The invention discloses an intelligent smoke detection method for traffic scene based on multi-dimensional information feature fusion, which includes: S1 obtains video data in traffic field and preprocesses it; S2 fuses image of pre-processed video data with Mixture Gauss Model and Codebook Algorithms, and extracts foreground and background regions; S3 extracts color features of foreground regions and obtains initial results. Level I region of interest (ROI) is suspected smoke region; S4 extracts three dynamic features of primary ROI, which include rapid expansion, irregular edge and high frequency energy attenuation; S5 divides training samples into positive smoke samples and negative smoke samples, builds training samples according to dynamic characteristics, and uses support vector machine as classifier for training. Input test samples for automatic smoke detection. This method improves the accuracy and real-time performance of smoke detection algorithm.
【技术实现步骤摘要】
一种基于多维信息特征融合的交通场景烟雾智能检测方法
本专利技术涉及交通场景下的火灾烟雾检测领域,具体涉及一种基于多维信息特征融合的交通场景烟雾智能检测方法。
技术介绍
人们最早开始研究的是基于传感器的火灾检测技术,该类方法主要通过传感器对温度,湿度等物理参数的检测来判断火灾是否发生。但传感器抗干扰能力差,易受到外界环境的影响,且不适用于大型空间的火灾检测。随着视频检测技术的发展,许多专家学者转向基于视频的烟雾检测研究,取得了部分研究成果,但烟雾图像识别的准确率和实时性均有待提高,检测可靠性亟待增强。
技术实现思路
为了克服现有技术存在的缺点与不足,本专利技术提供一种基于多维信息特征融合的交通场景烟雾智能检测方法。本方法提高烟雾检测算法的准确性和实时性,解决传统火灾检测和视频检测方法准确率及实时性差的技术缺陷,提高烟雾检测系统的可靠程度。本专利技术采用如下技术方案:一种基于多维信息特征融合的交通场景烟雾智能检测方法,包括如下步骤:S1获取交通领域内的视频数据并进行预处理;S2对预处理后的视频数据中的图像进行混合高斯模型与码本算法融合建模,并提取前景区域和背景区域;S3提取前景区域的颜色特征,得到初级感兴趣区域,即疑似烟雾区域;S4提取初级感兴趣区域三个动态特征,所述三个动态特征包括迅速膨胀特征,边缘不规则特征及高频能量衰减特征;S5将训练样本分为烟雾正样本和非烟雾负样本,根据动态特征建立训练样本集,采用支持向量机作为分类器进行训练,输入测试样本进行烟雾的自动检测。所述S2具体步骤为:S2.1将视频数据场景中每个像素点的状态用K个加权的高斯分布模型来描述,设t时刻 ...
【技术保护点】
1.一种基于多维信息特征融合的交通场景烟雾智能检测方法,其特征在于,包括如下步骤:S1获取交通领域内的视频数据并进行预处理;S2对预处理后的视频数据中的图像进行混合高斯模型与码本算法融合建模,并提取前景区域和背景区域;S3提取前景区域的颜色特征,得到初级感兴趣区域,即疑似烟雾区域;S4提取初级感兴趣区域三个动态特征,所述三个动态特征包括迅速膨胀特征,边缘不规则特征及高频能量衰减特征;S5将训练样本分为烟雾正样本和非烟雾负样本,根据动态特征建立训练样本集,采用支持向量机作为分类器进行训练,输入测试样本进行烟雾的自动检测。
【技术特征摘要】
1.一种基于多维信息特征融合的交通场景烟雾智能检测方法,其特征在于,包括如下步骤:S1获取交通领域内的视频数据并进行预处理;S2对预处理后的视频数据中的图像进行混合高斯模型与码本算法融合建模,并提取前景区域和背景区域;S3提取前景区域的颜色特征,得到初级感兴趣区域,即疑似烟雾区域;S4提取初级感兴趣区域三个动态特征,所述三个动态特征包括迅速膨胀特征,边缘不规则特征及高频能量衰减特征;S5将训练样本分为烟雾正样本和非烟雾负样本,根据动态特征建立训练样本集,采用支持向量机作为分类器进行训练,输入测试样本进行烟雾的自动检测。2.根据权利要求1所述的交通场景烟雾智能检测方法,其特征在于,所述S2具体步骤为:S2.1将视频数据场景中每个像素点的状态用K个加权的高斯分布模型来描述,设t时刻场景图像中某像素点的观测值为Xt,则求得观测值为Xt时出现的概率密度函数,将概率密度函数与设定的阈值范围进行比较,小于阈值的点设置为背景,大于阈值的点设置为前景,即运动目标;S2.2根据视频数据建立背景模型,对背景模型中的每个像素建立码本,并将图像像素与对应的码本中的码字进行匹配,若匹配成功,则该像素为背景,否则为前景,即运动目标;S2.3将高斯混合模型提取出的前景与码本算法提取出的前景进行逻辑与运算,得到融合后的前景区域及背景区域;S2.4利用形态学方法,对融合后的前景区域进行除噪声处理。3.根据权利要求1所述的交通场景烟雾智能检测方法,其特征在于,S3提取前景区域的颜色特征,得到初级感兴趣区域,具体如下:对前景区域的像素点RGB通道分量进行归一化处理,然后将RGB颜色空间映射到HSV色彩空间,形成基于RGB通道和HSV通道的综合条件判据,进一步处理得到初级感兴趣区域。4.根据权利要求1所述的交通场景烟雾智能检测方法,其特征在于,所述S4具体包括:迅速膨胀特征:具体为单位时间内烟雾面积增长率其中,Pi+k为i+k时刻初级感兴趣区域内像素的总个数,Pi为i时刻初级感兴趣区域内像素的总个数,T表示时间间隔;边缘不规则特征:具体为单位时间内的不规则度γ其中,Cs为初级感兴趣区域的周长,Pt为初级感兴趣区域外接矩形的像素总个数;高频能量衰减特征包括前景背景高频能量比、高频能量变化率、高频能量时变率及高频能量变化剧烈程度,具体采用sym小波基初级感兴趣区域进行二维单次小波变换,将其分解为低频部分LL,高频部分水平分量LH、垂直分量HL、对角分量HH,计算前景背景高频能量比,计算相应的高频能量变化率,高频能量...
【专利技术属性】
技术研发人员:游峰,吴昊,陈博,李小龙,初鑫男,黄玲,刘宜恩,
申请(专利权)人:华南理工大学,
类型:发明
国别省市:广东,44
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。