基于光流特征和小波變換的視頻煙霧識別.pdf

1、火災對人類造成了極大的破壞，如何正確識別火災具有重要的現實意義。傳統(tǒng)的傳感器式煙霧識別方法受環(huán)境的影響較大，而基于視頻的煙霧識別對硬件要求不高，具有更好的可實施性。以往的煙霧識別方法往往選擇在煙霧飄動較為穩(wěn)定的情況進行的，然而在強風條件下，火焰的燃燒速度快，煙霧也表現出更多的特性，本文考慮了該條件下的煙霧特征，由此達到更好的預警效果。
　　本文首先對視頻圖像進行濾波和像素調整操作，然后通過實驗比較了三種運動提取方法的優(yōu)缺點，最終選

2、擇高斯混合模型作為前景提取的方法。接著使用直方圖分析得到煙霧像素在RGB和HSI顏色空間模型中的分布規(guī)律，然后使用該顏色特征進行煙霧像素提取，再經過膨脹和腐蝕操作將分散的塊處理成連通區(qū)域，并采用連通域操作去除小面積區(qū)域，最終用方框標注出疑似煙霧區(qū)域。
　　對于強風條件下的煙霧而言，其狀態(tài)不穩(wěn)定，因此需要對此時的煙霧進行相應的特性分析。光流法能夠得到煙霧像素的基本運動矢量信息，再分析這些值的分布規(guī)律得到若干煙霧特征。由于受風力影響，

3、視頻圖像中煙霧區(qū)域內部大部分像素的運動趨勢和該煙霧區(qū)域的運動趨勢是一致的，由此得到方向一致性特征，再分析像素的方向和速度的分布及其波動信息，得到煙霧光流長度及方向的均值和方差特征，對煙霧區(qū)域內部像素之間的速度進行分類和比較可以得到光流對比度特征，最后再引入煙霧的半透明特性，得到小波能量特征。經過和非煙霧像素的相應特征值進行比較分析，得到用于分類識別的特征向量集。
　　為了體現特征的最佳分類效果，本文首先分析了三種分類器的性能，k近

4、鄰分類器需要將一個樣本與所有樣本之間的距離計算出來，計算量非常大，神經網絡收斂速度慢，在出現復雜的非線性系統(tǒng)時，神經網絡的預測能力較差，而支持向量機有處理速度快，對非線性數據處理能力強的明顯優(yōu)勢，最終使用了libsvm工具箱作為分類器，通過訓練集構建出的分類器模型對任意視頻圖像進行識別。
　　最后，為了驗證本文算法的有效性，將本文算法和以往的經典煙霧識別算法進行了比較，在保證訓練集和測試集相同的情況下，得出兩者的精確度和誤檢率的比