}\right)}^2]}^2}{S_{k-1}.S_k}$

其中，S_k，M_k为某小邻域Ω(x，y)的方差和均值。

有烟雾图像f(x，y，tk)和无烟雾图像差分便可以得到烟雾图像。

3.如权利要求1所述的梯度检测边缘烟雾形状的方法，其特征在于边缘检测G算子表示为

$G\left[f(x,y)\right]\widetilde{=}|f(x,y)-f(x+1,y)|+|f(x,y)-f(x,y+1)|$

其中，f(x，y)为二值差分图像。

4.如权利要求1所述的八邻域跟踪算法，依据Robinson边缘点连接方法，可将各个边缘点连成一个形状。

5.如权利要求1所述的句法结构识别算法，其特征在于依据物体外部形状来识别各种物体，且于目标物体旋转、比例和平移变化无关。具体方式如下：

基元选择——依据训练图像样本集，研究确定描述待识别物体结构形状基元。

文法确定——依据训练图像样本集和所选择的基元生成模板句子的有限集合——语言L(G)确定文法。

基元提取及生成未知图像句子X——依据所选定的基元对提取出来物体结构形状进行基元提取并生成未知图像轮廓形状的句子。

句法分析——按着相似性准则，判别XL(G)，若XL(G)，则X为要识别物体，否则X不是要识别的物体。

具体描述如下：

线段基元，可用线段的长度、斜率和端点坐标来描述。

八个方向的线段基元，可用它们的标识符号和数量属性来描述。

链码(又称句子、符号串、字符串)，基元按着文法规则就可生成链码，链码可称之为字符串(或符号串)，它可用来描述各种图像形状，且与图像形状平移，比例变换及视角左右偏移无关，而且是唯一的。依据八个方向基元可以计算出长方形的语言L(G)为：

(a)a₀ ⁿa₆ ^ma₄ ⁿa₂ ^m

(b)a₁ ⁿa₇ ^ma₅ ⁿa₃ ^m等，这里n不等于m。

句法分析，是实现识别的过程，即判别未知图像链码X∈L(G)是否成立，也就是说若链码X与语言L(G)中模板链码不相似或不相同，则链码X所表示的图像是语言L(G)模板链码所代表的图像类型。

常用的句法结构方法是莱芬沙因(LenVenshtein)距离法。LenVenshtein距离分类判别式为：

d(x，y)＝min{δ·L_j+r·m+β·n_j}…………(4)

式中，L_j——代换误差的次数，m_j——插入误差次数，n_j——抹去误差次数，δ、r、β为加权量。

这是：代换误差定义为：W₁aW₂→W₁bW₂

插入误差定义为：W₁W₂→W₁aW₂

抹去误差定义为：W₁aW₂→W₁W₂

将各种固定形状物体生成L(G)，若得到的未知形状XL(G)，则X为烟雾，否则不是。

6.一种烟雾自适应检测系统，其特征包括：

视频输入设备，其采集图像信息，生成视频模拟图像；

模数转换部件，其将所述视频模拟图像进行数字化转化；

计算机系统，其设有目标特征数据库，对所述数字化的视频图像进行处理和判别。

7.一种烟雾自适应检测系统，其特征在于：

所述视频输入设备检测摄像机，用于摄取图像和，连接视频矩阵切换器，所述视频矩阵切换器还分别连接实时图像采集卡、通讯接口传输控制模块和系统报警与处理平台，通过所述通讯接口传输控制模块连接计算机总线，接受计算机主机的指令，进行通讯切换，接受所述检测摄像机的图像并发送给所述实时图像采集卡，接受计算机主机发出的报警控制指令，向系统报警与处理平台发送报警信号以及相关检测图像，由系统报警与处理平台将其生成的警报信息和相关图像送至与其连接的交通控制显控器显示。所述计算机主机还通过计算机总线连接图像处理数据分析单元和随机图像存储器。所述数据分析单元与所述计算机主机通信，根据计算机主机控制器的指令进行数据分析，所述随机图像存储器同计算机主机控制器通信，用于数据的随机存储。

Images