原文
Vision based smoke detection system using image energy and color information
基于图像能量和颜色信息的视觉烟雾检测系统
Vision based smoke detection system using image energy and color information
Simone Calderara · Paolo Piccinini · Rita Cucchiara
摘要
烟雾检测是许多视频监控应用中的一项关键任务，对提高城市地区的安全水平有很大的影响。存在许多商业烟雾探测传感器，但是它们中的大多数不能应用于开放空间或室外场景。
为此，本文提出了一种烟雾探测系统，该系统利用普通的CCD摄像传感器探测图像中的烟雾并触发报警。
首先，提出了一个合适的背景模型来可靠地提取烟雾区域，避免在室外场景中的过度分离和误报，在室外场景中存在许多干扰物，例如移动的树或光反射。
利用小波变换系数和颜色信息分析图像能量，采用一种新的贝叶斯方法检测场景中的烟雾区域。
建立了图像能量的统计模型，利用速度高斯混合分析了烟雾覆盖场景时通常出现的能量衰减，然后通过评估参考烟雾颜色和输入帧之间的颜色混合来加强检测。
所提出的系统能够在夜间和白天条件下快速检测烟雾事件，并且减少了错误警报的数量，因此特别适合于监控大型室外场景， 在这些场景中，普通传感器会失效。
在录制的视频和实时摄像机上进行了广泛的实验，评估了在许多实际情况下（例如室外存储和森林）系统的效率。
关键词
烟雾检测，图像处理，高斯混合模型，离散小波变换。
Smoke detection
Image processing
MoG（Gaussian mixture model）
DWT（Discrete Wavelet Transform）
1 介绍
自动或半自动环境监测是政治政策的一个关键问题，旨在防止因自然或人为事件造成的危机，这些事件可能危及人的安全以及建筑物和自然的安全。在这些事件中，烟和火对于安全和商业动机来说是最重要的。
视频流中的烟雾检测仍然是计算机视觉和模式识别领域的一个公开挑战。它涉及定义可靠的方法，以尽快检测可能由爆炸、火灾或特殊环境条件引起的烟雾的快速扩散。出于这些动机，烟雾探测模块丰富了室内和室外监控的标准视频监控系统。
由于烟雾本身的形状、运动和纹理模式的可变性，烟雾检测的视频分析任务并不繁琐，其外观取决于场景的亮度条件、背景流形和颜色。由于烟雾改变了背景的视觉线索，通常采用背景抑制技术，然后是验证/分类任务。在有其他移动物体、阴影和背景变化的情况下，烟雾识别变得更具挑战性。
本文提出利用图像能量和颜色信息作为检测烟雾的关键特征。在我们的方法中，使用新颖和鲁棒的背景抑制技术提取运动对象，即使在不利条件下也能确保鲁棒的分割，减少误报的数量。随后，由于场景中的烟雾压力，斑点被分类为真实物体或伪影。使用小波变换计算图像能量，并使用高斯混合模型(MoG)对其时间演化进行建模，以捕捉当烟雾覆盖部分场景时通常出现的缓慢能量衰减。
此外，MoG分类使用贝叶斯框架对场景颜色变化进行了改进，以加快和改善决策过程。
值得注意的是，与大多数以前的解决方案不同，我们没有对外部条件和摄像机的视场做出任何假设，这使得我们的系统足够灵活，可以应用于不同的设置和多种照明条件下。我们在http://imagelab.ing.unimore.it/visor网站的公开数据集上评估系统性能，测量检测率和检测时间。
结果表明，在几个室外固定摄像机设置中，检测率令人满意，误报警数量减少，召回率为100%，这在任何烟雾检测系统中都是迫切需要的。
2 相关工作
研究环境、自然或人工对视频场景的影响的问题已经在人文学中进行了深入的研究，并且肯定会在许多不同的情况下影响每个人的生活。
在可以直观分析的现象中，我们可以列举自然事件，如天气状况变化(由于雨、雾等)和人为因素，如火灾或不同来源的烟雾(表1)。
表1 几种自然事件检测技术的参考文献摘要
文献中的这些方法对天气状况的检测主要是通过两种方式来处理所分析事件的不同性质。一方面，雾和霾事件与场景恢复和色彩恢复问题相关；另一方面，雨和雪通常被作为检测和去除问题。在Narasimhan和Nayar[1]中，他们提出了一种基于大气光学的有趣方法来恢复“清晰”的图像。 “一天”的场景颜色来自两个或多个图像，在不同和未知的天气条件下会停滞。他们还开发了一种使用两个散射模型Attenuation和Airlight（由雾霾引起的散射）对三维场景结构进行深度分割和提取的方法，并提出了约束，即观察者和被观察对象都必须达到地面水平。Schechner等人[2]提出了一种从图像中去除雾霾的方法。该方法依赖于由大气散射的自然环境光被部分偏振的特性。该方法不依赖于先前关于散射模型的知识或关于照明方向的知识，而仅需要两个独立的图像。 Oakley等人[3]使用统计模型检测空中照明，在真实像素值和失真像素值之间施加线性关系。
关于由于雨水的存在而产生的视觉效果，Garg等人[13]研究了单个雨滴的外观，建立了雨滴折射和反射的光度和几何模型，假设雨滴的行为像广角镜头，尽管它是一个透明的实体，但它的亮度与背景亮度无关。在[4]中，描述了一种无需后处理且不改变场景感知的从视频中去除雨水的技术。在[5]中，作者开发了一种能够在视频序列中检测雨水的算法。雨的检测由几个步骤组成：第一步，选择在一组三个后续帧上呈现强度峰值的所有像素；第二步，使用光度约束来丢弃假阳性；第三步，计算降雨的时空相关性和方向。尽管这些方法在许多工业场景中都有一定的意义，例如露天仓库，但是火灾和烟雾探测问题无疑是至关重要的，并且是一个很难用摄像机解决的难题。
因此，我们将注意力集中在烟雾检测问题以及如何快速可靠地检测现场危险烟雾的存在上。烟雾检测的问题在一些工作中已经被解决，利用了形状随时间变化的图像中像素的局部特征或度量方法。在早期的工作中，Kopilovic等人[9]利用了烟雾的非刚性导致的运动不规则性，他们使用两个相邻的图像计算了光场，然后使用运动方向分布的熵作为关键特征来区分烟雾运动与非烟雾运动。类似地，在[14]中利用了运动，从多维时间嵌入空间中的点的聚类分析中提取局部运动。目标是跟踪像素的局部动态包络，然后使用速度分布直方图来区分烟雾和各种自然现象（例如云和被风吹倒的树木，可能导致这种包络 ）。在此工作中，未考虑视频监视场景中典型的其他移动对象的存在。
最近，Chen，Yin等人[10]提出了一种基于帧差的运动分割后的像素级烟雾检测方法。像素可以用一个非常简单的基于颜色的静态判定规则初步分类为烟雾像素；它基于颜色空间中的两个阈值，假设烟雾通常显示灰色。进一步的动态决策规则依赖于烟雾的扩散属性；分割的烟雾区域周长的和与提取的烟雾像素的数量之间的比率可以给出分割的对象中的无序度的度量。类似地，其他的研究评估了可能被归类为烟雾的目标的轮廓。在[11]中，烟雾检测基于四个步骤：背景减法、闪烁提取、轮廓初始化和轮廓分类，使用关于烟雾的启发式和经验知识。
Toreyin等人[15]定义了一种有趣而稳健的方法，并在[12，16]中进一步改进。他们使用柯林斯背景减法提取运动目标[17]。然后，通过使用小波变换评估边缘和纹理变化，提供闪烁分析和湍流测量。在得到的子图像的每个块中，计算能量变化。能量由小波域中高频分量的总和给出。最后给出两个阈值来测量可接受的能量变化。用简单的三态随机马尔可夫模型(RMM)模拟变化的动态性，用烟雾和非烟雾像素进行训练。最后，如[11，10]所述，根据控制点和形状质心之间的距离，对烟雾形状的复杂性进行了分析。在给定的例子中，这种方法相当稳健，但是没有提供对不同特征贡献的精确评估。但是，在我们的实验中，我们观察到烟雾区域有时会出现强烈的形状变化和边缘复杂性。由于摄像机的视场和风向都无法在视觉上显示出来，我们避免使用此特征。
3 系统概述
提出的系统方案如图1所示。
首先，使用鲁棒的背景模型提取运动目标，该背景模型能够在由于场景中的噪声而存在多个干扰物的情况下可靠地分割运动。特别地，预先设定的背景足够坚固，可以消除所有可能的假警报源，如阴影或小物体，这些可能会对烟雾探测系统的精度产生负面影响。然后使用小波变换系数和背景模型能量与当前输入帧之间的比率来分析图像能量。基于这个比率，使用高斯混合(MoG)的统计模型来捕获能量衰减，该能量衰减表示检测场景中可能的烟雾区域的良好提示。此外， 颜色属性用于检测参考颜色和背景模型之间发生混合的区域。这种复杂的分析将揭示可能发生烟雾事件的图像区域。最后，通过观察候选烟雾区域和运动目标遮罩之间的间隔量来检测烟雾。
论文结构如下。
第4节描述了用于检测运动物体的背景模型。
第5节描述了用于烟雾检测的特征和采用的贝叶斯分类器。
第6节详细说明了所有系统参数，并讨论了所进行的实验。