基于ViBe和目标检测的视频烟雾检测算法_王林.pdf

敬请登录网站在线投稿(t o u g a o.m e s n e t.c o m.c n)2 0 2 3年第4期 3 3 基于V i B e和目标检测的视频烟雾检测算法王林,薛国阳(西安理工大学 自动化与信息工程学院,西安 7 1 0 0 4 8)摘要:提出了一种基于V i B e与目标检测的V S m o k e N e t烟雾检测算法。首先,该算法通过改进V i B e算法,减少噪声点的引入,提取到完整的运动前景区域,完成对烟雾的粗筛选;接着,利用大样本数据集训练的改进YO L O v 5 s网络对粗筛得到的烟雾运动前景区域进行二次筛选,最终实现视频烟雾的精确框定。实验结果表明,该算法在各种场景下有良好的检测效果。关键词:目标检测;烟雾检测;V i B e;YO L O v 5 s中图分类号:T P 3 9 1 文献标识码:AV i d e o S m o k e D e t e c t i o n A l g o r i t h m B a s e d o n V i B e a n d T a r g e t D e t e c t i o nW a n g L i n,X u e G u o y a n g(S c h o o l o f A u t o m a t i o n a n d I n f o r m a t i o n E n g i n e e r i n g,X ia n U n i v e r s i t y o f T e c h n o l o g y,X ia n 7 1 0 0 4 8,C h i n a)A b s t r a c t:I n t h e p a p e r,a V S m o k e N e t s m o k e d e t e c t i o n a l g o r i t h m b a s e d o n V i B e a n d t a r g e t d e t e c t i o n i s p r o p o s e d.F i r s t l y t h e a l g o r i t h m i m p r o v e s t h e V i B e a l g o r i t h m t o r e d u c e t h e i n t r o d u c t i o n o f n o i s e p o i n t s,e x t r a c t s t h e c o m p l e t e m o v i n g f o r e g r o u n d r e g i o n,a n d c o m p l e t e s t h e r o u g h s c r e e n i n g o f s m o k e.T h e n,t h e i m p r o v e d YO L O v 5 s n e t w o r k t r a i n e d b y l a r g e s a m p l e d a t a s e t s i s u s e d t o s c r e e n t h e s m o k e m o-t i o n f o r e g r o u n d a r e a o b t a i n e d b y c o a r s e s c r e e n i n g f o r t h e s e c o n d t i m e,a n d f i n a l l y t h e a c c u r a t e f r a m i n g o f v i d e o s m o k e i s a c h i e v e d.T h e e x p e r i m e n t a l r e s u l t s s h o w t h a t t h e a l g o r i t h m h a s g o o d d e t e c t i o n e f f e c t i n v a r i o u s s c e n e s.K e y w o r d s:t a r g e t d e t e c t i o n;s m o k e d e t e c t i o n;V i B e;YO L O v 5 s0 引 言在各类灾害中,火灾是频繁危害人类生命及财产安全的灾害之一。火灾发生初期往往会伴随着烟雾的产生,因此烟雾检测对于火灾预警有着重要的作用1。传统的烟雾检测方法是通过传感器实现的,然而使用传感器实现烟雾检测存在较大的局限性,比如在室内通风的区域或者户外开阔的场所很难检测出烟雾。监控摄像头的广泛部署再加上图像处理技术的迅猛发展,基于视频图像的烟雾检测技术得到了前所未有的关注以及应用。其中,Z HOU等人2提出利用烟雾面积变化率以及静态视觉特征检测烟雾。Z h a o等人3根据烟雾的飘动、能量以及颜色特征,使用C S A d a b o o s t算法实现烟雾检测。这些算法都是手动选择处理一个或者多个特征,无 法 提 取 到 烟 雾 本 质 特 征,在 复 杂 场 景 下 会 误 检、漏检。近年来,随着深度学习的发展,一些新的烟雾检测算法相继出现。陈俊周等人4提出了一种结合烟雾时空域特征的卷积神经网络检测算法,分别针对烟雾的静态纹理特征和动态纹理特征应用相应的卷积神经网络进行烟雾检测。Y i n等人5提出1 4层深度归一化卷积神经网络,加快了训练速度并提高了烟雾检测性能;Z h a n g等人6将F a s t e r R C NN用于室外森林火灾烟雾检测,并取得了良好的检测效果。W a n g等人7在YO L O v 5网络的基础上引入了深度可分离卷积,有效地提高了检测算法在边缘设备上的运行效率。相比于传统检测方法,基于深度学习的烟雾检测算法可以自动学习烟雾特征,减小了人工提取特征的误差。现有的算法对于烟雾检测的场景有一定的针对性,面对光线多变、背景繁杂的场景,检测效果并不理想。因此,本文提出了基于V i B e和目标检测算法Y O L O v 5 s的V S-m o k e N e t算法,该算法在有效降低虚警率的前提下,对烟雾目标进行精确框定,适用于复杂场景下的烟雾检测任务。1 V S m o k e N e t算法V S m o k e N e t算法是V i B e与YO L O v 5 s的融合算法,主要流程为:提取烟雾运动前景。将烟雾视频帧序列输入到改进V i B e算法中,提取到粗筛的运动前景区域;生3 4 M i c r o c o n t r o l l e r s&E m b e d d e d S y s t e m s 2 0 2 3年第4期w w w.m e s n e t.c o m.c n 成烟雾检测模型。将预处理后的烟雾数据集作为改进YO L O v 5 s的输入,经过训练,得到表征烟雾特征的检测模型;利用烟雾检测模型对粗筛得到的烟雾运动前景进行二次筛选,若判断为烟雾,则对烟雾目标区域进行框定。2 烟雾运动前景提取本文对监控摄像头拍摄的视频实现烟雾检测。烟雾具有运动特征,故需要对烟雾视频中的运动前景进行提取,可以有效减少对疑似烟雾区域(特别是静态区域)的误检率。V i B e8算法是一个像素级的视频背景模型方法。相对于其他算法而言,它占用的内存空间小、速度快,同时对噪声的鲁棒性较好,且检测区域也相对完整。故本文选择V i B e算法为运动前景提取方法。V i B e算法包括背景初始化、前景检测、背景更新3部分。使用原始V i B e算法的固定阈值半径R进行像素分类,极易受到监控摄像头抖动以及场景光照变化的影响,在检测过程中会引入较多噪声点,造成前景区域误判。因此,本文提出增加动态阈值半径R,随着场景的变化而作自适应调整,从而增强算法的鲁棒性。在此,将当前灰度图的像素点(x,y)处的梯度值记为G(x,y),将L个背景模型在像素点(x,y)处像素值的均方差值记为(x,y),将梯度值和均方差值的加权和记为(x,y)。其中,L为2 0。(x,y)表 示 背 景 的 复 杂 程 度,(x,y)越大,表示该像素点处的背景越复杂。(x,y)的计算公式如下:x,y()=G x,y()+1-()(x,y),0,1)(1)基于此,当前灰度图在像素点(x,y)处的邻域半径R如下:R(x,y)=r-0.5(x,y)+a,(x,y)Hr+0.5(x,y)+b,(x,y)H(2)式中,r为像素点(x,y)处的初始半径参数,H为背景复杂度阈值,a为(0,5)之间的均匀随机变量,b为(5,1 0)之间的均匀随机变量。r和H为固定的参数,通过调试得到合适的阈值半径,使得背景更新更平滑,本文中,r=3 5,H=2 0。针对不同场景(农田、竹林)下的烟雾视频,使用改进前后的V i B e算法进行检测,检测效果如图1所示。图1(a)为烟雾视频原图,图1(b)为使用原始V i B e算法得到的二值图,可见,提取到的烟雾动态前景不完整并且引入了大量噪声点,图1(c)为改进V i B e算法得到的二值图,可以看到噪声点明显减少,提取到的动态前景区域也相对完整,可以实现对运动目标的粗提取,缩小了下一步烟雾检测的范围。3 改进Y O L O v 5 s烟雾检测模型YO L O算法是一种单阶段目标检测算法,能够一次性完成分类和定位,具有效率高的特点。由于烟雾检测对图1 V i B e算法改进前后效果对比图实时性的要求比较高,为了实现性能和速度的平衡,本文选择YO L O v 5 s作为主体算法,通过训练得到具有烟雾特征的检测模型。3.1 Y O L O v 5 s网络结构YO L O v 5 s网络在YO L O v 4的基础上,对输入端、骨干网络、颈部网络以及损失函数等方面进行了改进,在保证精度的前提下,极大提升了检测速度。YO L O v 5 s的网络结构如图2所示。3.2 引入S K N e t为加强烟雾特征信息,抑制场景中其他无关信息的干扰,本文在YO L O v 5 s骨干网络不同尺度特征信息的输出位置引入S KN e t模块,通过对不同尺度通道信息进行加权处理,使得网络更加关注烟雾特征。将经过S KN e t处理后的特征信息输入到颈部网络,进行特征融合。最后以3种不同尺度的预测方式对图像中的烟雾进行检测。改进前后的骨干网络如图3所示。S KN e t是计算机视觉领域用于关注卷积核大小的一种通道注意力机制,能够根据不同尺寸的输入信息选择合适的卷积核,实现对感受野区域的自适应调整,以获取图像中不同的特征信息。S KN e t9的实现由3部分组成,分别是S p l i t、F u s e、S e l e c t。S KN e t的 网 络 结 构 如图4所示。3.3 引入双向交叉尺度融合随着卷积层数不断加深,YO L O v 5 s骨干网络可以提取到更复杂更深层次的特征1 0。颈部网络主要对骨干网络输出的特征信息进行融合操作,由F P N和P A N e t构成。对于烟雾这种浅层特征较为丰富的对象,使用P A N e t网络会造成深层卷积层无法较好地结合到骨干网络提取到的特征的问题。因此,本文在P A N e t基础上,提出双向交叉尺度融合,更好地融合了浅层细节特征与深层语义特征,获得具有丰富尺度信息的高质量烟雾特征。双向交叉尺度融合是以P AN e t为基础网络,对同一尺度的节点进行融合,如图5所示,将1 6倍下采样的骨干 敬请登录网站在线投稿(t o u g a o.m e s n e t.c o m.c n)2 0 2 3年第4期 3 5 图2 Y O L O v 5 s网络结构图3 改进前后的骨干网络图4 S K N e t结构网络特征图X=CHW、颈部上采样特征图Y=CHW与颈部下采样特征Z=CHW沿通道维度进行拼接(图中虚线 所 示)构 成 特 征 图W,再 进 行 卷 积 操 作。公 式如下:W=X,Y,Z(3)式中,表示拼接。采用拼接的方式进行特征融合可以保留目