当前位置: 首页 > 专利查询>吉林大学专利>正文

采用图像块特征识别与回归分类的火灾烟雾检测方法技术

技术编号:21893044 阅读:31 留言:0更新日期:2019-08-17 14:57
本发明专利技术公开了采用图像块特征识别与回归分类的火灾烟雾检测方法,为克服目前分辨率低、实际应用场合不适合与在高清视频中无法正确识别的问题,采用图像块特征识别与回归分类的火灾烟雾检测方法的步骤为:1.对烟雾图像数据集进行特征提取与特征融合,并将数据集放入SVM,得到烟雾特征判据模型;2.处理待检测视频,得到待检测图像块;3.将待检测图像块与烟雾特征判别模型输入到SVM中做回归并分类,标记判别为烟雾的图像块:将待检测图像块与得到烟雾特征判据模型作为SVM输入,SVM输出烟雾或为非烟雾图像块,记录判别为烟雾的待检测图像块的质心坐标;在判别为烟雾的待检测图像块所对应的质心坐标为中心,得到视频中烟雾所在区域。

Fire Smoke Detection Method Based on Image Block Feature Recognition and Regression Classification

【技术实现步骤摘要】
采用图像块特征识别与回归分类的火灾烟雾检测方法
本专利技术涉及一种属于视频图像处理领域的检测方法,更确切地说,本专利技术涉及一种采用图像块特征识别与回归分类的火灾烟雾检测方法。
技术介绍
火灾是严重危害人类生命财产安全的重大灾害之一。火灾的及时预警对于减少各项损失具有重大的意义。一般而言,在火灾发生的初期,烟雾是最先出现的,因此对于火灾烟雾的检测可以有效避免火灾带来的严重后果,使火灾得到早期预警与控制。传统的火灾烟雾探测通常采用光感传感器、烟雾传感器、温度传感器等,但是这些传感器具有的缺陷在于仅能进行特定烟雾的检测,准确率比较差,且系统设计复杂。目前随着电子摄像的普及,视频监控应用的领域越来越多,例如在中国大部分地区都已实现了“天网工程”,形成了视频监控网络;在很多公共场合以及建筑物中也有大量的视频监控设备。目前的视频烟雾检测算法大多使用的是土耳其比尔肯大学的公开数据集,该数据集中视频的分辨率较低,在目前实际的应用场合已经不适合,许多基于此数据集的视频检测算法也有在高清视频中无法正确识别的问题。正确识别高清视频中的烟雾的难题亟待解决。
技术实现思路
本专利技术所要解决的技术问题是克服了现有技术存在的分辨率较低、在高清视频中无法正确识别的问题,提供了一种采用图像块特征识别与回归分类的火灾烟雾检测方法。为解决上述技术问题,本专利技术是采用如下技术方案实现的:所述的采用图像块特征识别与回归分类的火灾烟雾检测方法的步骤如下:1)对烟雾图像数据集进行特征提取与特征融合,并将数据集放入SVM,得到烟雾特征判据模型;2)处理待检测视频,得到待检测图像块;3)将待检测图像块与烟雾特征判别模型输入到SVM中做回归并分类,标记判别为烟雾的图像块。技术方案中所述的对烟雾图像数据集进行特征提取与特征融合,并将数据集放入SVM,得到烟雾特征判据模型是指:1)制作烟雾图像数据集烟雾图像数据集由各种渠道获得,一般需要人工手动整理,收集好的烟雾图像数据集分为训练集与测试集,训练集与测试集中均包含正样本集与负样本集,正样本集为烟雾图像块,负样本集为无烟雾的像素块,测试集与训练集中的图像不存在重复,正、负样本集均为100*100像素大小;2)将烟雾图像数据集中的所有图像做灰度化处理:目前的彩色图像大部分是RGB颜色模式,RGB颜色模式分为三个通道,分别为R即红色、G即绿色与B即蓝色通道,灰度化处理可将彩色图像转化为黑白模式图像,具体转换公式如下:Gray(i,j)=0.299×R(i,j)+0.578×G(i,j)+0.114×B(i,j)式中:R为RGB颜色模式中R通道,G为RGB颜色模式中G通道,B为RGB颜色模式中B通道;3)提取每张图像的CS-LBP即中心对称局部二进制模式特征:4)提取每张图像的LPQ即局部二值量化特征;5)将处理后得到的每张图像的CS-LBP特征作为图像的空域特征,LPQ特征作为图像的频域特征;对每张图像提取的CS-LBP特征与LPQ特征串行连接,作为每张图像的融合特征并记录;6)对融合特征利用支持向量机SVM进行学习训练得到烟雾特征判据模型。技术方案中所述的提取每张图像的CS-LBP即中心对称局部二进制模式特征是指:在灰度图像中,记像素gc(i,j)的8邻域像素点顺时针分别为gp(i,j)(p=0,1,…,7),8邻域像素点的CS-LBP特征如下:CS-LBP=s(g0,g4)20+s(g1,g5)21+s(g2,g6)22+s(g3,g7)23式中:t为事先设定的阈值,一般设为0。技术方案中所述的提取每张图像的LPQ即局部二值量化特征是指:对于M*M的图像块,离散的短时傅里叶变换表示为:式中:u表示频率,局部傅里叶系数通过u1=[a,0]T,u2=[0,a]T,u3=[a,a]T,u4=[a,-a]T计算,每个像素的位置通过向量表示为:F(x)=[F(u1,x),F(u2,x),F(u3,x),F(u4,x)]傅里叶系数相位使用每部分的实数与虚数的符号表示:式子中pj是向量G(x)=[Re{F(x)},Im{F(x)}]的第j部分,最后对其进行二进制编码:经过上述操作得到每张图像的LPQ即局部二值量化特征。技术方案中所述的对融合特征利用支持向量机SVM进行学习训练得到烟雾特征判据模型是指:(1)将图像样本进行标记,设存在烟雾的图像样本标签为1,设不存在烟雾的图像样本标签为-1;(2)使用径向基函数作为SVM的核函数,通过对训练集交叉验证的方式调整SVM中参数c和g的取值以此来获得最高的精确度,从而得到最佳的训练模型;对于SVM训练得到的模型,通常用该模型的ROC曲线表示其分类效果,ROC曲线的纵轴为“真正例率TPR”,横轴为“假正例率FPR”,TPR与FPR的定义为:式中:TP即真正类:预测结果为正类,实际为正类;FP即假正类:预测结果为正类,实际为负类;FN即假负类:预测结果为负类,实际为正类;TN即真负类:预测结果为负类,实际为负类;ROC曲线越靠近左上角,所代表SVM输出的特征判据模型准确性越高。技术方案中所述的处理待检测视频,得到待检测图像块是指:1)将待检测视频按帧转换成图片序列;2)利用Vibe算法提取待检测视频中的运动轨迹;3)将运动区域图像进行闭运算处理,以减少运动轨迹图像中连通域的数量;4)将运动区域图像进行闭运算处理后得到的图像中的连通域做Sobel边缘检测,得到运动轨迹图像中各个连通域的边缘轮廓;5)生成待检测图像块:计算每一个连通域的质心坐标,并以该质心坐标为中心,在该运动轨迹对应的原图片序列中截取100*100的方形图像,当质心坐标位于图像的边缘时则予以舍弃,这样形成的数个100×100的待检测图像作为待检测图像块。技术方案中所述的利用Vibe算法提取待检测视频中的运动区域的方法为:(1)将第一帧图像序列中每一个像素点均从其8邻域中随机选择一个像素保存到其背景模板中,将此步骤重复N次后,记像素x位置处的欧式色彩空间值为V(x),背景建立的模板为M(x)={V1,V2,V3,…,VN},即Vi为背景样本空间中的像素值;(2)定义一个以像素V(x)为中心,R为半径的球体SR(V(x)),计算V(x)与M(x)中N个样本的欧氏距离,根据M(x)与SR(V(x))交集的个数判断当前像素是否为运动目标;(3)当像素V(x)判断为背景时,更新过程中随机选择背景样本M(x)中的一个值,用V(x)替换,同时等概率更新该邻域的背景模板样本值,dt时间后模板样本随时间变化的概率为:P(t,t+dt)=e-ln(N/N-1)dt通过这种策略可以保证背景模板的平稳性,同时,为了保持像素空间的一致性,Vibe算法使用相同的方法随机选择8个邻域中的一个像素进行背景模板更新;视频通过Vibe算法的处理后,可以得到视频中每一帧图像的运动轨迹。技术方案中所述的图像中的连通域做Sobel边缘检测,得到运动轨迹图片中各个连通域的边缘轮廓是指:首先将图像与Sobel算子作平面卷积,设待处理图像为A,Sobel算子由Gx和Gy组成,如下所示:图像的每一个像素点梯度计算如下:|G|=|Gx|+|Gy|当梯度G大于阈值0.8时,认为该点为边缘点,边缘点构成的集合为图片中的连通域的边缘区域,边缘区域用于定位视频中各个物体的运动位置。本文档来自技高网...

【技术保护点】
1.一种采用图像块特征识别与回归分类的火灾烟雾检测方法,其特征在于,所述的采用图像块特征识别与回归分类的火灾烟雾检测方法的步骤如下:1)对烟雾图像数据集进行特征提取与特征融合,并将数据集放入SVM,得到烟雾特征判据模型;2)处理待检测视频,得到待检测图像块;3)将待检测图像块与烟雾特征判别模型输入到SVM中做回归并分类,标记判别为烟雾的图像块。

【技术特征摘要】
1.一种采用图像块特征识别与回归分类的火灾烟雾检测方法,其特征在于,所述的采用图像块特征识别与回归分类的火灾烟雾检测方法的步骤如下:1)对烟雾图像数据集进行特征提取与特征融合,并将数据集放入SVM,得到烟雾特征判据模型;2)处理待检测视频,得到待检测图像块;3)将待检测图像块与烟雾特征判别模型输入到SVM中做回归并分类,标记判别为烟雾的图像块。2.按照权利要求1所述的采用图像块特征识别与回归分类的火灾烟雾检测方法,其特征在于,所述的对烟雾图像数据集进行特征提取与特征融合,并将数据集放入SVM,得到烟雾特征判据模型是指:1)制作烟雾图像数据集烟雾图像数据集由各种渠道获得,一般需要人工手动整理,收集好的烟雾图像数据集分为训练集与测试集,训练集与测试集中均包含正样本集与负样本集,正样本集为烟雾图像块,负样本集为无烟雾的像素块,测试集与训练集中的图像不存在重复,正、负样本集均为100*100像素大小;2)将烟雾图像数据集中的所有图像做灰度化处理:目前的彩色图像大部分是RGB颜色模式,RGB颜色模式分为三个通道,分别为R即红色、G即绿色与B即蓝色通道,灰度化处理可将彩色图像转化为黑白模式图像,具体转换公式如下:Gray(i,j)=0.299×R(i,j)+0.578×G(i,j)+0.114×B(i,j)式中:R为RGB颜色模式中R通道,G为RGB颜色模式中G通道,B为RGB颜色模式中B通道;3)提取每张图像的CS-LBP即中心对称局部二进制模式特征:4)提取每张图像的LPQ即局部二值量化特征;5)将处理后得到的每张图像的CS-LBP特征作为图像的空域特征,LPQ特征作为图像的频域特征;对每张图像提取的CS-LBP特征与LPQ特征串行连接,作为每张图像的融合特征并记录;6)对融合特征利用支持向量机SVM进行学习训练得到烟雾特征判据模型。3.按照权利要求2所述的采用图像块特征识别与回归分类的火灾烟雾检测方法,其特征在于,所述的提取每张图像的CS-LBP即中心对称局部二进制模式特征是指:在灰度图像中,记像素gc(i,j)的8邻域像素点顺时针分别为gp(i,j)(p=0,1,…,7),8邻域像素点的CS-LBP特征如下:CS-LBP=s(g0,g4)20+s(g1,g5)21+s(g2,g6)22+s(g3,g7)23式中:t为事先设定的阈值,一般设为0。4.按照权利要求2所述的采用图像块特征识别与回归分类的火灾烟雾检测方法,其特征在于,所述的提取每张图像的LPQ即局部二值量化特征是指:对于M*M的图像块,离散的短时傅里叶变换表示为:式中:u表示频率,局部傅里叶系数通过u1=[a,0]T,u2=[0,a]T,u3=[a,a]T,u4=[a,-a]T计算,每个像素的位置通过向量表示为:F(x)=[F(u1,x),F(u2,x),F(u3,x),F(u4,x)]傅里叶系数相位使用每部分的实数与虚数的符号表示:式子中pj是向量G(x)=[Re{F(x)},Im{F(x)}]的第j部分,最后对其进行二进制编码:经过上述操作得到每张图像的LPQ即局部二值量化特征。5.按照权利要求2所述的采用图像块特征识别与回归分类的火灾烟雾检测方法,其特征在于,所述的对融合特征利用支持向量机SVM进行学习训练得到烟雾特征判据模型是指:(1)将图像样本进行标记,设存在烟雾的图像样本标签为1,设不存在烟雾的图像样本标签为-1;(2)使用径向基函数作为SVM的核函数,通过对训练集交叉验证的方式调整SVM中参数c和g的取值以此来获得最高的精确度,从而得到最佳的训练...

【专利技术属性】
技术研发人员:杨晓萍刘哲王世鹏王佳帅王萍
申请(专利权)人:吉林大学
类型:发明
国别省市:吉林,22

网友询问留言 已有0条评论
  • 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。

1