JP6095049B2 - 煙検出装置 - Google Patents

Description

本発明は、監視カメラにより撮像された画像に対して画像処理を施すことにより、煙の発生を検出する煙検出装置に関し、特に、空調の気流あるいは風の影響等で激しく乱れる煙の検出に適した煙検出装置に関する。

火災発生時の初期消火、あるいは火災事故における逃げ遅れの防止の観点から、火災あるいは煙の早期発見が非常に重要となっている。そこで、煙検出装置の分野においては、監視カメラにより撮像された画像に対して画像処理を施すことで、煙の早期発見を行うことが研究されている。

その一例として、トンネル内などにカメラを設置し、カメラにより撮像された画像に対して画像処理を施すことで、煙を検出する従来の煙検出装置がある。煙を検出するための画像処理では、一般的に、基準となる画像（基準画像）をあらかじめ記憶しておき、最新の撮像画像と基準画像との差分画像を演算し、変化の生じた領域を抽出することで、煙を検出している（例えば、特許文献１参照）。

このように、カメラにより撮像された画像に対して画像処理を施して煙検出を行うことで、次の２点のメリットが得られる。
１）監視カメラの画像を目視確認することで、遠隔地において煙検出状況の把握が可能となる。
２）すでに設置されている監視カメラを流用することが可能であり、効率的な設備を構築できる。

特許第３９０９６６５号公報

しかしながら、従来技術には次のような課題がある。
従来技術においては、煙を検出するために、フレーム差分画像あるいは背景画像からの輝度差が所定の閾値を超えた画素領域を抽出していた。このような処理により、拡散する煙や流れる煙に関しては、検出することができる。

しかしながら、空調の気流あるいは風の影響等で激しく乱れる煙に関しては、煙の発生を検出することが困難であった。

また、検出対象である煙自体は、色味が少なく背景色によっては、撮像された画像における輝度変化（輝度差）が少ない場合があり、単純に差分画像を求めるだけでは、その輝度差の閾値設定が難しく、高感度な煙検出を行うことができない場合がある。

本発明は、上述のような課題を解決するためになされたものであり、激しく乱れる煙を検出対象とした際に、外乱の影響を抑えた上で、高感度に煙検出を行うことのできる煙検出装置および煙検出方法を得ることを目的とする。

本発明に係る煙検出装置は、監視カメラにより撮像された画像に対して画像処理を施すことにより、煙の発生を検出する煙検出装置であって、監視カメラにより時系列で撮像された複数の画像および基準画像を記憶する画像メモリと、複数の画像および基準画像に基づいて、検出対象である激しく乱れる煙の透過性を表す特徴量または激しく乱れる煙の動きを表す特徴量として、複数の相関特徴量および複数の分散特徴量を算出する特徴量算出部と、激しく乱れる煙をあらかじめ発生させた際の、発生前から発生後までの時系列画像として画像メモリに記憶された複数の画像および基準画像に基づいて特徴量算出部で算出された複数の相関特徴量および複数の分散特徴量をパラメータとして用いることで、激しく乱れる煙の有無を判定するための学習モデルを作成するサポートベクタマシンと、
監視時における時系列画像として画像メモリに記憶された複数の画像、および学習モデル作成時における基準画像に基づいて特徴量算出部で算出された複数の相関特徴量および複数の分散特徴量をパラメータとして、サポートベクタマシンで作成された学習モデルを利用することで激しく乱れる煙の有無を判定する煙発生検出部とを備え、サポートベクタマシンは、同一の監視対象領域について、エッジ強度の平均値が異なる複数の基準画像に対する複数の学習モデルを作成し、煙発生検出部は、複数の学習モデルを利用して激しく乱れる煙の有無を判定するものである。

また、本発明に係る煙検出方法は、監視カメラにより撮像された画像に対して画像処理を施すことにより、煙の発生を検出する煙検出装置に適用される煙検出方法であって、検出対象である激しく乱れる煙をあらかじめ発生させた際の、発生前から発生後までに時系列で撮像された複数の画像および基準画像を画像メモリに記憶させる第１ステップと、第１ステップで画像メモリに記憶された複数の画像および基準画像に基づいて、激しく乱れる煙の透過性または動きを表す特徴量として、複数の相関特徴量および複数の分散特徴量を算出する第２ステップと、第２ステップで算出された複数の相関特徴量および複数の分散特徴量をパラメータとして、サポートベクタマシンを使用して、激しく乱れる煙の有無を判定するための学習モデルを作成する第３ステップと、監視時において、時系列で撮像された複数の画像を画像メモリに記憶させる第４ステップと、第４ステップで画像メモリに記憶された複数の画像、および第１ステップで画像メモリに記憶された基準画像に基づいて、複数の相関特徴量および複数の分散特徴量を算出する第５ステップと、第５ステップで算出された複数の相関特徴量および複数の分散特徴量をパラメータとして、第３ステップによりサポートベクタマシンで作成された学習モデルを利用することで、激しく乱れる煙の有無を判定する第６ステップとを備え、第３ステップにおいて、サポートベクタマシンにより、同一の監視対象領域について、エッジ強度の平均値が異なる複数の基準画像に対する複数の学習モデルを作成し、第６ステップにおいて、複数の学習モデルを利用して激しく乱れる煙の有無を判定するものである。

本発明に係る煙検出装置によれば、サポートベクタマシンによる複数の基準画像に対する学習モデルを採用するとともに、複数の相関特徴量および複数の分散特徴量を用いることにより、激しく乱れる煙を検出対象とした際に、外乱の影響を抑えた上で、高感度に煙検出を行うことのできる煙検出装置を得ることができる。

本発明の実施の形態１における煙検出装置の構成図である。 本発明の実施の形態１における煙検出装置の全体処理の流れを示すフローチャートである。

以下、本発明の煙検出装置の好適な実施の形態につき図面を用いて説明する。

実施の形態１．
図１は、本発明の実施の形態１における煙検出装置の構成図である。本実施の形態１における煙検出装置は、画像メモリ１０、特徴量算出部２０、および煙発生検出部３０を備えている。画像メモリ１０は、カメラ１により撮像された画像を、過去一定期間分、時系列データとして記憶できるように、複数フレーム分の画像メモリとして構成されている。

特徴量算出部２０は、次の６種類の特徴量の算出部２１〜２６から構成されている。
［特徴量１］現画像と基準画像の輝度相関（特徴量１の算出部２１）
［特徴量２］現画像と基準画像のエッジ強度相関（特徴量２の算出部２２）
［特徴量３］現画像と前フレーム画像の輝度相関（特徴量３の算出部２３）
［特徴量４］現画像と前フレーム画像のエッジ強度相関（特徴量４の算出部２４）
［特徴量５］現画像と基準画像の輝度差分値の分散（特徴量５の算出部２５）
［特徴量６］現画像と基準画像のエッジ強度差分値の分散（特徴量６の算出部２６）

そして、特徴量算出部２０は、画像メモリ１０に記憶された、カメラ１により撮像された過去一定期間分の画像に基づいて、上述した６つの特徴量を算出する機能を有している。

また、煙発生検出部３０は、サポートベクタマシン３１を含んで構成される。このサポートベクタマシン３１は、教師あり学習を用いる識別手法の１つであり、既知の学習モデルである。そして、激しく乱れる煙が実際に発生した際の、発生前から発生後までの一連の時系列画像データについて、あらかじめ６つの特徴量の算出結果に基づく学習モデルの作成を行う。

すなわち、上述した一連の時系列画像データについて、激しく乱れる煙が実際に発生した際の画像に対応する６つの特徴量と、激しく乱れる煙が発生していない画像に対応する６つの特徴量とをパラメータとして用いて、サポートベクタマシン３１による学習モデルの作成をあらかじめ行っておく。この結果、煙発生検出部３０内のサポートベクタマシン３１は、監視時の時系列画像に対応する６つの特徴量に基づいて、激しく乱れる煙の有無を特定することが可能となる。

このような構成を備えることにより、本実施の形態１の煙検出装置は、あらかじめ取り込んだ複数の基準画像に基づいて複数の学習モデルを作成しておき、監視時に時系列で取り込んだ一連画像に基づいて算出された６つの特徴量を、学習済みのサポートベクタマシンに適用することで、激しく乱れる煙の検出に適した画像処理機能を実現できる。

次に、各特徴量の算出方法、および各特徴量の技術的意義について、具体的に説明する。

［相関値の計算について］
上述した特徴量１〜４の相関値の計算に当たっては、下式（１）を用いる。

［分散値の計算について］
また、上述した特徴量５、６の分散値の計算に当たっては、下式（２）を用いる。

［各特徴量の技術的意義について］
上述した６つの特徴量のうち、特徴量１、２、５、６は、検出対象である激しく乱れる煙の「透過性」を表す特徴量となっている。上述したように、検出対象である煙自体は、色味が少なく背景色によっては、撮像された画像における輝度変化（輝度差）が少ない場合が考えられる。

その一方で、誤報源となる可能性がある人や車の動きは、撮影された画像における輝度変化が大きい場合が多い。従って、これらの特徴量を用いることで、激しく乱れる煙と、人や自動車とを区別した学習を行うことができ、検出精度の向上を図ることができる。

また、上述した６つの特徴量のうち、特徴量３、４は、検出対象である激しく乱れる煙の「動き」を表す特徴量となっている。検出対象である激しく乱れる煙は、その動きが広範にわたって安定しない傾向にある。

その一方で、誤報源となる可能性がある日照変化や照明変動は、一定の領域で輝度が全体的に変動する場合が多い。従って、これらの特徴量を用いることで、激しく乱れる煙と、日照変化や照明変動とを区別した学習を行うことができ、検出精度の向上を図ることができる。

なお、今回算出している６つの特徴量の値は、計測領域の状態、特に基準画像の領域に大きく左右される。また、監視領域内の基準画像は、常に同一の輝度分布を有するとは限らない。

そこで、煙判定処理の性能を高めるためには、エッジ強度の平均値が高い場合の基準画像におけるサポートベクタマシンによる学習モデルと、エッジ強度の平均値が低い場合の基準画像におけるサポートベクタマシンによる学習モデルとを別々に設けておくことが考えられる。なお、エッジ強度の平均値は、高い場合と低い場合の２通りには限られず、３つ以上に場合分けすることも可能である。

次に、図１の構成を備えた本発明の煙検出装置の全体処理の流れを、フローチャートに基づいて説明する。図２は、本発明の実施の形態１における煙検出装置の全体処理の流れを示すフローチャートである。なお、この図２においては、エッジ強度の平均値が、高い場合と低い場合の２通りに場合分けしたケースを例に説明する。

まず始めに、ステップＳ２０１において、煙検出装置は、エッジ強度の平均値が低い場合と、エッジ強度の平均値が高い場合の２通りの基準画像において、学習モデルの作成をあらかじめ行っておく。

すなわち、基準画像のエッジ強度の平均値が低い場合に、検出対象である「激しく乱れる煙」が発生した際の学習モデルを作成するとともに、同じ監視領域の基準画像で、周囲環境等の影響でエッジ強度の平均値が高い場合にも、検出対象である「激しく乱れる煙」が発生した際の学習モデルを作成しておく。

次に、ステップＳ２０２において、特徴量算出部２０は、監視時にカメラ１を介して画像メモリ１０内に記憶された一連の時系列画像、およびあらかじめ画像メモリ１０に記憶された基準画像に基づいて、６つの特徴量を、上式（１）、（２）を用いて、小領域ごとに算出する。ここで、小領域として挙げた３２画素×３２画素は一例であり、監視領域に応じて適切な大きさの小領域を設定することができる。

次に、ステップＳ２０３において、煙発生検出部３０内のサポートベクタマシン３１は、エッジ強度の平均値が高い場合に作成した学習モデル、および監視時に求めた６つの特徴量を用いて、「激しく乱れる煙」の有無を判定する。

次に、ステップＳ２０４において、煙発生検出部３０内のサポートベクタマシン３１は、エッジ強度の平均値が低い場合に作成した学習モデル、および監視時に求めた６つの特徴量を用いて、「激しく乱れる煙」の有無を判定する。

そして、ステップＳ２０５において、煙発生検出部３０は、先のステップＳ２０３またはステップＳ２０４で「激しく乱れる煙」が検出された場合には、「激しく乱れる煙」が発生したと判断し、警報等の後続処理を実行する。

そして、本発明の煙検出装置は、このようなステップＳ２０１〜Ｓ２０５の一連処理を、所定のサンプリング間隔で、逐次実行していく。

以上のように、実施の形態１によれば、検出対象である「激しく乱れる煙」をあらかじめ発生させた際に時系列で取り込んだ複数の画像から、相関および分散による６つの特徴量を算出し、サポートベクタマシンによる学習モデルを作成しておく。この際、エッジ強度の平均値が異なる複数の基準画像に対して、学習モデルを作成しておく。そして、監視時に、時系列で取り込んだ複数の画像、および学習モデル作成時の基準画像から６つの特徴量を逐次算出し、サポートベクタマシンにより「激しく乱れる煙」の有無を判定している。

このように、本実施の形態１における煙検出装置は、サポートベクタマシンにより、複数の基準画像に対して複数の相関特徴量および複数の分散特徴量をパラメータとして作成された学習モデルを使用して、「激しく乱れる煙」の有無を判定することを技術的特徴としている。この結果、単純な比較処理等では検出が困難であった「激しく乱れる煙」を精度よく検出することができる。

なお、上述した６つの特徴量は、必ずしも全て用いる必要はなく、監視環境に応じて６つの特徴量の中から複数の特徴量を選択して用いることも可能である。

１ カメラ、１０ 画像メモリ、２０ 特徴量検出部、２１ 特徴量１の算出部、２２ 特徴量２の算出部、２３ 特徴量３の算出部、２４ 特徴量４の算出部、２５ 特徴量５の算出部、２６ 特徴量６の算出部、３０ 煙発生検出部、３１ サポートベクタマシン。

Claims (3)

1. 監視カメラにより撮像された画像に対して画像処理を施すことにより、煙の発生を検出する煙検出装置であって、
   前記監視カメラにより時系列で撮像された複数の画像および基準画像を記憶する画像メモリと、
   前記複数の画像および前記基準画像に基づいて、検出対象である激しく乱れる煙の透過性を表す特徴量または前記激しく乱れる煙の動きを表す特徴量として、複数の相関特徴量および複数の分散特徴量を算出する特徴量算出部と、
   前記激しく乱れる煙をあらかじめ発生させた際の、発生前から発生後までの時系列画像として前記画像メモリに記憶された複数の画像および基準画像に基づいて前記特徴量算出部で算出された前記複数の相関特徴量および前記複数の分散特徴量をパラメータとして用いることで、前記激しく乱れる煙の有無を判定するための学習モデルを作成するサポートベクタマシンと、
   監視時における時系列画像として前記画像メモリに記憶された複数の画像、および学習モデル作成時における前記基準画像に基づいて前記特徴量算出部で算出された前記複数の相関特徴量および前記複数の分散特徴量をパラメータとして、前記サポートベクタマシンで作成された前記学習モデルを利用することで前記激しく乱れる煙の有無を判定する煙発生検出部と
   を備え、
   前記サポートベクタマシンは、同一の監視対象領域について、エッジ強度の平均値が異なる複数の基準画像に対する複数の学習モデルを作成し、
   前記煙発生検出部は、前記複数の学習モデルを利用して前記激しく乱れる煙の有無を判定する
   煙検出装置。
2. 請求項１に記載の煙検出装置において、
   前記特徴量算出部が算出する前記複数の相関特徴量は、
   現画像と基準画像の輝度相関である第１の特徴量と、
   現画像と基準画像のエッジ強度相関である第２の特徴量と
   現画像と前フレーム画像の輝度相関である第３の特徴量と
   現画像と前フレーム画像のエッジ強度相関である第４の特徴量と
   を含み、
   前記特徴量算出部が算出する前記複数の分散特徴量は、
   現画像と基準画像の輝度差分値の分散である第５の特徴量と、
   現画像と基準画像のエッジ強度差分値の分散である第６の特徴量と
   を含み、
   前記第１の特徴量、前記第２の特徴量、前記第５の特徴量、および前記第６の特徴量は、前記透過性を表す特徴量に属し、
   前記第３の特徴量、および前記第４の特徴量は、前記動きを表す特徴量に属する
   煙検出装置。
3. 監視カメラにより撮像された画像に対して画像処理を施すことにより、煙の発生を検出する煙検出装置に適用される煙検出方法であって、
   検出対象である激しく乱れる煙をあらかじめ発生させた際の、発生前から発生後までに時系列で撮像された複数の画像および基準画像を画像メモリに記憶させる第１ステップと、
   前記第１ステップで前記画像メモリに記憶された前記複数の画像および前記基準画像に基づいて、前記激しく乱れる煙の透過性または動きを表す特徴量として、複数の相関特徴量および複数の分散特徴量を算出する第２ステップと、
   前記第２ステップで算出された前記複数の相関特徴量および前記複数の分散特徴量をパラメータとして、サポートベクタマシンを使用して、前記激しく乱れる煙の有無を判定するための学習モデルを作成する第３ステップと、
   監視時において、時系列で撮像された複数の画像を画像メモリに記憶させる第４ステップと、
   前記第４ステップで前記画像メモリに記憶された前記複数の画像、および前記第１ステップで前記画像メモリに記憶された前記基準画像に基づいて、複数の相関特徴量および複数の分散特徴量を算出する第５ステップと、
   前記第５ステップで算出された前記複数の相関特徴量および前記複数の分散特徴量をパラメータとして、前記第３ステップにより前記サポートベクタマシンで作成された前記学習モデルを利用することで、前記激しく乱れる煙の有無を判定する第６ステップと
   を備え、
   前記第３ステップにおいて、前記サポートベクタマシンにより、同一の監視対象領域について、エッジ強度の平均値が異なる複数の基準画像に対する複数の学習モデルを作成し、
   前記第６ステップにおいて、前記複数の学習モデルを利用して前記激しく乱れる煙の有無を判定する
   煙検出方法。

Images