CN102509414B - 一种基于计算机视觉的烟雾检测方法 - Google Patents

Abstract

本发明公开了一种基于计算机视觉的烟雾检测方法，首先检测场景中的运动区域，然后通过运动区域的特征加权求和得到每个运动区域的初始属性评判，最后通过帧间运动区域关联的方法，确定视频序列中运动区域是否属于同一目标，对同一目标进行综合分析，判断该目标是否为烟雾。本发明采用帧间目标关联方法确定帧间运动区域的关系，对运动目标属性进行综合判断。该方法具有复杂度低、降低虚警率的特点，能够及时准确的发现监控场景中出现的烟雾。

Description

一种基于计算机视觉的烟雾检测方法

技术领域

本发明属于计算机视觉方法，具体涉及基于计算机视觉的烟雾检测方法，可应用于火灾报警监控。

背景技术

传统的基于烟雾探测器的火灾报警***由于对烟雾的高灵敏度和低成本等特性在火灾防控方面取得了广泛的应用。但是由于其特殊的工作原理，即探测器必须与一定浓度的烟雾接触才能报警，使得它无法应用于大的空间以及露天环境。此外，烟雾扩散至报警探测器的时间加长了烟雾的发现时间，不利于火灾的及早发现。

计算机视觉主要研究从图像数据中获取信息的方法，在基于视频监控的火灾报警***中，可以通过计算机视觉方法对视频图像内容进行分析，获得对监控区域场景的初步理解，而不需要与烟雾接触产生化学反应，因此能够监控大空间以及露天区域；同时，基于视频监控的火灾报警***能够获得丰富的现场图像信息数据，可以及时提供对着火位置，火势大小的初步判断，第一时间提供火情信息，降低火灾损失。

烟雾检测属于计算机视觉领域中特定目标的检测识别问题，一些研究人员提出了基于烟雾不同特征的检测算法。目前实际使用中的烟雾检测算法主要有以下几种：

1)基于颜色信息的烟雾检测

颜色信息是图形的重要信息，通过在彩色图形中寻找特定颜色的区域，能够发现潜在的目标区域，从而实现烟雾的检测。然而，利用颜色信息进行烟雾检测也存在一些明显的不足，例如受相似颜色目标的干扰；此外，能否针对不同颜色的烟雾建立合适的颜色模型，也是限制颜色信息在烟雾检测中应用的一个重要限制。

2)基于运动信息的烟雾检测

烟雾的运动存在特定的规律(烟往高处扩散)，通过计算场景中的光流，发现目标的光流运动特性，能够将烟雾与不具备这些运动特性的目标区分开来。然而，光流计算的准确性，监控区域的成像条件等都对烟雾的准确检测结果有很大影响。

3)基于小波分析的烟雾检测

小波分析方法作为信号处理，尤其是图像处理中的重要工具，在图像处理领域的很多问题中都有重要应用。通过对场景图像进行小波变换，得到图像的小波域信息，能够在频域和空域同时对图像进行分析。有学者研究了图像中烟雾区域同非烟雾区域在小波域的差别，研究了一系列基于小波变换的烟雾检测方法，如小波域能量损失与保留能量的关系、小波系数的统计规律等，获得了较好的效果。但是小波分析方法往往只针对特定形态的烟雾，难以满足一些特定场合的应用需求。

虽然研究人员提出了不同的烟雾检测算法，但是由于烟雾的形状变化多种多样，不同燃烧物产生的烟雾的浓度、灰度差异很大，加上检测的背景各不相同，目前很难找到能够很好的描述图像中烟雾的特征。

发明内容

本发明的目的在于提供一种基于计算机视觉的烟雾检测方法，首先通过在每帧视频中计算运动区域的特征对区域的类别属性进行初始分析，然后根据帧间运动区域的关系对运动目标属性进行综合判断，能够实现室内外大空间范围内的实时烟雾检测，为大型仓库等场所的火灾防控工作提供技术支持。

一种基于计算机视觉的烟雾检测方法，具体为：

检测第t帧图像的运动区域，运动区域的序号记为i；

提取第t帧第i个运动区域的一个以上的特征；

计算第t帧第i个运动区域的特征加权和得到该运动区域的属性得分；

计算第t帧第i个运动区域与第t-1帧图像的所有运动区域的距离；

确定第t帧第i个运动区域与第t-1帧图像的所有运动区域的距离的最小值；

若第t帧第i个运动区域与第t-1帧图像的所有运动区域的距离的最小值小于最小距离阈值，则依据第t-1帧图像该最小值对应运动区域的属性得分更新第t帧第i个运动区域的属性得分；

若第t帧第i个运动区域与第t-1帧图像的所有运动区域的距离的最小值大于等于距离阈值，则计算第t帧第i个运动区域与第t-2帧图像的所有运动区域的距离；

确定第t帧第i个运动区域与第t-2帧图像的所有运动区域的距离的最小值；

若第t帧第i个运动区域与第t-2帧图像的所有运动区域的距离的最小值小于最小距离阈值，则依据第t-2帧图像该最小值对应运动区域的属性得分更新第t帧第i个运动区域的属性得分；

若第t帧第i个运动区域的属性得分超过报警阈值，则认定存在烟雾。

进一步地，若第t帧第i个运动区域与第t-2帧图像的所有运动区域的距离的最小值大于等于最小距离阈值，则第t帧第i个运动区域的属性得分保持不变。

进一步地，所述依据第t-1帧图像该最小值对应运动区域的属性得分更新第t帧第i个运动区域的属性得分步骤具体为：第t帧第i个运动区域的属性得分

为第t-1帧图像该最小值对应运动区域的属性得分，0.8≤a≤0.95。

进一步地，所述依据第t-2帧图像该最小值对应运动区域的属性得分更新第t帧第i个运动区域的属性得分步骤具体为：第t帧第i个运动区域的属性得分

为第t-2帧图像该最小值对应运动区域的属性得分，0.75≤b≤0.9。

进一步地，所述运动区域的特征包括：灰度均值、运动区域内前继历史帧图像中的平均灰度均值穿越次数、运动区域内前继历史帧图像中灰度最大增加图像与灰度最大减少图像均值的比值、前继历史帧图像中灰度最大变化图像在运动区域的均值和方差、运动区域内较大梯度像素点与区域面积的比值。

进一步地，所述计算第t帧第i个运动区域与第t-1帧图像的所有运动区域的距离步骤具体为：

在第i个运动区域和第t-1帧图像的第j个运动区域内分别选个

和

个方块；

计算第i个运动区域与第t-1帧图像的第j个运动区域的距离 $D_{i,j}^{t,t-1}=\frac{{\mathrm{\Σ}}^{L_i^t/2}{\mathrm{Rank}}_m^{\max }\left({\mathrm{\Σ}}^{L_j^{t-1}/2}{\mathrm{Rank}}_n^{\max }\left(d_{m,n}^{i,j}\right)\right)}{L_j^{t-1}\×L_i^t/4},$ 其中，

$d_{m,n}^{i,j}=|{\mathrm{\μ}}_m^{t,i}-{\mathrm{\μ}}_n^{t-1,j}|/{\mathrm{\λ}}_{\mathrm{mean}}+|{\mathrm{\σ}}_m^{t,i}-{\mathrm{\σ}}_n^{t-1,j}|/{\mathrm{\λ}}_{\mathrm{variance}}+\sqrt{{({\mathrm{\θx}}_m^{t,i}-{\mathrm{\θx}}_n^{t-1,j})}^2+{({\mathrm{\θy}}_m^{t,i}-{\mathrm{\θy}}_n^{t-1,j})}^2}/{\mathrm{\λ}}_{\mathrm{location}}$

m表示第t帧第i个运动区域的第m个方块，n表示第t-1帧图像第j个运动区域的第n个方块，，λ_mean，λ_variance，λ_location分别为权重参数，

和

分别为第t帧第i个运动区域内的第l个方块的均值和方差，

为第t帧第i个运动区域内的第l个方块的位置，和

分别为第t-1帧中第j个运动区域j内的第l个方块的均值和方差，

为第t-1帧中第j个运动区域内的第l个方块的位置，

表示以n为自变量求最大的个

的和，

表示以m为自变量求最大的

个φ(m)的和。

进一步地，所述检测第t帧图像的运动区域步骤包括：

生成运动前景图像步骤：

第t帧图像F_t中的每一像素点F_t(x，y)，分别与第t-Δt₁，t-Δt₂，t-Δt₃帧图像中对应的像素点 $F_{t-{\mathrm{\Δt}}_1}(x,y),F_{t-{\mathrm{\Δt}}_2}(x,y),F_{t-{\mathrm{\Δt}}_3}(x,y)$ 相减并取绝对值，得到差值 ${\mathrm{diff}}_{t-{\mathrm{\Δt}}_3}(x,y),{\mathrm{diff}}_{t-{\mathrm{\Δt}}_2}(x,y),{\mathrm{diff}}_{t-{\mathrm{\Δt}}_3}(x,y),$ 取差值的最大值与运动检测阈值ΔF作比较，若大于阈值ΔF则认为该点处存在运动，则将该像素点

置为255，否则置0，从而得到运动前景图像；

运动前景图像滤波步骤；

连通域标记步骤。

进一步地，ΔF取值为10至30之间。

本发明的技术效果体现在：本发明采用帧间目标关联方法确定帧间运动区域的关系，对运动目标属性进行综合判断。该方法具有复杂度低、降低虚警率的特点，能够及时准确的发现监控场景中出现的烟雾。

附图说明

图1为本发明方法总体流程图；

图2为两幅存在烟雾的视频场景截图；

图3为图2中场景进行运动区域检测的结果示意图；

图4为烟雾检测结果示意图。

具体实施方式

下面结合具体实例对本发明进行详细描述。

设需要检测视频序列F监控的场景中是否存在烟雾区域，参见图1，本发明以如下方式运行：

(1)运动目标检测

保存视频序列中的前ζ帧图像至图像序列Image_list，从视频序列中的第ζ+1帧图像开始，可以开始检测当前图像F_t中的运动目标，运动目标检测包括以下步骤：

(1.1)生成运动前景图像

当前图像F_t中的每一像素点F_t(x，y)，分别与t-Δt₁，t-Δt₂，t-Δt₃帧图像中对应的像素点 $F_{t-{\mathrm{\Δt}}_1}(x,y),F_{t-{\mathrm{\Δt}}_2}(x,y),F_{t-{\mathrm{\Δt}}_3}(x,y)$ 相减并取绝对值，得到差值 ${\mathrm{diff}}_{t-{\mathrm{\Δt}}_3}(x,y),{\mathrm{diff}}_{t-{\mathrm{\Δt}}_2}(x,y),{\mathrm{diff}}_{t-{\mathrm{\Δt}}_3}(x,y),$ 取差值的最大值与运动检测阈值ΔF作比较，若大于阈值则认为该点处存在运动，则将该像素点

置为255，否则置0，从而得到运动前景图像，即：

${\hat{F}}_t(x,y)=\left\{\begin{array}{cc}255,& \begin{array}{cc}\mathrm{if}& \max ({\mathrm{diff}}_{{t-\mathrm{\Δt}}_1}(x,y),{\mathrm{diff}}_{{t-\mathrm{\Δt}}_2}(x,y),{\mathrm{diff}}_{{t-\mathrm{\Δt}}_3}(x,y))>\mathrm{\ΔF}\end{array}\\ 0,& \mathrm{else}\end{array}\right.$

其中ΔF为设定的运动检测阈值，根据视频图像的质量、需要检测的烟雾浓度等人为设定，一般取值为10至30之间。

(1.2)对运动前景图像进行滤波

为了消除上述得到的前景图像

中存在的孤立噪声点和连接断开的目标区域，本实例中选用中值滤波器对

进行滤波处理。

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把图像中某像素点的颜色值用该像素点的一个邻域中各像素点颜色值排序后的中间值代替，让周围像素的颜色值更接近真实值，从而消除孤立的噪声点，本实施例中对

进行中值滤波时选用的邻域为该像素的8邻域，即选取8邻域中的所有像素的灰度值的中间值作为该像素点滤波后的结果。所谓像素点(x，y)的邻域是指该像素具有4个水平和垂直的相邻像素，其坐标为(x+1，y)，(x-1，y)，(x，y+1)，(x，y-1)，这四个点称之为(x，y)的4邻域，同时(x，y)的4个对角的相邻像素具有如下坐标：(x+1，x+1)，(x+1，y-1)，(x-1，y+1)，(x-1，y-1)。所有的这8个点称之为(x，y)的8邻域，若(x，y)位于图像的边界，则它的8邻域中的某些点落入图像的外边。

(1.3)连通域标记：

二值图像

经过滤波处理之后，将其中像素值为255且彼此位于对方的8邻域中的像素用同一数值标记出来，标记后的图像中具有相同数值的所有像素则隶属于同一个连通域，将得到的所有N_t个连通域保存在目标队列Objetc_list；

若N_t＝0，则当前场景中没有运动目标，跳转至步骤(4)；

若N_t≠0，则场景中存在运动目标，继续执行步骤(2)；

(2)对步骤(1)得到的N_t个区域，通过计算区域内的特征，得到每个区域的初始得分

(2.1)计算区域内图像的灰度均值

为区域内图像的亮度，能够反映图像的亮暗情况。定义为：

${\mathrm{Mean}}_i^t={\mathrm{\Σ}}_{(x,y)\∈I_i^t}{F}_t(x,y)/{\mathrm{Area}}_i^t;$

其中

表示点(x，y)属于当前t帧图像中运动区域i的范围内，

表示t帧图像中运动区域i的面积；

(2.2)计算区域内过去ζ帧图像中的平均灰度均值穿越次数

为区域内平均均值穿越次数，反映区域内运动的整体频率信息，定义为：

${\mathrm{MCR}}_i^{t-\mathrm{\ζ},t}={\mathrm{\Σ}}_{(x,y)\∈I_i^t}{\mathrm{MCR}}^{t-\mathrm{\ζ},t}(x,y)/{\mathrm{Area}}_i^t;$

其中MCR^t-ζ，t(x，y)为点(x，y)在时间范围[t-ζ，t]内的均值穿越次数，即在过去ζ帧图像中，相邻两帧图像灰度值穿过所有ζ帧图像中该点处灰度均值M^t-ζ，t(x，y)的次数。MCR^t-ζ，t(x，y)的计算方法为：令MCR^t-ζ，t(x，y)＝0，ω＝t-ζ，…，t-1：

若(F_ω(x，y)-M^t-ζ，t(x，y))×(M^t-ζ，t(x，y)-F_ω+1(x，y))＜0；则MCR^t-ζ，t(x，y)＝MCR^t-ζ，t(x，y)+1；

(2.3)计算在过去ζ帧图像内灰度最大增加图像TCincrease^t-ζ，t、灰度最大减小图像TCdecrease^t-ζ，t和灰度最大变化图像TCchange^t-ζ，t，从而计算每个区域的统计信息 ${\mathrm{TCquotient}}_i^{t-\mathrm{\ζ},t},{\mathrm{TCmean}}_i^{t-\mathrm{\ζ},t},{\mathrm{TC\; var\; iance}}_i^{t-\mathrm{\ζ},t};$

灰度最大增加(减少/变化)图像是指，在过去ζ帧图像中，每个像素点相邻两帧灰度增加(减少/变化)最大的值组成的图像；

TCincrease^t-ζ，t(x，y)＝max_{q∈[t-ζ，t-1]}(F_q+1(x，y)-F_q(x，y))；

TCdecrease^t-ζ，t(x，y)＝max_{q∈[t-ζ，t-1]}(F_q(x，y)-F_q+1(x，y))；

TCchange^t-ζ，t(x，y)＝max_{q∈[t-ζ，t-1]}(|F_q(x，y)-F_q+1(x，y)|)；

若TCincrease^t-ζ，t(x，y)(或TCdecrease^t-ζ，t(x，y))小于0，即点(x，y)处灰度值在过去ζ帧图像中持续减少(或增大)，则将该处置为0。

指运动区域内最大增加图像与最大减少图像均值的比值，反映了ζ帧图像时间内该区域亮度的变化情况；

${\mathrm{TCquotient}}_i^{t-\mathrm{\ζ},t}={\mathrm{\Σ}}_{(x,y)\∈I_i^t}{\mathrm{TCincrease}}^{t-\mathrm{\ζ},t}(x,y)/{\mathrm{\Σ}}_{(x,y)\∈I_i^t}{\mathrm{TCdecrease}}^{t-\mathrm{\ζ},t}(x,y)$

为最大变化图像TCchange^t-ζ，t在区域i内的均值和方差，反映了ζ帧图像时间内该区域内灰度值变化的不均匀程度；

(2.4)计算区域内大梯度像素点与区域面积的比值

表示区域i内，梯度大于阈值ΔGrad的像素占整个区域面积的比值：

${\mathrm{GRADquotient}}_i^t={\#}_{(x,y)\∈I_i^t}(F_t^{\mathrm{grad}}(x,y)>\mathrm{\ΔGrad})/{\mathrm{Area}}_i^t$

其中，

为图像F_t在点(x，y)的梯度，

表示在区域i范围内，满足条件

像素点的个数；

其中ΔGrad为梯度阈值，可以根据场景中的边缘信息的多少预先设定，也可以依赖区域的某些特征设定自适应的阈值。本例中，使用该区域的平均亮度

作为梯度阈值，即较亮的地方可以允许存在较明显的边缘，而较暗的地方不应出现明显的边缘信息。

本例中计算梯度使用sobel算子，sobel算子是实践中计算数字梯度时最常用的算子之一。通过使用模板：

分别对图像F_t进行卷积得到卷积结果

并令

求得梯度图像。

(2.5)根据步骤(2.1)-(2.4)所计算的区域特征，计算每个区域的初始属性得分

是一个反映目标区域i属性的数，由等特征计算得到，

值越大，则认为运动目标区域i越可能是烟雾；但是这里

并不是严格意义上的区域i为烟雾的概率，因为它不满足概率函数的非负性也没有经过归一化，因此，称

为区域i的得分；本例中

为 ${\mathrm{TCquotient}}_i^{t-\mathrm{\ζ},t},{\mathrm{TCmean}}_i^{t-\mathrm{\ζ},t},{\mathrm{TC\; var\; iance}}_i^{t-\mathrm{\ζ},t},{\mathrm{GRADquotient}}_i^t$ 的加权和即：

$p_i^t=W^T\×\mathrm{Feature}$

其中W右上角的T表示矩阵转置，Feature为该区域特征组成的向量： ${({1,{\mathrm{Meant}}_i^t,{\mathrm{MCR}}_i^{t-\mathrm{\ζ},t},\mathrm{TCquotient}}_i^{t-\mathrm{\ζ},t},{\mathrm{TCmean}}_i^{t-\mathrm{\ζ},t},{\mathrm{TC\; var\; iance}}_i^{t-\mathrm{\ζ},t},{\mathrm{GRADquotient}}_i^t)}^{T}W$ 为各特征的权值向量(α₀，α₁，α₂，α₃，α₅，α₅，α₆)^T；W可以通过机器学习的方法由样本训练得到；

(3)帧间运动区域关联，确定时间序列上运动区域的关系，得到各区域最终得分

(3.1)对当前帧中所有N_t个区域，在每个区域中随机选取(本例中

0＜β＜1)个5乘5大小的方块，计算所有

个方块的统计信息及位置信息，其中第l个方块的均值、方差和位置分别记为

和将目标区域i中采样得到的所有小方块的统计信息和位置信息存入Objetc_list中目标i对应的数据结构中；

(3.2)对当前帧中的所有N_t个目标区域，根据目标区域i中的

个方块计算目标区域与t-1帧图像中所有运动区域的距离(即特征差异)，形成t帧图像与t-1帧图像中所有目标区域的帧间距离矩阵DMAT^t，t-1(N_t行N_t-1列)，DMAT^t，t-1中第i行j列元素为t帧图像中目标区域i与t-1帧图像中目标区域j之间的距离

两帧图像间运动区域的帧间距离矩阵DMAT^t，t-1形式如下：

${\mathrm{DMAT}}^{t,t-1}=\left[\begin{array}{ccccc}{D}_{\mathrm{1,1}}^{t,t-1}& D_{\mathrm{1,2}}^{t,t-1}& ...& D_{1,N_{t-1}-1}^{t,t-1}& D_{1,N_{t-1}}^{t,t-1}\\ D_{\mathrm{2,1}}^{t,t-1}& D_{\mathrm{2,2}}^{t,t-1}& ...& D_{2,N_{t-1}-1}^{t,t-1}& D_{2,N_{t-1}}^{t,t-1}\\ .& .& & .& .\\ .& .& D_{i,j}^{t,t-1}& .& .\\ .& .& & .& .\\ D_{N_t-\mathrm{1,1}}^{t,t-1}& D_{N_t-\mathrm{1,2}}^{t,t-1}& ...& D_{N_t-1,N_{t-1}-1}^{t,t-1}& D_{N_t-1,N_{t-1}}^{t,t-1}\\ D_{N_t,1}^{t,t-1}& D_{N_t,2}^{t,t-1}& ...& D_{N_t,N_{t-1}-1}^{t,t-1}& D_{N_t,N_{t-1}}^{t,t-1}\end{array}\right]$

DMAT^t，t-1中第i行j列元素为t帧图像中目标区域i与t-1帧图像中目标区域j之间的距离

可通过计算两目标区域内随机采样的小方块间的距离得到：

首先定义任意两个小方块的距离，以t帧图像区域i中采样方块m与t-1帧图像区域j中采样方块n的距离为例：

$d_{m,n}^{i,j}=|{\mathrm{\μ}}_m^{t,i}-{\mathrm{\μ}}_n^{t-1,j}|/{\mathrm{\λ}}_{\mathrm{mean}}+|{\mathrm{\σ}}_m^{t,i}-{\mathrm{\σ}}_n^{t-1,j}|/{\mathrm{\λ}}_{\mathrm{variance}}+\sqrt{{({\mathrm{\θx}}_m^{t,i}-{\mathrm{\θx}}_n^{t-1,j})}^2+{({\mathrm{\θy}}_m^{t,i}-{\mathrm{\θy}}_n^{t-1,j})}^2}/{\mathrm{\λ}}_{\mathrm{location}}$

其中λ_mean，λ_variance，λ_location为设置的参数，用以调整面积、方差和距离的权重；对于运动的烟雾而言，灰度变化较小，而各部分烟雾区域的方差可能较大，并且运动缓慢，基于烟雾的上述特点本例中选取的λ_mean，λ_variance，λ_location分别为40、600、4，在实际应用中也可根据具体需要对三者的权重作出适当调整。对于区域i和j中随机采样得到的

个小方块，计算它们两两之间的距离，可以得到运动区域i，j的区域间距离矩阵

${\mathrm{dm\; at}}_{i,j}^{t,t-1}=\left[\begin{array}{ccccc}{d}_{\mathrm{1,1}}^{i,j}& d_{\mathrm{1,2}}^{i,j}& ...& d_{1,L_j^{t-1}-1}^{i,j}& d_{1,L_j^{t-1}}^{i,j}\\ d_{\mathrm{2,1}}^{i,j}& d_{\mathrm{2,2}}^{i,j}& ...& d_{2,L_j^{t-1}-1}^{i,j}& d_{2,L_j^{t-1}}^{i,j}\\ .& .& & .& .\\ .& .& d_{m,n}^{i,j}& .& .\\ .& .& & .& .\\ d_{L_i^t-\mathrm{1,1}}^{i,j}& d_{L_i^t-\mathrm{1,2}}^{i,j}& ...& d_{L_i^t-1,L_j^{t-1}-1}^{i,j}& d_{L_i^t-1,L_j^{t-1}}^{i,j}\\ d_{L_i^t,1}^{i,j}& d_{L_i^t,2}^{i,j}& ...& d_{L_i^t,L_j^{t-1}-1}^{i,j}& d_{L_i^t,L_j^{t-1}}^{i,j}\end{array}\right]$

通过区域间距离矩阵，可以得到两运动区域的距离：

$D_{i,j}^{t,t-1}=\frac{{\mathrm{\Σ}}^{L_i^t/2}{\mathrm{Rank}}_m^{\max }\left({\mathrm{\Σ}}^{L_j^{t-1}/2}{\mathrm{Rank}}_n^{\max }\left(d_{m,n}^{i,j}\right)\right)}{L_j^{t-1}\×L_i^t/4}$

其中

符号表示以n为自变量求最大的

个

的和，即求区域间距离矩阵

中每一行中最大

个元素的和，得到一个

行的向量φ；

表示以m为自变量求最大的

个φ(m)的和，即求向量φ中最大的

个元素的和，再归一化得到两运动区域间的距离

(3.3)通过DMAT^t，t-1求t-1帧图像所有目标块中与当前目标块i最近的距离并设

是t-1帧图像中与当前帧t中运动区域i最近的运动区域所对应的指标；

若

认为两目标区域匹配，即对应同一运动目标，则使用更新系数a更新得分，即 ${\tilde{p}}_i^t=p_i^t+a\×{\tilde{p}}_{J_i^{\min }}^{t-1};$

其中ε为最小距离阈值，与λ_mean，λ_variance，λ_location的选取有关，在本例中使用40、600、4的情况下，ε取值为8；a为更新系数，表示目标受之前得分影响的大小，一般取0.8～0.95之间；更新得分后，跳转至步骤(3.6)；

否则，认为t-1帧图像中没有当前运动区域的匹配，需要至t-2帧图像中寻找匹配目标，继续执行步骤(3.4)。

的计算方法为：通过计算

得到t帧图像和t-1帧图像的帧间距离矩阵DMAT^t，t-1，对DMAT^t，t-1中的每一行i，求该行中所有N_t-1个元素的最小值即可得到区域i与t-1帧图像中最近运动区域的距离

最小值所在的列数为所对应最近运动区域的指标

(3.4)若运动区域i无法与t-1帧图像中运动区域关联，根据运动区域i中的

个方块信息计算运动区域与t-2帧图像中所有运动区域的距离，即计算t帧图像与t-2帧图像帧间距离矩阵DMAT^t，t-2第i行中所有元素的值(对于已经与t-1帧图像中区域关联的区域，无需再计算其与t-2帧图像中目标区域的距离)，DMAT^t，t-2中第i行k列元素为t帧图像中目标区域i与t-1帧图像中目标区域k之间的距离

(3.5)求t-2帧图像所有目标块中与当前目标块最近的距离

并设

是t-2帧图像中与当前帧t中运动区域i最近的运动区域的指标。

若则认为两目标区域匹配，即对应同一运动目标，则以更新系数b对得分进行更新，即

其中b＜a为更新系数，表示目标受之前得分影响的大小，一般取0.75～0.9之间；

否则，认为t-2帧图像中没有当前运动区域的匹配，当前运动区域为新出现的运动目标

(3.6)判断

是否大于报警阈值η，若

则认为目标区域为烟雾，报警；

其中，η的选取与更新系数a、b以及对报警的灵敏度要求有关，本例中a、b分别等于0.9、0.8的情况下，η取值为3.5取得了较平衡的检测效果；

(4)完成相应内存操作

(4.1)在保存的图像序列Image_list中，释放所保存的第t-ζ帧图像信息，并保存当前第t帧图像信息。

(4.2)释放目标区域链表Objetc_list中所保存的t-2帧图像中运动区域的信息；

(4.3)令t＝t+1，继续执行步骤(1)；

图2为两幅存在烟雾的视频场景截图，图3为图2中场景进行运动区域检测的结果示意图，图4为烟雾检测结果图，其中黑色线条为关联区域的运动轨迹，白色区域为最终得分

为负的区域；浅灰色区域为单帧图像中被识别为烟雾，但时间序列上整体分析还没有达到烟雾标准的区域(包括单帧图像中检测出的虚警和刚出现的烟雾)，即

的区域；深灰色部分为报警区域。

Claims (6)

1.一种基于计算机视觉的烟雾检测方法，具体为： 

检测第t帧图像的运动区域，运动区域的序号记为i； 

提取第t帧第i个运动区域的一个以上的特征； 

计算第t帧第i个运动区域的特征加权和得到该运动区域的属性得分； 

计算第t帧第i个运动区域与第t-1帧图像的所有运动区域的距离； 

确定第t帧第i个运动区域与第t-1帧图像的所有运动区域的距离的最小值； 

若第t帧第i个运动区域与第t-1帧图像的所有运动区域的距离的最小值小于最小距离阈值，则依据第t-1帧图像该最小值对应运动区域的属性得分更新第t帧第i个运动区域的属性得分； 

若第t帧第i个运动区域与第t-1帧图像的所有运动区域的距离的最小值大于等于距离阈值，则计算第t帧第i个运动区域与第t-2帧图像的所有运动区域的距离； 

确定第t帧第i个运动区域与第t-2帧图像的所有运动区域的距离的最小值； 

若第t帧第i个运动区域与第t-2帧图像的所有运动区域的距离的最小值小于最小距离阈值，则依据第t-2帧图像该最小值对应运动区域的属性得分更新第t帧第i个运动区域的属性得分；若第t帧第i个运动区域与第t-2帧图像的所有运动区域的距离的最小值大于等于最小距离阈值，则第t帧第i个运动区域的属性得分保持不变； 

若第t帧第i个运动区域的属性得分超过报警阈值，则认定存在烟雾； 

所述计算第t帧第i个运动区域与第t-1帧图像的所有运动区域的距离步骤具体为： 

在第i个运动区域和第t-1帧图像的第j个运动区域内分别选

个和 个方块； 

计算第i个运动区域与第t-1帧图像的第j个运动区域的距离 

其中， 

m表示第t帧第i个运动区域内的第m个方块，n表示第t-1帧图像第j个运动区域内的第n个方块，，

λ_variance，λ_location分别为权重参数，

和

分别为第t帧第i个运动区域内的第l个方块的均值和方差， 

为第t帧第i个运动区域内的第l个方块的位置，

和 

分别为第t-1帧中第j个运动区域内的第l个方块的均值和方差， 为第t-1帧中第j个运动区域内的第l个方块的位置， 

表示以n为自变量求最大的

个的和，

表示以m为自变量求最大的

的和。 

2.根据权利要求1所述的烟雾检测方法，其特征在于，所述依据第t-1帧图像该最小值对应运动区域的属性得分更新第t帧第i个运动区域的属性得分步骤具体为：第t帧第i个运动区域的属性得分 

为第t-1帧图像该最小值对应运动区域的属性得 分，0.8≤a≤0.95。 

3.根据权利要求1所述的烟雾检测方法，其特征在于，所述依据第t-2帧图像该最小值对应运动区域的属性得分更新第t帧第i个运动区域的属性得分步骤具体为：第t帧第i个运动区域的属性得分 

为第t-2帧图像该最小值对应运动区域的属性得分，0.75≤b≤0.9。 

4.根据权利要求1所述的烟雾检测方法，其特征在于，所述运动区域的特征包括：灰度均值、运动区域内前继历史帧图像中的平均灰度均值穿越次数、运动区域内前继历史帧图像中灰度最大增加图像与灰度最大减少图像均值的比值、前继历史帧图像中灰度最大变化图像在运动区域的均值和方差、运动区域内较大梯度像素点与区域面积的比值。 

5.根据权利要求1所述的烟雾检测方法，其特征在于，所述检测第t帧图像的运动区域步骤包括： 

生成运动前景图像步骤： 

第t帧图像F_t中的每一像素点F_t(x,y)，分别与第t-Δt₁，t-Δt₂，t-Δt₃帧图像中对应的像素点

相减并取绝对值，得到差值

取差值的最大值与运动检测阈值ΔF作比较，若大于阈值ΔF则认为该点处存在运动，则将该像素点

置为255，否则置0，从而得到运动前景图像； 

运动前景图像滤波步骤； 

连通域标记步骤。 

6.根据权利要求5所述的烟雾检测方法，其特征在于，ΔF取值为 10至30之间。 

Images