بخشی از مقاله
چکیده
آتش سوزی یکی از پیشامدهایی است که باعث ایجاد تخریب و خسارات جبران ناپذیر است.تشخیص به موقع و زود هنگام آن میتواند باعث اقدام سریع تر برای مهار آن و کاهش خسارات ناشی از آتش سوزی شود. استفاده از روشهای شناسایی آتش بوسیله آشکار سازهای دود و حرارت در محیط های باز امکان پذیر نیست. روشهای شناسایی آتش با استفاده از تحلیل تصاویر دوربینهای نظارتی میتواند تشخیص سریع تری برای این مکانها فراهم کند.
در این مقاله با استفاده از بررسی خصوصیاتهای آتش،که رنگ متفاوت و تغییرات نامنظمی را در توالی زمانی دارد به شناسایی آتش میپردازیم. برای این منظور از خصوصیات رنگ و سپس از خصوصیات بافت پویا برای طبقهبندی وجود یا عدم وجود آتش استفاده میکنیم. این الگوریتم میتواند محل دقیق آتش سوزی و همچنین شدت و میزان آتش را تشخیص دهد. همچنین قابلیت تنظیم اعلام اخطار آتش در سطوح مختلف را دارد.
-1 مقدمه
در این حالت شعله آتش و میزان روشنایی آن کمتر است. به این مدل آتش، آتش کنترل نشده میگوییم. [3] آتش کنترل شده بیشتر در فضاهای باز و آتش کنترل نشده در فضاهای بسته ایجاد میشود. دراین پژوهش برروی شناسایی آتش کنترل شده تمرکز میکنیم و منظور ما شناسایی شعله آتش در یک ویدئو نظارتی است. برای شناسایی شعله آتش سه ناحیه را در نظر میگیریم. ناحیه اول ناحیه پس زمینه که چون رنگ آن با رنگ آتش متفاوت است به راحتی شناسایی میشود، ناحیه دوم ناحیهای که رنگ آتش است و حرکت دارد ولی آتش نیست و ناحیه سوم ناحیه آتش واقعی که باید در فیلم شناسایی شود.
در شناسایی آتش آنچه اهمیت دارد، توجه به خصوصیات آتش مثل الگو و نوع حرکت شعله آتش و بافت حرکتی آن در طول زمان است تا بتوان قسمتهایی که رنگ و حرکتی مشابه آتش دارند ولی آتش واقعی نیستند را از آتش واقعی تشخیص دهیم. [2] با توجه به اهمیت شناسایی آتش روشهای مختلفی با مزایا و معایب مختلفی ارائه شده است. اما در همه آنها در همه آنها هدف افزایش صحت تشخیص آتش و کاهش اعلامهای اشتباه میباشد.
در تمام این روشها، هرکدام ویژگیهایی برای آتش تعریف و استخراج کردهاند. اکثر پژوهشها به استخراج ویژگی با استفاده از رنگ آتش پرداختهاند. استفاده از فضاهای رنگی مختلف در مورد تصویر ویدئویی مورد سنجش متداول است، اما در بیشتر روشها از فضای رنگی YCbCr استفاده شده است. دلیل آن این است که فضای رنگ YCbCr روشنایی تصویر2 را از اطلاعات رنگی3 جدا میکند به همین منظور، برای تشخیص ناحیه رنگ آتش که میزان روشنایی آن هم به عنوان یک ویژگی اهمیت دارد، بیشتر از فضاهای رنگ دیگر مورد توجه است.[5]
در[6] از فضای رنگی RGB و از توزیع آماری گوسین برای جدا سازی ناحیه رنگی استفاده شده است. در [2] و[7 ] از تابع توزیع احتمال Cb/Cr برای جدا سازی نواحی رنگی آتش و ایجاد تفاوت بین این نواحی و نواحی رنگ آتش استفاده شده است. در بعضی موارد همچون[8] ازسیستم رنگ RGB استفاده شده و برای تشخیص رنگ آتش از محدوده با توزیع رنگ آتش از قبل تعریف شده استفاده میکند، در صورتی که پیکسلی در محدوه رنگ آتش قرار داشت، به عنوان رنگ آتش انتخاب خواهدشد. علاوه بر ویژگیهای رنگ به ویژگیهای حرکتی آتش نیز پرداخته شده است. آتش حرکتی نامنظم و دائمی دارد و از این خصوصیت برای شناسایی اجسامی که در فیلم رنگ آتش هستند، ولی حرکت ندارند میتوان استفاده کرد.
پیکسلها و مناطق متحرک در ویدئو نظارتی با استفاده از روش تخمین پس زمینه تعیین میگردند. [1] ویژگیهای بافت پویا4 یکی از پر اهمیتترین ویژگیها برای شناسایی ناحیه آتش است که علاوه بر توجه به بافت و نوع توزیع بافت آتش به حرکت شعلههای آتش در طول زمان هم می پردازد.[9] وقتی صحبت از بافت پویا میشود در واقع ما به بافت همراه با زمان توجه میکنیم و خصوصیات ظاهری تصاویر در حالت دو بعدی را همراه با زمان به فضای سه بعدی گسترش میدهیم. که در این حالت هم بافت و هم زمان را در نظر میگیریم. [10] روشهای متداول بافت پویا را می توان به دو دسته روشهای مبتنی بر حرکت5 و روشهای مبتنی بر ظاهر6 بافت تقسیم کرد.
البته روشهای ترکیبی وجود دارد که با ترکیب این دو دسته روش، میتوان به بردار ویژگی برای نمایش یک بافت مشخص رسید.[11] به طور مثال در [12] ازLBP-TOP در فضای سه بعدی به عنوان بافت پویا مبتنی برترکیب ویژگی های حرکت و ظاهراستفاده شده است. در [13]، از روش Optical flow به عنوان شناسایی بافت پویا مبتنی بر حرکت استفاده شده است.یکی دیگر از روشهای مشهور شناسایی بافت پویا روش Linear Dynamic System - LDS - است که در[10]،[4] به شناسایی بافت پویا میپردازد. روشهای دیگر شناسایی بافت روشهای مبتنی بر تبدیلات است که میتوان به تبدیلهای گابور و تبدیل مختلط موجک سه بعدی7 اشاره کرد[14] ،[15] ،. [16] با استفاده از تحلیل بافت پویا میتوان ویژگیهای متفاوتی را استخراج کرد.
علاوه بر ویژگیهای گفته شده شکل و ظاهر ناحیه آتش هم میتواند به عنوان ویژگی مورد استفاده قرار گیرد [2] ،. [7] در مرحله بعد از استخراج ویژگی، از ابزارهای مختلف طبقهبندی دوحالته تشخیص آتش برای مثال از طبقهبند بیزین [17] یا طبقهبندهای شبکه عصبی[18]، مدل مارکوف[8] 8 یا روش رگرسیون لجستیک[ 3] 9 استفاده شده است. در بخش دو مقاله ابتدا به الگوریتم شناسایی جداسازی رنگ میپردازیم. سپس یک الگوریتم بافت پویای برای استخراج ویژگی پیشنهاد می شود و به تشریح عملکرد قسمتهای آن میپردازیم. نتایج حاصل از الگوریتم پیشنهادی در بخش سوم آورده شده و در بخش چهار به جمعبندی کلی الگوریتم میپردازیم.
-2 الگوریتم شناسایی آتش مبتنی بر بافت پویا
شکل - 1 - روند الگوریتم شناسایی آتش با استفاده از روشها شناسایی آتش مبتنی بر بافت پویا را نشان میدهد . در این الگوریتم فریم های متوالی فیلم ویدئویی وارد الگوریتم میشوند. سپس هر کدام از فریمها به مرحله جداسازی رنگ آتش میرسند.
1 - 2 جداسازی رنگ ناحیه آتش
برای شناسایی آتش ابتدا نواحی رنگ آتش از بقیه نواحی جدا میشود. برای این کار از فیلترهای رنگی استفاده شده و نواحی که مقدار رنگی خارج از محدود تجربی رنگ آتش ندارند حذف میشوند. این الگوریتم از شرایط بهکار رفته در مقاله [19] برای جدا سازی رنگ آتش استفاده میکند. این شرایط در فضای رنگ YCbCr اعمال میشود: در این شرایط، مقدار آستانه را ثابت و برابر با در نظر می گیرد که مقدار را مطابق با نتایج تجربی مقاله [19] برابر 40 در نظر می گیریم.
در این الگوریتم قسمتهای رنگ آتش به مقادیر خاکستری متناظر تبدیل میشوند و قسمتهای دیگر تصویر حذف میشوند. با این کار از خصوصیت رنگی بودن آتش استفاده شده و ناحیه رنگ آتش از پس زمینه جدا می شود. بهدلیل حذف نواحی اطراف حجم محاسبات در مراحل بعدی الگوریتم کمتر میشود. ادامه این الگوریتم شناسایی قسمتهای آتش از قسمتهای رنگ آتش که در حقیقت آتش نیستند میباشد. شکل - 2 - یک فریم از فیلم آتش ورودی را پس از اعمال شرایط رنگ آتش نشان میدهد.
میکنیم و با روی هم قرار دادن چندین قسمت یک مکعب از آن قسمت تصویر بهدست میآید. نهایتا بر روی هر کدام از این مکعبها الگوریتم بافت پویا را اعمال میکنیم. و سپس جمعبندی کلی را با استفاده از تمامی این قسمتها انجام میدهیم. شکل - 3 - نمای روند کلی این تقسیم بندی را نشان میدهد. برای این منظور ما از الگوریتمهای بافت پویا استفاده میکنیم. الگوریتم های بافت پویای زیادی وجود دارد که می توان از آنها استفاده کرد. اما هر کدام از این الگوریتمها اگر بر روی کل تصویر اعمال شوند بدلیل کلی بودن و بزرگ بودن ناحیه توانایی شناسایی بالایی نخواهند داشت. برای این منظور ما ابتدا تصاویر را به قسمتهای کوچکتر تبدیل
2-2 الگوریتم بافت پویای الگوی دودویی محلی10
الگوریتم بافت پویا به دلیل بررسی محلی ساختار هر پیکسل نسبت به پیکسلهای اطراف امکان تشخیص نوع بافت را دارد و میتواند در هر قسمت تشخیص دهد که شامل لبه ها، لکه ها و یا قسمتهای همگن میباشد. این الگوریتم در یک همسایگی با شعاع R و با P نقطه در اطراف نقطه مرکزی تفاوت سطح خاکستری بین نقطه مرکزی و p نقطه اطراف را محاسبه میکند با استفاده از تابع s - x - این مقادیر را به یک توالی 0و1 متناظر میکند .[20]
