视觉烟雾检测已成为当前早期火灾探测领域的研究热点和难点,其检测率直接影响到视觉火灾探测技术的应用。近年来,随着数字图像处理、视频分析、模式识别、机器学习等技术的发展,视觉火灾探测对烟雾的检测率有了更高的要求。火灾中烟雾的视觉特征通常呈现出形态多变、颜色各异、透明度差异大、运动无规律等特点,易受外界环境影响,稳定性差,这使得从视频和图像中提取表达能力强、鲁棒性好的烟雾特征成为了提高烟雾检测率的技术难题。因此,研究视觉烟雾检测中的烟雾特征建模方法,对早期火灾预警具有重要的理论价值和实践意义。烟雾的变换域特征和静态纹理特征是两种重要特征。变换域蕴涵了原始图像中较高层的抽象信息,提取变换域上的特征有利于增强烟雾特征的表达能力。烟雾的局部特征能很好地表达烟雾的静态纹理信息,是一种稳定的烟雾特征。因此,本文围绕变换域和局部特征模式对烟雾特征建模展开研究,以提高烟雾检测的检测率,降低误报率和错误率,促进视觉烟雾检测技术的发展。本文的主要研究工作如下。(1)提出了边缘变换域局部特征建模方法。图像中的烟雾多表现为边缘模糊弯曲、少直线,而其他人造物体通常存在清晰的直线边缘。基于这一现象,该方法利用边缘特征图上的局部特征来增强烟雾特征的表达能力。为保证边缘检测方法的适应性,该方法使用了自适应Canny算子检测边缘。针对二值的边缘特征图,该方法提出了两种局部特征模式(局部边界求和模式与局部区域求和模式)。提取边缘特征图的局部边界求和模式特征与局部区域求和模式特征、原图和边缘特征图的局部二值模式特征之后,该方法对所提特征进行选择得到最终特征。该方法利用边缘变换域解决了图像中目标物体的边缘信息没有得到利用的问题。(2)提出了Gabor变换域局部特征建模方法。图像变换常被用于传统视觉烟雾检测,而烟雾特征提取过程通常只使用单一尺度的变换域,较少采用具有多尺度特性的Gabor变换域。因此,该方法引入了具有多尺度、多方向特性的Gabor小波,通过提取Gabor特征图的局部特征来增强烟雾特征的表达能力。首先,该方法通过构造聚合Gabor核,减少了传统Gabor核的数量和传统Gabor核之间的冗余信息。然后,改进了传统局部二值模式的编码方式,采用自定义比较函数替代原始的二值化函数,很好地利用了Gabor特征图中丰富的像素值信息。最后,利用改进的局部二值模式提取原始图像和Gabor特征图的特征,并串联所有特征生成最终特征。该方法利用Gabor变换域解决了传统局部特征不具有多尺度、多方向特性的问题。(3)提出了基于Gabor变换域和边缘变换域的局部特征建模方法。Gabor特征图能够提取原始图像中所蕴涵的抽象特征,具有丰富的像素值信息。为更好利用Gabor特征图上的像素值信息,该方法改进了局部三值模式。针对传统局部三值模式中使用固定阈值不能很好适应所有图像的问题,该方法提出了置信水平局部三值模式,利用置信水平阈值来计算三值化函数的高低阈值,并设计了新的三值化函数来生成编码特征图,提高了局部三值模式的适应性。针对Gabor特征图上所提特征的融合方法过于简单而导致不能反映各特征重要程度的问题,该方法使用Gabor特征图的信息熵来计算对应特征的权重,从而生成加权特征。另外,边缘特征图能捕获原始图像中特定的高频信息,体现了物体的边缘特征,故该方法也使用了原始图像的边缘特征图。利用置信水平局部三值模式,该方法分别计算了原始图像和边缘特征图的特征、Gabor特征图的加权特征,并将这些特征融合、降维生成最终特征。该方法很好地解决了多个Gabor变换域的局部特征融合方法过于简单的问题,同时利用Gabor变换域和边缘变换域捕获了原始图像上两种不同的抽象信息。(4)提出了多层Gabor变换域局部特征建模方法。使用Gabor核的传统特征提取方法中,每个Gabor核通常只执行一次卷积运算,无法同时提取到原始图像在不同层次上的抽象特征。为此,该方法构建一个多层Gabor卷积网络,提取了原始图像在多个层次上的抽象特征,生成了多层级的Gabor特征图。该网络含有一个图像输入层和多个Gabor特征计算层。Gabor特征计算层包含Gabor卷积子层和Gabor特征融合子层。在卷积子层利用Gabor核生成Gabor特征图后,该网络能利用特征融合子层融合Gabor特征图,避免了网络中图像数量呈指数级增长。在利用Gabor卷积网络输出多个层级的图像后,该方法计算了这些图像的局部二值模式特征。最后利用特征选择权重向量对各层的特征进行选择,并对所选特征进行融合、降维生成最终特征。针对Gabor核仅使用一次卷积运算的问题,该方法通过构建多层Gabor卷积网络很好地捕获了原始图像上多个层次的抽象信息。(5)为验证上述4种局部特征建模方法的性能,本文分别在烟雾识别和视频烟雾检测实验中使用了这4种方法来提取烟雾特征,并且视频烟雾检测实验使用了由烟雾识别实验训练的分类模型。实验结果显示:烟雾识别实验中,这4种方法都能获得较高的检测率,所提特征具有很好的烟雾辨识能力;视频烟雾检测中,分类模型能够很好地检测出烟雾视频中的烟雾,具有较好的烟雾检测效果。