李慶奇，馬 莉

0 引言

近幾年，視頻煙霧檢測已經(jīng)成為戶外火災檢測的一個重要的研究方向。目前國內(nèi)外利用視頻檢測煙霧的研究方向有以下幾個方面:基于顏色的檢測方法［1］、基于煙霧外部特征的方法［2］、基于能量的檢測方法［3］。本文在分析煙霧靜態(tài)特征和動態(tài)特征的基礎上提出了基于小波能量的輪廓抖動性煙霧檢測算法。算法首先對采集的視頻圖像進行卡爾曼濾波，利用二維小波提取煙霧輪廓。然后在動態(tài)特征中進行輪廓能量特征和不規(guī)則特征進行提取。最后使用貝葉斯分類器，通過對當前觀測值的煙霧和非煙霧概率比較判定是否為煙霧。

1 煙霧前景分析

煙霧前景提取主要是利用卡爾曼濾波和二維小波變換提取出疑似煙霧區(qū)域的輪廓，作為動態(tài)特征提取的依據(jù)。

1.1 ROI區(qū)域提取

首先使用卡爾曼濾波進行運動檢測，之后對卡爾曼濾波后的結果提取最大連通區(qū)域，最后得到ROI區(qū)域?？柭鼮V波的算法思路是利用前一時刻的估計值和現(xiàn)時刻的觀測值來更新對狀態(tài)變量的估計，求出現(xiàn)時刻的估計值，它適合于實時處理。濾波公式如:

式中，B(i，j，k+1)、B(i，j，k)分別為第 k+1 和第 k 幀的背景圖像(i，j)的象素值，I(i，j，k)為當前幀圖像(i，j)的象素值，α為運動因子，β為背景因子。其次對卡爾曼濾波結果進行8連通域標記，最后求出最大的連通區(qū)域。這個區(qū)域就是所求的ROI區(qū)域。

1.2 小波輪廓提取

小波輪廓檢測的主要目的是對上述的最大連通區(qū)域進行二維小波變換，得到前景的輪廓信息。一幅圖經(jīng)過二維小波變換得到一幅低頻信息和三幅高頻信息輪廓信息主要使用的是高頻信息，本文通過水平高頻和垂直高頻信息疊加提取煙霧區(qū)域的輪廓。

2 煙霧動態(tài)分析

通過前景分析提取煙霧小波能量特征和不規(guī)則特征后，最后輸入到貝葉斯分類器中進行判定，去除掉類煙霧物體。

2.1 煙霧輪廓小波能量分析

由于煙霧變化的緩慢性，造成煙霧在確定的輪廓坐標處的高頻信息變化也比較緩慢，所以高頻能量變化也比較緩慢。這與類煙霧信息不同，類煙霧物體如穿白色衣服的人，白色的車，由于其是整體移動的，所以在確定的邊沿坐標上變化比較明顯，造成類煙霧確定的邊沿的高頻信息變化比較明顯，高頻能量變化也相應的比較明顯。由前景分析得到圖像的輪廓向量L={(x1，y1)，(x1，y1)，…，(xN，yN)}，其中N為輪廓點個數(shù)，xi為點i的橫坐標值，yi為點i的縱坐標值，L為N個點構成的N的向量。輪廓上的點象素值構成一維向量 F(k)={Ik(x1，y1)，Ik(x2，y2)，…，Ik(xN，yN)}，其中 N 為輪廓點的個數(shù)，xi為點i的橫坐標值，yi為點i的縱坐標值，Ik(xi，yi)為在k幀中點(xi，yi)處的象素值，F(xiàn)(k)為第k幀輪廓象素點構成一個N的向量。對F(k)進行一維小波變換，Ek=∑abs(F(k)×g)，其中Ek為k幀時輪廓一維小波變化后的高頻能量總和，g為高通濾波器。煙霧和非煙霧的輪廓高頻能量變化如圖1所示:

圖1 煙霧和非煙霧的輪廓高頻能量變化

圖1 (a)、(b)為煙霧在確定輪廓小波變換高頻能量的變化，圖1(c)為穿白色衣服的人的輪廓小波變換高頻能量的變化，圖1(d)為車的輪廓小波變換高頻能量的變化。從圖1中可以看出類煙霧物體一維小波變換后高頻能量在初始幾幀變化比較劇烈，之后變化比較緩慢，而煙霧在初始幾幀變化沒有類煙霧的變化明顯，通過這種變化可以將煙霧和類煙霧物體區(qū)分開。取輪廓小波能量作為貝葉斯分類器的一個輸入。

2.2 煙霧不規(guī)則分析

在一般情況下，形狀規(guī)則物體的邊緣輪廓長度總是比不規(guī)則物體的輪廓長度短，前提是在物體面積一致的狀態(tài)下比較，而煙霧由于其擴散的不確定性，在形狀上也體現(xiàn)出不規(guī)則性，利用前面提取的邊沿能對其進行分析。這樣就可以引入物體邊緣周長與物體面積之比來衡量物體的不規(guī)則性。煙霧輪廓的不規(guī)則性如:

參數(shù)SDTk表示視頻圖像序列第k幀的不規(guī)則度量值，即煙霧區(qū)域的輪廓不規(guī)則性度量值，SEPk表示當前第k幀圖像中最大疑似區(qū)域的周長，STPk表示當前第k幀圖像中的最大疑似區(qū)域面積，此特征作為貝葉斯分類器的一個輸入。

3 煙霧檢測實驗結果及結論

貝葉斯的訓練樣本150幀，取自開放環(huán)境下真實煙霧圖像(80幀)，類煙白色運動物體圖像(30幀)，反光樹葉(20幀)，白色類煙地面(20幀);測試樣本100幀，其中真實煙霧50幀，類煙霧白色物體20幀，樹葉15幀，地面15幀。實驗結果和貝葉斯分類判定結果分別如圖2、表1所示:

圖2 煙霧檢測實驗結果

表1 貝葉斯分類判定結果

圖2中上兩組為真實煙霧，下2組分別為白色的車和行人。圖2(a)組為原圖，圖2(b)組為KALMAN濾波后的結果，圖2(c)組為小波輪廓檢測后的結果，圖2(d)組為貝葉斯分類后的判定結果。

實驗結果表明，算法對于真實火災煙霧的識別率較高。對于一些緩慢運動的不規(guī)則的非煙物體可能會造成一些誤檢，綜上所述，本文算法能夠較好的識別林火煙霧，準確率較高，降低誤檢率。

4 結束語

本文提出了一種開放環(huán)境下基于輪廓小波能量分析的煙霧檢測算法，通過煙霧輪廓的能量變化和輪廓的不規(guī)則性兩個特征對煙霧和類煙霧物體進行區(qū)分，并使用貝葉斯分類器進行分類判定。實驗結果表明，此算法能提高檢測的準確性和魯棒性，對環(huán)境適應能力較強，對實現(xiàn)智能森林火情檢測具有重要的應用價值。

［1］ Chen Thou-Ho，Yin Yen-Hui，Huang Shi-Feng，et al.The Smoke Detection for Early Fire-Alarming System Base on Video Processing［C］.California:in Proceedings of the 2006 International Conference on Intelligent Information Hiding and Multimedia Signal Processing，2006:427 －430.

［2］ MarutaHidenori，Kato Yasuharu，Nakamura Akihiro，et al.Smoke detection in open areas using its texture features and time series properties［C］.Seoul:in IEEE International Symposium on Industrial Electronics，2009:1 904 －1 908.

［3］ Kim Chansu，Han Yonngin，Seo Yongduck，et al.Statitical Pattern Based Real-time Smoke Detection Using DWT Energy［C］.Jeju Island:in IEEE Information Science and Applications，2011:1－7.

［4］ Toreyin B U，Dedeoglu Y，Cetin A E.Contour based smoke detection in video using wavelets［C］.Florance:14th European Signal Processing Conference，2006:760－763.

［5］ 楊猛，趙春暉，潘泉，等.基于小波分析的煙霧多特征融合和空間精度補償森林火情檢測算法［J］.中國圖像圖形學報，2009，14(4):694 －700.