РАЗРАБОТКА АЛГОРИТМА ДЕТЕКТИРОВАНИЯ ВОЗГОРАНИЯ И ЗАДЫМЛЕНИЯ НА ОСНОВЕ АНАЛИЗА ВИДЕОПОТОКА
,
Государственное бюджетное образовательное учреждение высшего Московской области «Университет «Дубна»», shibashova. *****@***ru
Данная работа посвящена разработке способа обнаружения пламени в цифровом видеопотоке, который позволил бы быстро, максимально точно и с низкими затратами вычислительных ресурсов определять наличие огня и дыма на изображении. Построение алгоритма разбито на этапы, которые позволяют отбросить с каждым этапом области изображения, которые не удовлетворят представленным критериям. Этапы алгоритма учитывают следующие характеристики открытого огня: характерный цвет, непрерывное мерцание, характерная текстура огня.
Ключевые слова: компьютерное зрение, детекция огня и дыма, цветовой фильтр.
Введение
Решению данной задачи посвящено большое количество работ[1-3], где исследуются различные характеристики открытого огня и дыма, которые можно извлечь из видео-потока с использованием частотно-временного анализа, различных вариантов анализа текстуры огня, построение мульти-гауссового распределения для описания цветовых характеристик пикселей принадлежащих огненным регионам[2],фильтр контрастности, оператор Соболя, а также дискретное вейвлет-преобразование и множество других подходов.
Цветовой фильтр
Под термином «подозрительная область» понимается некоторая область на сцене, которая имеет похожие на огонь характеристики, в дальнейшем эти зоны подвергаются более тщательному анализу. Разделение пространства сцены позволяет не тратить ресурсы вычислительной системы на обработку зон, не представляющих никакого интереса.
Для работы была набрана база данных изображений огня из открытых источников. Суммарно в этой базе изображений выделено около 32 миллионов пикселей, принадлежащих огню и дыму. Цветовой фильтр, в данном случае - это набор правил для определения, того что данный пиксель окрашен в цвет соответствующий одной из различных вариаций окраски открытого огня. Пиксели изображения, прошедшие все этапы цветового фильтра заносятся в карту огненно-окрашенных пикселей, которая определяет области, которые будут подвергаться обработке следующими этапами алгоритма.
После анализа распределения цветовых компонент пикселей принадлежащих огню, подтвердилось, что пиксели огня занимают довольно узкие области пространства RGB. Следовательно, принадлежность пикселя к одной их этих областей можно использовать, как первый критерий того, что в кадре присутствует огонь. Это позволит отбросить множество изначально неинтересных для данной задачи областей изображения и существенно сократить ресурсы уже на данном этапе алгоритма.
Убедившись в коррелированности цветов огненных пикселей, та же самая статистика была построена в пространстве HSV. Результат можно увидеть на рис.1. Он более показателен, чем результат в пространстве RGB, поскольку значение Hue представляет собой восприятие цвета человеком, а у огня характерный узкий диапазон цветов.
Рис. 1. Распределение цвета для огненных пикселей: плоскости HV, SV, HS.
Из распределения Hue видно, что здесь в решающем правиле можно ограничиться принятием решения, исходя из принадлежности Hue узкому диапазону от 0 до 0.2 В результате, достаточно ограничиться принадлежностью пикселя одному из двух прямоугольных регионов части пространства SV.
Пространственный анализ
Открытый огонь на изображении обладает характерной текстурой, которая характеризуется большим количеством перепадов яркости в основном в красном канале. Поскольку цветовой фильтр будет пропускать объекты любой природы с характерным для огня цветом, анализ текстуры представляется логичным вторым этапом анализа выделенных областей.
Из общих соображений можно предложить алгоритм с использованием одного или нескольких этапов дискретного вейвлет-преобразования. Сумма абсолютных величин трех плоскостей с коэффициентами соответствующими горизонтальными, вертикальными и диагональными деталями вейвлет-коэффициентов должна принимать максимальное значение на текстурах соответствующих огню. Уровень разложения определяется масштабом и из практических соображений можно ограничиться тремя уровнями разложения и выбрать максимальное значение. Решение о присутствии пламени в анализируемом регионе принимается на основе сравнения выбранной меры с некоторым пороговым значением. Если значение параметра превышает порог, значит, внутри региона находится пламя.
Второй вариант пространственного анализа можно построить, опираясь на собранную статистику и методы машинного обучения.
В качестве входных данных рассмотрим участок изображения размером 16х16 пикселей с верхней левой точкой в качестве исходной. В качестве дескриптора были выбраны 12 точек этого участка текстуры в красном канале изображения по 6 точек в направлениях по обеим осям. В направлении каждой из осей были выбраны точки соответствующие номерам [1,2,4,7,11,16]. Расстояния между выбранными точками увеличиваются в арифметической прогрессии, что позволяет в некоторой степени "просканировать" масштаб изображения. Два, как проиллюстрировано на рис. 2.
Рис.2. Изображения, полученные набором статистики из выборок положительных и отрицательных сэмплов, взятых случайным образом, иллюстрируют отличия выбранных дескрипторов на различных типах текстур
В качестве инструмента построения решающего правила была выбрана искусственная нейронная сеть - прямоточный персепрон с конфигурацией {12-1-1}. При обучении была достигнута точность классификации 90%.
Рис. 3. Пример детекции открытого огня.
Дальнейшим развитием алгоритма, следует рассмотреть детектор дыма, который в случае его успешной работы поможет снизить вероятность ложного срабатывания. Для этого необходимо учитывать фильтр контрастности. Контрамст (фр. contraste) —разница в характеристиках различных участков изображения, способность фотографического материала или оптической системы воспроизводить эту разницу, а также характеристика чувствительности глаза (зрительной системы) относительно яркости и цвета. Контрамстность (также в различных контекстах употребляется и само слово контраст и коэффициент контраста)— степень контраста, чаще всего выражается, отношением или логарифмом отношений. Мерой их есть величина
где 
— яркость фона,
— яркость предмета или изображения. При дневных наблюдениях предметов, которых не меньше 0,5°, минимальная величина контраста для человеческого глаза близка к 0,02 (порог контрастной чувствительности глаза).
Контраст по цвету позволяет, осветляя и затемняя выбранные цвета, получить множество различных сочетаний. Число вариаций здесь очень велико и в соответствии с этим столь же бесконечно число их выразительных возможностей. Тем самым мы сможем соединить огонь и дым в один детектор распознавания этих чрезвычайных ситуаций.
Выводы
Для работы была набрана база данных изображений огня и дыма из открытых источников. Суммарно в этой базе изображений выделено около 32 миллионов пикселей, принадлежащих огню и дыму. На рассмотренной статической базе данных эффективность детектирования составила 84%, количество ложных срабатываний составило 2%.
Литература
1. Yu-Chiang Li, Wei-Cheng Wu: Sequential Pattern Technology for Visual Fire Detection. //JOURNAL OF ELECTRONIC SCIENCE AND TECHNOLOGY, VOL. 10, NO. 3, 2012
2. , , : Информационно-телекоммуникационные технологии и математическое моделирование высокотехнологичных систем. Москва, РУДН, 22-25 апреля 2014,С.137-140
3 , , : Материалы Международной молодежной конференции «Современные проблемы прикладной математики и информатики». Дубна 25-29 августа 2014, С. 86-89
Algorithm for detection of fire and smoke in the video stream
Shibashova A. G., Stadnik A. V.
University of Nature, Society and Man "Dubna", shibashova. *****@***ru
This work is devoted to developing a method for detecting a flame in a digital video stream that would quickly and accurately and at low cost computing resources to detect the presence of fire in the image. Construction of an algorithm is divided into stages that allow reject at every stage area of the image that do not meet the criteria shown. Algorithm takes into account the following characteristics of an open fire: a characteristic color, continuous flicker characteristic texture of fire.
Кеу words: computer vision, fire and smoke detection, color filter.
