Модель фона при детектировании дыма по видеопоследовательностям на открытых пространствах


https://doi.org/10.15217/issn1684-8853.2016.4.44

Полный текст:


Аннотация

Постановка проблемы: раннее обнаружение дыма как объективного признака начала пожара на видеопоследовательностях, полученных от систем внешнего видеонаблюдения, имеет существенное значение, так как дым обычно становится видимым раньше пламени. Преимуществом систем оптического видеонаблюдения при детектировании дыма является их невысокая стоимость, в связи с чем видеокамеры получили широкое распространение как в городских условиях, так и при наземном мониторинге лесных массивов с помощью специально установленных противопожарных вышек. Основными признаками визуального обнаружения дыма являются наличие движения, специфические цвет, текстура и форма объектов на видеоизображении. Качество работы алгоритма выделения дыма по видеопоследовательности зависит от разрешения исходного изображения и удаленности объектов съемки. Цель: построение моделей фона сцен ближнего и дальнего планов с учетом атмосферных и метеорологических условий. Результаты: исследованы два подхода к определению глубины сцены с учетом закона прямого затухания световых волн и влияния атмосферного света на открытых пространствах, а именно использование темного канала и вычисление карты передачи с применением случайного марковского поля. Метод определения глубины сцены с помощью модели случайного марковского поля показал лучшие результаты по сравнению с методом получения темного канала в связи с тем, что в методе получения темного канала интенсивность пиксела анализируется без учета окружения. Практическая значимость: найденная глубина сцены позволяет разделить изображения на две группы: сцены ближнего (примерно до 500 м) и дальнего (более 500 м) плана, где могут наблюдаться «ближний» и «дальний» дым соответственно. Для проведения экспериментальных исследований использовано 100 изображений, содержащих сцены ближнего плана, и 100 изображений, содержащих сцены дальнего плана. Эффективность предлагаемого метода обусловлена применением различных наборов признаков дыма для сцен ближнего и дальнего плана.

Об авторах

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


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


Список литературы

1. Guo F., Tang J., Xiao X. Foggy Scene Rendering Based on Transmission Map Estimation // International Journal of Computer Games Technology. 2014. Vol. 2014. Article ID 308629. P. 1-13.

2. Tan R. T. Visibility in Bad Weather from a Single Image // The Proc. of the 26th IEEE Conf. on Computer Vision and Pattern Recognition (CVPR ’08). 2008. P. 1-8.

3. Fattal R. Single Image Dehazing // ACM Trans Graphics. 2008. Vol. 27. N 3. P. 1-9.

4. He K., Sun J., Tang X. Single Image Haze Removal using Dark Channel Prior // Journal IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011. Vol. 33. N 12. P. 2341-2353.

5. Goldstein E. B. Sensation and Perception. - London: Cengage Learning, 2013. - 496 p.

6. Preetham A. J., Shirley P., Smits B. A Practical Analytic Model for Daylight // The Proc. of the 26th Annual Conf. on Computer Graphics and Interactive Techniques. 1999. P. 91-100.

7. He Z., et al. A Mean-Shift Algorithm for Large-Scale Planar Maximal Covering Location Problems/ Z. He, B. Fan, T. C. E. Cheng, S. Y. Wang, C. H. Tan // European Journal of Operational Research. 2016. Vol. 250. N 1. P. 65-76.

8. Zheng H., Mao X., Chen L., Liang X. Adaptive Edge-Based Mean Shift for Drastic Change Gray Target Tracking // Optik. Intern. Journal for Light and Electron Optics. 2015. Vol. 126. N 23. P. 3859-3867.

9. Zhang X., et al. An Adaptive Mean Shift Clustering Algorithm Based on Locality-Sensitive Hashing / X. Zhang, Y. Cui, D. Li, X. Liu, F. Zhang // Optik. Intern. Journal for Light and Electron Optics. 2015. Vol. 123. N 20. P. 1891-1894.

10. Comaniciu D., Meer P. Mean Shift: A Robust Approach Toward Feature Space Analysis // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002. N 5. P. 603-619.

11. Rother С., Kolmogorov V. A. Blake Grabcut - Interactive Foreground Extraction Using Iterated Graph Cuts // ACM TOG. 2004. Vol. 23. N 3. P. 309-314.

12. Ветров Д. А., Кропотов Д. П. Алгоритмы выбора моделей и построения коллективных решений в задачах классификации, основанные на принципе устойчивости. - М.: КомКнига, 2007. - 112 с.

13. Babari R., et al. A Model-Driven Approach to Estimate Atmospheric Visibility with Ordinary Cameras/ R. Babari, N. Hautiere, E. Dumont, R. Bremond, N. Paparoditis // Atmospheric Environment. 2011. Vol. 45. N 30. P. 5316-5324.


Дополнительные файлы

Для цитирования: Пятаева А.В., Фаворская М.Н. Модель фона при детектировании дыма по видеопоследовательностям на открытых пространствах. Информационно-управляющие системы. 2016;83(4):44-50. https://doi.org/10.15217/issn1684-8853.2016.4.44

For citation: Pyataeva A.V., Favorskaya M.N. Background Model for Video-Based Smoke Detection in Outdoor Scenes. Information and Control Systems. 2016;83(4):44-50. (In Russ.) https://doi.org/10.15217/issn1684-8853.2016.4.44

Просмотров: 36


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


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