一種基于密集尺度不變特征轉(zhuǎn)換字典學習的高精度火災火焰檢測方法
【技術領域】
[0001] 本發(fā)明涉及圖像處理技術領域，尤其涉及一種基于密集尺度不變特征轉(zhuǎn)換（Dense ScaleInvariantFeatureTransform，Dense_SIFT)[1]字典學習的實時火災火焰檢測方法。
【背景技術】
[0002] 樓宇建筑的火災會造成生命、財產(chǎn)的重大損失。傳統(tǒng)的火災檢測技術一般是基于 感煙和感溫的。目前基于計算機視覺的火災探測技術可直接利用現(xiàn)有視頻監(jiān)控系統(tǒng)所獲得 的視頻信息，具有非接觸式、準確性高、成本低、檢測范圍大、結(jié)果直觀、適用多種場合等優(yōu) 勢，應用前景十分廣闊。圖像火災火焰檢測技術一般是在獲取監(jiān)控視頻，對圖像進行去噪、 增強等預處理基礎上，提取火焰的靜態(tài)、動態(tài)特征，然后運用模式識別等技術加以分類識 別。
[0003] 在公開號為CN101515326A的專利中，謝迪提出了一種適用于識別和檢測大空間 火災火焰的方法，具體為：先高斯平滑每一幀輸入視頻來濾除噪音，然后用固定閾值的時域 差分法檢測視頻中的運動目標，再通過圖像RGB分量提取具有火焰顏色的像素。之后把符 合火焰特征且相互連接的像素點組成連通區(qū)域，進行頻域分析，計算周長和面積，通過形狀 和面積變化判斷是否有火焰。固定閾值的時域差分法，對實際應用中常出現(xiàn)的陰影、遮擋和 背景擾動問題，各幀視頻間的背景像素灰度會發(fā)生較大變化，因此檢測準確率不高。方法雖 然運用了火焰面積改變量動態(tài)特征，但沒有結(jié)合火焰的閃動頻率。另外，方法沒有使用更好 的模式識別技術，容易誤檢。
[0004] 在"基于顏色模型和稀疏表示的圖像型火焰探測"論文中[2]，馬宗方等基于HSI顏 色模型的自然直觀性，利用其提取疑似區(qū)域，建立稀疏表示模型。該方法包括三部分：首先 在HSI空間建立顏色模型對火災圖像進行預處理，提取出疑似區(qū)域，然后建立稀疏表示模 型，用主成分分析方法構造火焰和疑似火焰物體的特征字典，最后利用最小-范數(shù)方法計 算測試樣本與訓練樣本的最小逼近殘差，實現(xiàn)火焰和干擾物體的分類識別。雖然該方法無 需大量訓練樣本進行學習與參數(shù)優(yōu)化，但在字典有限的情況下，易出現(xiàn)過擬合，盡管對訓練 樣本檢測效果較好，但對真實樣本檢測效果并不好，容易誤判，更難以實現(xiàn)復雜環(huán)境實時檢 測。

【發(fā)明內(nèi)容】

[0005] 根據(jù)現(xiàn)有技術存在的問題，本發(fā)明公開了一種基于Dense-SIFT字典學習的實時 火災火焰檢測方法，包括以下步驟：
[0006]S1 :對視頻流進行運動檢測獲取運動目標：基于運動目標檢測背景減除法的改進 型視覺背景提取（VisualBackgroundextractor，ViBe)[3]算法，根據(jù)鄰域像素間的空間分 布相關性，運用尺度不變局部三值模式（ScaleInvariantLocalTernaryPattern，SILTP) [4]提取特征，對視頻流進行運動檢測獲得運動目標；
[0007] S2 :進行顏色檢測，獲取具有火焰特征的目標：對S1獲得的運動目標的HSI顏色 特征判斷，獲得具有火焰特征顏色的像素；
[0008]S3:對符合運動檢測和顏色檢測的像素進行空域上形態(tài)特征判別：提取S2獲得的 可能火焰目標像素區(qū)域的Dense-SIFT特征，利用離線訓練好的火焰字典進行編碼，使用支 持向量機（SupportVectorMachine，SVM)分類器判定；
[0009]S4:對上述獲取的目標結(jié)合時域上閃爍特征綜合判別：在S3進行空域形態(tài)特征檢 測的基礎上，結(jié)合時域動態(tài)閃爍特征，計算火焰像素點的個數(shù)與設定的閾值比較，綜合判定 實現(xiàn)對火焰的檢測。
[0010] S1中具體采用如下方式：
[0011] S11 :取視頻序列中第一幀圖像，定義每個像素的紅、綠、藍分量分別為R、G、B，利 用平均值法計算每個像素點（x，y)的灰度值I:
【主權項】
1. 一種基于密集尺度不變特征轉(zhuǎn)換字典學習的高精度火災火焰檢測方法，其特征在 于：包括以下步驟： 51 :對視頻流進行運動檢測獲取運動目標：基于改進型視覺背景提取算法、根據(jù)鄰域 像素間的空間分布相關性、運用尺度不變局部三值模式提取特征對視頻流進行運動檢測獲 得運動目標； 52 :進行顏色檢測獲取具有火焰特征的目標：對S1獲得的運動目標的HSI顏色特征判 斷，獲得具有火焰特征顏色的像素； 53 :對符合運動檢測和顏色檢測的像素進行空域上形態(tài)特征判別：提取S2獲得的可能 火焰目標像素區(qū)域的Dense-SIFT特征，利用離線訓練好的火焰字典進行編碼，使用支持向 量機分類器判定； 54 :對上述獲取的目標結(jié)合時域上閃爍特征綜合判別：在S3進行空域形態(tài)特征檢測的 基礎上，結(jié)合時域動態(tài)閃爍特征，計算火焰像素點的個數(shù)與設定的閾值比較，綜合判定實現(xiàn) 對火焰的檢測。
2. 根據(jù)權利要求1所述的一種基于密集尺度不變特征轉(zhuǎn)換字典學習的高精度火災火 焰檢測方法，其特征還在于：S1中具體采用如下方式： 511 :取視頻序列中第一幀圖像，定義每個像素的紅、綠、藍分量分別為R、G、B，利用平 均值法計算每個像素點（x，y)的灰度值I:
(1) 512 :對每個像素點（x，y)的上下左右4個鄰域像素，自右鄰域像素，按逆時針方向計算 其SILTP特征，用SM(x，y)表示：
(2) (3) 式（2)、（3)中，Ik是4鄰域像素的灰度值，0表示是將所有鄰域的二進制值sT (I，Ik) 連接成字符串，t為變化的閾值范圍； 513 :在以像素點（x，y)為中心，R為半徑的鄰域中，隨機抽取N個樣本，構建該像素背 景模型樣本M(x，y): M(x,y) ={SMj(x,y),SM2 (x,y), ???,SMN(x,y)} (4) 514 :從第二幀開始，同S12過程，為每個像素點（x,y)建立一個樣本S(x,y); 515 :定義Cn(x,y)為S(x,y)與背景模型樣本M(x,y)中第n個樣本SMn(x,y)的單個匹 配度，n= 1，2,…，N，其結(jié)果為所對應為異或結(jié)果為1的位的個數(shù)： Cn(x,y) =S(x,y) ?SMn(x,y) (5) 516 :計算待測點x是否為前景點： (8) (6) (7)
式（7)中，Bn(x，y)表示匹配度小于半徑R的一個樣本，Sum(x，y)表示匹配度小于R的 所有樣本的總和，Th為判別閾值，f(x，y)為像素（x，y)的分類結(jié)果； 517 :運動目標作為前景在一段持續(xù)的時間內(nèi)會表現(xiàn)出相同的分類結(jié)果，對一段時間內(nèi) m幀的f(x，y)進行判別和分析，設F(x，y)為像素點（x，y)在m幀中f(x，y)分類結(jié)果的集 合： (9) 凡=丄
518 :運動像素判決的條件為： F(x,y) ^Gh (10) 當F(x，y)的值小于整體判別閥值Gh時，則確定為運動目標，否則為背景目標，其中m的取值范圍與視頻幀速率有關，接近于幀速率的值； 519 :實時更新背景模型： (a) 若點（x，y)被認為是背景點，給定更新頻率《，將S(x)按1/?的概率依次替換被 隨機抽取的樣本，再次按照1/ ?的概率，隨機選取x的R半徑鄰域的某一個像素點，將該鄰 域背景模型中隨機選取的SMn(x，y)用S(x，y)替換，則更新了選定鄰域的背景模型； (b) 對像素點進行統(tǒng)計，如果某個像素點連續(xù)M次被檢測為前景，則將其更新為背景 點，即按照1/?的概率用隨機選取的樣本SMn(x，y)將其替代。
3.根據(jù)權利要求1所述的一種基于密集尺度不變特征轉(zhuǎn)換字典學習的高精度火災火 焰檢測方法，其特征還在于：S2中具體采用如下方式： 521 :將上述獲得的運動目標的RGB空間轉(zhuǎn)換為HSI:
I的含義同前式（1); 522 :根據(jù)多次實驗的結(jié)果，選定火焰HSI模型中H、