CC BY
92
/74 Civil SecurityTechnology, Vol. 12, 2015, No. 4 (46) УДК 004.932
Алгоритм обнаружения источника возгорания с использованием видеоматериалов
ISSN 1996-8493
© Технологии гражданской безопасности, 2015
М.С. Денисов, С.А. Донец, А.В. Калач Аннотация
Разработан алгоритм, позволяющий на кадрах видео обнаруживать пламенное горение. Приведены результаты тестирования программы, реализующей алгоритм, с использованием видеоматериалов, снятых камерой Canon Power Shot A540.
Ключевые слова: распознавание образов; искусственная нейронная сеть; цвет пламени; возгорание.
Detection Algorithm Ignition Source With Video
ISSN 1996-8493
© Civil Security Technology, 2015
M. Denisov, S. Donetz, A. Kalach
Abstract
An algorithm that allows video frames to detect a flame retardant. The results of the testing program that implements the algorithm using video taken with the camera Canon Power Shot A540.
Key words: pattern recognition; artificial neural network; the color of the flame; fire.
Технологии гражданской безопасности, том 12, 2015, № 4 (46)
Устройства автоматического определения наличия пожара в помещении, используемые МЧС России, такие как детекторы дыма и температуры, имеют существенные недостатки, не позволяющие их полноценно использовать во всех типах помещений. Например, детекторы дыма, как наиболее распространенные, эффективно работают только в небольших помещениях. Однако, в случае открытого пожара в помещениях большого размера, таких как атриумы и концертные залы их применение не столь эффективно, поскольку необходимая концентрация дыма для срабатывания датчика в помещении большого размера может и не достигаться. То же самое можно утверждать об открытых пожарах. Применение различных детекторов тепла в больших помещениях также не всегда является эффективным, поскольку для срабатывания детектора требуется сравнительно близкое его расположение к источнику возгорания.
Эффективность работы детекторов, основанных на анализе кадров, полученных с видеокамеры, не зависит от размеров помещений. Также в большинстве случаев с момента возникновения открытого огня до срабатывания детектора проходит меньшее время по сравнению с детекторами дыма и тепла. Более того, один детектор на основе камеры может контролировать большую площадь, чем несколько обычных детекторов. Наконец детекторы, основанные на видео анализе, имеют большой потенциал для использования в беспилотных летательных аппаратах, предназначенных для мониторинга пожарной обстановки и в специализированной робототехнике.
Описание алгоритма
Поскольку пламя является комплексным визуальным феноменом, то при построении алгоритма следует использовать различные подходы, учитыва-
ющие различные особенности и свойства пламени как физического явления. Основная идея построения алгоритма(рис. 1) заключается в том, что оптимально подобранная комбинация различных подходов, каждый из которых позволяет с высокой точностью определять конкретный признак пламени, должна с высокой вероятностью определять наличие пламени на видеокадрах, получаемых с камеры датчика.
Пламя имеет достаточно большое число различных признаков, таких как цвет, изменчивость (динамичность), форма, поведение возникающего вместе с пламенем дыма и другие. В данной работе, следуя статье [1], сосредоточено внимание на двух основных признаках — цвете и изменчивости (динамике). В дальнейших исследованиях планируется использовать в алгоритме и другие характерные особенности пламени.
Порядок работы алгоритма следующий (рис.): для уменьшения количества вычислений сначала на последовательности кадров, получаемых с камеры датчика, определяются области с высокой динамикой (с наличием движения в этих областях).
После чего оценивается сходство цвета пикселей полученных областей с типичными цветами пламени. В связи с тем, что у пламени может быть много различных цветовых оттенков, существует большое число подходов, описанных в работах [1—4], к определению того, похож цвет пикселя на изображении на цвет пламени или нет. В данном случае использовалась искусственная нейронная сеть. Для принятия решения совпадает ли цвет исследуемого пикселя изображения с цветом пламени или нет, был применен многослойный перцептрон. Далее из видео потока выделялась последовательность от 30 до 80 кадров, на каждом из которых была область с высокой динамикой и наличием в ней некоторого числа пикселей с цветами пламени. Затем эта последовательность обрабатывалась модулем программы, разработанным
Рис. Алгоритм обнаружения источника возгорания
/76 Civil SecurityTechnology, Vol. 12, 2015, No. 4 (46)
на основе модели авторегрессии скользящего среднего (ARMA), и принималось окончательное решение о наличии на кадрах пламени.
Определение движения
Первый шаг данного алгоритма — это поиск областей на кадрах видеопотока, получаемого с камеры, которые интенсивно изменяются. Определяются такие области, анализируя изменения яркости пикселей на последовательно получаемых кадрах. Поскольку пламя часто мерцает и изменяет свою форму, алгоритм учитывает время между изменениями в каждом пикселе. Это позволяет уменьшить количество областей, на которых присутствуют интенсивные изменения, для последующего анализа.
Определение пикселей, имеющих цвета пламени
Второй шаг оригинального алгоритма состоит в классификации пикселей для областей, выбранных на первом шаге. Для определения похож цвет пикселя на цвет пламени или нет, использовался многослойный перцептрон. Он имеет три слоя, в отличие от варианта с двумя слоями, использованного для тех же целей в работе [1]. Перцептрон имеет три входа для каналов синего, зеленого и красного цвета и один вход для скрытого слоя. Такого рода искусственные нейронные сети подробно описаны в литературе и часто применяются в задачах распознавания образов [6].
Следует заметить, что хотя добавление одного слоя к нейронной сети и уменьшило количество пикселей, цвет которых нейронная сеть ошибочно считает раскрашенными в цвета пламени, тем не менее, процент ошибки достаточно велик. Однако задача нейронной сети на данном шаге — это распознать все пиксели, которые могут являться частью изображения пламени на кадрах. Сознательно не было добавлено больше слоев, что уменьшило бы число ошибок, но увеличило время на переобучение сети для других типов камер, если бы такая необходимость возникла. Таким образом, после двух шагов алгоритма стало возможно иметь на выходе выделенные области с высокой интенсивностью изменения и раскрашенные как пламя.
Методика анализа последовательности кадров
Третий шаг алгоритма — это применение техники, называемой в иностранной литературе "dynamic textures analysis".Идея, на которой основана эта техника, состоит в следующем: последовательность кадров, взятых из записи видео некоторых физических явлений, демонстрирует специфические постоянные
свойства. Используя статистику, набранную на кадрах из видеозаписи огня, можно построить модель авторегрессии скользящего среднего (ARMA), для анализа последовательности кадров, получаемых после первых двух шагов алгоритма. Была применена эта модель к уже выбранным на предыдущих этапах алгоритма областям только для того, чтобы достоверно определить, есть ли на данных областях пламя или нет.
В полученной модели последовательность кадров, получаемых из видеопотока, понимается как изменяющийся во времени процесс xгде для каждого момента времени t вектор состояния x t принадлежит векторному пространству R". Появление изображения, кодируемого вектором y, принадлежащим пространству Rm, который является линейной функцией вектора состояния xt и некоторой случайной ошибкой наблюдения (белым шумом). Со строгой математической точки зрения это описывается моделью ARMA, имеющей следующий вид:
y, = Cx, +
Здесь A-матрица перехода размерности n на n, а С-матрица наблюдений размерности n на т. Величины v t и w tнормально распределены с математическим ожиданием, равным нулю, и дисперсией, равной Q и R соответственно.
Для применения описанной выше модели, имея последовательность изображений y необходимо вычислить наилучшее решение, пользуясь принципом максимального правдоподобия:
Á,C,Q, R = P (y | A, C, Q).
Следует отметить, что вычисление этих параметров является ресурсоемкой задачей, поэтому необходимо воспользоваться решением, близким к оптимальному, которое было предложено в работах [3-4].
Четвертый шаг данного алгоритма — это сравнение различных моделей, полученных на третьем шаге алгоритма. Используется для этого классификация, основанная на методе близлежащего соседа. Для этого применяется понятие расстояния между моделями, введенное в [7]. Далее, на основании результатов классификации, выбирается модель, наиболее точно учитывающая характеристики пламени.
Данные и аппаратура, использованные при тестировании алгоритма
Для подготовки исходных данных для тестирования и обучения программы, основанной на алгоритме, использовалась камера Canon Power Shot A540, все видео снимались в разрешении 320 на 240, 15fps. Это сделано сознательно, чтобы выбрать невысокие
Технологии гражданской безопасности, том 12, 2015, № 4 (46) /77
характеристики качества видео, поскольку в современных системах видеонаблюдения редко используются камеры с высоким разрешением и дающие высокое качество снятого материала. Было снято 50 видео для обучения программы в разных условиях освещенности и 25 тестовых видео. Для обучения алгоритма с "dynamic textures analysis" было использовано 150 видео с наличием огня и 50 без наличия огня.
Заключение
В результате тестирования было установлено, что из 25 тестовых видео, программа, реализующая алгоритм, верно определила наличие пламени на видео и локализовала его на 24 видео из 25. Это составило 96 %. Алгоритм может быть улучшен за счет использования иных свойств пламени и дыма, не учитываемых при построении алгоритма.
Таким образом, применение данного алгоритма в детекторах, основанных на видеоанализе, имеет большой потенциал для использования в беспилотных летательных аппаратах, предназначенных для мониторинга пожарной обстановки и в специализированной робототехнике в интересах МЧС России.
Литература
1. Nicholas True. Computer Vision Based Fire Detection. San Diego: University of California, 2009.
2. A. Chan and N. Vasconcelos. Classifying vide with kernel dynamic textures. Computer Vision and Pattern Recognition, 2007.CVPR 07.IEEE Conference, pages 1—6, June 2007. 3, 5.
3. K.D. Cock, B.D. Moor. Subspace angles between linear stochastic models.In Proc. the 39th IEEE Conference on Decision and Control, 2000. 4.
4. G. Doretto, A. Chiuso, Y. N. Wu, and S. Soatto. Dynamic textures. 51(2):91—109, 2003. 3, 4.
5. G. Doretto, D. Cremers, P. Favaro, and S. Soatto. Dynamic texture segmentation.volume 2, pages 1236—1242, Nice, France, Oct. 2003. 3.
6. R. Hecht-Nielsen. Perceptrons.Imprints, 2008.
7. R. Martin. A metric for arma processes. Signal Processing, IEEE Transactions on, 48(4):1164—1170, Apr 2000.
Сведения об авторах
Денисов Михаил Сергеевич: к. ф.-мат. н., ФГБОУ ВПО Воронежский институт ГПС МЧС России, доц. каф. 394052, Воронеж, ул. Краснознаменная, 231. E-mail: Denisov.m.1981@gmail.com
Донец Сергей Анатольевич: к. т. н., ФГБОУ ВПО Воронежский институт ГПС МЧС России, нач. каф. 394052, Воронеж, ул. Краснознаменная, 231. E-mail: pm_ig@mail.ru
Калач Андрей Владимирович: д. х. н., проф., ФГБОУ ВПО Воронежский институт ГПС МЧС России, зам. нач. инта по научн. раб.
394052, Воронеж, ул. Краснознаменная, 231. E-mail: pm_ig@mail.ru
Information about authors
Denisov Mikhail S.: Candidate of Physical and Mathematical Sciences, Federal State Educational Institution of Higher Professional Education Voronezh Institute of the State Fire Service of EMERCOM of Russia, Associate Professor of Department. 394052, Voronezh, str. Krasnoznamennaya 231. E-mail: Denisov.m.1981@gmail.com
Donets Sergey A.: Candidate of Technical Sciences, Federal State Educational Institution of Higher Professional Education Voronezh Institute of the State Fire Service of EMERCOM of Russia, Head of Department. 394052, Voronezh, str. Krasnoznamennaya 231. E-mail: pm_ig@mail.ru
Kalach Andrei V.: Doctor of Chemical Sciences, Federal State Educational Institution of Higher Professional Education Voronezh Institute of the State Fire Service of EMERCOM of Russia, Deputy Head of the Institute for Research. 394052, Voronezh, str. Krasnoznamennaya 231. E-mail: pm_ig@mail.ru
