基于视觉显著性与小波分析的烟雾检测方法.pdfVIP

第31卷第4期 杭州电子科技大学学报 V01．31．No．4 af 2011年∞月 Journal Dianzl H呷．hou University Aug．2011 基于视觉显著性和小波分析的烟雾检测方法 秦文政，马莉 (杭州电子科技大学生命信息与仪器工程学院，浙江杭州310018) 摘要：基于视频图像的烟雾检测对火灾预警系统性能具有重要作用。该文提出一种基于时空域信 息处理的烟雾检测算法：基于视觉注意模型的时空域ROI区域提取，以及基于小波时域分析的烟 雾动态特征识别。该文用基于颜色对比度、亮度对比度和运动3个初级视觉特征的显著性图融合 捕捉场景中的ROI区域。针对在时域中烟雾区域小波高频能波动小以及归一化颜色信息基本不 变的特点，利用小波分析的ROI区域小波高频能下降率和颜色不变性特征通过贝叶斯分类器实现 烟雾的识别。试验结果表明，该文提出的方法能有效去除类烟运动物体的干扰，检测准确性高。 关键词：视觉显著性；感兴趣区域提取；小波分析；烟雾检测 中图分类号：TN401 文献标识码：A 文章编号：1001—9146(2011)04—0114—04 0 引 言 火灾给人类社会生产生活带来了巨大损失，是严重威胁社会安全的自然灾害之一。为了提高烟雾 检测的实时性、可靠性，目前国内外学者在基于图像处理的烟雾检测方面取得了许多研究成果。(1)在 烟雾纹理分析方面有基于灰度共生矩阵所派生特征的神经网络识别法…，以及基于ROI区域特征的模 板匹配法嵋1，(2)在基于小波分析的烟雾检测方面，文献3利用所提取的ROI区域中小波高频能与背景 区域的相对比值表示烟雾模糊性。本文通过时空视觉显著性ROI区域提取得到图像感兴趣区域后，对 感兴趣区域作小波分析和颜色动态分析，并利用贝叶斯分类器最终实现烟雾识别。 1 基于时空视觉显著性的RoI区域提取 本文提出的烟雾检测方法包括基于视觉注意模型的ROI区域提取和基于小波分析的烟雾动态特 征识别两个部分。首先，在基于初级视觉特征(颜色对比度、亮度对比度、运动)的视觉注意模型中，对 静态和动态显著性图动态加权融合，产生最终显著性图。其中，静态显著性图由当前帧生成的颜色对比 度、亮度对比度图融合构成，而运动显著性图采用文献4中帧差、背景差相结合的方法。 1-l亮度显著性图 烟雾区域内部亮度相对均匀，与周边场景区域亮度变化相对明显。计算视频帧的亮度显著性[5】： Fi(p)=255一m．axII(P)一I(P’)I (1) 式中，Fi(P)表示象素点P的亮度显著性值，W是以P为中心的3×3子区域，P’为邻点。 1．2颜色显著性图 本文采取一种颜色直方图统计法计算图像中的颜色对比度。其基本思想是在直方图中发生频次较 收稿日期：2011—06—10 基金项目：国家自然科学基金资助项目，浙江省科技计划资助项目(C13062) 作者简介：秦文政(1987一)，男，山东淄博人，在读研究生，模式识别． 第4期 秦文政等：基于视觉显著性和小波分析的烟雾检测方法 115 高的灰度值具有较低的显著度。对图像I中的象素点p，其颜色显著性定义为： 255 0 (2) F。(P)=毫fn8，一a。0 对应的象素值。本文采用R通道计算颜色对比度的显著性图。 1．3时空显著性图融合——运动优先 神经心理学研究表明，人跟对运动物体的关注程度要大于其他特征信号№1，即当运动剧烈时，由帧 差和背景差合成的运动显著性图优先于静态显著性图。象素点(i，j)处的最终显著性值为：