基于小波能量的輪廓抖動(dòng)性煙霧檢測(cè)算法

李慶奇，馬 莉

0 引言

近幾年，視頻煙霧檢測(cè)已經(jīng)成為戶外火災(zāi)檢測(cè)的一個(gè)重要的研究方向。目前國(guó)內(nèi)外利用視頻檢測(cè)煙霧的研究方向有以下幾個(gè)方面:基于顏色的檢測(cè)方法［1］、基于煙霧外部特征的方法［2］、基于能量的檢測(cè)方法［3］。本文在分析煙霧靜態(tài)特征和動(dòng)態(tài)特征的基礎(chǔ)上提出了基于小波能量的輪廓抖動(dòng)性煙霧檢測(cè)算法。算法首先對(duì)采集的視頻圖像進(jìn)行卡爾曼濾波，利用二維小波提取煙霧輪廓。然后在動(dòng)態(tài)特征中進(jìn)行輪廓能量特征和不規(guī)則特征進(jìn)行提取。最后使用貝葉斯分類器，通過(guò)對(duì)當(dāng)前觀測(cè)值的煙霧和非煙霧概率比較判定是否為煙霧。

1 煙霧前景分析

煙霧前景提取主要是利用卡爾曼濾波和二維小波變換提取出疑似煙霧區(qū)域的輪廓，作為動(dòng)態(tài)特征提取的依據(jù)。

1.1 ROI區(qū)域提取

首先使用卡爾曼濾波進(jìn)行運(yùn)動(dòng)檢測(cè)，之后對(duì)卡爾曼濾波后的結(jié)果提取最大連通區(qū)域，最后得到ROI區(qū)域?？柭鼮V波的算法思路是利用前一時(shí)刻的估計(jì)值和現(xiàn)時(shí)刻的觀測(cè)值來(lái)更新對(duì)狀態(tài)變量的估計(jì)，求出現(xiàn)時(shí)刻的估計(jì)值，它適合于實(shí)時(shí)處理。濾波公式如:

式中，B(i，j，k+1)、B(i，j，k)分別為第 k+1 和第 k 幀的背景圖像(i，j)的象素值，I(i，j，k)為當(dāng)前幀圖像(i，j)的象素值，α為運(yùn)動(dòng)因子，β為背景因子。其次對(duì)卡爾曼濾波結(jié)果進(jìn)行8連通域標(biāo)記，最后求出最大的連通區(qū)域。這個(gè)區(qū)域就是所求的ROI區(qū)域。

1.2 小波輪廓提取

小波輪廓檢測(cè)的主要目的是對(duì)上述的最大連通區(qū)域進(jìn)行二維小波變換，得到前景的輪廓信息。一幅圖經(jīng)過(guò)二維小波變換得到一幅低頻信息和三幅高頻信息輪廓信息主要使用的是高頻信息，本文通過(guò)水平高頻和垂直高頻信息疊加提取煙霧區(qū)域的輪廓。

2 煙霧動(dòng)態(tài)分析

通過(guò)前景分析提取煙霧小波能量特征和不規(guī)則特征后，最后輸入到貝葉斯分類器中進(jìn)行判定，去除掉類煙霧物體。

2.1 煙霧輪廓小波能量分析

由于煙霧變化的緩慢性，造成煙霧在確定的輪廓坐標(biāo)處的高頻信息變化也比較緩慢，所以高頻能量變化也比較緩慢。這與類煙霧信息不同，類煙霧物體如穿白色衣服的人，白色的車，由于其是整體移動(dòng)的，所以在確定的邊沿坐標(biāo)上變化比較明顯，造成類煙霧確定的邊沿的高頻信息變化比較明顯，高頻能量變化也相應(yīng)的比較明顯。由前景分析得到圖像的輪廓向量L={(x1，y1)，(x1，y1)，…，(xN，yN)}，其中N為輪廓點(diǎn)個(gè)數(shù)，xi為點(diǎn)i的橫坐標(biāo)值，yi為點(diǎn)i的縱坐標(biāo)值，L為N個(gè)點(diǎn)構(gòu)成的N的向量。輪廓上的點(diǎn)象素值構(gòu)成一維向量 F(k)={Ik(x1，y1)，Ik(x2，y2)，…，Ik(xN，yN)}，其中 N 為輪廓點(diǎn)的個(gè)數(shù)，xi為點(diǎn)i的橫坐標(biāo)值，yi為點(diǎn)i的縱坐標(biāo)值，Ik(xi，yi)為在k幀中點(diǎn)(xi，yi)處的象素值，F(xiàn)(k)為第k幀輪廓象素點(diǎn)構(gòu)成一個(gè)N的向量。對(duì)F(k)進(jìn)行一維小波變換，Ek=∑abs(F(k)×g)，其中Ek為k幀時(shí)輪廓一維小波變化后的高頻能量總和，g為高通濾波器。煙霧和非煙霧的輪廓高頻能量變化如圖1所示:

圖1 煙霧和非煙霧的輪廓高頻能量變化

圖1 (a)、(b)為煙霧在確定輪廓小波變換高頻能量的變化，圖1(c)為穿白色衣服的人的輪廓小波變換高頻能量的變化，圖1(d)為車的輪廓小波變換高頻能量的變化。從圖1中可以看出類煙霧物體一維小波變換后高頻能量在初始幾幀變化比較劇烈，之后變化比較緩慢，而煙霧在初始幾幀變化沒(méi)有類煙霧的變化明顯，通過(guò)這種變化可以將煙霧和類煙霧物體區(qū)分開(kāi)。取輪廓小波能量作為貝葉斯分類器的一個(gè)輸入。

2.2 煙霧不規(guī)則分析

在一般情況下，形狀規(guī)則物體的邊緣輪廓長(zhǎng)度總是比不規(guī)則物體的輪廓長(zhǎng)度短，前提是在物體面積一致的狀態(tài)下比較，而煙霧由于其擴(kuò)散的不確定性，在形狀上也體現(xiàn)出不規(guī)則性，利用前面提取的邊沿能對(duì)其進(jìn)行分析。這樣就可以引入物體邊緣周長(zhǎng)與物體面積之比來(lái)衡量物體的不規(guī)則性。煙霧輪廓的不規(guī)則性如:

參數(shù)SDTk表示視頻圖像序列第k幀的不規(guī)則度量值，即煙霧區(qū)域的輪廓不規(guī)則性度量值，SEPk表示當(dāng)前第k幀圖像中最大疑似區(qū)域的周長(zhǎng)，STPk表示當(dāng)前第k幀圖像中的最大疑似區(qū)域面積，此特征作為貝葉斯分類器的一個(gè)輸入。

3 煙霧檢測(cè)實(shí)驗(yàn)結(jié)果及結(jié)論

貝葉斯的訓(xùn)練樣本150幀，取自開(kāi)放環(huán)境下真實(shí)煙霧圖像(80幀)，類煙白色運(yùn)動(dòng)物體圖像(30幀)，反光樹(shù)葉(20幀)，白色類煙地面(20幀);測(cè)試樣本100幀，其中真實(shí)煙霧50幀，類煙霧白色物體20幀，樹(shù)葉15幀，地面15幀。實(shí)驗(yàn)結(jié)果和貝葉斯分類判定結(jié)果分別如圖2、表1所示:

圖2 煙霧檢測(cè)實(shí)驗(yàn)結(jié)果

表1 貝葉斯分類判定結(jié)果

圖2中上兩組為真實(shí)煙霧，下2組分別為白色的車和行人。圖2(a)組為原圖，圖2(b)組為KALMAN濾波后的結(jié)果，圖2(c)組為小波輪廓檢測(cè)后的結(jié)果，圖2(d)組為貝葉斯分類后的判定結(jié)果。

實(shí)驗(yàn)結(jié)果表明，算法對(duì)于真實(shí)火災(zāi)煙霧的識(shí)別率較高。對(duì)于一些緩慢運(yùn)動(dòng)的不規(guī)則的非煙物體可能會(huì)造成一些誤檢，綜上所述，本文算法能夠較好的識(shí)別林火煙霧，準(zhǔn)確率較高，降低誤檢率。

4 結(jié)束語(yǔ)

本文提出了一種開(kāi)放環(huán)境下基于輪廓小波能量分析的煙霧檢測(cè)算法，通過(guò)煙霧輪廓的能量變化和輪廓的不規(guī)則性兩個(gè)特征對(duì)煙霧和類煙霧物體進(jìn)行區(qū)分，并使用貝葉斯分類器進(jìn)行分類判定。實(shí)驗(yàn)結(jié)果表明，此算法能提高檢測(cè)的準(zhǔn)確性和魯棒性，對(duì)環(huán)境適應(yīng)能力較強(qiáng)，對(duì)實(shí)現(xiàn)智能森林火情檢測(cè)具有重要的應(yīng)用價(jià)值。

［1］ Chen Thou-Ho，Yin Yen-Hui，Huang Shi-Feng，et al.The Smoke Detection for Early Fire-Alarming System Base on Video Processing［C］.California:in Proceedings of the 2006 International Conference on Intelligent Information Hiding and Multimedia Signal Processing，2006:427 －430.

［2］ MarutaHidenori，Kato Yasuharu，Nakamura Akihiro，et al.Smoke detection in open areas using its texture features and time series properties［C］.Seoul:in IEEE International Symposium on Industrial Electronics，2009:1 904 －1 908.

［3］ Kim Chansu，Han Yonngin，Seo Yongduck，et al.Statitical Pattern Based Real-time Smoke Detection Using DWT Energy［C］.Jeju Island:in IEEE Information Science and Applications，2011:1－7.

［4］ Toreyin B U，Dedeoglu Y，Cetin A E.Contour based smoke detection in video using wavelets［C］.Florance:14th European Signal Processing Conference，2006:760－763.

［5］ 楊猛，趙春暉，潘泉，等.基于小波分析的煙霧多特征融合和空間精度補(bǔ)償森林火情檢測(cè)算法［J］.中國(guó)圖像圖形學(xué)報(bào)，2009，14(4):694 －700.