英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
通过熔断视觉和非视觉火焰特征进行多传感器火灾探测
Steven Verstockt1,2, Alexander Vanoosthuyse2, Sofie Van Hoecke2
Peter Lambert1, and Rik Van de Walle1
1Department of Electronics and Information Systems, Multimedia Lab,
Ghent University - IBBT, Gaston Crommenlaan 8, bus 201,
B-9050 Ledeberg-Ghent, Belgium
2 University College West Flanders, Ghent University Association,
Graaf Karel de Goedelaan 5, 8500 Kortrijk, Belgium
steven.verstockt@ugent.be
http://multimedialab.elis.ugent.be/
摘要
本文提出了一种基于特征的多传感器火灾探测器，通过操作普通视频和长波热图片来达到检测目的。检测器通过动态背景减法和基于直方图分割的方法自动从热源中提取热物体图像。类似地，通过基于强度的动态背景减除从普通视频中提取移动物体。然后使用一组火焰特征进一步分析这些热和移动的物体，所述火焰特征集中于火焰区域的独特的几何、时间和空间无序特性。通过结合这些快速可检索的视觉和热特征的概率，我们能够在早期阶段检测火灾。具有视频和LWIR序列的火灾和非火情实例情况的实验显示出良好的结果，并且表明多传感器火灾分析是非常有希望的。
1介绍
最近，火灾探测的视频分析研究已成为计算机视觉的热门话题。这也导致了大量的基于视觉的检测技术的出现，这些技术可以用于早期的火焰检测[1]。基于基于视频的传感器的许多优点，快速检测（无传输延迟）、远距离的室内室外检测以及提供火灾的过程信息的能力，我们可以预见视频火灾探测（VFD）将成为更传统的火灾传感器的可行的替代或补充。
虽然它已经表明普通视频承诺良好的火灾探测和分析结果，我们认为使用红外摄像机在长波红外范围（LWIR）可以有增值的价值。各种事实证实了这一想法。首先，现有的VFD算法具有固有的局限性，例如需要足够的和特定的照明条件。热红外成像传感器成像发射光，而不是反射光，而且并没有这种限制，需要提供24小时，365天的能力。此外，我们进一步在红从外光谱中发现，视觉感知性越少，热感知性却在增加。因此，诸如火焰的热物体将是最可见的并且较少被LWIR光谱范围中的其它物体干扰。另外，由于形状、运动、颜色和烟雾和火焰的模式，许多现有的VFD方法仍然容易受到假警报的影响。由于可以将IR相机集成到现有的闭路电视（CCTV）网络中，所以两种技术的组合可以用于减少这些假警报。最后，烟雾在LWIR波长范围内几乎是透明的。因此，与摄像机或人眼相比，LWIR摄像机可以通过它观看。 因此，LWIR成像也可以用于通过烟定位火。在所有这些事实的基础上，考虑结合普通VFD和LWIR将成为双赢。这也由我们的实验证实，因为融合检测器比任一单一的传感器都好。本文的其余部分安排如下。第2节介绍相关在不可见光下工作的情况，特别关注可以在LWIR火焰检测中使用的基本特征。对于在可见光的相关工作，我们指的是作者的早期工作[1]：基于对可见光和不可见光中现有方法的分析以及我们的实验。第3节提出了多传感器火焰检测器。随后，第4节显示实验结果。第5节结束部分给出了本文的结论。
2相关工作在不可见光
虽然基于IR的视频分析的趋势是十分明显的，但是在数字文献中关于基于IR的火灾探测的论文仍然有限。然而，从现有的工作结果看起来很有前途，并已经确保红外视频在火灾探测中的可行性。
Owrutsky 等人[2] 在近红外光谱范围内工作，并集中在全局亮度的增加，即帧中的像素强度的和。虽然这个相当简单的算法似乎产生了比较好的结果，但是其有限的约束确实引起了对其在具有不同背景和大量普通移动对象的大和开放场所的适用性的问题。Toreyin [3]等人通过搜索具有快速时变轮廓的明亮移动物体来检测红外线中的火焰，使用轮廓的1D曲线表示的小波域分析来检测火灾区域的边界的高频性质。此外，他们使用隐马尔可夫模型分析该区域的时间行为。根据文献[3]，时间和空间线索的组合似乎比亮度方法更合适，大大减少了假警报。Bosch[4]等人使用时间和空间特征的类似组合，通过基于自动的基于直方图的图像阈值检测来检测热点，即候选火焰区域。通过分析所得到的对象的强度，签名和取向，进行火焰和其他热对象之间的区分。
图1 多传感器火焰检测器的一般方案
3多传感器火焰探测器
基于我们的实验分析和相关工作，本节提出了多传感器火焰探测器。从图中可以看出。 如图1所示，检测器包括视频和LWIR移动（热）对象分割以及一组分析这些对象的视觉和LWIR火焰特征。最后，全局分类器结合分析结果并做出最终决定。
3.1动态背景减除：移动对象检测
视频和LWIR分段过程都从动态背景开始减法，其通过用场景中随时间保持恒定的所有内容（即，估计的背景BGn）减去LWIR和视频帧来提取移动对象。通过将BGn的像素值与帧Fn中的对应像素的值进行比较，在每个分割之后动态地更新该估计（等式1）。对于LWIR图像，比较基于火焰的温度增加：如果Fn中的像素[x，y]的量化移位值高于BGn中的像素的移位值，则标记Fn [x，y]作为前景FG。否则，Fn [x，y]获得背景标签BG。通过将BGn中的每个像素的值向下移动来执行移位并通过在相同的距离上移动F n中的对应像素。通过将Fn的移位值四舍五入到最接近的值来进行量化十。 对于普通视频，使用类似的方法。如果BGn和Fn中的像素的量化位移强度不同，则将Fn [x，y]标记为FG。
BGn 1[x, y]=
其中更新参数alpha;是指定新信息取代旧观察的速度的时间常数。 这里alpha;（= 0.95）选择接近1。
图2 通过背景减法和基于直方图的动态的热对象分割阈值
为了避免不必要的计算工作和减少由噪声对象引起的假警报，在动态背景减除之后执行具有3 * 3正方形构造元素的形态开度。然后使用一组视觉火焰特征进一步分析视频图像中的每一个剩余FG对象。类似地，LWIR FG对象由一组LWIR火焰特征分析。在此LWIR分析开始之前，除了从LWIR FG对象集合中提取最热的对象之外，还使用基于直方图的分割。只有这些热FG对象被进一步分析。
3.2 LWIR热对象分割
就像Bosch等人的工作，[4]我们通过将高光的物体与不太亮的物体分离而提取可能代表火焰的热对象（图2）。这个分割步骤使用Otsu的方法[5]，其自动执行基于直方图形状的图像阈值处理，假设要处理的图像包含两类对象。迭代地计算分离这两个类的最佳阈值，使得它们的组合扩展，即类内方差（方程2）是最小的。
其中权重omega;i是由阈值分离的两个类的概率t和sigma;2i是这些类的方差。
3.3热对象分析：LWIR火焰特性
边界框障碍（BBD）：我们的实验（图3）显示火焰的边界框BB随时间在两个方向上显着变化，并且该变化显示高度无序。 因此，选择BBD（等式3）作为区分火焰和其他热对象的特征。它与N个BB宽度和BB高度数据点的集合中的极值的数量有关，即局部最大值和最小值有关。通过平滑这些数据点，连续点之
图3 火焰边界框障碍（a）和移动人（b）
间的小差异被过滤掉，并且在极值计算不被考虑，这增加了特征的强度。火焰具有高数量的极端，将具有接近1的BBD，而对于更多的静态对象，它将接近0。
主要定向障碍（POD）：在实验过程中，还发现主要取向的紊乱对于火焰显著高于对于更多的静态物体如人。该取向等于具有与物体区域相同的第二部分的椭圆的x轴和长轴之间的角度alpha;。POD聚焦于该取向无序特性，并且以与BBD类似的方式计算（方程式4）。
（4）
同样，具有大量定向极值的火焰将具有接近1的POD，而更多的静态物体其POD将接近0。
直方图粗糙度（HR）：通过检查热物体的直方图H，观察到火焰区域的直方图非常粗糙（图4）。此外，人们发现，这些区域的强度范围几乎在整个直方图，而对于非火焰对象这些强度是更集中于一些特定的强度箱，并有一个较小的范围。HR侧重于这两个发现。如式5和图5所示，HR等于直方图的平均范围乘以所有非零二进制位的平均无序。该平均紊乱也通过极值分析计算，并且是直方图粗糙度随时间的指标。
图4 火焰（a）和移动人（b）的直方图分析
3.4移动对象分析：视觉火焰特征
该组视觉火焰特征，在普通视频中分析移动物体，也由三个特征组成。其中两个，即BBD和POD，等于它们的LWIR等效。另一个特点是空间火焰颜色混乱，其重点在于对象的颜色特性。
空间火焰颜色障碍（SFCD）：基于我们的实验和他人的工作[6]，我们作出合理的假设：火焰的颜色属于红黄色范围。此外，实验表明火焰颜色不保持稳定，即火焰由几种不同的颜色组成。SFCD专注于火焰的颜色相关方面，以消除非火色物体和具有固体火焰颜色的普通火色物体。如在等式如图6所示，SFCD被计算为百分比火焰像素和物体区域R中的空间无序的乘积。火焰像素百分比等于像素数量#Y -R（RH）与黄色的色调值的比率和像素的总数#pixels（R）。空间无序等于4个相邻像素强度的所有集合Omega;i（[x，y]）的平均范围与对象区域中的像素强度的整个范围的比率。具有接近1的SFCD的对象将很可能表示火焰，而普通移动对象将具有接近0的SFCD。
3.5全球分类器
提出的视觉和LWIR火焰的每个特征都具有在0和1之间的概率，指示对象是否具有火焰特性。通过平均这些LWIR和视觉火焰概率（等式7），可以将平均后的概率检索到PLWIR（Flames）和Pvideo（Flames），这表示对象应被分类为相应光谱范围内的火焰。全球分类器使用（等式8）将这两个概率组合成总体可用性P（火焰）。该式中的参数beta;是常数指定必须包含多少PLWIR（火焰）和Pvideo（火焰）帐户在总概率计算中。根据情
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[139884]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
