بخشی از مقاله
خلاصه
با پیشرفت تکنولوژی، در اثر فرآیندهای صنعتی، اجتماعی، نظامی و... ماشین جایگزین انسان شده است. هدف از این جایگزینی اغلب تکامل دقت، سرعت و کاهش هزینهها بیان شده است. آتش سوزیها از فجایع مکرری در زندگی انسانها هستند که اغلب به علت عدم تشخیص به موقع و مهار آن باعث خسارات زیادی میشود. در دنیای پیشرفته کنونی، جهت کاهش این گونه از خسارتها، تشخیص حریق باید در همان مراحل اولیه صورت گیرد.
در این مقاله جهت تشخیص آتش در تصاویر ویدیویی الگوریتمی بر مبنای پردازش تصویر ارایه شده است که از روش تشخیص برجستگی و فضای رنگ HSV برای تفکیک نواحی مهم و درگیر در آتش استفاده شده است. در نهایت با بررسی بافت آتش در حوزه مکان-زمان از طریق توصیفگر بافت سه بعدی - LBP-TOP1 - تصاویر و نواحی دارای آتش به دست میآید. نتایج به دست آمده از آزمایشات، روش پیشنهادی ارایه شده باعث بالا رفتن دقت سیستم تا 98,5درصد شده است.
.1 مقدمه
با توجه به گسترش صنایع و زندگی شهرنشینی، وجود روشهای هشدار رسانی نیازی ضروری در زندگی امروزی محسوب میشود. در میان سیستمهای هشدار رسانی سیستمهای تشخیص آتش با توجه به قابلیت گسترش سریع و قدرت تخریب بالای آتش در یک منطقه، از اهمیت بالایی برخوردار هستند. هدف اصلی در سیستمهای تشخیص آتش، طراحی سیستمی با قدرت تشخیص بالا، نرخ خطای کم و زمان تشخیص منطقی است. این سیستمها از اجزای مهم در سیستمهای نظارتی برای نظارت بر ساختمان ها و محیط زیست است. به عنوان بخشی از یک مکانیسم هشدار زود هنگام، بهتر است که سیستم در همان مراحل اولیه آتش سوزی آن را تشخیص دهد.
در حال حاضر، تقریبا در بیشتر مکانهای بسته و کوچک مانند ساختمانها از سیستمهای تشخیص آتش با استفاده از سنسور استفاده میشود. کارآیی این سیستمها به قابلیت اطمینان و توزیع موضعی سنسورها بستگی دارد. حسگرها براساس نورسنجی، دما و یا یونیزاسیون عمل تشخیص آتش را انجام میدهند. به دلیل اینکه این سیستمها به جهت تشخیص، اولا باید حسگر توسط ویژگی آتش در محل استقرار تحریک شود و ثانیا آتش در محدوده تشخیص این حسگرها باشد تا بتوانند عملیات تشخیص را انجام بدهند و همچنین نرخ خطای بالای تشخیص نیر در محیطهای باز و بزرگ وجود دارد. از دیگر اشکالات آنها عدم تشخیص سرعت گسترش و وسعت محدودهی آتش میباشد.
با توجه به پیشرفتهای سریع در تکنولوژی دوربینهای دیجیتال و تکنیکهای پردازش ویدئو، روشهای تشخیص آتش مبتنی بر بینایی سیستمهای کامپیوتری به وجود آمد. دوربینها قادر هستند وسعت بسیار زیادی از محیط اطراف خود را پوشش داده و کوچکترین تغییرات را ثبت نمایند که با استفاده از یک الگوریتم کارآمد جهت شناسایی پیکسلهای آتش و دسته بندی آنها استفاده نمود. به طور کلی، سیستمهای تشخیص آتش مبتنی بر بینایی کامپیوتر دارای سه مرحله عمده است:
طبقه بندی پیکسلهای آتش، تقسیم بندی اشیاء در حال حرکت و تجزیه و تحلیل مناطق نامزد وجود آتش. این تحلیل بر اساس دو معیار صورت میگیرد: شکل ناحیه و تغییرات ناحیه بر اثر گذر زمان. به دلیل متفاوت بودن شرایط محیطی در مکان های مختلف، الگوریتم های گوناگونی جهت شناسایی آتش وجود دارد. مهمترین مساله در انتخاب الگوریتم ها نرخ تشخیص بسیار بالا و ترجیحا، یک نرخ هشدار غلط کم است. چن و همکارانش[1]، با استفاده از اطلاعات رنگهای آبی، قرمز و سبز و ایجاد قوانینی که به وسیله آن توانستند پیکسل های آتش را دسته بندی کنند.
Wirth [2]M با بررسی های انجام شده یک الگوریتم ساده برای تشخیص شعله بر اساس طرح تغییرات هیستوگرام در فضای رنگ YCbCr ارایه کرد. Toreyin و همکارانش [3] ترکیبی از مدل گاوسی در فضای RGB است که به وسیله یک مجموعه آموزشی از پیکسل آتش به دست آمده است. در مقاله اخیر، نویسندگان روش طبقه بندی پیکسل آتش روش چین را همراه با اطلاعات حرکت و مدل سازی آن به وسیله روش مارکوف انجام دادهاند. در نوشته جات[4] 1 پیشنهاد یک سیستم تشخیص آتش مبتنی بر ویدئو که از فضا، رنگ و اطلاعات زمانی استفاده می کند.
سیستم ویدئو را به بلوک های فضا-زمانی تقسیم کرده و با استفاده از کواریانس، ویژگی های مبتنی بر آن را از این بلوک ها برای تشخیص آتش استخراج می نماید. بردارهای ویژگی از ویژگی های مکانی و زمانی مناطق دارای رنگ شعله به دست می آورد. سیستم استخراج کننده ویژگی ها را با استفاده از ماشین بردار پشتیبان - SVM2 - آموزش و مورد آزمایش قرار می دهند . این سیستم از روش حذف پس زمینه جهت قطعه بندی کردن مناطق در حال حرکت می تواند استفاده کرد.
یک الگوریتم موثر تشخیص آتش پیشنهاد شده توسط ژوان ترونگ و همکاران [5] از چهار مرحله تشکیل شده است: - - 1 مدل تطبیقی مخلوط گوسی برای تشخیص مناطق در حال حرکت. - 2 - الگوریتم C-Means فازی - FCM 3 - که مناطق نامزد آتش را از مناطق در حال حرکت بر اساس رنگ آتش بخش بندی می کند. - 3 - پارامترهای خاص که برای استخراج ویژگی های سرعت فضایی در مناطق آتش. و - 4 - بردار ماشین پشتیبانی - SVM - با استفاده از این الگوریتم و پارامترهای خاص برای تمایز بین آتش و غیر آتش استفاده می شود.
در نوشته جات [6] هدف سرعت بخشیدن به تشخیص شعله در زمان واقعی بر اساس تجزیه و تحلیل رنگ پیشنهاد شده است. آنها برای اولین بار یک مدل از شعله آتش بر اساس فضای رنگ HSI با ویژگی رنگ ایجاد کرده اند که با تجزیه و تحلیل 70 تصویر از شعله های آموزشی به دست آمده است. سپس، بر اساس این مدل از ویژگی های شعله آتش، مناطق آتش را در هر فریم از فیلم جداسازی کرده اند.
علاوه بر بخش بندی مناطق شعله آتش، پس زمینه با رنگ های اشیاء مشابه و یا آتش سوزی ناشی از تغییر رنگ ناشی از بازتاب شعله های آتش نیز از تصویر بالا در طول فرآیند جداسازی رنگ استخراج شده است. برای حذف این مناطق مانند آتش جعلی، از روش اختلاف تصویر و روش پوشش رنگ اختراع ها استفاده شود. در نهایت، آتش درجه سوختن شعله تخمین زده می شود به طوری که کاربران می تواند با یک زنگ هشدار آتش مناسب آگاه است. زمان واکنش سیستم بسیار سریع است.
اطلاعات رنگ واقعا یک ویژگی مهم از شعله استاتیک می باشد. اما فقط با ویژگی رنگ برای تشخیص آتش سوزی ممکن است نرخ به رسمیت شناختن سیستم را کاهش دهد. "Jianzhong" و همکاران [7] الگوریتم تشخیص آتش قوی پیشنهاد کرده اند که بر اساس رنگ، حرکت و الگوی ویژگی های آتش است. مراحل آن به شرح زیر است: - 1 - تجزیه و تحلیل مدل رنگ عمومیت یافته و در تعداد زیادی از پیکسل های شعله توسعه یافته است.
از مدل سنتیGICA1 ، یک مدل تجمعی هندسی آنالیز اجزای مستقل - C-GICA 2 - برای تشخیص حرکت و بدون پس زمینه استاتیک و - 3 - مدل BP شبکه عصبی که برای شناسایی آتش بر اساس توسعه چندین ویژگی از الگوی آتش صورت می گیرد. از این روش می توان به تصاویر مختلف از صحنه های آتش اعمال شود. نوشته [8] ترکیب شعله های آتش و رنگ نوک آتش برای تصمیم گیری است. اول از روش اختلاف تصویر و تجزیه و تحلیل رنگ بر اساس مدل رنگ HSI به استخراج منطقه در حال حرکت مانند آتش میان دو قاب متوالی استفاده شود. سپس توسط تبدیل فوریه گسسته با استفاده از طیف آتش از منطقه استخراج شده به جستجوی آتش می پردازد.
"Zhang Jinhua" و همکاران [9] تجزیه و تحلیل ویژگی های فیزیکی شعله را در فرایند سوزاندن همراه با ویژگی های شعله ایستا و پویا است، الگوریتم تشخیص شعله بر اساس همجوشی چند ویژگی طراحی شده است تا به سرعت شعله آتش با استفاده از تئوری درجه باور تشخیص دهد.
"Lie"، "Wanzhong" و همکاران [10] با تجزیه و تحلیل وضعیت آتش، طراحی یک ساختار را برای تشخیص زود هنگام آتش سوزی را می دهد. در مرحله اول، تصویر که شامل منطقه بالقوه آتش است نویزهای تصویر از آن حذف گردد. در مرحله دوم، منطقه شعله توسط اطلاعات رنگ استخراج شده است .در نهایت، با استفاده از طبقه بندی بیز و ویژگی های پویا به تشخیص آتش می پردازد.
"Febryanti Sthevanie" و همکاران [11] ، یک روش پیشنهادی برای تشخیص آتش ارایه شده است که تمرکز اصلی آن استخراج ویژگی های آتش برای افزایش دقت و استفاده از طرح استخراج LBP-TOP جهت سرعت بخشیدن پردازش است. ویژگی های آتش تولیده شده بوسیله LBP-TOP با استفاده از روش خوشه بندی K-Means، به عنوان یک مدل مرجع برای دسته بندی پردازش انجام شده بوسیله روش K-NN مدلسازی می شود. با توجه به اینکه روش های شناسایی آتش در تصاویر ویدیویی اغلب بر مبنای رنگ در فریم های ویدیویی کار میکنند، در شرایط محیطی مختلف عملکردشان به شدت دچار تغییر می گردد و نیاز به یک روش مقاوم در برابر تغییرات محیطی وجود دارد.
با توجه به قابلیت مقاومت در برابر تغییرات نور و مقیاس و چرخش که در برخی روش های استخراج ویژگی محلی وجود دارد و بهره گیری از توصیفگرهای ویژگی های محلی می توان به روشی مقاوم برای تشخیص آتش در تصاویر ویدیویی رسید. در این مقاله جهت تشخیص آتش در تصاویر ویدیویی الگوریتمی بر مبنای پردازش تصویر ارایه شده است که از روش تشخیص برجستگی و فضای رنگ HSV برای تفکیک نواحی مهم و درگیر در آتش استفاده شده است. در نهایت با بررسی بافت آتش در حوزه مکان-زمان از طریق توصیفگر بافت سه بعدی و بردار پشتیبان نواحی دارای آتش از نواحی بدون آتش مشخص میگردد. در ادامه مقاله در بخش 2، روش پیشنهادی در بخش 3، نتایج آزمایشات بیان می شود و در بخش 4 به نتیجه گیری موضوع می پردازیم.
.2 سیستم پیشنهادی تشخیص آتش
2,1 پیش پردازش
1,1,2 تشخیص برجستگی
اشیاء برجسته در تصاویر، بخشهایی هستند که توجه فرد را به خود جلب میکند و مهمتر هستند و معمولا این اشیاء دارای کنتراست بالایی نسبت به بقیه اشیاء دارند. آتش نیز دارای کنتراست بالایی می باشد. در روش پیشنهادی، از تشخیص برجستگی مبتنی بر گراف استفاده شده است و جهت استخراج نقشه نهایی از یک آستانه گذاری پیشنهادی استفاده شده است. پس از استخراج نقشه، برجستگی حاصل از روش مبتنی بر گراف، به دلیل اینکه فقط اطلاعات سراسری در نظر گرفته شده، بخشهای زیادی جزء بخش آتش است. برای حل این مشکل باید اطلاعات محلی را نیز در نظر گرفت.
