一種基於視頻的多種特徵融合的煙霧識別方法
2023-05-02 02:24:16 2
一種基於視頻的多種特徵融合的煙霧識別方法
【專利摘要】本發明提供了一種基於視頻的多種特徵方法融合的煙霧檢測方法。該方法通過對背景建模去除背景、根據煙霧區域與非煙霧區域的各通道最小值的不同篩選煙霧候選區、並根據角點輪廓和小波變換統計特徵去除非煙霧物體。該方法將多種特徵有機結合起來,構造出一種複合的、具有較好適應性和準確性的煙霧識別算法。本發明的有益之處是:有效地融合了多種區分煙霧與非煙霧的特徵,具有較好的適用性,能夠檢測多種顏色、多種形態的煙霧;準確率較高,能夠有效去除與煙霧顏色相同或相近物體的幹擾,並及時準確地識別煙霧,故可用於多種火災預報警系統中,從而火災發生的初期為人們提供預警。
【專利說明】一種基於視頻的多種特徵融合的煙霧識別方法
【技術領域】
[0001]本發明屬於計算機圖像處理【技術領域】,具體涉及一種基於視頻的多種特徵融合的煙霧識別方法,可應用於火災預報警監測軟體系統中。
【背景技術】
[0002]火災嚴重威脅著人類的財產安全和生命安全,對火災進行預測報警能夠使人們防患於未然,從而使火災對人民群眾的危害降低到最小。傳統的煙霧報警器通常使用感溫、感光等手段,一般需要安裝在著火點附近;此外,感溫傳感器監測到溫度上升並進行報警時,通常火災已經發生,火勢已經蔓延,為人們預留的時間比較短。視頻煙霧檢測不僅無安裝位置的要求,而且它是通過對煙霧的監測進行預警,煙霧通常發生在火災的初期,因此能夠為人們躲避或撲滅大火爭取更多的時間。
[0003]與一般的模式識別任務相類似,煙霧檢測的核心技術之一是從圖像數據中抽取出具有良好的區分能力和抗噪聲、幹擾能力的特徵描述或表述。特徵提取算法以及在此基礎上的識別算法的有效性對整體的識別的準確率和可靠性具有至關重要的作用。識別煙霧所使用的特徵一般分為靜態特徵和動態特徵,靜態特徵有顏色特徵、紋理特徵、周長與面積t匕、梯度值等,靜態特徵的主要特點是僅從一幀視頻中即可計算出所需特徵。動態特徵有塊累積朝向、邊緣輪廓的頻率等,動態特徵的主要特點是需要從連續的多幀中抽取其統計特徵。一般來講,靜態特徵計算量較小,效率較高,但抗幹擾能力相對較弱,準確性相對較低;而動態特徵計算量較大,效率較低,但抗幹擾能力相對較強,準確性也相對較高。
[0004]煙霧雖然具有豐富的特徵,但是要將其從複雜的環境中準確識別出來,與剛性物體相比,還是具有不少的困難。現有檢測技術所存在的不足主要有兩個方面:
[0005](I)準確性不夠
[0006]目前的煙霧檢測,無論是利用單一特性還是綜合利用多種特性,都會有漏報和誤報,尤其是在複雜的環境裡。採用單一特性的煙霧檢測,誤報率往往較高,特別是無法對淡而少的煙和濃而厚的煙同樣處理。準確性不夠的根本原因,是這些特徵不夠本質,
[0007]與煙霧沒有一一對應關係。
[0008](2)適應性不強
[0009]雖然有些算法在一定條件下具有較好的效果,但在複雜環境下其檢測性能有所降低。
【發明內容】
[0010]本發明旨在針對現有煙霧識別技術在準確率不高和適用性不強的不足,提出一種新穎的、融合靜態特徵和動態特徵的煙霧識別方法。
[0011]為了解決上述技術問題,本發明公開了一種多特徵融合的煙霧視頻檢測算法,包括如下步驟:
[0012](I)設定背景幀和閾值幀,背景幀初始時取為第一幀視頻,閾值幀中所有像素點的初始值均設為10 ;10是指像素的灰度值大小,8位單通道的灰度值是O到255,是相對值。
[0013](2)讀取視頻幀,更新背景和閾值,閾值更新公式如下:
[0014]
【權利要求】
1.一種基於視頻的多種特徵融合的煙霧識別方法,其特徵在於,包括以下步驟: (1)設定背景幀和閾值幀; (2)讀取視頻幀,更新背景和閾值; (3)對視頻的第η幀In(X,y)與第η幀背景Bn(x,y)做差,差值圖像為differln(x, y); (4)判斷是否有訓練模型M,如果有直接進行步驟(5),否則建立訓練模型M後進行步驟(5); (5)將視頻的第η幀轉化為k*k大小的塊,取塊中所有像素點的三通道的最小值,使用步驟4中的訓練模型M識別,將所有非煙霧區域設值為O,煙霧區域設值為1,得圖像minln ; (6)尋找視頻第η幀中的角點; (7)對步驟6中找到的角點進行聚類,繪製包圍每類角點的輪廓,將輪廓內的所有點設值為O,得到圖像CornerIn ; (8)採用基波函數,對步驟2中的第η幀背景Bn(X,y)和視頻中第η幀圖像In(x,y)分別作二維離散小波變換,分解後的圖像包含四個區域,LL區域表現圖像的低頻部分;HL、LH和HH區域分別包含水平方向、垂直方向和對角方向的邊緣信息,求小波變換後圖像幀與背景中貞的差值; (9)對步驟8中的HL、LH和HH區域分塊求塊內係數和,如果係數和大於閾值Tl,則判定為非煙霧,否則判定為煙霧,然後根據HL、LH和HH區域中像素點的位置設置原視頻幀,得到圖像 waveletln。
2.根據權利要求1所述的一種基於視頻的多種特徵融合的煙霧識別方法,其特徵在於,步驟(1)中,背景幀初始時取視頻第一幀,閾值幀中所有像素點的初始值均設為10。
3.根據權利要求2所述的一種基於視頻的多種特徵融合的煙霧識別方法,其特徵在於,步驟⑵中,閾值更新公式如下:
τ ( 一 faTn(x,y) + S 木(1- a)|In(x,y) — Bn(x,y)|(x,y)靜止%+iwyi= I^.、,、卜、-...,,
IT?(x,y), (x,y),W3S 功 其中,Tn+1 (x, y)表示第η+1幀閾值圖像中(X,y)點的灰度值,Tn(x, y)表示第η幀閾值圖像中(x,y)點的灰度值,Bn(x,y)表示第η幀背景圖像中(x,y)點的對應灰度值,a為常數,表示閾值更新速度,In(X,y)表示第η幀視頻幀中(X,y)點對應的值; 背景更新公式如下:
η f 、— JaBn(x,y) + (I — a)in(X,y)f (x,y)點靜it
Bn+lix?yj — I ? ,^?
I Bn(x,y),動 Bn+1 (x, y)表示第n+1幀背景圖像中(x, y)點的對應灰度值。
4.根據權利要求3所述的一種基於視頻的多種特徵融合的煙霧識別方法,其特徵在於,步驟(4)中使用支持向量機SVM算法進行訓練。
5.根據權利要求4所述的一種基於視頻的多種特徵融合的煙霧識別方法,其特徵在於,步驟(6)中使用OpenCV中函數cvGoodFeaturesToTrack尋找視頻第η幀中的角點。
6.根據權利要求5所述的一種基於視頻的多種特徵融合的煙霧識別方法,其特徵在於,步驟(7)中使用基於距離和密度的聚類算法DBSCAN聚類; 使用convexHull繪製包圍每類角點的輪廓。
7.根據權利要求6所述的一種基於視頻的多種特徵融合的煙霧識別方法,其特徵在於,步驟(8)中選用db4小波函數作為基波函數。
8.根據權利要求7所述的一種基於視頻的多種特徵融合的煙霧識別方法,其特徵在於,步驟(9)之後包括以下步驟: (10)對步驟3中得到的差值圖像differln(x,y),步驟5中得到的圖像minln,步驟7中得到的圖像CornerIn,以及步驟9中得到的圖像WaveletIn做與運算,得到圖像tmpResultIn; (11)對步驟10中的圖像tmpResultI_n做中值平滑運算,得到圖像resultl_n; (12)計算步驟11圖像reSultI_n中所有非O點的面積,若面積大於等於閾值T2,則將報警標誌數num加1,如果num的值大於等於3,則報警;若面積小於閾值T2,則將報警標誌數num置O ; (13)如果視頻未結束,則跳至步驟I;否則,結束。
9.根據權利要求8所述的一種基於視頻的多種特徵融合的煙霧識別方法,其特徵在於,選取黃色、灰色、淡藍色、紅色及棕色的煙霧圖片,圖片中僅包含煙霧,抽取圖片中大小為k*k塊的所有像素點的三通 道的最小值,以抽取的數據作為訓練集,建立訓練模型M。
【文檔編號】G06K9/62GK103996045SQ201410245514
【公開日】2014年8月20日 申請日期:2014年6月4日 優先權日:2014年6月4日
【發明者】楊若瑜, 孫建坤 申請人:南京大學