[论文解读] 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 6

一句话总结

该论文提出了一种基于视频的早期火灾检测系统，采用等效模式直方图（HEP）进行最优纹理特征选择，并提出一种新型时空特征，结合基于块的帧间差分法（BIFD）与改进的LBP-TOP变体以建模烟雾动态。通过烟雾历史图像（SHI）减少误报，实现更早的检测与更优的准确性，相较于最先进方法，8个烟雾视频中实现100%检测，8个非烟雾视频中仅产生3个误报。

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.

研究动机与目标

• 开发一种实时视频驱动的早期火灾检测系统，能够在火焰出现前识别烟雾。
• 通过全面的评估框架，识别最有效的纹理特征用于烟雾检测。
• 利用先进的运动与纹理描述符，对烟雾的动态时空特性进行建模。
• 通过烟雾历史图像（SHI）引入时间一致性机制，减少复杂场景中的误报。

提出的方法

• 将每帧视频划分为非重叠块，利用颜色与运动检测方法定位候选烟雾区域。
• 应用等效模式直方图（HEP）系统评估多种纹理特征，以实现最优烟雾检测性能。
• 提出基于块的帧间差分法（BIFD_CM），捕捉烟雾区域内的运动模式，强调时间上的变化。
• 提出改进的LBP-TOP变体（EOH-TOP、BGC3-TOP、RTU-TOP），从视频序列中提取时空纹理特征。
• 采用烟雾历史图像（SHI）追踪随时间的分类结果，过滤掉瞬态误报。
• 使用支持向量机（SVM）结合五组参数（C, Gamma）进行分类，模型在一半数据集上训练，另一半用于测试，通过10折重复实验确保鲁棒性。

实验结果

研究问题

• RQ1 在大量候选特征中，哪类纹理特征最能有效区分视频序列中的烟雾与非烟雾？
• RQ2 如何有效建模烟雾的时空动态特性——特别是运动与纹理演变——以实现早期检测？
• RQ3 像烟雾历史图像（SHI）这样的时间一致性机制在复杂场景中能在多大程度上减少误报？
• RQ4 与现有最先进的基于视频的烟雾检测方法相比，所提系统在检测速度与准确性方面表现如何？

主要发现

• 所提方法在检测时间上早于最先进方法[12]，在视频(a)中于第15帧检测到烟雾，视频(g)中为第41帧，视频(h)中为第19帧，而[12]中分别为第75、74、73帧。
• 系统在8个非烟雾视频中仅产生3个误报（如视频n），而[12]中为180个，表明误报显著减少。
• 该方法在105帧内完成全部8个烟雾视频的检测，最早检测时间在第15帧，显示出强大的早期检测能力。
• 在标准PC上，烟雾帧的平均处理时间为0.512秒，非烟雾帧为0.451秒，表明通过C++优化（可提升15–30倍）具备实时部署可行性。
• HEP框架成功识别出最具判别力的纹理特征，有助于提升分类准确性。
• BIFD_CM与改进的LBP-TOP特征的融合显著增强了对烟雾动态行为（尤其是闪烁与扩散模式）的建模能力。