基于多特征匹配的視頻圖像火災(zāi)火焰檢測方法研究

楊亞潔，薛 靜，喬鴻海，劉 宇

（西北工業(yè)大學 自動化學院，陜西 西安 710072）

基于多特征匹配的視頻圖像火災(zāi)火焰檢測方法研究

楊亞潔，薛 靜，喬鴻海，劉 宇

（西北工業(yè)大學 自動化學院，陜西 西安 710072）

相對傳統(tǒng)的視頻圖像火災(zāi)檢測方法，提出一種基于多特征匹配的視頻圖像火災(zāi)火焰檢測方法。首先，算法采用改進的混合高斯分塊模型對監(jiān)控畫面中的動態(tài)區(qū)域劃分；再利用顏色概率統(tǒng)計模型提取動態(tài)區(qū)域的顏色特征，并分割出疑似火災(zāi)區(qū)域；最后，通過統(tǒng)計疑似火災(zāi)區(qū)域圓形度特征并判斷火災(zāi)火焰是否存在。實驗表明：算法對火災(zāi)火焰的檢測識別準確率較高，并具有較好的實時性和抗干擾性。

火災(zāi)火焰檢測；改進混合高斯分塊模型；顏色概率統(tǒng)計模型；區(qū)域圓形度特征

智能視頻監(jiān)控系統(tǒng)是智能消防安全系統(tǒng)(Intelligence Fire Safety System)中的重要組成部分。基于視頻圖像的火災(zāi)檢測方法也成為目前火災(zāi)檢測技術(shù)的重要研究方向之一。Tian Qiu[1]等學者提出利用自適應(yīng)邊緣檢測來提取火焰尖角特征，作為火災(zāi)識別判斷的依據(jù)。但是對于航拍、野外拍攝等距離較遠的情況下，上述方法難以實現(xiàn)。胡國良[2]等人同時也提出利用混合高斯模型(Gaussian Mixture Model)進行火災(zāi)動態(tài)目標的檢測。但是，傳統(tǒng)的混合高斯模型在火焰目標檢測過程中，實時性較差并且火焰中心處會出現(xiàn)“空洞”現(xiàn)象，導(dǎo)致一些火災(zāi)區(qū)域的漏檢。

針對上述各種火災(zāi)識別方法的不足，本文提出了一種基于多特征匹配的火災(zāi)檢測算法。首先，利用改進混合高斯分塊模型對畫面中的火焰動態(tài)區(qū)域進行檢測。然后，采用顏色概率統(tǒng)計模型對動態(tài)區(qū)域像素點進行顏色特征的提取，準確地分割出疑似火災(zāi)區(qū)域。最后，提取疑似火災(zāi)區(qū)域的區(qū)域圓型度特征，并通過觀察邊緣變化離散度來判定是否存在火災(zāi)火焰。

1 改進混合高斯分塊模型的火災(zāi)區(qū)域檢測

1.1 混合高斯分塊模型機理

火焰在燃燒的過程中，由于氣流、氣壓以及溫度等影響，火焰影像呈現(xiàn)出運動特性。混合高斯模型對火災(zāi)動態(tài)區(qū)域能夠進行較為精確地檢測，從而排除大量的背景干擾區(qū)域。傳統(tǒng)混合高斯模型計算復(fù)雜度較高，實時性較差。本文將監(jiān)控畫面轉(zhuǎn)換為灰度圖像[3]，并將監(jiān)控畫面劃分成若干個3×3的像素塊，求其像素塊的均值和方差。每個像素塊的灰度均值和方差代替區(qū)域內(nèi)的像素點進行混合高斯模型的建立和學習，這樣極大地減少了運動區(qū)域檢測的計算量。

其中T1度量了背景高斯成分在整個概率分布中所占的最小比例，T1取經(jīng)驗值為0.65。

1.2 改進背景學習更換變量

火焰的燃燒特點是外焰變化較為頻繁，頻率達到10 Hz以上。而內(nèi)焰和焰心的變化頻率要遠低于外焰變化的頻率。傳統(tǒng)混合高斯模型的背景更新采用的是固定頻率，對于變化速率較慢的目標檢測效果較差。在燃燒的過程中，火焰內(nèi)焰和焰心灰度值的變化逐漸穩(wěn)定，混合高斯模型會利用其作為新的模型參數(shù)，導(dǎo)致監(jiān)控畫面中將形成不規(guī)則的火焰輪廓，并且中心處出現(xiàn)“空洞”的現(xiàn)象，導(dǎo)致一些火災(zāi)區(qū)域的漏檢(如圖1(b))。

本文利用改進混合高斯模型[4]結(jié)合了背景差法，增加了背景訓練變量，用于改良背景模型的更新方式。

其中，TraBj,t代表了第M個像素塊均值在第t幀時刻背景學習變量，學習效率為0.012，幀差閾值T2為15，背景更新閾值Tc為25；當match=1時，當前像素塊均值與背景像素塊匹配，算法認定為背景像素塊，然后利用混合高斯分塊模型進一步的檢測運動前景。否則，算法將認定為目標前景像素塊，并且在后續(xù)視頻序列繼續(xù)保留。

在燃燒的過程中，內(nèi)焰和焰心處的像素塊的均值變化逐漸穩(wěn)定，但算法保留了其目標前景像素塊，不再使用混合高斯模型進行前景檢測。從而，內(nèi)焰和焰心區(qū)域避免了誤判為背景區(qū)域，并造成“空洞”的現(xiàn)象(如圖1(b))。其中，圖1為火災(zāi)動態(tài)區(qū)域檢測仿真結(jié)果圖，其中(a)為火焰視頻序列；(b)為混合高斯模型的火焰視頻序列檢測結(jié)果；(c)為改進混合高斯模型的火焰視頻序列檢測結(jié)果。圖2為改進混合高斯分塊模型算法流程。

圖1 火災(zāi)動態(tài)區(qū)域檢測仿真結(jié)果圖Fig. 1 Result of fire dynamics area detection simulation

2 基于概率統(tǒng)計模型的顏色特征識別

火焰顏色由于溫度的影響，從焰心到外焰的顏色順序為暗紅、紅、橙黃、黃和淡藍色。文獻[2]中提出對R、G、B 3個分量設(shè)定相應(yīng)的閾值，進行顏色特征提取及其區(qū)域分割。此方法簡單易行，但檢測效果欠佳(如圖3(b))。基于顏色概率統(tǒng)計模型[5]的方法進行顏色特征提取及其區(qū)域分割。通過先驗統(tǒng)計知識，火焰樣本中R、G、B 3個分量，R分量值大于B分量值，B分量值大于G分量值。每個分量都可以近似服從高斯概率分布。圖像預(yù)處理過程中，采用3×3的均值濾波器對其圖像3個分量進行平滑處理，消除部分高斯噪聲。同時確定每個分量中的像素點大小為其8領(lǐng)域的均值，待測樣本空間大小為9。

圖2 改進混合高斯分塊模型流程圖Fig. 2 Flowchart of improved Gaussian mixture block model

Dc反映了概率模型下的置信度值，用于檢測像素點是否符合火焰顏色特征。公式(11)中，利用曲線擬合的方法將分段函數(shù)來代替概率密度函數(shù)計算概率值的大小，提高算法的執(zhí)行效率。通過公式(12)進行火災(zāi)區(qū)域的二值化圖像分割。

其中，置信度閾值T3為3.5; λ為權(quán)重參數(shù)；ω為權(quán)重比率，并滿足 ω1>ω3>ω2的關(guān)系。仿真實驗表明：顏色概率統(tǒng)計模型相對于閾值模型能夠?qū)鹧嫒紵齾^(qū)域進行更為準確地分割。圖3為顏色特征檢測仿真結(jié)果圖，其中(a)為火災(zāi)圖像；(b)為閾值模型的火焰區(qū)域檢測結(jié)果；(c)為顏色概率統(tǒng)計模型的火焰區(qū)域檢測結(jié)果。

圖3 顏色特征檢測仿真結(jié)果圖Fig. 3 Results of color feature detection simulation

3 基于區(qū)域圓形度的火災(zāi)動態(tài)特征提取

火災(zāi)發(fā)生過程中，火焰的輪廓相對其他特征更容易檢測，并且具有閃爍、跳動、搖擺等特點。算法對疑似火災(zāi)區(qū)域的圓形度[6]進行提取和識別，分辨出干擾區(qū)域(燈光、燭光以及身著紅黃顏色外套的行人)和火災(zāi)區(qū)域。區(qū)域圓型度(Zone Circularity)是表征在視頻序列中，區(qū)域輪廓變化程度的特征量。設(shè)監(jiān)控畫面在第t幀圖像中第m個區(qū)域的圓形度為cmt。

首先，利用邊緣檢測算子對疑似火災(zāi)區(qū)域進行邊緣檢測，得到檢測區(qū)域的輪廓；然后，提取檢測區(qū)域進行區(qū)域的圓形度特征。視頻采集過程中，取前n1幀為訓練樣本，按照公式(16)計算訓練樣本均值Etrair(t;m)；公式(17)計算訓練樣本方差(t;m)，其中(t;m)表示了訓練樣本的區(qū)域邊緣變化的離散度。

通過采集當前檢測區(qū)域的n2幀圖像作為觀測樣本，按照公式(14) 、(15)、(16)、(17)計算觀察樣本的區(qū)域圓形度均值Eobs(t;m)。若滿足條件 |Eobs(t;m)-Etrd(t;m)|≤ 16δ2train(t;m)，則觀測樣本與訓練樣本匹配，判斷檢測區(qū)域為干擾區(qū)域；否則，算法判定為火災(zāi)區(qū)域。圖4為視頻序列中的區(qū)域圓形度仿真測試結(jié)果。

圖4 視頻序列中的區(qū)域圓形度仿真測試結(jié)果Fig. 4 Results of video sequence region circularity simulation test

4 實驗結(jié)果及其分析

4.1 實驗條件及其流程圖

實驗計算機的配置為處理器Intel Pentium 4 CPU、2G內(nèi)存、操作系統(tǒng)為Microsoft Windows XP Professional。實驗的編寫環(huán)境為VC++6.0。

首先進行程序的初始化預(yù)先設(shè)置，包括視頻圖像參數(shù)、混合高斯分塊模型和火焰樣本中的參數(shù)初始化等。當視頻信息輸入時，進行圖像的預(yù)處理，利用改進混合高斯分塊模型檢測和分割出動態(tài)區(qū)域；然后，程序僅對動態(tài)區(qū)域采用顏色概率模型進行像素級的火焰顏色特征提取；符合火焰顏色特征的區(qū)域進行邊緣輪廓檢測，計算其區(qū)域圓形度值。通過將鄰近10幀作為觀測樣本，計算出觀測樣本的區(qū)域樣本均值。最后，判定監(jiān)控畫面是否存在火災(zāi)區(qū)域并顯示。其中，圖5為程序主流程圖。

圖5 程序主流程圖Fig. 5 Main flow chart of program

4.2 結(jié)果分析

1 ) 火災(zāi)火焰檢測部分。根據(jù)圖4得到對比實驗數(shù)據(jù)，取視頻序列的前30幀為訓練樣本。通過對布置模擬火災(zāi)場景(包括室內(nèi)和戶外)的視頻和導(dǎo)入真實的火災(zāi)場景視頻進行實驗。本文算法的火災(zāi)視頻檢測結(jié)果為圖6所示。

其中，圖6(a)和(b)反映了算法能夠在室內(nèi)和戶外對火災(zāi)區(qū)域進行較為正確的檢測；圖6(c)和(d)反映了算法能夠區(qū)分火災(zāi)區(qū)域和干擾區(qū)域(身著干擾顏色衣服的行人)。實驗表明：算法能夠較為準確地檢測火災(zāi)區(qū)域，平均正確率達到93.9%，并對干擾物有分辨能力。其中，表1為檢測正確率測試結(jié)果。

圖6 本文算法的火災(zāi)視頻檢測結(jié)果Fig. 6 Results of fire video detection algorithm

表1 檢測正確率測試結(jié)果Tab.1 Result of detection accuracy test

2）實時監(jiān)控部分。通過對錄制的監(jiān)控畫面分析，算法平均每幀處理時間為49.2 ms以下，系統(tǒng)每秒能夠處理20幀以上，基本滿足實時性的要求。其中，表2為時間指標測試結(jié)果。

表2 時間指標測試結(jié)果Tab.2 Result of timing indicators test

根據(jù)兩部分實驗綜合表明，本文方法識別正確率較高，并具有實時性的要求，尤其在視頻(b)中拍攝地點較遠，火焰尖角和閃爍特征不明朗的特殊場景條件下，本文方法有著較好的識別效果。

5 結(jié) 論

本文提出基于火災(zāi)影像的動態(tài)特性、顏色特征以及火焰區(qū)域圓形度多特征匹配的視頻圖像火災(zāi)識別方法。首先，利用改進混合高斯分塊模型檢測火災(zāi)動態(tài)區(qū)域，提高了運動目標檢測速率并且減少了火焰圖像中的“空洞”現(xiàn)象；其次，采用顏色概率模型進行顏色特征提取，分割出更為準確的疑似火災(zāi)區(qū)域并去除了大量的無關(guān)背景區(qū)域；最后，利用區(qū)域圓形度特征值完成火災(zāi)區(qū)域和干擾區(qū)域的辨識。該方算法識別準確性較高，具有實時性和抗干擾性；算法復(fù)雜度適中，可移植性強，適合于嵌入式火災(zāi)自動檢測裝置中的運用。

[1] TIAN Qiu,YONG Yan,GANG Lu.An auto adaptive edge-Detection algorithm for flame and fire image processing[J].Instrumentation and Measurement,IEEE Transactions on,2012,61(5):1486-1493.

[2] 胡國良,江熹,王少龍. 基于多特征融合的視頻火焰檢測技術(shù)研究[J].機械設(shè)計與制造,2012(7):213-215.

HU Guo-liang, JlANG Xi,WANG Shao-long.Research of video flame detection based on muni-feature integration technoIogy[J].Machinery Design and Manufacture,2012(7):213-215.

[3] 蘇兵,李剛,王洪遠. 基于改進高斯混合模型的運動目標檢測方法[J].計算機工程,2012,2(38):210-212.

SU Bing,LI Gang,WANG Hong-yuan.Detection method for moving object based on improved gaussian mixture model[J].Computer Engineering,2012,2(38):210-212.

[4] Tianci Huang,Jingbang Qiu,Sakayori,T.Motion Detection Based On Background Modeling And Performance Analysis For Outdoor Surveillance[C]//Computer Modeling and Simulation,2009.ICCMS '09.International Conference on,2009:38-42.

[5] Borges P V K,Izquierdo E.A probabilistic approach for vision-based fire detection in videos[J].Circuits and Systems for Video Technology,IEEE Transactions on,2010:721-731.

[6] Li Hong-liang,Liu Qing,Wang Sun'an,A Novel Fire Recognition Algorithm Based on Flame's Multi-features Fusion[J].Computer Communication and Informatics,2012 International Conference on,2012,20(5):1-6.

Research of fi re fl ame detection method in video image based on multi-features matching

YANG Ya-jie, XUE Jing, QIAO Hong-hai, LIU Yu
（ College of Automation, Northwestern Polytechnic University, Xi'an 710072, China）

Compared the traditional method of fire detection in video image, a method based on the multi-features match for fire flame detection was presented. Firstly, this method employ improved Gaussian mixture block model to divide the dynamic area in the monitor screen; secondly, method employ color probability statistical model to extract the color feature of dynamic area and segment the suspected fire area; Finally, calculating the zone circularity characteristics of suspected fire area can judge the existence or not existence of fire. The experimental results show that this method can recognize the fire flame area accurately and has real-time monitoring ability and anti-interference.

fire flame detection; improved gaussian mixture block model; color probability statistical model; zone circularity characteristics

TN702

A

1674-6236(2014)03-0186-04

2013–06–15 稿件編號：201306094

西北工業(yè)大學研究生創(chuàng)業(yè)種子基金(Z2012109)

楊亞潔(1990—)，女，河南三門峽人，碩士。研究方向：系統(tǒng)工程。