吳冬梅，張 瑩，張思齊

(西安科技大學(xué)通信與信息工程學(xué)院，陜西 西安 710054)

1 引言

煤礦火災(zāi)往往會(huì)對(duì)經(jīng)濟(jì)和安全產(chǎn)生巨大影響?！盁煘榛鹗肌盵1]，若能準(zhǔn)確檢測(cè)火災(zāi)初期的煙霧，就可快速施行救援方案，減少經(jīng)濟(jì)損失和人員傷亡。

基于視頻監(jiān)控的火災(zāi)檢測(cè)系統(tǒng)檢測(cè)范圍廣，并且可與井下監(jiān)控系統(tǒng)相結(jié)合。文獻(xiàn)[2]在暗原色先驗(yàn)理論的基礎(chǔ)上，圖像色彩的增強(qiáng)通過RGB顏色空間知識(shí)實(shí)現(xiàn)；文獻(xiàn)[3]針對(duì)圖像模糊問題先進(jìn)行灰度變換和直方圖均衡化，再結(jié)合離散小波變化去除高頻信息；文獻(xiàn)[4]使用背景差分法提取前景目標(biāo)和運(yùn)動(dòng)的煙霧區(qū)域；文獻(xiàn)[5]提出了多特征加權(quán)融合的煙霧檢測(cè)方法，有效識(shí)別巷道內(nèi)遠(yuǎn)距離、小范圍的濃煙，但若巷道內(nèi)有燈光干擾，識(shí)別率較低。

目前存在的視頻煙霧檢測(cè)方法對(duì)日常煙霧的識(shí)別結(jié)果比較準(zhǔn)確，但對(duì)煤礦井下的場景而言，煙霧識(shí)別效果較差，人工光源的干擾無法有效的避免，存在嚴(yán)重的誤報(bào)漏報(bào)問題。因此本文對(duì)礦井下視頻圖像進(jìn)行煙霧檢測(cè)的研究。

2 改進(jìn)的暗原色理論去霧算法

文獻(xiàn)[6]中以暗原色先驗(yàn)知識(shí)為根本的去霧算法(He 算法)按照霧氣濃度改善有霧圖像局部區(qū)域的顏色，實(shí)現(xiàn)去霧的目的。用大氣散射模型來解釋霧天圖像退化的過程如式(1)

(1)

其中，I(x)為有霧圖像，J(x)為要恢復(fù)的無霧圖像，A代表全局大氣光值，t(x)是場景透射率。

在利用暗原色先驗(yàn)理論獲得的暗通道圖中，以根據(jù)亮度高低得到的前0.1%的像素為基礎(chǔ)，再在原圖像中找亮度最大的點(diǎn)看作A的值。He算法引入?yún)?shù)w。對(duì)式(1)做最小值運(yùn)算，得到t(x)的估計(jì)值如式(2)

(2)

He 算法能夠有效地減少霧氣，但車燈和礦燈在昏暗的煤礦井下視頻中都會(huì)出現(xiàn)明顯的光斑，對(duì)大氣光值A(chǔ)影響較大。

本文用四叉樹分層搜索[8]的原理獲取大氣光值A(chǔ)，完成圖像的去霧操作，過程如下：

1)劃分輸入圖像為四個(gè)相等的區(qū)域；

2)計(jì)算每個(gè)矩形的平均像素值與標(biāo)準(zhǔn)差的差值；

3)選擇差值最大的矩形作為目標(biāo)區(qū)域，循環(huán)步驟1)和2)，當(dāng)目標(biāo)區(qū)域的差值小于預(yù)設(shè)閾值時(shí)循環(huán)結(jié)束。

(3)

然后用CLAHE[7]算法，先把圖像分割為子塊，再用預(yù)設(shè)閾值裁剪其灰度直方圖，重新分配超出閾值的部分從而增強(qiáng)子塊的對(duì)比度，最后對(duì)每個(gè)子塊實(shí)現(xiàn)直方圖均衡，達(dá)到增強(qiáng)圖像細(xì)節(jié)的目的。展示兩組實(shí)驗(yàn)結(jié)果如圖1所示，本文設(shè)定A的閾值是20×20。

圖1 去霧增強(qiáng)結(jié)果對(duì)比圖

圖1可以得出，直方圖均衡可提高對(duì)比度，但局部出現(xiàn)過度增強(qiáng)導(dǎo)致細(xì)節(jié)內(nèi)容丟失，如實(shí)例一中的紅色按鈕區(qū)域和實(shí)例二中的煙霧輪廓嚴(yán)重模糊；He算法能改善圖像清晰度，但整體色彩較暗，對(duì)昏暗的礦井下情況并不適用，實(shí)例二增強(qiáng)后的亮度依舊較低；本文增強(qiáng)算法對(duì)昏暗的井下環(huán)境去霧結(jié)果明顯，使圖像色彩度真實(shí)自然，輪廓與細(xì)節(jié)更加清晰。

標(biāo)準(zhǔn)差體現(xiàn)圖像各像素與均值的偏離程度，標(biāo)準(zhǔn)差的值越大，圖像的對(duì)比度越高。圖像熵衡量圖像包含的信息量，圖像的細(xì)節(jié)越豐富，熵值越大。本文用標(biāo)準(zhǔn)差和圖像熵兩個(gè)客觀評(píng)價(jià)指標(biāo)分析上述兩組實(shí)例的去霧結(jié)果，如表1所示。統(tǒng)計(jì)上述三種算法的運(yùn)行時(shí)間結(jié)果，如表2所示。

表1 各去霧算法的客觀評(píng)價(jià)結(jié)果

表2 各去霧算法的運(yùn)行時(shí)長/ms

分析表1可知，經(jīng)本文去霧算法增強(qiáng)后的兩組實(shí)例的熵值略小于直方圖均衡后的熵值，標(biāo)準(zhǔn)差和熵值均大于原圖和He算法。說明本文的去霧算法可以有效地提升圖像對(duì)比度，增加圖像的紋理信息，提高圖像質(zhì)量，細(xì)節(jié)內(nèi)容更豐富。

分析表2可知，針對(duì)單幀圖片，本文的去霧增強(qiáng)算法較于直方圖均衡和He算法，運(yùn)行時(shí)間稍長，但是計(jì)算難度較低。本文算法處理三種實(shí)例圖像的平均耗時(shí)為0.03s(30ms)，符合計(jì)算機(jī)對(duì)視頻序列的識(shí)別要求。

3 基于顏色模型分割疑煙區(qū)域

礦井下煙霧的顏色因礦燈影響表現(xiàn)出黃白色，與日常煙霧差異較大。

本文分析了煤礦井下煙霧圖像的RGB、HIS、Lab三個(gè)顏色空間[9]的顏色特征，提出了基于RGB和Lab顏色空間的顏色統(tǒng)計(jì)模型。

Cmin=min(R，G，B)

(4)

Cmax=max(R，G，B)

(5)

(6)

其中，T1是RGB顏色空間的顏色分量閾值的上下限；I為HSI顏色空間的強(qiáng)度信息，也是Lab顏色空間的亮度分量；a和b是Lab顏色空間的顏色通道。

本文分析了大量日常煙霧和煤礦井下煙霧圖像的顏色分量直方圖、建立二者的顏色分割模型，通過對(duì)模型分析獲得閾值范圍：T1取值為15～25；T2=80；T3=200；T4=100；T5=150；T6=80；T7=140。利用建立的模型對(duì)煤礦視頻圖像進(jìn)行分割，展示兩組結(jié)果如圖2所示。

圖2 煤礦井下視頻的顏色分割效果圖

圖2中對(duì)于煤礦煙霧視頻幀(a)，本文的顏色分割模型可以實(shí)時(shí)準(zhǔn)確地確定疑煙區(qū)域；圖(b)中的礦燈光斑隨礦工行走而不斷晃動(dòng)時(shí)會(huì)被錯(cuò)誤地分割為疑煙區(qū)域。因此，必須進(jìn)一步提取其它 的煙霧特征排除偽煙霧的干擾。

4 煙霧特征的提取及融合判定

本文檢測(cè)疑煙區(qū)域煙霧的主運(yùn)動(dòng)方向，再提取煙霧三種紋理特征，將其融合訓(xùn)練煙霧分類器進(jìn)行煙霧與偽煙霧的判定。

4.1 光流法檢測(cè)煙霧運(yùn)動(dòng)方向

光流法是根據(jù)視頻中相鄰幀的像素點(diǎn)在時(shí)域上的變化來獲取相鄰幀像素點(diǎn)的運(yùn)動(dòng)信息。本文選擇可靠性和穩(wěn)定性較高的相位信息來估計(jì)光流矢量。設(shè)q1(x1，y1)、q2(x2，y2)是某點(diǎn)在相鄰幀的位置，那么光流矢量的長度計(jì)算如式(7)所示

(7)

(8)

式中，r1，r2是光流矢量縱坐標(biāo)與橫坐標(biāo)的比值。以π/6為單位將圓形坐標(biāo)系中[0，2π]等分成12份，表示12個(gè)相位所屬的區(qū)間，以此來確定運(yùn)動(dòng)目標(biāo)的光流方向。

統(tǒng)計(jì)煙霧視頻的運(yùn)動(dòng)矢量方向特征規(guī)律，發(fā)現(xiàn)其在[4，6]區(qū)間較少，而在1、7、9、12四個(gè)相位方向較多。以此確定煙霧的主運(yùn)動(dòng)方向范圍是(1，3)∪(7，12)，通過其概率統(tǒng)計(jì)圖得出主運(yùn)動(dòng)方向的概率在大于0.5之后較多，所以設(shè)定閾值s=0.5，視頻V1，V2的煙霧運(yùn)動(dòng)方向判斷結(jié)果如圖3所示。

圖3 視頻V1和V2主運(yùn)動(dòng)方向特征檢測(cè)圖

圖3(a1)和(a2)中紅線所標(biāo)的范圍均在煙霧的主運(yùn)動(dòng)方向上。

4.2 多特征的提取及判定

為了進(jìn)一步去除晃動(dòng)的人工光源光斑對(duì)煙霧判別的影響，在上述特征的基礎(chǔ)上提取紋理特征對(duì)二者進(jìn)行更為準(zhǔn)確的區(qū)分。

灰度共生矩陣(GLCM)能夠體現(xiàn)圖像在亮度、方向和變化幅度上的信息。本文選取能量特征、熵、逆差距特性來判別煙霧和偽煙霧。理論上能夠計(jì)算距離d={ 1，2，3，4}和角θ={ 0°，45°，90°，135°}兩兩結(jié)合的16組GLCM，但實(shí)際上對(duì)于不同圖像只需計(jì)算d和θ的一種組合。本文計(jì)算d=1、θ=90°的GLCM的能量值、熵值、逆差距值，分析三個(gè)特征值的統(tǒng)計(jì)結(jié)果曲線，發(fā)現(xiàn)煙霧和人工光源圖像的能量值和熵值大小接近，而煙霧的逆差距值基本都大于2，人工光源的逆差距值均小于2，分布差異明顯。

煙霧的輪廓具有形狀不規(guī)則性特征，但礦燈形狀變化微小，基本呈橢圓狀。若不規(guī)則圖形與規(guī)則圖形的面積一樣，則前者的周長總是大于后者。因此本文將疑煙區(qū)域邊緣總長與面積比值定義為不規(guī)則性的判據(jù)STD，如式(9)所示。先用Canny算子獲取疑煙區(qū)域的邊緣，統(tǒng)計(jì)所有邊緣像素的和為周長SEP，統(tǒng)計(jì)連通區(qū)域內(nèi)的像素總數(shù)作為面積STP。人工光源的STD在固定范圍內(nèi)，而煙霧的STD變化區(qū)間較大。

STD=SEP/STP

(9)

圖像的平均梯度指多個(gè)維度方向的密度變化率的大小，其值越大，圖像就越清晰。本文選用Sobel算子獲取疑煙區(qū)域的平均梯度。先求出疑煙區(qū)域中像素點(diǎn)的水平和垂直方向上的導(dǎo)數(shù)，根據(jù)式(10)求解該點(diǎn)近似梯度，由式(11)求得其平均梯度。通過分析礦燈光斑和煙霧的平均梯度的統(tǒng)計(jì)分布圖，發(fā)現(xiàn)二者范圍分別為[0，2]和[2，7]。

(10)

(11)

本文在自建立的數(shù)據(jù)集中提取訓(xùn)練樣本的逆差距特征Z1、形狀不規(guī)則特征Z2和平均梯度特征Z3，融合三種特征訓(xùn)練SVM分類器，以分類距離Dd為分類標(biāo)準(zhǔn)，D′為歸一化權(quán)重，公式如式(12)和式(13)所示

(12)

(13)

式中，Z1、Z2、Z3映射的SVM分類器的分類間距用D1、D2、D3表示。

5 實(shí)驗(yàn)結(jié)果及分析

本文煤礦井下煙霧檢測(cè)算法是在Microsoft Visual Studio 2013、Opencv2.4.9和Matlab2016b環(huán)境下，用C/C++和Matlab 編程語言實(shí)現(xiàn)。

目前沒有文獻(xiàn)對(duì)煤礦井下煙霧檢測(cè)算法的性能進(jìn)行評(píng)估，也沒有統(tǒng)一標(biāo)準(zhǔn)來評(píng)價(jià)檢測(cè)效果，一般是通過運(yùn)行時(shí)長和檢測(cè)正確率來綜合評(píng)價(jià)。因此本文在自己建立的測(cè)試樣本上來評(píng)估本算法的實(shí)時(shí)性和準(zhǔn)確性。

實(shí)驗(yàn)的訓(xùn)練樣本有煙霧和非煙霧樣本共1750張圖像，對(duì)訓(xùn)練圖像進(jìn)行去霧操作，組合去霧前后的樣本，最終獲得煙霧樣本1500張，非煙霧樣本2000張。測(cè)試樣本選自模擬拍攝的煤礦井下視頻，如表3所示。

表3 模擬拍攝的煤礦井下測(cè)試視頻

為了更直觀的說明本文煙霧檢測(cè)算法的整體效果，選取表3中視頻V2、V4、V5檢測(cè)的結(jié)果進(jìn)行幀提取，檢測(cè)如圖4所示。

圖4 煙霧檢測(cè)結(jié)果圖

圖4中紅色框標(biāo)注的區(qū)域?yàn)樗惴z測(cè)到的煙霧區(qū)域。可以看出本文的算法能準(zhǔn)確檢測(cè)出煙霧，并沒有對(duì)行人、行人腳下白色塑料袋和礦燈光斑等運(yùn)動(dòng)的非煙霧物體誤判。

為了客觀分析本文算法的檢測(cè)效果，統(tǒng)計(jì)七組測(cè)試視頻的實(shí)驗(yàn)結(jié)果，正樣本視頻的準(zhǔn)確率如表4所示，負(fù)樣本視頻的誤檢率如表5所示。

表4 正樣本視頻的檢測(cè)結(jié)果

表5 負(fù)樣本視頻的檢測(cè)結(jié)果

根據(jù)以上數(shù)據(jù)，以視頻圖像幀為單位，本算法在測(cè)試視頻上的平均準(zhǔn)確率約為94.97%，最大程度去除了人工光源的干擾，極大的改善了因礦燈光斑隨礦工行走而晃動(dòng)造成的煙霧誤判問題，能在10秒內(nèi)(幀率為25fps)準(zhǔn)確地判斷出煙霧視頻中的煙霧區(qū)域，實(shí)時(shí)性好，對(duì)硬件設(shè)備要求不高。

6 結(jié)語

本文建立了模擬井下煙霧的視頻庫，提出了改進(jìn)的暗原色理論去霧算法增強(qiáng)輪廓和細(xì)節(jié)。通過實(shí)驗(yàn)得出煤礦井下煙霧的顏色分割閾值條件，剔除與煙霧顏色特征差異較大的目標(biāo)，得到疑煙區(qū)域。然后利用煙霧運(yùn)動(dòng)的動(dòng)態(tài)特征和三個(gè)紋理特征融合訓(xùn)練生成煙霧分類器。檢測(cè)結(jié)果證明本文算法正確率高，檢測(cè)速度快，排除礦燈等對(duì)煤礦井下煙霧檢測(cè)結(jié)果的干擾。本文的去霧算法會(huì)將一部分輕薄煙霧看作霧氣去除，后續(xù)將繼續(xù)改進(jìn)增強(qiáng)算法，使算法更加符合實(shí)際應(yīng)用。