Детектирование дыма в видео потоках на основе вейвлет-преобразования Текст научной статьи по специальности «Компьютерные и информационные науки»

Решетневские чтения

УДК 004.932.2

К. Э. Левтин

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

ДЕТЕКТИРОВАНИЕ ДЫМА В ВИДЕОПОТОКАХ НА ОСНОВЕ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ

Рассматривается алгоритм визуального детектирования дыма в видеопотоках, основанный на применении вейвлет-преобразования изображений и особенностях физических процессов дыма как газообразного вещества.

Предпочтительность визуальных методов детектирования дыма при работе на открытых пространствах и в закрытых помещениях большой площади (складские помещения, ангары) основана на отсутствии применения химических реакций, взятия проб воздуха и, как следствие, использования дорогостоящих датчиков. Неоспоримым преимуществом визуальных методов детектирования дыма также является высокая скорость распознавания опасной ситуации, зависящая лишь от частоты смены кадров исследуемого видеопотока (в среднем 0,1 с) [3].

Наилучшие результаты по точности детектирования дыма дают визуальные методы, учитывающие как статические (например цветовые), так и динамические характеристики исследуемого видеопотока. К динамическим характеристикам в первую очередь относится геометрический контроль периметра и площади области с вероятным наличием задымления. Огонь и дым принадлежат к явлениям турбулентной природы [3] и, следовательно, обладают рядом характерных свойств. Хорошо известно, что частота пламеобразных вспышек при горении составляет приблизительно 10 Гц и мало зависит от его масштабов или вида сгораемого материала. Как результат, границы области задымления будут характеризоваться схожими частотными характеристиками, что на практике при обработке кадров исследуемого видеопотока будет означать, что пиксель заданного цветового диапазона может включаться в область с вероятным наличием задымления или редуцироваться из нее несколько раз на протяжении одной секунды. Анализ частотных характеристик массива элементарных объектов изображения оптимальнее производить на основе вейвлетов [4].

Вейвлеты - это математические функции, позволяющие анализировать различные частотные компоненты данных. Эффективная реализация вейвлет-преобразования (пирамидальный алгоритм) позволяет выполнять анализ данных за время О(п), где п - это количество процессорных тактов, что при уровне производительности современной вычислительной техники позволяет говорить о выполнении анализа в режиме реального времени [2].

Разрабатываемый алгоритм выделения и сопровождения дымовых объектов в видеопотоке частично основывается на идеях, изложенных в работах [3; 4], и состоит из пяти следующих шагов:

1) определение движущихся объектов на текущем кадре исследуемого видеопотока;

2) текстурный анализ найденной области;

3) анализ частотных характеристик изменения граничных точек исследуемой области на основе вейвлет-преобразований;

4) проверка формы найденной области.

На первом шаге на текущем и предыдущем (фоновом) кадре видеопотока выделяются движущиеся пиксели путем вычисления разницы значений каждого пикселя по цветовым каналам RGB [1]. На следующем шаге движущиеся пиксели проходят текстурный анализ по двум характеристикам. Во-первых, цветовая гамма исследуемых объектов должна быть переведена в оттенки серого цвета. Это особенно характерно для плотных скоплений дыма [3]. Во-вторых, из-за полупрозрачности области задымления векторы RGB сохраняют общую направленность, характерную для фонового изображения.

Элементарные объекты (пиксели) изображения, прошедшие контроль на предыдущих этапах, поступают на частотный анализ, для чего используется дискретное вейвлет-преобразование вида

[4]:

Wn (x, y) = \LHn (x, y) \ + + \HLn(x,y)\2 + \HHn(x, y)\2,

где n - порядковый номер кадра исследуемого видеопотока, x, y - координаты пикселя, LH, HL, HH - горизонтальный, вертикальный и диагональный коэффициенты изображения соответственно. Применив данное вейвлет-преобразование к исследуемому изображению, получим декомпозицию данного изображения по горизонтальному, вертикальному и диагональному коэффициентам. Для элементарного объекта изображения энергия en(x, y) равна wn(x, y). Стационарные пиксели изображения характеризуются тем, что энергии

Информатика и информационно-управляющие системы

фонового пикселя еп-1(х, у) и текущего пикселя еп(х, у) должны быть равны и близки к нулю. Если же пиксель является граничным для области задымления, то будут наблюдаться характерные всплески в разнице значений энергии фонового и текущего пикселей. Это происходит из-за частого перехода такого рода пикселя из области задымления в область фона, и наоборот. Точки изображения, прошедшие контроль частотных характеристик, составляют собой массив точек полигональной аппроксимации формы области с вероятным наличием дыма.

На последнем шаге происходит контроль формы найденной области на выпуклость. В некоторой степени упрощения область задымления представляет собой выпуклый многоугольник, что следует из особенностей газообразной природы пара и дыма. Для проверки выпуклости граница найденной области пересекается несколькими горизонтальными и вертикальными прямыми линиями, после чего анализируется количество точек пересечения. Для выпуклой области оно всегда меньше или равно двум. Область, прошедшая контроль по всем четырем шагам, с высокой вероятностью соответствует области задымления и сопровождается на изображении цветовыми маркерами.

Метод визуального детектирования дыма на основе вейвлет-преобразований обладает высокой степенью эффективности, поскольку использует для анализа главную отличительную особенность видеопотока - наличие динамических характеристик искомой области. В настоящее время разрабатывается программная реализация данного метода визуального детектирования дыма.

Библиографический список

1. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. М. : Техносфера, 2005.

2. Грибунин, Б. Теория и практика вейвлет-преобразований / Б. Грибунин, А. Воробьев. М. : Военный университет связи, 1999.

3. Левтин, К. Э. Блочно-текстурный метод детектирование дыма в видеопоследовательностях / К. Э. Левтин // ТиПВСИТ. Улан-Удэ, 2009. С.248-250.

4. Vezzani, R. Smoke Detection in Video Surveillance: the Use of ViSOR (Video Surveillance Online Repository) / R. Vezzani, S. Calderara // EUSIPC0-2005, Poland, 2007. P. 540-543.

K. E. Levtin

Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk

VIDEO STREAM SMOKE DETECTION BASED ON WAVELET TRANSFORMS

An approach that describes the algorithm for smoke detection in video stream based on applying a wavelet transform to candidate images and on some especial physical processes of smoke as gaseous substance is discussed.

© Левтин К. Э., 2009

УДК 004.932.75'1

С. В. Метляев

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

РАСПОЗНАВАНИЕ СКЕЛЕТНЫХ ОБРАЗОВ

Рассматривается скелетное представление, используемое для распознавания символов. Описаны построение набора вектора скелетных признаков и формирования оценок распознавания.

Процедура скелетизации исходных изображений символов, ее использование в системах распознавания текста давно изучается разными авторами, ей посвящена многочисленная литература [1; 2].

Рассматривается задача, когда на изображения со сложной цветовой структурой нанесены печат-

ные символы, которые необходимо распознать. На начальном этапе исходное изображение подвергается предварительной обработке, заключающееся в улучшении изображения, очистки от шумов и т. д. На следующем этапе происходит поиск областей, в которых большая вероятность содержания текстовых символов. К найденным