本發(fā)明涉及圖像處理和森林火災(zāi)檢測(cè)領(lǐng)域，尤其涉及一種基于視頻圖像分析的森林煙火檢測(cè)方法。

背景技術(shù)：

火災(zāi)是森林最危險(xiǎn)的敵人也是最可怕的林業(yè)災(zāi)害，會(huì)對(duì)森林地區(qū)的生態(tài)環(huán)境、生物活動(dòng)造成嚴(yán)重的危害，嚴(yán)重威脅到人們的財(cái)產(chǎn)和生命安全，越早發(fā)現(xiàn)火災(zāi)就越可能將各方面的損失降到最小。煙霧作為明火出現(xiàn)前期的產(chǎn)物，對(duì)于火災(zāi)預(yù)警具有重要的作用。

目前應(yīng)用廣泛的煙霧檢測(cè)系統(tǒng)利用熱敏原件、感煙元件、紅外感光元件等傳感器來進(jìn)行煙霧探測(cè)，但是森林地區(qū)樹木茂密，面積廣闊，地勢(shì)復(fù)雜，傳感器的安裝、維護(hù)困難，檢測(cè)可靠性沒有保證。

基于智能視頻識(shí)別的森林火災(zāi)煙霧檢測(cè)方法利用計(jì)算機(jī)視覺中目標(biāo)檢測(cè)的方法，通過網(wǎng)絡(luò)攝像頭獲取基本數(shù)據(jù)，監(jiān)測(cè)覆蓋范圍廣且成本低。

現(xiàn)階段，基于視頻分析的森林煙火檢測(cè)系統(tǒng)主要通過光流法或高斯混合模型進(jìn)行運(yùn)動(dòng)檢測(cè)，然后在不同的顏色空間內(nèi)進(jìn)行顏色統(tǒng)計(jì)并對(duì)煙霧的形狀特點(diǎn)進(jìn)行分析來實(shí)現(xiàn)煙霧的智能檢測(cè)。但在綜合環(huán)境復(fù)雜的森林環(huán)境中，由于光流法需要通過光流約束方程求解每一個(gè)像素點(diǎn)的運(yùn)動(dòng)矢量，高斯混合模型需要通過迭代方式求解模型參數(shù)，因而這些方法在對(duì)森林環(huán)境進(jìn)行背景建模時(shí)運(yùn)算速度緩慢，極大的影響了檢測(cè)速度。現(xiàn)有的檢測(cè)方法中也有通過Vibe技術(shù)進(jìn)行運(yùn)動(dòng)檢測(cè)的算法，但是所采用的Vibe算法需要在像素點(diǎn)的八鄰域內(nèi)隨機(jī)選取樣本集合里的20個(gè)樣本值，樣本中不可避免會(huì)出現(xiàn)重復(fù)選取的現(xiàn)象，而重復(fù)選取樣本會(huì)增加像素錯(cuò)誤分類的概率，進(jìn)而影響煙霧識(shí)別的準(zhǔn)確率。

目前，雖然也存在對(duì)vibe方法進(jìn)行改進(jìn)的背景更新技術(shù)，但這些技術(shù)都是將vibe和其他的背景建模方法結(jié)合起來，都是比較大的改動(dòng)，會(huì)增大計(jì)算量，無法同時(shí)解決準(zhǔn)確率和計(jì)算量之間的矛盾關(guān)系。

技術(shù)實(shí)現(xiàn)要素：

技術(shù)問題：本發(fā)明所針對(duì)的是現(xiàn)有的基于視頻圖像分析的煙霧識(shí)別方法無法在保證較高精確度的情況下減小運(yùn)算的技術(shù)問題。

技術(shù)方案：為了解決現(xiàn)有技術(shù)存在的不足，本發(fā)明的目的在于提供一種基于視頻圖像分析的森林煙火檢測(cè)方法，本發(fā)明所述方法綜合利用EViBe背景建模和動(dòng)靜態(tài)特征結(jié)合的煙霧識(shí)別方法，其特征在于按照以下步驟進(jìn)行：

步驟1：視頻圖像預(yù)處理：按照視頻中的幀數(shù)，每次按時(shí)間順序截取視頻中的一幀圖像，將圖像轉(zhuǎn)換為灰度圖像后依次按照步驟2至步驟8的順序進(jìn)行處理；

步驟2：背景建模：利用根據(jù)Vibe算法改進(jìn)后的EViBe方法對(duì)每一個(gè)像素點(diǎn)按照步驟201至步驟204的順序進(jìn)行背景建模：

步驟201：判斷所截取的圖像是否為視頻中的第一幀，若不是第一幀，則跳轉(zhuǎn)至步驟202；若是第一幀則對(duì)背景模型進(jìn)行初始化，具體過程如下：

以x表示像圖像中像素點(diǎn)的橫坐標(biāo)，以y表示圖像中素點(diǎn)的縱坐標(biāo)，以P(x，y)表示圖像中坐標(biāo)為(x，y)的像素點(diǎn)，為圖像中的每一個(gè)像素點(diǎn)P(x，y)建立一個(gè)樣本集合M(P(x，y))＝{v₁，v₂，…，v_i，…，v_N}，樣本集合M(P(x，y))初始值為隨機(jī)選取的像素點(diǎn)P(x，y)的鄰域U(P(x，y))內(nèi)N個(gè)像素點(diǎn)的灰度值，N的值小于鄰域U(P(x，y))內(nèi)像素點(diǎn)的個(gè)數(shù)，其中N表示樣本集合M(P(x，y))中元素的個(gè)數(shù)，v_i表示樣本集合M(P(x，y))中第i個(gè)元素，1≤i≤N；在圖像中的每一個(gè)像素點(diǎn)P(x，y)都建立完樣本集合后，跳轉(zhuǎn)至步驟202；

步驟202：背景點(diǎn)判斷：以V(P(x，y))表示像素點(diǎn)P(x，y)的灰度值，R表示預(yù)設(shè)的灰度值差值，將以像素點(diǎn)P(x，y)的灰度值V(P(x，y))為中心、預(yù)設(shè)的灰度值差值R為半徑的灰度值范圍表示為像素點(diǎn)P(x，y)所對(duì)應(yīng)的背景灰度區(qū)間S_R(V(P(x，y)))，若像素點(diǎn)P(x，y)的樣本集合M(P(x，y))中至少有#_min個(gè)元素在像素點(diǎn)P(x，y)所對(duì)應(yīng)的背景灰度值范圍S_R(V(P(x，y)))內(nèi)，則將素點(diǎn)P(x，y)標(biāo)記為背景點(diǎn)，否則，將像素點(diǎn)P(x，y)標(biāo)記為前景點(diǎn)，并將前景像素點(diǎn)P(x，y)的前景點(diǎn)計(jì)數(shù)器加1；其中，#_min表示預(yù)設(shè)的匹配點(diǎn)個(gè)數(shù)；標(biāo)記完圖像中所有像素點(diǎn)后跳轉(zhuǎn)至步驟203；(此處的半徑是針對(duì)在不同顏色空間中的統(tǒng)一講法，在此處，由于本發(fā)明著重在灰度空間中進(jìn)行處理，因而R著重表示簡單的像素差值。當(dāng)將本發(fā)明所述的方法類似的使用在RGB、Lab等顏色空間中處理時(shí)為顏色值的歐式距離)。

步驟203：更新背景模型：設(shè)β為時(shí)間采樣系數(shù)，對(duì)被標(biāo)記為背景點(diǎn)的像素點(diǎn)P(x，y)，以1/β的概率用灰度值V(P(x，y))替換樣本集合M(P(x，y))中的任一元素v_i，同時(shí)以1/β的概率用灰度值V(P(x，y))替換該像素點(diǎn)P(x，y)的鄰域U(P(x，y))中任意像素點(diǎn)P(x′，y′)的樣本集合M(P(x′，y′))中的任一元素；

步驟204：對(duì)后續(xù)每一幀圖像都重復(fù)按照步驟202至步驟203的順序進(jìn)行判斷，設(shè)δ為預(yù)設(shè)的活動(dòng)點(diǎn)裁判幀數(shù)，并將在連續(xù)的δ幀中都被判斷為前景點(diǎn)的像素點(diǎn)更新為活動(dòng)點(diǎn)，對(duì)其他像素點(diǎn)不作處理；去除每一幀中的活動(dòng)點(diǎn)建立每一幀的背景圖像，并跳轉(zhuǎn)至步驟3；

步驟3：形態(tài)學(xué)處理：首先以4×4的矩形結(jié)構(gòu)元對(duì)每一幀的背景圖像進(jìn)行開操作濾除椒鹽噪聲，接著以10×10的矩形結(jié)構(gòu)元對(duì)該圖像進(jìn)行閉操作彌合背景圖像中的間斷，然后跳轉(zhuǎn)至步驟4；

步驟4：運(yùn)動(dòng)分割：檢測(cè)活動(dòng)點(diǎn)區(qū)域的輪廓，并計(jì)算每個(gè)輪廓的外接最小矩形rect，當(dāng)外接最小矩形邊界rect的高度rect_height不小于高度閾值hei_th，且外接最小矩形邊界rect的寬度rect_width不小于寬度閾值wid_th時(shí)，記錄當(dāng)前檢測(cè)到的外接最小矩形參數(shù)，將計(jì)算得到的所有外接最小矩形編號(hào)為外接最小矩形rect_{1_1}至外接最小矩形rect_{k_n}，其中rect_{1_1}表示第1幀中的第1個(gè)外接最小矩形，rect_{k_n}表示第k幀中的第n個(gè)外接最小矩形，然后跳轉(zhuǎn)至5；

步驟5：區(qū)域跟蹤：分別計(jì)算每一個(gè)外接最小矩形rect_{j+1_n}與前一幀中的每一個(gè)外接最小矩形rect_{j_1}，...，rect_{j_m}的面積重合率其中interrect表示兩個(gè)外接最小矩形之間重合的面積，maxrect表示兩個(gè)外接最小矩形相比較大的外接最小矩形的面積；若兩個(gè)外接最小矩形之間的面積重合率ratio≥0.5，則認(rèn)為這兩個(gè)外接最小矩形相匹配并記錄這兩個(gè)外接最小矩形以及這兩個(gè)外接最小矩形之間的匹配關(guān)系，然后跳轉(zhuǎn)至步驟6；

步驟6：區(qū)域連續(xù)性判斷：根據(jù)步驟5中得到的匹配關(guān)系，將在連續(xù)五幀內(nèi)都存在匹配關(guān)系的外接最小矩形所在區(qū)域?yàn)檫B續(xù)運(yùn)動(dòng)區(qū)域，并跳轉(zhuǎn)至步驟7，否則跳轉(zhuǎn)至步驟2；

步驟7：特征提取：通過二維小波變換提取運(yùn)動(dòng)區(qū)域所對(duì)應(yīng)的圖像部分的高頻能量；并且，根據(jù)運(yùn)動(dòng)區(qū)域的輪廓周長Per和輪廓面積Squ計(jì)算運(yùn)動(dòng)區(qū)域的圓度特征Compactness＝Per²/4πSqu；同時(shí)，將運(yùn)動(dòng)區(qū)域設(shè)為一個(gè)窗口，將窗口分別向左上、上、右上、左、原位置、右、左下、下、右下九個(gè)方向平移一個(gè)像素，以窗口中像素點(diǎn)替換原圖像中的像素點(diǎn)，并分別計(jì)算將窗口向左上、上、右上、左、原位置、右、左下、下、右下九個(gè)方向移動(dòng)后圖像中每個(gè)像素點(diǎn)的灰度值與前一幀中對(duì)應(yīng)位置的像素點(diǎn)的灰度值的差值，然后計(jì)算將窗口向左上、上、右上、左、原位置、右、左下、下、右下九個(gè)方向移動(dòng)后圖像中所有像素點(diǎn)灰度值差值的平方和，判定使得灰度值差值的平方和最小的窗口移動(dòng)方向，將此移動(dòng)方向設(shè)為煙霧的主運(yùn)動(dòng)方向；

步驟8：煙霧判斷：根據(jù)高頻能量、圓度特征以及運(yùn)動(dòng)方向調(diào)用訓(xùn)練好的煙霧識(shí)別模型判斷對(duì)應(yīng)運(yùn)動(dòng)區(qū)域是否為煙霧區(qū)域，若是則用紅色方框標(biāo)記，否則回到步驟2。

其中，所述的步驟8中的煙霧識(shí)別模型通過使用支持向量分類器(Support Vector Machine，SVM)對(duì)測(cè)試視頻進(jìn)行訓(xùn)練而得到，SVM分類器中，SVM類型設(shè)置為C類支持向量分類機(jī)(C_SVC)，核函數(shù)選取徑向基核函數(shù)，最大迭代次數(shù)為100。

其中，所述的步驟7中，通過二維小波變換提取運(yùn)動(dòng)區(qū)域所對(duì)應(yīng)的圖像部分的高頻能量的具體步驟如下：

步驟7.1.1：調(diào)整圖像大小：若運(yùn)動(dòng)區(qū)域所對(duì)應(yīng)的圖像的高度和寬度的像素值都是偶數(shù)，則不對(duì)運(yùn)動(dòng)區(qū)域圖像進(jìn)行調(diào)整，否則通過增加一列像素或一行像素，將運(yùn)動(dòng)區(qū)域圖像的高度和寬度的像素值都調(diào)整為偶數(shù)；

步驟7.1.2：提升小波變換：分別在調(diào)整后運(yùn)動(dòng)區(qū)域的垂直方向上按照奇偶分離、預(yù)測(cè)和更新的順序進(jìn)行計(jì)算，具體步驟如下：

奇偶分離：將調(diào)整后的運(yùn)動(dòng)區(qū)域圖像的像素點(diǎn)分成偶數(shù)列E＝{E_p|p＝1，2，3，...，r/2}和奇數(shù)列O＝{O_q|q＝1，2，3，...，r/₂}，其中r為調(diào)整后的運(yùn)動(dòng)區(qū)域圖像所包含像素點(diǎn)的列數(shù)，E_p表示第p列偶數(shù)列，O_q表示第q列奇數(shù)列；

預(yù)測(cè)：計(jì)算奇數(shù)列的預(yù)測(cè)值p＝r/2時(shí)并計(jì)算奇數(shù)列的實(shí)際值與奇數(shù)列的預(yù)測(cè)值之間的差值

更新：選取更行算子q＝1時(shí)U₁＝U₂，則圖像的低頻部分E′＝E+U；fRadius表示頻帶系數(shù)，取值為最后得到垂直方向上的高頻成分垂直方向上的低頻成分E″＝E′×fRadius；

將得到的垂直方向上的高頻成分O″和垂直方向上的低頻成分E″按照的順序進(jìn)行拼接，形成垂直方向上變換后的結(jié)果。對(duì)垂直方向上變換后的結(jié)果在水平方向上同樣按照奇偶分離、預(yù)測(cè)和更新的順序進(jìn)行與垂直方向上相對(duì)應(yīng)的計(jì)算，完成水平方向上的計(jì)算后按照與垂直方向上相對(duì)應(yīng)的方式將水平方向上的高頻成分和水平方向上的高頻成分進(jìn)行拼接，形成小波變換后的運(yùn)動(dòng)區(qū)域圖像Pic。這里，水平方向上的計(jì)算過程如下：

奇偶分離：將進(jìn)行完垂直方向變換后的圖像的像素點(diǎn)分成偶數(shù)行EE＝{EE_p|p＝1，2，3，...，rr/2}和奇數(shù)列OO＝{OO_q|q＝1，2，3，...，rr/2}，其中rr為調(diào)整后的運(yùn)動(dòng)區(qū)域圖像所包含像素點(diǎn)的行數(shù)，EE_p表示第p行偶數(shù)行，OO_q表示第q行奇數(shù)行；

預(yù)測(cè)：計(jì)算奇數(shù)列的預(yù)測(cè)值并計(jì)算奇數(shù)列的實(shí)際值與奇數(shù)列的預(yù)測(cè)值之間的差值OO′＝OO-OOP＝{OO′_q|q＝1，2，3，...，rr/2}

更新：選取更行算子則圖像的低頻部分EE′＝EE+UU；fRadius表示頻帶系數(shù)，取值為最后得到水平方向上的高頻成分和水平方向上的低頻成分EE″＝EE′×fRadius；

在完成水平方向上的計(jì)算后，將最終得到的OO″和EE″按照的順序進(jìn)行拼接，形成小波變換后的運(yùn)動(dòng)區(qū)域圖像Pic；

步驟7.1.3：Pic_u，v表示小波變換后運(yùn)動(dòng)區(qū)域圖像中坐標(biāo)為(u，v)的像素點(diǎn)的像素值，W表示調(diào)整后的運(yùn)動(dòng)區(qū)域圖像的寬度，H表示調(diào)整后的運(yùn)動(dòng)區(qū)域圖像的高度，則小波變換后的圖像Pic的高頻能量值為

其中，所述的步驟201中，所述鄰域具體選擇為24鄰域，N取值為20；步驟202中，預(yù)設(shè)的灰度值差值R取20，預(yù)設(shè)的匹配點(diǎn)個(gè)數(shù)#_min為2；步驟203中，時(shí)間采樣系數(shù)β為16；步驟204中，前景點(diǎn)計(jì)數(shù)器預(yù)設(shè)的閾值δ為50；步驟4中，高度閾值hei_th和寬度閾值wid_th均為8。

其中，所述的步驟5中，用包含外接最小矩形rect和編號(hào)Flag的結(jié)構(gòu)體FRect表示對(duì)應(yīng)的外接最小矩形rect以及其在上一幀中對(duì)應(yīng)矩形的編號(hào)，F(xiàn)lag的初始值為-1，若步驟5中判斷兩個(gè)外接最小矩形rect_{j+1_n}與rect_{j_m}匹配則將rect_{j+1_n}對(duì)應(yīng)的Flag值改為所匹配的外接最小矩形rect_{j_m}的標(biāo)號(hào)m；否則不對(duì)Flag的值進(jìn)行處理。

有益效果：與現(xiàn)有發(fā)明比，本發(fā)明具有如下優(yōu)點(diǎn)：

1)針對(duì)森林環(huán)境下光照隨時(shí)間變化的情況：森林煙火探測(cè)屬于戶外煙霧探測(cè)，光照條件變化多端導(dǎo)致背景圖像的多變，只有不斷地對(duì)背景模型進(jìn)行更新才能保證運(yùn)動(dòng)檢測(cè)的準(zhǔn)確性，因此對(duì)背景建模的速度有較高要求。目前常用的運(yùn)動(dòng)檢測(cè)方法有光流法和高斯混合模型，但光流法需要通過光流約束方程求解每一個(gè)像素點(diǎn)的運(yùn)動(dòng)矢量、高斯混合模型需要通過迭代求解模型參數(shù)，這些方法計(jì)算量相對(duì)較大，使得背景更新速度緩慢。由于森林環(huán)境下對(duì)背景更新的速度與煙霧識(shí)別的準(zhǔn)確性均有較高要求，本專利采用對(duì)視頻中的每一幀圖像進(jìn)行單獨(dú)處理，同時(shí)將改進(jìn)的ViBe算法應(yīng)用于對(duì)森林環(huán)境下的煙霧識(shí)別場景中，只需對(duì)圖像進(jìn)行簡單的差值和比較運(yùn)算就可以快速地進(jìn)行背景更新。

2)Vibe算法在視頻的第一幀中通過隨機(jī)聚類從每一個(gè)像素點(diǎn)的八鄰域中采集20個(gè)樣本建立初始化模型，并將新的樣本值與樣本集進(jìn)行比較來判斷背景點(diǎn)，能夠進(jìn)行快速的運(yùn)動(dòng)檢測(cè)；但用于現(xiàn)有的Vibe算法在初始化像素點(diǎn)的樣本集時(shí)需要從八鄰域中隨機(jī)選取20個(gè)樣本，這樣，每個(gè)樣本至少被重復(fù)選取2次，樣本選取過于集中，因而會(huì)增加像素分類出現(xiàn)錯(cuò)誤的概率。本方法增加鄰域內(nèi)像素點(diǎn)數(shù)量，保證樣本選取不會(huì)出現(xiàn)重復(fù)，尤其從像素點(diǎn)的24鄰域中選取20個(gè)樣本這樣的選擇更適應(yīng)于森林環(huán)境中對(duì)煙霧的檢測(cè)。本方法同時(shí)延用隨機(jī)選取策略，在保持快速檢測(cè)的同時(shí)避免了樣本的重復(fù)選取，提高了運(yùn)動(dòng)檢測(cè)的準(zhǔn)確性。(8鄰域以及24鄰域均為本領(lǐng)域標(biāo)準(zhǔn)術(shù)語)

3)針對(duì)空氣流動(dòng)引起樹葉抖動(dòng)造成誤判的情況，本方法利用步驟2中的活動(dòng)點(diǎn)裁判幀數(shù)，在連續(xù)多幀圖像中，只有當(dāng)同一像素點(diǎn)在連續(xù)的δ幀中都被檢測(cè)為運(yùn)動(dòng)點(diǎn)時(shí)，才判定它屬于樹葉抖動(dòng)情況并置為背景點(diǎn)，即，僅對(duì)達(dá)到連續(xù)δ幀內(nèi)都判斷為前景點(diǎn)的像素點(diǎn)進(jìn)行活動(dòng)點(diǎn)的更新。這樣進(jìn)一步減少了對(duì)煙霧的漏判。

4)針對(duì)飛鳥、汽車等其它容易引起誤判的干擾運(yùn)動(dòng)物體，由于這些干擾物大多以固定的姿態(tài)沿一定方向進(jìn)行平移，而煙霧的運(yùn)動(dòng)方式是圍繞著著火點(diǎn)隨著空氣流動(dòng)而緩慢擴(kuò)散的。而同時(shí)，煙霧的擴(kuò)散會(huì)對(duì)森林背景造成遮擋，對(duì)圖像進(jìn)行小波變換后，遮擋部分的高頻成分會(huì)產(chǎn)生銳減，而煙霧邊緣線條不平滑、煙霧在熱氣推動(dòng)下整體呈上升趨勢(shì)。因此，為減少剛性運(yùn)動(dòng)物體引起的誤判，本專利對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行區(qū)域跟蹤，結(jié)合運(yùn)動(dòng)目標(biāo)的連續(xù)性條件和連續(xù)多幀內(nèi)的小波變換后的圖像的高頻成分，圓度特征compactness，運(yùn)動(dòng)方向等動(dòng)靜態(tài)特征建立煙霧識(shí)別模型，作為煙霧判斷的依據(jù)。為提高判斷的準(zhǔn)確性，本方法中還進(jìn)一步采用支持向量機(jī)對(duì)大量已知的視頻進(jìn)行訓(xùn)練，以建立更為可靠的煙霧識(shí)別模型。在進(jìn)行煙霧判斷時(shí)，通過高頻能量、圓度特征以及運(yùn)動(dòng)方向三個(gè)特征之間的非線性關(guān)系，進(jìn)一步提高模型的泛化能力，提高判斷的精確度。

本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實(shí)施本發(fā)明而了解。

附圖說明

附圖用來提供對(duì)本發(fā)明的進(jìn)一步理解，并且構(gòu)成說明書的一部分，并與本發(fā)明的實(shí)施例一起，用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的限制。在附圖中：

圖1是整個(gè)系統(tǒng)的流程圖；

圖2是運(yùn)動(dòng)檢測(cè)流程圖；

圖3是區(qū)域跟蹤具體流程圖；

圖4是高頻能量特征提取流程圖；

圖5是利用本發(fā)明進(jìn)行煙霧檢測(cè)結(jié)果圖。

圖6是本發(fā)明形態(tài)學(xué)處理過程中進(jìn)行開操作的4×4矩形結(jié)構(gòu)元的示意圖；

圖7是本發(fā)明形態(tài)學(xué)處理過程中進(jìn)行閉操作的10×10矩形結(jié)構(gòu)元的示意圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行說明，應(yīng)當(dāng)理解，此處所描述的優(yōu)選實(shí)施例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。

圖1為本發(fā)明所述基于視頻圖像分析的森林煙火檢測(cè)方法的整體流程，本方法按照以下步驟對(duì)視頻圖像進(jìn)行煙霧檢測(cè)：

步驟1：視頻圖像預(yù)處理：按照視頻中的幀數(shù)，每次按時(shí)間順序截取視頻中的一幀圖像，將圖像轉(zhuǎn)換為灰度圖像后依次按照步驟2至步驟8的順序進(jìn)行處理。本實(shí)施例中通過網(wǎng)絡(luò)攝像機(jī)對(duì)森林地區(qū)進(jìn)行監(jiān)控，網(wǎng)絡(luò)攝像機(jī)拍攝的視頻通過無線網(wǎng)絡(luò)傳輸?shù)揭曨l處理服務(wù)器進(jìn)行煙霧檢測(cè)。為進(jìn)一步減輕計(jì)算量可以通過人工手段截取視頻中的森林區(qū)域，以排除云朵對(duì)后期識(shí)別的干擾。

步驟2：參照附圖2進(jìn)行背景建模：利用根據(jù)Vibe算法改進(jìn)后的EViBe方法按照步驟201至步驟204的順序進(jìn)行背景建模：

步驟201：判斷所截取的圖像是否為視頻中的第一幀，若不是第一幀，則跳轉(zhuǎn)至步驟202；若是第一幀則對(duì)背景模型進(jìn)行初始化，具體過程如下：

以x表示圖像中像素點(diǎn)的橫坐標(biāo)，以y表示圖像中像素的縱坐標(biāo)，以P(x，y)表示圖像中坐標(biāo)為(x，y)的像素點(diǎn)，為圖像中的每一個(gè)像素點(diǎn)P(x，y)建立一個(gè)樣本集合M(P(x，y))＝{v₁，v₂，…，v_i，…，v_N}，樣本集合M(P(x，y))初始值為隨機(jī)選取的像素點(diǎn)P(x，y)的鄰域U(P(x，y))內(nèi)N個(gè)像素點(diǎn)的灰度值，N的值小于鄰域U(P(x，y))內(nèi)像素點(diǎn)的個(gè)數(shù)，其中N表示樣本集合M(P(x，y))中元素的個(gè)數(shù)，v_i表示樣本集合M(P(x，y))中第i個(gè)元素，1≤i≤N；其初始值為隨機(jī)選取的像素點(diǎn)P(x，y)的24鄰域內(nèi)N＝20個(gè)像素點(diǎn)的灰度值；在圖像中的每一個(gè)像素點(diǎn)P(x，y)都建立完樣本集合后，跳轉(zhuǎn)至步驟202；

步驟202：背景點(diǎn)判斷：以V(P(x，y))表示像素點(diǎn)P(x，y)的灰度值，R表示預(yù)設(shè)的灰度值差值，將以像素點(diǎn)P(x，y)的灰度值V(P(x，y))為中心、預(yù)設(shè)的灰度值差值R為半徑的灰度值范圍表示為像素點(diǎn)P(x，y)所對(duì)應(yīng)的背景灰度區(qū)間S_R(V(P(x，y)))，若像素點(diǎn)P(x，y)的樣本集合M(P(x，y))中至少有#_min個(gè)元素在像素點(diǎn)P(x，y)所對(duì)應(yīng)的背景灰度區(qū)間S_R(V(P(x，y)))內(nèi)，則將素點(diǎn)P(x，y)標(biāo)記為背景點(diǎn)，否則，將像素點(diǎn)P(x，y)標(biāo)記為前景點(diǎn)，并將前景素點(diǎn)P(x，y)的前景點(diǎn)計(jì)數(shù)器加1；其中，#_min表示預(yù)設(shè)的匹配點(diǎn)個(gè)數(shù)；標(biāo)記完圖像中所有像素點(diǎn)后跳轉(zhuǎn)至步驟203；

此處的半徑是針對(duì)在不同顏色空間中的統(tǒng)一講法，本實(shí)施例中在灰度空間中處理圖像，因而半徑R實(shí)際上是指一維的灰度空間中的像素差值。當(dāng)本發(fā)明所述方法應(yīng)用在RGB、Lab等顏色空間中處理時(shí)，由于像素值實(shí)際上由三維的數(shù)組表示，因而這種環(huán)境下以顏色值的歐式距離表示背景色彩范圍更為合適。

步驟203：更新背景模型：設(shè)β為時(shí)間采樣系數(shù)，對(duì)所有被標(biāo)記為背景點(diǎn)的像素點(diǎn)P(x，y)，以1/β的概率用灰度值V(P(x，y))替換樣本集合M(P(x，y))中的任一元素v_i，同時(shí)以1/β的概率用灰度值V(P(x，y))替換該像素點(diǎn)P(x，y)的空間鄰域U(P(x，y))中任意像素點(diǎn)P(x′，y′)的樣本集合M(P(x′，y′))中的任一元素；

步驟204：對(duì)后續(xù)每一幀圖像都重復(fù)按照步驟202至步驟203的順序進(jìn)行判斷，設(shè)δ為預(yù)設(shè)的活動(dòng)點(diǎn)裁判幀數(shù)，并將在連續(xù)的δ幀中都被判斷為前景點(diǎn)的像素點(diǎn)更新為活動(dòng)點(diǎn)，對(duì)其他像素點(diǎn)不作處理；去除每一幀中的活動(dòng)點(diǎn)建立每一幀的背景圖像，并跳轉(zhuǎn)至步驟3。

本發(fā)明的背景建模方法相對(duì)于現(xiàn)有的背景建模技術(shù)而言，將現(xiàn)有的對(duì)某個(gè)明確的像素模型的訓(xùn)練和建模替換為為每一個(gè)背景點(diǎn)建立一個(gè)樣本集合，將當(dāng)前像素點(diǎn)的像素值與其樣本集合內(nèi)的點(diǎn)進(jìn)行比較，當(dāng)兩者取值接近則判斷該點(diǎn)為背景點(diǎn)。這樣的改進(jìn)可以減少對(duì)現(xiàn)有技術(shù)中通過光流約束方程求解每一個(gè)像素點(diǎn)的運(yùn)動(dòng)矢量或者通過迭代求解模型參數(shù)而產(chǎn)生的龐大計(jì)算量。由于本方法計(jì)算量明顯降低，因而可以加快背景更新速度，進(jìn)而提高檢測(cè)的準(zhǔn)確性。此處，步驟202中，預(yù)設(shè)的灰度值差值R取20，預(yù)設(shè)的匹配點(diǎn)個(gè)數(shù)#_min為2；步驟203中，時(shí)間采樣系數(shù)β為16；步驟204中，針對(duì)空氣流動(dòng)引起樹葉抖動(dòng)造成誤判的情況，本方法通過設(shè)立計(jì)數(shù)器δ，在連續(xù)多幀圖像中，只有當(dāng)同一像素點(diǎn)在連續(xù)的δ幀中都被檢測(cè)為運(yùn)動(dòng)點(diǎn)時(shí)，才判定它屬于樹葉抖動(dòng)情況并置為背景點(diǎn)，從而進(jìn)一步減少對(duì)煙霧的誤判。前景點(diǎn)計(jì)數(shù)器預(yù)設(shè)的閾值δ為50。

步驟3：形態(tài)學(xué)處理：首先以4×4的矩形結(jié)構(gòu)元對(duì)每一幀的背景圖像進(jìn)行開操作濾除椒鹽噪聲，接著以10×10的矩形結(jié)構(gòu)元對(duì)該圖像進(jìn)行閉操作彌合前景圖像中的間斷，然后跳轉(zhuǎn)至步驟4。其中，4×4的矩形結(jié)構(gòu)元，以及10×10的矩形結(jié)構(gòu)元分別如附圖6和附圖7所示。

步驟4：運(yùn)動(dòng)分割：檢測(cè)前景點(diǎn)區(qū)域的輪廓，并計(jì)算輪廓的外接最小矩形邊界rect，當(dāng)外接最小矩形邊界rect的高度rect_height不小于高度閾值hei_th，且外接最小矩形邊界rect的寬度rect_width不小于寬度閾值wid_th時(shí)，記錄當(dāng)前檢測(cè)到的外接最小矩形參數(shù)，將計(jì)算得到的所有外接最小矩形編號(hào)為外接最小矩形rect_{1_1}至外接最小矩形rect_{k_n}，其中rect_{1_1}表示第1幀中的第1個(gè)外接最小矩形，rect_{k_n}表示第k幀中的第n個(gè)外接最小矩形，然后跳轉(zhuǎn)至5。此處的高度閾值hei_th和寬度閾值wid_th均取為8。

步驟5：區(qū)域跟蹤：分別計(jì)算每一個(gè)外接最小矩形rect_{j+1_n}與前一幀中的每一個(gè)外接最小矩形rect_{j_1}，...，rect_{j_m}的面積重合率其中interrect表示兩個(gè)外接最小矩形之間重合的面積，maxrect表示兩個(gè)外接最小矩形之間較大的外接最小矩形的面積；若兩個(gè)外接最小矩形之間的面積重合率ratio之0.5，則認(rèn)為這兩個(gè)外接最小矩形相匹配并記錄這兩個(gè)外接最小矩形以及這兩個(gè)外接最小矩形之間的匹配關(guān)系，然后跳轉(zhuǎn)至步驟6。

進(jìn)一步的，結(jié)合附圖3，在此處可以用包含外接最小矩形rect和編號(hào)Flag的結(jié)構(gòu)體FRect表示對(duì)應(yīng)的外接最小矩形rect以及其在上一幀中對(duì)應(yīng)矩形的編號(hào)，F(xiàn)lag的初始值為-1，若步驟5中判斷兩個(gè)外接最小矩形rect_{j+1_n}與rect_{j_m}匹配則將rect_{j+1_n}對(duì)應(yīng)的Flag值改為對(duì)應(yīng)的編號(hào)m；否則不對(duì)Flag的值進(jìn)行處理。

步驟6：區(qū)域連續(xù)性判斷：根據(jù)步驟5中得到的匹配關(guān)系，將在連續(xù)五幀內(nèi)都存在匹配關(guān)系的外接最小矩形所在區(qū)域判定為運(yùn)動(dòng)區(qū)域，并跳轉(zhuǎn)至步驟7，否則跳轉(zhuǎn)至步驟2。

步驟7：特征提?。和ㄟ^二維小波變換提取運(yùn)動(dòng)區(qū)域所對(duì)應(yīng)的圖像部分的高頻能量；并且，根據(jù)運(yùn)動(dòng)區(qū)域的輪廓周長Per和輪廓面積Squ計(jì)算運(yùn)動(dòng)區(qū)域的圓度特征Compactness＝Per²/4πSqu；同時(shí)，將運(yùn)動(dòng)區(qū)域設(shè)為一個(gè)窗口，將窗口分別向左上、上、右上、左、原位置、右、左下、下、右下九個(gè)方向平移一個(gè)像素，以窗口中像素點(diǎn)替換原圖像中的像素點(diǎn)，并分別計(jì)算將窗口向左上、上、右上、左、原位置、右、左下、下、右下九個(gè)方向移動(dòng)后圖像中每個(gè)像素點(diǎn)的灰度值與前一幀中對(duì)應(yīng)位置的像素點(diǎn)的灰度值的差值，然后計(jì)算將窗口向左上、上、右上、左、原位置、右、左下、下、右下九個(gè)方向移動(dòng)后圖像中所有像素點(diǎn)灰度值差值的平方和，判定使得灰度值差值的平方和最小的窗口移動(dòng)方向，將此移動(dòng)方向設(shè)為煙霧的主運(yùn)動(dòng)方向，并將左上、上、右上、左、不動(dòng)、右、左下、下、右下九個(gè)方向分別用數(shù)字1～9進(jìn)行編號(hào)；

步驟8：煙霧判斷：根據(jù)高頻能量、圓度特征以及運(yùn)動(dòng)方向調(diào)用訓(xùn)練好的煙霧識(shí)別模型判斷對(duì)應(yīng)運(yùn)動(dòng)區(qū)域是否為煙霧區(qū)域，若是則用紅色方框標(biāo)記，否則回到步驟2。

為減少飛鳥、汽車等剛性運(yùn)動(dòng)物體引起的誤判，本方法在步驟8進(jìn)行煙霧判斷時(shí)會(huì)根據(jù)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行的區(qū)域跟蹤，結(jié)合運(yùn)動(dòng)目標(biāo)的連續(xù)性條件和連續(xù)N幀內(nèi)的小波變換后的圖像高頻成分，compactness，運(yùn)動(dòng)方向等動(dòng)靜態(tài)特征建立煙霧識(shí)別模型，作為煙霧判斷的依據(jù)。為提高判斷的準(zhǔn)確性，本方法中還進(jìn)一步采用支持向量機(jī)對(duì)大量已知的視頻進(jìn)行訓(xùn)練，以建立更為可靠的煙霧識(shí)別模型。在進(jìn)行煙霧判斷時(shí)，通過高頻能量、圓度特征以及運(yùn)動(dòng)方向三個(gè)特征之間的非線性關(guān)系，進(jìn)一步提高模型的泛化能力，提高判斷的精確度。

因而，步驟8中的煙霧識(shí)別模型進(jìn)一步的，還可以通過使用支持向量分類器(Support Vector Machine，SVM)對(duì)測(cè)試視頻進(jìn)行訓(xùn)練而得到，SVM分類器中，SVM類型設(shè)置為C類支持向量分類機(jī)(C_SVC)，核函數(shù)選取徑向基核函數(shù)，最大迭代次數(shù)為100。

所述的步驟7中，通過二維小波變換提取運(yùn)動(dòng)區(qū)域所對(duì)應(yīng)的圖像部分的高頻能量的具體步驟如下：

步驟7.1.1：調(diào)整圖像大?。喝暨\(yùn)動(dòng)區(qū)域所對(duì)應(yīng)的圖像的高度和寬度的像素值都是偶數(shù)，則不對(duì)運(yùn)動(dòng)區(qū)域圖像進(jìn)行調(diào)整，否則通過增加一列像素或一行像素，將運(yùn)動(dòng)區(qū)域圖像的高度和寬度的像素值都調(diào)整為偶數(shù)；

步驟7.1.2：提升小波變換：分別在調(diào)整后運(yùn)動(dòng)區(qū)域的垂直方向上按照奇偶分離、預(yù)測(cè)和更新的順序進(jìn)行計(jì)算，具體步驟如下：

奇偶分離：將調(diào)整后的運(yùn)動(dòng)區(qū)域圖像的像素點(diǎn)分成偶數(shù)列E＝{E_p|p＝1，2，3，...，r/2}和奇數(shù)列O＝{O_q|q＝1，2，3，...，r/2}，其中r為調(diào)整后的運(yùn)動(dòng)區(qū)域圖像所包含像素點(diǎn)的列數(shù)，E_p表示第p列偶數(shù)列，O_q表示第q列奇數(shù)列；

預(yù)測(cè)：計(jì)算奇數(shù)列的預(yù)測(cè)值p＝r/2時(shí)并計(jì)算奇數(shù)列的實(shí)際值與奇數(shù)列的預(yù)測(cè)值之間的差值O′＝O-OP＝{O′_q|q＝1，2，3，...，r/2}

更新：選取更行算子q＝1時(shí)U₁＝U₂，則圖像的低頻部分E′＝E+U；fRadius表示頻帶系數(shù)，取值為最后E"＝E′×fRadius；

將得到的O″和E″按照的順序進(jìn)行拼接，形成垂直方向上變換后的結(jié)果，對(duì)垂直方向上變換后的結(jié)果在水平方向上同樣按照奇偶分離、預(yù)測(cè)和更新的順序進(jìn)行與垂直方向上相對(duì)應(yīng)的計(jì)算，完成水平方向上的計(jì)算后按照與垂直方向上相對(duì)應(yīng)的方式將水平方向上的高頻成分和水平方向上的高頻成分進(jìn)行拼接，形成小波變換后的運(yùn)動(dòng)區(qū)域圖像Pic。水平方向上的計(jì)算過程如下：

奇偶分離：將進(jìn)行完垂直方向變換后的圖像的像素點(diǎn)分成偶數(shù)行EE＝{EE_p|p＝1，2，3，...，rr/2}和奇數(shù)列OO＝{OO_q|q＝1，2，3，...，rr/2}，其中rr為調(diào)整后的運(yùn)動(dòng)區(qū)域圖像所包含像素點(diǎn)的行數(shù)，EE_p表示第p行偶數(shù)行，OO_q表示第q行奇數(shù)行；

預(yù)測(cè)：計(jì)算奇數(shù)列的預(yù)測(cè)值并計(jì)算奇數(shù)列的實(shí)際值與奇數(shù)列的預(yù)測(cè)值之間的差值OO′＝OO-OOP＝{OO′_q|q＝1，2，3，...，rr/2}

更新：選取更行算子則圖像的低頻部分EE′＝EE+UU；fRadius表示頻帶系數(shù)，取值為最后EE″＝EE′×fRadius；

在完成水平方向上的計(jì)算后，將最終得到的OO″和EE″按照的順序進(jìn)行拼接，形成小波變換后的運(yùn)動(dòng)區(qū)域圖像Pic；

步驟7.1.3：Pic_u，v表示小波變換后運(yùn)動(dòng)區(qū)域圖像中坐標(biāo)為(u，v)的像素點(diǎn)的像素值，W表示調(diào)整后的運(yùn)動(dòng)區(qū)域圖像的寬度，H表示調(diào)整后的運(yùn)動(dòng)區(qū)域圖像的高度，則小波變換后的圖像Pic的高頻能量值為

在應(yīng)用試驗(yàn)中，對(duì)大量煙霧視頻進(jìn)行測(cè)試，圖5是幀大小為320*240的煙霧視頻中一幀含煙霧圖像識(shí)別結(jié)果，可以看出本發(fā)明能夠準(zhǔn)確識(shí)別煙霧。

現(xiàn)有的檢測(cè)方法中雖然也有通過Vibe技術(shù)進(jìn)行背景建模進(jìn)而進(jìn)行運(yùn)動(dòng)檢測(cè)的方法，但其所采用的Vibe算法需要在像素點(diǎn)的八鄰域內(nèi)隨機(jī)選取樣本集合里的20個(gè)樣本值，樣本中不可避免會(huì)出現(xiàn)重復(fù)選取的現(xiàn)象，而重復(fù)選取樣本會(huì)增加像素錯(cuò)誤分類的概率，進(jìn)而影響煙霧識(shí)別的準(zhǔn)確率。而本發(fā)明所設(shè)計(jì)的Vibe算法在視頻的第一幀中通過隨機(jī)聚類從每一個(gè)像素點(diǎn)的24鄰域中采集20個(gè)樣本建立初始化模型，并將新的樣本值與樣本集進(jìn)行比較來判斷背景點(diǎn)，同時(shí)延用隨機(jī)選取策略，在保持快速檢測(cè)的同時(shí)避免了樣本的重復(fù)選取，進(jìn)一步提高了運(yùn)動(dòng)檢測(cè)的準(zhǔn)確性。

本領(lǐng)域普通技術(shù)人員可以理解：以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，對(duì)于本領(lǐng)域的技術(shù)人員來說，其依然可以對(duì)前述各實(shí)施例記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。