目前，氣體在工業(yè)和人們生活中應(yīng)用越來越多。例如，應(yīng)用在電力系統(tǒng)中的SF6，火災(zāi)保護(hù)中的CO2，以及化工生產(chǎn)中的C2H4等等，泄漏氣體檢測對于避免重大人員財(cái)產(chǎn)損失具有重要意義。氣體泄漏檢測主要有傳統(tǒng)傳感器檢測和圖像檢測兩類方法。傳統(tǒng)方法采用固定點(diǎn)檢測器，檢測范圍小，需要接觸到泄漏氣體才能檢測，隨著機(jī)器視覺等技術(shù)發(fā)展，基于圖像序列的泄漏氣體檢測方法成為主流，具有快速響應(yīng)、非接觸、監(jiān)控面積大等特點(diǎn)。

基于圖像序列泄漏氣體檢測方法主要有3個(gè)步驟：

1)使用高斯混合背景建模或者背景差分等方法估計(jì)圖像序列中的運(yùn)動(dòng)區(qū)域。

2)對氣體候選區(qū)域提取靜態(tài)特征如顏色特征，或動(dòng)態(tài)特征如紋理特征。比如Appana利用HSV顏色和紋理特征檢測煙霧；Ojo提取了煙霧的HSI顏色特征和小波能量特征進(jìn)行煙霧檢測。

3)使用預(yù)先訓(xùn)練好的分類器或是其他判斷準(zhǔn)則，判斷是否為氣體目標(biāo)。例如：Ye使用SVM分類器檢測煙霧。Yuan、Zhao使用Adaboost分類器檢測煙霧。另外，為了解決遠(yuǎn)距離的煙霧檢測，文獻(xiàn)曾提出過一種基于雙閾值的MSER追蹤算法；還有一種是基于背景差分法和顏色特征的實(shí)時(shí)檢測算法，使用GPU加速。

上述這些檢測方法，其推廣性不強(qiáng)，適合一般泄漏氣體檢測。其主要原因在于：可見光下，煙霧的顏色主要是黑色或白色，而在紅外條件下，影響泄漏氣體灰度值的因素有很多，如氣體種類、濃度、背景，濾光片等。而氣體的紋理特征在不同濃度、不同背景下相差較大，不適合紅外圖像中泄漏氣體的檢測。

本文提出了一種基于氣體形狀特征和SVM分類的紅外圖像氣體檢測方法，該方法可以有效區(qū)分氣體和干擾，具有*的檢測率和較低的虛警率。

1 基于形狀的泄漏氣體檢測方法

本文泄漏氣體檢測流程如圖1所示，分為訓(xùn)練和預(yù)測兩部分。訓(xùn)練過程，首*行運(yùn)動(dòng)區(qū)域檢測，再將運(yùn)動(dòng)區(qū)域處理的結(jié)果進(jìn)行連通域分析，形成候選區(qū)域。人工分類候選區(qū)域構(gòu)建訓(xùn)練樣本庫，通過對樣本提取形狀特征，使用支持向量機(jī)進(jìn)行訓(xùn)練。預(yù)測過程，也是首*行運(yùn)動(dòng)區(qū)域檢測，再將運(yùn)動(dòng)區(qū)域處理的結(jié)果進(jìn)行連通域分析，形成候選區(qū)域。對候選區(qū)域分別提取形狀特征，使用訓(xùn)練好的SVM模型進(jìn)行預(yù)測，判斷該候選區(qū)域是否為氣體。

△圖1 本文所提出的算法流程及其對應(yīng)的關(guān)鍵中間結(jié)果

1.1 基于差分的運(yùn)動(dòng)區(qū)域檢測

本文方法采用了基于差分的運(yùn)動(dòng)區(qū)域檢測方法，提取候選泄漏氣體區(qū)域。設(shè)定當(dāng)前視頻幀為I，取視頻具有理想條件的某幀B為背景幀。背景幀的理想條件為無氣體、干擾物在圖像中。運(yùn)動(dòng)區(qū)域檢測規(guī)則如下：

式中：M(x，y)是運(yùn)動(dòng)目標(biāo)像素點(diǎn)的集合；I(x，y)表示當(dāng)前幀中像素點(diǎn)的灰度值；B(x，y)為背景圖像中對應(yīng)像素點(diǎn)的灰度值；目標(biāo)與背景的灰度差別TH為閾值。閾值的選擇主要依靠先驗(yàn)知識，在本文實(shí)驗(yàn)中，閾值設(shè)置在10左右。運(yùn)動(dòng)區(qū)域提取出之后，再將運(yùn)動(dòng)區(qū)域處理結(jié)果進(jìn)行連通域分析，根據(jù)面積降序?qū)B通域排序，將面積小于200左右的區(qū)域去除，選取面積前5左右的若干個(gè)連通域分別作為候選區(qū)域Mc(x，y)。

1.2 泄漏氣體形狀特征

1.2.1 紅外圖像中泄漏氣體特征分析

對視頻背景幀(圖2(a))和當(dāng)前幀(圖2(b))，按公式(1)、(2)處理，M′c(x，y)=I(x，y)*Mc(x，y)(2)得到圖2(c)，其氣體灰度差異較大，再對M′c(x，y)做二值化處理可得到圖2(d)，其具有特定錐形特征。分析可知，雖然氣體不是剛體，形狀各異，但是在無風(fēng)或弱風(fēng)環(huán)境中，泄漏氣體由于壓強(qiáng)原因，在泄漏點(diǎn)往遠(yuǎn)處擴(kuò)散過程中，往往會呈現(xiàn)出一種錐形結(jié)構(gòu)。

泄漏氣體隨著濃度的變化，會出現(xiàn)半透明現(xiàn)象，如圖2(b)。氣體半透明特性導(dǎo)致氣體區(qū)域的紋理特征受到背景區(qū)域紅外輻射的干擾。而氣體的灰度、紋理特征也與氣體濃度相關(guān)，但是邊緣信息受影響較小。使用氣體區(qū)域的形狀特征，通過氣體邊緣信息來描述，氣體區(qū)域邊緣信息與圖像對比度相關(guān)，不受氣體區(qū)域灰度影響，如圖2(d)。泄漏氣體的形狀和干擾運(yùn)動(dòng)物體比如：人的形狀具有較大差異，見圖3，通過形狀特征可以區(qū)分泄漏氣體和干擾運(yùn)動(dòng)物體。因此本文采用提取候選區(qū)域的形狀特征來判斷是否為氣體，提出一種基于泄漏氣體先驗(yàn)知識的形狀特征的泄漏氣體檢測算法，該算法對灰度變化不敏感，受干擾影響小。

△圖2 泄漏氣體形狀特征

1.2.2 泄漏氣體形狀特征提取

由于運(yùn)動(dòng)區(qū)域檢測提取出的候選區(qū)域大小不盡相同，為了消除這些影響，首先對候選區(qū)域做標(biāo)準(zhǔn)化預(yù)處理：截取二值圖像中包含有效信息的大區(qū)域，然后將截取的區(qū)域轉(zhuǎn)化成標(biāo)準(zhǔn)的16×16像素的圖像。處理前后的圖片如圖3所示。再將16×16像素信息保存為1維的特征向量，作為分類器輸入的特征。

△圖3 泄漏氣體形狀特征提取

1.3 分類器設(shè)計(jì)

本文使用支持向量機(jī)(SVM)作為分類器對提取的形狀特征進(jìn)行分類。支持向量機(jī)(SVM)具有只需相對較少的訓(xùn)練樣本的特性。RBF核函數(shù)可處理非線性分類，參數(shù)較少并且便于優(yōu)化計(jì)算等特點(diǎn)。本文采用RBF核函數(shù)并使用網(wǎng)格搜索的方法進(jìn)行核參數(shù)尋優(yōu)。實(shí)際工業(yè)應(yīng)用場合，能獲取到的樣本是有限的。而目前文獻(xiàn)中未見專門的紅外氣體泄漏視頻數(shù)據(jù)庫，因此本文實(shí)驗(yàn)數(shù)據(jù)都是作者利用專業(yè)設(shè)備進(jìn)行室內(nèi)外場景仿真得到的。

2 泄漏氣體檢測實(shí)驗(yàn)

2.1 泄漏氣體檢測實(shí)驗(yàn)平臺

本文的算法是在Intel(R)Core(TM)i5-4460CPU和4GB內(nèi)存的計(jì)算機(jī)上完成的。SVM使用的是LIBSVM軟件包。實(shí)驗(yàn)視頻使用紅外相機(jī)拍攝完成，每秒幀數(shù)30。每幀圖像大小640×480。紅外波段范圍7.5μm~14μm。泄漏氣體為乙烯氣體。實(shí)驗(yàn)濾光片型號為BP-10688-744-nm。

2.2 泄漏氣體檢測數(shù)據(jù)準(zhǔn)備

在運(yùn)動(dòng)區(qū)域檢測算法檢測得到的候選區(qū)域圖片中，人工篩選出典型的氣體與干擾圖像，有利于分類器學(xué)習(xí)到更具適應(yīng)性的模型。通過10個(gè)實(shí)驗(yàn)視頻中運(yùn)動(dòng)候選區(qū)域的人工篩選和分類，構(gòu)建了氣體與干擾物樣本庫，其中包括氣體正樣本1314個(gè)。負(fù)樣本包括人體干擾等1447個(gè)。再將這些樣本分為2211張圖片構(gòu)成的訓(xùn)練集和550張圖片構(gòu)成的測試集。氣體可能從各個(gè)方向泄漏，通過圖像旋轉(zhuǎn)的方法，對真實(shí)應(yīng)用情況進(jìn)行仿真，使訓(xùn)練集的樣本數(shù)增加4倍，增強(qiáng)模型的泛化能力。對氣體泄漏視頻圖片中通過差分提取的運(yùn)動(dòng)區(qū)域進(jìn)行分類器測試，測試集上準(zhǔn)確率為98.73%。

2.3 檢測實(shí)驗(yàn)結(jié)果與分析

由表1可知，文獻(xiàn)方法不太適用于本文的紅外視頻的氣體檢測，受到運(yùn)動(dòng)物體干擾比較大，無法區(qū)分運(yùn)動(dòng)物體是否為氣體。同時(shí)從圖4可看出，本文方法對于不同場景能夠保持較高的泄漏氣體檢測率，同時(shí)虛警率較低，如在圖4中將人體干擾排除，正確檢測出氣體。因此本文算法可以有效檢測到泄漏氣體并且去除掉人體等干擾物對氣體檢測的影響。表1為不同視頻檢測率對比。

△圖4 泄漏氣體檢測結(jié)果

表1 泄漏氣體檢測率

3 結(jié)論

在弱風(fēng)條件下，存在背景干擾、人體干擾等情況，本文提出一種基于泄漏氣體先驗(yàn)知識的形狀特征和SVM分類的紅外圖像氣體泄漏檢測算法。算法經(jīng)過多個(gè)紅外視頻驗(yàn)證了其能夠滿足工業(yè)應(yīng)用的要求。算法通過考慮氣體的運(yùn)動(dòng)特征和形狀特征將泄漏氣體和干擾有效區(qū)別，從而減少背景和干擾物影響。

文獻(xiàn)[9] YUAN F. A double mapping framework for extraction of shape-invariant features based on multi-scale partitions with AdaBoost for video smoke detection[J]. Pattern Recognition,45(12):4326-4336.