Детектирование дыма на открытых пространствах в сложных погодных условиях с применением пространственно-временных локальных бинарных шаблонов


https://doi.org/10.15217/issn1684-8853.2016.1.16

Полный текст:


Аннотация

Постановка проблемы: раннее обнаружение дыма на открытых пространствах с использованием видеопоследовательностей является одной из важнейших задач в современных системах видеонаблюдения. Видеоинформация, полученная в результате видеосъемки в реальных условиях, может содержать объекты с динамическим поведением, помехи оборудования или линии передачи, а также артефакты, связанные с погодными условиями (например, дождем или снегом, недостаточным освещением в утренние и вечерние часы). В связи с этим возникает необходимость окончательной проверки областей-кандидатов после того, как области, похожие на дым, сегментированы в видеопоследовательности. Результаты: предложен алгоритм обработки изображений, содержащих артефакты, связанные с атмосферными явлениями, такими как морось и дымка, а также недостаточным освещением. Исследован метод пространственно-временных локальных бинарных, локальных тернарных и расширенных бинарных шаблонов детектирования густого и прозрачного дыма при наличии следующих артефактов: шума типа «соль-перец» со значениями до 10 дБ; аддитивного белого шума Гаусса, имитирующего атмосферные осадки; размытия изображений и слабой освещенности с применением алгоритма Ретинекс. Для классификации областей дыма использован гистограммный подход как один из наиболее простых и быстрых способов анализа изображений. В качестве меры различия гистограмм двух сопоставляемых изображений при построении соответствующего решающего правила использовалось расстояние Кульбака - Лейблера. Практическая значимость: разработанный метод верификации дыма на видеопоследовательностях с использованием пространственно-временных локальных бинарных шаблонов и 3D расширенных локальных бинарных шаблонов обеспечивает точность верификации 96-99% для густого и86-94% для прозрачного дыма в зависимости от артефактов и шумов.

Об авторах

Маргарита Николаевна Фаворская
Сибирский государственный аэрокосмический университет им. академика М. Ф. Решетнёва
Россия


Анна Владимировна Пятаева
Сибирский государственный аэрокосмический университет им. академика М. Ф. Решетнёва
Россия


Список литературы

1. Пятаева А. В., Фаворская М. Н. Применение локальных бинарных шаблонов при раннем обнаружении дыма на открытых пространствах // Цифровая обработка сигналов и ее применение: тр. 17-й Междунар. конф., Москва, 25-27 марта 2015 г. М., 2015. Т. 2. C. 531-535.

2. Gonçalves W. N., Machado B. B., Bruno O. M. A Complex Network Approach for Dynamic Texture Recognition//Neurocomputing. 2015. N 153. P. 211-220.

3. Пятаева А. В. Обнаружение областей задымления на видеопоследовательности с применением локальных бинарных шаблонов // Вестник Сибирского государственного аэрокосмического университета. 2014. № 5(57). С. 108-114.

4. Гончаров А. В., Каракищенко А. Н. Влияние освещенности на качество распознавания фронтальных лиц // Изв. ЮФУ. Технические науки. 2008. № 4. С. 88-92.

5. Chitturi M. V., Medina J. C., Benekohal R. F. Effect of Shadows and Time of Day on Performance of Video Detection Systems at Signalized Intersections // Transportation Research Part C: Emerging Technologies. 2010. N 18(2). P. 176-186.

6. Костин К. А., Аксёнов С. В. Анализ влияния изменения освещенности на фильтрацию изображений с помощью фильтров Лавса // Молодежь и современные информационные технологии: тр. XII Междунар. науч.-практ. конф. студентов, аспирантов и молодых ученых, Томск, 11-14 ноября 2014 г. Томск, 2014. С. 90-91.

7. Монич Ю. И., Старовойтов В. В. Преобразование цветных изображений на базе технологии Ретинекс // Искусственный интеллект. 2007. № 3. С. 256-261.

8. Zhang Z., et al. Blurring-Invariant Riemannian Metrics for Comparing Signals and Images/ Z. Zhang, E. Klassen, A. Srivastava, P. Turaga, R. Chellappa // 6th Intern. Conf. on Computer Vision. 5-7 March 2011. Vilamoura, Algarve, Portugal, 2011. P. 17701775.

9. Zhao G., Pietikainen M. Dynamic Texture Recognition Using Volume Local Binary Patterns // Dynamical Vision. LNCS. 2007. Vol. 4358. P. 165-177.

10. Mohamed A. A., Yampolskiy R. V. Adaptive Extended Local Ternary Pattern (AELTP) for Recognizing Avatar Faces // 11th Intern. Conf. on Machine Learning and Applications, 12-15 December 2012, Boca Raton, Florida, USA. P. 57-62.

11. Favorskaya M., Pyataeva A., Popov A. Verification of Smoke Detection in Video Sequences Based on Spatio-Temporal Local Binary Patterns//Procedia Computer Science. 2015. N 60. P. 671-680.

12. Ko B. C., Park J. O., Nam J. Y. Spatiotemporal Bag-of-Features for Early Wildfire Smoke Detection // Image and Vision Computing. 2013. N 31(10). P. 786-795.

13. Zhao G., Pietikainen M. Dynamic Texture Recognition Using Local Binary Patterns with an Application to Facial Expressions // Transactions on Pattern Analysis and Machine Intelligence. 2007. N 29(6). P. 915-928.

14. Feiniu Y. Rotation and Scale Invariant Local Binary Pattern Based on High Order Directional Derivatives for Texture Classification // Digital Signal Processing. 2014. N 26. P. 142-152.

15. Zho H., Wang R., Wang C. A Novel Extended Local-Binary-Pattern Operator for Texture Analysis // Information Sciences. 2008. N 178(22). P. 43144325.

16. Renaud P., Fazekas S., Huiskes M. J. DynTex: A Comprehensive Database of Dynamic Textures // Pattern Recognition Letters. 2010. N 31(12). P. 16271632.


Дополнительные файлы

Для цитирования: Фаворская М.Н., Пятаева А.В. Детектирование дыма на открытых пространствах в сложных погодных условиях с применением пространственно-временных локальных бинарных шаблонов. Информационно-управляющие системы. 2016;(1):16-25. https://doi.org/10.15217/issn1684-8853.2016.1.16

For citation: Favorskaya M.N., Pyataeva A.V. Smoke Detection on Video Sequences based on Spatio-Temporal Local Binary Patterns in Outdoor Spaces under Complicated Weather Conditions. Information and Control Systems. 2016;(1):16-25. (In Russ.) https://doi.org/10.15217/issn1684-8853.2016.1.16

Просмотров: 37


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1684-8853 (Print)
ISSN 2541-8610 (Online)