CN107832723B - 基于lbp高斯金字塔的烟雾识别方法和*** - Google Patents

基于lbp高斯金字塔的烟雾识别方法和*** Download PDF

Info

Publication number
CN107832723B
CN107832723B CN201711144817.6A CN201711144817A CN107832723B CN 107832723 B CN107832723 B CN 107832723B CN 201711144817 A CN201711144817 A CN 201711144817A CN 107832723 B CN107832723 B CN 107832723B
Authority
CN
China
Prior art keywords
lbp
image
gray
smoke
pyramid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201711144817.6A
Other languages
English (en)
Other versions
CN107832723A (zh
Inventor
王琳
雷丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian Maritime University filed Critical Dalian Maritime University
Publication of CN107832723A publication Critical patent/CN107832723A/zh
Application granted granted Critical
Publication of CN107832723B publication Critical patent/CN107832723B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于LBP高斯金字塔的烟雾识别方法及***。本发明将疑似烟雾区域图像灰度化后经过两次高斯平滑、抽样，得到1/4、1/16尺寸的灰度图，与原图像灰度图组成n层金字塔图像；对n层高斯金字塔灰度图分别采用P＝8,R＝1的LBP算子计算得到其二进制LBP编码，采用旋转不变模式和等价模式对每层的LBP编码进行降维，得到9种LBP编码模式，统计每种LBP编码的数量并将其作为一个特征值；将n层LBP高斯金字塔的9×n个特征值构成AdaBoost输入向量，用于烟雾和伪烟雾干扰的判别。本发明涉及的方法对光照具有良好的鲁棒性、识别率较高。

Description

基于LBP高斯金字塔的烟雾识别方法和***
技术领域
本发明涉及图像处理和图像分类技术领域，具体说涉及一种基于LBP高斯金字塔的烟雾识别方法和***。
背景技术
严重的火灾事故往往导致严重的人员伤亡和巨大的财产损失。若能在火灾发生初期及时发现并报警，就可以将损失降到最低，因此，火灾早期探测至关重要。通常情况下，“烟为火始”，烟雾是火灾发生到第二阶段的伴随产物，若能及时探测到火灾烟雾，即可尽快采取火灾施救措施，降低人身伤亡与财产损失。
LBP(local binary patterns)是一种有效的纹理描述算子，是表述灰度图像某像素点与周围像素点大小关系的二进制描述，具有灰度不变性等优点，且对光照具有很好的鲁棒性。近几年中，LBP算子不断发展、演化，并广泛地应用于纹理分类、纹理分割等领域。
在不同尺度观察烟雾就会表现出不同的形态，因此，需要同时考虑图像在多尺度下的描述。1983年Burt P.J和Adelsin E.H提出了图像金字塔算法，是一种多分辨率、多尺度的方法。图像金字塔是一个原图像不同尺度的集合，是通过对原图像连续降采样得到的，图像金字塔的底部是原图像的高分辩率表示，顶部是原图像低分辨率的近似。
目前常用的烟雾探测器主要是通过监测烟雾的浓度来实现火灾防范，一般采用离子烟雾传感器作为其核心部件。但其应用的范围仅限于探测器安装的作用区，且器件的安装维护成本较高。
发明内容
鉴于已有技术存在的不足，本发明的目的是要提供一种基于LBP高斯金字塔的烟雾识别方法，该识别算法受光照影响小、响应速度快、识别率高等优点，能够实时准确识别出视频中是否存在烟雾，可实现火灾早期报警。
为了实现上述目的，本发明技术方案如下：
一种基于LBP高斯金字塔的烟雾识别算法，包括如下步骤：
S100.获取待判别的疑似烟雾区域图像，提取疑似烟雾区域图像的步骤包括：S110.采用运动检测算法提取出视频帧中的运动区域目标；S120.采用中值滤波、膨胀、腐蚀的形态学方法处理运动区域目标，得到运动区域图像；S130.采用颜色分割方法提取出疑似烟雾区域图像；
S200.灰度化处理疑似烟雾区域图像，对疑似烟雾区域灰度图l1进行高斯平滑和抽样处理，得到
Figure BDA0001472236530000021
尺寸的疑似烟雾区域灰度图l2，再对
Figure BDA0001472236530000022
尺寸的疑似烟雾区域灰度图l1进行高斯平滑和抽样处理，得到
Figure BDA0001472236530000023
尺寸的疑似烟雾区域灰度图l3；反复执行上述过程，以获得
Figure BDA0001472236530000024
尺寸的疑似烟雾区域灰度图ln，其中n≥2，由n个不同尺寸的疑似烟雾区域灰度图l1、l2…ln组成金字塔灰度图；
S300.采用P＝8,R＝1的LBP算子分别计算得到金字塔灰度图中三层图像l1、l2及l3对应的二进制LBP编码，并采用旋转不变模式和等价模式对各层图像对应的LBP编码进行降维；任意一层图像对应9种LBP编码模式，统计各LBP编码模式出现的次数以求得各层图像的LBP特征值，任意图层对应9个特征值；
S400.以金字塔灰度图三层图像对应的共计27个特征值构成AdaBoost模型的输入向量，并根据该输入向量判别烟雾真实性。
本发明的另一目的，是提供一种基于LBP高斯金字塔的烟雾识别***，其包括：
提取单元，用于获取待判别的疑似烟雾区域图像，采用运动检测算法提取出视频帧中的运动区域目标；采用中值滤波、膨胀、腐蚀的形态学方法处理运动区域目标，得到运动区域图像；采用颜色分割方法提取出疑似烟雾区域图像；
处理单元，用于灰度化处理疑似烟雾区域图像，对疑似烟雾区域灰度图l1进行高斯平滑和抽样处理，得到
Figure BDA0001472236530000025
尺寸的疑似烟雾区域灰度图l2，再对
Figure BDA0001472236530000026
尺寸的疑似烟雾区域灰度图l2进行高斯平滑和抽样处理，得到
Figure BDA0001472236530000027
尺寸的疑似烟雾区域灰度图l3；由3个不同尺寸的疑似烟雾区域灰度图l1、l2及l3组成金字塔灰度图；
计算单元，采用P＝8,R＝1的LBP算子分别计算得到金字塔灰度图中三层图像l1、l2及l3对应的二进制LBP编码，并采用旋转不变模式和等价模式对各层图像对应的LBP编码进行降维；任意一层图像对应9种LBP编码模式，统计各LBP编码模式出现的次数以求得各层图像的LBP特征值，任意图层对应9个特征值；
判断单元，以高斯金字塔三层图像对应的共计9×n个特征值构成AdaBoost模型的输入向量，并根据该输入向量判别烟雾真实性。
与现有技术相比，本发明的有益效果：
(1)本发明中LBP编码经过旋转不变模式和等价模式处理后，二进制的LBP编码种类由原本的256种减少为9种，在保留绝大部分信息的基础上，减少了特征向量的维数且降低了高频噪声的影响；
(2)本发明结合多尺度空间理论，通过改变图像的分辨率构建LBP高斯金字塔。首先将原图分解成多尺度的金字塔图像，然后对金字塔图像中的每一幅图像运用相同的LBP算子求取LBP特征二值模式，最后将各个尺度的LBP二值模式联合起来作为鉴别特征用于分类识别，具有特征提取丰富、准确，计算量小等优点；
(3)本发明采用AdaBoost对提取的LBP特征值进行训练，用得到的学习模型对测试样本视频进行分类检测。本发明具有良好的实时性和准确性，能够快速检测出视频中是否存在火灾烟雾，可用于安防监控等领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明烟雾识别算法的流程图；
图2为本发明金字塔图像示意图；
图3为本发明三层金字塔灰度图；
图4为本发明基本LBP算子；
图5为本发明旋转不变的LBP示意图；
图6为本发明实施例l1图层9种特征值的分布图；
图7为本发明实施例l2图层9种特征值的分布图；
图8为本发明实施例l3图层9种特征值的分布图；
图9为本发明烟雾视频检测结果图；
图10为本发明干扰视频检测结果图；
图11为本发明烟雾识别***的结构示意图；
图12为本发明烟雾识别***工作流程实例图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明公开了一种基于LBP高斯金字塔的烟雾识别算法，下面结合附图以及具体实施例进一步说明本发明的技术方案：
如图1所示，一种基于LBP高斯金字塔的烟雾识别方法，包括以下步骤：
S100.获取待判别的疑似烟雾区域图像，提取疑似烟雾区域图像的步骤包括：
S110.采用运动检测算法提取出视频帧中的运动区域目标；
S120.采用中值滤波、膨胀、腐蚀的形态学方法处理运动区域目标，得到运动区域图像；
S130.采用颜色分割方法提取出疑似烟雾区域图像；
S200.灰度化处理疑似烟雾区域图像，对疑似烟雾区域灰度图l1进行高斯平滑和抽样处理，得到
Figure BDA0001472236530000041
尺寸的疑似烟雾区域灰度图l2，再对
Figure BDA0001472236530000042
尺寸的疑似烟雾区域灰度图l1进行高斯平滑和抽样处理，得到
Figure BDA0001472236530000043
尺寸的疑似烟雾区域灰度图l3；反复执行上述过程，以获得
Figure BDA0001472236530000044
尺寸的疑似烟雾区域灰度图ln，其中n≥2，由n个不同尺寸的疑似烟雾区域灰度图l1、l2…ln组成金字塔灰度图；为了兼顾判断的准确性与程序运行的效率，本实施例中优选n＝3即由3个不同尺寸的疑似烟雾区域灰度图l1、l2及l3组成金字塔灰度图；
获得
Figure BDA0001472236530000051
尺寸的疑似烟雾区域灰度图l2的具体过程如下：
S211.使用一个5×5的高斯低通滤波器对疑似烟雾区域灰度图l1进行平滑处理；
S212.对高斯平滑处理后的图像进行抽样，取偶数行和偶数列的像素点组成
Figure BDA0001472236530000052
尺寸的疑似烟雾区域灰度图l2；
同理，提取
Figure BDA0001472236530000053
尺寸的疑似烟雾区域灰度图l3的步骤包括：
S221.使用一个5×5的高斯低通滤波器对
Figure BDA0001472236530000054
尺寸疑似烟雾区域灰度图l2进行平滑处理；
S222.对高斯平滑处理后的图像进行抽样，取偶数行和偶数列的像素点组成尺寸为原图
Figure BDA0001472236530000055
的疑似烟雾区域灰度图l3。
由3个不同尺寸的疑似烟雾区域灰度图l1、l2及l3组成金字塔灰度图。如图2所示为金字塔灰度图。
上述高斯低通滤波器选用5×5具有低通特性的窗口函数，其中，
Figure BDA0001472236530000056
所述的对l1、l2进行抽样的具体过程如下：
Gk(x,y)为第k层高斯金字塔图像，其中k＝1,2,3，G1(x,y)为原图像，作为高斯金字塔的最底层，其中
Figure BDA0001472236530000057
图3所示为实施例金字塔图像各层示意。
S300.采用P＝8,R＝1的LBP算子分别计算得到金字塔灰度图中三层图像l0、l1及l2对应的二进制LBP编码，并采用旋转不变模式和等价模式对各层图像对应的LBP编码进行降维；任意一层图像对应9种LBP编码模式，统计各LBP编码模式出现的次数以求得各层图像的LBP特征值，任意图层对应9个特征值。如图5所示为LBP算子旋转不变模式示意图。
其中，计算LBP编码的步骤包括：
S311.采用尺度为3×3的LBP算子计算LBP特征，将当前中心像素点的灰度值作为阈值，若邻域像素点的灰度值大于等于该阈值，则标记为1，若小于该阈值，则标记为0；
S312.按照顺时针方向将这八个比特位串联起来，得到LBP二进制编码；
S313.采用旋转不变性的LBP算子，即不断顺时针旋转邻域7次得到8个基本的LBP编码，取其最小值作为该邻域的LBP编码；
S314.采用LBP等价模式进行降维，图像中的绝大多数LBP编码最多只包含两次从1到0或从0到1的跳变，即为等价模式类，若包含大于两次的跳变，则归为混合模式类；
S315.经过旋转不变模式和等价模式对LBP编码进行降维后，LBP编码模式种类从28种降为9种，统计每种LBP编码模式出现的次数作为一个特征值。
提取各层金字塔灰度图LBP特征值步骤包括：
S321.计算金字塔灰度图各层图像中像素点的LBP编码；
S322.统计经过旋转不变模式和等价模式降维处理后各层图像每种
Figure BDA0001472236530000061
Figure BDA0001472236530000062
其中
Figure BDA0001472236530000063
图6-图8所示为金字塔灰度图各层图像LBP特征值的计算过程。
获得所述三层高斯金字塔灰度图的LBP特征值的具体过程如下：分别提取第一、二、三层高斯金字塔LBP特征值{n11,n12,…,n19}、{n21,n22,…,n29}、{n31,n32,…,n39}，共27个LBP特征值。
S400.以金字塔三层图像对应的共计27个特征值构成AdaBoost模型的输入向量，并根据该输入向量判别烟雾真实性。
其中，获得AdaBoost学习模型的具体过程如下：
S411从烟雾和伪烟雾干扰视频中各选600帧图像作为样本，并从中提取各金字塔图像的27个LBP特征值；
S412将1200组金字塔图像LBP特征值作为输入向量，训练得到AdaBoost学习模型。
获得所述烟雾和伪烟雾干扰视频判别结果的具体过程如下：
S421分别将含有烟雾的视频和伪烟雾干扰的视频作为测试样本，从中提取LBP高斯金字塔的27个特征值；
S422将从视频中每帧图像提取的LBP高斯金字塔特征值作为输入向量，检测AdaBoost学习模型的分类正确率。图9所示为烟雾视频检测结果图，图10所示为干扰视频检测结果图。
如图11所示，本发明还提供了一种基于LBP高斯金字塔的烟雾识别***，图12为本***工作流程的实例图。***包括：
提取单元501，用于获取待判别的疑似烟雾区域图像，采用运动检测算法提取出视频帧中的运动区域目标；采用中值滤波、膨胀、腐蚀的形态学方法处理运动区域目标，得到运动区域图像；采用颜色分割方法提取出疑似烟雾区域图像。
处理单元502，用于灰度化处理疑似烟雾区域图像，对疑似烟雾区域灰度图l1进行高斯平滑和抽样处理，得到
Figure BDA0001472236530000071
尺寸的疑似烟雾区域灰度图l2，再对
Figure BDA0001472236530000072
尺寸的疑似烟雾区域灰度图l2进行高斯平滑和抽样处理，得到
Figure BDA0001472236530000073
尺寸的疑似烟雾区域灰度图l3；由3个不同尺寸的疑似烟雾区域灰度图l1、l2及l3组成金字塔灰度图。
获得
Figure BDA0001472236530000074
尺寸的疑似烟雾区域灰度图l2的具体过程如下：
使用一个5×5的高斯低通滤波器对疑似烟雾区域灰度图l1进行平滑处理；
对高斯平滑处理后的图像进行抽样，取偶数行和偶数列的像素点组成
Figure BDA0001472236530000075
尺寸的疑似烟雾区域灰度图l2；
同理，提取
Figure BDA0001472236530000076
尺寸的疑似烟雾区域灰度图l3的步骤包括：
使用一个5×5的高斯低通滤波器对
Figure BDA0001472236530000077
尺寸疑似烟雾区域灰度图l2进行平滑处理；
对高斯平滑处理后的图像进行抽样，取偶数行和偶数列的像素点组成尺寸为原图
Figure BDA0001472236530000078
的疑似烟雾区域灰度图l3。
由3个不同尺寸的疑似烟雾区域灰度图l1、l2及l3组成金字塔灰度图。
所述高斯低通滤波器选用5×5具有低通特性的窗口函数，其中，
Figure BDA0001472236530000081
所述的对l1、l2进行抽样的具体过程如下：
Gk(x,y)为第k层高斯金字塔图像，其中k＝1,2,3，G1(x,y)为原图像，作为高斯金字塔的最底层，其中
Figure BDA0001472236530000082
计算单元503，采用P＝8,R＝1的LBP算子分别计算得到金字塔灰度图中三层图像l1、l2及l3对应的二进制LBP编码，并采用旋转不变模式和等价模式对各层图像对应的LBP编码进行降维；任意一层图像对应9种LBP编码模式，统计各LBP编码模式出现的次数以求得各层图像的LBP特征值，任意图层对应9个特征值。
其中，计算LBP编码的步骤包括：
采用尺度为3×3的LBP算子计算LBP特征，将当前中心像素点的灰度值作为阈值，若邻域像素点的灰度值大于等于该阈值，则标记为1，若小于该阈值，则标记为0；
按照顺时针方向将这八个比特位串联起来，得到LBP二进制编码；
采用旋转不变性的LBP算子，即不断顺时针旋转邻域7次得到8个基本的LBP编码，取其最小值作为该邻域的LBP编码；
采用LBP等价模式进行降维，图像中的绝大多数LBP编码最多只包含两次从1到0或从0到1的跳变，即为等价模式类，若包含大于两次的跳变，则归为混合模式类；
经过旋转不变模式和等价模式对LBP编码进行降维后，LBP编码模式种类从28种降为9种，统计每种LBP编码模式出现的次数作为一个特征值。
提取各层金字塔灰度图LBP特征值步骤包括：
计算金字塔灰度图各层图像中像素点的LBP编码；
统计经过旋转不变模式和等价模式降维处理后各层图像每种LBP编码
Figure BDA0001472236530000083
Figure BDA0001472236530000091
其中
Figure BDA0001472236530000092
获得所述三层高斯金字塔灰度图的LBP特征值的具体过程如下：分别提取第一、二、三层高斯金字塔LBP特征值{n11,n12,…,n19}、{n21,n22,…,n29}、{n31,n32,…,n39}，共27个LBP特征值。
判断单元504，以金字塔图像对应的共计27个特征值构成AdaBoost模型的输入向量，并根据该输入向量判别烟雾真实性。
其中，获得AdaBoost学习模型的具体过程如下：
从烟雾和伪烟雾干扰视频中各选600帧图像作为样本，并从中提取各金字塔图像的27个LBP特征值；
将1200组金字塔图像LBP特征值作为输入向量，训练得到AdaBoost学习模型。
获得所述烟雾和伪烟雾干扰视频判别结果的具体过程如下：
分别将含有烟雾的视频和伪烟雾干扰的视频作为测试样本，从中提取LBP高斯金字塔的27个特征值；
将从视频中每帧图像提取的LBP高斯金字塔特征值作为输入向量，检测AdaBoost学习模型的分类正确率。图9所示为烟雾视频检测结果图，图10所示为干扰视频检测结果图。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于LBP高斯金字塔的烟雾识别方法，其特征在于，包括以下步骤：
S100.获取待判别的疑似烟雾区域图像，提取疑似烟雾区域图像的步骤包括：
S110.采用运动检测算法提取出视频帧中的运动区域目标；
S120.采用中值滤波、膨胀、腐蚀的形态学方法处理运动区域目标，得到运动区域图像；
S130.采用颜色分割方法提取出疑似烟雾区域图像；
S200.灰度化处理疑似烟雾区域图像，对疑似烟雾区域灰度图l1进行高斯平滑和抽样处理，得到
Figure FDA0002335633150000011
尺寸的疑似烟雾区域灰度图l2，再对
Figure FDA0002335633150000012
尺寸的疑似烟雾区域灰度图l1进行高斯平滑和抽样处理，得到
Figure FDA0002335633150000013
尺寸的疑似烟雾区域灰度图l3，反复执行上述高斯平滑和抽样处理过程，以获得
Figure FDA0002335633150000014
尺寸的疑似烟雾区域灰度图ln，其中n≥2，由n个不同尺寸的疑似烟雾区域灰度图l1、l2…ln组成金字塔灰度图；
S300.采用P＝8,R＝1的LBP算子分别计算得到金字塔灰度图中n层图像l1、l2…ln对应的二进制LBP编码，并采用旋转不变模式和等价模式对各层图像对应的LBP编码进行降维；任意一层图像对应9种LBP编码模式，统计各LBP编码模式出现的次数以求得各层图像的LBP特征值，任意图层对应9个特征值；
S400.以金字塔灰度图的n层图像对应的共计9×n个特征值构成AdaBoost模型的输入向量，并根据该输入向量判别烟雾真实性。
2.根据权利要求1所述的基于LBP高斯金字塔的烟雾识别方法，其特征在于，所述的步骤S200中，提取
Figure FDA0002335633150000015
尺寸的疑似烟雾区域灰度图ln的步骤包括：
S211.使用一个5×5的高斯低通滤波器对疑似烟雾区域灰度图ln-1进行平滑处理；
S212.对高斯平滑处理后的图像进行抽样，取偶数行和偶数列的像素点组成
Figure FDA0002335633150000016
尺寸的疑似烟雾区域灰度图ln。
3.根据权利要求1所述的基于LBP高斯金字塔的烟雾识别方法，其特征在于，所述的步骤S300中，计算LBP编码的过程包括：
S311.采用尺度为3×3的LBP算子计算LBP特征，将当前中心像素点的灰度值作为阈值，若邻域像素点的灰度值大于等于该阈值，则标记为1，若小于该阈值，则标记为0；
S312.按照顺时针方向将这八个比特位串联起来，得到LBP二进制编码；
S313.采用旋转不变性的LBP算子，即不断顺时针旋转邻域7次得到8个基本的LBP编码，取其最小值作为该邻域的LBP编码；
S314.采用LBP等价模式进行降维，若LBP编码最多只包含两次从1到0或从0到1的跳变，即为等价模式类，若包含大于两次的跳变，则为混合模式类；
S315.经过旋转不变模式和等价模式对LBP编码进行降维后，LBP编码模式种类从28种降为9种，统计每种LBP编码模式出现的次数。
4.根据权利要求3所述的基于LBP高斯金字塔的烟雾识别方法，其特征在于，所述的步骤S300中，提取各层金字塔灰度图LBP特征值包括：
S321.计算金字塔灰度图各层图像中像素点的LBP编码；
S322.统计经过旋转不变模式和等价模式降维处理后各层图像每种LBP编码出现的次数，记为
Figure FDA0002335633150000021
统计9种LBP编码的总数
Figure FDA0002335633150000022
其中
Figure FDA0002335633150000023
S323.计算各层图像每种LBP编码的占比作为LBP特征值，记为
Figure FDA0002335633150000024
其中
Figure FDA0002335633150000025
5.根据权利要求1所述的基于LBP高斯金字塔的烟雾识别方法，其特征在于，所述的步骤S400中，所述AdaBoost模型的训练方法如下：
S411从烟雾和伪烟雾干扰视频中各选600帧图像作为样本，并从中提取各金字塔图像的9×n个LBP特征值；
S412将1200组金字塔图像LBP特征值作为输入向量，训练得到AdaBoost学习模型。
6.一种基于LBP高斯金字塔的烟雾识别***，其特征在于，其包括：
提取单元，用于获取待判别的疑似烟雾区域图像，采用运动检测算法提取出视频帧中的运动区域目标；采用中值滤波、膨胀、腐蚀的形态学方法处理运动区域目标，得到运动区域图像；采用颜色分割方法提取出疑似烟雾区域图像；
处理单元，用于灰度化处理疑似烟雾区域图像，对疑似烟雾区域灰度图l1进行高斯平滑和抽样处理，得到
Figure FDA0002335633150000031
尺寸的疑似烟雾区域灰度图l2，再对
Figure FDA0002335633150000032
尺寸的疑似烟雾区域灰度图l1进行高斯平滑和抽样处理，得到
Figure FDA0002335633150000033
尺寸的疑似烟雾区域灰度图l3；反复执行上述高斯平滑和抽样处理过程，以获得
Figure FDA0002335633150000034
尺寸的疑似烟雾区域灰度图ln，其中n≥2，由n个不同尺寸的疑似烟雾区域灰度图l1、l2…ln组成金字塔灰度图；
计算单元，采用P＝8,R＝1的LBP算子分别计算得到金字塔灰度图中n层图像l1、l2…ln对应的二进制LBP编码，并采用旋转不变模式和等价模式对各层图像对应的LBP编码进行降维；任意一层图像对应9种LBP编码模式，统计各LBP编码模式出现的次数以求得各层图像的LBP特征值，任意图层对应9个特征值；
判断单元，以高斯金字塔n层图像对应的共计9×n个特征值构成AdaBoost模型的输入向量，并根据该输入向量判别烟雾真实性。
7.根据权利要求6所述的基于LBP高斯金字塔的烟雾识别***，其特征在于，提取
Figure FDA0002335633150000035
尺寸的疑似烟雾区域灰度图ln的步骤包括：
S211.使用一个5×5的高斯低通滤波器对疑似烟雾区域灰度图ln-1进行平滑处理；
S212.对高斯平滑处理后的图像进行抽样，取偶数行和偶数列的像素点组成
Figure FDA0002335633150000036
尺寸的疑似烟雾区域灰度图ln。
8.根据权利要求6所述的基于LBP高斯金字塔的烟雾识别***，其特征在于，所述计算单元采用尺度为3×3的LBP算子计算LBP特征，将当前中心像素点的灰度值作为阈值，若邻域像素点的灰度值大于等于该阈值，则标记为1，若小于该阈值，则标记为0；按照顺时针方向将这八个比特位串联起来，得到LBP二进制编码；采用旋转不变性的LBP算子，即不断顺时针旋转邻域7次得到8个基本的LBP编码，取其最小值作为该邻域的LBP编码；采用LBP等价模式进行降维，图像中的绝大多数LBP编码最多只包含两次从1到0或从0到1的跳变，即为等价模式类，若包含大于两次的跳变，则为混合模式类；经过旋转不变模式和等价模式对LBP编码进行降维后，LBP编码模式种类从28种降为9种，统计每种LBP编码模式出现的次数。
9.根据权利要求6所述的基于LBP高斯金字塔的烟雾识别***，其特征在于，所述计算单元提取各层金字塔灰度图LBP特征值，首先计算金字塔灰度图各层图像中像素点的LBP编码；其次统计经过旋转不变模式和等价模式降维后各层图像每种LBP编码出现的次数，记为
Figure FDA0002335633150000041
统计9种LBP编码的总数
Figure FDA0002335633150000042
其中
Figure FDA0002335633150000043
计算各层图像每种LBP编码的占比作为LBP特征值，记为
Figure FDA0002335633150000044
其中
Figure FDA0002335633150000045
10.根据权利要求6所述的基于LBP高斯金字塔的烟雾识别***，其特征在于，所述的判断单元从烟雾和伪烟雾干扰视频中各选600帧图像作为样本，从每个样本中提取金字塔图像的9×n个LBP特征值；并将1200组金字塔图像LBP特征值作为输入向量，训练得到AdaBoost学习模型。
CN201711144817.6A 2017-03-22 2017-11-17 基于lbp高斯金字塔的烟雾识别方法和*** Expired - Fee Related CN107832723B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710175503 2017-03-22
CN2017101755036 2017-03-22

Publications (2)

Publication Number Publication Date
CN107832723A CN107832723A (zh) 2018-03-23
CN107832723B true CN107832723B (zh) 2020-04-17

Family

ID=61652858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711144817.6A Expired - Fee Related CN107832723B (zh) 2017-03-22 2017-11-17 基于lbp高斯金字塔的烟雾识别方法和***

Country Status (1)

Country Link
CN (1) CN107832723B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991458B (zh) * 2019-11-25 2023-05-23 创新奇智(北京)科技有限公司 基于图像特征的人工智能识别结果抽样***及抽样方法
CN113658238B (zh) * 2021-08-23 2023-08-08 重庆大学 一种基于改进特征检测的近红外静脉图像高精度匹配方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727573A (zh) * 2008-10-13 2010-06-09 汉王科技股份有限公司 一种视频图像中人群密度估计的方法和装置
CN103020628A (zh) * 2012-11-30 2013-04-03 北京理工大学 一种基于rgb对比图像与目标形状的烟雾检测方法
CN103218831A (zh) * 2013-04-21 2013-07-24 北京航空航天大学 一种基于轮廓约束的视频运动目标分类识别方法
CN103870818A (zh) * 2014-03-31 2014-06-18 中安消技术有限公司 一种烟雾检测方法和装置
CN104268562A (zh) * 2014-09-15 2015-01-07 武汉大学 一种有效多尺度纹理识别方法
CN105469105A (zh) * 2015-11-13 2016-04-06 燕山大学 一种基于视频监控的香烟烟雾检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8712505B2 (en) * 2010-11-11 2014-04-29 University Of Pittsburgh-Of The Commonwealth System Of Higher Education Automated macular pathology diagnosis in three-dimensional (3D) spectral domain optical coherence tomography (SD-OCT) images
CN106778582B (zh) * 2016-12-07 2020-06-09 哈尔滨工业大学 基于rgb重构的森林图像切割后的火焰/烟雾识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727573A (zh) * 2008-10-13 2010-06-09 汉王科技股份有限公司 一种视频图像中人群密度估计的方法和装置
CN103020628A (zh) * 2012-11-30 2013-04-03 北京理工大学 一种基于rgb对比图像与目标形状的烟雾检测方法
CN103218831A (zh) * 2013-04-21 2013-07-24 北京航空航天大学 一种基于轮廓约束的视频运动目标分类识别方法
CN103870818A (zh) * 2014-03-31 2014-06-18 中安消技术有限公司 一种烟雾检测方法和装置
CN104268562A (zh) * 2014-09-15 2015-01-07 武汉大学 一种有效多尺度纹理识别方法
CN105469105A (zh) * 2015-11-13 2016-04-06 燕山大学 一种基于视频监控的香烟烟雾检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Video-based smoke detection with histogram sequence of LBP and LBPV pyramids;Feiniu Yuan;《Fire Safety Journal》;20111231;全文 *

Also Published As

Publication number Publication date
CN107832723A (zh) 2018-03-23

Similar Documents

Publication Publication Date Title
CN114937055B (zh) 基于人工智能的图像自适应分割方法与***
CN107423690B (zh) 一种人脸识别方法及装置
CN107527009B (zh) 一种基于yolo目标检测的遗留物检测方法
CN106874894B (zh) 一种基于区域全卷积神经网络的人体目标检测方法
Jahedsaravani et al. An image segmentation algorithm for measurement of flotation froth bubble size distributions
Zhang et al. Learning-based license plate detection using global and local features
CN105894701B (zh) 输电线路防外破大型施工车辆的识别报警方法
Promdaen et al. Automated microalgae image classification
CN110298297B (zh) 火焰识别方法和装置
CN109918971B (zh) 监控视频中人数检测方法及装置
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
Espinal et al. Wavelet-based fractal signature analysis for automatic target recognition
CN107832723B (zh) 基于lbp高斯金字塔的烟雾识别方法和***
CN112417955A (zh) 巡检视频流处理方法及装置
Shariatmadar et al. Visual saliency detection via integrating bottom-up and top-down information
CN109978916B (zh) 基于灰度图像特征匹配的Vibe运动目标检测方法
CN103942526B (zh) 一种离散数据点集的线特征提取方法
CN112258540B (zh) 基于非线性方向导数的图像角点检测方法
CN116563768B (zh) 一种微塑料污染物智能检测方法及***
CN110321808B (zh) 遗留物与盗移物检测方法、设备和存储介质
Teutsch et al. Noise resistant gradient calculation and edge detection using local binary patterns
CN116524269A (zh) 一种视觉识别检测***
CN115965796A (zh) 一种基于图像识别的金属锈蚀检测方法及***
CN106846366B (zh) 使用gpu硬件的tld视频运动目标跟踪方法
CN112836669B (zh) 一种司机分心驾驶检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200417

Termination date: 20211117

CF01 Termination of patent right due to non-payment of annual fee