[发明专利]一种基于稀疏表示的视频图像烟火分离与检测方法

权利要求书

1.一种基于稀疏表示的视频图像烟火分离与检测方法，其特征在于，包括以下步骤：

(1)建立无背景纯净烟火和非烟图像数据集，采用K-SVD算法学习烟火过完备字典D_s以及非烟过完备字典D_b；

(2)基于大量烟火视频，采用传统背景减除算法得到已知背景的烟和非烟图像数据集合；

(3)建立烟火背景分离模型；

(4)基于步骤(3)的烟火背景分离模型和步骤(1)学习到的过完备字典，得到烟和非烟的稀疏表示系数向量集以及混合系数；

采用弹性网络elastic-net和有辨别力约束条件处理稀疏系数；其中弹性网络elastic-net算法公式为：

其中，x为样本数据原图像，b为背景图像样本，此外，为了将采用基于烟火字典的稀疏表示方法得到纯烟或非烟成分于基于非烟字典的稀疏表示进一步区分，得到有辨别力的稀疏系数，增加辨别力约束条件则上式转化为：

具体为：

(41)求关于α_s最优解，固定混合系数ω，令y^*＝[x-(1-ω)b；0]，为单位矩阵，则原elastic-net转化为Lasso问题为：

(42)增加了辨别力约束条件，进一步对上式做如下改进：

令y^**＝[y^*；0]，得到：

当输入为烟火图像数据x^s时，得到前景烟火成分的稀疏表示当输入为非烟数据x^b时，得到前景非烟成分的稀疏表示分别为对应成分的稀疏系数；

(43)求关于ω的最优解，固定稀疏系数向量α_s，即求式该式是一个关于混合系数ω的二次方程求最小值，得：

由ω∈[0,1]，进一步得：

(5)将步骤(4)得到的稀疏系数向量数据集分别作为正负特征样本，训练SVM分类器；具体为：

(51)将步骤(4)得到的烟火和非烟稀疏表示相应的稀疏系数向量数据集以及分别作为正负特征样本；

(52)将正负特征样本分别归一化，即每一个向量的元素除以该向量中元素的最大值，得到的每一个元素值的取值范围都在0到1之间；

(53)将正负样本以及对应标签y_i∈{+1,-1}作为输入样本集S＝{(α_s,i,y_i)|i＝1,2,...,n}来训练SVM分类器，i表示第i个样本；由于α_s,i是多维向量线性不可分，因此采用高斯核函数将其映射到高维空间使其线性可分；最后训练得到识别烟火和非烟的分类模型；

(6)部署烟火检测模型；具体为：

(61)输入视频图像序列；

(62)采用ROSL鲁棒正交子空间学习算法得到低秩视频背景以及稀疏前景运动区域

(63)遍历运动区域图像块，采用基于稀疏表示的烟火与背景分离模型得到图像块稀疏系数α_s以及混合系数ω；

(64)混合系数ω＜0.01的区域首先判定为非烟区域；ω≥0.01时，采用步骤(5) 训练得到的SVM分类器对稀疏系数向量α_s进行分类识别；对于识别为烟的图像块，若ω∈[0.01,0.6)，则标记为淡烟；若ω∈[0.6,1]，则标记为浓烟；

(7)根据块分类结果得到待检测运动区域烟火检测结果。

2.根据权利要求1所述的一种基于稀疏表示的视频图像烟火分离与检测方法，其特征在于，步骤(1)中纯净烟火图像数据集包括浓烟和无背景透明烟火，非烟图像来自公共数据集CIFAR-100；字典学习采用经典K-SVD算法，K-SVD算法公式为：

其中，L为常数阈值，D为过完备字典，α为稀疏系数向量，x为样本数据原图像；

其中采用SVD奇异值分解算法更新字典原子，OMP正交匹配追踪算法更新稀疏系数；当输入为纯净烟火图像x_s，经过交替更新迭代最后得到烟火过完备字典D_s，同样地，当输入为非烟图像x_b，得到的是非烟过完备字典D_b。