基于視頻圖像的火焰檢測

1、Computer Science and Application 計算機科學(xué)與應(yīng)用, 2016, 6(3), 171-177Published Online March 2016 in Hans. /journal/csa/10.12677/csa.2016.63021FlameDetectionBasedonVideoKaiLi,ShengboLi,RuiLiu,JieWang,DanLiuFaculty of Computer Engineering, Huaiyin Institute of Technology, Huaian JiangsuReceived: Mar. 7 , 201

2、6; accepted: Mar. 26 , 2016; published: Mar. 29 , 2016thththCopyright 2016 by authors and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY)./licenses/by/4.0/AbstractFireasanaturaldisasterisverycommoninourlife.Therefore,flamedetectiontimely

3、isveryim-portantforthepreventionoffire.Inthispaper,anovelfiredetectionmethodisproposedbasedonbackgroundsubtraction, colorfeatureandshapefeatures.Firstly,tractedwithbackgroundimagedifferencebasedonthedynamicfeatureoffire.Then,thetargetareasareextractedexactlybyfiverulesofcolorfeatureandthreeshapefeat

4、uresoffire.Finally,thesuspectedflameisdetected.Theproposedmethodshowsmoreeffectiveforfiredetectionandpresentshighusevalue.themovingobjectisex-KeywordsFireDetection,BackgroundSubtraction,ColorFeature,ShapeFeature基于視頻圖像的火焰檢測李 丹淮陰工學(xué)院計算機工程學(xué)院，江蘇 淮安收稿日期：201637日；錄用日期：2016326日；發(fā)布日期：2016329日摘 要火災(zāi)是當(dāng)今生活中十分常見的自

5、然災(zāi)害，因此及時檢測火焰對預(yù)防火災(zāi)的發(fā)生十分重要。本文提出了一文章引用: 李凱, 李生波, 劉瑞, 王杰, 劉丹. 基于視頻圖像的火焰檢測J. 計算機科學(xué)與應(yīng)用, 2016, 6(3): 171-177./10.12677/csa.2016.63021李凱 等種基于背景差分和顏色、形狀特征的火焰檢測方法。該算法首先采用背景差分法，根據(jù)火焰燃燒的動態(tài)性實現(xiàn)對運動目標(biāo)的提取，再根據(jù)火焰顏色特征的五條規(guī)則以及火焰的三個形狀特征對目標(biāo)區(qū)域進一步提取，得到最終的檢測結(jié)果。該方法火焰檢測率較高，具有較好的實用價值。關(guān)鍵詞火焰檢測，背景差分，顏色特征，形狀特征1. 引言不受控制而發(fā)生并威脅人身和財產(chǎn)安全的燃

6、燒現(xiàn)象被稱為火災(zāi)，火災(zāi)給國家造成巨大經(jīng)濟損失的同時，還嚴重危害了人民群眾的生命安全。其中森林火災(zāi)造成的經(jīng)濟損失最為嚴重，林火監(jiān)測技術(shù)主要包括地面巡護、近地面監(jiān)測、航空巡護、衛(wèi)星監(jiān)測四種1。由于火災(zāi)是一種失控的燃燒現(xiàn)象，一般而言沒有明顯的規(guī)律可尋，火焰的燃燒過程分為：初燃階段、火焰擴大燃燒階段、劇烈燃燒階段、火勢下降和熄滅階段，不同的階段有著不同的特點?？焖儆行У幕馂?zāi)檢測是火災(zāi)預(yù)防的重要手段，基于視頻圖像的火焰檢測是目前的研究熱點，與基于傳感器的傳統(tǒng)火焰檢測系統(tǒng)不同，這種檢測方式局限性小，可應(yīng)用于大空間或復(fù)雜環(huán)境的火焰檢測，具有更好的適用性?；鹧嬗凶陨淼奶卣?，總體上將火焰的特征分為動態(tài)特征和靜態(tài)

7、特征?；鹧娴撵o態(tài)特征是指火焰的顏色特征，矩形度，圓形度，重心高度系數(shù)等。火焰的動態(tài)特征有閃頻特征、面積變化特征等。在有關(guān)火焰檢測技術(shù)中對顏色空間應(yīng)用研究日益增多。Chen 2等根據(jù) RGB顏色模型，結(jié)合火焰色顏色特征設(shè)計Toreyin3等使用高斯混合模型提取背景并以火焰像素庫為基礎(chǔ)獲得的 RGB 顏色檢測模型來實現(xiàn)火焰存在檢測。王瑩4等提出了一種基于 RGB，HSVYCbCr 三種顏色空間的火焰顏色模型，該模型提取的火焰區(qū)域比較完整，4等提出了一種利用圖像的相關(guān)性探測火災(zāi)的發(fā)生，并指出火焰的相關(guān)性系數(shù)圖是劇烈振蕩的，而非火焰的相關(guān)性系數(shù)圖是較平坦的。文獻5針對紅外火焰Horng等6選擇 HSI

8、 顏色空間的火Habiboglu7采用協(xié)方差矩陣訓(xùn)練支持向量機來識8Jenifer9采用概率統(tǒng)計的方法，對火焰的顏色、面積、表面粗糙度、邊界粗糙度、偏斜度進行統(tǒng)計，然后使用貝葉斯分類器進行決策。如若我們在視頻圖像中利用這些特征加以判斷，則能檢測出火焰區(qū)域。具有一定的動態(tài)性，將其運動區(qū)域檢測出來再利用火焰的靜態(tài)特征判別，能較好的提高火焰檢測的準(zhǔn)確率。本文首先通過當(dāng)前幀與背景幀進行背景差分得到差分圖像，然后通過閾值判斷提取運動目標(biāo)區(qū)域，然后利用顏色特征和形狀特征進一步提取出較為完整的火焰區(qū)域。實驗結(jié)果表明，所提出的算法檢測效果好，算法復(fù)雜度較低，具有較好的應(yīng)用前景。2. 背景差分法10規(guī)律的持續(xù)運

9、動。本文首先采用背景差分提取出運動區(qū)域，縮小檢測區(qū)域，對運動區(qū)域進一步利用顏色172李凱 等特征提取，從而達到預(yù)期效果。背景差分法又稱為背景減法，其原理是將當(dāng)前幀圖像與背景圖像差分得到運動目標(biāo)區(qū)域，這種方法這幅背景圖像必須不含有運動目標(biāo)，還要能夠不斷地變化來適應(yīng)當(dāng)前背景的變化。構(gòu)建背景圖像的方法有很多種，其中常用的方法有基于單個高斯模型的背景圖像構(gòu)建、基于混合高斯模型的背景圖像構(gòu)建、基于中值濾波器的背景圖像構(gòu)建、平均背景圖像構(gòu)建等。在本文中所采用的是平均背景圖像的構(gòu)建。( )I x y, 為背景圖像( )( )如果不考慮噪聲的影響，視頻幀圖像b x y m x y, 和運動目標(biāo)區(qū)域 , 的組合

10、。其中 x和 y 分別是像素點的橫縱坐標(biāo)。( ) ( ) ( )=x,y b x,y +m x,y(1)( ),m x y由式(1)可得出運動目標(biāo)區(qū)域。( ) ( ) ( )=x,y I x,y b x,y(2)得到的運動目標(biāo)需要根據(jù)判別規(guī)則進一步處理，最常用的處理方法就是閾值分割法，如式(3)所示。( ) ( )I x,y d x,y T( ),y =(3)m x( )d x,y BG B:R R(t)R S RRule3:= SttR R,G G(4)thth: = T1 Th, 2T12Rule5:T2+T33其中 1= RG， 2T= G B， 3 ，R ,G 是火焰的紅色分量和綠色分

11、量的閾值，Th,Th ,ThT= R Bthth123分別是T1,TT2+T3的閾值。通過公式(4)得到的候選火焰區(qū)域，再通過形態(tài)學(xué)處理方法腐蝕和膨脹處 R =135S =45R = 230G = 230Th = 20Th = 20，ttthth12Th =15時，不僅能排除天空中的白云、類似枯草的黃綠色區(qū)域，并且能填補火焰內(nèi)部的空洞，進而得到3較為完整的火焰區(qū)域，顏色特征提取結(jié)果如圖2 所示。4. 火焰的形狀特征火焰具有長寬比、矩形度、圓形度、重心高度系數(shù)、紋理特征等形狀特征。4.1. 圓形度表示物體邊緣與圓的相似程度，是一種物體邊緣輪廓復(fù)雜程度的度量，通過物體邊緣的總173李凱 等Figu

12、re 1.Process of target detection based background difference圖1. 基于背景差分的目標(biāo)檢測算法流程(a) (b)Figure 2.Extraction of fire color feature圖2. 火焰的顏色特征提取長度和物體所在區(qū)域的面積，可計算出物體的圓形度值，其計算公式為：2C =(5)4S其中 為物體所在區(qū)域面積， SL圓形度衡量了物體邊緣的復(fù)雜程度，物體邊緣越復(fù)雜，圓形度的取值越高。通過實驗對火焰及其他干擾174李凱 等物圓形度進行舉例分析，結(jié)果如表 1 所示。從表 1 可以看出，與火焰顏色相似的干擾物圓形度值較低，火焰

13、的圓形度值明顯較高。4.2. 與圓形度相似，矩形度表示物體邊緣與矩形的相似程度，矩形度 所示：RS(6)R =SR式中S 為包含物體所在區(qū)域最小矩形的面積。矩形度反應(yīng)了物體對其最小外接矩形的充滿程度。通過實R驗對火焰及其他干擾物圓形度進行統(tǒng)計，結(jié)果如表 2 所示。表2中可以看出火焰的矩形度一般在0.5左右，而其他干擾物的圓形度的值一般與火焰區(qū)域矩形度差別較大。4.3. 重心高度系數(shù)體現(xiàn)了物體重心高度與物體總高度的關(guān)系，其公式定義如式所示：HRatio =(7)CH其中H 為物體重心高度， 為物體總高度。HC從表3 中可以看出火焰的重心高度系數(shù)小于0.5一些重心偏上和靠近中央的物體，如白熾燈，但

14、難以區(qū)分重心偏下的汽車尾燈。1234519.3423.4752.54218.3764.8252.58218.2514.9352.79217.2463.5753.14218.3673.6572.905Table 2. Statistics of rectangular degree of flame and distractions表 2. 火焰及其他干擾物的矩形度統(tǒng)計123450.5620.9480.2080.5530.9520.2100.4750.9580.2050.4890.9480.2120.5050.9440.208123450.4640.5740.4210.4650.5750.431

15、0.4620.5770.4380.4710.5780.4390.4700.5770.440175李凱 等5. 實驗結(jié)果與分析本文的實驗環(huán)境為Visual C+ 6.0 ，調(diào)用Opencv 圖像處理庫編程實現(xiàn)火焰檢測?；九渲脼椋篈MD A6-3400M APU with Radeon(tm) HD Graphics 1.4 GHZ內(nèi)存：4G，實驗中用火焰區(qū)域所占的比重來分等級，具體使用紅、黃、綠表示火災(zāi)的級別，即高級、中級、低級。在論文14圖 35可以看出本文方法火焰的顏色(a) 第10幀(b)第20幀(c)第30幀F(xiàn)igure 3.Detection results of Video 1圖3

16、. 第一組視頻檢測結(jié)果(a) 第12幀(b)第16幀(c)第20幀F(xiàn)igure 4.Detection results of Video 2圖4. 第二組視頻檢測結(jié)果(a) 第6幀(b)第18幀(c)第24幀F(xiàn)igure 5.Detection results of Video 3圖5. 第三組視頻檢測結(jié)果176李凱 等特征提取的火焰區(qū)域更加完整，更加準(zhǔn)確，但是背景差分將固定的圖像作為背景圖像時，周圍許多的環(huán)境因素會不同程度上影響到檢測的準(zhǔn)確性。實驗結(jié)果也表明，一般情況下自然環(huán)境中的火災(zāi)重心高度系數(shù)會隨著燃燒時間而變大，但是最大不會超過0.45。6. 結(jié)束語之后利用火焰的顏色及形狀特征進一步提

17、取較為完整的火焰區(qū)域。在實際的火焰檢測中背景差分取得的運動目標(biāo)區(qū)域非常完整，但是在顏色特征的提取中閾值是通過多次試驗來確定的，同時在檢測中外界環(huán)境復(fù)雜，這些將會造成一定的誤檢或漏檢。在下一步的實驗中，閾值的控制仍然是一個重點。由于視頻庫視頻數(shù)量有限，在以后的實驗中將會適當(dāng)?shù)臄U充實驗視頻數(shù)量，并引入其它有效特征以進一步研究多特征融合方法。基金項目333 工程”(BRA2013208)(201411049063X)；淮安市“533”資助。參考文獻 (References)1 范一舟, . 基于視頻的林火煙霧識別方法J. 清華大學(xué)學(xué)報, 2015, 55(2): 243-256.2 Chen, T.

18、H., Wu, P.H. and Chiou, Y.C. (2004) An Early Fire-Detection Method Based on Image Processing. Interna-tional Conference on Image Processing(ICIP), Taiwan, 24-27 October 2004, 1707-1710.3 Toreyin, B.U., Dedeoglu, Y. and Cetin, A.E. (2005) Flame Detection in Video Using Hidden Markov Models.Pro-ceedin

19、gs of IEEE International Conference on Image Processing, , 1230-1233.4 王瑩, 李文輝. 基于多特征融合的高精度視頻火焰檢測算法J. 吉林大學(xué)學(xué)報: 工學(xué)版, 2010, 40(3): 769-775.5 Wirth, M. and Zaremba, R. (2010) Flame Region Detection Based on Histogram Back Projection. 2010 CanadianConference on Computer and Robot Vision (), Ottawa, 31 Ma

20、y 2010-2 June 2010, 167-174.6 Horng, W.B., Peng, J.W. and Chen, C.Y. (2005) A New Image-Based Real-Time Flame Detection Method Using Col-or Analysis. Proceedings of 2005IEEE International Conference on Networking, Sensing and Control, Tucson, 19-22March 2005, 100-105.7 Habiboglu, Y.H., nay, O. and C

21、etin, A.E. (2012) Covariance Matrix-Based Fire and Flame Detection Method inVideo. Machine Vision and Applications, 23, 1103-1113. /10.1007/s00138-011-0369-18 Li, Y.-C. and Wu, W. (2011) Visual Fire Detection Based on Data Mining Technique. 2011 1st International Confe-rence on Robot.Vision and Signal Processing, , 238-331.9 Jenifer