基于Ohta顏色空間的火焰檢測

吳冬梅，楊娟利，王　靜

(西安科技大學 通信與信息工程學院，陜西 西安 710054)

基于Ohta顏色空間的火焰檢測

吳冬梅，楊娟利，王靜

(西安科技大學 通信與信息工程學院，陜西 西安 710054)

摘要:為了提高火焰檢測算法的準確率和滿足實時性的要求，在分析火焰顏色特征的基礎上，提出一種基于Ohta顏色空間并利用最大熵閾值分割法改進的火焰顏色特征模型。該模型可有效提取疑似火焰區域，然后通過光流法分析火焰運動方向特征，進一步判斷是否有火災的發生。實驗結果表明，該算法具有較好的實時性，能夠有效地提高火災識別的準確率，降低誤檢率，在日常消防系統中具有重要的應用價值。

關鍵詞:Ohta顏色空間；最大熵閾值；運動方向

火災是一種最頻發，最普遍的災害之一，它直接危及人類生命財產安全。及時有效地預警火災的發生已經成為社會關注的重大問題。隨著視頻監控設備日益增加和圖像處理技術的發展，視頻火災檢測已經成為研究的焦點，這種新型的火災探測技術，相對于傳統的火災探測方法，其成本低，使用性好。為了有效探測火焰區域，需要分析火焰的本質特征，其主要從運動狀態、顏色，以及方向等多個特征來檢測。在運動檢測方面，Lee等人利用幀間差分法提取火焰的運動區域，該方法速度快，但檢測火焰輪廓不完整，并存在空洞現象[1]。采用背景跟新法提取火焰的運動區域，該方法可以有效地提取火焰的邊緣細節，但對光線影響較大[2-3]。本文結合幀間差分與背景更新法于一體，彌補兩者的缺陷，從而可有效提取火焰的運動區域。在顏色檢測方面，楊陽等人利用YCbCr顏色空間進行火焰檢測[4]，王等人對Chen等人的顏色特征提取方法進行了改進，建立了新的火焰色彩模型，有效地提取火焰顏色區域，但由于RGB、HSV顏色空間相關性較大，易受強光的影響[5-6]。嚴云洋等人對RGB顏色空間進行了修改，得到正交的Ohta顏色空間，該顏色空間能夠很好地彌補RGB顏色空間的缺陷[7]。本文對Ohta顏色空間進行自適應最大熵閾值分割，可充分發揮該顏色空間在火焰檢測上的優勢，同時彌補了嚴云洋的檢測目標不完整的缺點。李濤采用光流法獲得火焰候選區域中每個點在四個方向區域的分布，統計不同區域像素的比例信息得到火焰的方向特征[8]。但采用4個方向不能細致的確定火焰運動方向。

本文通過改進的幀差-背景更新法來提取火焰的運動區域，能夠有效避免幀間差分法和背景更新法的缺點。同時利用Ohta顏色空間的最大熵閾值分割獲得火焰的顏色區域，跟其他顏色空間比，該方法可準確地分割出火焰區域。最后通過判斷火焰的運動方向來進一步去除整體運動的物體。實驗結果表明，本文方法可實時準確地檢查出火焰區域，并進行報警。

1火焰探測模型

通過對火焰特征信息的分析，本文選取火焰燃燒的運動特性、顏色特性以及方向特性進行檢測，其流程圖如圖1所示。首先提取視頻幀的運動目標區域和火焰顏色區域，取交集獲得火焰的感興趣區域，最后通過分析該區域的主運動方向特征來判斷是否為火焰。

圖1　火焰檢測流程圖

1.1火焰運動目標探測

由于火災發生現場多半存在強光干擾以及對實時性、準確性要求比較高，所以本文將結合幀間差分法和背景更新法于一體，實現了兩種方法的優勢互補，結合了背景更新法“可準確提取運動目標”和幀間差分法“對光線不敏感，適應性強”的特點[9]。本文提出的幀差-背景更新法主要分3個步驟，一是利用三幀差分法獲得一幅運動目標圖像；二是根據自適應背景更新法的原理，得到第二幅運動目標圖像；三是將以上兩幅運動目標圖像進行或運算，從而得到最終的運動目標。這樣可有效地排除類似火焰顏色的靜止物體的干擾。

1.2火焰顏色探測

1.2.1Ohta顏色空間

在火焰圖像分割中，選擇合適的顏色空間有著重要的意義。Ohta是ohta等人于1980年提出了一種三正交分量的顏色空間，該空間不僅適應于多種色彩圖像中顏色分割而且對邊緣的檢測有很好的區分能力。它由R、G、B線性轉換得到，其轉換如式(1)[7]。相比其他顏色空間，Ohta顏色空間計算簡單、分量獨立，能提高圖像處理速度。

(1)

其中，I1，I2，I3為Ohta顏色空間的三個正交特征分量。由I3突出的是綠色分量，正好與火焰顏色特征相悖，同時I1，I2顏色分量可以很好地分割火焰區域，為了減少計算量并使之更加適合火焰，所以，本文選取I1，I2的特征作為火焰的顏色分量特征。由于I1代表著顏色空間的亮度，當有火焰存在時，一定伴隨著高亮度，同時為了提高檢測效率，通過實驗本文設定變量I1，I2的取值范圍分別為

I1?[100,220]

(2)

I2?[18,120]

(3)

比對Ohta顏色空間下火焰圖像的I1，I2以及I1+I23個分量，發現I1+I2分量直方圖具有明顯的單雙峰現象，很適合作為火焰的顏色分割變量。

1.2.2最大熵閾值分割

最大熵圖像閾值分割法是Kapur等人于1985年提出來的[10]，根據熵的定義可知，熵是平均信息量的表征，對一副大小為M×N，灰度級為L的圖像，灰度級值為i的像素一共有Ni個，分割閾值為t，t將圖像分割為目標F和背景B，那么圖像目標區域的熵和背景區域的熵分別為

(4)

(5)

式中：pi=Ni/N×M，pi為圖像中灰度級i出現的概率；Pf為目標像素概率之和；Pb為背景像素概率之和；Hf為圖像目標區域的熵；Hb為背景區域的熵。

目的圖像分割的總熵定義為

ω(t)=Hf+Hb

(6)

當ω(t)取最大值時，此時對應的t值為最佳分割閾值。

1.2.3基于最大熵的Ohta火焰區域分割

在Ohta顏色空間中，為了更加準確地分割出火焰區域，本文采用最大熵進行閾值分割。首先，將輸入視頻轉換到Ohta顏色空間，獲得I1、I2色彩分量，通過式(2)、(3)把不需要的范圍濾除。其次，將處理后得到的I1、I2色彩分量與原始的I2色彩分量進行按位與計算，同時返回一個r色彩分量。最后，將r色彩分量進行最大熵閾值分割，從而獲得火焰區域。為了體現本文最大熵自適應閾值分割的優越性，本文隨機選取一段視頻進行分割實驗，并依次列出了原圖、r色彩分量圖的直方圖、通過文獻[7]中顏色空間的分割圖以及本文算法得到的火焰區域，實驗結果如圖2所示。

圖2　最大熵閾值分割結果

當從圖2b可見，在Ohta顏色空間中，返回值r的直方圖具有明顯的單雙峰現象，可以很好地作為火焰的分割變量。對比圖2c和圖2d可見，本文算法提取出來的火焰區域不僅完整，而且可有效去除其他的噪聲以及行人的干擾。

1.3火焰運動方向探測

當火災發生時，火焰在熱量以及渦流的驅使下通常會保持相對穩定位置燃燒而不會做定向運動，而對于整體移動的車輛和行人來講，在一定的時間和空間內，移動軌跡往往是定向的，若不是特殊情況，不會呈現非定向運動。基于這種特征，可以分析一段時間內檢測到感興趣區域的運動光流場作為火焰的最終判別特征。

根據以上的理論要求，文中采用基于相位的方法來計算各像素的運動矢量場，利用Lucas-Kanade稀疏光流法進行[11]跟蹤可以獲得火焰運動的相位信息。假定p(x1，y1)，p(x2，y2)是跟蹤的某一點在相鄰兩幀的位置，那么相位角為

θi=arctan[(y2-y1)/(x2-x1)]

(7)

設定物體運動方向區間共12個，定義編碼1～12的方向角對應0°～360°，每30°一個間隔，順時針分割為12個區域。判斷相位角所屬區間，從而確定火焰的光流矢量方向。

實驗中分別提取火焰視頻和非火焰視頻的運動矢量方向特征，對此擴散過程中的矢量方向進行了統計，實驗結果如圖3～4所示。

圖3　視頻2運動方向示意圖

圖4　視頻4運動方向示意圖

在對比圖3和圖4可以看出火焰的運動方向主要分布在1～7區域，表現為類向上的特點。而整體運動的物體只是在單一方向上有較高的比例，雖然存在一定的干擾比例分布，但主要運動方向還是占明顯優勢。換言之，其主要的運動方向上比例相對較高。設定疑似火焰區域在離散運動方向1～12上的出現次數，分別記為：n1，n2，…，n12，那么在火焰運動中主要運動趨勢所占比例[12]為

(8)

圖5～6是對應視頻2和視頻4中主要運動趨勢的比例分布圖。

圖5　視頻2主運動趨勢比例分布

圖6　視頻4主運動趨勢比例分布

通過上圖對比發現，在火焰視頻中，主運動趨勢分布的比例上還是相對較高的，那么設定一個主運動方向比例α的閾值，當α滿足閾值條件時，即符合主運動方向特征，則進行報警，否則，不符合。本文設定閾值為0.6。

2試驗結果與分析

本文火煙檢測算法是在Vs2010環境下，用C++語言和部分OpenCV庫函數編寫實現。為了驗證算法的環境適應性和準確性，對幾個不同場合的視頻序列進行實驗，所采用的視頻主要來自來源于互聯網。表1描述了本文選取8段視頻情況以及視頻測試結果，表2為對比試驗試驗結果， 本文視頻的幀樣本以及檢測結果比較如圖7所示。

表1視頻火焰檢測結果

視頻序列場景描述總幀數火焰幀數誤檢幀數漏檢幀數準確率/%每幀處理時間/ms1隧道里,無火焰,存在車燈路燈干擾19100010049.82公路上,無火焰,存在行駛的紅色和其他顏色的車輛751044094.145.63室外火焰,伴有輕煙,遠處有行駛的車輛,樹葉擾動3763760299.560.34室外火焰,火焰受風影響不斷偏移、抖動4394390010069.25室內火焰,墻壁以及地板亮度高,地板存在反光,期間存在無火期1801481626550.46庭院火焰,光照強烈,背景與火焰顏色相似并存在行人干擾70870858291.554.77室外火焰,有穿深紅色行人以及濃煙8045410010062.68森林火焰,火焰區域較多,并伴有濃煙21621623284.357.3

表2不同算法的平均準確率

%

算法文獻[3]文獻[5]本文方法平均準確率8689.791.8

圖7　視頻的幀樣本以及檢測結果顯示

表1可以看出本文算法對視頻1、4、7具有理想的檢測效果，對視頻2、3、6也有較高的準確率，而視頻5的檢測率比較低，由于是遠景室內小火，受光照的影響，存在地板反光，同時火焰顏色非常接近墻面并偏白色，從而導致該算法檢測率低。對于視頻8來說，由于視頻中存在多區域火焰，但最下面區域火焰的運動比較小，從而影響了檢測率。對大量視頻進行時間統計，平均每幀處理時間57 ms，可達到實時處理的要求。

經過對不同視頻的準確率統計平均可得，本文算法的準確率總體優于以上文獻。雖然存在誤檢率和漏檢率，但不會影響每隔5 s的報警效果。

3結論

本文針對火焰檢測的準確率和環境適應性的不足，提出了一種簡單高效的檢測算法。結合幀間差分和背景更新法來提取完整的運動目標，然后通過分析運動目標在Ohta顏色空間的顏色特征，通過最大熵閾

值進行分割，獲得火焰的感興趣區域，最后，通過光流法分析感興趣區域的運動方向特征。結果表明，該算法能在不同環境下如室內外、森林、公路等環境下較準確實時地檢測出火焰，具有一定的使用價值。在下一步工作中，將進一步提高算法的實時性，使之更加完善。

參考文獻：

[1]BYOUNGMOO L，DONGIL H. Real-time fire detection using camera sequence image in tunnel environment[J]. International journal of information acquisition，2007，4681(3)：1209-1220.

[2]HE S M，YANG X N，ZENG S T，et al. Computer vision based real-time fire detection method[J]. Journal of information &computational science，2015，12(2)：533-545.

[3]王媛彬，馬憲民.基于特征融合的圖像型火災探測方法[J].計算機工程，2011，37(19)：166-167.

[4]LIU Z G， YANG Y， JI X H. Flame detection algorithm based on a saliency detection technique and the uniform local binary pattern in the YCbCr color space[J]. Signal image & video processing， 2015(6)：1-8.

[5]嚴云洋，吳茜茵，杜靜，等.基于色彩和閃頻特征的視頻火焰檢測[J].計算機科學與探索，2014，8(10)：1271-1279.

[6]張學敏，蔡曉東，梁玉敏. 基于目標跟蹤和多特征融合的火焰檢測算法[J].電視技術，2013，37(15)：205-210.

[7]嚴云洋.色彩和輪廓特征的火焰檢測[J].微電子學與計算機，2011，28(10)：137-141.

[8]李濤.基于新的運動特征的火焰檢測方法[J].計算機仿真，2014，31(9)：392-396.

[9]丁磊， 宮寧生. 基于改進的三幀差分法運動目標檢測[J].電視技術，2013，37(1)：151-153.

[10]LIN C， YU C X. Image segmentation based on maximum entropy and kernel self-organizing map[C]// 2012 Spring Congress on IEEE Engineering and Technology(S-CET). Xi'an：[s.n.]， 2012：1-4.

[11]姚太偉，王慧琴，胡燕.基于小波變換和稀疏光流法的火災煙霧檢測[J].計算機工程，2012，38(6)：204-206.

[12]YU C， ZHANG Y， FANG J， et al. Video smoke recognition based on optical flow[C]// International Conference on IEEE Advanced Computer Control (ICACC).Shenyang：[s.n.]，2010，2：16-21.

責任編輯：閆雯雯

Flame recognition based on Ohta color space

WU Dongmei，YANG Juanli，WANG Jing

(CommunicationandInformationEngineering，Xi′anUniversityofScienceandTechnology，Xi′an710054，China)

Abstract:In order to improve the accuracy and real-time of fire detection algorithm， an improved flame color model based on Ohta color space which use maximum entropy threshold segmentation method is proposed through the analysis of the flame color. The model can effectively extract the suspected flame area， and then analyzing the characteristic of the flame direction by the optical flow method to determine the presence of fire or non-fire patterns. The experiment results show that the proposed method has better robustness and real-time. It can effectively improve the accuracy of fire detection， reduce the false rate， and has important application value in daily fire-fighting system.

Key words:Ohta color space； maximum entropy threshold； direction of movement

中圖分類號：TN911.73

文獻標志碼：A

DOI：10.16280/j.videoe.2016.06.026

基金項目：國家自然科學基金項目 (61302133)；陜西省科技攻關計劃項目(2012K06-16)

收稿日期：2015-09-01

文獻引用格式：吳冬梅，楊娟利，王靜. 基于Ohta顏色空間的火焰檢測[J].電視技術，2016，40(6)：140-143.

WU D M，YANG J L，WANG J. Flame recognition based on Ohta color space [J].Video engineering，2016，40(6)：140-143.