一种基于码本模型和多特征的早期烟雾检测方法

摘要

本发明公开了一种基于码本模型和多特征的早期烟雾检测方法，包括1：利用码本模型对相机拍摄的视频序列进行背景建模，采用背景减除法得到前景似然信息图像；2：利用改进的烟雾区域颜色模型滤除前景似然信息图像中其它目标的干扰，得到前景似然信息图像中的疑似烟雾区域；3：利用融合烟雾区域的形状模型对疑似烟雾区域进一步检测，滤除与烟雾颜色相近但形状特征不同的干扰区域；4：利用融合烟雾区域的动态模型对疑似烟雾区域进一步筛选，滤除早期烟雾区域的增长率过低和烟雾区域中心位置移动过快的目标。该方法利用烟雾的颜色特征，形状模型特征以及动态特征，对疑似烟雾区域进行筛选。提高烟雾检测准确性和系统鲁棒性。

主权项

1.一种基于码本模型和多特征的早期烟雾检测方法，其特征在于包括：步骤1：利用码本模型对相机拍摄的视频序列进行背景建模，采用背景减除法得到前景似然信息图像；步骤11：对视频序列进行学习，根据每个像素点连续采样值的颜色距离和亮度范围为每个像素点生成一个码本，假设当前像素点是x=(R,G,B)，其对应的码本是M；步骤12：计算当前像素点的亮度I=R+G+B，定义布尔变量match=0；步骤13：根据设定条件从码本M中找到与当前像素匹配的码字C_m，如果能够找到码字C_m，则match=1，否则match=0；其中的设定条件包括条件A和条件B，条件A表示为：$\mathrm{colordist}(x,v_m)=\frac{{\left|\right|x\left|\right|}^2{\left|\right|v_m\left|\right|}^2-{⟨{x,v}_m⟩}^2}{{\left|\right|v_m\left|\right|}^2}\le ϵ$其中，${\left|\right|x\left|\right|}^2=R^2+G^2+B^2,{\left|\right|v_m\left|\right|}^2{\bar{R}}_m^2+{\bar{G}}_m^2,{\bar{B}}_m^2,{\left({x,v}_m\right)}^2={({\bar{R}}_{m}R+{\bar{G}}_{m}G+{\bar{B}}_{m}B)}^2;$条件B表示为：且当$I_{\mathrm{low}}\le \left|\right|x\left|\right|\le I_{\mathrm{hi}}$时，其中，I_low为码字的亮度范围最小值，I_hi为该码字的亮度范围最大值；步骤14：将match=0的像素作为当前视频图像的前景像素，将match=1的像素作为当前视频图像的背景像素；步骤15：生成关于当前视频图像中像素m_i的前景似然函数L_i(m_i)，进而生成相应的前景似然图，其中的前景似然函数L_i(m_i)表示为：$L_i\left(m_i\right)\left\{\begin{array}{ccc}1,& \mathrm{if}& m_i\in \mathrm{foregrounc}\\ 0,& & \mathrm{otherwise}\end{array}\right.;$步骤2：利用改进的烟雾区域颜色模型滤除前景似然信息图像中其它目标的干扰，得到前景似然信息图像中的疑似烟雾区域；步骤21：将前景似然信息图像中每个像素点的R通道、G通道、B通道的值分别进行归一化处理，以获得归一化后不同烟雾像素点的R通道、G通道、B通道的数值分布范围，归一化过程表示为：$\left\{\begin{array}{c}r=\frac{\mathrm{Ir}(x,y)}{\mathrm{Ir}(x,y)+\mathrm{Ig}(x,y)+\mathrm{Ib}(x,y)}\\ g=\frac{\mathrm{Ig}(x,y)}{\mathrm{Ir}(x,y)+\mathrm{Ig}(x,y)+\mathrm{Ib}(x,y)}\\ b=\frac{\mathrm{Ib}(x,y)}{\mathrm{Ir}(x,y)+\mathrm{Ig}(x,y)+\mathrm{Ib}(x,y)}\end{array}\right.$r为归一化后R通道数值，g为归一化后G通道数值，b为归一化后B通道数值；步骤22：通过对大量视频图像归一化后R通道、G通道、B通道的数值的统计，得到前景似然信息图像中的多个置信空间，通过归一化RGB通道的置信区间即可剔除前景似然信息图像中不符合烟雾颜色特征的像素点；步骤3：利用融合烟雾区域的形状模型对疑似烟雾区域进一步检测，滤除与烟雾颜色相近但形状特征不同的干扰区域；步骤31：计算大量视频图像中疑似烟雾区域的不规则度，通过对不规则度的数据统计，得到一置信区间，不规则度Ω_dim2定义为：${\Omega }_{\dim 2}=\frac{C}{\sqrt{4\pi \times A}}$其中，C为烟雾区域的周长，A为烟雾区域的面积；步骤32：计算步骤2得到的前景似然信息图像中的疑似烟雾区域中划分的连通区域的不规则度；步骤33：若步骤32计算得到的不规则度落在步骤31得到的置信区间中，则判断相应的连通区域具有类烟雾形状的特性，否则滤除；步骤4：利用融合烟雾区域的动态模型对疑似烟雾区域进一步筛选，滤除早期烟雾区域的增长率过低和烟雾区域中心位置移动过快的目标；步骤41.利用融合烟雾区域的动态模型对疑似烟雾区域进一步筛选，滤除早期烟雾区域的增长率过低的目标；步骤411：计算τ时间间隔内烟雾的增长率v，描述为：$v=\frac{A_{t+\tau }{A}_t}{\tau }$其中，t是时刻，疑似烟雾区域的面积为A_t，该区域的面积为A_t+τ；步骤412：滤除早期烟雾区域的增长率低于一定值的目标步骤42.利用融合烟雾区域的动态模型对疑似烟雾区域进一步筛选，滤除烟雾区域中心位置移动过快的目标。