摘  要： 針對視頻煙霧檢測中當干擾物和煙霧極為相似時容易出現誤判的問題，對基于幀間高頻能量和相關性的煙霧檢測進行了研究。首先通過混合高斯背景模型與三幀差法提取運動目標，再利用煙霧的顏色、擴散性、形狀提取疑似目標區，對目標區域用離散小波變換獲取高頻能量，利用幀間高頻能量和相關性對疑似區域進行煙霧判斷，從而確定目標是否是煙霧并給出報警。通過MATLAB和VS2010進行仿真，結果表明，該算法可以有效提高煙霧識別檢測的可靠性，減少誤報。

　　關鍵詞： 目標提取；煙霧檢測；離散小波變換；能量；相關性

0 引言

　　火災探測主要分為火焰和煙霧的探測。而煙霧作為火災發生的早期現象，其檢測結果的準確性直接影響火災探測系統的可靠性，因此對視頻煙霧檢測算法的研究具有重要意義。而視頻煙霧檢測的準確性仍然是一個開放的挑戰，人們也在不斷地對算法進行改進以提高檢測效果。Simone Calderara等人提出一種使用圖像能量和顏色信息的煙霧檢測算法[1]，Chen-Yu Lee等人提出了利用時空特性的煙霧檢測算法[2]。Wen-hui Li等人提出了一個基于小波能量和光流法視頻煙霧檢測算法[3]。各種算法的研究使煙霧檢測越來越準確，但也還存在一些缺陷。

　　（1）幾種算法中都提到了煙霧能量檢測，但都是以某時刻為判斷單位，忽略了某時刻可能出現的暫時性干擾也有可能遮擋背景導致能量的衰減，如飄動的白色污染物。

　　（2）這些算法對于和煙霧特征很接近的干擾物，如霧霾、云朵等，不能做出判斷，易產生誤判。

　　針對煙霧和干擾物進行研究，本文結合煙霧的視頻圖像在時域和頻域的特征，將煙霧的多種特征進行融合檢測，提出了基于幀間高頻能量和相關性的煙霧檢測算法，能夠有效提高煙霧檢測的準確率。

1 本文算法架構

　　本文算法流程主要步驟：

　　（1）用混合高斯背景模型和幀差法對運動目標進行提取；

　　（2）運用煙霧的顏色、擴散性和不規則性進行目標的初步鎖定，若滿足條件則轉到步驟（3）進行進一步的檢測，否則為干擾區域進行排除，轉回（1）；

　　（3）對視頻幀進行離散小波變化，提取視頻間的高頻能量變化信息和幀間的相關性變化，如果滿足閾值條件則進行煙霧報警，否則將目標區域排除，轉回（1）。

2 運動目標提取

　　（1）混合高斯背景模型

　　在t時刻，圖像中的每個像素點的像素值可用混合高斯模型表示為下式[3-4]：

　　其中，K為高斯模型數（本文取K=3），wi，t為t時刻第i個高斯分布函數的權值（滿足，t=1），i，t和?i，t為t時刻對應高斯分布的均值和協方差矩陣，n為像素點ft（x，y）的維數，I為單位矩陣，δ為標準差。（ft（x，y），i，t，i，t）為t時刻第i個高斯分布的概率密度函數。

　　如果滿足：|fi，t+1-ui，t+1|≤ε*i，t+1，則匹配成功，匹配的高斯分布的均值和方差進行更新，其他的高斯分布不變。該高斯模型的參數更新如下：

　　其中，a為高斯背景模型的學習率，為參數學習率反應高斯分布均值和協方差的收斂速度。

　　其余的高斯分布權重會以wi，t+1=（1-a）wi，t進行更新。當參數更新完后，根據wi，t/i，t降序排序后，若滿足則為背景模型，否則為前景模型，其中Th為設定的閾值，描述背景的高斯分布所占的比例。

　　（2）三幀差分法

　　三幀差分法[5]的主要思想：從視頻中連續讀取3幀圖像fk，fk+1，fk+2進行隔幀兩兩差分，并通過閾值T1將兩個差分圖像二值化，即：

　　再將兩個二值圖像dk1和dk2相與，得到的交集就是運動目標的基本輪廓，從而提取出前景區域。

　　（3）提取運動目標

　　將三幀差分法提取的運動區域與混合高斯模型中提取到的前景區域進行邏輯“與”，獲得比較準確的運動區域，并對該區域進行“開閉”運算，除去噪聲，最終提取出運動目標。

3 煙霧特征提取

　　（1）顏色特征

　　煙霧顏色大多呈灰白色，通過對大量煙霧視頻的煙霧RGB顏色特征進行實驗，得到煙霧顏色特征如下[6]：

　　其中，R1=0.314 0，R2=0.336 9，G1=0.319 0，G2=   0.337 4為實驗統計值。

　　（2）擴散性

　　煙霧的擴散性[1]使煙霧面積不斷變化，表現為運動目標面積的不斷增大，滿足：Si<Si+t（t=1，2，3…）。因此可以利用面積的平均增長率提取疑似煙霧目標，其公式如下：

　　其中，Pi表示視頻序列中第i張圖像中的疑似區域內目標的像素總數。選取擴散度閾值為D1和D2。

　　（3）不規則性

　　煙霧隨著氣流不斷變化，表現為形狀上的不規則性，其不規則性可以表示為：

　　STD=SEP/STP（7）

　　SEP表示被提取出來的煙霧區域的周長，通過計算邊緣像素總數來表示，STP表示被提取出來的煙霧疑似區域的面積，用包含的連通區域的像素總數描述。STD為不規則性判據，用以區別煙霧和其他形狀規則的物體。

4 幀間能量和相關性

　　（1）能量分析

　　煙霧最顯著的特征是由下到上并向四周逐漸擴散，這一現象會平滑背景圖像使尖銳程度降低，在空域上表現為背景圖像的邊緣和紋理信息逐漸減少，在頻域上反應為高頻信息的削減[1，6]。將有煙霧的視頻圖像進行離散小波分解，由圖1可知，煙霧的背景紋理遮擋性會削減背景的三個高頻分量子圖像，模糊背景的邊緣和紋理等細節信息，在小波上表現為小波系數的減少。所以，利用小波系數的減少，計算三個高頻分量子圖像能量值，通過高頻能量的變化可以判斷是否有煙霧存在。

　　對于t時刻的煙霧視頻圖像It，其運動部分（Bk）高頻部分的平均能量值[7]：

　　此外，為了感知較小的煙霧帶來的能量變化，將每一項都做平方處理。

　　高頻能量衰減率算法如下式：

　　其中，QB為無煙霧的背景高頻能量值，QT為出現煙霧后的背景高頻能量值，（QB-QT）即為被煙霧遮擋衰減的高頻能量。為了提高檢測的可靠性，計算平均衰減率如下：

　　其中N為迭代測量的數量，Th為設定的比列閾值。如果平均衰減率小于閾值Th，則目標區域為煙霧，否則為其他干擾物。

　　（2）相關性分析

　　煙霧在較短的時間內其形狀和內部紋理結構變化快，而云朵相對來說變化緩慢。利用連續兩幀的目標區域的相關性可以衡量相似性和估計運動趨勢。

　　對于連續兩幀圖像的相關性可以用下式表示：

　　其中，xij表示第一幀圖像像素（i，j）的像素值，yij表示第二幀圖像像素（i，j）的像素值，表示第一幀圖像的像素平均值，表示第二幀圖像的像素平均值。

　　由上面對煙霧用二維小波變換的分析可知，煙霧會導致反應邊緣信息的高頻分量減少，所以分析連續兩幀的高頻分量的相關性，也可以作為煙霧判據之一。其中，設置水平、垂直、對角線的高頻分量分別為ρ1、ρ2、ρ3，ρ為高頻分量的總相關系數。用相關性判斷煙霧的表達式如下：

　　其中，Th為設定的相關系數閾值。

5 實驗結果

　　本實驗在MATLAB軟件平臺上對煙霧圖像、飄動的白色塑料袋圖像、移動的云朵圖像的小波能量和相關系數進行實驗仿真，得到判斷閾值。再在VS2010 C++實驗平臺上利用OPENCV庫對煙霧、白色塑料袋、云朵視頻圖像進行煙霧識別實驗。

　　對煙霧和飄動塑料袋的視頻圖像進行MATLAB實驗仿真，其相應的高低頻小波能量值的計算結果如表1所示。

　　從表1中可知，煙霧和白色塑料袋相比，有煙霧背景圖像的高頻部分能量減少更加顯著，有煙霧時背景的高頻能量急劇減少，減少比例絕對值大于6%，所以本實驗中的比例閾值Th設置為6%。

　　分別計算視頻圖像中連續兩幀的煙霧圖像和云朵圖像其高頻分量的相關系數，結果如表2所示。

　　從表2可知，在連續兩幀中煙霧和飄動的云在高頻分量的相關系數上具有很大的差別。煙霧高頻分量的相關系數一般小于0.5，云朵高頻分量相關系數大于0.5，因此相關系數閾值th設置為0.5。

　　利用本文算法，在VS2010 C++實驗平臺上利用OPENCV庫，對7個煙霧視頻和3個非煙霧視頻進行煙霧檢測，檢測結果如表3所示。

　　實驗結果表明，該算法能夠在有干擾物的情況下比較精確地識別火焰，提高了煙霧檢測的可靠性，減少誤報。

6 結論

　　對于基于高頻的小波能量和相關性的煙霧檢測算法的研究，應用了時間和空間的檢測方法，與傳統的煙霧檢測算法（如顏色、形狀、紋理）相比，提高了煙霧檢測識別的可靠性。而且該算法可以很好地排除與煙霧具有相似特性的移動的云朵和飄動的白色物體。實驗結果表明，基于高頻部分的小波能量和相關性的煙霧檢測可以較準確地從視頻圖像中識別出煙霧圖像，并對障礙物進行有效的排除，減少誤報，提高煙霧檢測的可靠性。

參考文獻

　　[1] CALDERARA S， PICCININI P， CUCCHIARA R. Vision based smoke detection system using image energy and color information[J]. Machine Vision and Applications， 2011，22（4）：705-719.

　　[2] Lee Chenyu， Lin Chinteng， Hong Chaoting，et al. Smoke detection using spatial and temporal analyses[J]. Computing， Information and Control， 2012，8（6）：4726-4749.

　　[3] Li Wenhui， Fu Bo， Xiao Linchang， et al. A video smoke detection algorithm based on wavelet energy and optical flow eigen-values[J]. Journal of Software， 2013，8（1）：63-70.

　　[4] Sun Hong， Guo Kai. Moving target detection based on the improved Gaussian mixture background model[J]. Jiangnan University Journal， 2014，13（3）：269-274.

　　[5] Wei Wei，Wu Qi. Moving target detection based on three frame difference combined with improved gaussian modeling[J]. Computer Engineering and Design，2014，35（3）：949-952.

　　[6] Cheng Yuanhang， Wang Jing. A motion image detection method based on the inter-frame difference method[J]. Applied Mechanics and Materials，2014，490（7）：1283-1286.

　　[7] Wang Tao， Liu Yuan， Xie Zhenpin. A new video smoke detection method based on wave analysis[J]. Electronics and Information Journal，2011，33（5）：1024-1029.