一種基于視頻監(jiān)控的香煙煙霧檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理及模式識別領(lǐng)域，尤其涉及一種基于視頻監(jiān)控的香煙煙霧檢 測方法。
【背景技術(shù)】
[0002] 吸煙是人們?nèi)粘Ｉ钪谐Ｒ姷囊环N不良行為，吸煙的危害已經(jīng)逐步被大眾所熟 知?！侗本┦锌刂莆鼰煑l例》于2015年6月1日起實施，明確規(guī)定所有公共場所、工作場所室內(nèi) 區(qū)域及公共交通工具禁止吸煙，約定文保單位、體育場及部分以未成年人為主要活動人群 的室外場所禁止吸煙，但是開展控制吸煙衛(wèi)生監(jiān)督管理工作缺少一種高效便捷的手段。人 工管理需要投入大量的人力物力，并且不能保證準確及時的發(fā)現(xiàn)、制止吸煙行為。
[0003] 但是，現(xiàn)在社會中普遍都采用人工監(jiān)督方式對吸煙者進行處罰或勸誡，很少能夠 采用電子設(shè)備對監(jiān)控區(qū)域進行吸煙煙霧分析和自動報警，在人流較多的公共場所中，人們 很難發(fā)現(xiàn)一個吸煙者，更難以發(fā)現(xiàn)丟棄的煙頭以及產(chǎn)生的煙霧。為了解決此類問題，我們提 供了一種基于視覺檢測技術(shù)的監(jiān)督報警方法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明目的是提供一種基于視頻監(jiān)控的香煙煙霧檢測方法，主要利用視覺檢測技 術(shù)對采集到的視頻圖像進行分析，實時準確的識別監(jiān)控場景中的香煙煙霧，方便管理人員 實時的監(jiān)控和查看吸煙行為，提高控煙管理人員的工作效率。
[0005] 為實現(xiàn)上述目的，采用了以下技術(shù)方案:本發(fā)明所述檢測方法由分類器訓練階段 和香煙煙霧檢測階段來實現(xiàn)；
[0006] (1)分類器訓練階段的步驟如下：
[0007] (1-1)訓練樣本集的準備，采用機器學習來訓練分類器，需要大量的樣本，通過監(jiān) 控攝像頭在多個不同場景下采集有香煙煙霧和無香煙煙霧的視頻，將這些視頻保存為連續(xù) 的視頻幀，含有香煙煙霧的視頻樣本為正樣本，無香煙煙霧的視頻樣本為負樣本，截取正、 負樣本；
[0008] (1-2)將截取的正、負樣本縮放到大小相同的尺寸；
[0009] (1-3)分別提取所有正、負樣本的Hog特征及樣本的幾何特征，Hog特征即每個像素 點的梯度大小和方向；對所有正負樣本賦予樣本標簽，樣本標簽是正樣本為1、負樣本為-1; 將所得正、負樣本的特征向量及樣本的標簽輸入到支持向量機SVM中進行學習，將結(jié)果保存 為文本文件即生成分類器；
[0010] ⑵香煙煙霧檢測階段的步驟如下：
[0011] (2-1)通過監(jiān)控攝像頭獲取視頻圖像，對獲得的現(xiàn)場視頻圖像進行采樣以獲得連 續(xù)的現(xiàn)場圖像序列；
[0012] (2-2)采用混合高斯模型算法提取前景目標區(qū)域；
[0013] (2-3)對提取到的前景目標區(qū)域進行形態(tài)學操作，去除運動區(qū)域中的噪點和空洞；
[0014] (2-4)對經(jīng)過形態(tài)學運算后的圖像進行二值化，使用最大類間方差法算法求解最 佳二值化閾值;采用最大類間方差法計算得到的閾值對前景圖像進行二值化操作；
[0015] (2-5)統(tǒng)計二值化圖像在X方向和Y方向投影直方圖；
[0016] (2-6)統(tǒng)計每一幀感興趣區(qū)域內(nèi)的像素個數(shù)，排除微小面積變化引發(fā)的干擾，然后 提取感興趣區(qū)域的幾何特征、Hog特征；
[0017] (2-7)將感興趣區(qū)域提取的幾何特征、Hog特征組合成運動特征向量，輸入到分類 器中，判斷感興趣區(qū)域是否存在吸煙行為產(chǎn)生的煙霧，若判斷出現(xiàn)場場景中存在香煙煙霧， 則啟動報警并保存該幀圖像;若判定場景中不存在香煙煙霧，跳至步驟(2-1)，循環(huán)執(zhí)行。
[0018] 優(yōu)選的，所述步驟（1-1)中，正樣本個數(shù)為1000~2000個，負樣本個數(shù)為3000~ 5000個。可選定正樣本個數(shù)為1500個，負樣本個數(shù)為4000個。
[0019] 優(yōu)選的，所述步驟(2-1)中，視頻采樣間隔為0~0.1秒，且大于10幀每秒?？蛇x定視 頻采樣間隔為〇. 04秒，即25幀每秒
[0020] 優(yōu)選的，所述步驟(2-2)中，采用混合高斯模型算法提取前景目標區(qū)域，具體方法 如下：
[0021 ]系統(tǒng)啟動時，系統(tǒng)默認監(jiān)控場景中不存在香煙煙霧，自動初始化混合高斯模型的 各個參數(shù)；
[0022]圖像中的像素點隨時間變化可看作為一個時間序列1*(1#) = {乂1，心，一乂1}，其中 Μχ，μ)為隨機變量Xi的觀測數(shù)據(jù)集，xAi時刻像素的樣本，μ為樣本均值；
[0023]背景像素點的特征值受時間的變化影響不大，可認為其服從高斯分布，即對圖像 中每個像素點進行高斯建模，每個像素點建立多個高斯模型用以增加魯棒性，即服從Κ個高 斯分布的疊加；
[0024]
[0025] 7-0.
[0026] 式中，Κ為高斯模型的個數(shù)；c〇1>t為第i個高斯模型的權(quán)值，體現(xiàn)該模型被匹配上的 概率;m為第i個高斯模型概率密度函數(shù);Xt為t時刻的圖像;yi, t為均值；Σ ；^為協(xié)方差矩陣；
[0027] 其中，
'η為樣本向 量的維數(shù)；
[0028]圖像中紅色R，綠色G，藍色Β三個顏色通道相互獨立，并擁有相同的方差，則協(xié)方差 矩陣2；^ = 〇^1，其中〇^為像素1在1：時刻的方差，1為單位矩陣，這樣相當于將每個像素點 簡化為一維的高斯分布；
[0029] Κ個高斯模型根據(jù)權(quán)重w/α2按降序排序，權(quán)重大、標準差小的模式排列靠前，選前C 個模型認為是背景區(qū)域：
[0030]
[0031]式中，的定義是從第一個高斯分布開始累加高斯分布的權(quán)重，直至第b個高 k=i 斯分布;b表不第b個高斯分布，wk表不第k個高斯分布的權(quán)重值，w表不高斯分布的權(quán)重值，α e (0，1)稱為學習因子，w/α2是對高斯分布的權(quán)重值進行歸一化；
[0032] T為閾值，其余的(K-C)模型為前景目標區(qū)域；
[0033]每個新像素值Xt同當前K個模型按照IXt-y^l < 2.5〇^-1進行比較，直到找到匹 配新像素值的分布模型，即同該模型的均值偏差在2.5〇內(nèi)；如果所匹配的模式符合背景要 求，則該像素屬于背景區(qū)域，否則屬于前景目標區(qū)域；
[0034] 各模式權(quán)值按下式更新
[0035] Wk,t = (l-a)*wk,t-i+a*Mk,t
[0036] 其中，ae(〇，l)稱為學習因子，體現(xiàn)像素點融入模型的快慢程度;Wk,t表示在t時刻 第k個高斯分布的權(quán)重值;WM-i表示在t-Ι時刻第k個高斯分布的權(quán)重值;M k,t表示是否為匹 配模式；
[0037]對于匹配的模式Mk,t = 1，否則Mk,t = 0，然后各模式的權(quán)重進行歸一化；
[0038] 未匹配模式的均值μ與標準差〇不變，匹配模式的參數(shù)按照如下公式更新：
[0039] p = a*n(Xt|yk,〇k)
[0040] yt= (l-p)*yt-i+p*Xt
[0041 ] = (1 ~ρ：)+ ρ ^ Μ )r -pt )
[0042] 其中，p = aq(Xt-：L|yt-：L，ot-0。
[0043] 如果沒有任何模式匹配，則權(quán)重最小的模式被替換掉，即該模式的均值為當前像 素值，標準差為初始較大值，權(quán)重為較小值；
[0044] 優(yōu)選的，在步驟(2-3)中，所述形態(tài)學操作的基本運算是腐蝕和膨脹運算，分別為：
[0045] (f?g)(n) =min{f(n+x)-g(x) | (n+x) EDf且 xEDg}
[0046]
[0047] 其中，f(n)是輸入信號，定義域為Df={0，l，2,……，N};g(n)為一維結(jié)構(gòu)元素序 列，其定義域為D g= {0，1，2，……，Ρ};N和P都是整數(shù)，N 2 Ρ; X為定義域08中的元素；?表示膨 脹運算，Θ表示腐蝕運算。
[0048] 優(yōu)選的，在步驟(2-4)中，最大類間方差法使用的是聚類的思想，把圖像的灰度數(shù) 按灰度級分成兩個部分，使得兩個部分之間的灰度值差異最大，每個部分之間的灰度差異