基于LVQ神經網絡的視頻監控圖像火焰檢測與識別算法*

王 雨，陳淑榮

（上海海事大學 信息工程學院,上海 201306）

近年來，基于視頻監控圖像的火焰檢測和識別成為一個新興的熱點[1-3]。為了克服傳統火災檢測技術不穩定和誤判率高的缺點，采用視頻分析的火焰檢測通常通過分析彩色視頻輸入信號的顏色、時間和空間變化進行火災檢測和預警，與傳統火災監控系統相比具有準確度高、成本低、使用范圍廣等優點。隨著計算機模擬視覺的發展，利用人工神經網絡的自學習和自適應能力對火焰的特征參數進行多特征融合[4]，能提高系統的穩定性與準確性。以往研究多采用BP神經網絡[5]和基于梯度下降的非線性優化策略識別火焰，容易陷入局部最小問題，而不能求出全局最小值。

本文提出了一種基于火焰動態特征分析和神經網絡模型的監控視頻火焰檢測方法，利用火焰圖像序列的離心率、放射性（Solidity）、整體移動等特征信息，結合線性分類功能更強的學習向量量化(LVQ)神經網絡訓練并準確識別和分類可疑火焰,解決了傳統BP神經網絡火焰信息識別的缺陷。

1 可疑火焰動態特征提取

視頻監控圖像中的火焰檢測需要提取火焰區別于其他物體的基本特征。火焰的動態特征最具特色也很復雜，表現為火焰閃爍、區域形變、邊緣的隨機運動和抖動等。本文特征提取的實驗場景中的可疑火焰區域存在真實火焰和可疑干擾火焰，即蠟燭光和手電光。圖1所示為監控視頻錄像中提取的一幀圖像的灰度圖像，從左到右包含蠟燭光、手電光和真實火焰,閾值分割后的圖像如圖2所示。本文提出的算法針對閾值分割后的火焰圖像序列的離心率、放射性和整體移動特性等多個動態特征進行分析和識別。

1.1 離心率（圓形性）檢測

火焰的形體變化、空間取向變化和抖動等具有不確定特征。離心率反映了分割出的可疑區域趨于圓形的程度,定義為區域長軸與短軸尺寸之比，即：

DL和DS分別表示區域最小邊界矩形的長和寬。離心率越大，區域為圓形的概率就越小[6-7]。手電光和蠟燭光等非火焰物的形狀特征趨于圓形，因此區域的離心率偏小，趨于零。

根據式(1)分別計算連續100幀圖像序列中蠟燭光、手電光和火焰3個可疑區域的離心率變化，如圖3(a)所示。可見,真實火焰的離心率明顯大于干擾物的離心率，因此選擇離心率作為火焰識別的參數之一可行。

1.2 放射性檢測

由圖2可見，真實火焰圖像的邊緣特征明顯，存在抖動特征、邊緣粗糙且邊緣鋸齒區域大，而手電燈光和蠟燭光等非火焰圖像的邊緣比較穩定、光滑，可根據這一動態特征檢測和驗證火焰區域。放射性性質反映了分割出的可疑區域邊緣的粗糙程度，定義為[8-9]：

其中，面積SArea為可疑區域經二值化后的像素和；面積SConvexArea為包圍可疑區域的最小凸多邊形的像素和。相對面積是二值圖像可疑區域Ω所包含像素點數，如式(3)所示，其中，f(i,j)為大小為 M×N的圖像在(i,j)的灰度值，pk為 f(i,j)為 1的頻率，則：

根據式(2)分別計算連續100幀圖像序列中蠟燭光、手電光和真實火焰3個可疑區域的Ssolidity值，仿真結果如圖3(b)所示。可見，真實火焰區域的Ssolidity明顯小于干擾可疑火焰，因而Ssolidity可以作為動態火焰識別的參數之一。

1.3 火焰整體移動檢測

火焰在燃燒過程中隨著舊的燃燒物燃盡和新的燃燒物被點燃，其中心具有一定的移動速度。為了度量這一特征，需先確定火焰的中心。火焰亮度分布特征通常是中心部分亮度高，外焰亮度相對較低。因此，以像素點的亮度值（即I值）為權，采用加權平均來計算火焰中心。 I(x，y)表示火焰亮度圖像，則火焰中心(X，Y)為[10]：

用 In(x，y)、In+1(x，y)表示相鄰兩幀圖像,(Xn，Yn)、(Xn+1，Yn+1)分 別 表 示 它 們 的 火 焰中心,則相鄰兩幀圖像質心移動距離[8]為：

自相關函數為：

RVV反映了相鄰兩幀圖像質心距離變化的相關程度。

根據式(6)分別計算蠟燭光、手電光和真實火焰3個可疑區域中連續100幀圖像序列中相鄰幀的質心移動距離，如圖3(c)所示。可見，真實火焰和干擾物的質心都有移動，但真實火焰的質心移動比較明顯。根據式(7)計算出質心移動距離的自相關函數，如圖3(d)所示。可見,真實火焰的質心移動距離的自相關性明顯偏大，因此可以選取質心移動距離的自相關函數識別動態火焰參數。

2 基于LVQ神經網絡的火焰圖像識別算法

針對以上動態火焰特征分析，結合線性分類功能更強的學習向量量化(LVQ）神經網絡，提出一種基于離心率、放射性和整體移動性等特征信息融合的火焰識別LVQ神經網絡模型，如圖4所示。

圖4 LVQ神經網絡火焰特征識別模型

算法識別步驟如下：

(1)提取實驗場景可疑區域的火焰樣本圖像序列的特征參數（離心率、放射性值和整體移動），建立樣本數據庫，對數據進行預處理。

(2)對LVQ神經網絡競爭層的各神經元權值向量Wj1(0)，j=1,2，…,m賦予小隨機數進行初始化，輸入初始學習速率η(0)和火焰識別的訓練次數tm。

(3)獲取可疑火焰的動態特征向量P=(p1,p2,…,pn),設置參考目標向量T=(t1,t2,…,tl)。

(4)向LVQ神經網絡輸入樣本圖像的特征向量和參考目標向量，進行學習，包括：

①在時間步tm使用Euclid距離準側尋找最匹配 (獲勝)的神經元 i(P)：

②權值調整。如果分類正確，即yk*=tk*=1，按照式(9)修正競爭層的權值向量：

如果分類不正確，即 yk*=1，tk*=0，則按照式(10)修改競爭層的權值向量：

其中，η∈(0,1)為比例系數，反映調整速度;i*w1(t)表示競爭層中第i*個神經元在t時刻的權值。

③返回①進行權值調整，直到達到預設的訓練次數和精度要求。

(5)將可疑火焰樣本圖像的測試樣本集輸入到訓練好的LVQ神經網絡中進行分類。

(6)輸出測試結果并分析，得到真實火焰和干擾物體檢測的識別率，識別方法如表1所示。其中，待測樣本中，真實火焰的個數為A+B,干擾物個數為C+D，火焰識別率為 H=A/（A+B），干擾物識別率為 G=D/(C+D)。

表1 火焰識別系統判定情況分布

3 實驗仿真結果

為了驗證本文提出算法的有效性，實驗采用的樣本圖像分為兩類：(1)室內監控錄像系統拍攝的長 5 min、播放率為25 f/s的視頻序列，其中干擾源是人為設置的燈光、手電光、蠟燭光以及蠟燭體等；(2)網絡上包含火焰的視頻片斷。通過提取每類樣本各129幀火焰圖像，對樣本圖像分割及離心率、放射性和整體移動性等動態特征提取，采取人工輸入方式將每類圖像序列可疑區域的多特征信息輸入到LVQ神經網絡進行訓練，利用訓練好的LVQ神經網絡對待測可疑火焰樣本進行測試。實驗過程中，針對可疑火焰數據庫中的574組數據隨機選取500組作為訓練樣本，74組作為待測試樣本。數據庫文件中每組數據共4個字段，1～3字段為可疑火焰特征（離心率、放射性和整體移動），第4字段為參考目標值，設置1為火焰，2為干擾物。實驗在MATLAB R2009(a)環境中進行仿真，并將LVQ神經網絡和BP神經網絡的仿真結果進行了對比，結果如表2所示。可見，基于LVQ神經網絡的火焰識別準確率更高,具有較好的穩定性；由于采用了火焰的3個基本動態特征，計算量小，使得本算法具有更快的運行速度。

表2 LVQ神經網絡與BP神經網絡對比仿真識別結果

針對目前視頻火災火焰探測存在的不穩定和誤判率高的缺點，本文提出了一種基于視頻分析的可疑火焰檢測算法,首先提取火焰的動態特征，通過火焰識別LVQ神經網絡模型進行特征訓練和測試，并識別真正的火焰。實驗結果表明，利用LVQ神經網絡識別火焰，有效提高了對可疑火焰的快速分類，識別精度高、魯棒性強，為基于視頻監控系統的火災檢測方法提供了理論依據。下一步工作是提取更多的火焰識別特征，優化火焰識別LVQ神經網絡，提高識別速度和精度。

[1]FOO S Y.A rule-based machine vision system for fire detection in aircraft dry bays and engine compartments[J].Knowledge-based System,1995(9):531-541.

[2]HEALEY G,SLATER D,LIN T,et al.A system for realtime fire detection.CVPR’93,1993:15-17.

[3]DAVIS W D,NOTARIANNI K A.NASA fire detection study[R].National Institute of Standards and Technology,TECHNICAL REPORT，1996.

[4]陳娟，汪箭.基于多特征融合的視頻火焰探測方法研究[D].合肥：中國科學技術大學，2009.

[5]劉瀏.基于BP神經網絡的火焰識別系統[J].西昌學院學報:自然科學版，2009，23(4):54－56.

[6]余弦，曾貴華.一種基于軌跡的足球檢測和跟蹤方案[J].計算機工程與應用,2010,46（26）:148-150.

[7]李弼程，彭天強.智能圖像處理技術[M].北京：電子工業出版社，2004.

[8]劉昕雨.基于視頻特征的火災火焰識別算法[D].西安:西安電子科技大學，2009.

[9]仲芩然.基于Mat lab的混紡紗橫截面切片圖像客觀分析法[J].計算機應用，2010,38（6）:60-62.

[10]王亞軍，徐大芳.基于火焰圖像動態特征的火災識別算法[J].測控技術，2007,26（5）：8.