一種改進的火災顏色模型檢測算法

楊孟拓，李 潔，付 洋，宋煥生，盧勝男

(長安大學陜西省道路交通智能檢測與裝備工程技術研究中心，陜西 西安 710064)

責任編輯:任健男

像火焰圖像這樣顏色特征非常明顯的一類圖像，利用顏色提取技術就能夠很好地識別出背景區域和火焰區域。人們針對于圖像類的火災檢測技術已經展開了深入的研究，提出了多種基于顏色模型的檢測方法。如Bo-Ho Cho［1］等人提出了基于RGB和HSI的火焰檢測顏色模型，該模型能避免檢測出與火焰顏色接近的背景區域，但是檢測出的火焰區域并不完整;王瑩［2］等人提出了基于RGB，HSV和YCbCr的火焰檢測顏色模型，該模型能比較準確完整地檢測到火焰區域，但是在部分背景顏色與火焰顏色相似度差別不大或是背景亮度很高的的情況下，會出現大量的干擾;Wen-Bing Homg［3］等人提出了基于HSI建立顏色模型的方法，該方法實現簡單，主要就涉及到一種色彩空間，但是，在實際應用中容易出現太多干擾，適用性比較差;Yunyang YAN［4］等人提出了基于 I1，I2，I3的顏色模型，該模型火焰檢測效果好，誤判率低，檢測速度快，但是當火焰背景亮度過高、火焰和背景的亮度差別不明顯等情況存在的時候，很容易造成誤判;喬繼斌［5］等人提出了基于YCbCr的顏色模型，同時又在HSI色彩空間上采用相似距離法去除噪點，雖然這種方法檢測效果有所改善，但由于只是單一的采取一種模型作為判斷依據或是現實場景的復雜度等原因，造成檢測結果很不理想，仍然會出現較大的干擾或者發生誤判。

本文考慮到圖像中的復雜場景，既要準確地提取火焰區域，消除一定的干擾，又要有較快的檢測速度。在分析前述幾種常用顏色模型的基礎上，針對它們存在的不足，給出一種改進的基于顏色模型的圖像型火災檢測方法。首先結合HSI顏色模型和YCbCr顏色模型對火災圖像進行預處理提取出可能火焰區域，并在HSI空間上采用顏色空間距離法去除噪聲。實驗結果表明，本文給出的顏色模型比常見的幾種顏色模型有較明顯的綜合優勢，能夠準確地識別火焰區域，并能在一定程度上消除干擾，具有一定的適用性。

1 火焰檢測的原理

在草場、森林、隧道等場景中，火焰顏色相對而言是比較固定的，一般是處于紅黃之間。又因為火焰是一種典型的最強烈的源光，所以火焰附近的像素亮度在大多數情況下處于飽和狀態。與其他特征相比，顏色特征是火焰圖像最為顯著的特征之一，并且顏色特征計算相對簡單、速度快，對于平移、旋轉、尺度變換等不敏感，具有很強的穩健性。因此顏色特征在很多文獻中被作為火焰的最重要的特征，并根據它進行一系列的火焰檢測或前期檢測［5］。

本文從不同的來源(網絡、照相等)收集了324張大小不等的包含火焰信息的彩色圖片，其中包含不同光照、不同場景和遮擋等情況下的火焰信息，共包含27712304個像素，其中含有火焰信息的像素有2834743個。還從網上等來源收集了237張大小不等的不包含火焰信息的彩色圖片(包含一些疑似火焰的圖像)，從中隨機抽取了3189435個非火焰像素。對2834743個火焰像素和3189435個非火焰像素的彩色特征、顏色分量及其關系進行統計分析，發現火焰顏色的分布狀況與其他的發光物體的顏色分布不同，總結歸納得出含有火焰信息的圖像中各個像素的彩色特征的分布、顏色分量及其相互關系。通過這些結論就可以建立相應的顏色模型。

火焰檢測算法就是對火焰圖像中的所有像素進行逐點掃描，如果像素顏色屬于顏色模型當中所設置的范圍，則將之劃入可能火焰區域。

2 幾種常見火焰顏色模型的分析

每一種顏色模型都有它本身的特點，沒有哪一種顏色模型能解釋所有的顏色問題，具體應用中采用哪種顏色模型要根據應用的具體情況以及顏色模型的特點而定，因此常常通過使用不同的模型或同時采用多種模型來幫助說明能看到的顏色特征。

目前，用于火災檢測的顏色模型有很多種，本節就以下幾種常見的顏色模型進行分析。

2.1 基于RGB的模型

火焰具有特殊顏色分布規律，通過顏色特征進行判斷，可以濾除掉大部分的非火焰目標。自然界的中任一顏色都可以通過R，G，B基色按不同的比例混合而成。對于火焰區域的像素，一般紅色通道的值大于綠色通道的，綠色通道的值大于藍色通道的，并且在大部分火焰顏色中紅色通道的顏色飽和度是最高的。文獻［1］和文獻［2］都基于火焰顏色在RGB色彩空間中最典型的規則進行建模:

Rav是R的平均值。

文獻［5］中也采用了火焰在RGB色彩空間的一些特征:

由于RGB色彩空間對光照亮度變化比較敏感，采用比值G/R，B/G，B/R，即不同顏色分量之間相對比值的特征來消除光照變化的影響，和將RGB色彩空間轉換到其他對光照變化不敏感的色彩空間(如HSV)等降低光照變化影響的方法相比，計算既簡單又省時。

2.2 基于HSI的模型

HSI把顏色分成了3個特征:色調或色相H(Hue)，可表示各種顏色的種類;明度或亮度I(Intensity)，可用來表示明暗;飽和度或彩度S(Saturation)，可用來表明顏色的鮮艷程度。HSI顏色模型更符合人眼對景物顏色的感知。

根據文獻［6］顯示，98%以上的火災早期所產生的火焰的顏色都介于紅色和黃色之間，并且火焰附近的像素亮度在大多數情況下處于飽和狀態。在HSI空間中，紅色和黃色的色調范圍在0～60之間。

文獻［3］中基于HSI彩色空間建立的顏色模型，就是以H∈［0，60］，S∈［0.2，1］，I∈［100，255］為火焰分割閾值提取疑似火焰區域。

文獻［5］中在HSI色彩空間上采用相似距離法去除噪點。

2.3 基于的模型

火焰發光、發熱的特征在圖像中表現明顯，主要是該區域的像素點色度值介于紅色和黃色之間，并且亮度值和飽和度明顯高于其他區域的像素點(照明條件理想的情況下)。

文獻［4］使用由RGB經過線性變換后得到的3個正交彩色特征建立了火焰色彩模型。正交彩色特征式分別為

當將上述3個特征用于彩色圖像分割時，I1和I2的特征已很明顯，I1是最佳特征，I2是次佳特征。為了減少計算量，僅使用I1和I2的特征，分布如下

2.4 基于YCbCr的模型

文獻［5］中認為火焰顏色在Cr和Cb空間上基本符合正態分布

如果一個像素點的Cr和Cb滿足公式f(Cr，Cb)＞T，T為一個給定的閾值，則認為該像素點具有火焰顏色。利用YCbCr顏色模型能夠有效地克服光照變化對火焰的影響，但對于那些在色差上與火焰接近的點卻很難區分開，盡管火焰顏色與這些點的顏色差別很大。

3 一種改進的顏色模型

從上面的分析中可以看出，每種算法都有它的局限性，對復雜場景的適應性不夠強，得出的效果并不令人滿意，針對以上幾種算法的不足，本文在YCbCr顏色模型和HSI顏色模型的基礎上，結合YCbCr顏色模型能夠較好地克服日光對火焰的干擾等優點和HSI顏色模型更符合人眼對景物顏色的感知等優點，提出了一個新的顏色模型來檢測火焰區域。

通過攝像頭一般獲取的都是RGB色彩空間的圖像，首先將RGB色彩空間的圖像轉化為YCbCr色彩空間的圖像。轉換公式如下所示

因為火焰顏色在Cr，Cb空間上基本符合正態分布，所以采取下面所示的方法進行檢測。

Cr_av和Cb_av是樣本的數學期望，公式為

式中:Scr和Scb是樣本標準差，A=1/Scr2，B=1/Scr×Scb，C=1/Scb2。

如果一個像素點的Cr和Cb滿足公式f(Cr，Cb)＞T，T為一個給定的閾值，則認為該像素點具有火焰顏色。

在此基礎上，繼續選用HSI顏色模型進行檢測來提高火焰檢測的準確性和可靠性。先將RGB空間的圖像轉化為HSI空間的圖像。轉換公式如下

根據文獻［6］顯示，98%以上的火災早期所產生的火焰的顏色都介于紅色和黃色之間，并且火焰附近的像素亮度在大多數情況下處于飽和狀態。在HSI空間中，紅色和黃色的色調范圍在0～60之間。根據已有文獻顯示和多次實驗，本文選取以下范圍作為火焰分割閾值提取疑似火焰區域:0＜H ＜60，0.2＜S＜1，100＜I＜255。

通過前面的顏色模型可以準確地提取出可能火焰區域，但是當背景中一些區域的色差和亮度與實際火焰十分相似時，檢測效果并不很理想，仍會遺留下一些噪點。同時由于火焰色彩與噪點的色彩有很大的差別，通過像素點的飽和度和色調就可以很容易地將它們區分開。因此可以在HSI色彩空間上采用空間距離法去除噪點，從而提高分割效果。

去噪點的具體檢測方法是:

1)逐個掃描圖像像素點，只要H＜30的點就可以作為基準點a。

2)掃描下一個像素點b，根據步驟1)的條件。

3)a點和b點之間的空間距離D的計算方法如下

4)當a和b像素點的空間距離小于等于閾值T時，可以認為a像素點與b像素點的顏色是相似的，能夠作為火焰的區域點保留。

5)再以b點為基準點，重復步驟2)～5)進行處理，直至掃描完所有的像素點。

在現實復雜的場景中，部分背景的顏色可能會與火焰顏色的相似度很大，用傳統的顏色模型來檢測火焰，會出現較多的干擾和誤判。而改進的顏色模型采用YCbCr顏色模型和HSI顏色模型相結合，利用YCbCr顏色模型能夠較好地克服日光對火焰的干擾，同時采用HSI顏色模型彌補了利用YCbCr顏色模型很難區分開那些在色差與火焰接近的點的不足，因為通過像素點的色調和飽和度就可以很容易將它們區分開，從而有效地克服了這一缺陷。當然，就模型效果而言，采用HSI顏色模型和YCbCr顏色模型相結合，也比單一的采取其中一種顏色模型的效果要好。由于是在HSI顏色模型和YCbCr顏色模型的基礎上做的，故處理時間會比單一地采取其中的一種顏色模型稍長，但幾乎可以忽略不計。

4 實驗結果及分析

本文采用500多幅火災圖像對本文所提出的火焰檢測方法進行性能評價，并與其他火焰檢測方法進行比較，如表1所示。

表1 各種顏色模型關于檢出率和誤報率的比較

表1中清楚地反映了改進的模型在保持準確檢測率的同時，能最大程度地減少誤報率。

這里主要給出三種典型場景的火焰檢測結果(如圖1～圖3所示)。第一種場景中，背景中出現和火焰顏色相似度很大的雜點，如學生衣服上的白色和紅色部分，以及外殼是紅色的滅火器等。第二種場景中，火焰上方漂浮著大量的煙霧，對火焰的亮度有一定的影響。第三種場景中，背景中出現不同顏色的廣告牌。

圖1 在第一種場景中不同模型提取的火焰區域

在第一種場景中(見圖1)，基于RGB，HSV，YCbCr的模型和基于HSI的模型檢測出來的效果都很不理想，出現了大量的干擾，基于YCbCr的模型干擾較少，基于I1，I2，I3的模型和改進的模型檢測效果較為理想。

為了比較基于I1，I2，I3的模型和改進模型的不同，引入了第二種場景(見圖2)，實驗結果表明，基于I1，I2，I3的模型識別的火焰區域非常不完整，出現了大量缺失，可見這種模型在火焰亮度低的情況下，效果并不理想。而改進的方法都能較好地識別出火焰區域。

為了說明基于YCbCr的模型和改進的模型的不同，繼續進行比較(見圖3)。基于YCbCr的模型出現了明顯的誤判，把廣告牌也識別成了火焰區域，通過分析，是閾值的選取問題，可是通過更改閾值，干擾消除了，換種場景，識別的火焰區域又會非常不完整，使這種模型沒有很好的適用性。而改進的模型通過HSI模型彌補了這一點，又因為火焰附近的像素亮度在大多數情況下達到飽和，可以在YCbCr模型的基礎上做進一步檢測，不需要頻繁更改閾值。從結果也可以看出，改進的模型能正確識別火焰區域，效果較為理想。

從實驗結果可以看出，本文提出的改進的顏色模型優于傳統的顏色模型，在準確檢測出火焰區域的同時，在一定程度上能夠有效的消除干擾，并且適用性較強。

5 結論

本文討論了幾種常見的用于火災檢測的顏色模型，并分析比較了這些模型的優缺點，針對它們的不足，提出了一種新的顏色模型。改進的模型克服了已有的缺點，可以準確地提取出火焰區域，抗干擾能力強，適用性強，效果優于其他常用的算法。

本文所提出的算法僅使用了火焰的靜態顏色特征，取得了較好效果。進一步可研究選取更有效的火焰靜態特征，并結合火焰的動態特征進行火災檢測的方法。

［1］CHO B，BAE J，JUNG S.Image processing-based fire detection system using statistic color model［C］//Proc.International Conference on Advanced Language Processing and Web Information Technology.Washington，DC，USA:IEEE Computer Society Press，2008:245-250.

［2］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］.吉林大學學報，2010，40(3):769-775.

［3］HOMG W，PENG J，CHEN C.A new image-based real-time flame detection method using color analysis［C］//Proc.the 2005 IEEE International Conference on Networking，Sensing and Control.Tucson，Arizona，USA:IEEE Press，2005:100-105.

［4］YAN Yunyang，GUO Zhibo，WANG Hongyan.Fire detection based on feature offlame color［C］//Proc.Chinese Conference on Pattern Recognition，2009.［S.l.］:IEEE Press，2009:1-5.

［5］喬繼斌.基于圖像處理技術的火災檢測［D］.沈陽:沈陽工業大學，2008.

［6］馬宗方，程詠梅，王慧琴.基于顏色模型和稀疏表示的圖像型火焰探測［J］. 光子學報，2011，40(8):1220-1224.