بخشی از مقاله
چکیده:
تشخیص به موقع حریق در سیستم های ایمنی جهت پیشگیری به موقع از حریق جزو نیازمندی های لاینفک زندگی بشری می باشد و دردنیای پیشرفته کنونی این سیستم ها پیشرفت چشمگیری داشته اند تا اینکه بتوان کشف حریق را با شیوه نوین بر روی سیستم دوربین هایحفاظتی نیز انجام داد تا سیستم نظارت تصویری به سیستم کشف حریق نیز مجهز شود، و این تحقیق در راستای برقراری امنیت بشر میباشد.سیستم های مختلفی در جهت کشف حریق ایجاد گردیده اما یکی از سریعترین و دقیقترین آنها تشخیص حریق از طریق پردازش تصویر می باشدکه با توجه به نتایج حاصل شده از بررسی تصاویر حریق است .بر اساس نتایج به دست آمده از تصاویر حریق های مختلف در روشهای متفاوت، میتوان به این نتیجه رسید که در مقایسه با سایر روشهای سنتی مثل اثر دتکتورهای کشف دود و حرارت، سیستم های مبتنی بر تصاویر حریق ازقابلیت اطمینان بالاتری برخوردارند و دارای دقت و سرعت بهتری هستند .مشکل اصلی در بررسی این نوع ، آتش های محدود، بازشناسی نورهایایجاد شده محیطی مثل قوس الکتریکی از شعله می باشد .این بررسی جهت دو روش زیر صورت گرفته است 1. :تفریق پس زمینه 2. انتخاب پیکسل های آتش و تشخیص حرکت آنها روش اول شامل مراحل زیر می باشد:
1.ترکیب تغییرات موقتی آتش و اطلاعات رنگ و بدست آوردن تقسیم بندی شیء پیش زمینه با استفاده از تفریق پس زمینه جهت تشخیص آتش
2.تولید مدل پس زمینه با استفاده از توزیع گوسی
3.تصدیق اطلاعات پیش زمینه توسط مدل آماری رنگ آتش جهت تشخیص کاندید آتش روش دوم شامل مراحل زیر می باشد:
تشخیص پیکسل آتش با استفاده از اطلاعات رنگ تشخیص پیکسل های متحرک تجزیه و تحلیل پیکسل های متحرک آتش در فریم های متوال به این منظور مجموعه ای بیش از 400 عکس توسط دو دوربین که در محل ثابتی تعبیه شده اند و دارای وضوح تصویر مختلفی هستند در دو شرایط جوی متفاوت تهیه شده است .همچنین با نمونه های موجود در اینترنت نیز آزمایش شده است و دقت آن حدود % 93 می باشد.
کلمات کلیدی :سیستم نظارتی، تشخیص حرکت، شعله، زیرگروه
-1مقدمه:
سیستم های تشخیص معمولی از سنسورهای فیزیکی استفاده می کردند .مشخصات شیمیایی ذرات در هوا توسط سنسورها بدست می آید و توسط سیستم های تشخیص دود و حرارت معمولی استفاده می شوند تا صدای زنگ یا اخطار را به صدا در آورد .اگرچه این ممکن است موجب اخطار غلط شود .برای مثال یک فردی که در یک اتاق سیگار می کشد ممکن است باعث راه انداختن آژیر سیستم تشخیص حریق شود .به منظور مدیریت خطاهای نادرست سیستم های تشخیص حریق معمولی، یک الگوریتم تشخیص آتش بر پایه تصویر در این مقاله مطرح شده است .الگوریتم تشخیص آتش مطرح شده شامل دو بخش اصلی می باشد :
مدل رنگی آتش و تشخیص حرکت .این الگوریتم می تواند بطور موازی با سیستم های تشخیص حریق ساده استفاده شود تا آژیر غلط را کاهش دهد .این روش همچنین می تواند به صورت یک سیستم مستقل جهت تشخیص آتش توسط ویدئو فریم های بدست آمده از دستگاه ویدئویی، استفاده شود .یک مدل رنگی توسعه داده شده است تا پیکسل های آتش را شناسایی کند .مدل رنگی آتش پیشنهاد شده CIE L*a*b* آتش جدید در فضای رنگی توسط ده ویدئو مختلف از انواع متفاوت آتش، آزمایش شده است .نتایج آزمایشاتنسبتاً دلگرم کننده بود، در کلاس بندی پیکسل های آتش فقط با توجه به اطلاعات رنگ، بطورکلی راندمان سیستم های تشخیص آتش روی پایگاه داده ویدئو آتش تست شده است و راندمان آن با چگونگی روش تشخیص آتش قبلی مقایسه شده است.
RichardوPlumb از نقطه های تخصصی بر مبنای سنسورهای حرارتی استفاده می شوند که به شدت بر اثر دما تغییر می کنند .یک دوربین سیاه و سفید استفاده می شود که این شدت تغییرات در مکان های مختلف را مشاهده کند .با استفاده از مدل جریان انتقال حرارت بدست آمده از این سنسورها، یک کامپیوتر مکان، اندازه و شدت مشکل را با استفاده از نام مناسب راه حل مشکل معکوس، حل می کند .این روش نیازمند حسگرهای گران قیمت است و علاوه بر این موقعیت دقیق سنسورها باید برای الگوریتم کالیبره شود تا موثر واقع گردد. [ 1
Philips و همکارانش اطلاعات گزاره رنگ و متغیرهای موقت از یک مجموعه کوچک از تصاویر را جهت تشخیص شعله در ویدئوهای متوالی استفاده می کنند .آن ها از یک مجموعه آموزشی دستی برچسب شده در مرحله پیش پردازش استفاده می کنند که مجموعه آموزشی برای ایجاد یک جدول جستجو استفاده شده است .یک جدول جستجوی عمومی استفاده می شود اگر مجموعه آموزش در دسترس نباشد. [ 2
در این مقاله، ما یک تشخیص دهنده آتش بلادرنگ ارائه می دهیم که با ترکیبی از روش های ارائه شده تا کنون یک مدل جدید را ارائه می دهد که اطلاعات شیء پیش زمینه را با آمار پیکسل رنگی ترکیب می کند .مدل ساده پس زمینه تطبیقی از صحنه، توسط سه توزیع گوسی تولید می شود، که هر توزیع به پیکسل آماری در کانال رنگ مربوطه، مرتبط می شود . اطلاعات پس زمینه توسط الگوریتم تفریق تطبیق پس زمینه استخراج می شود و سپس با استفاده از مدل رنگی آماری آتش تایید می شود تا مشخص کند آیا شیء پیش زمینه تشخیص داده شده یک کاندید آتش است یا خیر .یک مدل عمومی رنگی آتش توسط تحلیل آماری از تصاویر نمونه حاوی پیکسل آتش، ساخته شده است.
اولین کمک این مقاله استفاده از روش تفریق پس زمینه بلادرنگ است که به تقسیم بندی پیکسل های کاندید آتش پس زمینه کمک می کند .دومین کمک، استفاده از مدل آماری عمومی برای تصفیه آتش پیکسل بندی شده است .دو فرایند برای تشخیص آتش در فریم های متوالی ویدئو ترکیب می شوند سرعت پردازش فریم یابنده حدود 40fps با سایز تصویر 144*176 پیکسل و میزان تشخیص صحت الگوریتم حدود %93 می باشد. در این مقاله، ما یک الگوریتمی را پیشنهاد می کنیم که پیکسل های آتش را توسط فضای رنگی CIE L*a*b* مدل می کند .انگیزه استفاده از فضای رنگی CIE L*a*b* به خاطر فضای رنگی یکنواخت است که نمایش اطلاعات رنگ آتش را بهتر از فضاهای رنگی دیگر ممکن ساخته است .پیکسل های در حال حرکت با استفاده از الگوریتم تفریق پس زمینه به همراه الگوریتم تفاوت فریم روی بافر با فریم های متوالی ورودی تشخیص داده شده اند تا پیکسل های متحرک را از غیر متحرک جدا کنند .پیکسل های متحرک که به عنوان پیکسل آتش هم تشخیص داده شده اند در فریم های متوالی بیشتر تجزیه و تحلیل می شوند تا اخطار آتش را بلند کنند. در این مقاله بر اساس مطالب ارائه شده، از تلفیق دو روش ذکر شده به مدلی نهایی رسیده است که این دو روش در ادامه توضیح داده شده است:
-2مدل پس زمینه:
به منظور تشخیص تغییرات محتمل، که ممکن است ناشی از آتش سوزی باشد، ما نیاز به استفاده از یک الگوریتم مدل پس زمینه موثر داریم .الگوریتم باید ساده و قوی باشد تا به تشخیص زمان واقعی آتش برسد. مدل پس زمینه که در سیستم ما استفاده می شود، صحنه مشاهده شدهتقریباً ثابت است و موقعیت دوربین تغییر نمی کند . پس زمینه توسط unimodal گوسی مدل شده است با ماتریس کواریانس و معنی استخراج شده از تصویر ورودی که تصویر ورودی از درخشندگی رنگ آبی و قرمز اجزا - YUV - تشکیل شده است .در سیستم ما تصویر ورودی از قرمز، سبز و آبی، اجزا - RGB - تشکیل شده است [ 3
توزیع کانال های رنگ هر پیکسل فرض شده که مستقل هستند و توسط unimodal گوسی مدل شده اند که پارامترها در فاز آموزشی سیستم مستقر شده اند .بنابراین برای هر پیکسل، مدل توزیع کلی به شرح زیر برآورد شده است: که pR ، pG، pB به ترتیب مدل های توزیع برای کانال های قرمز، سبز و آبی می باشند و I - x,y - مقدار پیکسل در موقعیت مکانی - x,y - و p - I - x,y - - تقریب برای چگالی احتمال از I - x,y - است .هر توزیع فرض شده که مستقل از دیگر توزیع هاست و به شرح زیر تخمین زده می شود: مقادیر اولیه برای L - ['\ - و L - ['\ - توسط دوره آموزش 20 ثانیه تخمین زده می شود از این رو صحنه بطور کلی برای 20 ثانیه مشاهده شده است، از زمانیکه سرعت فریم 40fps، تعداد بالای 800 فریم برای استخراج برآوردهای اولیه استفاده می شود برای L - ['\ - و . L - [' \ -
-3برآورد پارامترهای مدل و نقشه تغییر
اگرچه سیستم انطباقی است و برآورد اولیه اشتباه پارامترهای مدل در زمان اصلاح می شود، برآورد اشتباه ممکن است مثبت کاذب در کوتاه مدت ایجاد کند که برای سیستم قدرتمند، مناسب نباشد .به خاطر این نیاز، ضروری است که مقدارهای اولیه برای μi - x,y - و L - ['\ - تخمین زده شود. فرض می کنیم N فریم برای یک دوره آموزش داشته باشیم . تخمین μi - x,y - سر راست است، اگرچه L - ['\ - نیازمند دو گذر است: یکی تخمین μi - x,y - و دومی واریانس روی N فریم .به این خاطر ما یک فضای ذخیره سازی برای مقادیر Ii - x,y - نیاز داریم که لزوم حافظه اضافی را برای سیستم به همراه دارد و هزینه بسیار اضافی را در بر دارد .این مشکل می تواند با از استفاده از این ایده برطرف شود که L - ['\ - با استفاده از حداکثر تفاوت مطلق بین فریم های متوالی، بدست
