基于小波能量的轮廓抖动性烟雾检测算法

李庆奇，马 莉

0 引言

近几年，视频烟雾检测已经成为户外火灾检测的一个重要的研究方向。目前国内外利用视频检测烟雾的研究方向有以下几个方面:基于颜色的检测方法［1］、基于烟雾外部特征的方法［2］、基于能量的检测方法［3］。本文在分析烟雾静态特征和动态特征的基础上提出了基于小波能量的轮廓抖动性烟雾检测算法。算法首先对采集的视频图像进行卡尔曼滤波，利用二维小波提取烟雾轮廓。然后在动态特征中进行轮廓能量特征和不规则特征进行提取。最后使用贝叶斯分类器，通过对当前观测值的烟雾和非烟雾概率比较判定是否为烟雾。

1 烟雾前景分析

烟雾前景提取主要是利用卡尔曼滤波和二维小波变换提取出疑似烟雾区域的轮廓，作为动态特征提取的依据。

1.1 ROI区域提取

首先使用卡尔曼滤波进行运动检测，之后对卡尔曼滤波后的结果提取最大连通区域，最后得到ROI区域。卡尔曼滤波的算法思路是利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值，它适合于实时处理。滤波公式如:

式中，B(i，j，k+1)、B(i，j，k)分别为第 k+1 和第 k 帧的背景图像(i，j)的象素值，I(i，j，k)为当前帧图像(i，j)的象素值，α为运动因子，β为背景因子。其次对卡尔曼滤波结果进行8连通域标记，最后求出最大的连通区域。这个区域就是所求的ROI区域。

1.2 小波轮廓提取

小波轮廓检测的主要目的是对上述的最大连通区域进行二维小波变换，得到前景的轮廓信息。一幅图经过二维小波变换得到一幅低频信息和三幅高频信息轮廓信息主要使用的是高频信息，本文通过水平高频和垂直高频信息叠加提取烟雾区域的轮廓。

2 烟雾动态分析

通过前景分析提取烟雾小波能量特征和不规则特征后，最后输入到贝叶斯分类器中进行判定，去除掉类烟雾物体。

2.1 烟雾轮廓小波能量分析

由于烟雾变化的缓慢性，造成烟雾在确定的轮廓坐标处的高频信息变化也比较缓慢，所以高频能量变化也比较缓慢。这与类烟雾信息不同，类烟雾物体如穿白色衣服的人，白色的车，由于其是整体移动的，所以在确定的边沿坐标上变化比较明显，造成类烟雾确定的边沿的高频信息变化比较明显，高频能量变化也相应的比较明显。由前景分析得到图像的轮廓向量L={(x1，y1)，(x1，y1)，…，(xN，yN)}，其中N为轮廓点个数，xi为点i的横坐标值，yi为点i的纵坐标值，L为N个点构成的N的向量。轮廓上的点象素值构成一维向量 F(k)={Ik(x1，y1)，Ik(x2，y2)，…，Ik(xN，yN)}，其中 N 为轮廓点的个数，xi为点i的横坐标值，yi为点i的纵坐标值，Ik(xi，yi)为在k帧中点(xi，yi)处的象素值，F(k)为第k帧轮廓象素点构成一个N的向量。对F(k)进行一维小波变换，Ek=∑abs(F(k)×g)，其中Ek为k帧时轮廓一维小波变化后的高频能量总和，g为高通滤波器。烟雾和非烟雾的轮廓高频能量变化如图1所示:

图1 烟雾和非烟雾的轮廓高频能量变化

图1 (a)、(b)为烟雾在确定轮廓小波变换高频能量的变化，图1(c)为穿白色衣服的人的轮廓小波变换高频能量的变化，图1(d)为车的轮廓小波变换高频能量的变化。从图1中可以看出类烟雾物体一维小波变换后高频能量在初始几帧变化比较剧烈，之后变化比较缓慢，而烟雾在初始几帧变化没有类烟雾的变化明显，通过这种变化可以将烟雾和类烟雾物体区分开。取轮廓小波能量作为贝叶斯分类器的一个输入。

2.2 烟雾不规则分析

在一般情况下，形状规则物体的边缘轮廓长度总是比不规则物体的轮廓长度短，前提是在物体面积一致的状态下比较，而烟雾由于其扩散的不确定性，在形状上也体现出不规则性，利用前面提取的边沿能对其进行分析。这样就可以引入物体边缘周长与物体面积之比来衡量物体的不规则性。烟雾轮廓的不规则性如:

参数SDTk表示视频图像序列第k帧的不规则度量值，即烟雾区域的轮廓不规则性度量值，SEPk表示当前第k帧图像中最大疑似区域的周长，STPk表示当前第k帧图像中的最大疑似区域面积，此特征作为贝叶斯分类器的一个输入。

3 烟雾检测实验结果及结论

贝叶斯的训练样本150帧，取自开放环境下真实烟雾图像(80帧)，类烟白色运动物体图像(30帧)，反光树叶(20帧)，白色类烟地面(20帧);测试样本100帧，其中真实烟雾50帧，类烟雾白色物体20帧，树叶15帧，地面15帧。实验结果和贝叶斯分类判定结果分别如图2、表1所示:

图2 烟雾检测实验结果

表1 贝叶斯分类判定结果

图2中上两组为真实烟雾，下2组分别为白色的车和行人。图2(a)组为原图，图2(b)组为KALMAN滤波后的结果，图2(c)组为小波轮廓检测后的结果，图2(d)组为贝叶斯分类后的判定结果。

实验结果表明，算法对于真实火灾烟雾的识别率较高。对于一些缓慢运动的不规则的非烟物体可能会造成一些误检，综上所述，本文算法能够较好的识别林火烟雾，准确率较高，降低误检率。

4 结束语

本文提出了一种开放环境下基于轮廓小波能量分析的烟雾检测算法，通过烟雾轮廓的能量变化和轮廓的不规则性两个特征对烟雾和类烟雾物体进行区分，并使用贝叶斯分类器进行分类判定。实验结果表明，此算法能提高检测的准确性和鲁棒性，对环境适应能力较强，对实现智能森林火情检测具有重要的应用价值。

［1］ Chen Thou-Ho，Yin Yen-Hui，Huang Shi-Feng，et al.The Smoke Detection for Early Fire-Alarming System Base on Video Processing［C］.California:in Proceedings of the 2006 International Conference on Intelligent Information Hiding and Multimedia Signal Processing，2006:427 －430.

［2］ MarutaHidenori，Kato Yasuharu，Nakamura Akihiro，et al.Smoke detection in open areas using its texture features and time series properties［C］.Seoul:in IEEE International Symposium on Industrial Electronics，2009:1 904 －1 908.

［3］ Kim Chansu，Han Yonngin，Seo Yongduck，et al.Statitical Pattern Based Real-time Smoke Detection Using DWT Energy［C］.Jeju Island:in IEEE Information Science and Applications，2011:1－7.

［4］ Toreyin B U，Dedeoglu Y，Cetin A E.Contour based smoke detection in video using wavelets［C］.Florance:14th European Signal Processing Conference，2006:760－763.

［5］ 杨猛，赵春晖，潘泉，等.基于小波分析的烟雾多特征融合和空间精度补偿森林火情检测算法［J］.中国图像图形学报，2009，14(4):694 －700.