摘要：“煙為火始”，如果能在視頻中及時地檢測到煙霧，就能提供更早的火災(zāi)預(yù)警。而且在各式建筑物中視頻監(jiān)控系統(tǒng)已大量使用，利用視頻來探測火災(zāi)的技術(shù)將得以推廣。

關(guān)鍵詞：多特征融合；視頻煙霧；檢測

1運動檢測

運動檢測是實現(xiàn)煙霧檢測的前提，文中選取背景減除法對運動區(qū)域進行檢測。背景減除法首先在Kalman濾波的基礎(chǔ)上根據(jù)時域遞歸低通濾波對背景進行更新和提取，再使用帶閾值的背景差分法獲取運動目標。

2特征提取

2.1煙霧輪廓不規(guī)則特征提取

發(fā)生火災(zāi)時，在熱氣流的影響下，煙霧從著火點開始不斷向周圍擴散，煙霧的邊界呈現(xiàn)出一種不規(guī)則的狀態(tài)，而行人、汽車和動物的邊界看起來更規(guī)則，可將這一特性作為檢測煙霧和非煙物體的一個依據(jù)。文中將圓形度作為檢測煙霧和非煙物體的依據(jù)。圓形度定義為：

式中A為圖形面積，L為圖形周長。文中采用8向鏈碼提取周長L和面積A。通過8向鏈碼求取區(qū)域周長L的方法為：將區(qū)域像素看成點，將周長L定義為區(qū)域邊界像素的8鏈碼長度和，其表達式為：

其中，水平方向和垂直方向鏈碼長度為1，其余方向鏈碼長度為槡2；Q為圖形邊界線上的像素點數(shù)；li-chain為鏈碼長度。按此規(guī)則遍歷邊界鏈碼，可算得邊界長度。通過邊界鏈碼求取區(qū)域面積A的方法為：1）令點（x，y）為鏈碼起點，取橫坐標x為長度起點，縱坐標y為第一高度，并對鏈碼初始化，使長度終點等于起點。2）取一個新點（x1，y1），判斷縱坐標y1是否等于y，若等于轉(zhuǎn)到步驟3，若不等于轉(zhuǎn)到步驟4。3）存儲y1作為新高度，并取x1作為此高度的長度起點，對鏈碼初始化，使長度終點等于長度起點。4）用x1與點（x1，y1）的高度的起點和終點進行比較，若x1小于起點，則將x1作為新起點；若x1大于終點，則將x1作為新終點；否則轉(zhuǎn)到步驟5。5）判斷是否到達鏈碼終點，若是轉(zhuǎn)到步驟6，否則進入步驟2。6）對每一個高度求其長度，面積等于每個高度的長度之和。由上述數(shù)據(jù)可以發(fā)現(xiàn)，由于煙霧運動區(qū)域的無規(guī)則性，其圓形度通常大于3；行人、車輛和動物等規(guī)則物體的圓形度一般小于3；因此可將圓形度作為BP神經(jīng)網(wǎng)絡(luò)的第一個輸入特征用于融合判斷。

2.2提取煙霧模糊特征

利用二維離散小波變換提取這一特征，一幅圖像經(jīng)過二維離散小波變換后分解為四個四分之一大小的圖像，包括一幅低頻分量子圖像和三幅高頻分量子圖像。其中，三幅高頻分量子圖像分別體現(xiàn)了豎直方向（LH）、水平方向（HL）和對角方向（HH）的紋理信息。其中，低頻分量子圖像可以較完整地體現(xiàn)出原圖像的特征，而高頻分量子圖像只體現(xiàn)了原圖像的部分特征。設(shè)一幅圖像經(jīng)過二維離散小波變換得到三幅高頻分量子圖像的小波系數(shù)分別為LHn（x，y）、HLn（x，y）和HHn（x，y），用Wn（x，y）表示三幅高頻分量子圖像的復(fù)合能量值，其公式為：

文中通過定義高頻能量衰減率來表示物體背景變模糊的程度，公式如下：

其中，en表示圖像中疑煙區(qū)域第n幀的高頻能量值；ebn表示疑煙區(qū)域?qū)?yīng)背景圖像經(jīng)二維離散小波變換后的高頻能量值；當視頻中出現(xiàn)煙霧時，隨著邊緣變平滑，細節(jié)信息減少，通常會使三幅高頻分量子圖像的能量值減少。

由上述數(shù)據(jù)可以發(fā)現(xiàn)：由于煙霧運動區(qū)域的模糊性，其高頻衰減率遠大于汽車、行人和動物等剛性物體。一般，煙霧的高頻衰減率在0.1～0.5之間；行人、汽車和動物等剛性物體的高頻衰減率小于0.1，兩者具有很好的區(qū)分度。所以可將高頻衰減率作為BP神經(jīng)網(wǎng)絡(luò)的第二個輸入特征用于融合判斷。

2.3提取煙霧紋理特征

紋理體現(xiàn)了物體表面共有的內(nèi)在特征，被定義為一個區(qū)域內(nèi)的屬性，反映了圖像中同質(zhì)現(xiàn)象的視覺特性?；馂?zāi)煙霧在熱氣流的影響下，做著小尺度，快速的隨機運動，并會產(chǎn)生漂移、閃爍、擴散和相位起伏等現(xiàn)象，從而引起圖像序列灰度值的空間變化。因此文中選擇基于統(tǒng)計法中的灰度共生矩陣法提取樣本的紋理特征值，此方法是建立在圖像的二階組合條件概率密度基礎(chǔ)上的，具有較好的鑒別能力。灰度共生矩陣（GLCM）算法過程如下：在圖像上任取兩點（k，l），（m，n）形成一個點對；點（k，l）的灰度為i，點（m，n）的灰度為j，則該點對的灰度為（i，j）；當灰度值的級數(shù)為L時，在整幅圖像中i和j的組合共有L2種，統(tǒng)計出每一種（i，j）出現(xiàn)的次數(shù)以及總次數(shù)，并將其歸一化成概率Pij，其中[Pij]為灰度共生矩陣?；叶裙采仃噷嵸|(zhì)上是描述在θ方向上，相隔距離為d的像元灰度層（i，j）出現(xiàn)的概率，表示為p（i，j|d，θ）。公式如下：

其中，#代表像元個數(shù)；k、l和m、n在各自所選的窗口內(nèi)變化；一般位移方向有4種，即0°、45°、90°和135°，當距離為d時，其計算公式如下：

實驗表明，當灰度級L=16時，計算速度不至于太慢同時也能夠表達足夠的紋理信息，此時利用灰度共生矩陣可以得到一系列的紋理統(tǒng)計量，根據(jù)火災(zāi)煙霧紋理的無方向性和像素灰度的高隨機性，選擇更能有效反映火災(zāi)煙霧特征的能量和對比度作為紋理特征。分別計算出火災(zāi)煙霧圖像和樣本圖像在0°、45°、90°和135°方向上的灰度共生矩陣，再計算出每一個方向上的能量和對比度，最后取每一個特征量在4個方向上的平均值作為識別火災(zāi)煙霧的判據(jù)。

3結(jié)語

總之，火災(zāi)發(fā)生初期沒有明顯的火焰產(chǎn)生，最早可能出現(xiàn)的是煙霧，所以煙霧識別對于實現(xiàn)早期火災(zāi)報警更加重要。有關(guān)人員還需對相關(guān)問題進行研究，以促進煙霧識別工作的順利進行。

參考文獻：

[1]基于多特征融合的早期野火煙霧檢測[J].張斌，魏維，何冰倩.成都信息工程大學學報.2018.

[2]基于多特征融合運行期均值法的煙霧檢測算法[J].劉穎，顧小東，杜久玲，王倩.電視技術(shù).2016.

（作者單位：吉林省長春市長春理工大學光電信息學院）

作者簡介：宋丹，1978年10月，女，滿族，吉林長春，碩士研究生，副教授，研究方向：檢測技術(shù)與自動化裝置。