[論文レビュー] Early Fire Detection Using HEP and Space-time Analysis

Junzhou Chen, Yong Bin You|arXiv (Cornell University)|Oct 7, 2013

Fire Detection and Safety Systems参考文献 15被引用数 6

ひとこと要約

本論文は、最適なテクスチャ特徴選択のための等価パターンのヒストグラム（HEP）と、ブロックベース相互フレーム差分（BIFD）および改良LBP-TOPバージョンを組み合わせた新規な空間時間特徴を用いて、動画ベースの早期火災検出システムを提案する。煙のダイナミクスをモデル化し、煙履歴画像（SHI）により誤検出を低減することで、最先端の手法よりも早期の検出と優れた正確性を達成した。8つの煙動画では100%の検出率を示し、8つの非煙動画ではわずか3件の誤検出にとどまった。

ABSTRACT

In this article, a video base early fire alarm system is developed by monitoring the smoke in the scene. There are two major contributions in this work. First, to find the best texture feature for smoke detection, a general framework, named Histograms of Equivalent Patterns (HEP), is adopted to achieve an extensive evaluation of various kinds of texture features. Second, the \emph{Block based Inter-Frame Difference} (BIFD) and a improved version of LBP-TOP are proposed and ensembled to describe the space-time characteristics of the smoke. In order to reduce the false alarms, the Smoke History Image (SHI) is utilized to register the recent classification results of candidate smoke blocks. Experimental results using SVM show that the proposed method can achieve better accuracy and less false alarm compared with the state-of-the-art technologies.

研究の動機と目的

• 炎が現れる前までに煙を特定できるリアルタイムの動画ベースの早期火災検出システムの開発。
• 包括的な評価フレームワークを用いて、煙検出に最も効果的なテクスチャ特徴を同定すること。
• 高度な動きおよびテクスチャ記述子を用いて、煙の動的空間時間的特性をモデル化すること。
• 煙履歴画像（SHI）による時間的整合性の組み込みにより、誤検出を低減すること。

提案手法

• 各動画フレームを重複のないブロックに分割し、色および動きに基づく検出を用いて候補煙領域を局所化する。
• 最適な煙検出性能を達成するための複数のテクスチャ特徴を体系的に評価するため、等価パターンのヒストグラム（HEP）を適用する。
• 煙領域内の動きパターンを捉えるために、ブロックベース相互フレーム差分（BIFD_CM）を導入し、時間的変化に注目する。
• 動画シーケンスからの空間時間的テクスチャ特徴を抽出するため、改良LBP-TOPバージョン（EOH-TOP、BGC3-TOP、RTU-TOP）を提案する。
• 分類結果を時間的に追跡し、一時的な誤検出をフィルタリングするため、煙履歴画像（SHI）を用いる。
• 安定性を高めるために、10回の交差検証を実施し、データセットの半分を訓練に、残りをテストに使用する5つのパrameterセット（C、Gamma）を有するサポートベクターマシン（SVM）を分類に用いる。

実験結果

リサーチクエスチョン

• RQ1 幅広い候補の中から、動画シーケンスにおける煙と非煙を区別するのに最も効果的なテクスチャ特徴は何か？
• RQ2 特に揺らぎや拡散パターンを含む煙の動きおよびテクスチャの変化を効果的にモデル化するには、どのように空間時間的ダイナミクスを捉えるべきか？
• RQ3 煙履歴画像（SHI）のような時間的整合性メカニズムは、複雑なシーンにおける誤検出をどの程度低減できるか？
• RQ4 提案手法は、既存の最先端の動画ベース煙検出手法と比較して、検出速度および正確性の点でどのように優れているか？

主な発見

• 提案手法は最先端手法 [12] よりも早期にアラームを発動させた。動画（a）では15フレーム目、動画（g）では41フレーム目、動画（h）では19フレーム目に検出が発生したのに対し、[12] ではそれぞれ75、74、73フレーム目であった。
• 8つの非煙動画（例：動画n）において、誤検出はわずか3件にとどまり、[12] の180件と比べて著しく誤検出が減少した。
• 8つの煙動画すべてが105フレーム以内に検出され、最も早いアラームは15フレーム目で発生した。これは、強力な早期検出能力を示している。
• 標準PC上での平均処理時間は、煙フレームで0.512秒、非煙フレームで0.451秒であり、C++最適化により15〜30倍高速化可能であるため、リアルタイム展開が現実的である。
• HEPフレームワークは、分類精度の向上に寄与する、最も識別性の高いテクスチャ特徴を効果的に同定した。
• BIFD_CMおよび改良LBP-TOP特徴の統合により、特に揺らぎや拡散パターンを含む煙の動的挙動のモデル化が顕著に向上した。