烟雾检测

基于背景剪除法和小波分析的烟雾检测

摘要：烟雾检测对于火灾预警等有着重要作用，具有很强的现实意义，本文主要采用背景剪除法首先对图像进行静态分析，区分目标与背景，然后利用小波原理对图像进行动态分析，通过RGB值的分析和小波高频能曲线的变换等检测出烟雾。该方法简单易于操作，并且可以迅速做出判断。

Abstract：Smoke testing takes an important role in fire warning ,which with a strong and realistic significance, this paper mainly discussed how to detect the smoke precisely. First, for static analysis, cut off the background of an image to extract the target according to the distinguish between the target and the background. Second, using the principle of small wave for dynamic analysis, through the analysis of the RGB value and wavelet transformation of high frequency can detect smoke. This method is simple and easy to operate, which can quickly make a judgment.

关键词：烟雾检测；小波分析；灰度值

Keywords: Smoke detection ；Wavelet analysis ；Grey value

1. 引言

火灾作为一种在时空上失去控制的燃烧所引发的灾害，对人类生命财产和社会安全构成了极大的威胁，给人类社会生产生活带来了巨大损失，由此引发的重大安全事故比比皆是。为了防止火灾发生和减少

火灾危害，保护人民生命和财产安全，人们对自动火灾检测系统的需求日益增长。这些系统的成功，取决于烟雾、气体、温度等物理量的适当检测，因为这些物理量可提供火灾初期的快速、可靠的报警信号。目前应用比较广泛的火灾烟雾检测器，大致有离子式烟雾检测器、吸气式烟雾检测器、二极管式光电烟雾检测器、反射光式烟雾检测器、图像对单点式模拟检测器等。

基于小波的实时烟雾检测分为两个阶段：第一个阶段是提取背景，对背景进行更新，同时确定运动像素和运动区域。第二个阶段是确定被监测区域是否有火灾烟雾的发生，主要分析烟雾的三个特征：在［0. 625Hz，2. 5Hz］带宽的频率范围内，监测图像序列的灰度值通过一个二阶的滤波器后，子信号的频率值的变化，观察其峰峰值的个数；监测视频序列小波变换后，其子图像的能量值是否减少；烟雾在开始阶段是透明的，向四周扩散，因此监测背景图像的RGB 矢量是否具有方向性。另外，烟雾的形状是凸的，烟雾的闪烁频率与燃烧物的性质和尺度无关，大约在10Hz 左右。在烟雾的边界，其闪烁频率范围在

1 到3Hz。这些均是烟雾的重要特征。

2. 烟雾的检测

2.1 静态分析

基于背景剪除法，目标与背景的灰度区域不同，以此加以划分。在燃烧过程中烟雾通常显示灰色的颜色。这样一个灰颜色可以分成两个灰度区域:浅灰色和深灰色。这意味着烟雾像素的三个成分R，G，B是相等的。因此,这些灰色的颜色可以用HSI颜色模型的强度（I）成

分来描述。浅灰色的强度和深灰色的强度范围分别为从L1到L2和D1 到D2灰度级别。通过彩色分析,条件R±α= G±α= B±α和L1≦I≦L2和D1≦I≦D2可以用作烟雾识别的决定条件。在以上的条件下，这些值α,L1、L2,D1和D2 取决于实验的统计数据。典型的α值的范围是从15到20。典型的浅灰色和深灰色的值的范围分别为80 (=D1) 到150 (=D2) 和150 (=L1) to 220 (=L2)。从一张图像中提取烟雾像素的三个公式推导如下：

公式1：R±α= G±α= B±α

公式2：L1≦I≦L2

公式3：D1≦I≦D2

如果满足公式1，并且公式2或3中的一个，则检测为真正的烟雾，否则不是。

2.2动态分析

运动区域和像素由背景估计和更新确定。取出视频序列中相邻两帧图像I k，I k + 1和预先定义的背景图像B，背景图像中不存在目标。首先，对相邻两帧图像进行差分得到帧间差分图像D l，对当前帧和背景图像进行差分获得背景差分图像D k，其中：

D l(x，y)= | I k ( x，y)- I k +1( x，y)|

D h (x，y)= | I k (x，y)- B(x，y)|

然后，对两差分图像分别进行二值化处理，得到二值化图像T l

和T h，即

T l x,y= 1 ,if D l x,y>t l

0,otherwise

T l x,y=1,if D l x,y>t h 0, otherwise

最后，通过T l和T h两二值化图像相与得到变化区域图像M I，即

M k x,y=1,if (T l(x,y)∩T h(x,y))≠0 0, otherwise

利用变化区域来计算背景更新图像B n + 1，即

B n+1x,y=aB n x,y+1?a I n x,y (x,y)stationary B n x,y (x,y)moving

其中，a 为更新系数，变化范围从0 到1.

3. 图像的小波分析

3.1小波原理

小波分析采用的是二维离散的小波。二维尺度函数φ(x,y)和三个二维小波ψH x,y,ψV x,y,和ψD(x,y)。每一个均是一维尺度函数φ和ψ相应的小波函数的乘积。排除产生一维结果的乘积，如φxψ(x)，四个留下的乘积产生可分离的尺度函数：

Φx,y=φxφ(y)(1)

和可分离的“方向敏感的”小波：

ΨH x,y=ψxφy(2)

ΨV x,y=ψyφx(3)

ΨD x,y=ψxψy(4)

这些小波度量函数会有变化———沿着不同方向的图像增强或灰度的变化：ΨH度量沿着列的变化（如水平边缘），ΨV响应沿着行的变化（如垂直边缘），ΨD对应于对角线方向的变化。方向敏感是式（2）到式（4）所引起的可分离性的自然结果。二维小波在变换的

每一个层次，图像都被分解为四个四分之一大小的图像，在每一层次，四个图像中的每一个均是由原图像与一个小波基图像的内积后再经过在x 和y 方向均进行两倍的间隔抽样而生成。给定可分离的二维尺度和小波函数，首先定义一个尺度和平移基函数：

φj,m,n x,y=2j2 φ(2j x?m,2j y?n)(5)

φj,m,n

i x,y=2j2 ψi2j x?m,2j y?n,i=H,V,D(6)

其中，上标i 指出式（2）到式（4）的方向小波，不是指数，上标i代表了值H、V 和D。则尺寸为M X N 的函数（f x，y）的离散小波变换是：

Wφj0,m,n=

MN

f x,yφj

0,,m,n

(x,y)

N?1

y=0

M?1

x=0

(7)

Wψi j0,m,n=

MN

f x,yφj

0,m,n

i x,y,i=H,V,D

N?1

y=0

M?1

x=0

(8)

其中,j0是任意的开始尺度, Wφj0,m,n系数定义了在尺度j0的f( x，y)的近似。Wψi j0,m,n系数对于j≥j0附加了水平、垂直和对角方向的细节。通常令j0= 0 并且选择N = M = 2J,j=0，l，2，?，j-1 和m,n = 0，l，2，?，2j?1。

3.2 小波能分析

烟雾具有半透明性。烟雾遮挡的场景区域，其边缘变得模糊且高频信息缓慢减少; 而刚性物体遮挡场景时，场景的高频信息会有比较明显的陡变。根据这一特性，利用小波分析，能有效去除与烟雾颜色类似的运动的人及车的干扰。对当前帧感兴趣区域做二维小波变换，计算其高频能量:

E I t=||LH i,j2+HL i,j2+HH(i,j)2||

（i,j∈ROI）

式中，E I t表示第t 帧视频图像ROI 区域的小波高频能，E b为该ROI 区域所对应的背景区域的小波高频能。则当前视频帧ROI 区域小波高频能的相对下降率α为:

α=E I t?E b

E b

开放环境下，烟雾浓度变化缓慢，α也随时间缓慢变化，如图1( a) 所示，而与烟雾颜色类似的其他运动物体，其小波高频能的下降率α变化是剧烈的，如图1( b) 所示。

图1. 小波高频能在ROI区域下降曲线

4. 实验结果

5. 结束语

本文检测烟雾的主要方法首先是静态分析，基于背景剪除法，然后进行动态分析，确定运动区域进行背景更新，利用小波原理，对图像进行小波分析，提取小波高频能曲线细节信息和rgb 颜色空间颜色曲线的细节信息两个特征，最终成果检测出烟雾来。该项技术还可以进行不断的研究和创新，具有很高的推广及应用价值。

参考文献：

(1)Yu Chunyu，Zhang Yongming．Texture analysis of smoke for real-time fire detection［C］．Qingdao: Second Computer Science and Engineering，2009 2: 511 －515．

(2)Maruta H．，Kato Y，Nakamura A，etal．Smoke detection in open areas using its texture features and time series properties [C]. Kuala Lumpur: IEEE International Symposium on Industrial Electronics and Applications，2009: 1 904 －1 908．

(3)TOREYIN B U，DEDEOGLU Y，CETIN A Enis. Fiame detection in video using hidden markov modeis：proc. of IEEE ICIP［C］. Itaiy：IEEE Press，2005.

(4)秦文政，马莉，基于视觉显著性和小波分析的烟雾检测方法

[A] 杭州电子科技大学学报，1001－9146(2011)04－0114－04 ，2011年8月，第31卷第4期。

(5)袁非牛，刘士兴等，基于累积量和主运动方向的视频烟雾检测方法[A] ,中国图像图形学报：1006-8961(2008)04-0808-06 ，2008年4月，第13卷第4期。