CN108648409A - 一种烟雾检测方法及装置 - Google Patents
一种烟雾检测方法及装置 Download PDFInfo
- Publication number
- CN108648409A CN108648409A CN201810396544.2A CN201810396544A CN108648409A CN 108648409 A CN108648409 A CN 108648409A CN 201810396544 A CN201810396544 A CN 201810396544A CN 108648409 A CN108648409 A CN 108648409A
- Authority
- CN
- China
- Prior art keywords
- smog
- pixel
- image
- gradient
- video image
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000005540 biological transmission Effects 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000002146 bilateral effect Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 239000003595 mist Substances 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 6
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009738 saturating Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 230000033001 locomotion Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 239000000779 smoke Substances 0.000 description 7
- 239000002245 particle Substances 0.000 description 4
- 235000019504 cigarettes Nutrition 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,尤其涉及一种烟雾检测方法,包括:利用暗通道先验方法和双边滤波方法增强采集到的视频图像;根据增强后的视频图像和大气散射模型,获取视频图像的透射函数;利用ViBe方法检测获取的透射函数,得到烟雾候选区域;根据ViBe方法检测结果,对增强后的视频图像进行梯度重建,还原烟雾候选区域覆盖的背景区域;针对梯度重建后背景区域的每个像素,求该像素与增强后的视频图像的背景区域中对应像素的相似程度,当相似程度超过预设的相似阈值,判定所述像素为烟雾像素。本发明还涉及一种烟雾检测装置。本发明所提供的烟雾检测方法及装置检测快且准确率高,不但能够区分烟雾与其他的运动目标,而且能够区分烟雾与阴影。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种烟雾检测方法及装置。
背景技术
火灾是威胁社会发展和人员安全的重要原因之一。传统的火灾检测手段是通过对火灾燃烧的颗粒进行判别。然而在空间比较开阔的地方,火灾粒子到达检测器检测标准的时间会大大增加,这样就很难达到火灾预警的目的。随着基于图像的模式识别和图像处理的发展。基于视频图像的火灾检测已经是一个主流的研究方向。当火灾发生时,往往先产生烟雾,所以基于视频图像的烟雾检测是火灾预警的主要手段。目前,很多基于视频图像的烟雾检测方法通常无法准确检测烟雾位置,易受到阴影等环境因素的干扰,或检测的效率低,反应时间慢,不能实现及时且有效的火灾预警。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是解决现有技术中基于图像的烟雾检测方法准确率低,检测速度慢,难以获取理想检测结果的问题。
(二)技术方案
为了解决上述技术问题,本发明提供了一种烟雾检测方法,包括:
S1、利用暗通道先验方法和双边滤波方法增强采集到的视频图像;
S2、根据增强后的视频图像和大气散射模型,获取视频图像的透射函数;
S3、利用ViBe方法检测获取的透射函数,得到烟雾候选区域;
S4、根据ViBe方法检测结果,对增强后的视频图像中的烟雾候选区域进行梯度重建,还原烟雾候选区域覆盖的背景区域;
S5、针对梯度重建后背景区域的每个像素,求该像素与步骤S1进行增强后的视频图像的背景区域中对应像素的相似程度,当所述相似程度超过预设的相似阈值时,判定所述像素为烟雾像素,否则为非烟雾像素。
优选地,所述步骤S4中对视频图像中的烟雾候选区域进行梯度重建时,采用如下公式得到视频图像在水平方向和竖直方向的梯度图像:
Gh(m,n)=p(m+1,n)-p(m,n);
Gv(m,n)=p(m,n+1)-p(m,n);
其中,Gh(m,n)表示水平方向的梯度图像,Gv(m,n)表示竖直方向的梯度图像,(m,n)表示视频图像中的点,p(m,n)表示点(m,n)的像素值;
通过如下公式恢复视频图像在水平方向和竖直方向的梯度:
Gh-estimate(x,y)=k(p(x+1,y)-p(x,y));
Gv-estimate(x,y)=k(p(x,y+1)-p(x,y));
其中,Gh-estimate(x,y)表示水平方向上移动目标的梯度估计,Gv-estimate(x,y)表示竖直方向上移动目标的梯度估计,(x,y)表示视频图像中的点,p(x,y)表示点(x,y)的像素值,k表示梯度中的倍数因子。
优选地,所述梯度中的倍数因子k的范围为1.3-1.5。
优选地,所述步骤S4中,根据Gh-estimate(x,y)和Gv-estimate(x,y)得到梯度因子G'(x,y),通过求解泊松方程从梯度因子G'(x,y)中获得梯度重建后的图像I'(x,y),I'(x,y)与G'(x,y)的关系满足如下公式:
其中,▽2表示拉普拉斯因子,I'(x,y)表示梯度重建后的图像,(x,y)表示视频图像中的点;梯度因子G'(x,y)的表达式为G'(x,y)=[Gh-estimate(x,y),Gv-estimate(x,y)]。
优选地,所述步骤S4中求解泊松方程时,采用快速泊松解法求解泊松方程的近似解,以正弦变换代替拉普拉斯因子,I'(x,y)与G'(x,y)的关系满足如下公式:
sinI'(x,y)=div(G'(x,y))=div([Gh-estimate(x,y),Gv-estimate(x,y)]);
其中,sin表示正弦变换拉普拉斯因子,I'(x,y)表示梯度重建后的图像,(x,y)表示视频图像中的点。
优选地,所述步骤S4中求解泊松方程时,利用狄利克雷边界条件求解,在各个方向将灰度值填充为零。
优选地,所述步骤S5包括:
以I'(x,y)表示重建后的图像,对于梯度重建后的背景区域中的每一个像素(x,y),选择一个大小为3×3像素的块m1,其中心为像素点(x,y);在未进行梯度重建的图像中,从最近邻的图像帧里相同的位置选取块m2,计算块m1和块m2之间的相似性:
其中,r(x,y)表示像素点(x,y)的梯度重建图像和未进行梯度重建的背景区域图像的相似程度,M×N表示视频图像的大小,E(m1)表示块m1的均值,E(m2)表示块m2的均值;
设定相似阈值threhold,若相似程度r(x,y)>threhold,则判定该像素点(x,y)为烟雾像素。
优选地,所述步骤S5中,最近邻的图像帧满足以下条件:
在位置(x,y)处,块m2中的像素是背景区域像素,且该帧与当前帧之间的时间差最小。
优选地,所述步骤S5中,相似阈值threhold为0.9。
本发明还提供了一种烟雾检测装置,包括:
图像增强模块,用于利用暗通道先验方法和双边滤波方法增强采集到的视频图像;
透射函数获取模块,用于根据增强后的视频图像和大气散射模型,获取视频图像的透射函数;
运动目标检测模块,用于利用ViBe方法检测获取的透射函数,得到烟雾候选区域;
梯度重建模块,用于根据ViBe方法检测结果,对增强后的视频图像中的烟雾候选区域进行梯度重建,还原烟雾候选区域覆盖的背景区域;
烟雾判定模块,用于针对梯度重建后背景区域的每个像素,求该像素与只进行增强的背景区域中对应像素的相似程度,当所述相似程度超过预设的相似阈值时,判定所述像素为烟雾像素。
(三)有益效果
本发明的上述技术方案具有如下优点:本发明提供了一种基于视频图像处理的烟雾检测方法,首先利用暗通道先验方法和双边滤波方法增强采集到的视频图像,去除环境因素的干扰,得到轮廓清晰的视频图像。然后根据增强后的视频图像和大气散射模型,获取视频图像的透射函数,透射函数反映的是背景目标和成像传感器之间的透射率,而且透射函数只依赖于场景的深度信息。根据烟雾的运动特征,将运动目标的运动视为背景目标到成像传感器之间透射率的变化,利用ViBe方法检测获取的透射函数,检测出运动的目标,其中包括烟雾和其他运动目标。根据烟雾的半透明特征,对视频图像进行梯度重建,还原出烟雾候选区域内被烟雾覆盖的背景区域。最后求梯度重建还原后的背景区域与只进行增强的背景区域的相似性,如果相似性较高,则认为该区域是烟雾区域。该方法避免了直接利用Vibe方法检测原始视频造成的结果不准确,消除视频中光照的变化等因素对运动检测结果的影响,并利用了烟雾的半透明特性区分烟雾与其他运动目标,是一种非常有效而且处理速度很快的目标检测方法。
本发明还提供了一种基于视频图像处理的烟雾检测装置,包括:图像增强模块,透射函数获取模块,运动目标检测模块,梯度重建模块和烟雾判定模块。该装置不但能够把烟雾与其他的运动目标区分看来,而且能够把烟雾与阴影区分开来。
附图说明
图1是本发明实施例中烟雾检测方法步骤图;
图2是本发明实施例中烟雾检测方法检测结果图之一;
图3是本发明实施例中烟雾检测方法检测结果图之二;
图4是本发明实施例中烟雾检测方法检测结果图之三;
图5是本发明实施例中烟雾检测方法检测结果图之四;
图6是本发明实施例中烟雾检测装置结构示意图。
图中:100:图像增强模块;200:透射函数获取模块;300:运动目标检测模块;400:梯度重建模块;500:烟雾判定模块。
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的一部分实施例,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做出创造性劳动的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。
如图1所示,本发明实施例提供的一种烟雾检测方法,包括:
S1、利用暗通道先验方法和双边滤波方法增强采集到的视频图像。
通过暗通道先验方法和双边滤波方法对采集到的视频图像进行滤波,能够增强视频图像,使得视频图像中的物体轮廓更清晰,排除环境光等因素对视频图像造成的干扰,便于后续的处理工作。由于天空区域偏亮偏白,暗通道先验方法能够根据灰度值的分布,准确估计天空区域。暗通道先验方法和双边滤波方法为本领域现有技术,在此不再赘述。
S2、根据增强后的视频图像和大气散射模型,获取视频图像的透射函数。
在计算机视觉和计算机图像中,下述方程所描述的大气散射模型被广泛使用:
I(x,y)=Aρ(x,y)e-βd(x,y)+A(1-e-βd(x,y));
其中,I(x,y)表示像素(x,y)的像素值,A表示大气光,β表示大气散射系数,ρ(x,y)表示像素(x,y)处的场景反照率,d(x,y)表示像素(x,y)处的景深,其中像素(x,y)处的透射率t(x,y)=1-e-βd(x,y),人眼看到的无遮挡自然图像J(x,y)=Aρ(x,y)。
方程右边的第一项J(x,y)(1-t(x,y))叫做直接衰减项。由于大气粒子的散射作用,目标表面反射光中的一部分因散射而损失,未被散射的部分直接到达成像传感器,到达的光强随着传播距离的增大而呈指数衰减。第二项At(x,y)则是大气光成分,这是因为大气粒子对自然光的散射引起大气表现出光源的特性。
大气散射模型阐释了在物体透过烟雾的成像机理。根据模型的意义分析可知,反映背景目标和成像传感器之间的大气透射率透射函数t(x,y)只依赖于场景的深度信息(景深)而不受大气光照的影响。
将步骤S1中进行滤波增强处理后的视频图像作为J(x,y),成像传感器采集到的视频图像为I(x,y),即可求出透射函数t(x,y)。
S3、利用ViBe方法检测获取的透射函数,得到烟雾候选区域。
ViBe是一种非常有效而且速度很快的目标检测方法,但是因为视频图像中光照的变化等因素,直接对采集到的原始视频处理则很难获取理想的运动检测结果。
根据大气散射模型,透射函数只依赖于景深,而运动目标的运动也可以视为背景区域到成像传感器之间透射率的变化,所以可以通过对透射函数进行Vibe运动检测,获取理想的结果。
本发明利用了烟雾的运动特性,烟雾和场景中其他的运动物体是影响原有场景中透射函数的根本原因。对透射函数使用ViBe方法进行运动目标检测,检测得到运动的前景目标,即检测得到烟雾候选区域,烟雾候选区域中既包括烟雾,也包括其他的运动物体。后续的处理即区分烟雾和其他的运动物体。
S4、根据ViBe方法检测结果,对增强后的视频图像中的烟雾候选区域进行梯度重建,还原烟雾候选区域覆盖的背景区域。
利用ViBe方法检测可以得到需要的目标,包括烟雾和一些其他目标,由于烟雾具有半透明性的特性,如果梯度重建在水平和竖直方向准确估计,能够把烟雾从其他移动的目标中分离出来。
视频图像在梯度重建中分为水平方向和竖直方向。梯度重建需要三幅图像,待重建的视频图像、水平方向和竖直方向的估计的梯度图像。对视频图像进行梯度重建时,可利用如下公式得到视频图像在水平方向和竖直方向的梯度图像:
Gh(m,n)=p(m+1,n)-p(m,n);
Gv(m,n)=p(m,n+1)-p(m,n);
其中,Gh(m,n)表示水平方向的梯度图像,Gv(m,n)表示竖直方向的梯度图像,(m,n)表示视频图像中的点,p(m,n)表示点(m,n)的像素值。
烟雾候选区域内被烟雾覆盖的背景区域能够通过梯度增强,通过如下公式建立视频图像在水平方向和竖直方向的梯度图:
Gh-estimate(x,y)=k(p(x+1,y)-p(x,y));
Gv-estimate(x,y)=k(p(x,y+1)-p(x,y));
其中,Gh-estimate(x,y)表示水平方向上移动目标的梯度估计,Gv-estimate(x,y)表示竖直方向上移动目标的梯度估计,(x,y)表示增强后的视频图像J(x,y)的点,p(x,y)表示点(x,y)的像素值,k表示梯度中的倍数因子。
优选地,k的取值范围为1.3-1.5。进一步优选地,本实施例中,梯度中的倍数因子k=1.4,使得移动目标的梯度得到增强,但其他部分没有变化。
对ViBe运动目标检测后的结果进行梯度重建。根据Gh-estimate(x,y)和Gv-estimate(x,y)得到梯度因子G'(x,y),在2D方向上,改进的梯度因子G'(x,y)的表达式为G'(x,y)=[Gh-estimate(x,y),Gv-estimate(x,y)],梯度因子G'(x,y)并不相关,I'(x,y)代表从G'(x,y)中获得的梯度重建,I'(x,y)通过基于拉普拉斯和分离操作的方法去确定,泊松方程被频繁的用于计算机视觉中,它使得在实际问题中的问题解决更接近于实际的情况。通过求解泊松方程从梯度因子G'(x,y)中获得梯度重建后的图像I'(x,y),I'(x,y)与G'(x,y)的关系满足如下公式:
其中,▽2表示拉普拉斯因子,I'(x,y)表示梯度重建后的图像,(x,y)表示视频图像中的点。利用上述公式可以得到近似于线性的方程解,拉普拉斯因子▽2和div线性操作,求解泊松方程时,为了提高效率,加快视频图像的处理速度,采用快速泊松解法求解泊松方程的近似解,以正弦变换代替拉普拉斯因子,I'(x,y)与G'(x,y)的关系满足如下公式:
sinI'(x,y)=div(G'(x,y))=div([Gh-estimate(x,y),Gv-estimate(x,y)]);
其中,sin表示正弦变换拉普拉斯因子,I'(x,y)表示梯度重建后的图像,(x,y)表示视频图像中的点。采用正弦变换替换拉普拉斯因子能够使得运算的复杂度提高到O(n(log(n)))。
进一步优选地,求解泊松方程时,利用狄利克雷边界条件代替纽曼边界条件求解重建图像I'(x,y),在各个方向将灰度值填充为零,可以避免灰度级的移动。
S5、针对梯度重建后背景区域的每个像素,求该像素与步骤S1进行增强后的视频图像的背景区域中对应像素的相似程度,当所述相似程度超过预设的相似阈值时,判定所述像素为烟雾像素,否则为非烟雾像素。
本发明利用了烟雾的半透明特性来区分烟雾与其他运动目标。将重建后的图像与步骤S1进行增强后的视频图像的背景区域进行对比,如果相似度很高则认为是烟雾部分。
优选地,步骤S5包括:
以I'(x,y)表示重建后的图像,对于梯度重建后的背景区域中的每一个像素(x,y),选择一个大小为3×3像素的块m1,其中心为像素点(x,y);在未进行梯度重建的图像中,从最近邻的图像帧里相同的位置选取块m2,计算块m1和块m2之间的相似性:
其中,r(x,y)表示像素点(x,y)梯度重建图像和未进行梯度重建的背景区域图像的相似程度,M×N表示整体的视频图像的大小,E(m1)表示块m1的均值,E(m2)表示块m2的均值,由公式可知,若m1=m2,则r值为1。设定相似阈值threhold,若相似程度r(x,y)>threhold,则判定该像素点(x,y)为烟雾像素。优选地,本实施例中相似阈值threhold为0.9。
其中,最近邻的图像帧满足以下条件:第一是该帧在位置(x,y)处,块m2中的像素是背景区域像素,第二是该帧与当前帧最近,即该帧与当前帧之间的时间差最小。
本发明采用MATLAB编程实现了上述烟雾检测方法,而且通过了四种不同场景下的测试,如图2至图5所示,图2为第一种只有烟雾的场景,图3为第二种有烟雾和其他运动目标的场景,图4为第三种有烟雾和阴影的场景,图5为第四种有烟雾、阴影和运动目标的场景,将检测出的烟雾区域在图2至图5中标出,如图中灰色色块部分所示。
从图2至图5的烟雾检测结果可以看出,本实施例提供的烟雾检测方法不但能够把烟雾与其他的运动目标区分看来,而且能够把烟雾与阴影区分开来。
如图6所示,本实施例中还提供了一种烟雾检测装置,包括:图像增强模块100,透射函数获取模块200,运动目标检测模块300,梯度重建模块400和烟雾判定模块500。其中:
图像增强模块100用于利用暗通道先验方法和双边滤波方法增强采集到的视频图像;
透射函数获取模块200用于根据增强后的视频图像和大气散射模型,获取视频图像的透射函数;
运动目标检测模块300用于利用ViBe方法检测获取的透射函数,得到烟雾候选区域;
梯度重建模块400用于根据ViBe方法检测结果,对增强后的视频图像中的烟雾候选区域进行梯度重建,还原烟雾候选区域覆盖的背景区域;
烟雾判定模块500用于针对梯度重建后背景区域的每个像素,求该像素与只进行增强的背景区域中对应像素的相似程度,当所述相似程度超过预设的相似阈值时,判定所述像素为烟雾像素。
综上所述,本发明提供了一种烟雾检测方法及装置,可基于视频图像进行烟雾检测。该方法及装置基于大气散射模型,使用暗通道先验信息和双边滤波来计算透射函数,并得到天空的灰度值。利用透射函数和ViBe方法对烟雾进行检测,依赖于透射函数的光照不变性和烟雾的运动特性,使用ViBe检测透射函数,能够得到烟雾候选区域。为了在烟雾候选区域中找到准确的烟雾位置,对烟雾候选区域利用泊松方程对图像进行图像复原,然后比较复原后的图像与原背景之间的相似性,进而确定烟雾的准确位置。不但能够把烟雾与其他的运动目标区分看来,而且能够把烟雾与阴影区分开来。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种烟雾检测方法,其特征在于,包括:
S1、利用暗通道先验方法和双边滤波方法增强采集到的视频图像;
S2、根据增强后的视频图像和大气散射模型,获取视频图像的透射函数;
S3、利用ViBe方法检测获取的透射函数,得到烟雾候选区域;
S4、根据ViBe方法检测结果,对增强后的视频图像中的烟雾候选区域进行梯度重建,还原烟雾候选区域覆盖的背景区域;
S5、针对梯度重建后背景区域的每个像素,求该像素与步骤S1进行增强后的视频图像的背景区域中对应像素的相似程度,当所述相似程度超过预设的相似阈值时,判定所述像素为烟雾像素,否则为非烟雾像素。
2.根据权利要求1所述的烟雾检测方法,其特征在于,
所述步骤S4中对视频图像中的烟雾候选区域进行梯度重建时,采用如下公式得到视频图像在水平方向和竖直方向的梯度图像:
Gh(m,n)=p(m+1,n)-p(m,n);
Gv(m,n)=p(m,n+1)-p(m,n);
其中,Gh(m,n)表示水平方向的梯度图像,Gv(m,n)表示竖直方向的梯度图像,(m,n)表示视频图像中的点,p(m,n)表示点(m,n)的像素值;
通过如下公式恢复视频图像在水平方向和竖直方向的梯度:
Gh-estimate(x,y)=k(p(x+1,y)-p(x,y));
Gv-estimate(x,y)=k(p(x,y+1)-p(x,y));
其中,Gh-estimate(x,y)表示水平方向上移动目标的梯度估计,Gv-estimate(x,y)表示竖直方向上移动目标的梯度估计,(x,y)表示视频图像中的点,p(x,y)表示点(x,y)的像素值,k表示梯度中的倍数因子。
3.根据权利要求2所述的烟雾检测方法,其特征在于,所述梯度中的倍数因子k的范围为1.3-1.5。
4.根据权利要求2所述的烟雾检测方法,其特征在于,所述步骤S4中,根据Gh-estimate(x,y)和Gv-estimate(x,y)得到梯度因子G'(x,y),通过求解泊松方程从梯度因子G'(x,y)中获得梯度重建后的图像I'(x,y),I'(x,y)与G'(x,y)的关系满足如下公式:
▽2I'(x,y)=div(G'(x,y))=div([Gh-estimate(x,y),Gv-estimate(x,y)]);
其中,▽2表示拉普拉斯因子,I'(x,y)表示梯度重建后的图像,(x,y)表示视频图像中的点;梯度因子G'(x,y)的表达式为G'(x,y)=[Gh-estimate(x,y),Gv-estimate(x,y)]。
5.根据权利要求4所述的烟雾检测方法,其特征在于:所述步骤S4中求解泊松方程时,采用快速泊松解法求解泊松方程的近似解,以正弦变换代替拉普拉斯因子,I'(x,y)与G'(x,y)的关系满足如下公式:
sinI'(x,y)=div(G'(x,y))=div([Gh-estimate(x,y),Gv-estimate(x,y)]);
其中,sin表示正弦变换拉普拉斯因子,I'(x,y)表示梯度重建后的图像,(x,y)表示视频图像中的点。
6.根据权利要求4或5所述的烟雾检测方法,其特征在于:所述步骤S4中求解泊松方程时,利用狄利克雷边界条件求解,在各个方向将灰度值填充为零。
7.根据权利要求1所述的烟雾检测方法,其特征在于,所述步骤S5包括:
以I'(x,y)表示重建后的图像,对于梯度重建后I'(x,y)的背景区域中的每一个像素(x,y),选择一个大小为3×3像素的块m1,其中心为像素点(x,y);在未进行梯度重建的图像中,从最近邻的图像帧里相同的位置选取块m2,计算块m1和块m2之间的相似性:
其中,r(x,y)表示像素点(x,y)梯度重建图像和未进行梯度重建的背景区域图像的相似程度,M×N表示视频图像的大小,E(m1)表示块m1的均值,E(m2)表示块m2的均值;
设定相似阈值threhold,若相似程度r(x,y)>threhold,则判定该像素点(x,y)为烟雾像素。
8.根据权利要求7所述的烟雾检测方法,其特征在于,所述步骤S5中,最近邻的图像帧满足以下条件:
在位置(x,y)处,块m2中的像素是背景区域像素,且该帧与当前帧之间的时间差最小。
9.根据权利要求7或8任一项所述的烟雾检测方法,其特征在于,所述步骤S5中,相似阈值threhold为0.9。
10.一种烟雾检测装置,其特征在于,包括:
图像增强模块,用于利用暗通道先验方法和双边滤波方法增强采集到的视频图像;
透射函数获取模块,用于根据增强后的视频图像和大气散射模型,获取视频图像的透射函数;
运动目标检测模块,用于利用ViBe方法检测获取的透射函数,得到烟雾候选区域;
梯度重建模块,用于根据ViBe方法检测结果,对增强后的视频图像中的烟雾候选区域进行梯度重建,还原烟雾候选区域覆盖的背景区域;
烟雾判定模块,用于针对梯度重建后背景区域的每个像素,求该像素与只进行增强的背景区域中对应像素的相似程度,当所述相似程度超过预设的相似阈值时,判定所述像素为烟雾像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810396544.2A CN108648409B (zh) | 2018-04-28 | 2018-04-28 | 一种烟雾检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810396544.2A CN108648409B (zh) | 2018-04-28 | 2018-04-28 | 一种烟雾检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108648409A true CN108648409A (zh) | 2018-10-12 |
CN108648409B CN108648409B (zh) | 2020-07-24 |
Family
ID=63748100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810396544.2A Active CN108648409B (zh) | 2018-04-28 | 2018-04-28 | 一种烟雾检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648409B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
CN109978876A (zh) * | 2019-04-03 | 2019-07-05 | 北京环境特性研究所 | 一种基于快速双边滤波的烟雾识别方法和装置 |
CN116977327A (zh) * | 2023-09-14 | 2023-10-31 | 山东拓新电气有限公司 | 一种滚筒驱动带式输送机烟雾检测方法及*** |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003281644A (ja) * | 2002-03-26 | 2003-10-03 | Nohmi Bosai Ltd | 減光式煙感知器 |
US20070165966A1 (en) * | 2005-07-15 | 2007-07-19 | Yissum Research Development Co. | Closed form method and system for matting a foreground object in an image having a background |
CN101944267A (zh) * | 2010-09-08 | 2011-01-12 | 大连古野软件有限公司 | 基于视频的烟火检测装置 |
CN102013009A (zh) * | 2010-11-15 | 2011-04-13 | 无锡中星微电子有限公司 | 烟雾图像识别方法及装置 |
JP2011215806A (ja) * | 2010-03-31 | 2011-10-27 | Nohmi Bosai Ltd | 煙検出装置 |
US20120038644A1 (en) * | 2009-02-17 | 2012-02-16 | Uws Ventures Ltd. | Rendering caustics in computer graphics with photon mapping by relaxation |
CN102609710A (zh) * | 2012-02-22 | 2012-07-25 | 武汉大学 | 针对火灾图像视频中烟雾笼罩场景的烟火目标分割方法 |
CN102930514A (zh) * | 2012-09-27 | 2013-02-13 | 西安电子科技大学 | 基于大气物理散射模型的快速图像去雾方法 |
CN103489166A (zh) * | 2013-10-12 | 2014-01-01 | 大连理工大学 | 一种基于双边滤波的单幅图像去雾方法 |
WO2014179482A1 (en) * | 2013-04-30 | 2014-11-06 | The Regents Of The University Of California | Fire urgency estimator in geosynchronous orbit (fuego) |
CN104700365A (zh) * | 2015-02-02 | 2015-06-10 | 电子科技大学 | 一种图像对比度增强方法 |
CN104751591A (zh) * | 2015-04-01 | 2015-07-01 | 大连希尔德安全技术有限公司 | 一种基于半透明特征的早期火灾烟雾检测方法 |
CN104807611A (zh) * | 2015-05-04 | 2015-07-29 | 中国科学技术大学 | 基于视频的烟气流速场、湍流度场实验测量装置及方法 |
JP2015197788A (ja) * | 2014-04-01 | 2015-11-09 | 能美防災株式会社 | 層流煙検出装置および層流煙検出方法 |
DE102014219838A1 (de) * | 2014-09-30 | 2016-03-31 | Robert Bosch Gmbh | Rauchdetektionsvorrichtung sowie Verfahren zur Detektion von Rauch eines Brandes und Computerprogramm |
CN107045723A (zh) * | 2017-03-10 | 2017-08-15 | 北京环境特性研究所 | 基于透射率动态检测的烟雾识别方法 |
CN107146209A (zh) * | 2017-05-02 | 2017-09-08 | 四川大学 | 一种基于梯度域的单幅图像去雾方法 |
CN107527329A (zh) * | 2017-09-19 | 2017-12-29 | 重庆邮电大学 | 一种基于暗通道先验和马尔可夫随机场的图像去雾方法 |
CN107749067A (zh) * | 2017-09-13 | 2018-03-02 | 华侨大学 | 基于运动特性和卷积神经网络的火灾烟雾检测方法 |
KR20180059612A (ko) * | 2016-11-25 | 2018-06-05 | 포테닛 주식회사 | 화재 감지용 영상 장치 |
-
2018
- 2018-04-28 CN CN201810396544.2A patent/CN108648409B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003281644A (ja) * | 2002-03-26 | 2003-10-03 | Nohmi Bosai Ltd | 減光式煙感知器 |
US20070165966A1 (en) * | 2005-07-15 | 2007-07-19 | Yissum Research Development Co. | Closed form method and system for matting a foreground object in an image having a background |
US20120038644A1 (en) * | 2009-02-17 | 2012-02-16 | Uws Ventures Ltd. | Rendering caustics in computer graphics with photon mapping by relaxation |
JP2011215806A (ja) * | 2010-03-31 | 2011-10-27 | Nohmi Bosai Ltd | 煙検出装置 |
CN101944267A (zh) * | 2010-09-08 | 2011-01-12 | 大连古野软件有限公司 | 基于视频的烟火检测装置 |
CN102013009A (zh) * | 2010-11-15 | 2011-04-13 | 无锡中星微电子有限公司 | 烟雾图像识别方法及装置 |
CN102609710A (zh) * | 2012-02-22 | 2012-07-25 | 武汉大学 | 针对火灾图像视频中烟雾笼罩场景的烟火目标分割方法 |
CN102930514A (zh) * | 2012-09-27 | 2013-02-13 | 西安电子科技大学 | 基于大气物理散射模型的快速图像去雾方法 |
WO2014179482A1 (en) * | 2013-04-30 | 2014-11-06 | The Regents Of The University Of California | Fire urgency estimator in geosynchronous orbit (fuego) |
CN103489166A (zh) * | 2013-10-12 | 2014-01-01 | 大连理工大学 | 一种基于双边滤波的单幅图像去雾方法 |
JP2015197788A (ja) * | 2014-04-01 | 2015-11-09 | 能美防災株式会社 | 層流煙検出装置および層流煙検出方法 |
DE102014219838A1 (de) * | 2014-09-30 | 2016-03-31 | Robert Bosch Gmbh | Rauchdetektionsvorrichtung sowie Verfahren zur Detektion von Rauch eines Brandes und Computerprogramm |
CN104700365A (zh) * | 2015-02-02 | 2015-06-10 | 电子科技大学 | 一种图像对比度增强方法 |
CN104751591A (zh) * | 2015-04-01 | 2015-07-01 | 大连希尔德安全技术有限公司 | 一种基于半透明特征的早期火灾烟雾检测方法 |
CN104807611A (zh) * | 2015-05-04 | 2015-07-29 | 中国科学技术大学 | 基于视频的烟气流速场、湍流度场实验测量装置及方法 |
KR20180059612A (ko) * | 2016-11-25 | 2018-06-05 | 포테닛 주식회사 | 화재 감지용 영상 장치 |
CN107045723A (zh) * | 2017-03-10 | 2017-08-15 | 北京环境特性研究所 | 基于透射率动态检测的烟雾识别方法 |
CN107146209A (zh) * | 2017-05-02 | 2017-09-08 | 四川大学 | 一种基于梯度域的单幅图像去雾方法 |
CN107749067A (zh) * | 2017-09-13 | 2018-03-02 | 华侨大学 | 基于运动特性和卷积神经网络的火灾烟雾检测方法 |
CN107527329A (zh) * | 2017-09-19 | 2017-12-29 | 重庆邮电大学 | 一种基于暗通道先验和马尔可夫随机场的图像去雾方法 |
Non-Patent Citations (4)
Title |
---|
QIANG ZHANG等: "Dissipation Function and ViBe Based Smoke Detection in Video", 《2017 2ND INTERNATIONAL CONFERENCE ON MULTIMEDIA AND IMAGE PROCESSING》 * |
张汉营等: ""基于暗通道和小波的单幅图像烟雾检测算法"", 《计算机***应用》 * |
杨勇: "基于求解泊松方程和梯度的图像修复的研究", 《计算机技术与发展》 * |
王利娟: ""视频监控中火灾烟雾探测方法研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
CN109978876A (zh) * | 2019-04-03 | 2019-07-05 | 北京环境特性研究所 | 一种基于快速双边滤波的烟雾识别方法和装置 |
CN116977327A (zh) * | 2023-09-14 | 2023-10-31 | 山东拓新电气有限公司 | 一种滚筒驱动带式输送机烟雾检测方法及*** |
CN116977327B (zh) * | 2023-09-14 | 2023-12-15 | 山东拓新电气有限公司 | 一种滚筒驱动带式输送机烟雾检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108648409B (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rakibe et al. | Background subtraction algorithm based human motion detection | |
CN107025652B (zh) | 一种基于运动特性和颜色时空信息的火焰检测方法 | |
CN101441771B (zh) | 基于色彩饱和度与运动模式的视频火灾烟雾检测方法 | |
RU2484531C2 (ru) | Устройство обработки видеоинформации системы охранной сигнализации | |
CA2779795C (en) | Inclusion detection in polished gemstones | |
Zhang et al. | Matched filtering algorithm for pavement cracking detection | |
US6704447B2 (en) | Method and apparatus for using illumination from a display for computer vision based user interfaces and biometric authentication | |
US6728593B2 (en) | System for analysis of fabric surface | |
CN108648409A (zh) | 一种烟雾检测方法及装置 | |
CN110110675A (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN109084350A (zh) | 一种具滤光功能视觉检测模块的油烟机及油烟浓度检测方法 | |
Sun et al. | Fusion of infrared and visible images for remote detection of low-altitude slow-speed small targets | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
Kropp et al. | Drywall state detection in image data for automatic indoor progress monitoring | |
CN108760590A (zh) | 一种基于图像处理的厨房油烟浓度检测与干扰排除方法 | |
CN107045723A (zh) | 基于透射率动态检测的烟雾识别方法 | |
CN111239142A (zh) | 膏体外观缺陷检测设备及方法 | |
US20190392601A1 (en) | Image Processing System for Inspecting Object Distance and Dimensions Using a Hand-Held Camera with a Collimated Laser | |
Žuži et al. | Impact of dehazing on underwater marker detection for augmented reality | |
CN114049490B (zh) | 一种智能化职业卫生预警方法及*** | |
CN107341455A (zh) | 一种对夜间机场跑道路面上外来物的区域多特征的检测方法及检测装置 | |
CN110211112A (zh) | 一种基于过滤选择性搜索的铸缺陷检测方法 | |
CN109409285A (zh) | 基于重叠切片的遥感视频目标检测方法 | |
Husain et al. | VRHAZE: The simulation of synthetic haze based on visibility range for dehazing method in single image | |
Dong et al. | A window detection algorithm for remote laser gas leakage detection system |
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 |