基于自适应背景学习的消防通道安全检测方法技术

本发明专利技术公开了一种基于自适应背景学习的消防通道安全检测方法，首先利用消防通道监控视频流的前N帧图像作为训练样本训练得到混合高斯模型，然后根据混合高斯模型得到背景图像，采用背景图像对检测图像进行背景剪除方法提取出检测图像的前景区域，通过前景图像和检测图像在前景区域内的图像的HOG特征向量判断该前景区域是真正前景还是其他干扰导致的伪前景，从而判断检测图像中是否存在异常情况，如果连续M帧均存在异常情况，则消防通道存在安全问题。本发明专利技术通过建立背景的混合高斯模型，基于HOG特征的前景目标检测和自适应背景更新策略，实现对消防通道是否安全的准确检测。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种，首先利用消防通道监控视频流的前N帧图像作为训练样本训练得到混合高斯模型，然后根据混合高斯模型得到背景图像，采用背景图像对检测图像进行背景剪除方法提取出检测图像的前景区域，通过前景图像和检测图像在前景区域内的图像的HOG特征向量判断该前景区域是真正前景还是其他干扰导致的伪前景，从而判断检测图像中是否存在异常情况，如果连续M帧均存在异常情况，则消防通道存在安全问题。本专利技术通过建立背景的混合高斯模型，基于HOG特征的前景目标检测和自适应背景更新策略，实现对消防通道是否安全的准确检测。【专利说明】
本专利技术属于计算机视觉
，更为具体地讲，涉及一种基于自适应背景学习 的消防通道安全检测方法。
技术介绍
消防通道是指在各种险情发生时，用于消防人员实施营救和被困人员疏散的通 道。当有火灾等紧急情况发生时，消防人员、消防车辆和消防设备要从消防通道进入。消防 通道安全检测主要包括两个方面：（1)消防通道阻塞检测、（2)常闭防火门异常开启检测。 如果消防通道被机动车或其他阻塞物占用就可能造成消防人员、消防车辆和消防设备不能 及时到达现场而延误火灾的救援，造成巨大的经济损失和人员伤亡。防火门是一种具有回 弹功能的闭门结构，它的作用在于能在一定时间内满足耐火稳定性、完整性和隔热性，除了 具有普通门的作用外，具有防火、隔烟、阻挡高温的特殊功能。只有处于关闭状态时，发生火 灾后才能有效地阻挡浓烟烈火的侵袭，为人员疏散及消防营救赢得时间。因此，消防通道阻 塞检测和常闭防火门异常开启检测显得尤为重要。 传统的消防通道安全检测主要依靠人工检查，指定专门的工作人员查看消防通道 是否被阻塞、常闭防火门是否异常开启，此种方法简单易行，不需要依靠任何设备，成本低， 但是该方法的缺点一是不能及时发现消防通道中存在的安全隐患；二是较大地依赖工作人 员，主观性强。还有一种方法依靠采集视频然后连接到监控室由专门的工作人员负责查看， 这种方法虽然比第一种方法方便，降低了工作人员的负担，能够集中的进行监控，但是对人 员的依赖程度依然很大，而且达不到实时、自动检测的目的。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出一种基于自适应背景学习的消防通 道安全检测方法，通过建立背景的混合高斯模型，基于HOG特征的前景目标检测和自适应 背景更新策略，实现对消防通道是否安全的准确检测。 为实现上述专利技术目的，本专利技术，包 括以下步骤： Sl :将消防通道监控视频流的前N帧图像作为训练样本，训练得到由三个高斯模 型混合的背景混合高斯模型，训练的具体步骤包括： SI. 1 :混合高斯模型进行初始化，其中高斯模型1根据第1帧图像进行初始化，表 达式为： - Xji σ), = σΜΙΙ _〇] ο?, = ωΜ? 其中，表示高斯模型1中第1帧图像训练后像素点j的均值，j的取值范围为 j = 1，2,…，M，M为图像中像素点数量，χ」;1表示第1巾贞图像中像素点j的像素值，C^1表示 高斯模型1中第1帧图像训练后像素点j的方差，σ init为预设的初始方差，ω；,表示高斯 模型1中第1帧图像训练后像素点j的权重，《init为预设的初始权重； 高斯模型2、3初始化的表达式为： μ) = μ] = -I _4] =σΜ/ CO'. = (〇], = 0 4分别表示高斯模型2、3中第1帧图像训练后像素点j的均值，?、σΙ 表示高斯模型2、3中第1帧图像训练后像素点j的方差，表示高斯模型2、3中第 1帧图像训练后像素点j的权重； SI. 2 :依次采用第2, 3,…N帧图像对混合高斯模型进行训练，得到混合高斯模型， 第t+Ι帧图像训练的方法为： 将经过前t帧图像得到的像素点j的三个高斯模型，按照/<+,,的值降序排列， i = 1，2, 3,采用第t+Ι帧图像中像素点j的像素值Xj，t+1依次对每个高斯模型进行匹配，匹 配方法为：如果其中δ为大于〇的常数，则认为匹配，否则不匹配； 一旦某个高斯模型匹配成功，则该高斯模型采用像素值\1+1进行更新，其他高斯 模型保持不变，更新公式为： = (i a)〇y：l .......a μ''μ^ +a* Xjj^ (σ)^ )2 = (I - α )(σ), ? +α* (χμ^ - μ], f 其中，α是预设的模型学习率，取值范围为〇 < α < 1，分别表示在第 t帧和第t+Ι帧图像训练后像素点j的混合高斯模型中第i个高斯模型的权重，,〃，、/(,. 分别表示在第t帧和第t+Ι帧图像训练后像素点j的混合高斯模型中第i个高斯模型的均 值，分别表示在第t帧和第t+Ι帧图像训练后像素点j的混合高斯模型中第i 个高斯模型的方差； 如果像素值
+1与三个高斯模型均不匹配，则将最后一个高斯模型根据像素值 xjit+1进行取代更新，更新公式为： =XjtM σ)^, = σΜ? ω'.^, = ωΜ? 更新完成后，将三个高斯模型的权重进行归一化，令-= 1 ;记训练完 /-I 成的混合高斯模型的均值为/4、方差为 <、权重为!<4 ; S2:对消防通道监控视频流中的检测图像，根据混合高斯模型采用背景减除法得 到该帧图像的前景二值图像，具体方法为： S2. 1 :将像素点j的三个高斯模型按4 /<:进行降序排列，取前Bj个高斯模型作 为背景的分布，的计算公式为： 【权利要求】1. 一种，其特征在于，包括以下步骤： Sl:将消防通道监控视频流的前N帧图像作为训练样本，训练得到由三个高斯模型混 合的背景混合高斯模型，训练的具体步骤包括： SI. 1 :混合高斯模型初始化，其中高斯模型1根据第1帧图像进行初始化，表达式为：其中，表示高斯模型1中第1帧图像训练后像素点j的均值，j的取值范围为j= 1，2, "·，Μ，M为图像中像素点数量，Xy表示第1帧图像中像素点j的像素值，表示高斯 模型1中第1帧图像训练后像素点j的方差，σinit为预设的初始方差，表示高斯模型1 中第1帧图像训练后像素点j的权重，c〇init为预设的初始权重； 高斯模型2、3初始化的表达式为：分别表示高斯模型2、3中第1帧图像训练后像素点j的均值，表 示高斯模型2、3中第1帧图像训练后像素点j的方差，表示高斯模型2、3中第1 帧图像训练后像素点j的权重； SI. 2 :依次采用第t= 2, 3,…N帧图像对混合高斯模型进行训练，得到混合高斯模型， 第t+Ι帧图像训练的方法为： 将经过前t帧图像得到的像素点j的三个高斯模型，按照/<4的值降序排列，i= 1，2, 3,采用第t+Ι帧图像中像素点j的像素值Xj，t+1依次对每个高斯模型进行匹配，匹配方 法为：如果,则认为匹配，否则不匹配； 一旦某个高斯模型匹配成功，则该高斯模型采用像素值
+1进行更新，其他高斯模型 保持不变，更新公式为：其中，α是预设的模型学习率，取值范围为0<α< 1，分别表示在第t帧 和第t+1帧图像训练后像素点j的混合高斯模型中第i个高斯模型的权重本文档来自技高网...

【技术保护点】
一种基于自适应背景学习的消防通道安全检测方法，其特征在于，包括以下步骤：S1：将消防通道监控视频流的前N帧图像作为训练样本，训练得到由三个高斯模型混合的背景混合高斯模型，训练的具体步骤包括：S1.1：混合高斯模型初始化，其中高斯模型1根据第1帧图像进行初始化，表达式为：μj,11=xj,1]]>σj,11=σinit]]>ωj,11=ωinit]]>其中，表示高斯模型1中第1帧图像训练后像素点j的均值，j的取值范围为j＝1,2,…,M，M为图像中像素点数量，xj,1表示第1帧图像中像素点j的像素值，表示高斯模型1中第1帧图像训练后像素点j的方差，σinit为预设的初始方差，表示高斯模型1中第1帧图像训练后像素点j的权重，ωinit为预设的初始权重；高斯模型2、3初始化的表达式为：μj,12=μj,13=-1]]>σj,12=σj,13=σinit]]>ωj,12=ωj,13=0]]>分别表示高斯模型2、3中第1帧图像训练后像素点j的均值，表示高斯模型2、3中第1帧图像训练后像素点j的方差，表示高斯模型2、3中第1帧图像训练后像素点j的权重；S1.2：依次采用第t＝2,3,…N帧图像对混合高斯模型进行训练，得到混合高斯模型，第t+1帧图像训练的方法为：将经过前t帧图像得到的像素点j的三个高斯模型，按照的值降序排列，i＝1,2,3，采用第t+1帧图像中像素点j的像素值xj,t+1依次对每个高斯模型进行匹配，匹配方法为：如果则认为匹配，否则不匹配；一旦某个高斯模型匹配成功，则该高斯模型采用像素值xj,t+1进行更新，其他高斯模型保持不变，更新公式为：ωj,t+1i=(1-α)ωj,ti+α]]>μj,t+1i=(1-α)μj,ti+α*xj,t+1,]]>(σj,t+1i)2=(1-α)(σj,ti)2+α*(xj,t+1-μj,ti)T(xj,t+1-μj,ti)]]>其中，α是预设的模型学习率，取值范围为0＜α＜1，分别表示在第t帧和第t+1帧图像训练后像素点j的混合高斯模型中第i个高斯模型的权重，分别表示在第t帧和第t+1帧图像训练后像素点j的混合高斯模型中第i个高斯模型的均值，分别表示在第t帧和第t+1帧图像训练后像素点j的混合高斯模型中第i个高斯模型的方差；如果像素值xj,t+1与三个高斯模型均不匹配，则将最后一个高斯模型根据像素值xj,t+1进行取代更新，更新公式为：μj,t+1i=xj,t+1]]>σj,t+1i=σinit]]>ωj,t+1i=ωinit]]>更新完成后，将三个高斯模型的权重进行归一化，令记训练完成的混合高斯模型的均值为方差为权重为S2：对消防通道监控视频流中的检测图像，根据混合高斯模型采用背景减除法得到该帧图像的前景二值图像，具体方法为：S2.1：将像素点j的三个高斯模型按进行降序排列，取前Bj个高斯模型作为背景的分布，Bj的计算公式为：Bj=argminb(Σi′=1bwji′>T)]]>T表示预设的阈值；S2.2：将检测图像中像素点j的像素值x′j对Bj个高斯模型进行匹配，如果有任意一个高斯模型匹配成功，则判定像素点j为背景像素，将二值图像对应像素点的值置为0，否则判定像素点j为前景像素，将二值图像对应像素点的值置为1；S3：利用HOG特征判断前景二值图像中前景块的真实性，具体方法为：S3.1：对步骤S2得到的前景二值图像进行连通域分析，将连成块的区域归为一类并提取出四个边界的位置信息，得到每块连通区域的外接矩形坐标；S3.2：将每个像素点的三个高斯模型中权重最大的高斯模型的像素均值作为背景像素点的像素值，组成一幅背景图像；S3.3：对于每个连通区域，根据其外接矩形坐标分别从检测图像和背景图像和背景图像的灰度图像中提取出对应的灰度图像块，分别提取两个灰度图像块的HOG特征向量，计算两个特征向量的欧式距离D，如果D大于预先设置的阈值TD，则判定该连通区域为真正前景块，否则为伪前景块；S4：如果步骤S3中每个连通区域都是伪前景块，则此帧检测图像中没有异常情况，如果至少有一个连通区域是真正前景块，则判断该帧有异常情况；如果连续M帧均存在异常情况，M为预设的帧数，则消防通道存在安全问题，否则消防通道安全。...

【技术特征摘要】

【专利技术属性】
技术研发人员：周雪，邹见效，徐红兵，杨武，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51