A large space video smoke detection method based on multi feature fusion, which includes the following steps: Step 1: using large space video surveillance cameras to obtain large space video images and determine the suspected smoke area; step 2: suspected smoke region block segmentation; step 3: using discrete wavelet transform, uniform local binary mode UL BP analysis each processing block and extract feature values, fusion processing block feature direction; step 4: the high frequency and low frequency derived eigenvectors calculated by discrete wavelet transform, namely, WH, WL and the feature vector U extracted by ULBP, are fused into the fusion feature vectors of the processing block = {WH, WL, U}, and B into the Real AdaBoost classifier. Training and classification, according to the return value of the classifier to mark whether the current processing block contains smoke; step 5: determine whether the current image frame contains smoke according to the change of the area of the suspected smoke area and the processing block classification results. The invention has low false alarm rate and low false alarm rate.
【技术实现步骤摘要】
一种基于多特征融合的大空间视频烟雾检测方法
本专利技术涉及智能火灾监控领域,尤其涉及一种对大空间视频烟雾进行检测的方法。
技术介绍
针对大空间视频火灾的智能图像处理技术是一个新的研究领域。为了较早的发现火灾发生,避免火势的蔓延,实时性和精确性对火灾检测至关重要。可见火灾发生初。期常伴随烟雾产生,通过检测烟雾的方法可以在火灾发生初期做出迅速的反应,有利于火灾的早期预警和控制,能将火灾危害程度降低。现有火灾烟雾检测技术大多通过颜色、形状、面积增长运动、烟雾运动方向,空气成分作为特征进行烟雾判断,然而这些特征在大空间视频火灾烟雾检测中,由于大空间视频空间宽广及环境条件变化,如风,光照,雾,白云干扰,会使这些特征变得不再可靠。少数检测方法通过使用小波变换或灰度共生矩阵提取纹理特征进行判断,但由于视频监控的图像中烟雾区域常常包含背景区域,对这些区域进行纹理特征提取,纹理特征会包含背景纹理,这将会降低烟雾检测准确性,因此现有的算法依然存在高误报率和高漏报率,为了降低误报和高漏报算,对已有算法做出改进以提升性能是必要的。
技术实现思路
为了克服已有现有大空间视频火灾烟雾的检测存在高误报率和高漏报率问题,本专利技术提供一种误报率较低、漏报率较低的基于多特征融大空间视频烟雾检测方法,融合离散小波特征、ULBP(局部二进制)纹理特征及早期烟雾面积变化特征进行早期大空间视频火灾烟雾检测。本专利技术解决其技术问题所采用的技术方案是:一种基于多特征融合的大空间视频烟雾检测方法,所述检测方法包括如下步骤:步骤1:用大空间视频监控摄像头获取大空间视频图像并确定疑似烟雾区域,过程如下;步骤1 ...
【技术保护点】
1.一种基于多特征融合的大空间视频烟雾检测方法,其特征在于:所述检测方法包括如下步骤:步骤1:用大空间视频监控摄像头获取大空间视频图像并确定疑似烟雾区域,过程如下;步骤1.1、将从监控摄像头获取的视频图像帧转化成矩阵数据,并对矩阵数据进行预处理去除噪声;步骤1.2将采集到的图像数据建立混合高斯背景模型,为帧图像中的每个像素点构建K个高斯分布,K个高斯分布的叠加和用来描述监控场景;K选取范围为3~5,其值根据处理设备性能调整;步骤1.3随后根据设定阈值的范围对图像像素点进行灰度值匹配,符合匹配的条件的像素标记为背景像素,否则标记为前景像素;步骤1.4将前景区域从RGB颜色空间转换到YUV颜色空间,在YUV颜色空间中对前景区域进行烟雾颜色过滤后进行形态学处理,最后确定疑似烟雾区域;步骤2:疑似烟雾区域块分割处理,过程如下:将当前帧疑似烟雾区域分割为48*48像素大小图像块,称之为处理块,并根据疑似烟雾区域形状重心提取一个同尺寸大小的处理块;步骤3:使用离散小波变换、均匀局部二进制模式ULBP分析每个处理块并提取特征值,融合处理块特征向量,过程如下:步骤3.1、对处理块进行离散小波变化分析, ...
【技术特征摘要】
1.一种基于多特征融合的大空间视频烟雾检测方法,其特征在于:所述检测方法包括如下步骤:步骤1:用大空间视频监控摄像头获取大空间视频图像并确定疑似烟雾区域,过程如下;步骤1.1、将从监控摄像头获取的视频图像帧转化成矩阵数据,并对矩阵数据进行预处理去除噪声;步骤1.2将采集到的图像数据建立混合高斯背景模型,为帧图像中的每个像素点构建K个高斯分布,K个高斯分布的叠加和用来描述监控场景;K选取范围为3~5,其值根据处理设备性能调整;步骤1.3随后根据设定阈值的范围对图像像素点进行灰度值匹配,符合匹配的条件的像素标记为背景像素,否则标记为前景像素;步骤1.4将前景区域从RGB颜色空间转换到YUV颜色空间,在YUV颜色空间中对前景区域进行烟雾颜色过滤后进行形态学处理,最后确定疑似烟雾区域;步骤2:疑似烟雾区域块分割处理,过程如下:将当前帧疑似烟雾区域分割为48*48像素大小图像块,称之为处理块,并根据疑似烟雾区域形状重心提取一个同尺寸大小的处理块;步骤3:使用离散小波变换、均匀局部二进制模式ULBP分析每个处理块并提取特征值,融合处理块特征向量,过程如下:步骤3.1、对处理块进行离散小波变化分析,小波变换基函数定义为:其中,f(a,b)称为母小波函数,a是缩放系数,b是平移系数,是使变换信号具有相同能量的归一化因子;离散小波变换DWT对处理块图像进行多分辨率分析和时频分解,处理块经过一层DWT后分解成四个部分,即处理块图像水平方向细节子图HL1、对角线方向细节子图HH1好、垂直方向细节子图LH1和一个低频部分处理块图像的近似子图LL1,选择二阶矩作为母小波进行二维离散小波分解获得所有高频及低频子带系数;步骤3.2、计算所有子带系数的算术平均、几何平均、标准偏差、熵值,组成小波派生特征,高频部分派生特征组成的小波特征向量为:低频部分派生特征组成的小波特征向量为:式中,hf表示子带系数的细节,即高频部分,lf表示子带系数的近似,即低频部分,i取H、V、D分别表示水平、垂直、对角线方向,j=1,2.取1表示一级离散小波分解,j取2表示二级离散小波分解;步骤3.3、对处理块进行均匀局部二值模式分析,均匀局部二值模式该模式将局部二进制的二进制模式看作一个首尾相连的环形,当其相邻两位从0/1或1/0的跳变次数U不超过2次时称该模式为均匀模式,其余归为非均匀模式;由于U值表示二进制模式中在圆周上相邻两个二元值0/1或1/0转移次数,因此U值能反应局部结构的一种均匀性度量,U值越大表示结构趋向于不均匀,变化频率较高,U值越小则反之;其计算表达式为其中,(xc,yc)是中心像素,...
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。