一种应用于固定摄像机动态视频序列的烟雾与火焰探测方法，包括以下步骤：1)视频帧变换预处理，将获取的4个相邻帧It‑2,It‑1,It和It+1经过灰度变换、直方图均衡和离散小波变换；2)缓慢移动区域识别和像素分割采用自适应背景减除算法获取前景的二值图像Fbin；3)连通分量分析去除图像中的噪声；4)混沌运动估计使用光流来计算烟雾和火焰的移动统计特征；5)移动斑点分类包括颜色分割与对比分析、空间与时间小波分析两个阶段。本发明专利技术计算速度快、检测准确率高。
【技术实现步骤摘要】
本专利技术涉及图像处理、计算机视觉、计算方法等领域，尤其是这一种应用于固定摄像机动态视频序列的烟雾与火焰探测方法。
技术介绍
基于视频序列的烟雾与火焰联合识别是指根据视频中连续的多帧图像确定场景中的烟雾或者火焰，烟雾或者火焰识别一旦完成，就可以通过红外传感器、光学传感器或离子传感器来动态、快速地基于烟、热或辐射等火的某些特性来及时探测火灾。现行很多识别方法都是基于火焰或者烟雾的单独特征，而且高耗时、效率低，基于视频帧序列的烟雾和火焰的联合检测仍然是亟待解决的难题，这主要是由于烟雾和火焰具有不同特点，在不同背景、光照条件下，诸如亮度、运动、边缘、纹理等原始图像特征均不能全面表征烟雾和火焰。
技术实现思路
为了克服已有火焰、烟雾检测方法的噪声高度敏感、高计算耗时、轮廓退化、效率较低的不足，且不能联合检测的不足，本专利技术提供一种应用于固定摄像机动态视频序列，能够同时检测烟雾和火焰信息的自适应背景减除、颜色斑点混沌分类的烟雾与火焰探测方法。本专利技术解决其技术问题所采用的技术方案是：一种应用于固定摄像机动态视频序列的烟雾与火焰探测方法，包括以下步骤：所述一种应用于固定摄像机动态视频序列的烟雾与火焰探测方法包括视频帧变换预处理方法、缓慢移动区域和像素分割方法、连通分量分析方法、混沌运动估计方法、移动斑点分类方法，其中：1)所述视频帧变换预处理方法，采用三个步骤：利用灰度变换处理图像的对比度；利用直方图均衡化处理图像并用离散小波变换改善图像对比度；利用离散Haar小波变换调整图像的大小并消除水平、垂直、对角线方向的高频图像噪声；2)所述缓慢移动区域和像素分割方法，利用背景减除法对图像背景进行分割，利用连续视频帧和视频背景，递归估算背景图像，将烟雾和火焰逐渐混合到图像背景中；3)所述连通分量分析方法，基于形态学理论，利用连通分量分析技术将含有噪声的前景作为输入，采用形态学开操作、闭操作，去除图像中的图斑噪声，并连接图像中的运动斑点，获得目标轮廓区域；4)所述混沌运动估计方法，基于烟雾和火焰粒子的无序、随机运动特征，利用光流来计算烟雾和火焰的移动统计特征，有效去除图像的噪声影响，并能够确定同质区域运动矢量的方向；5)所述移动斑点分类方法，在YCbCr空间对火焰进行颜色分割，利用Weber方法对疑似含有烟雾的区域进行对比分析，并对每个视频场景计算其能量和时间统计量，利用本专利技术开发的空间能量系数一维时间小波分析方法，检测出火焰闪烁特征。本专利技术的技术构思为：使用视频帧变换预处理方法改善图像对比度，并消除图像高频噪声，使用缓慢移动区域和像素分割方法获取视频图像中的烟雾、火焰背景区域和前景目标，连通分量分析方法去除图像中的图斑噪声，并连接图像中的运动斑点，获得目标轮廓区域，再使用混沌运动估计方法去除图像的噪声，并确定同质区域运动矢量的方向。本专利技术的有益效果主要表现在：烟雾和火焰的联合检测、计算速度快、检测准确率高。附图说明图1是本专利技术方法的流程图。具体实施方式下面结合附图对本专利技术作进一步描述。参照图1，一种应用于固定摄像机动态视频序列的烟雾与火焰探测方法，包括以下步骤：通过灰度变换和离散小波变换去提高图像对比度，并减少计算耗时；然后自适应背景减除从帧中提取缓慢移动区域和所谓的前景像素。利用连通分量分析消除前景噪声以及将缓慢移动区域和像素合并为斑点。获取的连通斑点被传入分类模块以进行Weber对比分析，同时将连通斑点作为光流计算模块的输入。最后，分类模块获取烟雾检测的最终结果。1)视频帧变换预处理，将获取的4个相邻帧It-2,It-1,It和It+1作为预处理模块输入，经过三个处理步骤：灰度变换、直方图均衡和离散小波变换，使用用灰度变换将彩色图像变化为灰色图像，使用直方图均衡改善图像的对比度，使用离散Haar小波变换来提高图像的水平、垂直和对角线方向的高频细节处理效率。2)缓慢移动区域识别和像素分割采用自适应背景减除算法，利用帧It-1和背景Bt-1递归地估计t时刻的背景图像Bt：Bt(x,y)=αBt-1(x,y)+(1-α)It-1(x),if(x,y)ismovingBt-1(x,y),if(x,y)isstationary]]>其中(x,y)表示一个像素坐标，α是0和1之间的自适应参数。由于一个烟雾区域逐帧增长，属于烟雾区域的像素很快就不固定于背景中，α值将接近1。初始时B0(x,y)＝I0(x,y)。若以下条件满足，则像素(x,y)属于移动对象：(|It(x,y)-It-1(x,y)|＞Tt(x,y))&(|It(x,y)-It-2(x,y)|＞Tt(x,y))其中It-2(x,y),It-1(x,y),It(x,y)分别表示t-2,t-1和t时刻像素(x,y)的亮度值。Tt(x,y)是像素(x,y)的自适应阈值，其在t时刻的值通过下述公式计算：Tt(x,y)=αTt-1(x,y)+(1-α)(5×|It-1(x,y)-Bt-1(x,y)|),if(x,y)ismovingTt-1(x,y)if(x,y)isstationary]]>初始时T0(x,y)＝const＞0。当前帧It+1被建模为使用混合参数β的前景Ft+1和背景成分Bt的组合：It+1(x,y)＝βFt+1(x,y)+(1-β)Bt(x,y)对于不透明物体β值等于1，对于透明物体β值等于0，对于半透明物体，如烟，β值位于0到1的范围。因此，一旦在背景更新步骤中获得了Bt、当前帧It+1，并将β值设为0.38，就可以估算前景Ft+1。然后，应用阈值处理获取前景的二值图像Fbin。对于α和β两个参数的估算，可以通过接受者操作特性ROC分析来估算α和β的最优值。3)连通分量分析去除图像中的噪声并连接运动斑点，去除图像中的噪声使用形态学运算实现：使用形态学开操作缩小细微噪声区域：其中S标识图像，M表示3×3结构元素；使用形态学闭操作重建开操作中丢失的分量：S·M=(S⊕M)(-)M]]>其中M表示3×3结构元素.重复搜索图像中所有的轮廓，然后丢弃过小的轮廓，并用多边形近似表示剩余的轮廓。4)混沌运动估计使用光流来计算烟雾和火焰的移动统计特征，光流计算只应用于属于前景的图像块，该过程可以有效降低错误检测率。我们采用farneback光流法计算，该算法对噪声不敏感，并且可以确定同质区域运动矢量的方向。粒子共向运动的系数被确定为：C＝Vc/Vt,其中Vc表示运动矢量共向的数量，Vt表示感兴趣区域运动矢量总的数量。5)移动斑点分类包括颜色分割与对比分析、空间与时间小波分析两个阶段。颜色分割与对比分析在YCbCr空间对火焰进行颜色分割，图像某区域将被认为属于火焰，如果：Yi＞Ym,Cbi＜Cbm,Cri＜Crm其中Yi,Cbi,Cri表示感兴趣区域像素的亮度、蓝色分量、红色分量的平均值；Ym,Cbm,Crm表示帧上所有像素的亮度、蓝色分量、红色分量的平均值。由于烟雾的亮度颜色变化范围很大，从透明的灰色到黑色，所以使用区域对比度分析对疑似含有烟雾的区域进行分析，我们采用Weber对比分析：Cw=1nΣi=1nFt+1(x,y)-Bt(x,y)Bt(x本文档来自技高网...
【技术保护点】
一种应用于固定摄像机动态视频序列的烟雾与火焰探测方法，包括以下步骤：1)视频帧变换预处理，将获取的4个相邻帧It‑2,It‑1,It和It+1作为预处理模块输入，经过三个处理步骤：灰度变换、直方图均衡和离散小波变换，使用用灰度变换将彩色图像变化为灰色图像，使用直方图均衡改善图像的对比度，使用离散Haar小波变换来提高图像的水平、垂直和对角线方向的高频细节处理效率；；2)缓慢移动区域识别和像素分割采用自适应背景减除算法，利用帧It‑1和背景Bt‑1递归地估计t时刻的背景图像Bt：Bt(x,y)=αBt-1(x,y)+(1-α)It-1(x),if(x,y)is movingBt-1(x,y),if(x,y)is stationary]]>其中(x,y)表示一个像素坐标，α是0和1之间的自适应参数；由于一个烟雾区域逐帧增长，属于烟雾区域的像素很快就不固定于背景中，α值将接近1；初始时B0(x,y)＝I0(x,y)；若以下条件满足，则像素(x,y)属于移动对象：(|It(x,y)‑It‑1(x,y)|＞Tt(x,y))&(|It(x,y)‑It‑2(x,y)|＞Tt(x,y))其中It‑2(x,y),It‑1(x,y),It(x,y)分别表示t‑2,t‑1和t时刻像素(x,y)的亮度值；Tt(x,y)是像素(x,y)的自适应阈值，其在t时刻的值通过下述公式计算：Tt(x,y)=αTt-1(x,y)+(1-α)(5×|It-1(x,y)-Bt-1(x,y)|),if(x,y)is movingTt-1(x,y),if(x,y)is stationary]]>初始时T0(x,y)＝const＞0；当前帧It+1被建模为使用混合参数β的前景Ft+1和背景成分Bt的组合：It+1(x,y)＝βFt+1(x,y)+(1‑β)Bt(x,y)对于不透明物体β值等于1，对于透明物体β值等于0，对于半透明物体，如烟，β值位于0到1的范围；因此，一旦在背景更新步骤中获得了Bt、当前帧It+1，并将β值设为0.38，就可以估算前景Ft+1；然后，应用阈值处理获取前景的二值图像Fbin；3)连通分量分析去除图像中的噪声使用形态学开操作缩小细微噪声区域：其中S标识图像，M表示3×3结构元素；使用形态学闭操作重建开操作中丢失的分量：并连接运动斑点，去除图像中的噪声使用形态学运算实现：其中M表示3×3结构元素.重复搜索图像中所有的轮廓，然后丢弃过小的轮廓，并用多边形近似表示剩余的轮廓；4)混沌运动估计使用光流来计算烟雾和火焰的移动统计特征，光流计算只应用于属于前景的图像块，该过程可以有效降低错误检测率；采用farneback光流法计算，该算法对噪声不敏感，并且可以确定同质区域运动矢量的方向；粒子共向运动的系数被确定为：C＝Vc/Vt,其中Vc表示运动矢量共向的数量，Vt表示感兴趣区域运动矢量总的数量；5)移动斑点分类包括颜色分割与对比分析、空间与时间小波分析两个阶段；颜色分割与对比分析在YCbCr空间对火焰进行颜色分割，图像某区域将被认为属于火焰，如果：Yi＞Ym,Cbi＜Cbm,Cri＜Crm其中Yi,Cbi,Cri表示感兴趣区域像素的亮度、蓝色分量、红色分量的平均值；Ym,Cbm,Crm表示帧上所有像素的亮度、蓝色分量、红色分量的平均值。...
【技术特征摘要】
1.一种应用于固定摄像机动态视频序列的烟雾与火焰探测方法，包括以下步骤：1)视频帧变换预处理，将获取的4个相邻帧It-2,It-1,It和It+1作为预处理模块输入，经过三个处理步骤：灰度变换、直方图均衡和离散小波变换，使用用灰度变换将彩色图像变化为灰色图像，使用直方图均衡改善图像的对比度，使用离散Haar小波变换来提高图像的水平、垂直和对角线方向的高频细节处理效率；；2)缓慢移动区域识别和像素分割采用自适应背景减除算法，利用帧It-1和背景Bt-1递归地估计t时刻的背景图像Bt：Bt(x,y)=αBt-1(x,y)+(1-α)It-1(x),if(x,y)ismovingBt-1(x,y),if(x,y)isstationary]]>其中(x,y)表示一个像素坐标，α是0和1之间的自适应参数；由于一个烟雾区域逐帧增长，属于烟雾区域的像素很快就不固定于背景中，α值将接近1；初始时B0(x,y)＝I0(x,y)；若以下条件满足，则像素(x,y)属于移动对象：(|It(x,y)-It-1(x,y)|＞Tt(x,y))&(|It(x,y)-It-2(x,y)|＞Tt(x,y))其中It-2(x,y),It-1(x,y),It(x,y)分别表示t-2,t-1和t时刻像素(x,y)的亮度值；Tt(x,y)是像素(x,y)的自适应阈值，其在t时刻的值通过下述公式计算：Tt(x,y)=αTt-1(x,y)+(1-α)(5×|It-1(x,y)-Bt-1(x,y)|),if(x,y)ismovingTt-1(x,y),if(x,y)isstationary]]>初始时T0(x,y)＝const＞0；当前帧It+1被建模为使用混合参数β的前景Ft+1和背景成分Bt的组合：It+1(x,y)＝βFt+1(x,y)+(1-β)Bt(x,y)对于不透明物体β值等于1，对于透明物体β值等于0，对于半透明物体，如烟，β值位于0到1的范围；因此，一旦在背景更新步骤中获得了Bt、当前帧It+1，并将β值设为0.38，就可以估算前景Ft+1；然后，应用阈值处理获取前景的二值图像Fbin；3)连通分量分析去除图像中的噪声使用形态学开操作缩小细微噪声区域：其中S标识图像，M表示3×3结构元素；使用形态学闭操作重建开操作中丢失的分量：并连接运动斑点，去除图像中的噪声使用形态学运算实现：其中M表示3×3结构元素.重复搜索图像中所有的轮廓，然后丢弃过小的轮廓，并用多边形近...
【专利技术属性】
技术研发人员：叶时平，张登辉，陈华锋，陈超祥，白直灿，谢尔盖·阿布拉梅科，理查得·博古什，
申请(专利权)人：浙江树人大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。