[发明专利]一种基于视频的多种特征融合的烟雾识别方法

说明书

技术领域

本发明属于计算机图像处理技术领域，具体涉及一种基于视频的多种特征融合的烟雾识别方法，可应用于火灾预报警监测软件系统中。

背景技术

火灾严重威胁着人类的财产安全和生命安全，对火灾进行预测报警能够使人们防患于未然，从而使火灾对人民群众的危害降低到最小。传统的烟雾报警器通常使用感温、感光等手段，一般需要安装在着火点附近；此外，感温传感器监测到温度上升并进行报警时，通常火灾已经发生，火势已经蔓延，为人们预留的时间比较短。视频烟雾检测不仅无安装位置的要求，而且它是通过对烟雾的监测进行预警，烟雾通常发生在火灾的初期，因此能够为人们躲避或扑灭大火争取更多的时间。

与一般的模式识别任务相类似，烟雾检测的核心技术之一是从图像数据中抽取出具有良好的区分能力和抗噪声、干扰能力的特征描述或表述。特征提取算法以及在此基础上的识别算法的有效性对整体的识别的准确率和可靠性具有至关重要的作用。识别烟雾所使用的特征一般分为静态特征和动态特征，静态特征有颜色特征、纹理特征、周长与面积比、梯度值等，静态特征的主要特点是仅从一帧视频中即可计算出所需特征。动态特征有块累积朝向、边缘轮廓的频率等，动态特征的主要特点是需要从连续的多帧中抽取其统计特征。一般来讲，静态特征计算量较小，效率较高，但抗干扰能力相对较弱，准确性相对较低；而动态特征计算量较大，效率较低，但抗干扰能力相对较强，准确性也相对较高。

烟雾虽然具有丰富的特征，但是要将其从复杂的环境中准确识别出来，与刚性物体相比，还是具有不少的困难。现有检测技术所存在的不足主要有两个方面：

(1)准确性不够

目前的烟雾检测，无论是利用单一特性还是综合利用多种特性，都会有漏报和误报，尤其是在复杂的环境里。采用单一特性的烟雾检测，误报率往往较高，特别是无法对淡而少的烟和浓而厚的烟同样处理。准确性不够的根本原因，是这些特征不够本质，与烟雾没有一一对应关系。

(2)适应性不强

虽然有些算法在一定条件下具有较好的效果，但在复杂环境下其检测性能有所降低。

发明内容

本发明旨在针对现有烟雾识别技术在准确率不高和适用性不强的不足，提出一种新颖的、融合静态特征和动态特征的烟雾识别方法。

为了解决上述技术问题，本发明公开了一种多特征融合的烟雾视频检测算法，包括如下步骤：

(1)设定背景帧和阈值帧，背景帧初始时取为第一帧视频，阈值帧中所有像素点的初始值均设为10；10是指像素的灰度值大小，8位单通道的灰度值是0到255，是相对值。

(2)读取视频帧，更新背景和阈值，阈值更新公式如下：

其中，T_n(x,y)表示第n帧阈值图像(x,y)点的灰度值，Bn(x,y)表示第n帧背景图像(x,y)点的灰度值；α是一个常数，表示阈值更新速度，取值范围为(0,1]，在实验时使用0.5，I_n(x,y)表示第n帧视频帧(x,y)点的值。

背景更新公式如下：

该公式中的字母与阈值更新公式中含义一致。

(3)对第n帧图像I_n(x,y)与第n帧背景B_n(x,y)做差，差值图像为differI_n(x,y)；

(4)可以选取黄色、灰色、淡蓝色、红色及棕色等多种颜色类型的烟雾图片，图片中仅包含烟雾，抽取图片中大小为k*k，本发明k取值为5，块的所有像素点的三通道的最小值，以这些抽取的数据作为训练集，使用支持向量机SVM算法进行训练，建立训练模型M；

(5)将视频的第n帧划分成块，块大小为5*5像素，取块中所有像素点的三通道的最小值，使用步骤4中的模型M识别，将所有非烟雾区域设值为0，烟雾区域设值为255，得图像minI_n；

(6)使用OpenCV中函数cvGoodFeaturesToTrack寻找第n帧视频中角点；