一种公路隧道火灾烟雾动态检测方法与流程

1.本发明属于公路隧道技术领域，涉及一种公路隧道火灾烟雾动态检测方法。


背景技术：

2.公路隧道封闭的特殊环境下，火灾已成为公路隧道运营安全的最大威胁。传统的公路隧 道火灾事故检测速率慢、漏报率和误报率较高，不仅导致隧道火灾灾情信息获取不及时，不 利于现场决策救援，还会侦查消防人员的生命安全，故需要对公路隧道火灾烟雾动态检测。 以隧道内高清摄像机为基础，通过人工智能算法动态获知隧道火灾烟雾，实时获取隧道内火 灾烟雾的扩散范围和位置，合理开展火灾事故救援决策，对隧道火灾救援具有重要工程意义， 因此提出了一种针对公路隧道火灾烟雾动态推演的方法。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种公路隧道火灾烟雾动态检测方法。
4.为达到上述目的，本发明提供如下技术方案：
5.种公路隧道火灾烟雾动态检测方法，该方法包括以下步骤：
6.s1：运动区域提取；
7.针对隧道火灾烟雾向上运动沿拱顶前后扩散的特点与固定交通监控摄像机关系，采用静 态背景下的运动目标检方法提取运动区域；
8.s2：疑似烟雾区域分割；
9.s3：特征分析提取；
10.选取颜色矩、均匀局部二值模式ulbp、灰度共生矩阵glcm作为烟雾识别的特征判据；
11.s4：火灾烟雾检测；
12.采用bp神经网络对隧道火灾烟雾进行检测。
13.可选的，所述s1具体为：
14.s11：扩大采样范围；
15.使用5x5邻域建模，将采样范围从8邻域扩展到24邻域，扩大采样范围能避免一个像素 被多次采样，提高初始模型的质量；
16.s12：增加动态阈值；
17.原始vibe算法是通过计算当前像素与样本集中各个像素点之间的欧氏距离d进行前景和 背景分割；设置匹配阈值r，统计d(x,y)＝{d1,d2,
…
,d
n
}中样本距离小于r的点个数count，如 果个数大于阈值t，则认为当前点p
(i,j)
为背景，否则为前景，用公式表示：
18.[0019][0020]
原始算法选择固定阈值进行像素分类，将固定阈值调整为动态阈值，调整方法问：
[0021]
首先取每个像素点到背景样本集的平均距离meand(x,y)，给定一个参数β，根据背景变化 调试为合适的值，取βmeand(x,y)为阈值判断标准；
[0022][0023]
α1,α2,β都是固定的参数，通过参数调试得到合适阈值，使背景更新更加平滑 α1＝0.5,α2＝0.2,β＝4；
[0024]
s13：缩小时间采样因子；
[0025]
调整时间采样因子放慢背景模型的更新速率，取模拟隧道火灾烟雾视频运动区域 检测效果。
[0026]
可选的，所述s2具体为：
[0027]
将高斯混合模型和颜色分割结合提取烟雾区域，在隧道环境内，灯光干扰较大，视频图 像从rgb色彩空间模型转换到yuv色彩空间模型中颜色信息不会受照明亮度变化影响，利 用yuv色彩空间进行颜色分割；yuv色彩空间的疑似烟雾区域分割模型表达式为
[0028][0029]
式中，u
t
和v
t
表示在yuv色彩空间中像素点j在t时刻的u、v分量值；t
max
、t
min
为 阈值本文取128、30。
[0030]
可选的，所述s3具体为：
[0031]
s31：颜色特征提取；
[0032]
烟雾颜色作为最基本的图像特征信息，作为复杂识别系统的一小部分；颜色的一阶矩均 值μ
i
、二阶矩方差σ
i
和三阶矩斜度s
i
描述图像颜色分布，表达式为：
[0033][0034]
其中，p
i,j
表示yuv图像中第i个像素点j通道分量值，n表示疑似烟雾区域内像素总 数；在yuv颜色空间中分离出y、u、v三通道，提取9维颜色矩向量；
[0035]
s32：纹理特征提取
[0036]
纹理信息有局部和全局之分；局部纹理信息通过像素及其周围邻域的灰度分布表示，局 部纹理信息不同程度的重复，即表示全局纹理信息；
[0037]
①
均匀局部二值模式ulbp；
[0038]
局部二值模式lbp算法计算公式如下：
[0039][0040]
式中，g
c
表示像素点的灰度值，g
p
为邻域内像素点的灰度值，p表示邻城像素点的数目； 在原始lbp算法中，3x3领域内通过灰度值比较，提取出8位二进制数，再转换十进制数， 得到28＝256种模式，得到该领域中心点的lbp值，并用这个值来反映该局部区域的纹理信 息；
[0041]
采用等价模式编码组合进行降维，提高后续图像识别分类效率，均匀局部二值模式ulbp 直方图中u值计算，其表达式为：
[0042][0043]
ulbp的u值表示lbp模式中相邻的两个0/1或1/0传输的二进制值的个数，u值反 映局部结构的均匀性；u值越大，说明结构趋于不均匀，变化频率越高；当p＝8，r＝1时， ulbp共有59种模式，包含58种均匀模式和1种非均匀模式，并将直方图中相同u值数量 作为对应模式的特征值；
[0044]
②
灰度共生矩阵glcm；
[0045]
灰度共生矩阵法glcm定义为从灰度为i的像素点出发，距离为(dx,dy)的另一个像素点 的灰度为j的概率即灰度图像中某种形状的像素对，在全图中出现的次数，其表达式为
[0046]
p(i,j|d,θ)＝#{(x,y)|f(x,y)＝i,f(x dy,y dy)＝j；x,y＝0,1,2,...,n
‑
1}
[0047]
式中，d是用像素数量表示的相对距离；θ考虑四个方向，分别为0
°
，45，90
°
，135
°
；# 表示集合；i,j＝0,1,2,
…
,l
‑
1；(x,y)为图像中的像素坐标，l为图像灰度级的数目；
[0048]
在灰度共生矩阵基础上提取出用来能够定量描述纹理特征的统计参数；提取关于对比度、 向异性、同质度、能量、相关性和角二阶距六个灰度共生矩阵统计参数四个方向共24个特征 向量。
[0049]
可选的，所述s4具体为：
[0050]
s41：将原始图像数据采集和预处理，并形成隧道火灾烟雾图像指标数据集；
[0051]
s42：采用min
‑
max标准化方法对隧道火灾烟雾图像指标数据集d进行标准化，得到数据 预处理结果，其表达式为
[0052][0053]
式中，y
i
为数据标准化后的结果；d
i
为指标数据；d
max
，d
min
分别为指标数据中的最大 值和最小值；
[0054]
s43：初始化bp神经网络过程，给各连接权重和偏置分别赋一个(0，1)之间的随机数；
[0055]
s44：将预处理后的隧道火灾烟雾图像作为网络的输入，依次分别计算隐藏层ho
i
(k)和输 出层yo
i
(k)的输出值；
[0056][0057][0058]
式中，k为第k组隧道火灾烟图像指标数据；p和q分别为输入和输出层神经元的个数； w为权重；b为偏置；
[0059]
s45：根据误差函数e来进行误差的计算，如果误差满足要求，则跳出循环，否则进行步 骤s46，全局误差的表达式为
[0060][0061]
式中，m为隧道火灾烟雾图像数据的数量；d
o
(k)为实际的图像信息；
[0062]
s46：误差反向传播过程，使用梯度下降策略依次对输出层单元和隐藏层单元的权值进行 更新；
[0063]
s47：返回s43，开始下一个循环；
[0064]
s48：迭代结束，得到最优隧道火灾烟雾检测模型。
[0065]
本发明的有益效果在于：本发明基于高斯混合模型提取的运动区域再在yuv颜色空间 中通过滤色规则进行疑似烟雾区域分割，然后重点研究疑似烟雾区域烟雾的颜色、纹理特征， 计算烟雾的颜色矩、提取烟雾的均匀局部二值模式(ulbp)、灰度共生矩阵(glcm)进行 特征融合，利用机器学习分类器进行模型训练区分烟雾和非烟雾，完成烟雾识别，分析结果 选取最优算法。
[0066]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某 种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发 明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0067]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详 细描述，其中：
[0068]
图1为本发明流程图。
具体实施方式
[0069]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露 的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加 以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精 神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本 发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0070]
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本
发明 的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表 实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理 解的。
[0071]
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中， 需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基 于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所 指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系 的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言， 可以根据具体情况理解上述术语的具体含义。
[0072]
本发明火灾烟雾识别算法流程如图1所示。
[0073]
1)运动区域提取
[0074]
针对隧道火灾烟雾向上运动沿拱项前后扩散的特点与固定交通监控摄像机关系，采用静 态背景下的运动目标检方法提取运动区域。vibe算法兼具准确性和实时性，效果较其他熟知 的算法更好，广泛运用于交通行业监控视频的处理中。但原始vibe算法在进行烟雾区域提取 时可能存在照明亮度、隧道背景以及烟雾阴影的影响，本发明对算法进行一定程度的改进以 使其更好应用于隧道环境烟雾运动区域提取，本文采用的改进方案如下：
[0075]
(1)扩大采样范围
[0076]
使用5x5邻域建模，将采样范围从8邻域扩展到24邻域，扩大采样范围能避免一个像素 被多次采样，提高初始模型的质量。
[0077]
(2)增加动态阈值
[0078]
原始vibe算法是通过计算当前像素与样本集中各个像素点之间的欧氏距离d进行前景和 背景分割。设置匹配阈值r，统计d(x，y)＝{d1，d2，...d
n
}中样本距离小于r的点个数count， 如果个数大于阈值t，则认为当前点p
(i，j)
为背景，否则为前景，用公式表示：
[0079][0080][0081]
此时，原始算法选择固定阈值进行像素分类，但由于固定阈值对背景或者光照变化的检 测效果不佳，前景会出现较多噪声，将其调整为动态阈值，增强算法鲁棒性。本发明提出的 调整动态阈值方法如下：
[0082]
首先取每个像素点到背景样本集的平均距离meand(xy)，给定一个参数β，根据背景变 化调试为合适的值，取βmeand(x，y)为阈值判断标准。
[0083][0084]
α1，α2，β都是固定的参数，通过参数调试得到合适阈值，使背景更新更加平滑。本发明 取α1＝q.5，α2＝0.2，β＝4。
[0085]
(3)缩小时间采样因子
[0086]
原始算法采用比较保守的背景模型更新机制，为了防止缓慢扩散的烟雾被误认为背景造 成前景目标的空洞与不完整，调整时间采样因子放慢背景模型的更新速率。本发明取对比基于自适应混合高斯背景建模的背景减除法的backgroundsubtractormog2和原始vibe 算法效果图，本发明改进的vibe算法提取烟雾运动区域更加完整，噪声更少，获得较好的检 测结果。
[0087]
2)疑似烟雾区域分割
[0088]
将高斯混合模型和颜色分割结合使用可以更好提取烟雾区域，方便特征提取，减少后期 计算量。在隧道环境内，灯光干扰较大，而视频图像从rgb色彩空间模型转换到yuv色彩 空间模型中颜色信息不会受照明亮度变化影响，因此可利用yuv色彩空间进行颜色分割。 yuv色彩空间的疑似烟雾区域分割模型表达式为
[0089][0090]
式中，u
t
和v
t
表示在yuv色彩空间中像素点j在t时刻的u、v分量值；t
max
、t
min
为 阈值本文取128、30。
[0091]
3)特征分析提取
[0092]
烟雾具有色彩、纹理、运动、扩散等多种特征，本发明选取颜色矩、均匀局部二值模式 (ulbp)、灰度共生矩阵(glcm)作为烟雾识别的特征判据。
[0093]
(1)颜色特征提取
[0094]
烟雾颜色作为最基本的图像特征信息，通常可作为复杂识别系统的一小部分。颜色的一 阶矩μ
i
(均值)、二阶矩σ
i
(方差)和三阶矩s
i
(斜度)可以描述图像颜色分布， 其表达式为
[0095][0096]
其中，p
i，j
表示yuv图像中第i个像素点j通道分量值，n表示疑似烟雾区域内像素 总数。在yuv颜色空间中分离出y、u、v三通道，可提取9维颜色矩向量。
[0097]
(2)纹理特征提取
[0098]
纹理信息有局部和全局之分。局部纹理信息通过像素及其周围邻域的灰度分布表示，局 部纹理信息不同程度的重复，即表示全局纹理信息。
[0099]
①
均匀局部二值模式(ulbp)
[0100]
局部二值模式(lbp)是由ojala等提出的一种通过比较像素与其领域像素灰度值得到该 像素模式值，并用像素模式值统计直方图对图像纹理特征进行描述的灰度纹理算子。局部二 值模式lbp算法计算公式如下：
[0101][0102]
式中，g
c
表示像素点的灰度值，g
p
为邻域内像素点的灰度值，p表示邻城像素点 的数目。在原始lbp算法中，3x3领域内通过灰度值比较，可提取出8位二进制数(再转换 十进制数)得到28＝256种模式。即得到该领域中心点的lbp值，并用这个值来反映该局 部区域的纹理信息。
[0103]
为了减少编码组合模式过多带来的统计计算难度，ojala等又提出采用“等价模式”对编码 组合进行降维，提高后续图像识别分类效率。均匀局部二值模式ulbp直方图中u值计算， 其表达式为
[0104][0105]
ulbp的u值表示lbp模式中相邻的两个0/1或1/0传输的二进制值的个数，因此u 值可以反映局部结构的均匀性。u值越大，说明结构趋于不均匀，变化频率越高。当p＝8， r＝1时，ulbp共有59种模式，包含58种均匀模式和1种非均匀模式，并将直方图中相同u 值数量作为对应模式的特征值。
[0106]
②
灰度共生矩阵(glcm)
[0107]
灰度共生矩阵法(glcm)定义为从灰度为i的像素点出发，距离为(dx,dy)的另一个像素点 的灰度为j的概率即灰度图像中某种形状的像素对，在全图中出现的次数，其表达式为
[0108]
p(i,j|d,θ)＝#{(x,y)|f(x,y)＝i,f(x dy,y dy)＝j；x,y＝0,1,2,...,n
‑
1}
[0109]
式中，d是用像素数量表示的相对距离；θ一般考虑四个方向，分别为0
°
，45，90
°
， 135
°
；#表示集合；i，j＝0,1,2,
…
,l
‑
1；(x，y)为图像中的像素坐标，l为图像灰度级的数 目。
[0110]
灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息，但并不能直 接提供区别纹理的特征，因此需要在灰度共生矩阵基础上提取出用来能够定量描述纹理特征 的统计参数。本发明提取关于对比度(contrast)、向异性(dissimilarity)、同质度(homogeneity)、 能量(energy)、相关性(correlation)、角二阶距(asm)六个灰度共生矩阵统计参数四个方向共24 个特征向量，表1为本发明烟雾与非烟雾灰度共生矩阵参数。
[0111]
表1烟雾与非烟雾灰度共生矩阵参数的比较
[0112][0113]
4)火灾烟雾检测
[0114]
烟雾识别即烟雾与非烟雾分类(二分类)，在机器学习中，最常见的问题就是分类问题， 能够完成分类任务的算法通常被称为分类器(classifier)。由于隧道内环境的特殊性，烟雾与隧 道内壁颜色相差不大，本发明采用bp神经网络对隧道火灾烟雾进行检测，其具体的步骤如 下。
[0115]
(1)将原始图像数据采集和预处理，并形成隧道火灾烟雾图像指标数据集；
[0116]
(2)采用min
‑
max标准化方法对隧道火灾烟雾图像指标数据集d进行标准化，得到数据 预处理结果，其表达式为
[0117][0118]
式中，y
i
为数据标准化后的结果；d
i
为指标数据；d
max
，d
min
分别为指标数据中的最大 值和最小值。
[0119]
(3)初始化bp神经网络过程，给各连接权重和偏置分别赋一个(0，1)之间的随机数；
[0120]
(4)将预处理后的隧道火灾烟雾图像作为网络的输入，依次分别计算隐藏层ho
i
(k)和输 出层yo
i
(k)的输出值；
[0121][0122][0123]
式中，k为第k组隧道火灾烟图像指标数据；p和q分别为输入和输出层神经元的个数； w为权重；b为偏置。
[0124]
(5)根据误差函数e来进行误差的计算，如果误差满足要求，则跳出循环，否则进行步 骤(6)，全局误差的表达式为
[0125][0126]
式中，m为隧道火灾烟雾图像数据的数量；d
o
(k)为实际的图像信息。
[0127]
(6)误差反向传播过程，使用梯度下降策略依次对输出层单元和隐藏层单元的权
值进行 更新；
[0128]
(7)返回步骤(3)，开始下一个循环；
[0129]
(8)迭代结束，得到最优隧道火灾烟雾检测模型。
[0130]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施 例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进 行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求 范围当中。