[發(fā)明專利]一種基于視頻圖像分析的煙霧/火焰檢測方法

有效

• 申請?zhí)枺?/td>: 201110089778.0
• 申請日: 2011-04-11
• 公開（公告）號: CN102163358A
• 公開（公告）日: 2011-08-24
• 發(fā)明（設(shè)計）人: 馬莉;李慶奇;余光光;秦文政;吳開華;華秀秀;黃可杰;閆建強
• 申請（專利權(quán)）人: 杭州電子科技大學
• 主分類號: G08B17/00
• 分類號: G08B17/00;G06T7/00;G06T7/20;G06N3/02
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 杜軍

1.一種基于視頻圖像分析的煙霧/火焰檢測方法，其特征在于該方法包括如下步驟：

步驟(1)視頻采集；

通過攝像頭采集CIF格式的視頻圖像，將視頻圖像存儲到圖像處理開發(fā)板DM642中的緩存；

步驟(2)運動檢測；

對采集的視頻圖像采用Kalman濾波器進行運動檢測?

，?????????????????（1）

????（2）

????????????????（3）

???????????（4）

其中是第幀背景圖像y通道中坐標位置的像素值，；是采集的第幀視頻圖像y通道中坐標位置的像素值，；是采集的第幀視頻圖像y通道中坐標位置像素點的運動值，，運動值為1,則該點為運動像素點，運動值為0，則該點為背景像素點，所有運動像素點構(gòu)成視頻運動區(qū)域；是煙霧和火焰共同的運動閾值，；是運動因子，，是背景因子，；是背景預測函數(shù)，實現(xiàn)對背景的更新修正，；

公式(1)為Kalman濾波器的初始條件，公式(2)為Kalman濾波器的時間更新，通過當前視頻圖像預測背景圖像，公式(3)和(4)為Kalman濾波器的測量更新，通過當前的視頻圖像修正背景預測函數(shù)；另外，為了能使獲得的火焰像素數(shù)量極大化，抑制火焰像素區(qū)域更新成為背景，在檢測到火焰后必須停止測量更新，即令；

步驟(3)顏色檢測，包括煙霧顏色分析和火焰顏色分析；

煙霧顏色分析：

在RGB色彩空間下,根據(jù)煙霧在R、G、B通道的顏色特性，利用公式組（5）或公式（6）確定；

???????（5）

????????????（6）

其中，R表示像素的紅色分量，G表示像素的綠色分量，B表示像素的藍色分量，I表示RGB三分量的均值，公式組（5）確定的是青色的煙霧，公式（6）確定的是白色的煙霧；

(b)火焰顏色分析：

在?YCrCb色彩空間下，根據(jù)Y、U、V通道的顏色特征采用高斯混合模型，利用公式(7)和(8)進行顏色檢測，同時滿足公式(7)和(8)條件的像素區(qū)域為火焰顏色區(qū)域；

?????????（7）

????????（8）

其中，表示YCbCr像素點的亮度值，Cb指藍色色度分量，Cr指紅色色度分量,?分別為所選的閾值；

步驟(4)對步驟(2)得到的視頻運動區(qū)域和步驟(3)得到的煙霧和火焰顏色區(qū)域進行逐像素點的與運算，排除靜止的煙霧和火焰類似物的干擾，獲得最終的煙霧和火焰像素區(qū)域；

步驟(5)對步驟(4)得到的結(jié)果分別與給定的煙霧和火焰閾值進行比較，并修改決策機變量值ID對當前圖像幀狀態(tài)做出決策，其中ID表示決策機的決策值：

如果沒有檢測到煙霧和火焰，則令；

如果檢測到煙霧并確定煙霧的區(qū)域，則令；

如果檢測到火焰并確定火焰的區(qū)域，則令；

如果同時檢測到煙霧和火焰并分別確定煙霧和火焰的區(qū)域，則令；???????當?shù)玫絀D=0時說明沒有檢測到煙霧和火焰，返回到步驟(2)，在視頻序列中繼續(xù)進行運動和顏色檢測；其它情況時說明檢測到煙霧或火焰，執(zhí)行步驟(6)；

步驟(6)對步驟(5)得到結(jié)果所確定的區(qū)域提取特征，提取的區(qū)域范圍由步驟(5)中ID確定，具體如下：

如果，則在煙霧的區(qū)域內(nèi)進行特征提取；

如果，則在火焰的區(qū)域內(nèi)進行特征提取；

如果，則在煙霧和火焰的區(qū)域內(nèi)進行特征提取；

ID=1時煙霧被檢測到，這時需要提取其動態(tài)特征進行下一步檢測，分辨是真煙還是假煙；ID=2時火焰被檢測到，這時需要提取其動態(tài)特征進行下一步檢測，分辨是真火還是假火；ID=3提取煙霧和火焰的動態(tài)特征；

在提取動態(tài)特征時，需要提取10幀才會進行特征轉(zhuǎn)換，當提取特征的幀數(shù)等于10幀時，進入步驟(7)，進行動態(tài)特征數(shù)據(jù)的歸一化轉(zhuǎn)換，否則返回步驟(1)繼續(xù)提取動態(tài)特征；

步驟(7)對步驟(6)提取的特征進行歸一化轉(zhuǎn)換，以適應隱馬爾科夫模型火焰檢測和神經(jīng)網(wǎng)絡煙霧檢測；

步驟(8)對步驟(7)得到的結(jié)果進行判定，具體如下：

如果，則對煙霧的動態(tài)特征進行神經(jīng)網(wǎng)絡分析

如果，則對火焰的抖動特征進行隱馬爾科夫模型分析

如果，則對煙霧的動態(tài)特征進行神經(jīng)網(wǎng)絡分析和對火焰的抖動特征進行隱馬爾科夫模型分析；

ID=1時，對煙霧進行神經(jīng)網(wǎng)絡分析，當判定為煙霧時報警，報警等級為1，并返回步驟(1)繼續(xù)進行檢測；當判定為不是煙霧時不進行報警，返回步驟(1)；ID=2時，對火焰進行隱馬爾科夫模型分析，當判定為火焰時報警，報警等級為2，停止檢測；ID=3時，對煙霧和火焰分別進行動態(tài)檢測，當同時檢測到煙霧和火焰時報警，報警等級為3，停止檢測；

所述的對煙霧的動態(tài)特征進行神經(jīng)網(wǎng)絡分析具體方法為：

煙霧的動態(tài)檢測對三個特征進行分析，其中這三個特征包括蔓延率、輪廓的不規(guī)則性和煙霧輪廓的頻率閃爍特征；?

輪廓不規(guī)則性表示為：，其中為輪廓不規(guī)則性，為輪廓的周長，為輪廓的面積；此特征每一幅圖像會求得一個值，步驟如下：

．跟蹤A圖的圖像輪廓；

．計算輪廓像素點個數(shù)可知周長；

．計算A圖疑似區(qū)域內(nèi)的像素點個數(shù)可知面積；

.?求取周長和面積的比，作為神經(jīng)網(wǎng)絡第一個特征的一個元素；

蔓延率表示為：，其中為t時刻煙霧區(qū)域的面積，為前一時刻煙霧區(qū)域的面積，t為當時刻，為前一時刻；

煙霧輪廓的頻率閃爍特征表示為：；其中表示煙霧輪廓的頻率閃爍特征，表示圖像輪廓點灰度值向量經(jīng)過高通濾波器后的高頻值，?表示圖像輪廓點灰度值向量經(jīng)過低通濾波器后的低頻值；?

神經(jīng)網(wǎng)絡的估計過程為：在檢測到連續(xù)10幀圖像的三個特征后，將圖像三個特征分別進行歸一化計算，其中歸一化公式如下：

公式（9）

其中為歸一化之后的特征值，當前的特征值，為特征的最大值，為特征的最小值；

在歸一化后得到的結(jié)果作為神經(jīng)網(wǎng)絡的輸入,利用神經(jīng)網(wǎng)絡前向算法進行估計，最后做出判定；如果判定為真，說明有煙霧被檢測到，報警并返回步驟(1)；否則的話判定為假，沒有煙霧被檢測到，不報警返回步驟(1)；

所述的對火焰的抖動特征進行隱馬爾科夫模型分析具體方法為：

根據(jù)提取的火焰抖動特征生成的觀察序列產(chǎn)生隱馬爾科夫模型，即隱馬爾科夫模型的學習過程；利用學習得到的隱馬爾科夫模型求解由火焰抖動特征生成的觀察序列的概率和，即隱馬爾科夫模型的估計過程，其中為觀察序列在有火焰隱馬爾科夫模型下的條件概率，為觀察序列在無火焰隱馬爾科夫模型下的條件概率；若大于，說明觀察序列屬于真火，實現(xiàn)報警確認；

所述的隱馬爾科夫模型的學習過程具體是：在離線狀態(tài)下，分別訓練學習兩個隱馬爾科夫模型：真火焰隱馬爾科夫模型和非火焰隱馬爾科夫模型；真火焰隱馬爾科夫模型和非火焰隱馬爾科夫模型的訓練學習過程相同，僅提取的目標和特征不同而已，真火焰隱馬爾科夫模型提取的是真火顏色區(qū)域及其輪廓R分量的抖動特征，而非火焰隱馬爾科夫模型提取的是非火顏色區(qū)域及其輪廓R分量的抖動特征；訓練時，首先是確定觀察序列長度T、隱狀態(tài)數(shù)目N和觀察狀態(tài)數(shù)目M，初始化隱馬爾科夫模型的向量、狀態(tài)轉(zhuǎn)移矩陣、觀察狀態(tài)轉(zhuǎn)移矩陣；其次是采用前向-后向算法對隱馬爾科夫模型進行最大似然估計迭代計算直到其收斂為止，從而得到隱馬爾科夫模型的局部最優(yōu)的,即局部最優(yōu)的向量、狀態(tài)轉(zhuǎn)移矩陣、觀察狀態(tài)轉(zhuǎn)移矩陣；

所述的隱馬爾科夫模型的估計過程具體是：通過學習得到的局部最優(yōu)參數(shù)，在火災監(jiān)控系統(tǒng)中進行在線評估，從而實現(xiàn)火焰檢測的報警確認；隱馬爾科夫模型估計的目標是火焰像素區(qū)域，首先將提取的觀察序列分別輸入到真火焰隱馬爾科夫模型和非火焰隱馬爾科夫模型，通過前向算法計算其觀察概率，其中是在隱馬爾科夫模型下觀察序列O的觀察概率，其概率值的大小體現(xiàn)了觀察序列O與指定隱馬爾科夫模型的匹配程度，O是輸入的觀察序列，是建立的隱馬爾科夫模型；其次經(jīng)過最大值選擇器對和進行比較判斷，若大于，說明觀察序列O屬于真火焰隱馬爾科夫模型；反之，則屬于非火焰隱馬爾科夫模型，其中是火焰的觀察概率，O是輸入的觀察序列，為火焰隱馬爾科夫模型，其中是非火焰的觀察概率，為非火焰隱馬爾科夫模型。