目前，气体在工业和人们生活中应用越来越多。例如，应用在电力系统中的SF6，火灾保护中的CO2，以及化工生产中的C2H4等等，泄漏气体检测对于避免重大人员财产损失具有重要意义。气体泄漏检测主要有传统传感器检测和图像检测两类方法。传统方法采用固定点检测器，检测范围小，需要接触到泄漏气体才能检测，随着机器视觉等技术发展，基于图像序列的泄漏气体检测方法成为主流，具有快速响应、非接触、监控面积大等特点。
 

　　基于图像序列泄漏气体检测方法主要有3个步骤：
 

　　1)使用高斯混合背景建模或者背景差分等方法估计图像序列中的运动区域。
 

　　2)对气体候选区域提取静态特征如颜色特征，或动态特征如纹理特征。比如Appana利用HSV颜色和纹理特征检测烟雾；Ojo提取了烟雾的HSI颜色特征和小波能量特征进行烟雾检测。
 

　　3)使用预先训练好的分类器或是其他判断准则，判断是否为气体目标。例如：Ye使用SVM分类器检测烟雾。Yuan、Zhao使用Adaboost分类器检测烟雾。另外，为了解决远距离的烟雾检测，文献曾提出过一种基于双阈值的MSER追踪算法；还有一种是基于背景差分法和颜色特征的实时检测算法，使用GPU加速。
 

　　上述这些检测方法，其推广性不强，适合一般泄漏气体检测。其主要原因在于：可见光下，烟雾的颜色主要是黑色或白色，而在红外条件下，影响泄漏气体灰度值的因素有很多，如气体种类、浓度、背景，滤光片等。而气体的纹理特征在不同浓度、不同背景下相差较大，不适合红外图像中泄漏气体的检测。
 

　　本文提出了一种基于气体形状特征和SVM分类的红外图像气体检测方法，该方法可以有效区分气体和干扰，具有*的检测率和较低的虚警率。
 

　　1 基于形状的泄漏气体检测方法
 

　　本文泄漏气体检测流程如图1所示，分为训练和预测两部分。训练过程，首*行运动区域检测，再将运动区域处理的结果进行连通域分析，形成候选区域。人工分类候选区域构建训练样本库，通过对样本提取形状特征，使用支持向量机进行训练。预测过程，也是首*行运动区域检测，再将运动区域处理的结果进行连通域分析，形成候选区域。对候选区域分别提取形状特征，使用训练好的SVM模型进行预测，判断该候选区域是否为气体。
 

　　△图1 本文所提出的算法流程及其对应的关键中间结果
 

　　1.1 基于差分的运动区域检测
 

　　本文方法采用了基于差分的运动区域检测方法，提取候选泄漏气体区域。设定当前视频帧为I，取视频具有理想条件的某帧B为背景帧。背景帧的理想条件为无气体、干扰物在图像中。运动区域检测规则如下：
 

　　式中：M(x，y)是运动目标像素点的集合；I(x，y)表示当前帧中像素点的灰度值；B(x，y)为背景图像中对应像素点的灰度值；目标与背景的灰度差别TH为阈值。阈值的选择主要依靠先验知识，在本文实验中，阈值设置在10左右。运动区域提取出之后，再将运动区域处理结果进行连通域分析，根据面积降序对连通域排序，将面积小于200左右的区域去除，选取面积前5左右的若干个连通域分别作为候选区域Mc(x，y)。
 

　　1.2 泄漏气体形状特征
 

　　1.2.1 红外图像中泄漏气体特征分析
 

　　对视频背景帧(图2(a))和当前帧(图2(b))，按公式(1)、(2)处理，M′c(x，y)=I(x，y)*Mc(x，y)(2)得到图2(c)，其气体灰度差异较大，再对M′c(x，y)做二值化处理可得到图2(d)，其具有特定锥形特征。分析可知，虽然气体不是刚体，形状各异，但是在无风或弱风环境中，泄漏气体由于压强原因，在泄漏点往远处扩散过程中，往往会呈现出一种锥形结构。
 

　　泄漏气体随着浓度的变化，会出现半透明现象，如图2(b)。气体半透明特性导致气体区域的纹理特征受到背景区域红外辐射的干扰。而气体的灰度、纹理特征也与气体浓度相关，但是边缘信息受影响较小。使用气体区域的形状特征，通过气体边缘信息来描述，气体区域边缘信息与图像对比度相关，不受气体区域灰度影响，如图2(d)。泄漏气体的形状和干扰运动物体比如：人的形状具有较大差异，见图3，通过形状特征可以区分泄漏气体和干扰运动物体。因此本文采用提取候选区域的形状特征来判断是否为气体，提出一种基于泄漏气体先验知识的形状特征的泄漏气体检测算法，该算法对灰度变化不敏感，受干扰影响小。
 

　　△图2 泄漏气体形状特征
 

　　1.2.2 泄漏气体形状特征提取
 

　　由于运动区域检测提取出的候选区域大小不尽相同，为了消除这些影响，首先对候选区域做标准化预处理：截取二值图像中包含有效信息的大区域，然后将截取的区域转化成标准的16×16像素的图像。处理前后的图片如图3所示。再将16×16像素信息保存为1维的特征向量，作为分类器输入的特征。
 

　　△图3 泄漏气体形状特征提取
 

　　1.3 分类器设计
 

　　本文使用支持向量机(SVM)作为分类器对提取的形状特征进行分类。支持向量机(SVM)具有只需相对较少的训练样本的特性。RBF核函数可处理非线性分类，参数较少并且便于优化计算等特点。本文采用RBF核函数并使用网格搜索的方法进行核参数寻优。实际工业应用场合，能获取到的样本是有限的。而目前文献中未见专门的红外气体泄漏视频数据库，因此本文实验数据都是作者利用专业设备进行室内外场景仿真得到的。
 

　　2 泄漏气体检测实验
 

　　2.1 泄漏气体检测实验平台
 

　　本文的算法是在In(R)Core(TM)i5-4460CPU和4GB内存的计算机上完成的。SVM使用的是LIBSVM软件包。实验视频使用红外相机拍摄完成，每秒帧数30。每帧图像大小640×480。红外波段范围7.5μm~14μm。泄漏气体为乙烯气体。实验滤光片型号为BP-10688-744-nm。
 

　　2.2 泄漏气体检测数据准备
 

　　在运动区域检测算法检测得到的候选区域图片中，人工筛选出典型的气体与干扰图像，有利于分类器学习到更具适应性的模型。通过10个实验视频中运动候选区域的人工筛选和分类，构建了气体与干扰物样本库，其中包括气体正样本1314个。负样本包括人体干扰等1447个。再将这些样本分为2211张图片构成的训练集和550张图片构成的测试集。气体可能从各个方向泄漏，通过图像旋转的方法，对真实应用情况进行仿真，使训练集的样本数增加4倍，增强模型的泛化能力。对气体泄漏视频图片中通过差分提取的运动区域进行分类器测试，测试集上准确率为98.73%。
 

　　2.3 检测实验结果与分析
 

　　由表1可知，文献方法不太适用于本文的红外视频的气体检测，受到运动物体干扰比较大，无法区分运动物体是否为气体。同时从图4可看出，本文方法对于不同场景能够保持较高的泄漏气体检测率，同时虚警率较低，如在图4中将人体干扰排除，正确检测出气体。因此本文算法可以有效检测到泄漏气体并且去除掉人体等干扰物对气体检测的影响。表1为不同视频检测率对比。
 

　　△图4 泄漏气体检测结果
 

　　表1 泄漏气体检测率
 

　　3 结论
 

　　在弱风条件下，存在背景干扰、人体干扰等情况，本文提出一种基于泄漏气体先验知识的形状特征和SVM分类的红外图像气体泄漏检测算法。算法经过多个红外视频验证了其能够满足工业应用的要求。算法通过考虑气体的运动特征和形状特征将泄漏气体和干扰有效区别，从而减少背景和干扰物影响。
 

　　文献[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.