專利名稱：一種煙霧檢測和預警方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計算機視覺、信號處理和模式識別領(lǐng)域，特別涉及基于計算機視覺的
煙霧檢測和預警方法。
背景技術(shù)：
長期以來，在高大空間，或具有高速氣流的場合，尤其是在堆場、森林等戶外場景
下的早期火災煙霧探測在世界范圍內(nèi)都是一個難題。因為在這類環(huán)境下，存在著許多影響
火災探測的因素，主要包括探測方式、空間高度、熱量屏障、覆蓋范圍、氣流速度、易爆/有
毒氣體、可以接受的誤報率、警報信息管理以及遠程信號傳輸?shù)鹊?。傳統(tǒng)的探測手段往往在
這樣的環(huán)境中失去了作用。在這種情況下，由于圖像型火災探測技術(shù)對于火災探測具有非
接觸式探測的特點，不受空間高度、熱障、易爆/有毒等環(huán)境條件的限制，使得該項技術(shù)成
為在大型工廠、倉庫、森林等大空間和室外開放空間進行火災探測的有效手段。 基于視覺的煙霧檢測技術(shù)不僅具有在室內(nèi)大空間和室外開放空間探測火災的能
力，而且也可以通過分析火災圖像的早期特征達到火災早期報警早期防護的作用，即在煙
霧產(chǎn)生初期就可以根據(jù)煙霧的早期圖像觸發(fā)火警，并提供火警發(fā)生位置及火災狀態(tài)等重要信息。
煙霧的產(chǎn)生通常包括氣態(tài)燃燒產(chǎn)物和固態(tài)高溫產(chǎn)物 1.氣態(tài)燃燒產(chǎn)物主要成分為水，一氧化碳和二氧化碳。氣態(tài)燃燒產(chǎn)物的典型物理 特征是氣體特征光譜。 2.固態(tài)高溫產(chǎn)物來源于可燃物中的雜質(zhì)以及高溫狀態(tài)下可燃物裂解所形成的物 質(zhì)，粒徑在0. 025微米到100微米，通常表現(xiàn)出來的物理特征有對光線的散射和吸收作用。 所以煙霧在可見光領(lǐng)域表現(xiàn)為具有一定的顏色，紋理和形狀的特征。 可視煙霧探測系統(tǒng)(VSD， Visual Smoke Detection)是基于對火災煙霧影像分析
的視覺圖像型火災探測系統(tǒng)，僅需通過對普通閉路電視攝像機(CCTV)采集到的視頻圖像
進行分析，利用高性能計算機以及先進的圖像處理技術(shù)、廣角探測和特殊的干擾算法，自動
識別煙霧的不同特征，快速、準確的完成火災檢測，并及時發(fā)出警報通知值班員。 基于煙霧視覺識別的VSD系統(tǒng)與傳統(tǒng)的火災探測系統(tǒng)在探測能力上相比具有顯
著的優(yōu)勢。VSD系統(tǒng)實現(xiàn)了對火災初期的極早期檢測，直接探測火源，可以檢測到人眼看不
到的細微煙霧顆粒，并且可以檢測所有種類的煙霧。VSD系統(tǒng)是目前唯一的戶外煙霧探測解
決方案，不受高速氣流運動的影響，而對于傳統(tǒng)探測器來講，煙霧會被高速氣流吹散，根本
無法到達探測器，更不用說完成檢測。VSD系統(tǒng)帶來的一個直接的好處就是可以使值班人員
在第一時間看到火災現(xiàn)場準確位置的圖像，從而快速采取相應措施。先進的煙霧運動模式
分析算法及可視化警報驗證在極大程度上消除了誤報的發(fā)生，而消除誤報警正是傳統(tǒng)火災
系統(tǒng)中的一大難題。在易爆及有毒環(huán)境中，VSD系統(tǒng)還可以通過調(diào)整攝像機及鏡頭參數(shù)，在
環(huán)境外部就可以完成對內(nèi)部區(qū)域煙霧的有效檢測，避免采用昂貴的隔爆探測器。 VSD系統(tǒng)最大的特點就是可以利用大多數(shù)現(xiàn)有的閉路電視(CCTV)系統(tǒng)，如安防系
4統(tǒng)、交通管理系統(tǒng)等，不需要增加額外的現(xiàn)場設(shè)備及布線就可以方便的搭建火災報警控制 系統(tǒng)，大大的節(jié)約了系統(tǒng)成本、降低了系統(tǒng)安裝維護的復雜性。 相關(guān)的VSD系統(tǒng)例如99814715. X和02812437. 5專利技術(shù)，這些基于視頻的煙霧 檢測方法主要是利用煙霧運動、邊緣、遮擋、幾何輪廓以及圖像幀間像素亮度的頻率等特 征，獲得可疑煙霧區(qū)域，然后利用貝葉斯判別準則或者基于規(guī)則的判別方法，最終確定圖像 中的煙霧區(qū)域。其缺點是產(chǎn)品價格高，算法的形成是通過累積增加，為了去除視頻監(jiān)控環(huán) 境中某一特殊干擾源而設(shè)計的算法功能模塊的形式完成的，導致算法中各個部分的無序和 復雜，并且系統(tǒng)在運行前均需要根據(jù)具體的應用場景進行大量的參數(shù)調(diào)整的過程。傳統(tǒng)的 煙霧探測器受探測原理的限制，往往需要非?？拷鼰熿F源時才能完成檢測，而且不能夠提 供火災位置、大小、燃燒程度等具體信息，這些先天不足使得它們不能應用于室外大空間， 遠距離等特殊場合的火災監(jiān)控系統(tǒng)中。

發(fā)明內(nèi)容
為了解決現(xiàn)有技術(shù)火災檢測報警的問題，本發(fā)明的目的在于基于計算機視覺技
術(shù)、圖像處理技術(shù)、模式識別，而提供一種能夠?qū)崟r、遠距離檢測煙霧源，能夠可靠的早期煙 霧檢測和報警，能夠提供火情大小、燃燒程度、位置信息，能夠應用于室外大空間、遠距離等 特殊場合的火災監(jiān)控，尤其適用于在堆場、森林中使用的基于計算機視覺的火災煙霧檢測 和預警方法。 為了達成上述目的，本發(fā)明提供一種基于計算機視覺的煙霧檢測和預警方法，其 煙霧檢測和預警包括 步驟1 :場景及煙霧模式特征訓練學習階段首先采集視頻圖像樣本；并標注含有
煙霧的正樣本和不含煙霧的負樣本；從圖像樣本中提取用于反映空間分布、時間分布、頻率
特性的特征；通過對以上特征的統(tǒng)計學習確定統(tǒng)計數(shù)據(jù)模型及顆粒煙霧判決樹； 步驟2 :檢測和報警階段首先實時采集視頻圖像并保留一定數(shù)量的緩存視頻圖
像；對視頻圖像進行預處理；利用統(tǒng)計數(shù)據(jù)模型及顆粒煙霧判決樹通過層層遞進的方式將
視頻圖像中非煙霧的區(qū)域剔除，留下可疑區(qū)域，然后通過局部空間規(guī)則約束模塊，局部時間
約束模塊的綜合裁決留下可疑的煙霧區(qū)域并標注煙霧檢測結(jié)果區(qū)域和報警。 本發(fā)明的有益效果本發(fā)明采用統(tǒng)計分析的方法，關(guān)鍵算法通過使用用全局規(guī)則
約束、局部空間規(guī)則約束、局部時間約束、統(tǒng)計數(shù)據(jù)模型、顆粒煙霧判決樹以及特征提取模
塊等方法，對每個子圖像序列進行模式分類，確定該子圖像序列對應位置是否有火災發(fā)生。
利用高性能計算機以及先進的圖像處理技術(shù)、廣角探測和特殊的干擾算法，自動識別煙霧
的不同特征，準確、實時的完成火災檢測，并及時發(fā)出報警信息。本發(fā)明可以利用大多數(shù)現(xiàn)
有的閉路電視(CCTV)系統(tǒng)，如安防系統(tǒng)、交通管理系統(tǒng)等，不需要增加額外的現(xiàn)場設(shè)備及
布線就可以方便的搭建火災報警控制系統(tǒng)，大大的節(jié)約了系統(tǒng)成本、降低了系統(tǒng)安裝維護
的復雜性。


圖1是本發(fā)明基于計算機視覺的煙霧檢測和預警方法總體流程圖；
圖2是本發(fā)明的關(guān)鍵算法框架結(jié)構(gòu)5
圖3是本發(fā)明的決策判決樹示意圖；
圖4是本發(fā)明的子圖像序列獲取示意圖。
具體實施例方式
下面參照

本發(fā)明的具體實施例，其中應該指出，所描述的實施例僅僅是 為了說明的目的，而不是對本發(fā)明進行限制。 本發(fā)明的利用計算機視覺方法對煙霧視頻進行實時采集；利用模式識別和信號處 理的方法對采集到的煙霧視頻圖像進行實時的分析和檢測；通過對煙霧的范圍、密度、擴散 速度等進行分析，判斷起火點的情況并及時發(fā)出警報，包括5個主要步驟
1)首先，利用計算機視覺方法對監(jiān)控視頻進行實時采集； 2)用大小可變的窗口按照一定規(guī)則沿X軸，Y軸，T軸為時間軸掃描視頻得到一系 列子圖像序列； 3)利用模式識別和信號處理的方法對掃描得到的子圖像序列進行特征分析和提 取，選用特征可以反映空間分布、時間分布、頻率特性； 4)采用計算統(tǒng)計分析的方法，對每個子圖像序列進行模式分類，確定該子圖像序 列對應位置是否有火災發(fā)生； 5)對所有的子圖像序列檢測結(jié)果進行區(qū)域合并、剔除等操作，得到整個視場空間 的檢測結(jié)果，給出火災檢測的位置、大小、可信度等結(jié)果。 請參閱圖l，為本發(fā)明基于計算機視覺的煙霧檢測和預警方法的算法流程圖，圖中 示出本發(fā)明的實施例主要由以下八個部分組成其中1-4個部分為場景及煙霧模式特征訓 練學習階段，后面的幾個部分屬于系統(tǒng)的實時運行檢測和報警階段。 Sl.采集樣本。首先要建立包括堆場、森林等室外空間場景的火災煙霧視頻數(shù)據(jù)
庫。在較完善火災煙霧視頻數(shù)據(jù)庫的基礎(chǔ)上，利用數(shù)據(jù)庫中的相關(guān)視頻圖像，進行應用與統(tǒng)
計數(shù)據(jù)模型學習的樣本采集。將視頻圖像的每一幀分成矩形小塊，小塊的大小最小為4X4
最大為32X32，這樣用大小可變的窗口按照規(guī)則沿著X軸、Y軸和T時間軸掃描視頻圖像就
會形成矩形塊序列即子圖像序列，這些子圖像就形成了樣本空間。如附圖5所示。 S2.標注樣本，是對正樣本(含有煙霧的樣本)和負樣本(不含煙霧的樣本)進行標注。 S3.特征提取，是針對子圖像序列的矩形小塊的每一個像素點，求像素點的灰度 和色調(diào)分量，這樣在時間軸上，每個像素點會形成兩個像素序列，對每一個像素序列求均值 和方差，作為該點的值，這樣就得到了四個子圖像，其像素點的值分別為灰度像素序列的均 值、灰度像素序列的方差、色調(diào)像素序列的均值、色調(diào)像素序列的方差。用我們構(gòu)造的特征 結(jié)構(gòu)對得到子圖像序列的矩形小塊進行特征空間搜索并求得該點的特征值。特征值由三部 分組成，分別是所使用特征結(jié)構(gòu)的類型代碼、搜索特征空間的位置和大小、像素序列的類型 代碼。 S4.訓練樣本，是分別對含有煙霧的正樣本和不含煙霧的負樣本進行訓練，用散度 作為測度來度量樣本圖像間的相似程度，并利用這種相似度構(gòu)造多個弱分類器，然后對弱 分類器進行加權(quán)和提升，得到分類能力強的強分類器組，所述強分類器組包括統(tǒng)計數(shù)據(jù)模 型及顆粒煙霧判決樹。
S5.視頻圖像的緩存，是利用計算機視覺對監(jiān)控視頻進行實時采集，對實時采集的 視頻圖像進行煙霧檢測時，系統(tǒng)保存當前圖像幀及其前的2-4幀圖像，即系統(tǒng)緩存包括當 前圖像幀在內(nèi)的3-5幀視頻圖像，用于煙霧檢測和報警中局部時間約束模塊過以上連續(xù)緩 存視頻圖像判斷煙霧的時間上變化的連續(xù)性法。 S6.視頻圖像的預處理，是對視頻信號圖像進行增強。主要包括采用一些技術(shù)手段 (包括算法)有選擇的突出視頻圖像中感興趣的特征或抑制(掩蓋)圖像中某些不需要的 特征，改善后的圖像比原始圖像更加滿足某些特殊分析的需要，更適合于機器視覺特性和 機器的識別系統(tǒng)。并且在整個的圖像增強處理過程中，并不能增加原始圖像的信息。
S7.標注煙霧檢測結(jié)果，首先將視頻圖像中待分析的對象分解為系列子圖像，而且 這些子圖像有部分重疊，是通過分類器對通過攝像系統(tǒng)實時采集到的視頻圖像進行煙霧分 析，將被判定為含有煙霧的區(qū)域進行標注，對不含有煙霧的區(qū)域不做標注處理，這樣會在視 頻圖像上產(chǎn)生很多被標注的煙霧區(qū)域。利用圖像處理方法對煙霧區(qū)域進行溶解處理，去除 微小空洞，形成整體煙霧區(qū)域標注。 S8.發(fā)出警報信息，是判斷煙霧區(qū)域的規(guī)模及持續(xù)過程，給出火災檢測的位置、大 小、可信度等信息并發(fā)出煙霧警報。當煙霧不再發(fā)生，煙霧區(qū)域消失后，則停止發(fā)出報警。
本發(fā)明的煙霧探測算法框架設(shè)計，采用全局規(guī)則約束模塊、局部空間規(guī)則約束模 塊、局部時間約束模塊、統(tǒng)計數(shù)據(jù)模型、顆粒煙霧判決樹以及特征提取模塊，利用高性能計 算機以及先進的圖像處理技術(shù)、廣角探測和特殊的干擾算法，自動識別煙霧的不同特征，準 確、實時的完成火災檢測，并及時發(fā)出報警信息。 請參閱附圖2，圖中所示為算法邏輯框架分為所述檢測和報警是采用特征提取 模塊、統(tǒng)計數(shù)據(jù)模型、顆粒煙霧判決樹、局部空間規(guī)則約束模塊、局部時間約束模塊以及全 局規(guī)則約束的算法邏輯框架；其中 所述檢測和報警是采用特征提取模塊、統(tǒng)計數(shù)據(jù)模型、顆粒煙霧判決樹、局部空間
規(guī)則約束模塊、局部時間約束模塊以及全局規(guī)則約束的算法邏輯框架；其中 在最底層是特征提取模塊，用于從子圖像序列的灰度以及色調(diào)空間產(chǎn)生的投影提
取煙霧在空間、時間和頻率上的特性，所述煙霧在空間、時間和頻率上的特性是根據(jù)對正負
樣本的統(tǒng)計所確定的，并組成特征空間。通過對子圖像序列進行特征空間搜索求得該序列
的特征值； 統(tǒng)計數(shù)據(jù)模型及顆粒煙霧判決樹模塊，用以判斷視頻圖像是否包含煙霧，或不確 定是煙霧；該統(tǒng)計數(shù)據(jù)模型與特征提取模塊連接，用于接收并統(tǒng)計特征提取模塊輸出的煙 霧在空間、時間和頻率特征空間中的特征值，用于判斷視頻圖像中是否包含煙霧；該顆粒煙 霧判決樹，對大量煙霧和非煙霧圖像空間、時間和頻率特性進行統(tǒng)計學習獲得強分類器，通 過強分類器層層遞進的方式將非煙霧的圖像剔除出去，留下的就是可疑的視頻圖像；
局部空間規(guī)則約束模塊和局部時間約束模塊的綜合裁決留下可疑的煙霧區(qū)域；局 部空間規(guī)則約束模塊與顆粒煙霧判決樹和統(tǒng)計數(shù)據(jù)模型連接，通過局部空間規(guī)則約束模塊 分析煙霧區(qū)域在空間上的位置和面積變化考慮煙霧空間上的連續(xù)性； 局部時間約束模塊與顆粒煙霧判決樹和統(tǒng)計數(shù)據(jù)模型連接，通過分析一段時間內(nèi) 煙霧區(qū)域是否連續(xù)出現(xiàn)考慮煙霧的時間上變化的連續(xù)性； 全局規(guī)則約束模塊根據(jù)煙霧的分布特性綜合局部空間規(guī)則約束模塊和局部時間約束模塊對煙霧區(qū)域在空間和時間上表現(xiàn)行為的分析，排除非煙霧區(qū)域，標注煙霧區(qū)域，并 發(fā)出報警信息。 圖2中由下往上，最底層是特征提取層，特征從灰度以及色調(diào)空間產(chǎn)生投影，特征 結(jié)構(gòu)充分考慮了煙霧在空間和時間上的特性，這些特性是根據(jù)樣本的統(tǒng)計所確立的，所有 特征基組成特征空間表達了樣本，對于計算機而言，這是它觀察視頻樣本的方式，這相當于 把視頻樣本映射為特征空間上的一個點。 在本發(fā)明的基于機器視覺的煙霧檢測和報警方法各步驟中，首先要建立視頻數(shù)據(jù) 庫，采集樣本。采集大量出現(xiàn)煙霧場景的室外環(huán)境以及不出現(xiàn)煙霧場景的室外環(huán)境下統(tǒng)一 格式的視頻數(shù)據(jù)，將視頻中的每一幀分成矩形小塊，沿著時間軸就會形成矩形塊序列即子 圖像序列，這些子圖像序列就形成了樣本空間如附圖4是本發(fā)明中子圖像序列獲取示意 圖。 圖4中，包括視頻序列樣本中相應的幀圖像1、2、3、i、n、時間軸T、圖像的水平軸X 和垂直軸Y。圖中小方框部分為大小可變的窗口。子圖像獲取過程中利用大小可變的窗口 按照一定規(guī)則沿水平軸X、垂直軸Y、時間軸T掃描視頻得到一系列子圖像序列。
然后對獲得的子圖像序列樣本進行標注，對正樣本(含有煙霧的樣本)和負樣本 (不含煙霧的樣本)進行標注。 在特征提取過程中，針對子圖像的每一個像素點，求它的灰度和色調(diào)分量，這樣在 時間軸上，每個像素點會形成兩個像素序列，對每一個像素序列求均值和方差，作為該點的 值，這樣就得到了四個子圖像，其像素點的值分別為灰度像素序列的均值、灰度像素序列的 方差、色調(diào)像素序列的均值、色調(diào)像素序列的方差。 接下來要計算特征值。用我們構(gòu)造的特征結(jié)構(gòu)對上面步驟中得到的子圖像進行特 征空間搜索并求得該點的特征值。特征值由三部分組成，分別是所使用特征結(jié)構(gòu)的類型代 碼、進行特征空間搜索的位置和大小、像素序列的類型代碼。 分別對正樣本(含有煙霧的樣本)和負樣本(不含煙霧的樣本)進行訓練學習， 構(gòu)造多個弱分類器，然后對弱分類器進行組合和提升，得到分類能力強的強分類器組。
在以上的場景及模式特征訓練學習階段中，完成了本發(fā)明中基于計算機視覺的煙 霧檢測和預警方法中最底層的特征抽取層。 經(jīng)過特征提取層，特征從灰度以及色調(diào)空間產(chǎn)生投影，特征結(jié)構(gòu)充分考慮了煙霧 在空間和時間上的特性，這些特性是根據(jù)樣本的統(tǒng)計所確立的，所有特征基支撐起來的特 征空間表達了樣本，對于計算機而言，這是它觀察視頻樣本的方式，這相當于把視頻樣本映 射為特征空間上的一個點，我們構(gòu)造的特征結(jié)構(gòu)如附圖2所示，其中暗的區(qū)域可以得到該 區(qū)域的時間變化值，外圍白色區(qū)域與暗區(qū)域的差表示空間變化值。經(jīng)過以上各步驟后，建立 相關(guān)的統(tǒng)計數(shù)據(jù)模型。 在本發(fā)明的煙霧檢測和預警系統(tǒng)的實時運行檢測和報警階段中，實時視頻圖像經(jīng) 過特征提取模塊后，視頻圖像被映射為特征空間上的一個點，根據(jù)該點在特征空間上的分 布位置以確定該樣本是有煙霧還是沒有煙霧，或是不確定，該部分工作由統(tǒng)計數(shù)據(jù)模型及 顆粒煙霧判決樹兩個模塊完成，統(tǒng)計數(shù)據(jù)模型為決策提供了依據(jù)。如附圖3所示，是本發(fā)明 中決策判決樹示意圖，決策判決樹包括視頻樣本、強分類器組1、2、3. . . N代表分類過程的 每一步驟，經(jīng)某個強分類器1、2、3. . . N后被判斷為錯誤即非煙霧的樣本F，經(jīng)過強分類器N
8步驟后，剩下的樣本被認為是檢測后可疑的樣本。我們通過這樣層層遞進的方式將非煙霧 的樣本剔除出去，留下的就是可疑的樣本，對于全局而言，也就是可疑區(qū)域。然后通過局部 空間規(guī)則約束模塊，局部時間約束模塊的綜合裁決留下可疑的煙霧區(qū)域。局部空間規(guī)則約 束模塊主要是考慮煙霧空間上連續(xù)性，局部時間約束模塊主要考慮煙霧的時間上的變化的 連續(xù)性，全局規(guī)則約束模塊則考慮到煙霧的分布特性以排除非煙霧的區(qū)域，根據(jù)該點在特 征空間上的分布位置以確定該樣本是有煙霧還是沒有煙霧，或是不確定。該部分工作由統(tǒng) 計數(shù)據(jù)模型及顆粒煙霧判決樹兩個模塊完成，統(tǒng)計數(shù)據(jù)模型為決策提供了依據(jù)。
利用層層遞進的方式將非煙霧的樣本剔除出去，留下的就是可疑的樣本。而對于 全局而言，也就是可疑區(qū)域。然后通過局部空間規(guī)則約束模塊、局部時間約束模塊的綜合裁 決留下可疑的煙霧區(qū)域。局部空間規(guī)則約束模塊主要是考慮煙霧空間上連續(xù)性，局部時間 約束模塊主要考慮煙霧的時間上的變化的連續(xù)性，全局規(guī)則約束模塊則考慮到煙霧的分布 特性以排除非煙霧的區(qū)域。最后判斷煙霧區(qū)域的規(guī)模及持續(xù)過程并發(fā)出煙霧警報。當煙霧 不再發(fā)生，煙霧區(qū)域消失后，則停止發(fā)出警報。 上面描述是用于說明本發(fā)明的，其僅為示例，本領(lǐng)域普通技術(shù)人員可以根據(jù)實際 情況采用多種變形的實現(xiàn)方式，均應屬于本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的范圍不應 由該描述來限定。本領(lǐng)域的技術(shù)人員應該理解，在不脫離本發(fā)明的范圍的任何修改或局部 替換，均屬于本發(fā)明權(quán)利要求來限定的范圍。
權(quán)利要求
一種煙霧檢測和預警方法，其特征在于該方法包括步驟步驟1場景及煙霧模式特征訓練學習階段首先采集視頻圖像樣本；并標注含有煙霧的正樣本和不含煙霧的負樣本；從圖像樣本中提取用于反映空間分布、時間分布、頻率特性的特征；通過對以上特征的統(tǒng)計學習確定統(tǒng)計數(shù)據(jù)模型及顆粒煙霧判決樹；步驟2檢測和報警階段首先實時采集視頻圖像并保留一定數(shù)量的緩存視頻圖像；對視頻圖像進行預處理；利用統(tǒng)計數(shù)據(jù)模型及顆粒煙霧判決樹通過層層遞進的方式將視頻圖像中非煙霧的區(qū)域剔除，留下可疑區(qū)域，然后通過局部空間規(guī)則約束模塊，局部時間約束模塊的綜合裁決留下可疑的煙霧區(qū)域并標注煙霧檢測結(jié)果區(qū)域和報警。
2. 根據(jù)權(quán)利要求1所述的煙霧檢測和預警方法，其特征在于，所述檢測和報警是采用 特征提取模塊、統(tǒng)計數(shù)據(jù)模型、顆粒煙霧判決樹、局部空間規(guī)則約束模塊、局部時間約束模 塊以及全局規(guī)則約束的算法邏輯框架；其中在最底層是特征提取模塊，用于從子圖像序列的灰度以及色調(diào)空間產(chǎn)生的投影提取煙 霧在空間、時間和頻率上的特性，所述煙霧在空間、時間和頻率上的特性是根據(jù)對正負樣本 的統(tǒng)計所確定的，并組成特征空間。通過對子圖像序列進行特征空間搜索求得該序列的特 征值；統(tǒng)計數(shù)據(jù)模型及顆粒煙霧判決樹模塊，用以判斷視頻圖像是否包含煙霧，或不確定是 煙霧；該統(tǒng)計數(shù)據(jù)模型與特征提取模塊連接，用于接收并統(tǒng)計特征提取模塊輸出的煙霧在 空間、時間和頻率特征空間中的特征值，用于判斷視頻圖像中是否包含煙霧；該顆粒煙霧判 決樹，對大量煙霧和非煙霧圖像空間、時間和頻率特性進行統(tǒng)計學習獲得強分類器，通過強 分類器層層遞進的方式將非煙霧的圖像剔除出去，留下的就是可疑的視頻圖像；局部空間規(guī)則約束模塊和局部時間約束模塊的綜合裁決留下可疑的煙霧區(qū)域；局部空 間規(guī)則約束模塊與顆粒煙霧判決樹和統(tǒng)計數(shù)據(jù)模型連接，通過局部空間規(guī)則約束模塊分析 煙霧區(qū)域在空間上的位置和面積變化考慮煙霧空間上的連續(xù)性；局部時間約束模塊與顆粒煙霧判決樹和統(tǒng)計數(shù)據(jù)模型連接，通過分析一段時間內(nèi)煙霧 區(qū)域是否連續(xù)出現(xiàn)考慮煙霧的時間上變化的連續(xù)性；全局規(guī)則約束模塊根據(jù)煙霧的分布特性綜合局部空間規(guī)則約束模塊和局部時間約束 模塊對煙霧區(qū)域在空間和時間上表現(xiàn)行為的分析，排除非煙霧區(qū)域，標注煙霧區(qū)域，并發(fā)出 報警信息。
3. 根據(jù)權(quán)利要求1所述的煙霧檢測和預警方法，其特征在于，采集樣本是將視頻圖像 中的每一幀圖像分成矩形小塊，用大小可變的窗口按照規(guī)則沿X軸、Y軸和T時間軸掃描視 頻圖像得到系列子圖像序列，這些子圖像序列形成樣本空間。
4. 根據(jù)權(quán)利要求1所述的煙霧檢測和預警方法，其特征在于，所述特征提取是針對子 圖像序列的每一個像素點，求像素點的灰度和色調(diào)分量，這樣在時間軸上，每個像素點會形 成兩個像素序列，對每一個像素序列求均值和方差，作為該點的值，得到四個矩形小塊，其 像素點的值分別為灰度像素序列的均值、灰度像素序列的方差、色調(diào)像素序列的均值、色調(diào) 像素序列的方差。
5. 根據(jù)權(quán)利要求1所述的煙霧檢測和預警方法，其特征在于，所述利用統(tǒng)計學習訓練 樣本，是分別對含有煙霧的正樣本和不含煙霧的負樣本進行訓練，用散度作為測度來度量 樣本圖像間的相似程度，并利用這種相似度構(gòu)造弱分類器，最后對弱分類器進行加權(quán)和提升，得到分類能力強的強分類器組。
6. 根據(jù)權(quán)利要求l的煙霧檢測和預警方法，其特征在于，所述緩存視頻圖像是利用計 算機視覺對監(jiān)控視頻進行實時采集，并保存當前圖像幀及其前的2-4幀圖像，緩存包括當 前圖像幀在內(nèi)的3-5幀視頻圖像，用于煙霧檢測和報警中局部時間約束模塊通過以上連續(xù) 緩存視頻圖像判斷煙霧的時間上變化的連續(xù)性。
7. 根據(jù)權(quán)利要求l的煙霧檢測和預警方法，其特征在于，所述視頻圖像的預處理是對 視頻信號進行增強，有選擇的突出視頻圖像中感興趣的特征或抑制掩蓋圖像中不需要的特 征。
8. 根據(jù)權(quán)利要求1的煙霧檢測和預警方法，其特征在于，所述標注煙霧檢測結(jié)果是采 用子圖像，首先將視頻圖像中待分析的對象分解為系列子圖像，而且這些子圖像有部分重 疊，然后通過分類器對子圖像進行煙霧分析，將被判定為含有煙霧的區(qū)域進行標注，對不含 有煙霧的區(qū)域不做標注處理，這樣會在視頻圖像上產(chǎn)生很多被標注的煙霧區(qū)域；利用圖像 處理對煙霧區(qū)域進行溶解處理，去除微小空洞，形成整體煙霧區(qū)域標注。
9. 根據(jù)權(quán)利要求l的煙霧檢測和預警方法，其特征在于，所述報警是判斷煙霧區(qū)域的 規(guī)模及持續(xù)過程，給出火災檢測的位置、大小、可信度等信息并發(fā)出煙霧警報；當煙霧不再 發(fā)生，煙霧區(qū)域消失后，則停止發(fā)出報警。
全文摘要
本發(fā)明涉及煙霧檢測和預警方法，是利用計算機視覺實時采集監(jiān)控視頻；用大小可變的窗口按照規(guī)則沿X、Y軸和時間軸T掃描視頻得到子圖像序列；利用模式識別和信號處理對子圖像序列進行特征分析和提取，選用特征可以反映空間分布、時間分布、頻率特性；采用統(tǒng)計分析，對每個子圖像序列進行模式分類，確定該子圖像序列對應位置是否有火災發(fā)生；對所有的子圖像序列檢測結(jié)果進行區(qū)域合并、剔除操作，得到整個視場空間的檢測結(jié)果，給出火災檢測的位置、大小、可信度等結(jié)果；本方法在應用時分為場景和煙霧模式特征訓練學習階段以及實時運行檢測和報警階段。廣角探測和干擾算法，自動識別煙霧的不同特征，準確、實時的完成火災檢測，并及時發(fā)出報警信息。
文檔編號G06K9/62GK101751744SQ20081023932
公開日2010年6月23日 申請日期2008年12月10日 優(yōu)先權(quán)日2008年12月10日
發(fā)明者王欣剛, 魏崢 申請人:中國科學院自動化研究所