基于多特征的红外成像VOCs气体检测

洪少壮，胡 英，于宏伟

(大连海事大学船舶电气工程学院，辽宁 大连 116026)

1 引言

在我国，所谓VOCs气体指常温下饱和蒸汽压大于70pa，常压下沸点在260℃以内的有机化合物，或者常温常压下任何能挥发的有机固体或液体[1]。

VOCs气体成像检测技术是气体泄漏检测领域的重要组成部分，其只采集目标场景内某一红外波段辐射信息进行成像。而大多数VOCs气体红外辐射波段在3-5μm的中波段，通过采集该波段内辐射信息，获得类似烟雾的泄漏气体图像，掌握气体扩散趋势并确定泄漏源[2]。

由于VOCs气体红外图像与可见光下烟雾图像在视觉效果上相似，相关视频烟雾检测算法具有一定参考价值。史玉坤[3]等人列举了烟雾的静态与动态特征，其中部分特征与VOCs气体特征相同。袁非牛[4]等人提出了一种基于累积量和主运动方向的视频烟雾检测算法，对VOCs气体泄漏检测有一定的借鉴意义。但其成像结果为灰度图像，且对比度相对较低。烟雾检测中常用到的颜色特征及频率特征，无法应用到VOCs气体检测算法中。比如唐杰[5]等人提出利用烟雾颜色模型确定疑似烟雾区域。虽然在可见光烟雾检测中达到理想效果，但红外图像为灰度图像，无法利用颜色信息进行气体检测。此外，国外学者Gubbi[6]等人提出利用小波变换与支持向量机结合的烟雾检测方法，分析背景高频信息变化。但由于红外图像对比度低，高频能量信息相对较少，通过频率特性进行气体泄漏检测比较困难。如图1所示为红外与可见光下的小波分析测试结果，图(a1)和(b1)为红外与可见光条件下对其背景分解后得到的4个子图像，其中LL为图像的低频部分，HL、LH和HH分别为垂直、水平和对角线方向的高频信息；图(a2)和(b2)为气体泄漏后对图像分解得到的4个子图像，可以看出，可见光下地面砖块被泄漏气体遮挡，高频能量显著减少。本文通过统计高频能量信息，绘制出如图2所示的高频能量变化曲线，图(a)和(b)分别为红外环境和可见光条件下的高频能量变化曲线。由此可以直观看出，发生VOCs气体泄漏后，红外图像高频能量几乎无变化，故无法应用频率特性进行红外气体泄漏检测。由此说明红外与可见光图像具有显著区别，检测难度加大。

图1 红外与可见光基于小波分析的测试结果

图2 红外与可见光图像高频能量变化曲线

由于VOCs气体红外成像的特殊性，传统烟雾检测算法无法达到检测要求。基于红外成像的VOCs气体泄漏检测算法具有研究价值。王建平[7][8]等人提出一种基于红外图像的背景建模方法，利用逻辑运算将帧差法与背景差分法相结合，获得气体泄漏区域，利用气体几何特征及背景能量变化的气体检测算法。但其在背景相对简单和气体形状多变的环境中，检测效果受到影响。刘路民根[9]等人提出一种基于形状特征结合支持向量机的气体泄漏检测算法，但其只考虑典型气体形状特点，当空气流动导致气体形状变化较大时，检测率受到影响。由于红外图像分辨率差、对比度低和视觉效果模糊等特点，大量物体与VOCs气体在红外图像上具有相似的视觉效果，使得可见光下特征鲜明的干扰物体，在红外视频中不易排除。

本文提出一种基于多特征的红外视频VOCs气体泄漏检测算法，利用气体的边缘不规则性、纹理特征和扩散性，在前景图像基础上正确区分泄漏气体及其它干扰，并准确定位气体泄漏区域。并将现有气体检测算法与本文算法进行对比实验。结果表明，该算法识别率高，检测效果理想。

2 前景提取

在基于红外视频的VOCs气体检测算法中，提取前景图像是VOCs气体检测的基础，而背景建模方法对前景图像提取至关重要。本文采用混合高斯背景建模法作为背景建模及前景提取方法。

混合高斯背景建模[10]中各像素点相互独立。对于图像中每个像素点，其值的变化可看作是一种随机过程，即用高斯分布来描述每个像素点规律。式(1)(2)(3)所示为单个像素点服从的高斯概率密度函数

(1)

(2)

(3)

其中k为高斯分布数，本文取k为5(视具体情况而定)，ϑ(xt，μi，t，τi，t)为t时刻第i个高斯分布，ui，t为其均值，τi，t为其协方差矩阵，δi，t为其方差。I为3*3单位矩阵，ωi，t为t时刻第i个高斯分布的权重。

实验表明，在固定监控场景下，能够提取出完整气体泄漏区域，且满足系统对实时性和准确性的要求。前景图像如图3所示，图中a(1)，b(1)为原图像，a(2)，b(2)为与之对应前景图像。

图3 提取出的前景图像

3 多特征融合的VOCs气体泄漏检测

由前文可知，红外图像下VOCs气体与可见光下烟雾呈现相似的视觉效果。可见光下烟雾主要有颜色特征、纹理特征、扩散性、不规则性、半透明性等特征。其中颜色特征和半透明性对颜色信息依赖性较高，但红外图像为灰度图像，所以本文将其它三种特征应用于红外图像下气体泄漏检测。分别采用离散曲率熵、HOG(梯度方向直方图)及连通域面积变化作为气体泄漏区域识别的判定准则。

3.1 对气体区域不规则性的判别—离散曲率熵计算

气体往往呈现边缘不规则性，而行人、车辆等干扰往往具有较为规则的边缘。由此，对疑似气体区域不规则性进行量化，对气体区域及其它形状特征不同的干扰区域进行判别。

对于图形不规则性量化，通常利用圆形度对图形不规则性进行度量。但通过实验表明，大量干扰物体与泄漏气体圆形度区间发生重合，并不能有效去除干扰，所以对图形不规则性量化的研究具有实际意义。

戴凌宸[11]等人利用 香农“信息熵”[12]与其它信息量对图形不规则性进行度量，阐述了图形不规则性量化问题。香农“信息熵”是用于描述信息不确定性程度的度量熵，解决了信息量化度量问题，简称香农熵。香农熵描述如下：

假设X为所有可能事件集合，P(X)为集合中某一具体事件发生的概率，那么X集合的香农熵定义为：

(4)

本文提出，引入曲率熵作为运动区域边缘不规则性判别准则。曲率是针对曲线上某点切线方向角对弧长的转动率，表明曲线偏离直线的程度。即曲线弯曲程度。本文基于前景图像通过种子增长法生成连通域，并提取连通域边缘图像，得到一条离散的数字化闭合曲线。曲线由一系列离散点构成，不存在解析表达式，所以离散点曲率由局部离散点相对位置决定，如图4所示。

图4 离散点相对位置

离散点Qi处离散点曲率Ci为[13]：

(5)

(6)

其中Qi-1QiQi+1为三角形有向面积[14]，xi+2=xi-1，yi+2=yi-1。综上所述，本文离散曲率熵计算公式为：

(7)

式中H(C)为连通域闭合曲线离散曲率熵，P(Ci)为曲率Ci占总集合的概率。H(C)越大，则表示图形越复杂。

本文分别选取泄漏气体及常见干扰(行人、汽车)前景图像进行实验。由于篇幅所限，只选取部分图像进行展示，如图5所示，其中图5(a)为气体泄漏前景图像，图5(b)为干扰运动物体前景图像。

图5 气体及干扰物体前景图像

本文列举部分实验及圆形度对比实验结果如表1、表2所示，可以看出，泄漏气体与其它干扰物体在离散曲率生中有明显差别，而在圆形度计算中，差别不够明显。

表1 离散曲率熵实验结果

表2 圆形度实验结果

由实验统计结果可知H(C)∈[0.8，1.4]。如在前景图像中图形离散曲率熵在此区间，则可判定为疑似气体泄漏区域。

3.2 气体纹理特征的判别 —(HOG+支持向量机)

3.2.1 HOG(梯度方向直方图)

图像纹理是对图像像素亮度的描述，广泛应用于图像特征识别。HOG通过计算图像中每个像素点梯度幅值和方向，并生成直方图，是一种描述图像局部纹理特征的特征描述子。HOG特征由Dalal和Triggs[15]于2005年在CVPR首次提出，在行人检测中获得了较大成功。

考虑红外气体图像的纹理特殊性，本文提出将HOG结合支持向量机应用于VOCs气体泄漏检测。HOG算法包含以下步骤：

1)图像分块如图6所示，将一幅图片分为若干个64*64大小检测窗口，舍去不满足规定大小的边缘图像，把8*8像素点分为一个单元格(cell)，并将6个相邻的单元格构成一个块(block)。

图6 图像分块示意图

2)分别求取每个像素点梯度方向及幅值，以块为单位对检测窗口内图像进行扫描，扫描步长为一个单元，将所有块的梯度方向特征串联，得到HOG特征。其中像素点(x，y)处梯度计算公式为

(8)

该点处梯度幅值与方向分别为：

(9)

(10)

本文将梯度方向划分为9个区间，在检测窗口内，水平和垂直方向上将有7个扫描窗口，所以每个检测窗口HOG特征将有1764(4*9*7*7=1764)维。将生成的HOG特征送入支持向量机进行训练，用于气体特征检测。

3.2.2 支持向量机(SVM)

支持向量机是一种基于统计学习的机器学习方法，被称为具有最小化经验误差的最大边际分类器，在图像识别领域得到广泛应用。本文利用支持向量机训练气体识别分类器，对疑似气体区域进行辩别。

支持向量机的基本思想是通过核函数将训练数据映射到更高维度特征空间，构建最优超平面。由此，核函数的选择对训练效果至关重要。本文采用高斯核函数，其能将低维数据映射到无穷维空间，是应用最为广泛的核函数之一。其公式为

(11)

实验数据集由自行拍摄的红外气体图像及红外视频数据集OTCBVS Benchmark Dataset Collection (http:∥vcipl-okstate.orgpbvsbench/#opennewwindow)构成。训练样本包含正样本800张和负样本1200张。测试样本包含正样本200张和负样本200张。其中正样本为气体图像，负样本为其它背景图像，分辨率为64*64。

在多人静止场景中，由于站立的人部分运动，其在前景图像中将呈现不规则图像，其不规则性与泄漏气体相似，如图7(a)(b)所示，结合HOG特征检测后，能够有效降低误报率。

图7 结合HOG特征气体检测结果

3.3 气体扩散性判别—连通域的面积变化

泄漏气体具有明显的从中心到边缘、由高浓度到低浓度的动态扩散过程，在红外视频中表现为，从泄漏点处持续向四周扩散，气体形状和方向会不断变化，而行人、车辆及树叶飘动等干扰，普遍形状固定且亮度分布均匀。文献[8]提出，利用泄漏气体高浓度区域与边缘亮度的差别进行差分运算，对其得到差分图像进行气体检测。但由于泄露气体方向变化，高浓度区域不固定，不应只考虑单一方向。本文提出通过计算连通域面积变化，对气体泄漏区域进行判别。通过在前景图像基础上引入前景累积图像，用图像亮度表示目标。在一定时间序列内的运动状态，如式(12)、(13)所示。

(12)

(13)

其中A(x，y)为前景累积图像像素值，D为图像像素区域，f(x，y，i)为第i帧二值化前景图像像素值。

在一段视频序列中，运动区域会在前景累积图像中进行叠加。由于泄露气体泄漏点固定且持续扩散，其形状和方向不断变化，气体泄漏区域在前景累积图像中将呈现从中心到边缘由明到暗的视觉效果，如图8(a1)、(b1)所示。而快速移动的行人在同一位置停留时间过短，其减少的像素值将远远多于增加的像素值，不会在前景累积图像中出现明显轮廓，如图8(a2)、(b2)所示，由此可排除一部分快速通过的干扰物体。而当运动物体在监控区域停留后，其在前景累积图像中将呈现亮度均匀分布的视觉效果，如图8(a3)、(b3)所示。

图8 第一行为前景图像 第二行为前景累积图像

由此可见，在一帧前景累积图像中，通过不断加大生成连通域的阈值，将在运动区域出现若干连通域。在气体泄漏区域，将出现若干由大到小的连通域，且连通域交叉重叠，而在其它干扰区域，连通域大小大致相等。

为得到连通域，本文将种子增长法作为区域增长算法，其基本思想是将具有相似性质的像素集合成连通域。通过对目标区域选取种子像素作为生长起点并将周围邻域内像素具有相同或相似性质的像素合并。将这些新像素作为新的种子增长点继续上述过程。

高晶[16]等人对种子增长进行了详细概述，本文将灰度值作为种子增长准则，具体如式(14)、(15)、(16)所示：

(14)

(15)

(16)

实验结果如图9所示，其中图9(a)为气体泄漏区域各连通域变化及前景累积图像，可以清楚的看出，各连通域由大到小且相互重叠。图9(b)为在有人干扰下，人所构成的连通域和气体连通域的区别及前景累积图像，可以发现干扰物体像素值分布较均匀，其各连通域大小相差不大。由此可作为气体泄漏有效判据。

图9 运动区域连通域面积变化对比

4 实验结果

本文算法采用VS2013环境及C++语言实现。为了验证本文算法有效性，本文通过8段实验视频进行测试。分别在不同浓度、不同场景下进行测试。测试视频为自行录制，视频分辨率为320*240。本文列出5组有代表性的气体检测结果。检验结果如图10所示。

图10 不同浓度不同场景下的检测效果图(第一行为检验结果图，第二行为原视频图像)

为了验证本文检测算法鲁棒性，在实验视频中加入大量干扰。干扰物为行人、温度变化气罐等物体。测试结果表明，在干扰条件下，本文算法能够有效排除干扰并准确定位泄漏气体位置，部分结果如图11所示，可以看出，当行人行走、站立及提取不全时，本文算法依然能够准定位泄漏区域，并避免误报发生。

图11 干扰条件下检测结果图(第一行为检验结果图，第二行为对应前景图像，第三行为对应原图像)

本文对算法准确率及漏检率做出统计，规定若在30帧图像序列中至少有1帧检测到泄漏气体，则认定该序列存在气体泄漏。若将干扰判定为泄漏气体，则认定该序列存在误判。定义R+表示检测率，N+表示气体泄露检出序列数，M+表示气体泄露总序列数，如式(17)所示，定义R-表示误检率，N-表示误检序列数，M-表示干扰视频总序列数，如下式(18)所示

(17)

(18)

表3为本文算法实时性检测结果，实验结果表明，本文算法实时性良好，能够在气体泄漏2秒内报警，达到气体泄漏检测要求。

表3 本文算法实时性

将本文算法与文献[8]、文献[9]算法进行对比实验。由表4可知，文献[8]中基于气体几何特征及能量信息进行检测，在背景相对简单的环境中(如地面，墙壁等)准确率较低，误报率较高。文献[9]只考虑单一气体形状，在大风及泄漏速率较慢时检测率较低。当干扰处前景图像提取不全时，产生较多误报。

表4 算法对比测试

综上所述，本文基于红外成像提出了一种融合多特征的VOCs气体泄漏检测算法。通过混合高斯背景建模提取前景图像，利用VOCs气体的不规则性、纹理特性及扩散性准确识别出泄漏区域。大量实验表明，该算法可有效排除其它运动物体的干扰，并能在气体泄漏发生2s内检测到泄漏气体的准确位置，检测率高，实时性强。

5 结束语

本文通过观察大量泄漏气体红外视频，发现泄漏气体特征，实现泄漏气体检测并排除干扰影响，算法实时性高，在不同条件下测试效果良好，能够达到自动监测报警的目的。

由于红外图像的信噪比不高，不利于气体特征提取，本文提出的气体特征提取算法，对低浓度气体提取效果不明显，需要进一步改进和研究。在光照变化较大的场景下，前景提取效果具有一定问题，会影响算法稳定性，故如何保证前景提取准确性和适应性是本算法的一个研究方向。综上所述，在VOCs气体泄漏检测算法研究上还需不断改进，在更多应用层面上，进行更加深入研究。