2022年烟火检测算法.docx

《2022年烟火检测算法.docx》由会员分享，可在线阅读，更多相关《2022年烟火检测算法.docx（12页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选学习资料 - - - - - - - - - 6.2 烟火检测算法的组成模块运行烟火检测算法是为了确认在监测森林地区的相机的视野范畴内是否有烟火的存在； 这里提出的烟火检测算法由四个主要的子算法构成：（1）视图中缓慢移动物体的检测（2烟色地区的检测（3）图像中上升物体的检测 （4阴影检测和排除阴影区域, 在些子算法对于每一个 n 时刻输入的图 像 帧 中 x 位 置 的 像 素 都 分 别 运 用 决 策 函 数D1x,n,D2x,n,D3x,n,D4x,n ,选定高速率运算的算法是为了实现一个在标准个人电脑工作状况下的实时烟火检测系统；子算法中的决策函数Di,i=1,.,m,不输出二进制

2、的值如1（真）或者 -1（假）,但是输出代表每一个传入样本x 的零均值实数；假如输出正（负）数,那么独立的算法判定出在相机观测范畴内有（无）森林烟火；决策函数的输出值代表了了每个子算法的置信度；输出值越大,算法的置信度越高；6.2.1 缓慢移动物体的检测视图中以相同速率运动的物体看起来在离相机距离远的地方比在离相机距离近的地方移动的要慢 像素/秒）；假设在不同的背景图像 Bfast（x,n）和 Bslow（x,n下把相机对焦,他们以不同的更新速率与现场通信 【9】【65】,这里的 x 代表的是在第 n 帧图像中某个像素的位置；在 n+1 帧时刻的背景图像B（x,n+1是通过包含图像帧I（x,n

3、）和背景图像 B（x,n）的递推公式估算来的；公式如下：X 是固定的X 是移动的 6.1 此处的的 I（x,n）指的是第 n 帧图像 I 中 x 处像素的强度值, a 是（0,1）名师归纳总结 - - - - - - -第 1 页,共 7 页精选学习资料 - - - - - - - - - 之间的一个常数；初始时,Bfast（x,0）和 Bslow（x,0可以取 I（x,0）,固定的像素和移动的像素的定义见【19】；背景图像 Bfast（x,n）和 Bslow（x,n以不同的更新速率更新的方式如式6.1；在我们实现的算法中, Bfast（x,n）取 a=0.7 每一帧更新一次, Bslow（x

4、,n取 a=0,9 每一秒更新一次；通过比较两个不同的背景图像 机观测范畴内的缓慢移动的物体【Bfast（x,n）和 Bslow（x,n来检测在相 83】【9】【65】；假如在某一时间段两个图像中有实质的差异存在,那么就会有缓慢移动物体存在的警报产生,并 且那个区域也会被标记；说明第一个子函数置信度的决策函数输出值是由两个不同背景图像的 差异打算的；决策函数 D1（x,n）是如下定义的：|Bfast（x,n） Bslow（ x,n|Tlow Tlow |Bfast（x,n） Bslow （x,n|Thigh （Thigh | Bfast（x,n）Bslow（x,n| （6.2 这里的 0Tlo

5、w5km）地方的森林烟火产生 的烟在相机里移动的更慢；所以,在这些远距离的烟色区域在背景图像Bfast（x,n）和 Bslow（x,n中都不显现；这个缘由使Bfast（x,n）和 Bslow名师归纳总结 （x,n之间的差别值变得更小；为了能检测到相机5km 外的烟雾和拥有可第 2 页,共 7 页观的差别值,在式6.2 中提到的 Bfast（x,n）都用实时的图像I 代替；- - - - - - -精选学习资料 - - - - - - - - - 6.2.2 烟色区域的检测 一旦一个慢速移动的区域被检测到了,它的烟雾的颜色成份马上就会 被分析；森林烟火的主要成分是二氧化碳,水蒸气,一氧化碳,特殊

6、重要的是碳氢化合物和其他的有机化学物,氮的氧化物,微量矿物质以及一些 其他的化合物 2.上升的烟出现灰灰的颜色主要是由于释放出的火焰的成分中含有的水蒸气和碳的小颗粒；这些区域可以通过在YUV 颜色空间中设定的阈值鉴定出来；而且,特殊是在火刚产生的初级阶段,有烟地区的亮度值应当很高,就像在图6.1 所示的那样；在另一方面,有烟地区的色度值应当是特别低的；对应的子算法的置信值应当说明以上的这些特点；决策函数 D2（n,x）在（-1,1）中取值,它的取值是由 Y（x,n）,U（x,n）和 V（x,n）的通道值打算的；决策函数D2（n,x）的定义如下：Yx,nT1 其他值6.3 这里的 Y（x,n）,

7、U（x,n）和 V（x,n）分别指的是第 n 帧图像 I中 x 处像素的色度和亮度值；一个图像中亮度重量Y 在0,255中取实数,为了他能取到 0,255中的值色度通道的平均值 U 和 V 上升到了 128；T1的阈值是由试验测定的, 此项工作中在亮度为Y 的组成部分中取 100.假如Y（x,n）的值小于 T1,那么 D2（n,x）的置信度为 -1.设定 T1 的阈值是 为了排除同样具有低色度值的暗色区域；由于烟火地区的颜色大多都不鲜明,所以对于那些亮度值高于T1 的像素,当 U（x,n）和 V（x,n）的色度值在均值 128 左右时,决策函数的输出值接近为 1；当像素有很高的亮度值时,置信值

8、变成 -1. 名师归纳总结 - - - - - - -第 3 页,共 7 页精选学习资料 - - - - - - - - - 6.2.3 有烟雾上升区域的检测在火产生的初级阶段烟雾区域会扩散到天空中；烟缕的这个特点可以仿照这一节中三态的隐式马尔可夫模型；在缓慢移动的区域中随时间连续变换的最上面的像素就相当于一个一维的特点信号,记作 F=f（n）,这个信号适用于如图 6.2 所示的马尔可夫模型；其中的一个模型（ 1）对应真正产生烟火的区域,另一个模型（2）对应有云或者云影的区域；这些模型的转化概率是通过分别采纳真正的烟火,试验的烟火和云估测而来的；假如当前的图像帧中最上面的像素的行值比前一帧的小

9、,那么对应 S1 状态（区域上升）；假如当前的图像帧中最上面的像素的行值比前一帧的大,那 么对应 S2 状态,这个意味着区域下降了； 假如两帧图像中行值没有变化就 对应 S3 状态；图 6.2 中左图对应1 模型,右图对应2 模型, aij 和 bij 代表状态的转移概率当在 1 模型下获得观测到的目标函数F=f（n）的概率高于当在2模型下获得观测到的目标函数F=f（n）的概率时,缓慢移动的区域判定为名师归纳总结 - - - - - - -第 4 页,共 7 页精选学习资料 - - - - - - - - - 有烟雾上升的区域；这里的 F 是观测到的特点信号, 1 和 2 分别代表马尔可夫模型

10、中对应烟火和云的情形；当概率 p1（p2）的值大于 p2（p1）,这个子算法的置信度增高 下降）；因此,零均值的决策函数D3（x,n）由这些概率的归一化差值表示6.5 当一个缓慢移动的区域被判定为有烟雾上升的区域,如例,p1p2,D3（x,n）接近于 1,反之, D3（x,n）接近于 -1；. 6.2.2 阴影检测和去除对于以影像为基础的森林火灾烟雾监测系统,缓慢移动的乌云形成的阴影是形成错误警报的主要缘由；令人遗憾的是,与发生森林火灾的地区 相像,乌云形成的阴影具有很低的 U 和 V 值；判定一个地区是否有阴影的决策函数要依据41 中的阴影检测方法来定义；运算有云缓慢移动的地区的 RGB 平

11、均值时,要同时参考实时画面和背景影像； Sn表示的是在第 n 帧图像 I 中缓慢移动的区域；以 cI;Sn表示的第 N 帧的 I 图像中地区的平均颜色矢量的运算方法如下：在上式中, ASn代表缓慢移动区域Sn； rI x; n, gIx; n和 bIx; n表示名师归纳总结 在第N个图像帧 I中X位置上的红、绿、蓝像素渠道值；相像地,以cB;S表第 5 页,共 7 页- - - - - - -精选学习资料 - - - - - - - - - 示在背景图像 中相同的区域的平均颜色矢量； B的运算方法如下：这里rBx; n, gBx; n, 和 bBx; n 表示在第 n帧背景图像帧 B中X位置上

12、的红、绿、蓝像素渠道值；我们将背景图像 在有阴影的地区,两平均颜色矢量Bslow用作为检测中的背景图像；cI;S和cB;S之间的角度 x应当比较小,并且实时图像中的向量角度值应当比背景图像中的向量角度值偏 小,即jcI;Snj jcB;Snj 41；这是由于有阴影的地区在肯定程度上更 简单保留颜色和不明显的的纹理；这个子算法的置信度是依据平均颜色矢量cI;Sn 和 cB;Sn之间的角度和幅度来定义的；这个子算法相对应决策函数 D4x; n可以得出第 N帧图像以及背景图像中的像素, D4x; n的运算方法如下：在此式中, x是两颜色向两所夹的角度值；当量颜色矢量间的夹角相近时,阴影地区的函数 D

13、4x; n的值接近 -1；类似的用于阴影检测的决策函数可以通过其他的颜色空间,包括Y UV 空间来定义；文献66.中介绍了其他几种阴影检测算法；然而,我们挑选了在这一部分 中阐述的算法,由于这种算法具有其运算的简洁性,而我们的目标正是实 现烟火的实时监测；名师归纳总结 - - - - - - -第 6 页,共 7 页精选学习资料 - - - - - - - - - 在这部分阐述的函数中, 我们通过使这些函数对全部的火灾影像都产生积极作用而得出了他们的阈值；然而,我们可以定义具有其他阈值的其他决策函数代表不同的威逼/安全程度；在标准监测模式下,当相机的视野内没有火情时,安全级别可能会保持在“ 低

14、” 的状态；一旦检测到火情,系统会自动将安全等级转换到“ 高” ,并且通过减小决策函数的阈值来提 高对其他地区发生后继火灾的敏锐性；无论给定的像素是否有烟雾这四个子算法D1, D2, D3 和 D4 的决策输出值都会线性组合起来得到一个最终结果；每一子算法都可以被给予较均等的 权重,但这样就会产生一个没有应用才能的不行自调算法；另一方面,森 林火情监测实质上是一个动态过程； 不同的森林地区之间会有很大的差别,并且同一森林地区也会发生物质的时间性变化；由不同的子算法组成的可 自调系统对全面的森林火灾检测更为适用；在下一部分,我们将争论可自调自主学习名师归纳总结 - - - - - - -第 7 页,共 7 页