時(shí)空背景模型下結(jié)合多種紋理特征的煙霧檢測(cè)

趙敏, 張為, 王鑫, 劉艷艷

(1.天津大學(xué)微電子學(xué)院, 300072, 天津; 2.公安部消防局天津火災(zāi)物證鑒定中心, 300381, 天津;3.南開(kāi)大學(xué)電子信息與光學(xué)工程學(xué)院, 300071, 天津)

火災(zāi)發(fā)生的早期往往伴隨著煙霧的產(chǎn)生,能夠及時(shí)地將煙霧檢測(cè)出來(lái),對(duì)于保護(hù)人們的生命財(cái)產(chǎn)安全具有重要的意義。傳統(tǒng)的煙霧檢測(cè)手段主要依靠傳感器,但是由于大量布置傳感器比較困難,會(huì)受到應(yīng)用場(chǎng)合限制,因此存在局限性。

視頻煙霧檢測(cè)包括3個(gè)方面:運(yùn)動(dòng)目標(biāo)分割、特征提取、分類(lèi)設(shè)計(jì)。目前運(yùn)動(dòng)分割方法主要包括3種:光流法,幀差法,背景減除法。然而,光流法需要的計(jì)算量大,且易受光照影響;幀差法算法復(fù)雜度低、實(shí)時(shí)性好,但提取的前景有空洞;背景減除法將當(dāng)前圖像和背景圖像相減即得到運(yùn)動(dòng)目標(biāo)能夠獲得更好的結(jié)果。Wang等提出了一種基于樣本一致性的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[1],該算法對(duì)像素進(jìn)行樣本一致性判斷來(lái)判定像素是否為背景,但是忽略了相鄰像素點(diǎn)會(huì)有相似的空間分布。Barnich等認(rèn)為相鄰像素點(diǎn)擁有相近的像素值空間分布,在背景建模時(shí)隨機(jī)選擇某一像素點(diǎn)鄰域的像素值作為它的背景模型值[2],但是該方法又沒(méi)有考慮像素點(diǎn)在時(shí)間上的相關(guān)性。劉鑫等提出了一個(gè)低秩矩陣和結(jié)構(gòu)化稀疏分解的視頻背景差分算法[3],結(jié)合視頻前景區(qū)域的結(jié)構(gòu)化分布特征,利用結(jié)構(gòu)化稀疏范數(shù)對(duì)前景進(jìn)行約束,從而實(shí)現(xiàn)前景檢測(cè),然而該方法涉及較多矩陣運(yùn)算計(jì)算量較大。由于像素點(diǎn)在時(shí)間域上具有連續(xù)性,同時(shí)在鄰近空間上也有著相同的分布,因此本文算法在像素級(jí)的背景建模中同時(shí)考慮像素點(diǎn)的時(shí)間和空間信息,從而得到更加精確的背景模型。目前煙霧檢測(cè)算法可分為利用靜態(tài)特征和動(dòng)態(tài)特征檢測(cè)2種。靜態(tài)特征包括紋理、顏色、亮度等特征,動(dòng)態(tài)特征則包括運(yùn)動(dòng)、閃爍、輪廓變化等特征。利用動(dòng)態(tài)特征進(jìn)行煙霧檢測(cè)判決算法復(fù)雜度大,實(shí)時(shí)性差,通常需進(jìn)行背景減除或幀差等操作,并且需要設(shè)置一些閾值,閾值選取不當(dāng)時(shí)會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生很大影響。

為克服傳統(tǒng)煙霧檢測(cè)的缺陷,很多學(xué)者致力于視頻煙霧檢測(cè)方法的研究。Besbes等利用顏色特征的光照不變性進(jìn)行煙霧檢測(cè),在建立RGB背景模型后,將當(dāng)前幀和背景圖像進(jìn)行光照不變性轉(zhuǎn)換,利用光度增益來(lái)分割前景和背景,最后通過(guò)2個(gè)顏色不變描述子來(lái)進(jìn)行煙霧區(qū)域的判斷[4],但該方法僅基于顏色進(jìn)行煙霧檢測(cè),而視頻的顏色信息又易受到外界光照、圖像傳感器本身性能等的影響。Wang等建立了一個(gè)圖像金字塔,對(duì)每層分別計(jì)算局部二值圖(LBP)和LBPV(local binary pattern variance),并結(jié)合煙霧光流方向進(jìn)行煙霧檢測(cè)[5],但是該方法計(jì)算相關(guān)LBP時(shí)僅考慮8鄰域內(nèi)的像素關(guān)系,忽略了更大范圍內(nèi)的像素大小關(guān)系以及空間位置信息。Wang等首先檢測(cè)視頻中的動(dòng)態(tài)錐形區(qū)域,之后利用顏色和紋理濾波來(lái)進(jìn)行煙霧檢測(cè)[6]。李筍等首先對(duì)圖像進(jìn)行煙霧增強(qiáng)顏色變換,之后通過(guò)MSER分割出煙霧區(qū)域,最后根據(jù)靜態(tài)特征和動(dòng)態(tài)特征,獲取煙霧區(qū)域[7],但該方法在煙霧判決時(shí)會(huì)涉及較多閾值選擇。

本文提出一種基于紋理特征的煙霧檢測(cè)算法,首先利用像素點(diǎn)的時(shí)空分布信息建立背景模型以檢測(cè)前景,然后對(duì)前景區(qū)域分塊并提取本文新提出的3種紋理特征,最后利用支持向量機(jī)進(jìn)行分類(lèi)。本文算法通過(guò)具有強(qiáng)分辨力的靜態(tài)特征來(lái)避免采用動(dòng)態(tài)特征引入閾值參數(shù)所造成的影響,從而提高了煙霧檢測(cè)性能。

1 前景檢測(cè)

為了進(jìn)行前景運(yùn)動(dòng)目標(biāo)檢測(cè),本文提出了一種綜合考慮像素點(diǎn)時(shí)空信息的背景建模方法,并提出了一種背景更新策略,可以將長(zhǎng)時(shí)間存在的非煙霧前景更新為背景,同時(shí)避免誤將煙霧前景更新為背景,從而得到完整的煙霧區(qū)域。

1.1 背景建模和前景檢測(cè)

本文的背景建模算法是像素級(jí)別的算法,每個(gè)像素點(diǎn)背景模型的時(shí)間域和空間域樣本個(gè)數(shù)都為N個(gè)。對(duì)一個(gè)像素點(diǎn)m,在背景建模時(shí)間t內(nèi),將連續(xù)N幀中同一位置的像素值提取出作為背景模型,建立時(shí)間域背景模型T(m),有{Ti(m)|i=1,2,…,N},其中Ti(m)為模型中的像素值,并在背景建模時(shí)間t內(nèi)的最后一幀,在像素點(diǎn)m周?chē)?鄰域內(nèi)隨機(jī)取樣N個(gè)數(shù),建立空間域背景模型S(m),有{Sj(m)|j=1,2,…,N},此時(shí)背景建模完成,之后用式(1)～(3)來(lái)進(jìn)行前景檢測(cè)

式中:Yr是一個(gè)常數(shù),表示對(duì)背景像素的誤差容忍度;xt(m)表示當(dāng)前時(shí)刻t像素點(diǎn)m的值。對(duì)于時(shí)刻t,用Ft(m)表示一個(gè)像素點(diǎn)m是否為前景點(diǎn),為1時(shí)表示當(dāng)前像素為背景點(diǎn),為0時(shí)則為前景點(diǎn),即

式中:Yn是一個(gè)常數(shù),如果當(dāng)前點(diǎn)像素值和時(shí)域、空域所有樣本點(diǎn)相比,距離小于Yr的個(gè)數(shù)大于等于Yn,則該像素點(diǎn)為背景點(diǎn)。

1.2 背景模型更新

(1)若像素點(diǎn)m被判斷為背景點(diǎn),則更新該點(diǎn)的背景模型。對(duì)于背景模型的時(shí)域部分T(m),有1/φ的概率進(jìn)行更新,更新時(shí)用當(dāng)前像素值xt(m)隨機(jī)替換T(m)中的一個(gè)值;并隨機(jī)選取m周?chē)?鄰域的一個(gè)像素點(diǎn),記為n,同樣有1/φ的概率更新n點(diǎn)的時(shí)域部分T(n),更新時(shí)用當(dāng)前像素值xt(m)隨機(jī)替換T(n)中的一個(gè)值,此時(shí)時(shí)域部分更新完成。對(duì)背景模型的空域部分S(m),以相同策略進(jìn)行更新。

(2)若像素點(diǎn)m被判斷為前景點(diǎn),則暫時(shí)不進(jìn)行背景模型更新,轉(zhuǎn)到(3)進(jìn)行判斷。

(3)若某一點(diǎn)連續(xù)NR幀被檢測(cè)為前景點(diǎn),則先判斷該點(diǎn)的顏色屬性,由于HSI顏色空間采用色調(diào)(H)、飽和度(S)和光照強(qiáng)度(I)3個(gè)維度對(duì)圖像進(jìn)行描述,因此更加符合人類(lèi)的視覺(jué)感知特性。顏色判斷時(shí),本文將像素從R、G、B顏色空間轉(zhuǎn)換到H、I、S顏色空間,S計(jì)算如下

S=

若某一點(diǎn)連續(xù)NR幀被檢測(cè)為前景點(diǎn),且S滿足

STh2

(5)

式中:Th1和Th2為固定常數(shù)。滿足式(5)條件,則不更新背景模型,否則按式(1)更新該點(diǎn)背景模型。采用以上更新策略可以避免將視頻中存在時(shí)間較長(zhǎng)的煙霧部分誤更新為背景而引起前景空洞,從而得到精確的前景。

2 紋理特征

紋理是煙霧相比于其他物體最明顯的特征。為了更好的描述煙霧的紋理信息,本文提出了3種新的具有高辨別力和魯棒性的紋理特征。

2.1 結(jié)合梯度信息的局部二值圖(Grad-LBP)

LBP是一種有效的紋理描述算子[8],具有光照不變性等特點(diǎn),廣泛應(yīng)用在人臉識(shí)別和目標(biāo)檢測(cè)中。傳統(tǒng)的LBP算子LBP(P,R)通過(guò)中心像素點(diǎn)gc和周?chē)徲騼?nèi)的像素值gi(i=0,1,…,P)的關(guān)系來(lái)計(jì)算

式中:P是gc周?chē)袼攸c(diǎn)的個(gè)數(shù);R是周?chē)袼攸c(diǎn)距gc的半徑,采用歐式距離計(jì)算半徑需要大量的插值運(yùn)算,為減少計(jì)算量,本文的距離采用塊距離(即某一像素點(diǎn)距周?chē)?個(gè)像素點(diǎn)構(gòu)成一個(gè)正方體,設(shè)這8個(gè)像素點(diǎn)到該像素點(diǎn)的距離都相等)。Ojala等對(duì)基本LBP做了一些拓展,提出了均勻模式LBP(LBPu2)、旋轉(zhuǎn)不變LBP(LBPri)、均勻旋轉(zhuǎn)不變LBP(LBPriu2)[8]。其中均勻模式的LBP是指一個(gè)首尾相連的二進(jìn)制序列從0到1或者從1到0的跳變不超過(guò)2次,除均勻模式外的其他模式都?xì)w為一類(lèi),共有P(P+1)+3種模式。這樣,大大減少了需要統(tǒng)計(jì)的模式種類(lèi),卻沒(méi)有丟失多少信息。

梯度方向直方圖(HOG)可表征圖像局部梯度方向和強(qiáng)度分布特征,對(duì)幾何和光學(xué)形變有很好的不變性。通常計(jì)算紋理特征只是單獨(dú)考慮LBP或HOG,本文提出的Grad-LBP將LBP和梯度信息結(jié)合,獲得像素空間分布信息從而明顯加強(qiáng)紋理表征能力。如圖1所示,本文像素按圖中示例編號(hào)為0～7,此時(shí)該LBP值為(11111110)2=254,如果考慮梯度信息,由于此時(shí)梯度方向?yàn)榈?象限(圖中箭頭),根據(jù)梯度方向可知道編號(hào)5的像素值比編號(hào)1的像素值大,編號(hào)3的像素值比編號(hào)7的像素值大,若結(jié)合梯度的角度大小還可體現(xiàn)出像素的大小差異程度。

圖1 LBP計(jì)算示意圖

本文統(tǒng)計(jì)均勻模式的LBP共59種模式。梯度角度分組采用文獻(xiàn)[9]中的方法,共分為9個(gè)方向。在統(tǒng)計(jì)時(shí),計(jì)算59×9個(gè)分組的直方圖。每個(gè)分組的數(shù)值代表相同LBP且具有相同梯度方向的像素點(diǎn)個(gè)數(shù)。用Hm,θ代表直方圖中LBP模式為m(m=0,1,…,58)、梯度方向?yàn)棣?θ=0,1,…,8)的分組。令me(x,y)和θe(x,y)代表點(diǎn)P(x,y)的LBP模式和梯度方向,則

2.2 多量級(jí)局部二值圖(Mm-LBP)

傳統(tǒng)的LBP是基于像素的,提取的是中心像素點(diǎn)與周?chē)袼攸c(diǎn)的局部大小關(guān)系,但是缺少了更大范圍的像素空間分布信息,本文采用多度量級(jí)的LBP來(lái)獲取像素更細(xì)致的空間分布,以求得到更多的紋理信息。

不同于傳統(tǒng)的LBP只是比較中心像素點(diǎn)與其周?chē)徲虻南袼攸c(diǎn),本文擴(kuò)大了比較范圍,從而可獲得更多的空間紋理信息。在計(jì)算多量級(jí)LBP的時(shí)候,先將原始圖片映射成為3個(gè)圖片,具體是將每個(gè)像素點(diǎn)的值分別用其半徑為R鄰域內(nèi)的小塊中所有像素點(diǎn)的最大值、最小值、均值代替,再分別計(jì)算每個(gè)圖的均勻模式,之后統(tǒng)計(jì)LBP直方圖作為特征向量,映射過(guò)程如圖2所示。若P(x,y)代表原圖坐標(biāo)為(x,y)的像素值,若Pmax(x,y)、Pmean(x,y)、Pmin(x,y)分別代表映射的3個(gè)圖對(duì)應(yīng)坐標(biāo)的像素值,則有

Pmax(x,y)=max[P(x-R,y-R),

P(x-R+1,y-R),…,P(x+R,y+R)]

(8)

Pmin(x,y)=min[P(x-R,y-R),

P(x-R+1,y-R),…,P(x+R,y+R)]

(10)

經(jīng)過(guò)上述映射后,每個(gè)像素點(diǎn)不像原始LBP僅代表一個(gè)點(diǎn)的像素值,而是體現(xiàn)了鄰域像素分布狀況,這樣就可以得到更大范圍深層細(xì)致的紋理信息。

圖2 原始圖映射為3個(gè)圖的過(guò)程

2.3 局部共生二值圖(Co-LBP)

灰度共生矩陣(GLCM)[10]通過(guò)對(duì)圖像上保持某距離的2個(gè)像素具有的灰度狀況進(jìn)行統(tǒng)計(jì),并用統(tǒng)計(jì)而得到的圖像灰度方向、間隔、變化等空間相關(guān)信息來(lái)表征紋理特征。

從GLCM的思想出發(fā)并結(jié)合LBP,本文提出局部共生二值圖(Co-LBP)描述圖像紋理特征。例如一個(gè)像素點(diǎn)為P(x,y),將P(x,y)鄰域內(nèi)的8個(gè)像素點(diǎn)分別與P(x+R,y)、P(x+R,y+R)、P(x,y+R)、P(x-R,y+R)這4個(gè)點(diǎn)鄰域內(nèi)的8個(gè)像素按對(duì)應(yīng)位置相比,按照原始LBP的方式計(jì)算,得到4種局部共生二值圖的特征值(即某一像素點(diǎn)鄰域內(nèi)8個(gè)像素分別與0°、45°、90°、135°這4個(gè)方向、塊距離為R的像素點(diǎn)鄰域?qū)?yīng)位置8個(gè)像素比較),在計(jì)算完4個(gè)方向的Co-LBP特征值之后統(tǒng)計(jì)直方圖,作為圖片的紋理特征向量。

令P(x,y)代表坐標(biāo)為(x,y)的一點(diǎn),{P(x,y)i|i=0,1,…,7}代表點(diǎn)P(x,y)周?chē)徲騼?nèi)的塊距離為R的8個(gè)點(diǎn),Co-LBP特征值計(jì)算公式如下

(12)

(14)

方向?yàn)?5°、塊半徑為R時(shí)的圖像特征值示意圖如圖3所示。

圖3 方向?yàn)?5°、塊半徑為R時(shí)的圖像特征值示意圖

2.4 綜合決策

Grad-LBP在原始LBP的基礎(chǔ)上,結(jié)合了中心像素點(diǎn)周?chē)袼亻g的大小關(guān)系,該特征主要針對(duì)8鄰域單元圖像塊內(nèi)部的像素關(guān)系。Mm-LBP通過(guò)將每個(gè)像素點(diǎn)用其半徑R鄰域內(nèi)所有像素點(diǎn)的最大值、最小值、均值來(lái)代替,從而得到了更大范圍內(nèi)像素點(diǎn)的空間分布信息,該特征主要針對(duì)鄰域圖像塊的區(qū)域之間的信息。Co-LBP比較了空間中具有一定位置關(guān)系的圖像塊的對(duì)應(yīng)像素,該特征主要針對(duì)具有一定空間關(guān)系的圖像塊區(qū)域之間的關(guān)系。上述3種紋理特征分別從不同的角度來(lái)提取圖像的紋理信息,所以將此3種特征融合可以得到更全面的紋理信息。

支持向量機(jī)(SVM)能根據(jù)有限的樣本信息在模型的復(fù)雜度(即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無(wú)錯(cuò)誤地識(shí)別任意樣本的能力)之間尋找最佳折中,得到最好的泛化能力。因此,本文對(duì)提取的3種紋理特征分別訓(xùn)練SVM分類(lèi)器。本文采用的SVM訓(xùn)練方法在分類(lèi)時(shí)得到的是樣本距分類(lèi)超平面的距離,為了得到更好的性能,將3種紋理特征結(jié)合起來(lái)。在決策階段,根據(jù)3種SVM分類(lèi)器的分類(lèi)距離求出歸一化權(quán)重,并最終得到綜合的分類(lèi)距離作為分類(lèi)標(biāo)準(zhǔn),從而得到更好的效果。分類(lèi)距離計(jì)算如下

式中:D1、D2、D3分別為Grad-LBP、Mm-LBP及Co-LBP對(duì)應(yīng)的SVM分類(lèi)器測(cè)試時(shí)的距分類(lèi)超平面的距離(有正負(fù));DDIS為最終分類(lèi)距離。

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文提出的算法性能,分別列出了基于圖片的煙霧檢測(cè)和基于視頻的煙霧檢測(cè)結(jié)果。

3.1 基于圖片的煙霧檢測(cè)

本文采用Yuan公開(kāi)的煙霧數(shù)據(jù)庫(kù)[11]進(jìn)行紋理特征性能測(cè)試。數(shù)據(jù)庫(kù)被分為4個(gè)部分:數(shù)據(jù)集1包括552張煙霧圖片和831張非煙霧圖片;

數(shù)據(jù)集

2包括688張煙霧圖片和817張非煙霧圖片;數(shù)據(jù)集3包括2 201張煙霧圖片和8 511張非煙霧圖片;數(shù)據(jù)集4包括2 254張煙霧圖片和8 363張非煙霧圖片。本文使用數(shù)據(jù)集1進(jìn)行訓(xùn)練,余下3個(gè)數(shù)據(jù)集用來(lái)測(cè)試。所有圖片都縮放至48×48像素的大小并轉(zhuǎn)化為灰度圖,計(jì)算紋理特征時(shí)參數(shù)R取值為1。

數(shù)據(jù)集1中所有圖的Grad-LBP、Mm-LBP、Co-LBP直方圖統(tǒng)計(jì)完成后都進(jìn)行歸一化處理,針對(duì)每種特征,使用SVM進(jìn)行訓(xùn)練。為了便于性能比較,本文采用文獻(xiàn)[11]的方法,選取3種性能評(píng)價(jià)指標(biāo),分別是檢出率、誤報(bào)率、錯(cuò)誤率。

在基于Grad-LBP、Mm-LBP、Co-LBP 3種紋理的分類(lèi)器訓(xùn)練完成后,本文在數(shù)據(jù)集2、數(shù)據(jù)集3、數(shù)據(jù)集4這3個(gè)數(shù)據(jù)集上進(jìn)行測(cè)試,并與多種方法進(jìn)行比較,具體數(shù)據(jù)如表1所示。

從實(shí)驗(yàn)數(shù)據(jù)可以看出,本文提出的算法具有非常好的分類(lèi)性能,尤其是具有很低的錯(cuò)誤率。從表3可看出,本文的最終方法與SOHLBP、HOG、LBP、PLBP、PRICoLBP等方法相比,在3個(gè)數(shù)據(jù)集上無(wú)論檢出率、誤警率還是錯(cuò)誤率效果都更加理想;雖然LBPriu2方法在Set2數(shù)據(jù)集上的檢出率略高于本文算法,但是本文方法具有更低的誤警率和錯(cuò)誤率,而LDP4方法雖然誤警率比較低,但本文方法具有更好效果的檢出率和錯(cuò)誤率。綜合來(lái)看,本文方法明顯有更好的識(shí)別力和更強(qiáng)的魯棒性。

3.2 基于視頻的煙霧檢測(cè)

本文也在視頻上進(jìn)行了煙霧檢測(cè),算法的主要流程如圖4所示,采用的視頻來(lái)自于Bilkent University,網(wǎng)址為:http:∥signal.ee.bilkent.edu.tr∥VisiFire/Demo/SampleClips.html。視頻集包括了室內(nèi)和室外多種光照和環(huán)境條件。

表1 采用不同方法對(duì)3個(gè)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果比較

圖4 本文視頻煙霧檢測(cè)算法整體框架

為了便于處理并加快檢測(cè)速度,將視頻的大小縮放為384×288像素。前景檢測(cè)部分參數(shù)取值為Yr=15、N=10、Yn=3、φ=20、Th1=0.28、Th2=108。前景檢測(cè)完成后,用24×24像素的滑窗遍歷圖像,分別計(jì)算每個(gè)滑窗中前景點(diǎn)的比例,若超過(guò)50%,則利用訓(xùn)練好的分類(lèi)器判斷該滑窗是否含有煙霧;當(dāng)含有煙霧時(shí)則用紅色框標(biāo)注。圖5顯示了本文算法在一些測(cè)試視頻上的效果圖。本文采用不著真正類(lèi)率(TPR)和真負(fù)類(lèi)率(TNR)來(lái)比較算法性能,對(duì)應(yīng)計(jì)算公式如下方法進(jìn)行煙霧檢測(cè)性能比較,結(jié)果如表2所示。

式中:NTP代表被正確檢測(cè)出來(lái)的煙霧幀數(shù);NFN代表有煙霧但沒(méi)有被檢測(cè)出來(lái)的幀數(shù);NFP代表沒(méi)有煙霧但被誤檢測(cè)為有煙霧的幀數(shù);NTN代表正確檢測(cè)出來(lái)的沒(méi)有煙的幀數(shù)。將本文算法與文獻(xiàn)[4,16]

(a)sBehindtheFence

(b)sWasteBasket

(c)sWindow

(d)sBtFence2圖5 本文算法對(duì)4段測(cè)試視頻中的煙霧場(chǎng)景檢測(cè)效果

從表2數(shù)據(jù)可知,本文提出的算法在5個(gè)測(cè)試視頻上得到了最高的平均RTPR,明顯優(yōu)于文獻(xiàn)[16]算法,略優(yōu)于文獻(xiàn)[4]算法。不同于文獻(xiàn)[4]采用顏色特征進(jìn)行煙霧檢測(cè),本文采用紋理特征進(jìn)行煙霧檢測(cè),由于攝像頭采集到的視頻其顏色易受外界光照、圖像傳感器本身性能等的影響,但這些因素并不會(huì)過(guò)多影響圖像的紋理信息,因此本文算法相比于文獻(xiàn)[4]更具魯棒性。本文算法在不同視頻上的結(jié)果存在差異,原因之一是本文使用的訓(xùn)練集正負(fù)樣本沒(méi)有覆蓋所有種類(lèi)的煙霧和非煙霧樣本,所以在之后的工作中會(huì)考慮建立更加完全的訓(xùn)練樣本集以提高算法精度。

表2 3種檢測(cè)算法對(duì)Bilkent視頻集的煙霧檢測(cè)性能比較

4 結(jié) 論

發(fā)生火災(zāi)時(shí),煙霧一般會(huì)比火焰出現(xiàn)更早,因此進(jìn)行煙霧檢測(cè)可以更早進(jìn)行火災(zāi)預(yù)警。本文提出了3種具有高分辨力和魯棒性的紋理特征,獲得了更加豐富的圖像紋理信息以及空間信息。在進(jìn)行煙霧檢測(cè)時(shí),首先進(jìn)行時(shí)空背景建模,提取出運(yùn)動(dòng)區(qū)域,然后對(duì)運(yùn)動(dòng)區(qū)域進(jìn)行分塊并提取3種紋理特征,利用SVM進(jìn)行分類(lèi),在最終決策時(shí)綜合考慮3種分類(lèi)結(jié)果得到最終煙霧區(qū)域。實(shí)驗(yàn)結(jié)果表明,本文提出的算法不僅具有較高的檢出率,而且具有較低的誤警率,可以很好地實(shí)現(xiàn)煙霧檢測(cè)。