CC BY
28Решетневские чтения. 2017
УДК 004.932.2
ВЛИЯНИЕ ГЛУБИНЫ СЦЕНЫ НА ОБНАРУЖЕНИЕ ДЫМА ПО ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ
В. В. Жорова*, А. Н. Хомяков
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: [email protected]
Предложен алгоритм поиска областей задымления на последовательности видеокадров. Рассмотрено влияние глубины сцены на набор применяемых признаков, характерных для дыма. Произведены экспериментальные исследования реализованного в системе визуального обнаружения дыма алгоритма с применением различных параметров используемых методов.
Ключевые слова: детектирование дыма, видеопоследовательность, глубина сцены.
INFLUENCE OF THE SCENE DEPTH ON VIDEO-BASED SMOKE DETECTION
V. V. Zhorova*, A. N. Khomyakov
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected]
The paper describes the algorithm based on the block-matching algorithm and the influence of depth of the scene on the set of characteristics used for smoke. The algorithm can detect smoke in the video sequences. We test the system of visual-based smoke detection using various parameters of the algorithm.
Keywords: smoke detection, video sequences, scene depth.
Пожары являются одной из наиболее серьезных проблем, связанных с безопасностью окружающей среды и жизнедеятельности человека. Важный элемент системы пожарной безопасности - раннее обнаружение очагов пожаров. Определить очаг пожара на ранних стадиях его появления позволяют системы детектирования дыма на видеопоследовательности. С помощью систем визуального детектирования дыма возможно обнаружение дыма на открытой местности, в то время как датчики пожарной сигнализации позволяют предотвратить пожар только в закрытых помещениях.
Процесс обнаружения дыма по видеопоследовательностям включает определенную последовательность действий: поиск движения на последовательности кадров, выделение пространственных и временных признаков, свойственных дыму, формулировку вывода о наличии дыма. При обнаружении дыма следует различать сцены ближнего и дальнего плана, так как от глубины сцены зависят набор применяемых признаков, характерных для дыма, и значения параметров используемых методов оценки движения. Кроме того, эффективность детектирования дыма зависит от метеорологических условий на момент съемки [1].
К признакам дыма, которые необходимо учитывать при визуальном обнаружении задымленности, можно отнести: серый цвет, прозрачность, движение, турбулентность, шарообразную форму клубов дыма, красный цвет у места возгорания (при появлении
пламени), эффект мерцания [2-3]. На изображениях дальнего плана присутствует воздушная перспектива, что затрудняет распознавание дыма по перечисленным признакам. Атмосферная перспектива - это способ, с помощью которого создается иллюзия глубины пространства кадра. Согласно закону воздушной перспективы, все удаленные объекты воспринимаются размыто, неопределенно [4]. В связи с этим трудно выделить границы областей дыма, и, как следствие, определить фрактальную природу найденной области и выявить эффект мерцания. Кроме того, дымка имеет цветовые и яркостные характеристики близкие к характеристикам дыма. Поэтому наиболее существенным признаком дыма является его движение.
Обнаружение движения происходит методом сопоставления блоков. Для поиска соответствия блоков применяется трехшаговый поиск, так как он прост, надежен и обладает высокой производительностью. Первый этап трехшагового поиска состоит в рассмотрении восьми блоков, находящихся на расстоянии, равном параметру поиска от текущего блока. Второй этап заключается в смещении центра поиска к блоку, которому соответствует минимальное искажение, и уменьшения параметра поиска в два раза. В качестве функции схожести вычисляют среднее абсолютное отклонение (Mean Absolute Difference, MAD):
MAD = — У У Q - Rj,
N2 ¿—¡i=0^-i j=0l 'J v\
где N - размер блока; Cj, Rj - сравниваемые пикселы.
Программные средства и информационные технологии
Результаты тестирования обнаружения дыма
Исходная видеопоследовательность
Дальний дым
Дальний дым
Ближний дым
Результат обнаружения дыма
Ближний дым
Block = 16 SearchParameter = 3 NumberFrame = 3
Block = 16 SearchParameter = 4 NumberFrame = 2
Block = 25 SearchParameter = 6 NumberFrame = 1
Block = 20 SearchParameter = 6 NumberFrame = 1
Этапы продолжаются до тех пор, пока параметр поиска не меньше единицы [5]. Размер блока и параметр поиска зависят от удаленности объекта съемки. Дым, находящийся на сцене с дальним планом, является малой областью движения. По этой причине значения размера блоков и параметра поиска устанавливают небольшими. Также для более эффективной работы алгоритма для сравнения могут выбираться не только соседние кадры, но и кадры, идущие через один или два.
Были проведены экспериментальные исследования алгоритма обнаружения дыма с применением различных параметров. Эксперименты проводились на 15 видеопоследовательностях, содержащих задымление, и на 15 видеопоследовательностях, на которых нет дыма. Видеоролики имеют различные разрешения, такие как 320x240, 352x288, 480x360, и количество кадров в секунду, лежащее в пределах от 24 до 30. Все видеоролики имеют различную глубины сцены и сняты со статичной камеры на открытых пространствах. Эксперименты проводились при различных значениях размера блоков (Block) и параметра поиска (SearchParameter) в методе сопоставления блоков, также варьировался номер кадра (NumberFrame) относительно текущего, который следует учитывать для расчета движения. В таблице изображены исходные кадры видео, кадры, прошедшие обработку, и значения используемых параметров алгоритма.
Экспериментальные исследования показали, что требуется адаптивная подстройка параметров под каждую видеопоследовательность. Так как параметры зависят от удаленности объекта съемки и скорости распространения дыма. Так, для сцен с большой глубиной следует пропускать два или три кадра. Для сцен с малой глубиной, как правило, следует искать движение без пропуска кадров видеопоследовательности. Также, для сцен с большой глубиной, рекомендуется использовать значение размера блока 16 пикселов, параметр поиска 3-6 пикселов. Для сцен с ма-
лой глубиной значения параметров алгоритма могут быть больше.
Библиографические ссылки
1. Пятаева А. В., Фаворская М. Н. Модель фона при детектировании дыма по видеопоследовательностям на открытых пространствах // Информационно-управляющие системы. 2016, № 4 (83). С. 44-50.
2. Toreyin B. U. Computer vision based method for real-time fire and flame detection // Pattern Recognition Letters, 2006. Vol. 27, № 1. P. 49-58.
3. Балханов В. К. Основы фрактальной геометрии и фрактального исчисления. Улан-Удэ : Изд-во Бурят. гос. ун-та, 2013. 223 с.
4. Смит Р. К. Перспектива. М. : Кристина - новый век, 2002. 44 с.
5. Pandian S. I. A. A Study on Block Matching Algorithms for Motion Estimation // International J. on Computer Science and Engineering, 2011. Vol. 3, № 1. P. 34-44.
References
1. Pyataeva A. V., Favorskaya M. N. [Background Model for Video-Based Smoke Detection in Outdoor Scenes]. Informatsionno-upravlyayushchie sistemy. 2016, no. 4 (83). Р. 44-50. (In Russ.).
2. Toreyin B. U. Computer vision based method for real-time fire and flame detection. Pattern Recognition Letters, 2006, Vol. 27, no. 1. Р. 49-58.
3. Balkhanov V. K. Osnovy fraktal'noy geometrii i fraktal'nogo ischisleniya [Bases of fractal geometry and fractal calculation]. Ulan-Ude : Buryat State University Publ., 2013. 223 p.
4. Ray Campbell Smith. Perspective. M. : Сhristina -new century, 2002. 44 p.
5. Pandian S. I. A. A Study on Block Matching Algorithms for Motion Estimation // International J. on Computer Science and Engineering, 2011. Vol. 3, № 1. Р. 34-44.
© Жорова В. В., Хомяков А. Н., 2017
