基于视觉显著性和小波分析的烟雾检测方法

秦文政，马莉

(杭州电子科技大学生命信息与仪器工程学院，浙江杭州310018)

0 引言

火灾给人类社会生产生活带来了巨大损失，是严重威胁社会安全的自然灾害之一。为了提高烟雾检测的实时性、可靠性，目前国内外学者在基于图像处理的烟雾检测方面取得了许多研究成果。(1)在烟雾纹理分析方面有基于灰度共生矩阵所派生特征的神经网络识别法［1］，以及基于ROI区域特征的模板匹配法［2］，(2)在基于小波分析的烟雾检测方面，文献3利用所提取的ROI区域中小波高频能与背景区域的相对比值表示烟雾模糊性。本文通过时空视觉显著性ROI区域提取得到图像感兴趣区域后，对感兴趣区域作小波分析和颜色动态分析，并利用贝叶斯分类器最终实现烟雾识别。

1 基于时空视觉显著性的ROI区域提取

本文提出的烟雾检测方法包括基于视觉注意模型的ROI区域提取和基于小波分析的烟雾动态特征识别两个部分。首先，在基于初级视觉特征(颜色对比度、亮度对比度、运动)的视觉注意模型中，对静态和动态显著性图动态加权融合，产生最终显著性图。其中，静态显著性图由当前帧生成的颜色对比度、亮度对比度图融合构成，而运动显著性图采用文献4中帧差、背景差相结合的方法。

1.1 亮度显著性图

烟雾区域内部亮度相对均匀，与周边场景区域亮度变化相对明显。计算视频帧的亮度显著性［5］:

式中，Fi(p)表示象素点p的亮度显著性值，w是以p为中心的3×3子区域，p'为邻点。

1.2 颜色显著性图

本文采取一种颜色直方图统计法计算图像中的颜色对比度。其基本思想是在直方图中发生频次较高的灰度值具有较低的显著度。对图像I中的象素点p，其颜色显著性定义为:

式中，fn是当前图像中某颜色通道{R，G，B}灰度值an(an∈［0，255］)出现的频率，ap是象素点p所对应的象素值。本文采用R通道计算颜色对比度的显著性图。

1.3 时空显著性图融合——运动优先

神经心理学研究表明，人眼对运动物体的关注程度要大于其他特征信号［6］，即当运动剧烈时，由帧差和背景差合成的运动显著性图优先于静态显著性图。象素点(i，j)处的最终显著性值为:

式中，Fm和Fs分别表示运动显著性图和静态显著性图:对最终融合显著性图，通过阈值法进行二值化、然后进行形态学滤波器操作获得提取的感兴趣区域。

2 烟雾动态特征检测

经过ROI区域提取所获取的ROI区域中可能包含有类似烟雾颜色的运动物体(如穿着类似烟颜色衣服走动的人)，为了去除这些物体引起的误判，该文引入烟雾的动态特征检测:通过提取ROI区域的小波高频能和颜色分析，通过贝叶斯分类器进一步确认ROI区域是否是烟雾。

2.1 烟雾区域的小波能分析

烟雾具有半透明性。烟雾遮挡的场景区域，其边缘变得模糊且高频信息缓慢减少;而刚性物体遮挡场景时，场景的高频信息会有比较明显的陡变。根据这一特性，利用小波分析，能有效去除与烟雾颜色类似的运动的人及车的干扰。对当前帧感兴趣区域做二维小波变换，计算其高频能量:

式中，E(It)表示第t帧视频图像ROI区域的小波高频能，Eb为该ROI区域所对应的背景区域的小波高频能。则当前视频帧ROI区域小波高频能的相对下降率α为:

开放环境下，烟雾浓度变化缓慢，α也随时间缓慢变化，如图1(a)所示，而与烟雾颜色类似的其他运动物体，其小波高频能的下降率α变化是剧烈的，如图1(b)所示。

图1 ROI区域小波高频能下降率曲线

2.2 烟雾颜色动态分析

烟雾颜色受燃烧物、燃烧是否充分、光照等外界因素的影响会呈现灰、深灰、黑等不同情况。烟雾颜色的这种多样性很难以一种特定的颜色来表征。采用归一化rgb颜色空间，可以抑制光照对R、G、B颜色分量的影响。经试验发现:一般运动物体颜色曲线的高频信息比较多，而烟雾表面的模糊性使得其3通道颜色曲线的细节信息较少。针对这一特征，可以通过感兴趣区域在rgb颜色空间中3通道颜色信号的小波变换细节信息β作为烟雾识别的一个特征:

式中，Dr［n］，Dg(n)，Db(n)分别代表ROI区域中所有象素在rgb通道的小波细节信息的均值。

取感兴趣区域的小波高频能下降率α和rgb颜色空间颜色曲线细节信息β组成特征向量Χ，利用贝叶斯分类器进行最终的烟雾识别。

3 试验结果

3.1 光照变化对提取的ROI区域的影响

为了验证开放环境下光照变化对基于视觉注意模型所提取的ROI区域的影响，本文对不同天气，不同时段的不同烟雾样本进行了检测。对晴天和阴天两种情况下的烟雾样本进行分析，从试验结果，如图2、3所示，可以看出虽然受天气影响原始图像帧的亮度有较大的变化，但是本文构建的视觉注意模型能有效的提取出图像中烟雾的ROI区域，表明该算法的具有抗光照变化的优势。

图2 基于显著性图的ROI区域提取(晴天)

图3 基于显著性图的ROI区域提取(阴天)

3.2 烟雾检测的准确性

为了检测算法的分类性能，本文将25组视频(共360多帧)中的60%作为训练集，40%作为测试集(包括穿着类似烟颜色衣服的行人、与烟雾颜色类似的车、晴天环境下烟雾、阴天环境下烟雾等)。经本文训练的分类器分类后，准确率如表1所示:

表1 烟雾检测结果统计

4 结束语

本文提出一种基于时空域信息处理的烟雾检测算法，通过视觉注意模型提取场景中的感兴趣区域，跟踪ROI区域，提取小波高频能曲线细节信息和rgb颜色空间颜色曲线的细节信息两个特征，经贝叶斯分类器实现烟雾的最终检测。试验表明:本文模拟的视觉注意模型对环境具有较强鲁棒性，对感兴趣区域的提取具有较高的准确率。

［1］Yu Chunyu，Zhang Yongming.Texture analysis of smoke for real-time fire detection［C］.Qingdao:Second Computer Science and Engineering，2009 2:511－515.

［2］Maruta H.，Kato Y，Nakamura A，etal.Smoke detection in open areas using its texture features and time series properties［C］.Kuala Lumpur:IEEE International Symposium on Industrial Electronics and Applications，2009:1 904－1 908.

［3］帅师，周平，汪亚明.基于小波的实时烟雾检测［J］.计算机应用研究，2006，24(3):309－312.

［4］Fujiwara N，Terada K.Extraction of a Smoke Region Using Fractal Cording［C］.Beijing:IEEE International Symposium on Communications and information Technologies，2004 2:659－662.

［5］Wen-Huang Cheng，Wei-Ta Chu，Jin-Hau Kuo，Ja-Ling Wu.Automatic video region-of-interest determination based on user attention model［C］.Kobe:IEEE International Symposium on Circuits and Systems，2005 4:3 219－3 222.