烟雾主运动方向提取算法范文

《计算机工程与应用杂志》2014年第十四期

1烟雾特征分析

烟雾是火灾的前兆和伴随产物，燃烧是一个持续的过程，因此造成了不完全燃烧过程中产生的大量烟雾也具有持续性，同时火灾烟雾与周围环境存在着浓度差和温度差，在视觉上也造成了一定的边缘效应和形体效应，但是以上这些变化在单帧图像中是无法体现的，必须对序列帧进行研究才能准确体现出这些烟雾的动态特征[12]。据美国测试与材料学会和国际消防协会的定义：烟气包括液相颗粒和悬浮的固相颗粒、材料热解过程产生的气相物质。因此，火灾烟气流动属于两相流流动，烟气浓度、烟气颗粒的大小等都会在图像上产生相应的信息[13]。由于烟雾的运动是一种小尺度、快速变化的随机运动，因此烟雾的颜色不可能出现明显的突变，在初期升腾的烟雾中，烟雾总体表现出一种低频向上的运动趋势特性，这就是烟雾运动特性所具有的特殊性，该特殊性会使相邻两帧图像中烟雾所对应的图像上大部分像素点都产生变化，而背景中的其他物体由运动所引起的变化的像素点数目则较小，同时烟雾内部区域时刻处于无规则运动状态，具有局部亮度突变的特征。相关资料表明，烟雾的运动做为一种随机运动，帧间相似度比较小且运动频率较低，当图像采集的采样速率为15帧/s时，相邻两帧相似度低于30%，火灾烟气颗粒内部特征则表现为一种小尺度、快速变化的随机运动，且呈现低频向上的运动趋势。

2基于Meanshift目标匹配

由于烟雾的图像帧间相似度低，根据这些特性，采用基于背景差分法进行烟雾运动块特征的提取，利用Meanshift对烟雾运动块进行特征匹配，从而可以估算出主运动方向。为了估计烟雾块的运动矢量方向，如图1所示，通过把前一帧的图像块分别匹配到当前帧对应位置周围的9个数据块。然后利用Bhattachyarya系数进行相似程度度量，在对应的9个数据块中，找到一个Bhattachyarya系数最大的值。Bhattachyarya系数值越大，表示两个数据块相似程度最高。如果所有数据块Bhattachyarya系数都小于一定的阈值，表示匹配不成功，如果当前帧的位置和下一帧位置相同，表示数据块没有移动。在相邻帧中通过Bhattachyarya系数匹配确定“疑似块”对应位置，从而可以确定该数据块烟雾的运动方向。设当前帧的疑似数据块中心坐标为{y(0)y(1)y(8)}其对应的运动方向为{129}如果匹配到9，表示数据块没有发生运动。设视频序列图像被分成m´n个数据块，则上式θ(ij)可以用来表示烟雾块匹配成功的数字编码，每个编码表示一个运动方向，(ij)表示图像m´n个数据块中，第i和第j位置的数据块。φ(x)是从运动方向里面查询相对应数值的函数。

3基于时间窗的“疑似块”运动方向的直方图统计

虽然通过对所有数据块烟雾的运动方向进行统计，就可以确定烟雾的总体运动方向，但是由于各种噪声的影响，很难准确地提取出疑似块方向。由于不准确的运动方向判断可能会影响后续的烟雾检测，所以必须采用时间窗对每个数据块的运动进行统计，以尽量减少噪声的干扰[14]。通过时间窗WT可计算出每个块在时间窗内的运动方向的直方图HT(θ(ij))l=129如图2所示，其中WT是进行统计所取图像帧数量。通过计算每个数据块的运动方向直方图，采用在时间窗口里面出现运动方向次数最多的方向作为该数据块当前的主运动方向，采用下式计算。

4主运动方向的判别

初期烟雾基本上是一个缓变信号，在较短的时间内，不会产生明显的整体移动，因此从时间轴上看，在烟雾区域存在的运动概率大于其他区域。为了对烟雾运动能够准确的度量，本文构建了一个大小为WT的滑时间窗口对滑动窗口内的块运动数据进行累积，因此第(ij)数据块的累积量可以表示如下：如果在整个时间窗内数据块一直都是运动的，那么该数据块的累积量达到最大值，当数据块完全处于静止状态时，该块的累积量为最小值。由于存在各种噪声，大部分数据块的累积量不为0。为了抑制噪声和刚性物体的干扰，假定数据块的累积量小于某一阈值时把该块当作非烟雾块处理。提取公式表示如下。烟雾在灼热空气的驱动下表现为某一方向运动的趋势，整体上会存在一个主要运动方向，对应初期升腾的烟雾来说，烟雾的主运动方向是向上的，为了消除某些非烟雾物体的干扰，必须需要计算出每一个区域的主运动方向。通过对图3分析，可以知道2、3、4是向上及斜上方运动方向，是烟雾主运动的特征方向。由于烟雾的向上、两侧运动的特点，即使受到剧烈空气流动等干扰的影响，2，3，4所代表的运动方向所占的比例也会较高。对烟雾疑似区域所有小块各运动方向的个数进行统计，并根据以下公式可以计算每个疑似烟雾区域的主运动所占的比率。

5实验结果分析

本文采用浓黑色烟、灰白色烟雾以及人运动等进行实验，验证通过主方向特征提取烟雾的能力以及排除干扰的能力，并通过不同的序列帧对烟雾的运动累积效应进行验证。图4是对灰白色的烟雾进行主运动方向提取所能显示的结果，由于早期火灾的烟雾基本上是一个缓变信号，因此如果数据块在整个时间窗内都保持运动，那么该数据块的累积量将达到最大值。从图4可以分析得知，经过5帧图像累积以后，烟雾的运动累积效果大大增加，灯光的闪动所产生的对于运动方向的干扰信息则变化不明显。经过公式（9）对主运动方向的提取，可以看出初期升腾烟雾是满足主运动方向的特征要求的，因此在图像中被保留下来，而干扰则被基本剔除。为了进一步验证算法对主运动方向验证的适用性，本文对背景信息比较复杂、有强光干扰条件下的仓库图像进行了信息提取和处理，针对浓黑色烟雾进行了验证主运动方向提取能力的实验，从图5可以分析得知，经过7帧图像累积以后，烟雾的运动累积效果大大增加，烟雾在图像中被保留下来，而干扰则被基本剔除。从图6中可以看到本文在有人体运动干扰下的烟雾方向提取图的结果，由于人的运动和光线的干扰对主运动的累积量贡献不大，随着帧数的增加，累积量基本呈现逐步下降的趋势，而且也不满足主运动方向判定要求，因此本文的方法不会对该情况产生误报现象。为了进一步验证算法的有效性，将本文算法和BBGDS[7]与HEXBS[9]以及全搜索算法进行比较，实验中用每个“疑似块”的平均搜索点数作为衡量算法搜索速度的指标，用视频序列重建图像亮度的平均峰值信噪PSNR作为搜索精度的指标。实验使用VisualC++6.0编程实现，“疑似块”大小采用6×6像素，时间窗口为15个像素点，匹配准侧为SAD，实验数据如图4~6，图像大小为704×576。从表1可以看，本文提出的快速提取算法能够明显降低寻找主运动方向的平均搜索点数，因此本文具有收敛速度快和搜索点数量少的特点。从表2列出了各种算法的重建图像亮度PSNR平均值，从实验结果来看，全搜索算法的PSNR最好，搜索精度最高。本文算法搜索精度要高于HEXBS和BBGDS算法，和全搜索算法非常接近。因此本文算法具有高的搜索精度。

6结论

本文把前一帧的图像块分别匹配到当前帧对应位置周围的9个数据块，利用Bhattachyarya系数进行相似程度度量，在对应9个数据块中找到一个Bhattachyarya系数最大的值，利用Bhattachyarya系数值来估计烟雾块的运动矢量的方向。通过对所有数据块烟雾的运动方向进行统计，就可以确定整个烟雾的主要运动方向。由于在实际状态下各种噪声的影响，准确地提取出块运动方向具有相当难度，而不准确的运动方向可能会影响后续的烟雾检测，所以本文采用了适当的时间窗对每个数据块的运动进行统计，以尽量减少噪声的干扰，对比实验表明，本文减少搜索点数量和提高搜索精度，解决了初期升腾阶段烟雾内部呈现局部小运动特征难以提取的问题。

作者：刘青张晓晖黄军勤单位：西安理工大学工程训练中心