[发明专利]一种基于局部极值共生模式和能量分析的烟雾检测

说明书

本文针对烟雾稀薄的场景下提出一种新颖的且具有鲁棒性的视频烟雾检测方法，该方法主要由预处理，特征提取和图像分类三个阶段组成。在预处理阶段，通过使用背景差分算法提取视频帧的运动前景区域；其次采用HSV颜色空间作用于运动前景区域识别烟雾像素；然后使用局部极值共生模式(local extrema co‑occurrence pattern，LECoP)计算纹理特征和使用烟雾能量分析计算能量特征；最后，将特征矢量训练支持向量机(support vector machine，SVM)用于识别烟雾。通过实验结果可以看出该文提出的方法能有效检测出烟雾。

袁梅

技术领域

本发明属于视频处理技术领域，具体涉及一种基于局部极值共生模式和能量分析的视频烟雾检测方法。

背景技术

火灾常常会伴随着烟雾和火的产生，所以烟雾或火在某种程度上可以作为火灾有效预警的检测要素，本文主要是进行烟雾的检测。对于火灾探测系统，早期主要有通过烟雾传感器，热量传感器，CO传感器等来进行火灾探测，但是这些方法有很多缺点，比如，烟雾、热量、CO等火灾伴随物从火灾发生点到达传感器需要一定的传播时间，这就造成了时间延迟，这对火灾的扑救造成了重大的困难；此外这些方法适合在室内进行检查，如果把它们应用在检测面积更大的环境下，因为烟雾在各个方向进行传播的缘故，这就使性能大幅度降低。由于传统火灾探测的局限性，促使人们越来越关注基于视频的火灾探测。计算机视觉技术与传统基于传感器方法不同，它大多采用从光学视频中提取信息，因此它不仅适合室内的环境，还适用于室外；并且环境的变化对他们的表现几乎没有什么影响；相较于传统方法得到的结果更准确，且成本较低，可以和监控系统很好的结合在一起。

为了取得好的检测性能，现已经存在的研究工作大部分使用烟雾的颜色，纹理，形状和动态特性作为特征进行烟雾的识别。具体来说，烟雾有特殊的颜色，特别的纹理和不规则的形状，所有的这些属性都随着时间的推移而动态的改变。不少研究人员已经研究了基于计算机视觉的烟雾探测技术,其中大部分文献都是基于多阶段模式识别，主要是由预处理(PPS)，特征提取(FE)和分类(CLASSIFY)三个阶段组成。PPS的主要工作是通过识别烟雾像素和分析符合条件的区域来确定输入视频序列中我们感兴趣的区域(ROI)。研究员在各种颜色空间中使用色彩分割(CS)方法来分割ROI，颜色空间主要有HSV，YUV，YCbCr和HSI。HSV由图像像素的色调，强度值和饱和度，本文就是采用该色彩空间。然而，运动目标检测主要通过帧差法，光流法，高斯混合建模和VIBE完成。VIBE算法是一种优于高斯混合建模和帧差法的一种运动前景提取算法。此外，为了从类似烟雾颜色的运动物体中区分开烟雾，许多研究人员使用时空小波分析和数学建模动态纹理分析提取特征来分析烟雾区域。文献使用时空分析，烟雾运动建模和动态纹理识别来从类似烟雾颜色的运动物体中识别出烟雾。与此同时，文献通过使用小波变换和光流法计算的特征值来区分烟雾。

无论怎么样，单靠小波分析无法解决上述的问题，因为它只能确定高频分量。此外，因为后续烟雾特征随密度而变化，这就需要使用纹理分析来解决问题。文献通过评估LDSs(线性动态系统)来提取外观和特征来模拟动态纹理。文献中的作者提出了一种模型，通过将每个像素映射到复杂网络的节点来提取纹理，从而通过网络变换产生空间和时间度，以便分别提取外观和运动特征。为了提高生物医学诊断的准确性和获得视觉纹理属性的有效表示，文献的作者使用了2D Gabor滤波器，它具有将一个图像分解到优选方向特性的能力。研究人员利用Gabor滤波器和小波能量从光烟气流中提取潜在的时空特征，从而通过支持向量机(SVM)实现分类。文献使用LECoP计算烟雾的纹理，然后使用深度信念神经网络(DBN)识别烟雾。