一种公路隧道火灾烟雾动态检测方法与流程

技术特征：
1.一种公路隧道火灾烟雾动态检测方法，其特征在于：该方法包括以下步骤：s1：运动区域提取；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；s2：疑似烟雾区域分割；s3：特征分析提取；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；s4：火灾烟雾检测；采用bp神经网络对隧道火灾烟雾进行检测。2.根据权利要求1所述的一种公路隧道火灾烟雾动态检测方法，其特征在于：所述s1具体为：s11：扩大采样范围；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；s12：增加动态阈值；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：为背景，否则为前景，用公式表示：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：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；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；s13：缩小时间采样因子；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。3.根据权利要求2所述的一种公路隧道火灾烟雾动态检测方法，其特征在于：所述s2具体为：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。4.根据权利要求3所述的一种公路隧道火灾烟雾动态检测方法，其特征在于：所述s3具体为：s31：颜色特征提取；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：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；s32：纹理特征提取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；
①
均匀局部二值模式ulbp；局部二值模式lbp算法计算公式如下：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；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：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；
②
灰度共生矩阵glcm；
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p(i,j|d,θ)＝#{(x,y)|f(x,y)＝i,f(x dy,y dy)＝j；x,y＝0,1,2,...,n
‑
1}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；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。5.根据权利要求4所述的一种公路隧道火灾烟雾动态检测方法，其特征在于：所述s4具体为：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；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；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；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；(k)的输出值；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；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；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；s47：返回s43，开始下一个循环；s48：迭代结束，得到最优隧道火灾烟雾检测模型。

技术总结
本发明涉及一种公路隧道火灾烟雾动态检测方法，属于公路隧道技术领域。该方法包括以下步骤：S1：运动区域提取；S2：疑似烟雾区域分割；S3：特征分析提取；S4：火灾烟雾检测；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。法。法。


技术研发人员：丁浩 刘帅 杨孟 胡学兵 李文峰 陈建忠 曹鹏 陈俊涛
受保护的技术使用者：招商局重庆交通科研设计院有限公司
技术研发日：2021.07.21
技术公布日：2021/10/23