摘  要： 針對(duì)視頻煙霧檢測(cè)中當(dāng)干擾物和煙霧極為相似時(shí)容易出現(xiàn)誤判的問(wèn)題，對(duì)基于幀間高頻能量和相關(guān)性的煙霧檢測(cè)進(jìn)行了研究。首先通過(guò)混合高斯背景模型與三幀差法提取運(yùn)動(dòng)目標(biāo)，再利用煙霧的顏色、擴(kuò)散性、形狀提取疑似目標(biāo)區(qū)，對(duì)目標(biāo)區(qū)域用離散小波變換獲取高頻能量，利用幀間高頻能量和相關(guān)性對(duì)疑似區(qū)域進(jìn)行煙霧判斷，從而確定目標(biāo)是否是煙霧并給出報(bào)警。通過(guò)MATLAB和VS2010進(jìn)行仿真，結(jié)果表明，該算法可以有效提高煙霧識(shí)別檢測(cè)的可靠性，減少誤報(bào)。

　　關(guān)鍵詞： 目標(biāo)提取；煙霧檢測(cè)；離散小波變換；能量；相關(guān)性

0 引言

　　火災(zāi)探測(cè)主要分為火焰和煙霧的探測(cè)。而煙霧作為火災(zāi)發(fā)生的早期現(xiàn)象，其檢測(cè)結(jié)果的準(zhǔn)確性直接影響火災(zāi)探測(cè)系統(tǒng)的可靠性，因此對(duì)視頻煙霧檢測(cè)算法的研究具有重要意義。而視頻煙霧檢測(cè)的準(zhǔn)確性仍然是一個(gè)開(kāi)放的挑戰(zhàn)，人們也在不斷地對(duì)算法進(jìn)行改進(jìn)以提高檢測(cè)效果。Simone Calderara等人提出一種使用圖像能量和顏色信息的煙霧檢測(cè)算法[1]，Chen-Yu Lee等人提出了利用時(shí)空特性的煙霧檢測(cè)算法[2]。Wen-hui Li等人提出了一個(gè)基于小波能量和光流法視頻煙霧檢測(cè)算法[3]。各種算法的研究使煙霧檢測(cè)越來(lái)越準(zhǔn)確，但也還存在一些缺陷。

　?。?）幾種算法中都提到了煙霧能量檢測(cè)，但都是以某時(shí)刻為判斷單位，忽略了某時(shí)刻可能出現(xiàn)的暫時(shí)性干擾也有可能遮擋背景導(dǎo)致能量的衰減，如飄動(dòng)的白色污染物。

　?。?）這些算法對(duì)于和煙霧特征很接近的干擾物，如霧霾、云朵等，不能做出判斷，易產(chǎn)生誤判。

　　針對(duì)煙霧和干擾物進(jìn)行研究，本文結(jié)合煙霧的視頻圖像在時(shí)域和頻域的特征，將煙霧的多種特征進(jìn)行融合檢測(cè)，提出了基于幀間高頻能量和相關(guān)性的煙霧檢測(cè)算法，能夠有效提高煙霧檢測(cè)的準(zhǔn)確率。

1 本文算法架構(gòu)

　　本文算法流程主要步驟：

　?。?）用混合高斯背景模型和幀差法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行提取；

　　（2）運(yùn)用煙霧的顏色、擴(kuò)散性和不規(guī)則性進(jìn)行目標(biāo)的初步鎖定，若滿(mǎn)足條件則轉(zhuǎn)到步驟（3）進(jìn)行進(jìn)一步的檢測(cè)，否則為干擾區(qū)域進(jìn)行排除，轉(zhuǎn)回（1）；

　　（3）對(duì)視頻幀進(jìn)行離散小波變化，提取視頻間的高頻能量變化信息和幀間的相關(guān)性變化，如果滿(mǎn)足閾值條件則進(jìn)行煙霧報(bào)警，否則將目標(biāo)區(qū)域排除，轉(zhuǎn)回（1）。

2 運(yùn)動(dòng)目標(biāo)提取

　?。?）混合高斯背景模型

　　在t時(shí)刻，圖像中的每個(gè)像素點(diǎn)的像素值可用混合高斯模型表示為下式[3-4]：

　　其中，K為高斯模型數(shù)（本文取K=3），wi，t為t時(shí)刻第i個(gè)高斯分布函數(shù)的權(quán)值（滿(mǎn)足，t=1），i，t和?i，t為t時(shí)刻對(duì)應(yīng)高斯分布的均值和協(xié)方差矩陣，n為像素點(diǎn)ft（x，y）的維數(shù)，I為單位矩陣，δ為標(biāo)準(zhǔn)差。（ft（x，y），i，t，i，t）為t時(shí)刻第i個(gè)高斯分布的概率密度函數(shù)。

　　如果滿(mǎn)足：|fi，t+1-ui，t+1|≤ε*i，t+1，則匹配成功，匹配的高斯分布的均值和方差進(jìn)行更新，其他的高斯分布不變。該高斯模型的參數(shù)更新如下：

　　其中，a為高斯背景模型的學(xué)習(xí)率，為參數(shù)學(xué)習(xí)率反應(yīng)高斯分布均值和協(xié)方差的收斂速度。

　　其余的高斯分布權(quán)重會(huì)以wi，t+1=（1-a）wi，t進(jìn)行更新。當(dāng)參數(shù)更新完后，根據(jù)wi，t/i，t降序排序后，若滿(mǎn)足則為背景模型，否則為前景模型，其中Th為設(shè)定的閾值，描述背景的高斯分布所占的比例。

　　（2）三幀差分法

　　三幀差分法[5]的主要思想：從視頻中連續(xù)讀取3幀圖像fk，fk+1，fk+2進(jìn)行隔幀兩兩差分，并通過(guò)閾值T1將兩個(gè)差分圖像二值化，即：

　　再將兩個(gè)二值圖像dk1和dk2相與，得到的交集就是運(yùn)動(dòng)目標(biāo)的基本輪廓，從而提取出前景區(qū)域。

　?。?）提取運(yùn)動(dòng)目標(biāo)

　　將三幀差分法提取的運(yùn)動(dòng)區(qū)域與混合高斯模型中提取到的前景區(qū)域進(jìn)行邏輯“與”，獲得比較準(zhǔn)確的運(yùn)動(dòng)區(qū)域，并對(duì)該區(qū)域進(jìn)行“開(kāi)閉”運(yùn)算，除去噪聲，最終提取出運(yùn)動(dòng)目標(biāo)。

3 煙霧特征提取

　　（1）顏色特征

　　煙霧顏色大多呈灰白色，通過(guò)對(duì)大量煙霧視頻的煙霧RGB顏色特征進(jìn)行實(shí)驗(yàn)，得到煙霧顏色特征如下[6]：

　　其中，R1=0.314 0，R2=0.336 9，G1=0.319 0，G2=   0.337 4為實(shí)驗(yàn)統(tǒng)計(jì)值。

　?。?）擴(kuò)散性

　　煙霧的擴(kuò)散性[1]使煙霧面積不斷變化，表現(xiàn)為運(yùn)動(dòng)目標(biāo)面積的不斷增大，滿(mǎn)足：Si<Si+t（t=1，2，3…）。因此可以利用面積的平均增長(zhǎng)率提取疑似煙霧目標(biāo)，其公式如下：

　　其中，Pi表示視頻序列中第i張圖像中的疑似區(qū)域內(nèi)目標(biāo)的像素總數(shù)。選取擴(kuò)散度閾值為D1和D2。

　　（3）不規(guī)則性

　　煙霧隨著氣流不斷變化，表現(xiàn)為形狀上的不規(guī)則性，其不規(guī)則性可以表示為：

　　STD=SEP/STP（7）

　　SEP表示被提取出來(lái)的煙霧區(qū)域的周長(zhǎng)，通過(guò)計(jì)算邊緣像素總數(shù)來(lái)表示，STP表示被提取出來(lái)的煙霧疑似區(qū)域的面積，用包含的連通區(qū)域的像素總數(shù)描述。STD為不規(guī)則性判據(jù)，用以區(qū)別煙霧和其他形狀規(guī)則的物體。

4 幀間能量和相關(guān)性

　?。?）能量分析

　　煙霧最顯著的特征是由下到上并向四周逐漸擴(kuò)散，這一現(xiàn)象會(huì)平滑背景圖像使尖銳程度降低，在空域上表現(xiàn)為背景圖像的邊緣和紋理信息逐漸減少，在頻域上反應(yīng)為高頻信息的削減[1，6]。將有煙霧的視頻圖像進(jìn)行離散小波分解，由圖1可知，煙霧的背景紋理遮擋性會(huì)削減背景的三個(gè)高頻分量子圖像，模糊背景的邊緣和紋理等細(xì)節(jié)信息，在小波上表現(xiàn)為小波系數(shù)的減少。所以，利用小波系數(shù)的減少，計(jì)算三個(gè)高頻分量子圖像能量值，通過(guò)高頻能量的變化可以判斷是否有煙霧存在。

　　對(duì)于t時(shí)刻的煙霧視頻圖像It，其運(yùn)動(dòng)部分（Bk）高頻部分的平均能量值[7]：

　　此外，為了感知較小的煙霧帶來(lái)的能量變化，將每一項(xiàng)都做平方處理。

　　高頻能量衰減率算法如下式：

　　其中，QB為無(wú)煙霧的背景高頻能量值，QT為出現(xiàn)煙霧后的背景高頻能量值，（QB-QT）即為被煙霧遮擋衰減的高頻能量。為了提高檢測(cè)的可靠性，計(jì)算平均衰減率如下：

　　其中N為迭代測(cè)量的數(shù)量，Th為設(shè)定的比列閾值。如果平均衰減率小于閾值Th，則目標(biāo)區(qū)域?yàn)闊熿F，否則為其他干擾物。

　?。?）相關(guān)性分析

　　煙霧在較短的時(shí)間內(nèi)其形狀和內(nèi)部紋理結(jié)構(gòu)變化快，而云朵相對(duì)來(lái)說(shuō)變化緩慢。利用連續(xù)兩幀的目標(biāo)區(qū)域的相關(guān)性可以衡量相似性和估計(jì)運(yùn)動(dòng)趨勢(shì)。

　　對(duì)于連續(xù)兩幀圖像的相關(guān)性可以用下式表示：

　　其中，xij表示第一幀圖像像素（i，j）的像素值，yij表示第二幀圖像像素（i，j）的像素值，表示第一幀圖像的像素平均值，表示第二幀圖像的像素平均值。

　　由上面對(duì)煙霧用二維小波變換的分析可知，煙霧會(huì)導(dǎo)致反應(yīng)邊緣信息的高頻分量減少，所以分析連續(xù)兩幀的高頻分量的相關(guān)性，也可以作為煙霧判據(jù)之一。其中，設(shè)置水平、垂直、對(duì)角線(xiàn)的高頻分量分別為ρ1、ρ2、ρ3，ρ為高頻分量的總相關(guān)系數(shù)。用相關(guān)性判斷煙霧的表達(dá)式如下：

　　其中，Th為設(shè)定的相關(guān)系數(shù)閾值。

5 實(shí)驗(yàn)結(jié)果

　　本實(shí)驗(yàn)在MATLAB軟件平臺(tái)上對(duì)煙霧圖像、飄動(dòng)的白色塑料袋圖像、移動(dòng)的云朵圖像的小波能量和相關(guān)系數(shù)進(jìn)行實(shí)驗(yàn)仿真，得到判斷閾值。再在VS2010 C++實(shí)驗(yàn)平臺(tái)上利用OPENCV庫(kù)對(duì)煙霧、白色塑料袋、云朵視頻圖像進(jìn)行煙霧識(shí)別實(shí)驗(yàn)。

　　對(duì)煙霧和飄動(dòng)塑料袋的視頻圖像進(jìn)行MATLAB實(shí)驗(yàn)仿真，其相應(yīng)的高低頻小波能量值的計(jì)算結(jié)果如表1所示。

　　從表1中可知，煙霧和白色塑料袋相比，有煙霧背景圖像的高頻部分能量減少更加顯著，有煙霧時(shí)背景的高頻能量急劇減少，減少比例絕對(duì)值大于6%，所以本實(shí)驗(yàn)中的比例閾值Th設(shè)置為6%。

　　分別計(jì)算視頻圖像中連續(xù)兩幀的煙霧圖像和云朵圖像其高頻分量的相關(guān)系數(shù)，結(jié)果如表2所示。

　　從表2可知，在連續(xù)兩幀中煙霧和飄動(dòng)的云在高頻分量的相關(guān)系數(shù)上具有很大的差別。煙霧高頻分量的相關(guān)系數(shù)一般小于0.5，云朵高頻分量相關(guān)系數(shù)大于0.5，因此相關(guān)系數(shù)閾值th設(shè)置為0.5。

　　利用本文算法，在VS2010 C++實(shí)驗(yàn)平臺(tái)上利用OPENCV庫(kù)，對(duì)7個(gè)煙霧視頻和3個(gè)非煙霧視頻進(jìn)行煙霧檢測(cè)，檢測(cè)結(jié)果如表3所示。

　　實(shí)驗(yàn)結(jié)果表明，該算法能夠在有干擾物的情況下比較精確地識(shí)別火焰，提高了煙霧檢測(cè)的可靠性，減少誤報(bào)。

6 結(jié)論

　　對(duì)于基于高頻的小波能量和相關(guān)性的煙霧檢測(cè)算法的研究，應(yīng)用了時(shí)間和空間的檢測(cè)方法，與傳統(tǒng)的煙霧檢測(cè)算法（如顏色、形狀、紋理）相比，提高了煙霧檢測(cè)識(shí)別的可靠性。而且該算法可以很好地排除與煙霧具有相似特性的移動(dòng)的云朵和飄動(dòng)的白色物體。實(shí)驗(yàn)結(jié)果表明，基于高頻部分的小波能量和相關(guān)性的煙霧檢測(cè)可以較準(zhǔn)確地從視頻圖像中識(shí)別出煙霧圖像，并對(duì)障礙物進(jìn)行有效的排除，減少誤報(bào)，提高煙霧檢測(cè)的可靠性。

參考文獻(xiàn)

　　[1] 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.

　　[2] Lee Chenyu， Lin Chinteng， Hong Chaoting，et al. Smoke detection using spatial and temporal analyses[J]. Computing， Information and Control， 2012，8（6）：4726-4749.

　　[3] Li Wenhui， Fu Bo， Xiao Linchang， et al. A video smoke detection algorithm based on wavelet energy and optical flow eigen-values[J]. Journal of Software， 2013，8（1）：63-70.

　　[4] Sun Hong， Guo Kai. Moving target detection based on the improved Gaussian mixture background model[J]. Jiangnan University Journal， 2014，13（3）：269-274.

　　[5] Wei Wei，Wu Qi. Moving target detection based on three frame difference combined with improved gaussian modeling[J]. Computer Engineering and Design，2014，35（3）：949-952.

　　[6] Cheng Yuanhang， Wang Jing. A motion image detection method based on the inter-frame difference method[J]. Applied Mechanics and Materials，2014，490（7）：1283-1286.

　　[7] Wang Tao， Liu Yuan， Xie Zhenpin. A new video smoke detection method based on wave analysis[J]. Electronics and Information Journal，2011，33（5）：1024-1029.