李咸靜，郝爭(zhēng)輝

基于運(yùn)動(dòng)與模糊特征的紅外a熱成像煙霧檢測(cè)

李咸靜1，郝爭(zhēng)輝2

（1. 長(zhǎng)治學(xué)院計(jì)算機(jī)系，山西 長(zhǎng)治 046000；2. 山西國(guó)科晉云信息產(chǎn)業(yè)有限公司，山西 太原 030002）

在焦化企業(yè)生產(chǎn)過(guò)程中會(huì)產(chǎn)生大量煙霧，排放、泄漏會(huì)對(duì)自然環(huán)境造成污染危及生命生產(chǎn)安全。針對(duì)熱成像視頻對(duì)比度低、紋理度差等特點(diǎn)，本文采用煙霧具有運(yùn)動(dòng)與模糊特性來(lái)進(jìn)行檢測(cè)。提出計(jì)算每幀圖像的噪點(diǎn)度來(lái)改進(jìn)Vibe檢測(cè)算法的固定閾值，從而可更完整地將移動(dòng)目標(biāo)區(qū)域檢測(cè)出來(lái)。將整幅圖像劃分為塊區(qū)域圖像；結(jié)合運(yùn)動(dòng)區(qū)域來(lái)提取該區(qū)域內(nèi)的模糊與噪點(diǎn)比值、FFT計(jì)算模糊度所計(jì)算特征訓(xùn)練生成煙霧分類器；對(duì)實(shí)驗(yàn)視頻進(jìn)行檢測(cè)，平均準(zhǔn)確率達(dá)到94.53%。結(jié)果表明，本文所提算法對(duì)焦化企業(yè)紅外熱成像視頻煙霧檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性，具有良好的抗干擾能力。

改進(jìn)Vibe模糊煙霧特征；紅外熱成像；煙霧檢測(cè)

0 引言

隨著煤焦能源工業(yè)領(lǐng)域快速發(fā)展及國(guó)家日趨加大對(duì)環(huán)境保護(hù)的關(guān)注程度，焦化企業(yè)生產(chǎn)過(guò)程中所產(chǎn)生的煙霧含有大量的有害顆粒物質(zhì)，排放、泄漏會(huì)對(duì)自然環(huán)境造成污染，甚至造成安全事故。對(duì)于焦化企業(yè)的污染廢氣排放國(guó)家一直有著嚴(yán)格規(guī)范的制度，為嚴(yán)格監(jiān)控焦化企業(yè)在生產(chǎn)中煙霧的排放情況，需要尋找一個(gè)行之有效的自動(dòng)化檢測(cè)方法，方便監(jiān)管人員進(jìn)行管理，提升檢測(cè)管理效率，保護(hù)生態(tài)環(huán)境。傳統(tǒng)的方法利用物理傳感器來(lái)檢測(cè)煙霧，采用溫度、煙霧或紫外線等傳感器實(shí)時(shí)采集監(jiān)控某區(qū)域范圍內(nèi)的物理監(jiān)控信號(hào)狀態(tài)，達(dá)到檢測(cè)煙霧的效果，此類方法很大程度上依賴檢測(cè)環(huán)境的變化，在較小空間或封閉的室內(nèi)可以大幅度地提高檢測(cè)效果，然而在空曠的廠區(qū)檢測(cè)效果較差，精度不高。隨著人工智能技術(shù)的快速發(fā)展，使用視頻監(jiān)控進(jìn)行智能煙霧檢測(cè)將是未來(lái)重要的檢測(cè)手段，且基于視頻的智能煙霧檢測(cè)技術(shù)可有效避免傳統(tǒng)傳感器檢測(cè)方式帶來(lái)的缺點(diǎn)，而且響應(yīng)速度快，檢測(cè)范圍更廣。對(duì)視頻煙霧進(jìn)行識(shí)別檢測(cè)，利用煙霧視頻提取煙霧特征如顏色、紋理、運(yùn)動(dòng)等，對(duì)檢測(cè)煙霧進(jìn)行了大量的研究。張斌等[1]提取出煙霧顏色RGB特征，劉通等[2]提出了煙霧YdUaVa顏色特征提取模型，宋少杰[3]建立了煙霧多顏色空間融合模型。T. Ojala等[4]在1995年提出的圖像局部紋理特征描述算子LBP（Local Binary Patterns），經(jīng)常用來(lái)對(duì)煙霧紋理特征進(jìn)行描述，具有對(duì)光照變化不敏感、局部旋轉(zhuǎn)不變、灰度不變性等優(yōu)勢(shì)特點(diǎn)[5]。Yuan F. N.等[6]針對(duì)圖像的紋理特征，提出了局部和全局紋理特征，在對(duì)煙霧進(jìn)行檢測(cè)時(shí)提高了識(shí)別率。傳統(tǒng)方法在研究中基于像素級(jí)別在進(jìn)行設(shè)置時(shí)采用統(tǒng)一閾值在檢測(cè)時(shí)難于平衡處于不同距離下的煙霧，使得檢測(cè)結(jié)果易出現(xiàn)漏報(bào)或誤報(bào)等情況。在進(jìn)行視頻動(dòng)態(tài)特征提取方面，鄧實(shí)強(qiáng)等[7]在YUV顏色空間進(jìn)行可疑煙霧塊提取后，進(jìn)行灰度共生矩陣與小波變換分析煙霧所具有的時(shí)空動(dòng)態(tài)特征，最后通過(guò)BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)判別煙霧。Wang Y.等[8]在HSV（Hue, Saturation, Value）顏色空間中對(duì)候選煙霧區(qū)域進(jìn)行濾波。從候選區(qū)域提取LBMP（Local Binary Match Pattern）、小波能量和煙霧生長(zhǎng)速率特征。最后，將多特征融合并輸入隨機(jī)森林分類器進(jìn)行煙霧檢測(cè)。殷夢(mèng)霞等[9]使用改進(jìn)的三幀差分法對(duì)視頻圖像進(jìn)行疑似煙霧區(qū)域分割，然后提取疑似區(qū)域煙霧圖像的紋理、顏色、能量等特征，最后用支持向量機(jī)進(jìn)行煙霧特征識(shí)別訓(xùn)練。然而如果視頻中存在緩慢移動(dòng)的目標(biāo)可能干擾識(shí)別，會(huì)造成漏報(bào)。王媛彬[10]在煤礦場(chǎng)景下對(duì)煙霧進(jìn)行識(shí)別檢測(cè)研究，提出模糊邏輯的圖像增強(qiáng)方法以改善所獲取的圖像質(zhì)量，再通過(guò)混合高斯模型實(shí)現(xiàn)對(duì)疑似運(yùn)動(dòng)目標(biāo)區(qū)域的提取。在充分分析煙霧圖像特征的基礎(chǔ)上，利用加權(quán)的方法將煙霧圖像特征融合起來(lái)，實(shí)現(xiàn)對(duì)煙霧的在線檢測(cè)。然而由于礦井下強(qiáng)光照射較多，使得產(chǎn)生較多疑似煙霧區(qū)域的干擾，最終導(dǎo)致誤檢率較高。馬永杰等[11]添加鬼影抑制模塊，使用Otsu（Nobuyuki Otsu）算法計(jì)算出最佳閾值分割當(dāng)前幀，在傳統(tǒng)ViBe（Visual Background Extractor）算法的基礎(chǔ)上對(duì)前景像素點(diǎn)二次判別。此方法能夠較好適應(yīng)視頻中前景目標(biāo)運(yùn)動(dòng)變化較大的情況，更好地抑制原有ViBe檢測(cè)時(shí)出現(xiàn)的鬼影現(xiàn)象，并具有較高穩(wěn)定性的檢測(cè)率。湯旻安等[12]通過(guò)結(jié)合哈希算法與差分運(yùn)算來(lái)獲取真實(shí)的背景圖像，使用背景復(fù)雜度因子來(lái)自適應(yīng)改變閾值，通過(guò)連通域圖像的像素個(gè)數(shù)對(duì)圖像進(jìn)行二次判斷以區(qū)分前景與背景。改進(jìn)后的算法可以較好地消除鬼影現(xiàn)象，對(duì)復(fù)雜場(chǎng)景的變動(dòng)具有一定的魯棒性。

針對(duì)使用紅外視頻監(jiān)控?zé)熿F的場(chǎng)景，文中主要對(duì)紅外視頻中煙霧運(yùn)動(dòng)與模糊兩大特征來(lái)進(jìn)行檢測(cè)。

首先使用自適應(yīng)閾值ViBe算法首先對(duì)焦化企業(yè)排放煙霧紅外熱成像視頻進(jìn)行運(yùn)動(dòng)區(qū)域檢測(cè)（所檢測(cè)出的運(yùn)動(dòng)區(qū)域包含有煙霧及其它運(yùn)動(dòng)物體），然后對(duì)整幅圖像進(jìn)行區(qū)域的塊劃分，對(duì)塊區(qū)域圖像進(jìn)行模糊和噪點(diǎn)比值計(jì)算及進(jìn)行FFT（Fast Fourier Transform）模糊檢測(cè)，得到區(qū)域塊模糊度值；最后結(jié)合檢測(cè)出的運(yùn)動(dòng)區(qū)域及塊區(qū)域圖像模糊度來(lái)進(jìn)行煙霧檢測(cè)。

1 檢測(cè)方法原理

ViBe背景建模是一種像素級(jí)的背景建模、前景檢測(cè)算法。其大體思想就是對(duì)某一像素點(diǎn)與其所在鄰域內(nèi)的像素點(diǎn)進(jìn)行采樣，得到該點(diǎn)像素和其鄰域點(diǎn)范圍內(nèi)的像素值集合。當(dāng)對(duì)新的一幀圖像進(jìn)行判別時(shí)，只需通過(guò)比較新的像素值和采樣得到的像素值集合，從而來(lái)分析判斷新的像素點(diǎn)是否屬于背景。該算法首次提出針對(duì)單幀圖像進(jìn)行初始化建模，更新模型遵循隨機(jī)替換原則和一種全新的更新機(jī)制，即相鄰像素更新背景模型的同時(shí)，背景模型也更新相鄰像素的模型。

該算法建模的過(guò)程主要分為3部分：像素點(diǎn)建模、單幀初始化和更新背景模型。

首先，在視頻第一幀中對(duì)圖像的每一個(gè)像素點(diǎn)都建立包含個(gè)樣本的像素模型，這個(gè)樣本值均是已被判為背景的像素值。定義()為歐式色彩空間中位于處的像素，v是該像素()八領(lǐng)域中隨機(jī)選取的樣本，一共選取次（如果()位于邊緣，那么就使用不完整的八領(lǐng)域來(lái)選?。@樣就建立了像素()對(duì)應(yīng)的模型：

()＝{1,2, …,v} (1)

然后對(duì)比像素點(diǎn)的當(dāng)前像素值()和其對(duì)應(yīng)的模型()的色彩差異。定義一個(gè)以()為中心，為半徑的球體S(())，設(shè)定閾值為，如果：

即對(duì)比()和()中的每個(gè)樣本在3個(gè)色彩通道的色彩差異，在這3個(gè)通道都滿足：

滿足公式(2)的v的個(gè)數(shù)大于或等于，則()分類為背景，其中代表色彩空間的3個(gè)通道。

通過(guò)實(shí)驗(yàn)表明，背景模型中包含的樣本為20最為合適，球體的半徑為15像素。對(duì)于閾值的設(shè)定下面會(huì)詳細(xì)給出。此時(shí)，利用視頻第一幀圖像將背景模型初始化出來(lái)，接下來(lái)就是從第二幀開始進(jìn)行前景目標(biāo)的提取。

ViBe算法前景檢測(cè)：根據(jù)在前景目標(biāo)區(qū)域定位的灰度模型()獲得前景目標(biāo)區(qū)域矩形框，當(dāng)有運(yùn)動(dòng)目標(biāo)進(jìn)入時(shí)，模型()可迅速檢測(cè)出前景區(qū)域。對(duì)前景區(qū)域進(jìn)行形態(tài)學(xué)處理，使前景區(qū)域趨向完整，然后找出前景區(qū)域輪廓線，得到最大外接矩形框。矩形框里面的圖像就是要檢測(cè)出的運(yùn)動(dòng)目標(biāo)。ViBe前景檢測(cè)的算法像素示意圖如圖1所示。

圖1 ViBe像素分類示意圖

Vibe的更新策略是一種只有背景參與更新的保守策略。理論上，背景模型中每個(gè)樣本的最佳衰減方式是單調(diào)衰減。據(jù)此，Vibe采用一種指數(shù)單調(diào)衰減的方式保證樣本的生命周期呈單調(diào)衰減，并非傳統(tǒng)的先進(jìn)先出替換策略，每個(gè)樣本被選中的概率是相等的。同時(shí)，Vibe背景模型的更新也是一個(gè)隨機(jī)選擇過(guò)程，隨機(jī)選擇背景模型中的一個(gè)樣本替換為新值，如圖2所示。

圖2 ViBe背景模型的隨機(jī)更新

如圖2所示，圖(a)、(b)分別表示背景模型中的樣本3、1、5被替換為新值的可能新背景模型，因此，Vibe背景更新是個(gè)隨機(jī)過(guò)程。假設(shè)時(shí)間是連續(xù)的，根據(jù)該更新策略，一個(gè)樣本在時(shí)間和＋d之間存在的概率是(－1/)d其數(shù)學(xué)表達(dá)式如下：

式(4)表示背景模型中樣本的生命周期呈指數(shù)衰減，樣本在時(shí)間(,＋d)內(nèi)被保留下來(lái)的概率與時(shí)間無(wú)關(guān)，完全可人為決定一個(gè)樣本存在于背景模型中的時(shí)間。Vibe采用二次隨機(jī)抽樣來(lái)實(shí)現(xiàn)用有限樣本表征無(wú)限時(shí)間窗口的可能。

固定閾值對(duì)于單一背景可能有良好的分割效果，但如果背景是多模態(tài)的場(chǎng)景，并將閾值固定則會(huì)在劃分前景與背景時(shí)精準(zhǔn)度下降。在本文中使用模糊和噪聲進(jìn)行無(wú)參考圖像質(zhì)量評(píng)估中對(duì)噪聲的評(píng)估值進(jìn)行自適應(yīng)閾值設(shè)定。

因?yàn)檠剡吘壊糠值脑朦c(diǎn)視覺(jué)上不明顯，在此只檢測(cè)邊緣以外部分的噪點(diǎn)。邊緣檢測(cè)會(huì)被噪點(diǎn)影響，所以首先需進(jìn)行均值濾波處理：

式中：(,)為圖像的大小；(,)為濾波后的圖像。候選噪點(diǎn)估計(jì)為：

同理在垂直方向可計(jì)算出相應(yīng)的v、v-mean，既得到候選的噪點(diǎn)：

式中：cand(,)表示候選噪點(diǎn)，它在邊緣區(qū)域?yàn)?。

式中：cand-mean為候選噪聲均值。由上式?jīng)Q定噪點(diǎn)分布情況，噪點(diǎn)均值如下：

式中：Sumnoise是(,)之和；Noisecnt是噪點(diǎn)總數(shù)目。

由于紅外圖像對(duì)比度低、信噪比低、分辨率差、視覺(jué)效果模糊等，本文在對(duì)焦化企業(yè)熱成像視頻中運(yùn)動(dòng)物體檢測(cè)時(shí)使用單幀圖像所計(jì)算出的Noisemean來(lái)對(duì)ViBe算法中的閾值進(jìn)行設(shè)定，當(dāng)檢測(cè)到像素閾值大于當(dāng)前幀圖像平均噪點(diǎn)閾值后便成為前景目標(biāo)。所以自適應(yīng)閾值如下：

＝Noisemean(12)

圖3中(a)為原圖，原始Vibe算法進(jìn)行移動(dòng)目標(biāo)檢測(cè)時(shí)所得二值化圖像移除較小面積的干擾后如圖(b)所示，圖3(c)為改進(jìn)自適應(yīng)閾值的Vibe算法所得結(jié)果，使用對(duì)整幅圖像進(jìn)行平均噪點(diǎn)閾值計(jì)算作為自適應(yīng)閾值，紅外圖像對(duì)比度低、噪聲含量較大當(dāng)像素變化閾值大于平均噪點(diǎn)閾值時(shí)則可判斷當(dāng)前像素是否為移動(dòng)的前景目標(biāo)。改進(jìn)的Vibe自適應(yīng)閾值算法能夠更好地對(duì)移動(dòng)目標(biāo)進(jìn)行完整檢測(cè)。

圖3 Vibe檢測(cè)目標(biāo)與改進(jìn)后的算法結(jié)果

2 煙霧檢測(cè)特征

根據(jù)紅外熱成像視頻的特點(diǎn)，在熱成像視頻中由于煙霧的存在使得該區(qū)域圖像變得模糊，基于該特性采用計(jì)算該區(qū)域圖像的模糊均值、噪點(diǎn)均值、及FFT模糊檢測(cè)等綜合特性作為判別依據(jù)。

2.1 模糊均值

區(qū)域圖像模糊度檢測(cè)，依據(jù)式(6)、(7)如果當(dāng)前像素點(diǎn)的h(,)大于h-mean，則該像素點(diǎn)就是一個(gè)候選的邊緣點(diǎn)h(,)；如果h(,)比它水平方向兩個(gè)相鄰的點(diǎn){h(,－1),h(,＋1)}都大，則該像素點(diǎn)就被確認(rèn)為一個(gè)邊緣點(diǎn)h(,)。h(,)的判斷如下：

檢測(cè)邊緣點(diǎn)是否模糊，定義如下：

式中：Sumblur為模糊個(gè)數(shù)之和；Blurcnt為模糊點(diǎn)數(shù)。

2.2 圖像FFT模糊檢測(cè)

對(duì)于任意尺寸的圖像，其離散的傅里葉變換如下式：

式中：＝0,1,…,－1；＝0,1,…,－1；(,)為空域中的圖像灰度函數(shù)；(,)為頻域中的圖像頻譜。使用快速FFT變換的頻譜均值來(lái)定義區(qū)域圖像的模糊值如下式：

2.3 煙霧檢測(cè)閾值

本文中采用檢測(cè)煙霧模糊特性來(lái)判別運(yùn)動(dòng)區(qū)域是否存在煙霧，所使用特征如下式：

式中如果區(qū)域存在煙霧時(shí)模糊度增加，并使得式(21)所得值也增大，當(dāng)區(qū)域圖像煙霧變薄或不存在煙霧時(shí)該值變小。

3 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)數(shù)據(jù)采用焦化企業(yè)熱成像視頻進(jìn)行測(cè)試，如文中所示，對(duì)紅外序列圖像進(jìn)行分塊首先使用改進(jìn)的Vibe算法對(duì)視頻圖像中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，并將含有運(yùn)動(dòng)目標(biāo)的塊區(qū)域圖像進(jìn)行煙霧特征的提取，并進(jìn)行分類識(shí)別是否存在煙霧。

實(shí)驗(yàn)采用提取區(qū)域圖像的灰度共生矩陣提取能量、熵、對(duì)比度、逆差分矩作為分析煙霧圖像的紋理特征，本實(shí)驗(yàn)中圖像大小為600×480，分塊后的區(qū)域?yàn)?0×40提取特征如圖4所示。

圖4 有煙霧和無(wú)煙霧塊區(qū)域圖像所提取的紋理特征變化

圖4為依據(jù)灰度共生矩陣所提取出的塊區(qū)域圖像特征，圖中(a)、(c)、(e)、(g)分別為存在煙霧的區(qū)域所提取的能量、熵、對(duì)比度、逆差分矩特征，而(b)、(d)、(f)、(h)為在不存在煙霧區(qū)域的圖像所提取的能量、熵、對(duì)比度、逆差分矩特征。由于紅外圖像對(duì)比度低、紋理特性較差，從紅外圖像中提取的能量、熵、對(duì)比度、逆差分矩特征在有煙霧區(qū)域和無(wú)煙霧區(qū)域區(qū)分度不明顯。由于煙霧動(dòng)態(tài)變化，使得所提取的特征有煙霧的范圍比無(wú)煙霧的更大。從圖4(e)、(f)中可得出在有煙區(qū)域和無(wú)煙區(qū)域的對(duì)比度差異較小，對(duì)煙霧變化不敏感。由于煙霧運(yùn)動(dòng)使得所提取的能量、熵、逆差分矩特征動(dòng)態(tài)變化較大，而在無(wú)煙霧區(qū)域能量、熵、逆差分矩特征動(dòng)態(tài)變化是由于塊區(qū)域內(nèi)像素變化進(jìn)而帶來(lái)特征變化。

本文所使用的特征采集如圖5所示。

圖5 本文算法提取特征

圖5(a)、(b)分別為存在煙霧和不存在煙霧的塊區(qū)域圖像所提取的特征值，圖(b)中不存在煙霧區(qū)域特征區(qū)域平穩(wěn)，而在存在煙霧的區(qū)域由于煙霧運(yùn)動(dòng)造成塊區(qū)域圖像模糊度變化較大，所提取的特征值也有較大的幅度變化。

本文采用SVM（Support Vector Machine）對(duì)煙霧特征進(jìn)行分類識(shí)別，視頻采用人員移動(dòng)、行車移動(dòng)、火苗抖動(dòng)等干擾情況對(duì)煙霧檢測(cè)的影響進(jìn)行對(duì)比分析。

圖6中(a)為原圖，(b)和(c)分別是GMG（Godbehere-Matsukawa-Goldberg）和GSOC（Google Summer of Code）背景建模算法對(duì)焦化企業(yè)熱成像視頻進(jìn)行移動(dòng)目標(biāo)檢測(cè)效果，從第1、2、3、5行檢測(cè)結(jié)果表明此兩種算法對(duì)場(chǎng)景存在的煙霧運(yùn)動(dòng)檢查效果較差，通過(guò)第2、4行檢測(cè)效果表明算法對(duì)移動(dòng)的工人與火苗這類明顯目標(biāo)可較為完整地檢測(cè)出來(lái)。(d)、(e)分別為Vibe算法及改進(jìn)后的Vibe算法所檢測(cè)出的移動(dòng)目標(biāo)，改進(jìn)后的Vibe算法能夠更完整地將移動(dòng)目標(biāo)區(qū)域完整檢測(cè)出。在第1、2行數(shù)據(jù)中通過(guò)改進(jìn)的Vibe算法檢測(cè)出圖像中除煙霧以外還有移動(dòng)的工人，最后通過(guò)識(shí)別煙霧特征，排除工人移動(dòng)的干擾，準(zhǔn)確檢測(cè)出煙霧所在的區(qū)域。在第3行為存在煙霧，且右下方為移動(dòng)行車，經(jīng)過(guò)識(shí)別檢測(cè)后，只檢測(cè)出煙霧所在區(qū)域。第4行為抖動(dòng)的火苗和移動(dòng)的工人，改進(jìn)的Vibe算法能準(zhǔn)確檢測(cè)出兩個(gè)區(qū)域，由于沒(méi)有煙

圖6 部分移動(dòng)干擾目標(biāo)下的煙霧檢測(cè)

霧存在所以沒(méi)有識(shí)別出區(qū)域。第5行數(shù)據(jù)中存在移動(dòng)工人與煙霧，通過(guò)本文檢測(cè)和識(shí)別算法后只將煙霧區(qū)域識(shí)別出來(lái)。(f)圖像是使用改進(jìn)的ViBe算法檢測(cè)到有運(yùn)動(dòng)區(qū)域的基礎(chǔ)上對(duì)圖像進(jìn)行區(qū)域塊的劃分，提取檢測(cè)區(qū)域內(nèi)的煙霧特征并進(jìn)行分類將判別。存在煙霧區(qū)域圖像塊使用綠色方框標(biāo)記顯示。

綜上在使用文中改進(jìn)的Vibe算法及塊區(qū)域煙霧特征結(jié)合方式SVM分類器可有效避免干擾項(xiàng)，并達(dá)到10幀/s左右的檢測(cè)速率，準(zhǔn)確率為94.53%。

4 結(jié)論

本文針對(duì)熱成像視頻進(jìn)行煙霧檢測(cè)，提出計(jì)算每幀圖像的噪點(diǎn)度來(lái)改進(jìn)Vibe算法的固定閾值，從而可更完整地將移動(dòng)目標(biāo)區(qū)域檢測(cè)出來(lái)。然后將整幅圖像劃分為塊區(qū)域圖像，結(jié)合運(yùn)動(dòng)區(qū)域來(lái)提取該區(qū)域內(nèi)的模糊與噪點(diǎn)比值、FFT計(jì)算模糊度，最后將所計(jì)算特征訓(xùn)練生成煙霧分類器。檢測(cè)結(jié)果表明，本文算法檢測(cè)速度快，可排除人員移動(dòng)、行車移動(dòng)、火苗抖動(dòng)等干擾檢測(cè)煙霧結(jié)果的情況。對(duì)焦化生產(chǎn)環(huán)境有較好的適應(yīng)性，能有效解決焦化廠煙霧檢測(cè)問(wèn)題。

[1] 張斌, 魏維, 何冰倩. 基于多特征融合的早期野火煙霧檢測(cè)[J]. 成都信息工程大學(xué)學(xué)報(bào), 2018, 33(4): 408-412. ZHANG Bin, WEI Wei, HE Bingqian. Early wildfire smoke detection based on multi-feature fusion[J].2018, 33(4): 408-412

[2] 劉通, 程江華, 華宏虎, 等. 結(jié)合YdUaVa顏色模型和改進(jìn)MobileNetV3的視頻煙霧檢測(cè)方法[J]. 國(guó)防科技大學(xué)學(xué)報(bào), 2021, 43(5): 80-85. LIU Tong, CHENG Jianghua, HUA Honghu, et al. Video smoke detection method combining YdUaVacolor and improved MobileNetV3[J]., 2021, 43(5): 80-85.

[3] 宋少杰. 基于GMM改進(jìn)算法的森林火災(zāi)檢測(cè)研究[D]. 南京: 南京郵電大學(xué), 2021. DOI: 10.27251/d.cnki.gnjdc.2021.000473. SONG Shaojie. Research on Forest Fire Detection Based on proved GMM Algorithm[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2021. DOI: 10.27251/d.cnki.gnjdc.2021.000473.

[4] Ojala T, Pietik?inen M, Harwood D. A comparative study of texture measures with classification based on featured distributions[J]., 1996, 29(1): 51-59.

[5] YUAN F, SHI J, XIA X, et al. Co-occurrence matching of local binary patterns for improving visual adaption and its application to smoke recognition[J]., 2019, 13(2): 178-187.

[6] YUAN F N, XIA X, SHI J T. Holistic learning-based high-order feature descriptor for smoke recognition[J]., 2019, 17(2): 194005.

[7] 鄧實(shí)強(qiáng), 丁浩, 楊孟, 等. 基于視頻圖像的公路隧道火災(zāi)煙霧檢測(cè)[J].隧道建設(shè), 2022, 42(2): 291-302. DENG Shiqiang, DING Hao, YANG Meng, et al. Fire smoke detection in highway tunnels based on video images[J]., 2022, 42(2): 291-302.

[8] WANG Y, HAN Q, LI Y, et al. Video smoke detection based on multi-feature fusion and modified random forest[J]., 2021, 29(3): 38-45.

[9] 殷夢(mèng)霞, 王理, 孫連營(yíng). 基于多特征融合的自適應(yīng)煙霧檢測(cè)算法[J]. 建筑科學(xué), 2019, 35(9): 26-31. DOI:10.13614/j.cnki.11-1962/tu.2019. 09.005. YIN Mengxia, WANG Li, SUN Lianying. Adaptive smoke detection algorithm based on multi-feature fusion[J].2019, 35(9): 26-31. DOI:10.13614/j.cnki.11-1962/tu.2019.09.005.

[10] 王媛彬. 煤礦煙霧的計(jì)算機(jī)視覺(jué)檢測(cè)方法[J]. 遼寧工程技術(shù)大學(xué)學(xué)報(bào): 自然科學(xué)版, 2016, 35(11): 1230-1234. WANG Yuanbin. Smoke detection based on computer vision in coal mine[J]., 2016, 35(11): 1230-1234.

[11] 馬永杰, 陳夢(mèng)利, 劉培培, 等. ViBe算法鬼影抑制方法研究[J].激光與光電子學(xué)進(jìn)展, 2020, 57(2): 105-112. MA Yongjie, CHEN Mengli, LIU Peipei, et al. Research on ViBe algorithm ghost suppression method[J]., 2020, 57(2): 105-112.

[12] 湯旻安, 王晨雨. 基于改進(jìn)ViBe算法的靜態(tài)場(chǎng)景運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 激光與光電子學(xué)進(jìn)展, 2021, 58(14): 216-224. TANG Minan, WANG Chenyu. Moving object detection in static scene based on improved ViBe algorithm[J].2021, 58(14): 216-224.

Infrared Thermal Imaging Smoke Detection Based on Motion and Fuzzy Features

LI Xianjing1，HAO Zhenghui2

(1. Department of Computer Scienice, Changzhi University, Changzhi 046000, China;2. Shanxi Guoke Jinyun Information Industry Co., Taiyuan 030002, China )

The production process of coking enterprises generates abundant smoke. Their discharge and leakage can pollute the natural environment, endangering the safety of life and production. Considering the low contrast and poor texture of thermal imaging videos, this study detected smoke with motion and fuzzy characteristics. The noise degree of each frame image can be calculated to replace the fixed threshold of the Vibe detection algorithm so that the moving target area can be completely detected. First, the image was divided into block area images; then, the fuzzy-to-noise ratio in this area was extracted by combining the motion area, the features calculated when the fast fourier transform (FFT) was used to calculate the ambiguity were trained to generate a smoke classifier, and finally, the experimental video detection, with an average accuracy rate of 94.53%. The results show that the proposed algorithm is accurate, operates in real-time for smoke detection in infrared thermal imaging videos of coking enterprises, and has good anti-interference ability.

improved Vibe fuzzy smoke features, infrared thermal imaging, smoke detection

TP391 文獻(xiàn)識(shí)別碼：A

1001-8891(2024)03-0325-07

2022-12-03；

2023-07-10.

李咸靜（1992-），女，山西長(zhǎng)治人，博士，講師，研究方向?yàn)橛?jì)算機(jī)視覺(jué)及圖像處理。E-mail：760072875@qq.com。

山西省高等學(xué)校科技創(chuàng)新計(jì)劃項(xiàng)目（2023L323）資助。