本发明专利技术公开了一种基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，包括以下步骤：101、获取拍摄的交通领域内的图像数据并进行预处理；102、混合高斯建模并提取感兴趣区域；103、对感兴趣区域进行颜色特征提取、形状特征提取及小波特征提取；104、基于串并行处理的烟雾颜色特征、形状特征及小波特征综合判断，并采用动态阈值的方法对阈值进行动态实时调节，对所分析的结果进行动态判断。本发明专利技术公开的基于串并行处理的多特征交通视频烟雾检测方法适用于交通领域内的火灾检测，具有检测速度快、可靠性和鲁棒性高等优点。
【技术实现步骤摘要】
本专利技术涉及一种交通场景的烟雾检测技术，特别涉及一种基于串并行处理的多特 征交通视频烟雾检测方法。
技术介绍
目前，现有技术中的火灾检测技术有两种方式，一是基于传感器的传统火灾检测， 二是基于视频的火灾检测。基于传感器的火灾检测技术易受外界环境的影响，例如灰尘、空 气湿度等，检测鲁棒性和实时性较差。对于基于视频的烟雾检测技术，烟雾图像识别的处理 实时性、准确性不高，导致烟雾检测系统可靠性不强。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于串并行处理的多特 征交通视频烟雾检测方法，该检测方法是一种快速准确的烟雾检测算法，解决了传统火灾 检测器和视频图像处理实时性及准确性差的技术缺陷，有效地提高了烟雾检测系统的实时 性与精确性。 本专利技术的目的通过以下技术方案实现：一种基于串并行处理的多特征交通视频烟 雾检测方法，包括以下步骤： 步骤101、交通摄像头拍摄交通场景中的图像数据，并将获取到的图像数据进行预 处理； 步骤102、将步骤1的图像数据进行混合高斯建模，提取感兴趣区域； 步骤103、在感兴趣区域内，进行颜色特征、形状特征及小波特征的提取； 步骤104、在步骤3的基础上，对提取多个特征进行融合，并采用动态阈值的方法 进行动态分析，最终判断视频图像中有无烟雾。 所述步骤102实现的方法为： 将视频场景中的每个像素点利用K个高斯分布构建，并用这K个高斯分布的加权 和描述视频场景。一般来说，K越大，处理场景变化的能力就越强，算法也更复杂。可根据 计算机配置适当选取，K的取值范围为3~7,例如，K的取值可以为5。 步骤21、高斯模型构建； 设t时刻场景图像中某像素点的观测值为Xt，则观测值为Xt出现的概率密度函数 为： 其中，P(Xt)为观测值为Xt的情况出现的概率，XtS t时刻像素点的值；K为高斯分 布个数；ω h t为t时刻第i个模型的权值，所述t时刻第i个模型的权值满足0 < ω 11为t时刻第i个高斯分布，n (xt，μ lit，Σ lit)定义为： 其中，i = 1，2,…K，m为维数，μ lit为t时刻第i个高斯模型，X ,为t时刻 像素点的值。 步骤22、随后根据所设定阈值的范围对图像像素点灰度值进行判断，在阈值内的 像素点设定为背景，阈值外的像素点标记为运动前景，并用红色线框标出此运动前景，设定 其为感兴趣区域。 步骤23、运用区域生长法对感兴趣区域进行处理，恢复感兴趣区域烟雾中间部分 因运动特征不明显而误去的分块形状。区域生长法是以一个像素点为种子点，加上与种子 点相似的邻近点形成一个区域。当新的点被合并后再用新的区域重复这一过程。这个相似 性准则可以是灰度级、彩色、组织或其它特征，相似性的测度可以由所确定的阈值来判定， 并尝试灰度级减少运算量。 所述步骤103实现方法为： 步骤31、颜色特征提取； 火灾烟雾的颜色主要偏向于灰色、白色和青蓝色。若以RGB颜色模型进行颜色分 析，则灰色和白色的烟雾在R、G、B 3个通道上的数值基本相等，而青蓝色烟雾的B分量值往 往大于其他分量。由于烟雾颜色的差异主要存在于亮度分量上，因此可以将每个像素点的 RGB通道的值进行归一化，使得烟雾具有更好的聚类性，归一化公式为： 其中，R、G、B为图像原像素的红、绿、蓝3个通道分量的值，r、g、b为归一化完成后 获得的值。通过对传统烟雾颜色模型及实验数据的分析，得出烟雾像素点色彩满足以下颜 色模型关系： Cmin= min (r，g，b)， Cnax =max (r, g, b), I = (R+G+B) /3, 式（4) 条件 I =Icniax-Cj < Tl, 条件 2 :T2 < I < T3, 条件 3 =Cniax= b 门 I C Μχ-(；ιη I < Τ4, 其中，r为归一化后RGB通道内红色通道的数值，g为归一化后RGB通道内绿色通 道的数值，b为归一化后RGB通道内蓝色通道的数值，C nin为r，g，b中的最小值，Cnax为r， g，b中的最大值，R为未归一化前RGB通道内红色通道的数值，G为未归一化前RGB通道内 绿色通道的数值，B为未归一化前RGB通道内蓝色通道的数值，I为R，G，B三者的平均值。 Tl为设定白烟特征值，T2为亮度最小值，T3为亮度最大值，T4为设定蓝烟特征值。 条件1描述灰白色烟的特征，Tl取值为0. 08~0. 12 ;条件2为亮度分布，I为亮 度值，T2 = 80、T3 = 220 ;条件3描述青蓝色烟的特征，T4值应略大于Tl。当满足条件1 和2或满足条件2和3时，即判断为烟雾，否则不是烟雾。 步骤32、形状特征提取； 在形状分析中，改进形状分析的标准，结合统计分析的结果来检测视频图像中不 规则度的突变。一般对烟雾做形状分析的大多采用视频图像的不规则量作为判别是否有烟 雾的标准，即当视频图像内容的不规则度达到一个阈值之后判别为有烟雾。本文将以下公 式作为二维图像上的烟雾不规则度的一个度量： 其中，Φ为不规则度，C为烟雾区域的周长，S为烟雾区域的面积。 烟雾周长按以下步骤计算： 1)提取出可疑烟雾轮廓；2)将得到的轮廓线以4X4像素划分为小块；3)使用 freeman链码来近似描述边界轮廓，freeman链码沿着顺时针方向，依次连接上一步得到的 近似点，对每一段连接线进行方向4向链码编码；4)通过得到的链码编码，可以计算出烟雾 轮廓的边界周长。 在获取视频图像的不规则度后，可以直接设定阈值来检测烟雾。这是因为在空气 流的影响下，烟雾的运动没有规律，形状不定，导致图像的不规则度增加。这相比于普通生 活中多与方体，柱体等类似的物体，烟雾的不规则度有相当明显的提高。而在交通场景下， 视频图像一般都呈现比较规则的形状，比如汽车，道路，桥梁，建筑物等，它们多可以分为几 何体及其组合。 如果直接将图像内容的不规则度作为衡量指标，可能因为视频中缓慢飘过的云朵 等不规则物体使得视频图像的不规则度平缓增加但最终图像的不规则度超过阈值而造成 误判。因此本文采用"不规则度突变量"来衡量，对烟雾这种突发性，扩散快，大剂量的不规 则物体判断有良好的判断效果。所述不规则度突变量计算公式为： γ = (Φ^-Φ^/Φ^ 式（6) 其中，γ为不规则度突变量，Φ1+1为第1+1帧时可疑烟雾区域的不规则度，第Φ丄 为第1帧时可疑烟雾区域的不规则度。 通过统计分析，获取图像的不规则度，在多次实验分析取得较大的"不规则突变 量"作为监测烟雾发生的阈值。如图2所示，为实验运用本方法经区域生长后的不规则度统 计图，可以发现在140帧左右有一个不规则度的突变，此处即产生了低浓度的烟雾。 步骤33、小波特征提取； 步骤33A、小波高频能变化率静特性； 烟雾具有模糊背景的特征，其高频能较低，运动物体如车和行人纹理清晰，高频能 较高。本文采用对感兴趣区域进行小波变换，计算其高频能，并与背景进行比较，若低于背 景，则有可能为烟雾。本文采用小波变换Haar进行二维单次小波变换，将图像分解为低频 部分LL，高频部分LH、HL、HH。如图3a、图3b、图3c和图3d所示，为行人区域小波变化结果 图，其中图3a是行人区域低频能信息图，图3b是行人区域本文档来自技高网...
【技术保护点】
基于串并行处理的多特征交通视频烟雾检测方法，其特征在于，包括以下步骤：步骤101、获取拍摄的交通领域内的图像数据并进行预处理；步骤102、混合高斯建模并提取感兴趣区域；步骤103、提取感兴趣区域的颜色特征、形状特征和小波特征；步骤104、基于串并行处理的烟雾颜色特征、形状特征及小波特征综合判断，并采用动态阈值的方法对阈值进行动态实时调节，对所分析的结果进行动态判断。
【技术特征摘要】
【专利技术属性】
技术研发人员：游峰，黄玲，陈润丰，张朝彪，吴贤生，方伟创，彭涵宇，张荣辉，徐建闽，
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。