本发明属于室内或室外火灾预防的视频烟雾识别领域,具体涉及一种结合颜色和外型特征的视频烟雾识别方法。
背景技术:
火灾是一种时空跨度较大的多发性灾害,往往会造成直接的财产损失,大量的人员伤亡以及严重的生态环境破坏,因此火灾的及时发现和预警无疑是至关重要的。传统的人工巡检方式存在着效率低下而成本偏高的问题,而基于传感器的检测方式虽然有了一定的进步,但也存在着检测范围有限和由于触发阈值引起的滞后问题。得益于数字图像处理技术的不断完善普及,近年来基于视频图像的火焰识别与烟雾识别技术取得了极大发展。火灾发生初期往往会首先产生烟雾,且烟雾扩散的范围要远远大于火焰,因此对烟雾识别技术的研究更具实时性与可行性,能够真正意义上实现火灾的极早期预警,从而最大程度上降低损失。
烟雾的有效识别需要依赖于烟雾自身所固有的特征,诸如颜色,运动,特征和外型等特征,其中颜色特征由于其视觉上的直观性而被广泛采用。F.Yuan等认为烟雾颜色往往介于灰白与近黑之间,在RGB颜色空间中烟雾像素的三个通道值非常接近,且在某些情况下B通道值要稍微大于R通道和G通道,基于此其提出了烟雾像素的判别依据。Ochoa-Brito Alejandro等采用反复试验的方法改进了F.Yuan方法中颜色检测的阈值选择问题,但依然没有考虑到RGB颜色空间中三个通道都包含亮度信息这一事实,因此三个通道之间具有较强的相关性,尤其在面对RGB三通道值同样相近的深色系干扰物的情形时,仅仅依靠上述颜色判别依据很难达到理想的识别效果。
技术实现要素:
本发明的目的在于针对现有技术的不足,提出了一种结合颜色和外型特征的视频烟雾识别方法,并且取得了很好的识别效果。本发明提出结合RGB颜色空间与Lab颜色空间综合考虑对烟雾颜色特征进行识别,经过更具鲁棒性的颜色概率的计算初步排除伪烟区域,最后结合烟雾的外型特征进一步提高识别准确度。
为实现上述目的,本发明采用如下技术方案:
一种结合颜色和外型特征的视频烟雾识别方法,包括以下步骤:
1)首先采用ViBe算法进行前景目标的提取,该算法速度快且计算量小,对于光照的变化和相机抖动等的处理效果都十分稳定;
2)对提取到的前景目标进行形态学的处理,滤除前景中的噪声干扰,对前景区域中的空洞进行填充,应用连通区域分析(CCL)算法把相连的前景像素归结到同一个块中,以进行后续的伪烟块去除;
3)抽取含烟帧中的大量烟雾像素,统计烟雾像素在RGB三个通道上取值的分布情况,对比标准正态分布曲线,拟合度良好,证明烟雾像素各通道取值的分布近似为正态分布是可以接受的;
4)由于RGB三个通道都包含亮度信息,具有较强的相关性,采用Lab颜色空间的a通道结合RGB颜色空间三通道构建公式(1)RGBa四通道模型;
式中:C(x,y)为构建的四通道颜色空间模型,(x,y)为像素坐标
5)为了得到RGBa四个通道的颜色概率密度函数,本文逐帧抓取经典烟雾视频片段的所有帧,并选取出其中含烟帧,分别标记烟区并统计RGBa四个通道的数据,得到均值与方差即可建立公式(2)归一化的颜色概率密度函数;
式中:i分别为RGBa四通道,Ci为i通道像素值,Pi(x,y)为(x,y)位置像素为烟雾像素的概率,它反映了i通道上像素点(x,y)属于烟雾像素的可能性大小,μi对应通道像素值的均值,σi为对应通道像素值的方差;
根据颜色概率密度函数,计算(x,y)位置上此像素的四通道概率:
综合RGBa四通道颜色概率乘积并归一化,然后阈值化处理,得到的前景像素即为高概率的烟雾像素,统计各块中高概率像素数量,由公式(4)即可初步去除伪烟块;
式中:Bi为当前块,Hb为当前块中高概率像素数量,Sumb为当前块前景像素总数,α为阈值。
6)针对具有与烟雾相近颜色的刚性运动物体造成的干扰,因此可以采用公式(5)轮廓复杂度排除此类干扰;
式中:其中Lb为块周长,Ab为块面积,β为阈值。
7)针对外形也像烟雾一样复杂多变的干扰物,可以利用如图4(j)所示烟雾区域边缘像素较多的事实,采用块中所含边缘像素的个数与块中前景像素总数的比值,由公式(6)滤除伪烟块;
式中:Sumpix为块中所含边缘像素个数,Sumb为块中前景像素总数。
步骤3)关于正态分布的验证统计了不少于120000个烟雾像素各通道的值,生成各通道上烟雾像素取值的分布图,并与标准正态分布曲线做比对。
与现有技术相比,本发明具有如下的优点:
本发明提出了一种基于RGB颜色空间三通道和Lab颜色空间a通道的四维颜色空间的烟雾颜色特征判别方法,结合烟雾的外型特征进行视频烟雾的识别,此算法兼具实时性与准确性,无论是近景远景还是有无干扰,都能取得较好的识别效果
附图说明
图1为本发明一种结合颜色和外型特征的视频烟雾识别方法的流程图;
图2(a)为标准正态分布曲线,
图2(b)(c)(d)分别为统计烟雾像素BGR三通道上取值的分布图;
图3为Lab颜色空间模型示意图,Lab颜色空间中的L分量用于表示像素的亮度,取值范围是[0,100],表示从纯黑到纯白;a表示从红色到绿色的范围,取值范围是[127,-128];b表示从黄色到蓝色的范围,取值范围是[127,-128];
图4(a)为输入视频的当前帧,
图4(b)为经过ViBe算法得到的经过二值化的前景区域,
图4(c)为经过形态学处理的前景区域,
图4(d)~图4(g)分别为RGBa四通道上前景区域的颜色概率,
图4(h)为综合四通道的颜色概率图,
图4(i)为阈值化处理,
图4(j)为烟雾内部的边缘检测图,
图4(k)为最终的烟雾识别结果。
具体实施方式
以下结合附图与具体实施方式对本发明的技术方案作进一步阐述说明。
烟雾各通道像素值的分布受到许多相互独立的随机因素的影响且每个因素所产生的影响都很微小,因此理论上可以把烟雾各通道像素值的分布近似为正态分布。为检验这一结论的可接受性,抽取36幅含烟帧共计126447个烟雾像素,统计其在RGB三通道上取值的分布,结果如图2(b)~(d)所示。对比图2(a)标准正态部分的曲线与BGR三通道的分布情况,可以看到将烟雾像素值的分布近似为正态分布是可以接受的。
考虑到RGB颜色空间中三个通道都包含了亮度信息,引入将亮度与反应色彩本质的色度分开的Lab颜色空间,如图3所示,通道a表示从绿色到红色的范围,取值介于[-128,127],烟雾的颜色分布于L轴白色到黑色之间,因此其a通道取值应在0值附近浮动,具有较好的区分性。因此对颜色概率的计算是基于一个四维的颜色空间C(x,y):
式中:C(x,y)为构建的四通道颜色空间模型,(x,y)为像素坐标
一种结合颜色和外型特征的视频烟雾识别方法。首先采用ViBe算法进行前景目标的提取,该算法速度快且计算量小,对于光照的变化和相机抖动等的处理效果都十分稳定。图4(b)显示了该算法提取的前景,图4(c)为经过形态学处理的结果。对图4(c)中的前景区域进行连通区域分析,把相连的前景像素归结到同一个块中。为了初步排除其中的伪烟块,需要进行颜色概率的计算。
要计算颜色概率,首先要得到四个通道的颜色概率密度函数。本文逐帧抓取了视频的全部900帧图片,并选取出其中含烟帧839幅,分别提取出烟区并统计RGBa四个通道的数据,得到均值与方差。由此即可建立起归一化的颜色概率密度函数:
其中i分别为RGBa四个通道,Ci为i通道像素值,Pi(x,y)为(x,y)位置像素的归一化之后的颜色概率,它反映了i通道上像素点(x,y)属于烟雾像素的可能性大小。
至此可以得到(x,y)位置像素的四通道概率:
图4(d)~(g)分别为RGBa四个通道上的颜色概率图,图4(h)为综合四通道概率乘积并归一化之后的颜色概率图。
经过阈值化处理之后的图4(i)所示前景像素即为高概率的烟雾像素,统计各块中高概率像素数量,设置阈值即可初步去除伪烟块:
其中Bi为当前块,Hb为当前块中高概率像素数量,Sumb为当前块前景像素总数,α为阈值。
一些运动的刚性物体比如汽车等可能也具有与烟雾相近的颜色,因此单纯依靠颜色特征可能难以排除此类干扰。烟雾的运动属于扩散运动,其外轮廓往往比刚性物体复杂多变,因此可以采用轮廓复杂度排除此类干扰:
其中Lb为块周长,Ab为块面积,β为阈值。
而针对外形也像烟雾一样复杂多变的干扰物,可以利用如图4(j)所示烟雾区域边缘像素较多的事实,采用块中所含边缘像素的个数与块中前景像素总数的比值,设置阈值予以滤除:
其中Sumpix为块中所含边缘像素个数,Sumb为块中前景像素总数。
经过上述三步去除前景中的伪烟块,即可获得最终的较为准确的识别结果,如图4(k)所示。
遵循本发明的技术方案,该实施例中构建RGBa颜色空间四通道上颜色概率密度函数的数据由大量烟雾像素的分析统计得到,其RGBa四通道均值分别为128,137,134,-8.98,方差分别为1463,1702,1564,44.30。这一数据可能会由于统计样本数量的变化存在小幅波动,但也已足够准确。
以图4(a)作为输入视频的当前帧,通过ViBe前景提取算法得到4(b)中的前景区域,再经过形态学开闭处理得到适合后续处理的4(c)前景图,对前景进行连通区域分析把相邻像素归结成块,后续的处理即为排除伪烟块。通过颜色概率密度函数,分别计算在RGBa四个通道上的归一化的颜色概率,其概率图分别如图4(d)~(g)所示。综合四通道颜色概率得到前景区最终的颜色概率图并设置阈值进行二值化处理得到图4(i),统计当前块中所剩前景像素个数,通过计算所剩像素个数与当前块中前景像素总数的比值,排除比值较小的块。同时对当前块考虑轮廓复杂度,边缘密度来进一步排除伪烟块,得到最终4(k)所示的识别结果。