基于多特征的紅外成像VOCs氣體檢測

洪少壯，胡 英，于宏偉

(大連海事大學船舶電氣工程學院，遼寧 大連 116026)

1 引言

在我國，所謂VOCs氣體指常溫下飽和蒸汽壓大于70pa，常壓下沸點在260℃以內(nèi)的有機化合物，或者常溫常壓下任何能揮發(fā)的有機固體或液體[1]。

VOCs氣體成像檢測技術是氣體泄漏檢測領域的重要組成部分，其只采集目標場景內(nèi)某一紅外波段輻射信息進行成像。而大多數(shù)VOCs氣體紅外輻射波段在3-5μm的中波段，通過采集該波段內(nèi)輻射信息，獲得類似煙霧的泄漏氣體圖像，掌握氣體擴散趨勢并確定泄漏源[2]。

由于VOCs氣體紅外圖像與可見光下煙霧圖像在視覺效果上相似，相關視頻煙霧檢測算法具有一定參考價值。史玉坤[3]等人列舉了煙霧的靜態(tài)與動態(tài)特征，其中部分特征與VOCs氣體特征相同。袁非牛[4]等人提出了一種基于累積量和主運動方向的視頻煙霧檢測算法，對VOCs氣體泄漏檢測有一定的借鑒意義。但其成像結(jié)果為灰度圖像，且對比度相對較低。煙霧檢測中常用到的顏色特征及頻率特征，無法應用到VOCs氣體檢測算法中。比如唐杰[5]等人提出利用煙霧顏色模型確定疑似煙霧區(qū)域。雖然在可見光煙霧檢測中達到理想效果，但紅外圖像為灰度圖像，無法利用顏色信息進行氣體檢測。此外，國外學者Gubbi[6]等人提出利用小波變換與支持向量機結(jié)合的煙霧檢測方法，分析背景高頻信息變化。但由于紅外圖像對比度低，高頻能量信息相對較少，通過頻率特性進行氣體泄漏檢測比較困難。如圖1所示為紅外與可見光下的小波分析測試結(jié)果，圖(a1)和(b1)為紅外與可見光條件下對其背景分解后得到的4個子圖像，其中LL為圖像的低頻部分，HL、LH和HH分別為垂直、水平和對角線方向的高頻信息；圖(a2)和(b2)為氣體泄漏后對圖像分解得到的4個子圖像，可以看出，可見光下地面磚塊被泄漏氣體遮擋，高頻能量顯著減少。本文通過統(tǒng)計高頻能量信息，繪制出如圖2所示的高頻能量變化曲線，圖(a)和(b)分別為紅外環(huán)境和可見光條件下的高頻能量變化曲線。由此可以直觀看出，發(fā)生VOCs氣體泄漏后，紅外圖像高頻能量幾乎無變化，故無法應用頻率特性進行紅外氣體泄漏檢測。由此說明紅外與可見光圖像具有顯著區(qū)別，檢測難度加大。

圖1 紅外與可見光基于小波分析的測試結(jié)果

圖2 紅外與可見光圖像高頻能量變化曲線

由于VOCs氣體紅外成像的特殊性，傳統(tǒng)煙霧檢測算法無法達到檢測要求。基于紅外成像的VOCs氣體泄漏檢測算法具有研究價值。王建平[7][8]等人提出一種基于紅外圖像的背景建模方法，利用邏輯運算將幀差法與背景差分法相結(jié)合，獲得氣體泄漏區(qū)域，利用氣體幾何特征及背景能量變化的氣體檢測算法。但其在背景相對簡單和氣體形狀多變的環(huán)境中，檢測效果受到影響。劉路民根[9]等人提出一種基于形狀特征結(jié)合支持向量機的氣體泄漏檢測算法，但其只考慮典型氣體形狀特點，當空氣流動導致氣體形狀變化較大時，檢測率受到影響。由于紅外圖像分辨率差、對比度低和視覺效果模糊等特點，大量物體與VOCs氣體在紅外圖像上具有相似的視覺效果，使得可見光下特征鮮明的干擾物體，在紅外視頻中不易排除。

本文提出一種基于多特征的紅外視頻VOCs氣體泄漏檢測算法，利用氣體的邊緣不規(guī)則性、紋理特征和擴散性，在前景圖像基礎上正確區(qū)分泄漏氣體及其它干擾，并準確定位氣體泄漏區(qū)域。并將現(xiàn)有氣體檢測算法與本文算法進行對比實驗。結(jié)果表明，該算法識別率高，檢測效果理想。

2 前景提取

在基于紅外視頻的VOCs氣體檢測算法中，提取前景圖像是VOCs氣體檢測的基礎，而背景建模方法對前景圖像提取至關重要。本文采用混合高斯背景建模法作為背景建模及前景提取方法。

混合高斯背景建模[10]中各像素點相互獨立。對于圖像中每個像素點，其值的變化可看作是一種隨機過程，即用高斯分布來描述每個像素點規(guī)律。式(1)(2)(3)所示為單個像素點服從的高斯概率密度函數(shù)

(1)

(2)

(3)

其中k為高斯分布數(shù)，本文取k為5(視具體情況而定)，?(xt，μi，t，τi，t)為t時刻第i個高斯分布，ui，t為其均值，τi，t為其協(xié)方差矩陣，δi，t為其方差。I為3*3單位矩陣，ωi，t為t時刻第i個高斯分布的權重。

實驗表明，在固定監(jiān)控場景下，能夠提取出完整氣體泄漏區(qū)域，且滿足系統(tǒng)對實時性和準確性的要求。前景圖像如圖3所示，圖中a(1)，b(1)為原圖像，a(2)，b(2)為與之對應前景圖像。

圖3 提取出的前景圖像

3 多特征融合的VOCs氣體泄漏檢測

由前文可知，紅外圖像下VOCs氣體與可見光下煙霧呈現(xiàn)相似的視覺效果。可見光下煙霧主要有顏色特征、紋理特征、擴散性、不規(guī)則性、半透明性等特征。其中顏色特征和半透明性對顏色信息依賴性較高，但紅外圖像為灰度圖像，所以本文將其它三種特征應用于紅外圖像下氣體泄漏檢測。分別采用離散曲率熵、HOG(梯度方向直方圖)及連通域面積變化作為氣體泄漏區(qū)域識別的判定準則。

3.1 對氣體區(qū)域不規(guī)則性的判別—離散曲率熵計算

氣體往往呈現(xiàn)邊緣不規(guī)則性，而行人、車輛等干擾往往具有較為規(guī)則的邊緣。由此，對疑似氣體區(qū)域不規(guī)則性進行量化，對氣體區(qū)域及其它形狀特征不同的干擾區(qū)域進行判別。

對于圖形不規(guī)則性量化，通常利用圓形度對圖形不規(guī)則性進行度量。但通過實驗表明，大量干擾物體與泄漏氣體圓形度區(qū)間發(fā)生重合，并不能有效去除干擾，所以對圖形不規(guī)則性量化的研究具有實際意義。

戴凌宸[11]等人利用 香農(nóng)“信息熵”[12]與其它信息量對圖形不規(guī)則性進行度量，闡述了圖形不規(guī)則性量化問題。香農(nóng)“信息熵”是用于描述信息不確定性程度的度量熵，解決了信息量化度量問題，簡稱香農(nóng)熵。香農(nóng)熵描述如下：

假設X為所有可能事件集合，P(X)為集合中某一具體事件發(fā)生的概率，那么X集合的香農(nóng)熵定義為：

(4)

本文提出，引入曲率熵作為運動區(qū)域邊緣不規(guī)則性判別準則。曲率是針對曲線上某點切線方向角對弧長的轉(zhuǎn)動率，表明曲線偏離直線的程度。即曲線彎曲程度。本文基于前景圖像通過種子增長法生成連通域，并提取連通域邊緣圖像，得到一條離散的數(shù)字化閉合曲線。曲線由一系列離散點構(gòu)成，不存在解析表達式，所以離散點曲率由局部離散點相對位置決定，如圖4所示。

圖4 離散點相對位置

離散點Qi處離散點曲率Ci為[13]：

(5)

(6)

其中Qi-1QiQi+1為三角形有向面積[14]，xi+2=xi-1，yi+2=yi-1。綜上所述，本文離散曲率熵計算公式為：

(7)

式中H(C)為連通域閉合曲線離散曲率熵，P(Ci)為曲率Ci占總集合的概率。H(C)越大，則表示圖形越復雜。

本文分別選取泄漏氣體及常見干擾(行人、汽車)前景圖像進行實驗。由于篇幅所限，只選取部分圖像進行展示，如圖5所示，其中圖5(a)為氣體泄漏前景圖像，圖5(b)為干擾運動物體前景圖像。

圖5 氣體及干擾物體前景圖像

本文列舉部分實驗及圓形度對比實驗結(jié)果如表1、表2所示，可以看出，泄漏氣體與其它干擾物體在離散曲率生中有明顯差別，而在圓形度計算中，差別不夠明顯。

表1 離散曲率熵實驗結(jié)果

表2 圓形度實驗結(jié)果

由實驗統(tǒng)計結(jié)果可知H(C)∈[0.8，1.4]。如在前景圖像中圖形離散曲率熵在此區(qū)間，則可判定為疑似氣體泄漏區(qū)域。

3.2 氣體紋理特征的判別 —(HOG+支持向量機)

3.2.1 HOG(梯度方向直方圖)

圖像紋理是對圖像像素亮度的描述，廣泛應用于圖像特征識別。HOG通過計算圖像中每個像素點梯度幅值和方向，并生成直方圖，是一種描述圖像局部紋理特征的特征描述子。HOG特征由Dalal和Triggs[15]于2005年在CVPR首次提出，在行人檢測中獲得了較大成功。

考慮紅外氣體圖像的紋理特殊性，本文提出將HOG結(jié)合支持向量機應用于VOCs氣體泄漏檢測。HOG算法包含以下步驟：

1)圖像分塊如圖6所示，將一幅圖片分為若干個64*64大小檢測窗口，舍去不滿足規(guī)定大小的邊緣圖像，把8*8像素點分為一個單元格(cell)，并將6個相鄰的單元格構(gòu)成一個塊(block)。

圖6 圖像分塊示意圖

2)分別求取每個像素點梯度方向及幅值，以塊為單位對檢測窗口內(nèi)圖像進行掃描，掃描步長為一個單元，將所有塊的梯度方向特征串聯(lián)，得到HOG特征。其中像素點(x，y)處梯度計算公式為

(8)

該點處梯度幅值與方向分別為：

(9)

(10)

本文將梯度方向劃分為9個區(qū)間，在檢測窗口內(nèi)，水平和垂直方向上將有7個掃描窗口，所以每個檢測窗口HOG特征將有1764(4*9*7*7=1764)維。將生成的HOG特征送入支持向量機進行訓練，用于氣體特征檢測。

3.2.2 支持向量機(SVM)

支持向量機是一種基于統(tǒng)計學習的機器學習方法，被稱為具有最小化經(jīng)驗誤差的最大邊際分類器，在圖像識別領域得到廣泛應用。本文利用支持向量機訓練氣體識別分類器，對疑似氣體區(qū)域進行辯別。

支持向量機的基本思想是通過核函數(shù)將訓練數(shù)據(jù)映射到更高維度特征空間，構(gòu)建最優(yōu)超平面。由此，核函數(shù)的選擇對訓練效果至關重要。本文采用高斯核函數(shù)，其能將低維數(shù)據(jù)映射到無窮維空間，是應用最為廣泛的核函數(shù)之一。其公式為

(11)

實驗數(shù)據(jù)集由自行拍攝的紅外氣體圖像及紅外視頻數(shù)據(jù)集OTCBVS Benchmark Dataset Collection (http:∥vcipl-okstate.orgpbvsbench/#opennewwindow)構(gòu)成。訓練樣本包含正樣本800張和負樣本1200張。測試樣本包含正樣本200張和負樣本200張。其中正樣本為氣體圖像，負樣本為其它背景圖像，分辨率為64*64。

在多人靜止場景中，由于站立的人部分運動，其在前景圖像中將呈現(xiàn)不規(guī)則圖像，其不規(guī)則性與泄漏氣體相似，如圖7(a)(b)所示，結(jié)合HOG特征檢測后，能夠有效降低誤報率。

圖7 結(jié)合HOG特征氣體檢測結(jié)果

3.3 氣體擴散性判別—連通域的面積變化

泄漏氣體具有明顯的從中心到邊緣、由高濃度到低濃度的動態(tài)擴散過程，在紅外視頻中表現(xiàn)為，從泄漏點處持續(xù)向四周擴散，氣體形狀和方向會不斷變化，而行人、車輛及樹葉飄動等干擾，普遍形狀固定且亮度分布均勻。文獻[8]提出，利用泄漏氣體高濃度區(qū)域與邊緣亮度的差別進行差分運算，對其得到差分圖像進行氣體檢測。但由于泄露氣體方向變化，高濃度區(qū)域不固定，不應只考慮單一方向。本文提出通過計算連通域面積變化，對氣體泄漏區(qū)域進行判別。通過在前景圖像基礎上引入前景累積圖像，用圖像亮度表示目標。在一定時間序列內(nèi)的運動狀態(tài)，如式(12)、(13)所示。

(12)

(13)

其中A(x，y)為前景累積圖像像素值，D為圖像像素區(qū)域，f(x，y，i)為第i幀二值化前景圖像像素值。

在一段視頻序列中，運動區(qū)域會在前景累積圖像中進行疊加。由于泄露氣體泄漏點固定且持續(xù)擴散，其形狀和方向不斷變化，氣體泄漏區(qū)域在前景累積圖像中將呈現(xiàn)從中心到邊緣由明到暗的視覺效果，如圖8(a1)、(b1)所示。而快速移動的行人在同一位置停留時間過短，其減少的像素值將遠遠多于增加的像素值，不會在前景累積圖像中出現(xiàn)明顯輪廓，如圖8(a2)、(b2)所示，由此可排除一部分快速通過的干擾物體。而當運動物體在監(jiān)控區(qū)域停留后，其在前景累積圖像中將呈現(xiàn)亮度均勻分布的視覺效果，如圖8(a3)、(b3)所示。

圖8 第一行為前景圖像 第二行為前景累積圖像

由此可見，在一幀前景累積圖像中，通過不斷加大生成連通域的閾值，將在運動區(qū)域出現(xiàn)若干連通域。在氣體泄漏區(qū)域，將出現(xiàn)若干由大到小的連通域，且連通域交叉重疊，而在其它干擾區(qū)域，連通域大小大致相等。

為得到連通域，本文將種子增長法作為區(qū)域增長算法，其基本思想是將具有相似性質(zhì)的像素集合成連通域。通過對目標區(qū)域選取種子像素作為生長起點并將周圍鄰域內(nèi)像素具有相同或相似性質(zhì)的像素合并。將這些新像素作為新的種子增長點繼續(xù)上述過程。

高晶[16]等人對種子增長進行了詳細概述，本文將灰度值作為種子增長準則，具體如式(14)、(15)、(16)所示：

(14)

(15)

(16)

實驗結(jié)果如圖9所示，其中圖9(a)為氣體泄漏區(qū)域各連通域變化及前景累積圖像，可以清楚的看出，各連通域由大到小且相互重疊。圖9(b)為在有人干擾下，人所構(gòu)成的連通域和氣體連通域的區(qū)別及前景累積圖像，可以發(fā)現(xiàn)干擾物體像素值分布較均勻，其各連通域大小相差不大。由此可作為氣體泄漏有效判據(jù)。

圖9 運動區(qū)域連通域面積變化對比

4 實驗結(jié)果

本文算法采用VS2013環(huán)境及C++語言實現(xiàn)。為了驗證本文算法有效性，本文通過8段實驗視頻進行測試。分別在不同濃度、不同場景下進行測試。測試視頻為自行錄制，視頻分辨率為320*240。本文列出5組有代表性的氣體檢測結(jié)果。檢驗結(jié)果如圖10所示。

圖10 不同濃度不同場景下的檢測效果圖(第一行為檢驗結(jié)果圖，第二行為原視頻圖像)

為了驗證本文檢測算法魯棒性，在實驗視頻中加入大量干擾。干擾物為行人、溫度變化氣罐等物體。測試結(jié)果表明，在干擾條件下，本文算法能夠有效排除干擾并準確定位泄漏氣體位置，部分結(jié)果如圖11所示，可以看出，當行人行走、站立及提取不全時，本文算法依然能夠準定位泄漏區(qū)域，并避免誤報發(fā)生。

圖11 干擾條件下檢測結(jié)果圖(第一行為檢驗結(jié)果圖，第二行為對應前景圖像，第三行為對應原圖像)

本文對算法準確率及漏檢率做出統(tǒng)計，規(guī)定若在30幀圖像序列中至少有1幀檢測到泄漏氣體，則認定該序列存在氣體泄漏。若將干擾判定為泄漏氣體，則認定該序列存在誤判。定義R+表示檢測率，N+表示氣體泄露檢出序列數(shù)，M+表示氣體泄露總序列數(shù)，如式(17)所示，定義R-表示誤檢率，N-表示誤檢序列數(shù)，M-表示干擾視頻總序列數(shù)，如下式(18)所示

(17)

(18)

表3為本文算法實時性檢測結(jié)果，實驗結(jié)果表明，本文算法實時性良好，能夠在氣體泄漏2秒內(nèi)報警，達到氣體泄漏檢測要求。

表3 本文算法實時性

將本文算法與文獻[8]、文獻[9]算法進行對比實驗。由表4可知，文獻[8]中基于氣體幾何特征及能量信息進行檢測，在背景相對簡單的環(huán)境中(如地面，墻壁等)準確率較低，誤報率較高。文獻[9]只考慮單一氣體形狀，在大風及泄漏速率較慢時檢測率較低。當干擾處前景圖像提取不全時，產(chǎn)生較多誤報。

表4 算法對比測試

綜上所述，本文基于紅外成像提出了一種融合多特征的VOCs氣體泄漏檢測算法。通過混合高斯背景建模提取前景圖像，利用VOCs氣體的不規(guī)則性、紋理特性及擴散性準確識別出泄漏區(qū)域。大量實驗表明，該算法可有效排除其它運動物體的干擾，并能在氣體泄漏發(fā)生2s內(nèi)檢測到泄漏氣體的準確位置，檢測率高，實時性強。

5 結(jié)束語

本文通過觀察大量泄漏氣體紅外視頻，發(fā)現(xiàn)泄漏氣體特征，實現(xiàn)泄漏氣體檢測并排除干擾影響，算法實時性高，在不同條件下測試效果良好，能夠達到自動監(jiān)測報警的目的。

由于紅外圖像的信噪比不高，不利于氣體特征提取，本文提出的氣體特征提取算法，對低濃度氣體提取效果不明顯，需要進一步改進和研究。在光照變化較大的場景下，前景提取效果具有一定問題，會影響算法穩(wěn)定性，故如何保證前景提取準確性和適應性是本算法的一個研究方向。綜上所述，在VOCs氣體泄漏檢測算法研究上還需不斷改進，在更多應用層面上，進行更加深入研究。