改进局部三值模式的烟雾识别和纹理分类*

李 钢，袁非牛，夏 雪，章 琳，5，雷帮军

1.江西财经大学 信息管理学院，南昌330032

2.水电工程智能视觉监测湖北省重点实验室（三峡大学），湖北 宜昌443002

3.宜春学院 数学与计算机科学学院，江西 宜春336000

4.上海师范大学 信息与机电工程学院，上海201418

5.江西科技师范大学 数学与计算机科学学院，南昌330038

1 引言

火灾发生时，烟雾出现通常比火焰更早、更明显，是火灾初期的重要表征。准确且快速地检测烟雾有助于尽早做出火灾预警，更好地保障人们的生命和财产安全。传统的烟雾检测方法主要是利用传感器检测烟雾，监测区域范围小且封闭，易受到烟雾扩散缓慢而延迟报警。基于视频的烟雾检测利用了烟雾的视觉特征（如纹理、颜色、运动等），能够监测更大的区域，具有响应速度快、成本低、不易受环境影响等优点，已成为早期火灾预警的发展趋势。烟雾识别作为烟雾检测的重要环节，如何在提高烟雾识别检测率的同时降低误报率是当前的主要技术难题。

变换域特征提取方法和局部模式特征提取方法是两种常用的烟雾特征提取方法[1]，为获得更好的烟雾检测识别效果，可以结合这两种方法来提取特征。小波变换能提取图像的高频和低频信息，具有多分辨率特性，文献[2-3]都通过使用烟雾的扩散特性和小波高频能量提取烟雾特征来实现烟雾检测。Gabor 小波作为一种小波变换，具有空间局部性、方向性、多尺度和光照不敏感等特性，文献[4]构建了一个多层Gabor网络来提取图像特征实现烟雾识别，文献[5]通过设计聚合Gabor 核和改进局部二值模式（local binary pattern，LBP）进行图像烟雾识别。局部模式特征提取方法在烟雾检测识别领域也有很好的表现。文献[6-7]都采用了LBP提取烟雾的纹理特征实现烟雾识别，文献[8]采用了局部三值模式（local ternary pattern，LTP）提取烟雾的纹理信息来实现烟雾识别。相对于LBP，LTP对光照变化和噪声干扰具有更好的鲁棒性。较少使用LTP进行烟雾检测识别，可能是因为LTP需要设定一个自定义阈值，不能很好地适用于所有样本图像。

针对传统LTP 的固定阈值不能适合所有图像的问题，本文提出了一种改进的局部三值模式——基于置信水平的局部三值模式（local ternary pattern based on confidence level，CLLTP），通过置信水平来动态调整LTP的阈值，提高LTP的适应性。为提高烟雾识别的检测率和降低误报率，本文结合局部模式（CLLTP）和变换域（Gabor 特征图）提出了基于CLLTP 的组合特征模型（multi-CLLTP，M_CLLTP）。该模型提取了Gabor 特征图的CLLTP（local Gabor ternary pattern based on confidence level，CLLGTP）特征，增加了模型特征的多方向、多尺度等特性，通过利用Gabor 特征图的信息熵计算CLLGTP 特征的权重，生成加权的CLLGTP（weighted CLLGTP，WCLLGTP）特征，增强了模型的特征表达能力。该模型还提取了边缘特征图的CLLTP（local edge ternary pattern based on confidence level，CLLETP）特征，进一步提高了模型的特征表达能力。

烟雾通常被视为是一种纹理，故烟雾识别被视为是纹理分类，烟雾识别的方法也可用于实现纹理分类。因此，烟雾识别采用了纹理分类相同的实现框架，主要包括特征提取和图像分类两个阶段[1]。为说明M_CLLTP模型对烟雾和其他纹理的适用性，本文分别在烟雾和纹理数据库上进行了对比实验。

2 相关知识

2.1 局部三值模式

局部三值模式（LTP）部分继承了LBP 对光照不敏感的优点，比LBP具有更好的抗噪性。LTP通过预设一个固定阈值，可在一定程度上消除噪声的影响。LTP的三值化函数如下：

其中，v为邻域像素gi与其中心像素gc的差值，即v=gi-gc，t为自定义的固定阈值。3×3局部窗口中的LTP编码公式如下：

根据式（2），LTP 特征的维数将达到38。为降低特征维数，可将LTP 编码分解为两个类似LBP 的编码，即局部三值正、负模式LTUP（local ternary upper pattern）和LTLP（local ternary lower pattern），并将生成的两个类似LBP的特征向量连接，得到29维的LTP特征。

2.2 Gabor核函数

Gabor 变换为加窗的傅里叶变换，利用Gabor 变换可以在频域的不同尺度、不同方向上提取相关特征。具有对称高斯包络的Gabor核函数如下：

其中，(x,y)为所给图像的坐标位置，u表示指定的方向，v表示指定的尺度，σ为决定Gabor 滤波器带宽的系数，j 为虚数符号。本文中u∈{0,1,…,7}，v∈{0,1,…,4}，φu=u×π/8，kv=2-(2+v)/2π，σ=π/2。由此，Gabor核函数可得到40种复数响应值。

2.3 Canny边缘检测

Canny算子在图像处理领域已得到广泛应用，对不同边缘的检测都有良好的表现。Canny 算子进行边缘检测主要包括4步：先用二阶高斯滤波器平滑图像，减少噪声干扰；再利用一阶偏导的有限差分方法对平滑后的图像进行运算，生成图像的梯度幅值和方向；然后对梯度幅值进行非极大值抑制；最后采用双阈值去除伪边缘得到最终边缘。

采用Canny算子检测边缘的过程中，通常需要自定义3个参数：平滑图像时的二阶高斯滤波器的方差参数σC，去除伪边缘时的高阈值TH和低阈值TL。

3 基于CLLTP的组合特征模型

3.1 特征提取总体框架

为提取每幅原始图像的最终特征，本文设计了基于CLLTP的组合特征模型（M_CLLTP）。图1给出了该模型的处理框图，主要包含以下4个步骤：

（1）提取CLLTP 特征。利用CLLTP 直接提取原图的CLLTP特征。

Fig.1 Processing framework of M_CLLTP model图1 M_CLLTP模型的处理框图

（2）提取WCLLGTP 特征，即提取Gabor 特征图的加权的CLLTP 特征。利用Gabor 核（虚部）对原图进行卷积生成40幅Gabor特征图，提取Gabor特征图的CLLGTP特征；通过计算这40幅Gabor特征图的信息熵来计算每个CLLGTP特征的权重，再对CLLGTP特征进行加权得到WCLLGTP特征。

（3）提取CLLETP 特征，即提取边缘特征图的CLLTP 特征。利用自适应的Canny 算子提取原图的边缘特征生成二值的边缘特征图，再提取边缘特征图的CLLTP特征，即得到CLLETP特征。

（4）生成M_CLLTP 特征。串联CLLTP 特征、WCLLGTP 特征和CLLETP 特征，生成图像的M_CLLTP特征。

图1 中，提取的3 种特征CLLTP、WCLLGTP 和CLLETP分别表示原图的纹理特征、具有多尺度多方向的深层次的纹理特征和含边缘信息的特征。烟雾被视为是一种纹理，直接提取原图的CLLTP特征，就是提取原图的纹理特征。Gabor 特征图是原图与Gabor 核卷积后所得，保留着大量的纹理信息，表达了原图中更深层次的纹理特征，且具有多尺度、多方向特性。因此，在Gabor特征图上提取的CLLGTP特征可以被视为是含有多尺度、多方向的深层次的纹理特征。WCLLGTP特征是加权的CLLGTP特征，可以增强CLLGTP 特征的表达能力。边缘特征图是对原图进行边缘检测所得，描述了图像中物体的边缘。烟雾边缘通常模糊且弯曲，而人造物体多含有直线特征，因此可以利用这一特点，通过提取边缘特征图的CLLETP 特征来帮助识别烟雾。由于边缘特征图是二值的，所含信息量较原图大大减少，故CLLETP特征在烟雾识别中只能作为辅助特征。

3.2 CLLTP模式

文献[9-10]研究发现，在时间域上，不同场景的差分图像在同一位置上的像素值分布基本服从正态分布；在空间域上，背景图中的噪声在差分图像中的局部区域也服从正态分布。因此，为解决传统LTP使用固定阈值无法适用于所有图像样本的问题，根据差分图像中像素值的出现概率基本服从正态分布，本文提出基于置信水平的局部三值模式（CLLTP）。该模式采用差分图像像素值概率分布的置信水平来动态设定三值化函数的阈值，以优化传统LTP 的特征。

CLLTP 利用3×3 的局部窗口生成8 幅差分图像后，将8幅差分图像作为一个整体，计算不同像素值出现的概率；再通过设置置信水平阈值TCL(0＜TCL＜1)来计算三值化函数的高低阈值；最后利用重新定义的三值化函数计算LTUP和LTLP编码来生成LTP特征。由于LTP 没有旋转模式，故LTUP 和LTLP 编码时，本文仅采用了映射模式U2来降低LTUP和LTLP特征的维数。对于3×3 局部窗口的CLLTP 特征，利用U2映射模式后，CLLTP特征的维度为108维。

设有序集DA包含8 幅差分图像的所有像素值，按小到大排序，初始为全集；集合PA存放DA中像素值对应的概率值，与DA中的元素一一对应；有序集IS和IC分别存放置信区间和候选置信区间中像素值对应的序号（即像素值在DA中的位置序号），都按小到大排序，且初始都为空集；DA的第i个元素用DA(i)表示，PA、IS和IC类似；概率值PA(i)表示DA的第i个元素出现的概率；|IS|表示IS的元素数量。计算LTP高低阈值的步骤如下：

步骤1设在PA中找到第一个最大概率为PA(k)，k为序号。

步骤2将像素值DA(k)加入置信区间，即将序号k选入IS中，IS=IS⋃{k}；然后计算置信水平值，即计算置信区间中各像素值的概率和pCL，公式为pCL=。此时如果pCL≥TCL，则转到步骤4。

步骤3将DA(k)相邻的像素值DA(k-1)和DA(k+1)选入候选置信区间，同时删除候选置信区间中已选入置信区间的像素值，即有IC=IC⋃{k-1,k+1}-IS。此时IC仅包括与置信区间两侧相邻的两个像素值的序号，比较这两个序号对应概率的大小，选择概率大的序号作为新的k值，即如果PA(IC(1))＞PA(IC(2))，则k=IC(1)，否则k=IC(2)，然后转到步骤2。

步骤4以IS中最后一个和第一个元素为序号在DA中取得对应的像素值，分别设为LTP 的高、低阈值，即高阈值tH=DA(IS(|IS|))，低阈值tL=DA(IS(1))。

得到LTP 的高低阈值后，重新定义的三值化函数为：

由上述计算步骤可知，高低阈值tH和tL是置信区间的两个端点，理论上反映了差值v在[tL,tH]上的可信程度，且两个阈值是根据原图的差分图像计算而得，具有很强的适应性。因此，理论上基于置信水平阈值的CLLTP比基于固定阈值的LTP具有更高的可信度，所提特征具有更好的表达能力。

本文中，只使用了3×3 的局部窗口。对于利用n×n的局部窗口计算CLLTP，只需要将全部4(n-1)幅差分图像作为一个整体，计算不同像素值出现的概率即可，其他计算过程完全相同。显然，不同大小的局部窗口对CLLTP计算量的影响不大。

3.3 CLLGTP特征

在CLLTP的基础上，本文提出了基于Gabor特征图的CLLTP，即CLLGTP。在利用Gabor函数的虚部响应生成40个Gabor核后，用Gabor核卷积原图得到40 幅Gabor 特征图，并利用CLLTP 方法生成40 个CLLGTP特征。此过程中，由于Gabor特征图的像素值不是整数，且存在正负，因此为便于利用CLLTP方法提取Gabor 特征图的特征，本文采用近似Gabor 差分图像代替原始Gabor 差分图像：在Gabor 特征图的3×3局部窗口上计算得到8幅原始的Gabor差分图像后，将这8 幅原始的Gabor 差分图像作为一个整体，归一化所有像素值到[0，1]之间，并按间隔0.001 进行量化生成8幅全为整数的近似Gabor差分图像。

3.4 WCLLGTP特征

为了提高CLLGTP 特征的表达能力，本文提出采用Gabor 特征图的信息熵计算CLLGTP 特征的权值，并对CLLGTP 特征加权生成WCLLGTP 特征。由于Gabor特征图的像素值不是整数，因此本文提出了计算Gabor特征图信息熵的改进方法。

首先将Gabor 特征图转换成全为整数的近似Gabor特征图。设GIj为第j(j=1,2,…,40)幅Gabor特征图，生成近似Gabor特征图(AGIj)的公式如下：

其中，int(·)为取整函数，TZ为缩放因子（默认为1）。

分别计算每个近似Gabor特征图的信息熵，利用信息熵计算出每个CLLGTP特征的权值；将CLLGTP特征向量与对应的权值相乘，即可得到WCLLGTP特征。计算第j幅近似Gabor 特征图的信息熵Ej和对应CLLGTP特征的权值wj的公式分别如下：

其中，N(N≥1)为近似Gabor 特征图中不同像素值的种类数量，c为归一化系数，pi表示近似Gabor 特征图中第i种像素值出现的概率。

为了让WCLLGTP 特征兼容地表示CLLGTP 特征，本文将归一化系数c定义如下：

当缩放因子TZ足够小时，40 幅近似Gabor 特征图像素值可全为0，像素值的种类数量全为1，信息熵全为0，所得权值将全为1。此时WCLLGTP 特征与CLLGTP 特征相同，即实现用WCLLGTP 特征表示CLLGTP特征。

3.5 CLLETP特征

为进一步提高烟雾特征的表达能力，根据烟雾边缘模糊、弯曲等特性，本文提出了基于边缘特征图的CLLTP，即CLLETP。

利用传统的Canny 算子检测边缘得到边缘图像时，通常需要预设高、低阈值和高斯滤波方差参数。该情况下，一方面很难设定合理的双阈值和高斯滤波方差参数，另一方面若对所有图像采用单一阈值，容易检测出假边缘或丢失局部边缘。因此，为降低设定高斯滤波方差参数的难度，本文采用了固定的高斯滤波方差参数(σC=2)；为提高双阈值的适用性，本文将非极大值抑制后的梯度幅值图像归一化到[0，1]，得到新的梯度幅值图像，然后以该梯度幅值图像为基础，利用Otsu 算法计算双阈值并进行去除伪边缘等操作，最终得到完整边缘。

为便于利用Otsu 算法计算双阈值，本文将新的梯度幅值图像转换为灰度级图像。假设存在两个灰度值阈值k1和k2，可将梯度幅值灰度图像的灰度值分为3 类：C1、C2和C3。其中C1表示一定是非边缘点类，C3表示一定是边缘点类，C2介于C1和C3之间。

计算Cj(j=1,2,3)类的零阶矩和一阶矩，公式分别如下：

其中，i(i=0,1,…,255)为灰度图像的灰度值，pi为灰度值i在图像中出现的概率，k0=-1，k3=255。

令μr=ω1μ1+ω2μ2+ω3μ3，并计算3 个类C1、C2和C3的类间方差为：

此时，可求得使类间方差δ2获得最大值时的k1和k2，分别用k′1和k′2表示，进一步可求得归一化后的梯度赋值图像的低阈值TL=k′1/255 和高阈值TH=k′2/255。

4 实验结果及分析

4.1 实验说明

实验使用Matlab 2015b作为编译器，实验设备为使用i7 7700HQ 的笔记本电脑。为验证本文方法的可行性和有效性，本文在烟雾数据库和两个纹理数据库上分别进行了对比实验。

烟雾数据库[4-5，7-8]有4 个数据集（Set1、Set2、Set3和Set4），每个数据集都包含了数量不等的烟雾和非烟雾图像，所含图像数量（=烟雾图像数+非烟雾图像数）分别为1 383（=552+831）、1 505（=688+817）、10 712（=2 201+8 511）和10 617（=2 254+8 363）。烟雾数据库中所有图像转换为灰度图像，并缩放到48×48。

两个纹理数据库分别为Brodatz[11]和KTH-TIPS2-a[12]。Brodatz 库有999 幅灰度图像，图像大小为213×213，共有111个类别，每个类别含有9幅图像。KTHTIPS2-a 库有4 395 幅彩色图像，图像大小为200×200，含有4个数据集，每个数据集有数量不等的11个类别，每个类别均含有4种光照方向和3种位置姿态的图像，所有图像都被转换成灰度图像。

实验所用的评价指标有检测率（DR（detection rate）、真正率、召回率）、误报率（FAR（false alarm rate）、假正率）和F1 分数（F1-score，F1）等3 种，其中F1 为精确率（precision rate，PR）和召回率（DR）加权调和平均的F1 分数，主要用来衡量分类方法的有效性，其值越大表明该分类方法的有效性越高。3个指标的表达式分别如下：

其中，TP、FP、TN和FN分别表示真正样本数、假正样本数、真负样本数和假负样本数；PR为精确率，PR=TP/(TP+FP)×100%。

4.2 烟雾识别实验

烟雾识别实验中，置信水平阈值TCL=0.19，缩放阈值TZ=1，实验使用了DR、FAR和F1 等3 个指标，实验期望的结果是保证较高DR和F1 的同时具有较低的FAR。为提高训练和测试的效率，实验利用了主成分分析法（principal component analysis，PCA）对本文所提特征进行降维，并采用了径向基核函数（radial basis function，RBF）的支持向量机（support vector machine，SVM）训练数据集Set1，测试数据集为Set2、Set3和Set4。

4.2.1 实验1：不同特征方案的对比实验

为说明本文方法的有效性，同时找出最佳的特征组合方案，本文设计了7个不同的特征组合方案，分别是CLLTP、CLLGTP、WCLLGTP、CLLTP+CLLGTP（简称G 组合）、CLLTP+CLLGTP+CLLETP（简称GE组合）、CLLTP+WCLLGTP（简称W组合）和CLLTP+WCLLGTP+CLLETP（简称WE组合）。表1列出了7个方案的实验结果，粗体为对应指标的最优值。为便于比较，实验计算了3个测试集上各指标的均值。

由表1中各个方案的实验结果可得：

（1）比较G 组合和CLLTP，G 组合在表1 所列的12 个指标值上都要好于CLLTP。比较G 组合和CLLGTP，在3 个测试集上，G 组合在Set3 和Set4 上DR小于CLLGTP，其他7个指标值都不差于CLLGTP；在3个均值上，与CLLGTP相比，G组合的DR均值小0.4个百分点，而G组合的FAR均值低0.81个百分点，F1 均值高1.0 个百分点。表明G 组合比单独采用CLLTP、CLLGTP 具有更高的有效性，误报率降低明显，获得较好的效果。

Table 1 Experimental results of 7 feature schemes on smoke database表1 烟雾库上7个方案组合的实验结果 %

（2）比较CLLGTP 和WCLLGTP 发现，在3 个测试集上，WCLLGTP 在Set3 和Set4 上的DR小于CLLGTP，其他7 个指标值都不小于CLLGTP；与CLLGTP 相比，WCLLGTP 的DR均值小0.3 个百分点，而WCLLGTP的FAR均值低0.83个百分点，F1均值高0.9 个百分点。分别比较G 组合和W 组合、GE组合和WE组合，W组合和WE组合在表1所列的12个指标值上分别都好于G组合和GE组合。这表明，不管是单独使用，还是组合使用WCLLGTP 特征，WCLLGTP特征的表现都要好于CLLGTP特征，具有更好的效果和更高的有效性。

（3）比较G 组合和GE 组合，除Set2 的FAR、Set4的DR和F1外，GE组合在3个测试集上的其他6个指标值和3 个均值都不差于G 组合。比较W 组合和WE组合，除Set3的FAR外，WE组合在3个测试集上的其他8 个指标值和3 个均值都不差于W 组合。表明增加边缘特征图的CLLETP 特征能够进一步提高特征的整体效果和有效性。

（4）在表1 所列的12 个指标值上，WE 组合具有最多的最优指标值（10 个），且在3 个指标均值上都是最优。这表明WE 组合获得的效果最好，更具有效性。

根据上述分析，采用Gabor 特征图的WCLLGTP特征和边缘特征图的CLLETP 特征能够提高烟雾特征的识别效果。因此，本文将CLLTP+WCLLGTP+CLLETP（WE 组合）方案定为M_CLLTP 模型的最佳方案，为便于后面实验（含纹理分类实验）的描述，本文将该方案简称为本文方法，即M_CLLTP特征提取方法。

4.2.2 实验2：烟雾数据库对比实验

实验2 选择了当前较为流行的18 种方法与本文方法比较，所有方法都采用了RBF（radial basis function）核的SVM（support vector machine）分类器，实验结果如表2所示。其中Gb基础[4]、Gb完整[4]、LAGBP（local aggregated Gabor binary pattern）[5]、HLTPMC（high-order LTP based on magnitudes of derivatives and values of center pixels）[8]、HLTPMC+LPP（HLTPMC with locality preserving projection）[8]和LBP_HDLBP（concatenation of LBP and HDLBP（Hamming-distance-based LBP））[13]这6种方法是专为烟雾库而设计的特征提取方法，实验结果分别来源于文献[4]、文献[4]、文献[5]、文献[8]、文献[8]和文献[13]。CLBP（completed LBP）[14]、LTrP（local tetra pattern）[15]、PLBP（pyramid LBP）[16]和LDP4（4th-order local derivative pattern）[17]是经典的纹理特征提取方法，都存在U2（uniform）、RI（rotation invariant）和RIU2（RI and U2）3种映射模式，即有12种方法，实验结果来源于文献[13]。表2中粗体表示对应指标值优于本文方法。为便于比较，实验计算了表2中所有方法在3个测试集上的各指标均值。

由表2中数据可得：

（1）比较表2所列的12个指标值显示，除LAGBP、CLBP（RIU2）、LTrP（RI）、LTrP（U2）和LDP4（U2）5种方法外，其他13种方法的12个指标值都不优于本文方法，表明本文方法完胜这13种方法。

（2）在3 个测试集上，LAGBP 在Set2 的DR、Set3的FAR和F1、Set4的F1 4个指标值上优于本文方法，其他5 个指标值均差于本文方法；在3 个均值上，与LAGBP相比，本文方法的DR均值高0.3个百分点，而FAR和F1的均值都仅差0.1个百分点。在3个测试集上，CLBP（RIU2）的3 个DR都好于本文方法，其他6个指标值都差于本文方法；在3 个均值上，与CLBP（RIU2）相比，本文方法的DR均值低1.0个百分点，而FAR和F1 的均值分别低4.57 个百分点和高5.7 个百分点。在3 个测试集上，LTrP（RI）和LTrP（U2）两种方法的3 个FAR都好于本文方法，其他6 个指标值都差于本文方法；在3 个均值上，与LTrP（RI）和LTrP（U2）相比，本文方法的FAR均值分别高0.26 个百分点和0.86 个百分点，但DR均值分别高2.8 个百分点和37.1个百分点，F1均值分别高1.1个百分点和22.1个百分点。LDP4（U2）在表2所列的12个指标值上，只有Set3 和Set4 的FAR好于本文方法，其他10 个指标值都差于本文方法。综上所述，本文方法在3个测试集上的多数指标值都优于这5种方法，在3个指标均值上的优势也更大，表明本文方法获得了较好的效果，具有很好的有效性，要略胜于这5种方法。

Table 2 Experimental results of M_CLLTP method and other methods on smoke database表2 烟雾库上M_CLLTP方法与其他方法的实验结果 %

为了说明本文方法的效率，可以从特征提取和分类测试两方面来描述。

（1）本文方法共提取了42 幅图像（包括1 幅原图、40 幅Gabor 特征图和1 幅边缘特征图）的局部模式特征；除Gb基础、Gb完整和LAGBP这3种方法使用了Gabor核外，其他15种方法都是在原图上提取特征。因此，本文方法提取特征的计算量比这15 种方法大，这是采用Gabor 核的必然结果。LAGBP 与本文方法都使用了一次Gabor 核卷积运算，但LAGBP方法采用的聚合Gabor核只有14个核，因此本文方法提取特征的计算量比LAGBP方法大。Gb基础和Gb完整两种方法都采用了两层Gabor网络，每一层网络中的每幅输入图像都将生成12 幅浓缩的Gabor 特征图，第二层网络需要对第一层网络所得的Gabor特征图再次使用Gabor 核卷积，生成144 幅浓缩的Gabor特征图。因此，本文方法提取特征的计算量小于这两种方法。本文方法在烟雾数据库的图像（24 217幅）上提取特征的耗时为354 s。

（2）为了说明本文方法在分类测试时的效率，本文选择了LAGBP、CLBP（RIU2）、LTrP（RI）、LTrP（U2）和LDP4（U2）5种方法进行比较。这5种方法都存在优于本文方法的指标值，都采用了RBF核的SVM，且都是在Matlab 环境下执行。表3 列出了3 个测试集上本文方法和这5种方法的测试耗时。本文方法在3个测试集上的耗时分别为0.174 s、1.225 s 和1.199 s，耗时均第二少。

Table 3 Testing time on 3 test datasets表3 3个测试集上的测试耗时 s

4.3 纹理分类实验

4.3.1 实验3：Brodatz纹理库对比实验

实验3 中，本文方法的置信水平阈值TCL=0.33，缩放阈值TZ=1，实验只使用了召回率指标（DR）。为便于与其他方法比较，实验3 使用了与文献[11]同样的配置，采用了KCHI2核的SVM，在每个类别中随机选择3 幅图像用于训练，另外6 幅图像用于测试，将100次重复实验的召回率均值作为最后的实验结果。参与比较的方法有LBP、HLTPMC+LPP[8]、PRICoLBP（pairwise rotation invariant co-occurrence LBP）[11]、CLBP[14]、LBPHF_S（sign LBP histogram Fourier）[18]和LBPHF_S_M（concatenation of sign LBP histogram Fourier and magnitude LBP Fourier）[18]。实验结果如表4所示，本文方法获得了最高的召回率均值为97.00%。

Table 4 Experimental results on Brodatz表4 Brodatz库上的实验结果

4.3.2 实验4：KTH-TIPS2-a纹理库对比实验

实验4中，本文方法的置信水平阈值TCL=0.46，缩放阈值TZ=1，实验只使用了召回率指标（DR）。为提高实验效率，本文使用了PCA方法对M_CLLTP特征进行了降维。为便于与LBP、DMD（dense micro-block difference）[12]、MLEP（dynamic texture local energy pattern）[19]、LHS（local higher-order statistics）[20]、COVLBPD（covariance and LBP difference descriptor）[21]和scLBP（sorted consecutive LBP）[22]等方法比较，实验4使用了与文献[12]相同的配置，分类器采用了VLFeat的线性核SVM，随机选择3个数据集用于训练，剩余1 个数据集用于测试，100 次重复实验的召回率均值作为最后的实验结果。表5列出了实验4的结果，本文方法获得了最高的召回率均值，为80.07%。

Table 5 Experimental results on KTH-TIPS2-a表5 KTH-TIPS2-a库上的实验结果

两个纹理库上的对比实验显示，本文方法获得了最好的实验结果，表明本文方法具有很好的纹理辨识能力。

5 结束语

为提高烟雾图像识别的检测率和降低误报率，本文提出了一种基于改进局部三值模式的组合特征模型（M_CLLTP）。该模型首先基于差分图像像素值的概率分布提出了置信水平局部三值模式（CLLTP），解决了传统LTP 的固定阈值不能适合所有样本图像的问题。通过利用具有多方向多尺度特性的Gabor核卷积原图生成Gabor 特征图，并提取CLLGTP 特征，再与CLLTP特征串联，能够获得较好的效果。利用加权后的WCLLGTP 特征代替未加权的CLLGTP特征后，烟雾特征的识别效果得到显著提高。再次通过融合边缘图像的CLLETP特征，本文方法所提的烟雾特征的表达能力得到再次提高，效果更好。烟雾识别和纹理分类的对比实验显示，本文方法获得了较好的效果，表明本文方法对烟雾和纹理具有很好的辨识能力，非常适用于烟雾检测。下一步研究将考虑借鉴深度学习的思想设计Gabor 卷积网络来进一步提高烟雾检测识别的准确率，同时降低误报率。