CC BY
51
Секция
«ПРОГРАММНЫЕ СРЕДСТВА И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ»
УДК 004.932.2
КЛАССИФИКАЦИЯ МЕТОДОВ ОБНАРУЖЕНИЯ ПЛАМЕНИ ПО ВИДЕОПОСЛЕДОВАТЕЛЬНОСТЯМ
О. Е. Бандеев Научный руководитель - А. В. Пятаева
Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 E-mail: [email protected]
Традиционные способы обнаружения пламени не всегда позволяют обеспечить своевременную реакцию на опасность, что может привести к экономическим потерям и человеческим жертвам. В настоящее время одним из наиболее эффективных способов избежать потерь, является обнаружение пламени по видеопоследовательностям.
Ключевые слова: видеопоследовательность, пламя, пожар.
CLASSIFICATION OF VIDEO BASED FLAME DETECTION
O. E. Bandeev Scientific Supervisor - A. V. Pyataeva
Siberian Federal University 79, Svobodny Av., Krasnoyarsk, 660041, Russian Federation E-mail: [email protected]
Traditional ways of flame detection do not always in able to provide timely reaction to danger that can result in economic losses or human victims. One of the most effective ways to avoid this, at the moment, is flame detection by video sequences.
Keywords: video sequences, flame, fire.
Системы видеонаблюдения получили широкое применение как на городских территориях при наблюдении за сложными техногенными объектами, так и в системах экологического мониторинга за территориями лесных массивов, природных парков и др. Обнаружение пламени по видеопоследовательностям, полученным с камер видеонаблюдения, является актуальной задачей. Это позволяет предотвратить возможные потери и существенно уменьшить ущерб от возгорания. Традиционными способами обнаружения пламени являются методы, основанные на ультрафиолетовых или инфракрасных мультиспектральных принципах обнаружения. Однако такие технологии, как правило, ненадежны и в половине случаев дают ложные срабатывания. С развитием систем видеонаблюдения и технологий анализа изображений стало возможным использование видеоданных для обнаружения пламени, как объективного признака пожара.
В работе [1] для обнаружения пламени по видеопоследовательностям производятся последовательная обработка изображения пламени, начиная с низкоуровневого представления на основе пикселей и заканчивая высокоуровневым семантическим представлением видеоряда. Каждый пиксел одного определенного изображения, который соответствует определенным цветовым правилам и характеристикам движения помечается как «пиксель цвета пламени». После чего
Актуальные проблемы авиации и космонавтики - 2017. Том 2
грубо формируется регион-кандидат из похожих на пламя пикселей, и изображение делится на отдельные блоки. Деление на блоки производится с помощью специально обученных словарей, которые могут определять и распознавать помеченные пиксели, для более точного сегментирования областей-кандидатов, где предполагается наличие пламени, и исключения областей, где пламени нет как показано на рис. 1, а-в.
Рис. 1. Обработка изображения при обнаружении пламени: а - исходное видео; б - выделение пикселей цвета пламени; в - обработка движения пикелей
Другой метод обнаружения пламени по видеопоследовательностям основан на идее обработки переднего плана изображений и технике оптического потока [2]. Накопление изображений происходит с помощью обработки переднего плана изображений, которые извлекаются с помощью дифференциального кадрового метода.
Для этого используются два параметра, позволяющие отличать области-кандидаты пламени от областей-кандидатов дыма. Области пламени распознаются посредством статистической модели, построенной на аккумуляции переднего плана изображений, в то время как области дыма вычисляются с помощью оптического потока и модели функции движения. Горение пламени является турбулентным движением с некоторым источником. Если не будет никакого влияния ветра или потока воздуха, то области непрерывного пламени и прерывистые области пламени будут повторяться через регулярные промежутки времени в определенной области. Таким образом, значение пикселей регионов пламени на переднем плане изображения становится все больше.
Обнаружение пламени по видеопоследовательностям также возможно с использованием логистической регрессии и временного сглаживания [3]. Так как цвет огня, как правило, сильно насыщен в красном диапазоне, красные компоненты каждого пикселя огня проявляются больше, чем другие в цветовом пространстве RGB. А так как значения цвета RGB чувствительны к изменениям освещения, то цвет краски RGB преобразуют в цветовое пространство, которое может отделить яркость от цветности. Цветовое пространство YCbCr описывает цвет как яркие (Y) и цветные (Cb, Cr) компоненты. Фоновые пиксели показывают различные формы, а также различное местоположение коэффициента цветности в распределении (рис. 2).
Коэффициент цветности (СЬ/Сг) Рис. 2. Распределение коэффициента цветности
Секция «Программные средства и информационные технологии»
Таким образом, из-за сходства в цвете, пламя огня и огнеподобные объекты демонстрируют схожие черты с точки зрения распределения, но с различными средними значениями по оси коэффициента цветности. Такой метод позволит увеличить производительность и скорость обработки, за счет математического анализа только сегментированных областей, а не всего изображения в целом. Такая схема хорошо отличает пламя огня от обычного фона, также как и движение огнеподобных объектов в реальных условиях видеонаблюдения внутри и вне помещений.
Для описания характерного движения границ областей дыма и пламени во времени может быть использована стохастическая модель. В работе [4] для моделирования пространственно-временных характеристик областей применяются скрытые марковские модели, которые обучаются по тестовому набору изображений, содержащих дым и пламя. При этом обучение проводят также по изображениям, не содержащим дым и пламя. В противном случае невозможно будет отличить действительное изображение пламени и дыма от изображений объектов, имеющих подобный цвет. Преимуществом данного подхода является то, что он позволяет учитывать пространственно-временные характеристики пламени. К недостаткам следует отнести зависимость качества классификации от обучающего набора, что накладывает ограничения на качественные характеристики обрабатываемых видеоизображений.
Для областей дыма и пламени на видеоизображении характерно наличие мерцания [5], которое заключается в изменении границ от кадра к кадру случайным образом. В работе [6] показано, что значение частоты мерцания для дыма составляет 1-3 Гц, для пламени частота мерцания составляет 10 Гц. Поэтому для оценки составляющих энергии изображения на границе областей-кандидатов используют частотные методы анализа изображений. Так, в работе [7] используется двухступенчатая система фильтрации, которая состоит из высокочастотного фильтра и низкочастотного фильтра.
Таким образом, задача обнаружения пламени по видеопоследовательности является актуальной, применение систем обнаружения пламени по видеоизображениям позволяет избежать возможных человеческих и экономических потерь. Среди методов обнаружения пламени по видеопоследовательностям можно выделить подходы на основе стохастических моделей и других математических методов, методы на основе выделения движения и хроматических характеристик.
Библиографические ссылки
1. Yaqin Zhao, Guizhong Tang, Mingming Xu - Hierarchical detection of wildfire flame video from pixel level to semantic level // Expert Systems with Applications, Volume 42, Issue 8, 15 May 2015. Рр. 4097-4104.
2. Chunyu Yu, Zhibin Mei, Xi Zhang - A Real-time Video Fire Flame and Smoke Detection Algorithm // Procedia Engineering. 2013. Vol. 62. Рр. 891-898.
3. Seong G. Kong, Donglin Jin, Shengzhe Li, Hakil Kim - Fast flame detection in surveillance video using logistic regression and temporal smoothing // Fire Safety Journal, January 2016. Vol. 79. Рр. 37-43.
4. Toreyin B. U., Dedeoglu Y., Cetin A. E. Contour based smoke detection in video using wavelets. // 14th European Signal Processing Conference (EUSIPCO - 2006) /. Florence, Italy. 2006. Pp. 1-5.
5. Toreyin B. U., Dedeoglu Y., Gueduekbay U. Computer vision based method for real-time fire and flame detection // Pattern Recognition Letters. 2006. Vol. 27, No. 1. Pp. 49-58.
6. Toreyin B. U., Dedeoglu Y., Cetin A. E. Wavelet based real-time smoke detection in video // Signal Processing: Image Communication, EURASIP / Antalya. 2005. Vol. 20. Pp. 255-260.
7. Бровко Н. В., Богуш Р. П. Анализ методов обработки последовательностей видеоизображений в приложении к задаче раннего обнаружения пожаров // Вестник Полоцк. гос. ун-та. 2011. № 12. С. 42-50.
© Бандеев О. Е., 2017
