基于多特征融合運行期均值法的煙霧檢測算法

劉　穎，顧小東，杜久玲，王　倩

(西安郵電大學　圖像與信息處理研究所，陜西　西安　710061)

?

基于多特征融合運行期均值法的煙霧檢測算法

劉穎，顧小東，杜久玲，王倩

(西安郵電大學圖像與信息處理研究所，陜西西安710061)

煙霧檢測能夠有效預防火災的發生，以此為出發點，解決了煙霧運動區域出現的“空洞”現象，從而實現了快速、準確地檢測視頻中煙霧的區域。利用煙霧的非剛體特點，融合顏色、背景模糊以及運動方向的特征對背景更新過程進行建模，然后結合連通域面積消除小干擾區域的影響，提高了基于單一特征的運行期均值法的魯棒性。實驗結果表明，改進的方法能夠準確、完整地檢測出視頻中的煙霧區域，并且處理速度也有所提高。

煙霧區域檢測；運行期均值；多特征融合

視頻監控對于個人和公共安全是一種十分有效的手段，通過處理攝像機獲取的視頻數據，使相關人員實時監控一些重要的區域場所。目前，基于視頻的火災檢測技術已成為國內外計算機視覺領域中一個很有意義的課題。它是通過對視頻及圖像進行處理，利用煙霧的特征，來檢測有無煙霧，從而在早期及時發現火情，避免災難的發生。視頻中煙霧[1]是時刻運動的，因此將視頻中所有運動區域提取出來是視頻煙霧檢測的首要任務。視頻中運動目標的提取過程，是進行后續煙霧檢測的基礎，提取結果的優劣直接影響后續處理的準確程度。

運動區域檢測是在視頻中提取出感興趣的運動物體(如：煙霧、行人、車輛等)，一般是基于檢測圖像像素的變化，學者們對此進行了很多研究工作，光流法[2-3]、幀間差分法[4-5]、背景減除法[5]是目前最成熟、應用最廣泛的算法。光流法(Optical Flow)的基本原理是計算圖像中每個像素的速度矢量。由于背景像素和前景像素在速度矢量上存在一定差別，所以能夠將圖像中的運動區域部分檢測出來。光流法的優點是不受錄像設備靜止與否的影響，但光流法的運算復雜度以及噪聲對其的影響一般都比較大，很難在實時性要求高的場所中應用。幀間差分法(Frames Difference)是將視頻中相鄰兩幀或多幀的灰度圖像做減法，再通過設定適當閾值來檢測其中運動的區域。幀間差分算法的優點在于算法復雜度較小，實現較容易，能夠快速提取圖像中的運動區域[6]。但該算法也存在缺點，像煙霧這樣的運動區域，其內部灰度值比較接近，相鄰兩幀變化不大，在目標區域內部會產生空洞，難以提取出完整的區域。并且此方法對所選擇的幀間間隔也比較依賴，對檢測結果產生一定影響。背景減除法是通過建立模型來近似地表達背景的像素值，將當前圖像和不斷實時更新的背景圖像進行相減，與背景區域差別較大的區域判斷是前景區域，否則判斷是背景區域。在背景減除法中基于背景均值的差分算法比較常見，它是通過構建一段時間內幾幀圖像的均值作為減除的背景。此方法能比較準確地定位運動物體的位置和較完整的運動區域，較少出現空洞，并且算法同樣有較低的復雜度。在實際的場景中，通常情況下都會出現環境的變化，如果在固定時間段內計算得到的背景均值不能適應環境變化的影響，會將這種干擾誤當作運動區域。因此，需要一種能夠實時更新的背景模型去緩解環境變化的影響。

運行期均值法是一種比較經典的背景差分方法，通過設定更新率α來實現背景圖像隨著輸入圖像的變化的更新情況。無論α調整到何值，它所更新的區域始終是背景區域。當目標由靜止狀態變為運動狀態或由運動狀態轉為靜止狀態后，便會出現虛假運動區域。本文提出了檢測效果和實時性都較好的背景差分法—改進的運行期均值法。該算法通過3個更新系數分別更新背景、非煙霧運動區域和煙霧區域，從而得到不錯的檢測效果。

1　背景差分法

背景差分法(Background Difference)首先需要建立一個背景模型，此模型可以是固定不變的，也可以根據情況實時更新，通過輸入圖像與背景圖像的差來提取運動區域。應用背景差分法提取運動區域時，能得到目標較完整的形狀，但其減除的背景易受到外界環境因素(如光照等)的影響。因此就要對背景圖像采取自適應更新，從而降低環境變化對背景像素的干擾作用，建立適應性更強的背景模型也是該算法取得良好檢測效果的關鍵。

在多數情況下，用于監控的攝像頭是固定于一個地方，位置不發生變化。因此，背景減除法就是一個較為理想的運動區域提取方法。其基本思想是通過建立模型來近似地表達背景的像素值，用將當前圖片和不斷實時更新的背景圖片進行相減，和背景區域差別較大的區域判斷是前景區域，否則判斷是背景區域。背景減除法的原理框圖如圖1所示。

圖1　背景減除法原理框圖

在背景減除法中基于背景均值的差分算法比較常見，它是通過構建一段時間內幾幀圖像的均值作為減除的背景。背景均值差分算法提取運動目標的過程如下：首先設置一定的幀區間，計算在此區間內所有圖像對應位置處的像素平均值，將此均值作為背景模型中對應位置的像素值。然后將視頻中需要檢測圖像和背景圖像對應位置處的灰度值相減，得到差分圖像。最后通過設定閾值，提取出靜態區域和運動區域。背景減除法可表示為

(1)

(2)

式中：Tn為第n幀的二值化閾值。如圖2所示，視頻中存在車輛、行人、煙霧的運動區域提取結果。最前面圖像為被檢測圖像，中間的是背景圖像，右邊為運動檢測的結果。

圖2　背景減除法檢測圖

圖2所示，應用背景均值差分法提取運動目標時，可以比較準確地定位運動物體的位置和較完整的運動區域，較少出現空洞。并且算法同樣有較低的復雜度，能夠滿足煙霧檢測對實時性的要求。但是，在實際場景中，環境通常都會發生變化，所以在固定時間段內計算得到的背景均值就不能適應環境變化的影響，而會將這種干擾誤當作運動區域。因此，需要一種能夠實時更新的背景模型去緩解環境變化的影響。為此，不少學者提出了基于混合高斯模型的背景建模[7]、基于卡爾曼濾波的背景建模[8]、基于運行期均值法的背景建模等，使其更能適應復雜場景的技術需求。

在火災的實時監控中，對算法的運算速度、消耗時間提出很高的要求。在煙霧發生時，只有在較短的時間內完成檢測，才能及時發出警報，預防火災的發生。光流法的計算量大就制約了其在視頻煙霧檢測[9]中的使用。而利用幀間差分法檢測時，由于煙霧緩慢擴散的現象，又會出現大面積的空洞，造成目標區域不完整。在背景減除法中，算法實時性較好并且煙霧顏色與多數背景有明顯差別。針對以上分析，本文選擇了一種對運行期均值法改進的方法，具體內容將在下節中詳細闡述。

2　運行期均值法及本文改進

對于視頻煙霧檢測，需要分析辨別視頻序列中疑似煙霧的區域，而煙霧不是靜止不變的，而是在發生著緩慢不規則運動，所以需要通過運動目標檢測提取出視頻中疑似煙霧的運動區域。然后可以在此基礎上進一步對各個運動區域進行特征提取，排除非煙霧區域，達到正確檢測煙霧的目的。

為了得到比較完整的煙霧檢測結果，運動區域的提取需要盡量滿足以下準則：1)完整性：提取出煙霧疑似區域應盡可能完整。根據煙霧的運動特性，分割盡量完整的運動區域。忽略煙霧過于淡薄的地方，以免對后續的煙霧判別造成影響。2)準確性：對于整體圖像而言，分割出的疑似煙霧區域應剔除孤立的噪聲點以及相對較小的干擾區域。3)實時性：算法的計算量應適中，處理時間短，滿足煙霧檢測對實時性要求。

2.1運行期均值法闡述

運行期均值法是一種比較經典的背景減除方法，它通過設定更新率α來實現背景圖像隨著輸入圖像的變化的更新情況。因此，背景是在不斷更新的，可以提高背景圖像對外界環境的適應能力。運行期均值法的更新過程可表示為

(3)

式中：更新率α滿足0<α<1。背景更新的快慢與α緊密聯系，α越小，背景更新得越慢，反之則更新得較迅速。利用式(3)建立背景模型，然后進行背景減除并二值化，即可得到前景圖像。如圖3所示，視頻中存在行人、煙霧的運動區域提取結果。最前面圖像為被檢測圖像，中間的是背景圖像，兩邊為運動檢測的結果。

圖3　運動區域提取結果

在運用運行期均值法進行煙霧疑似區[10]域提取的過程中，閾值的選取成為能否完整準確地提取出煙霧疑似區域的一個關鍵因素。如果閾值界設定較大，則就會把過多的煙霧疑似區域判定為背景，若閾值設定過小，則會把過多的背景判定為煙霧疑似區域。并且，無論α調整到何值，它所更新的區域始終是背景區域。當目標由靜止狀態變為運動狀態或由運動狀態轉為靜止狀態后，便會出現虛假運動區域。例如，當一個目標一段時間處于靜止狀態，那么該目標就會被更新到背景當中，若它由靜止轉為運動，在原來靜止的區域內仍然能夠檢測出該目標，需要經過一段時間后才會從背景中消失。

2.2本文改進算法

對于運行期均值法，一般情況作如下改進：采用兩個更新系數α和β，對背景像素和前景像素進行分別更新。

(4)

(5)

式中：Tn為分割閾值；Bn(i，j)代表背景點；Dn(i，j)代表前景點。

為了改善運行期均值法的運動目標提取效果，降低算法的時間復雜度，本文進一步對視頻圖像進行分塊處理[11]，采用一種基于分塊的運行期均值法提取視頻圖像中的運動目標。如圖4所示，提取運動區域前，對圖像進行分塊。

圖4　圖像分塊示意圖

在提取運動區域前，首先將圖像分割成大小相等的分塊，每塊大小為N×N(N的取值取決于視頻的分辨率)。以塊為單位對視頻圖像進行處理，既能夠提高檢測效率，還可以有效減少細小噪聲的干擾。設Blkn為分割后的視頻圖像，則其可以表示為

本文中，所更新的背景由上一次獲得的背景圖像及當前被檢測圖像共同決定。因此，需要在背景更新之前先對背景進行初始化。文中的背景初始化為被檢測視頻的第11～15幀圖像的灰度的平均值，忽略視頻前10幀。這是由于在利用攝像頭進行視頻采集過程中，錄像的開始階段可能會產生不穩定因素，造成背景圖像失真。同時又不至于遺漏過多的視頻幀，造成部分煙霧圖像漏檢。由于初始化的背景是視頻連續幾幀的平均值，可能并不能真實反映背景情況，但在以后的背景更新中背景和前景的準確度會得到改善。在運動區域提取當中，對于煙霧檢測來說，由于其緩慢擴散的特性，如果煙霧區域過多地更新到了背景當中，造成當前圖像和背景圖像在煙霧區域對比度降低，從而影響煙霧區域的提取。因此本文中作如下改進：對于已經檢測到為煙霧的分塊，在背景更新中賦予較小的更新率或者不更新。具體方法如下：

1)本文的背景更新在煙霧檢測完成后進行，即假設煙霧檢測完成后，如

(7)

式(7)中出現的3種特征為顏色特征、背景模糊特征和運動方向特征。本文中的背景圖像是在對當前圖像做完檢測以后才做更新。

Dn+1=In+1-Bn+1

(8)

(9)

2)本文對運動區域判別中的閾值Tn做了自適應跟蹤。根據當前圖像灰度的平均值去更新閾值。設第n幀圖像的灰度平均值是Gn，若Gn比較大，那么說明在該幀圖像中出現煙霧的可能性比較大。分割閾值Tn就設定得稍大些，定為Tn=Gn/3。這樣能夠將煙霧區域保留，并且盡可能剔除干擾區域。如果當前幀的平均灰度值比較小，那么就以較小的固定值作為分割閾值。這樣如果視頻中存在較小的運動區域，也能夠在分割后得到保留，不至于將煙霧區域當作噪聲剔除。如圖5所示，為改進的運行期均值法提取運動區域的檢測結果。

圖5　改進的運行期檢測圖

本文算法采取對滿足煙霧顏色、背景模糊和運動方向3種特征的區域不進行更新，所以滿足上述特征的區域還是原來的背景，這樣在進行背景減除時，煙霧區域會獲得很好的檢測效果，如圖5所示將運動目標(人、煙霧)完整準確地提取出來。

3　連通區域剔除

對于煙霧檢測中，用來表示區域運動或靜止的二值圖，需要用像素間的連通性確定劃分成的區域。通過計算所劃分區域的大小排除一些干擾塊，進一步排除非煙霧區域。所謂的四連通區域，是指原始位置的上、下、左、右是目標區域緊鄰的位置，統計時將這4個方向的分塊當作一個區域。八連通區域，指對在四連通域的基礎上還包括左上、右上、左下、右下四個斜向相鄰位置，共8個方向。四連通域為八連通域的子集，也就是若某區域為四連通域則肯定是八連通的。連通域標記如圖6所示。

圖6　連通區域標記

圖6中每個方框代表圖像中分塊。對于四連通域，將圖6a中3個顏色不相同的分塊處理成不同的區域；而圖6b中，八連通域指，將3個不同顏色的分塊按一個區域處理。

四連通和八連通區域定義為

N4(p)=(i,j)∪(i,j+1)∪(i,j-1)∪(i+1,j)∪(i-

1,j)

(10)

N8(p)=N4∪(i+1,j+1),(i+1,j-1),(i-1,j+

1),(i-1,j-1)

(11)

本文中采用八連通區域對分塊進行處理，將區域內分塊數小于或等于3個運動分塊的區域剔除，從而降低噪聲對煙霧檢測的影響。

4　實驗結果及分析

圖7與圖8分別為運行期均值法以及改進的運行期均值法檢測的運動區域。

圖8　改進的運行期均值法檢測的運動區域

運行期均值法(圖7)進行煙霧疑似區域提取的過程中，把煙霧過多地判定為背景，使得煙霧檢測的效果很不好。圖8中則大大改善運行期均值法提取運動目標的效果，將運動區域完整準確地檢測出來。閾值的選取成為能否完整準確地提取出煙霧疑似區域的關鍵因素。如果閾值界設定較大，則就會把過多的煙霧疑似區域判定為背景，若閾值設定過小，則會把過多的背景判定為煙霧疑似區域。

5　小結

本文介紹了基于運行期均值的背景差分法，并對此作出改進，應用3個參數去更新背景，同時結合連通域面積消除小干擾區域的影響。算法通過把圖像適當分塊，降低后續煙霧特征提取中的復雜度。然后應用本文提出的方法進行背景更新、閾值分割，并應用形態學方法處理降低噪聲影響。最后，講述了連通區域分割，通過利用八連通域進行區域分割，將分塊個數小于某個閾值的區域剔除。實驗結果表明，該方法得到的疑似煙霧區域檢測效果較好，為后續進行煙霧檢測以及特征分析處理做好準備。

[1]羅勝，YUZHENG J.視頻檢測煙霧的研究現狀[J].中國圖象圖形學報，2013，18(10)：1225-1236.

[2]BARRON J L. On optical flow[C]// Proc. AIICSR. Bratislava，Slovakia：IEEE，1994：3-14.

[3]YA-DONG Y. Theory and application of optical flow method in the moving target identification[J]. Electronic design engineering，2013,21(5):24-26.

[4]LIPTON A， FUJIYOSHI H， PATIL R. Moving target classification and tracking from real-time video[C]//Proc. IEEE Workshop in Applications of Computer Vision. Princeton， New Jersey： IEEE Computer Society，1988：8-14.

[5]鄭璐，陳俊周.基于運動和顏色的視頻煙霧檢測算法[J]. 計算機工程與設計，2010， 31(21)：4650-4652.

[6]SONGLIN W， HAODONG L， TAIFANG W， et al. Moving target detection algorithm research based on background subtraction method[C]//Proc. 3rd International Conference on Multimedia Technology(ICMT-13).[S.l.]：IEEE，2013：1179-1186.

[7]STAUFFER C，GRIMSON W.E.L. Adaptive background mixture models for real-time tracking[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Florence，Italy：Springer，1999：246-252.

[8]CHRISTOF R，MUNKELT O，KIRCHNER H. Adaptive background estimation and foreground detection using Kalman-filtering[C]//Proc. the International Conference on recent Advances in Mechatronics， Istanbul， Turkey：UNESCO Chair on Mechatronics，1995：193-199.

[9]何大超，婁小平，唐輝. 基于動態特性的實時視頻煙霧檢測[J]. 計算機應用與軟件， 2014 (2)：201-204.

[10]章巧娟. 基于圖像處理的室內視頻火災煙霧識別方法[D]. 武漢：華中科技大學， 2011.

[11]李文輝，肖林廠，王瑩，等. 一種基于塊的視頻煙霧檢測算法[J]. 吉林大學學報(理學版)， 2012(50)：979-986.

劉穎(1972— )，女，高級工程師，博士，主要研究方向為圖像與視頻檢索；

顧小東(1988— )，碩士，主研視頻圖像處理；

杜久玲(1989— )，女，碩士生，主研基于局部特征的刑偵圖像檢索；

王倩(1983— )，女，講師，博士，主要研究方向為圖像與視頻的智能分析。

責任編輯：閆雯雯

Fire smoke detection method based on multi-feature running average method

LIU Ying ，GU Xiaodong， DU Jiuling，WANG Qian

(CenterforImageandInformationProcessing，Xi’anUniversityofPostsandTelecommunications，Xi’an710061，China)

For detecting smoke which is sign of fire， the “hole” phenomenon which is in the task of smoke detection is resolved in this paper. Considering the non-rigid nature of smoke， the color， blurred background and motion direction are all included to model the process of renewing background. And then the small noise regions are eliminated based on connected area. The improved run-average method is more robust than the one based on single feature. The experimental results show that the proposed method can accurately and efficiently detect the smoke area in video.

smoke region detection； running average； multi-feature fusion

TN911.73

A

10.16280/j.videoe.2016.09.019

國家自然科學基金青年項目(61202183；41504115)；陜西省百人計劃項目；公安部科技強警基礎工作專項項目(2015GABJC50)；陜西省自然科學基礎研究計劃項目(2015JQ6223)

2015-11-28

文獻引用格式：劉穎，顧小東，杜久玲，等. 基于多特征融合運行期均值法的煙霧檢測算法[J].電視技術，2016，40(9)：95-99.

LIU Y，GU X D， DU J L，et al. Fire smoke detection method based on multi-feature running average method[J]. Video engineering，2016，40(9)：95-99.