基于Surfacelet變換和動態(tài)紋理的煙霧檢測

葉 威,趙儉輝,2,趙 洋,2,王 勇

(1.武漢大學(xué)計算機(jī)學(xué)院,武漢430072;2.武漢大學(xué)蘇州研究院,江蘇蘇州215123)

基于Surfacelet變換和動態(tài)紋理的煙霧檢測

葉 威1,趙儉輝1,2,趙 洋1,2,王 勇1

(1.武漢大學(xué)計算機(jī)學(xué)院,武漢430072;2.武漢大學(xué)蘇州研究院,江蘇蘇州215123)

鑒于煙霧檢測對火災(zāi)預(yù)警的重要作用,提出一種基于Surfacelet變換的動態(tài)紋理煙霧檢測算法。先對圖像序列進(jìn)行Surfacelet變換,再對變換后的系數(shù)進(jìn)行廣義高斯建模,獲得與系數(shù)相對應(yīng)的模型參數(shù)作為特征,最后使用KL距離做相似性度量。與其他3種基于Surfacelet變換的煙霧檢測方法進(jìn)行對比,包括:使用均值和方差作為特征,支持向量機(jī)進(jìn)行分類;使用均值和方差作為特征,歐式距離進(jìn)行相似性度量;使用廣義高斯模型參數(shù)作為特征,歐式距離進(jìn)行相似性度量。實驗結(jié)果表明,該算法可以提高煙霧檢測準(zhǔn)確性,降低誤檢率,有效去除類煙運(yùn)動物體的干擾。

Surfacelet變換;動態(tài)紋理;廣義高斯模型;KL距離;支持向量機(jī);歐氏距離

1 概述

火災(zāi)是一種多發(fā)性的災(zāi)害[1],不僅會給人類的社會生產(chǎn)和生活帶來巨大損失,而且嚴(yán)重威脅了人身財產(chǎn)安全,因而世界各國都十分重視火災(zāi)的預(yù)防和警報,“煙為火始”,火災(zāi)發(fā)生的前期通常會產(chǎn)生煙,因此,基于計算機(jī)視覺的煙霧識別在火災(zāi)的快速檢測中十分重要。

目前國內(nèi)外學(xué)者在基于圖像處理的煙霧檢測方面取得了許多研究成果,這些方法所采用的特征主要包括顏色、形狀、運(yùn)動、紋理。文獻(xiàn)[2]提出了使用普通CCD攝像機(jī)傳感器的煙霧探測系統(tǒng),先通過一個背景模型來提取煙的區(qū)域,然后通過貝葉斯方法進(jìn)行檢測,使用顏色信息和小波變換系數(shù)來分析圖像能量;文獻(xiàn)[3]提出使用背景估計和顏色特征確定煙的候選區(qū)域,通過Lucas Kanade方法來計算候選區(qū)域的光流場,Back Propagation神經(jīng)網(wǎng)絡(luò)方法則被用來劃分區(qū)域特征;文獻(xiàn)[4]提出基于積分圖像的運(yùn)動累積模型來快速估計煙的運(yùn)動方向;此后,文獻(xiàn)[5]又提出使用雙映射框架和AdaBoost相結(jié)合的方法來檢測煙;文獻(xiàn)[6]提出了檢測隧道環(huán)境中煙的方法,顏色和運(yùn)動特征被用來減少隧道環(huán)境中的錯誤檢測,通過檢測,測試和驗證程序可以獲得事件早期階段的準(zhǔn)確位置;文獻(xiàn)[7]使用基于灰度共生矩陣的紋理分析方法來實時檢測煙霧;文獻(xiàn)[8]使用小波和支持向量機(jī)來刻畫煙;文獻(xiàn)[9]用紋理分析和SVM檢測煙,首先提取運(yùn)動區(qū)域作為候選煙區(qū)域,然后通過紋理分析方法獲得圖像的特征向量,最后用SVM來區(qū)分煙和非煙;文獻(xiàn)[10]提出算法用于檢測戶外森林中的煙,首先用雙三次插值算法對圖像進(jìn)行預(yù)處理,再使用平穩(wěn)小波變換去除垂直、水平、對角方向的高頻細(xì)節(jié),最后使用煙霧驗證算法確定ROI區(qū)域是增加還是減少。

從對以上方法的描述中可以發(fā)現(xiàn),紋理是煙霧檢測使用最多的圖像特征,主要分為單幀紋理和連續(xù)幀紋理?；趩螏y理的方法只考慮了煙霧的靜態(tài)特征,但在火災(zāi)燃燒過程中,煙霧具有持續(xù)變化的特性,這些變化在單幀圖像中是無法體現(xiàn)的,只有在連續(xù)圖像序列中才能表現(xiàn)出來。而傳統(tǒng)的基于連續(xù)幀紋理的方法,雖考慮了幀間的關(guān)系,但對連續(xù)幀間變化的實質(zhì)性描述仍不夠充分,尤其是難以區(qū)分與煙霧靜態(tài)及動態(tài)特征都相似的對象,例如白色火焰、噴泉、浪花、瀑布等。

相較而言,動態(tài)紋理是傳統(tǒng)紋理在時間域的擴(kuò)展,它是指描述某種動態(tài)景觀的具有時間相關(guān)重復(fù)特征的圖像序列,是一類比較特殊的視頻數(shù)據(jù)[11];現(xiàn)有的動態(tài)紋理識別方法主要有4類[12],包括基于光流場的方法、基于時空幾何屬性的方法、基于局部時空濾波的方法和基于模型參數(shù)的方法。動態(tài)紋理是描述三維數(shù)據(jù)的一種方法,而Surfacelet變換[13-14]是一種可以表征多維度的多分辨率變換,同時能夠捕捉信號的奇異性變化的模型,這種特性使其比較適合于處理動態(tài)紋理數(shù)據(jù)。

動態(tài)紋理數(shù)據(jù)在經(jīng)過Surfacelet變換之后,可獲得視頻的三維系數(shù)子帶,但Surfacelet變換往往產(chǎn)生大量系數(shù),并不適合直接用于分析比較?？紤]到Surfacelet變換域各系數(shù)子帶近似服從高斯分布,用廣義高斯模型[15]可以較好地擬合各子帶系數(shù),然后再用高斯模型參數(shù)進(jìn)行動態(tài)紋理特征的描述。這樣,一段視頻可以通過一系列廣義高斯模型加以表達(dá),在進(jìn)行視頻區(qū)分時,KL距離可以衡量出這些模型之間的差異。

基于Surfacelet變換和廣義高斯模型,本文提出了一種新的動態(tài)紋理煙霧檢測算法。

2 圖像序列的Surfacelet變換

由于煙霧的逐漸擴(kuò)散會導(dǎo)致圖像中背景的紋理和邊緣信息變得模糊,紋理和邊緣對應(yīng)著圖像中的高頻信息,而Surfacelet變換可以很好地捕獲這些信息的變化,因此用Surfacelet變換非常適合于表征煙一類的動態(tài)紋理數(shù)據(jù),進(jìn)行煙的識別。該變換主要包括2個過程:多尺度分解和三維方向濾波器組(3D-DFB)分解。多尺度分解是用塔形結(jié)構(gòu)從信號生成高頻和低頻部分;而方向濾波器組則是將信號分成不同方向的方向子帶。

2.1 多尺度分解

因為3D-DFB只能處理信號的高頻部分,所以在信號通過3D-DFB之前,需要先進(jìn)行多尺度分解。在Contourlet變換中,圖像的多尺度分解由拉普拉斯金字塔實現(xiàn),而在Surfacelet變換中,則采用一種的新的塔式結(jié)構(gòu)來實現(xiàn)對圖像序列的多尺度分解(如圖1所示),具體步驟如下:

(1)將圖像序列分別通過高通濾波器H()和低通濾波器L(),分解得到對應(yīng)信號的高頻成分和低頻成分;

(2)判斷信號是否已經(jīng)分解至用戶預(yù)先設(shè)定的層數(shù),是則得到多尺度分解后的三維信號;否則轉(zhuǎn)至步驟(3);

(3)對信號的低頻部分進(jìn)行2倍的上采樣操作U(2);

(4)通過反混疊濾波器S()減弱上采樣操作帶來的頻譜混疊現(xiàn)象;

(5)進(jìn)行3倍的下采樣操作D(3)以獲得1.5倍的下采樣;

(6)將步驟(5)中獲得信號作為新的圖像序列,轉(zhuǎn)至步驟(1)迭代執(zhí)行。

圖1 多尺度分解

2.2 多方向分解

通過三維方向濾波器組對從多尺度分解中所獲得的每一尺度的高頻信號實現(xiàn)多方向分解(如圖2所示),具體步驟如下:

(1)基于n1n2平面,通過2D-DFB分解三維高頻信號獲得楔形子帶;

(2)基于n1n3平面,通過另一個2D-DFB分解三維高頻信號同樣獲得楔形子帶;

(3)由以上2個楔形子帶重合形成一個沿n1軸方向的塔形子帶,通過2個2D-DFB構(gòu)造了一個3D-DFB;

(4)用同樣的方式獲得沿n2軸和n3軸方向的塔形子帶;

(5)將不同尺度不同方向的分解子帶作為Surfacelet變換后的系數(shù)矩陣,也即圖像序列經(jīng)Surfacelet變換后的結(jié)果。

圖2 圖像序列的多方向分解

實驗中,對于輸入一個大小為272×480×64的煙視頻信號,選擇對其進(jìn)行兩層分解,每層分解方向統(tǒng)一為4方向,分解后各個子帶的詳細(xì)信息如圖3所示。

圖3 煙視頻信號兩層分解后的子帶信息

2.3 Surfacelet變換后的系數(shù)特點

Surfacelet變換后的各個層系數(shù)之間存在著一定的關(guān)系,Surfacelet變換和小波變換相類似,是一種很好的時頻分析工具,它具有三級特性:“初級特性”,“二級特性”,“三級特性”。初級特性表明Surfacelet變換具有能量緊支性和去相關(guān)性;二級特性表明Surfacelet變換具有非高斯性、聚集性和尺度間的持續(xù)性;三級特性是持續(xù)性的進(jìn)一步觀察的結(jié)果,反映的是信號所固有的自相似性。

Surfacelet變換可以被視為是在多個方向上表達(dá)影像各尺度的奇異性的一種多尺度邊緣檢測器,在平滑區(qū)域,Surfacelet變換后的系數(shù)具有較小的幅值,而具有奇異點的位置則具有較大的幅值。在小波變換當(dāng)中,給定尺度上相鄰的4個小波系數(shù)與相鄰的較低分辨率尺度上的一個小波系數(shù)相對應(yīng),這樣就會形成小波系數(shù)的四叉樹結(jié)構(gòu)。而對于Surfacelet變換,給定尺度上的系數(shù)的數(shù)目是相鄰的較低分辨率尺度上的系數(shù)數(shù)目的8倍,這一點可以從圖4中看出,對比第一層分解方向組1中子帶272×240× 32與第二層分解方向組1中子帶136×120×16,可以發(fā)現(xiàn)前者剛好是后者的8倍。同時,Surfacelet變換后,給定尺度上相鄰的8個系數(shù)是與相鄰較低分辨率尺度上的一個系數(shù)相對應(yīng),這樣就可以形成一個八叉樹結(jié)構(gòu),如圖4所示。

圖4 八叉樹結(jié)構(gòu)(某一層的情況)

八叉樹上的每一分支上的節(jié)點表示Surfacelet變換后不同尺度同一方向子帶中的系數(shù),體現(xiàn)了尺度間的持續(xù)性。從當(dāng)前節(jié)點出發(fā)沿著八叉樹的某一分支一直到根節(jié)點,這條路徑上經(jīng)過的所有節(jié)點都是當(dāng)前節(jié)點的祖先節(jié)點,子節(jié)點的分布特性由父節(jié)點所決定。

3 廣義高斯建模和KL距離度量

3.1 廣義高斯建模

廣義高斯分布是一類以高斯分布、拉普拉斯分布為特例的對稱分布,它在信號處理和圖像處理領(lǐng)域都有廣泛的應(yīng)用。在有關(guān)廣義高斯的應(yīng)用中,相關(guān)參數(shù)的估計是一個關(guān)鍵問題,同時關(guān)于估計的收斂性質(zhì)的探討也十分有意義,本文采用矩估計方法來討論廣義高斯分布的參數(shù)。

通過觀察Surfacelet變換的系數(shù)分布情況可以發(fā)現(xiàn),變換后的系數(shù)大部分分布在零點左右,只有少量系數(shù)的絕對值比較大,也就是說變換后的系數(shù)能量多集中于有限的變換域系數(shù)上,所以這種系數(shù)的分布特點會在零點處產(chǎn)生一個尖峰,并且會有一個很長的拖尾,這種分布特性是由Surfacelet變換的能量緊支性所決定的,它和廣義高斯分布特點非常接近。因而本文采用廣義高斯模型對Surfacelet變換分解后的系數(shù)子帶如136×120×16子帶進(jìn)行建模。廣義高斯模型由尺度參數(shù)α和形狀參數(shù)β來完成,廣義高斯分布的概率密度函數(shù)(PDF)定義如下:

由上式可以得到β的矩估計為:

而α的矩估計為:

其中:

3.2 基于KL距離的相似性度量

KL距離是Kullback-Leibler的簡稱,也被叫作相對熵,它是信息論中的一個重要概念。它可以衡量相同事件空間里2個概率分布的差異情況,所以也能夠計算2個廣義高斯分布的差異。

假設(shè)有2個數(shù)據(jù)樣本(在本文中就是對動態(tài)紋理進(jìn)行Surfacelet變換的某一子帶系數(shù)矩陣)X1= (x1,x2,…xN)和Y1=(y1,y2,…yN),建立的廣義高斯模型參數(shù)分別為θ1=(α1,β1)和θ2=(α2,β2),則兩者的概率分布可以表示為p(X1;α1,β1)和p(Y1;α2,β2),則兩者之間的KL距離計算公式如下:

4 基于Surfacelet變換的動態(tài)紋理煙霧檢測

首先要構(gòu)造2個標(biāo)準(zhǔn)動態(tài)紋理庫DB正(存放煙視頻樣本)和DB負(fù)(存放白色火焰,噴泉,瀑布,浪花等非煙樣本),然后,建立標(biāo)準(zhǔn)模型參數(shù)庫DB來存儲標(biāo)準(zhǔn)庫中動態(tài)紋理模型的各個子帶系數(shù)的廣義高斯模型參數(shù)α和β。假定選擇L段動態(tài)紋理作為標(biāo)準(zhǔn)動態(tài)紋理,其中每個動態(tài)紋理經(jīng)過Surfacelet變換后都被分解為N個子帶,則每個動態(tài)紋理的特征向量包含的是這N個子帶的廣義高斯模型的參數(shù),其中第i個動態(tài)紋理的特征向量θi=[M1M2,…,MN],其中,Mi=[αi,βi],因而此時模型參數(shù)庫DB=[θ1,θ2,…,θL]。結(jié)合第2部分和第3部分,基于動態(tài)紋理的煙檢測算法包括以下步驟:

(1)首先對某一個輸入的種類未知的動態(tài)紋理進(jìn)行Surfacelet變換,獲得變換后的系數(shù)子帶;

(2)對每一個子帶建立廣義高斯模型,將得到的所有子帶的模型參數(shù)合為一個向量M表征該類動態(tài)紋理;

(3)計算M和標(biāo)準(zhǔn)模型參數(shù)庫DB中所有類別的廣義高斯模型的KL距離,假定有2個特征向量分別為:

則這2個特征向量基于KL距離的相似性度為:

這一步計算時有2種方法:平均距離法(AD)和最小距離法(MD)。使用MD方法時,距離最小的那個動態(tài)紋理的類別便是輸入的待判定的動態(tài)紋理的種類,使用AD方法時,與某類動態(tài)紋理所有模型間的平均距離最小的那個類別便是輸入待判定的動態(tài)紋理種類。

5 實驗結(jié)果與分析

為了進(jìn)一步評估算法的性能,本文在相同的正負(fù)標(biāo)準(zhǔn)庫下,用以下2種基于Surfacelet變換的方法進(jìn)行實驗,并和該文提出的算法進(jìn)行了對比,3種算法的描述如下:

算法1使用Surfacelet變換后的各個系數(shù)子帶的能量均值和方差作為特征,使用已用正負(fù)樣本訓(xùn)練好的svm分類器來識別測試樣本中是否有煙。

算法2使用Surfacelet變換后的各個系數(shù)子帶的能量均值和方差作為特征,同時使用歐式距離作為相似性度量。

算法3使用廣義高斯模型對Surfacelet變換后的各子帶的系數(shù)進(jìn)行廣義高斯建模,并使用模型的參數(shù)作為特征,然后使用歐式距離進(jìn)行相似性度量。

算法4即是本文算法。

實驗中,該文選取了一些和煙相類似的動態(tài)紋理如噴泉、瀑布、白色的火焰、白色的浪花等來進(jìn)行實驗,這樣可以更好地反映算法的性能。視頻分辨率為480×272,Surfacelet變換分解層數(shù)為2層,每段視頻樣本經(jīng)Surfacelet變換后可獲得不同尺度不同方向的24個系數(shù)子帶。本文用于測試的視頻段數(shù)目為200個,包括100個煙樣本和100個非煙樣本。部分煙樣本視頻截圖如圖5所示,部分非煙視頻樣本如圖6所示,從左往右,第1行分別為白色火焰、噴泉,第2行分別為浪花、瀑布。

圖5 煙霧樣本視頻截圖

圖6 非煙霧樣本視頻截圖

使用3個指標(biāo)來評價算法的性能:誤檢數(shù),漏檢數(shù),識別率。誤檢數(shù)是指測試樣本中的非煙樣本被判定為煙樣本的數(shù)目;漏檢數(shù)是指測試樣本中的煙樣本被判定為非煙樣本的數(shù)目;識別率是指測試樣本中被正確識別的樣本占總的測試樣本的比例。具體的實驗結(jié)果如表1和表2所示。

表1 基于AD方法的實驗結(jié)果比較

表2 基于MD方法的實驗結(jié)果比較

算法1和算法2直接選用系數(shù)子帶的能量平均值和方差作為特征過于粗糙,因為通過前文介紹可以發(fā)現(xiàn)圖像序列在經(jīng)過Surfacelet變換以后,系數(shù)大部分都在0左右,這些系數(shù)所包含的能量很少,所以用能量平均值對動態(tài)紋理特性進(jìn)行刻畫必然不會很深刻。而且這種方法是把分解后的每個系數(shù)都看成了同等的地位,而Surfacelet變換后的系數(shù)的主要特征基本都集中在少數(shù)絕對值比較大的系數(shù)上面。所以算法1和算法2中的特征提取算法不太合理,主要原因就是沒有對Surfacelet變換的系數(shù)結(jié)構(gòu)特性進(jìn)行分析。算法3對前兩種算法做出了改進(jìn),選擇對Surfacelet變換后的系數(shù)進(jìn)行廣義高斯建模,用模型來描述變換系數(shù)的分布特點與結(jié)構(gòu),這主要是由于Surfacelet變換后的各系數(shù)子帶中的系數(shù)分布和廣義高斯分布非常接近,用廣義高斯模型可以較好擬合子帶系數(shù),進(jìn)而可以使用模型參數(shù)來表征動態(tài)紋理,同時使用歐式距離做相似性度量,但歐式距離多用于反映多維空間中2個點之間的距離,存在一定的缺陷。因此,實驗選用KL距離替代歐式距離(即算法4)做相似性度量工具,KL距離和歐式距離相比,可以更好地衡量相同事件空間里2個概率分布的差異,因而可以有效表征出不同廣義高斯模型間的差異。KL距離越小,2個動態(tài)紋理越相似;反之,2個動態(tài)紋理間的相似度越小。

實驗結(jié)果也表明,無論是基于AD方法還是MD方法,本文提出的煙識別算法準(zhǔn)確率均為最高,同時AD方法略好于MD方法,因為使用平均距離可以比較好地消除誤差,和其他3種方法相比,漏檢數(shù)和誤檢數(shù)也最低,效果比較明顯。

6 結(jié)束語

本文提出了一種新的動態(tài)紋理煙霧檢測算法。與實驗中其他算法不同,本文算法使用廣義高斯模型來表征Surfacelet變換后的系數(shù)結(jié)構(gòu),同時使用KL距離來反映不同種類動態(tài)紋理模型參數(shù)間的差異。除了基于紋理的檢測方法之外,本文算法還可以與其他特征結(jié)合,如顏色、形狀、運(yùn)動等,以獲得更高的煙識別率。

Surfacelet變換是一種新的多維多尺度幾何分析方法,具有很好的方向選擇性和多層分解性,能夠稀疏地表示圖像視頻信息。但廣義高斯模型存在著一定的不足,它沒有反映出Surfacelet變換后不同尺度系數(shù)子帶之間的關(guān)系,即尺度間系數(shù)所具有的隱馬爾科夫性。因而下一步將對以下方面進(jìn)行更深入的研究:(1)使用隱馬爾科夫樹模型來建模Surfacelet變換后的系數(shù);(2)加強(qiáng)對小波變換的學(xué)習(xí),進(jìn)一步挖掘Surfacelet變換的潛力,探索新的動態(tài)紋理變換方法,以得到更好的檢索效果;(3)基于Surfacelet變換的方法通常會增加算法的時間復(fù)雜度,因此,將考慮使用并行計算來提高算法的效率。

[1] 姜明新,王洪玉,蔡興洋.基于碼本模型和多特征的早期煙霧檢測[J].中國圖象圖形學(xué)報,2012,17(9): 1102-1108.

[2] Calderara S,Piccinini P,Cucchiara R.Vision Based Smoke Detection System Using Image Energy and Color Information[J].Machine Vision and Applications, 2011,22(4):705-719.

[3] Yu Chunyu,Fang Jun,Wang Jinjun,et al.Video Fire Smoke Detection Using Motion and Color Features[J]. Fire Technology,2012,46(3):651-663.

[4] Yuan F.A Fast Accumulative Motion Orientation Model Based onIntegralImageforVideoSmokeDetection[J].Pattern Recognition Letters,2008,29(7): 925-932.

[5] Yuan Feiniu.ADoubleMappingFrameworkfor Extraction of Shape-invariant Features Based on MultiscalePartitionswithAdaBoostforVideoSmoke Detection[J].Pattern Recognition,2012,45(12): 4326-4336.

[6] Han D,Lee B.Flame and Smoke Detection Method for Early Real-time Detection of a Tunnel Fire[J].Fire Safety Journal,2009,44(7):951-961.

[7] Yu Chunyu,Zhang Yongming,Fang Jun,et al.Texture Analysis of Smoke for Real-time Dire Detection[C]// Proceedings of the 2nd International Workshop on Computer Science and Engineering.Qingdao,China: [s.n.],2009:511-515.

[8] Gubbi J,Marusic S,Palaniswami M.Smoke Detection in Video Using Wavelets and Support Vector Machines[J]. Fire Safety Journal,2009,44(8):1110-1115.

[9] Maruta H,Nakamura A,Kurokawa F.A New Approach for Smoke Detection with Texture Analysis and Support Vector Machine[C]//Proceedings of IEEE International Symposium on Industrial Electronics.Bari,Italy:IEEE Press,2010:1550-1555.

[10] Gonzalez-Gonzalez R,Alarcon-Aquino V,Rosas-Romero R, et al.Wavelet-based Smoke Detection in Outdoor Video Sequences[C]//Proceedingsofthe53rdIEEE International Midwest Symposium on Circuits and Systems. Seattle,USA:[s.n.],2010:383-387.

[11] Soatto S,Doretto G,Wu Y N.Dynamic Textures[C]// Proceedings of the 8th International Conference on Computer Vision.Vancouver,Canada:[s.n.],2001: 439-446.

[12] Zhao Guoying,Matti P.Dynamic Texture Recognition Using Local Binary Patterns with an Application to Facial Expressions[J].IEEE Transactions on Pattern Analysis andMachineIntelligence,2007,29(6): 915-928.

[13] Lu Y,Do M N.Multidimensional Directional Filterbanks andSurfacelets[J].IEEETransactionsonImage Processing,2007,16(4):918-931.

[14] Huang W,Wang Y,Rosen D W.Inverse Surfacelet TransformforImageReconstructionwithPrior Knowledge[C]//Proceedings of 2013International Design Engineering Technical Conferences&Computers and Information in Engineering Conference.Portland, USA:[s.n.],2013:1-11.

[15] 陳 文,方向忠.圖像中廣義高斯噪聲形狀參數(shù)的近似估計[J].計算機(jī)工程,2011,37(22):204-206.

編輯 金胡考

Smoke Detection Based on Surfacelet Transform and Dynamic Texture

YE Wei1,ZHAO Jianhui1,2,ZHAO Yang1,2,WANG Yong1
(1.Computer School,Wuhan University,Wuhan 430072,China;
2.Suzhou Institute of Wuhan University,Suzhou 215123,China)

Smoke detection plays an important role in early warning of fire,so one dynamic texture recognition algorithm is proposed in this paper.Firstly,the surfacelet transform is performed on image sequences.Then a generalized Gaussian model is built for the coefficients from Surfacelet transform.The obtained model parameters are regarded as feature vector,and finally the Kullback-Leibler(KL)distance is used as the similarity measurement method.In experiments,three kinds of Surfacelet based smoke detection methods,including the use of mean and variance as feature and SVM classifier for classification;the use of mean and variance as feature and Euclidean distance as the similarity measurement method;the use of generalized Gaussian model parameters as feature and Euclidean distance as the similarity measurement tool,are implemented and used for comparison.Experimental result shows that,compared with other smoke detection methods,the new algorithm has excellent performance and lower false detection rate.

Surfacelet transform;dynamic texture;generalized Gaussian model;Kullback-Leibler(KL)distance; Support Vector Machine(SVM);Euclidean distance

葉 威,趙儉輝,趙 洋,等.基于Surfacelet變換和動態(tài)紋理的煙霧檢測[J].計算機(jī)工程, 2015,41(2):203-208.

英文引用格式:Ye Wei,Zhao Jianhui,Zhao Yang,et al.Smoke Detection Based on Surfacelet Transform and Dynamic Texture[J].Computer Engineering,2015,41(2):203-208.

1000-3428(2015)02-0203-06

:A

:TP391.4

10.3969/j.issn.1000-3428.2015.02.039

湖北省自然科學(xué)基金資助項目(2009-514);蘇州市國際科技合作計劃基金資助項目(SH201115)。

葉 威(1989-),男,碩士研究生,主研方向:圖像處理,模式識別,計算機(jī)仿真;趙儉輝(通訊作者),副教授;趙 洋、王 勇,碩士研究生。

2014-03-18

:2014-04-19E-mail:jianhuizhao@whu.edu.cn