結合顏色空間和CNN的火焰檢測

李瑩　李忠　李海洋　孫可可

摘? 要： 為了快速準確地對圖片中的火焰進行分割檢測，消除燈光等疑似火焰區域的干擾，提出基于RGB和HSV顏色空間的火焰檢測模型并結合CNN提取火焰輪廓。通過觀察RGB三分量在顏色直方圖中的分布特征，制定新的約束條件，并結合HSV顏色空間，消除復雜背景對其進行的干擾，最后利用CNN對提取出火焰輪廓進行分類檢測，進一步消除對燈光等疑似火焰區域的誤檢。實驗結果表明，該算法可以準確地檢測出火焰區域，降低了誤檢率。

關鍵詞： 火焰檢測; 卷積神經網絡; 顏色空間; 輪廓特征

中圖分類號：TP321? ? ? ? ? 文獻標志碼：A? ? ?文章編號：1006-8228（2019）12-67-04

Flame detecting with the combination of color space and CNN

Li Ying， Li Zhong， Li Haiyang， Li Haiyang， Sun Keke

（Institute of Disaster Prevention， Emergency Management College， Hebei 065201， China）

Abstract： In order to detect the flame quickly and accurately and eliminate the interference of suspected flame area， a flame detection model based on RGB and HSV color space and CNN （convolution neural networks） are proposed to extract the flame contour. By observing the distribution characteristics of RGB three components in the color histogram， new constraints are formulated， and combined with HSV color space， the interference of complex background is eliminated. Finally， CNN is used to extract flame contour to further eliminate false detection of suspected flame areas. The experimental results show that the algorithm can detect the flame accurately and reduce the false detection rate.

Key words： flame detection; convolutional neural networks; color space; contour feature

0 引言

針對火災險情的火焰檢測技術快速發展。其中基于傳感器的火焰檢測技術已較成熟，如光電感煙探測器、氣體式探測器、感煙火災探測器、紅外線探測器等[1]。但是基于傳感器的火焰檢測方法不僅安裝過程繁瑣，而且容易受到周圍環境的影響，這導致不能及時準確地檢測出火災的發生。另一種是基于圖像的火焰檢測[2]技術，相對于傳統的傳感器檢測，基于圖像的火焰檢測不僅可以及時準確地檢測出火焰區域，而且可以對現場實時監控。

根據火焰的顏色空間特征，高偉偉[2]等根據 RGB和HIS 顏色模型之間的關系，提出了一種新的顏色判斷規則，對火焰區域進行尺寸檢測，準確地提取了火焰候選區域.劉立等人[3]為準確的分割出火焰區域和背景區域，提出了基于YIQ顏色空間火焰輪廓提取算法，可以有效地提取火焰輪廓，但該算法容易對燈光產生誤檢。羅媛媛[4]利用 YCbCr顏色空間進行火焰檢測，但由于RGB、HSV顏色空間相關性較大，易受強光的影響[5-6]。劉佳麗等人[7]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。雖然上述方法成功地檢測出火焰區域，但基于顏色空間的火焰檢測方法容易受到周圍光線的影響而導致檢測精度下降。

隨著近幾年深度學習的發展，越來越多的人將深度卷積神經網絡應用于火焰檢測。嚴云洋等人[1]利用候選區域生成網絡（Region Proposal Network，RPN）提取火焰候選區域，實現在復雜的背景下識別火焰區域。回天等人[8]根據火焰的類型將火焰類數據集進行分類，實現對火焰的多類型檢測。雖然基于深度神經網絡的火焰檢測模型檢測效果較準確，但訓練模型時對硬件的要求較高且訓練時間周期較長。

本文提出了基于RGB顏色空間和HSV顏色空間的火焰檢測模型，并結合CNN（Convolutional Neural Networks）根據火焰的輪廓特征進一步對火焰區域進行判斷，首先在RGB和HSV顏色空間上對火焰圖片進行初步檢測，圈出疑似火焰區域。之后提取火焰的輪廓特征，通過LeNet-5網絡[9]模型的訓練，再對疑似火焰區域進一步判斷其是否為火焰。

1 火焰在RGB和HSI顏色空間上的特征

1.1 RGB顏色空間中火焰顏色特征

RGB是目前比較常見的面向硬件設備的彩色模型，根據人眼的構造，所有的顏色都可以由三種基本顏色組成[6]，分別為紅色（Red）、綠色（Gree）和藍色（Blue），它們以不同的比例可以組合成任意一種顏色。火焰的顏色也是由三個顏色基量以不同的比例進行組合。本文利用從網絡中搜索的火焰圖片，將其中的火焰區域截取出來，如圖1 所示，并利用python語言對其中的RGB三個顏色基量進行提取，畫出曲線圖，如圖2所示。

從三個顏色基量曲線的分布中可以看出，藍色分量的像素值最小，紅色分量的像素值最大，因此在RGB顏色空間模型中建立以下約束條件來識別火焰：

R>G>B? ⑴

其中R>120，G>50，B>60。

1.2 HSV顏色空間中火焰顏色特征

HSV顏色空間[10]是顏色的另一種表達形式，它是一種基于感知的顏色模型。它將圖像顏色信號分為三種屬性，分別為色調（Hue，H），飽和度（Saturation，S）和亮度（Value，V）。

首先，將圖1中的火焰區域進行RGB顏色空間到HSV顏色空間的轉換，然后將HSV三分量以曲線圖的形式展現出來，如圖3所示，其中黑色曲線表示H（色調）分量，藍色曲線表示S（飽和度）分量，黃色曲線表示V（亮度）分量。

通過觀察火焰區域在HSV顏色空間上像素分布情況，火焰的色度大多在紅色和黃色之間，亮度基本處于飽和狀態，因此在HSV顏色空間模型中建立以下約束條件用來識別火焰。

2 火焰在RGB和HSI顏色空間上的輪廓檢測

2.1 火焰區域的形態學操作

關于在RGB顏色空間和HSV顏色空間上建立一定的約束條件來對火焰區域進行分割已在本文第1章中詳細闡述，為了驗證該約束條件的正確性，在網絡上選取一張存在火焰區域的圖片，如圖4所示，對其進行火焰區域分割，分割結果如圖5所示。

為了更清晰的顯示出火焰區域，需要對分割結果圖進行圖像形態學中的閉操作，先膨脹后腐蝕。它具有填充圖片中細小空洞，起到連接火焰區域的像素點和平滑邊界的作用，結果如圖6所示。

2.2 疑似火焰區域檢測結果

在對火焰區域進行形態學操作后，將圖片中存在火焰的區域畫出預測框，從結果中可以看出，基于RGB顏色空間和HSV顏色空間的火焰檢測模型可以對具有明顯火焰區域的圖像進行檢測，如圖7所示。但容易對燈光等疑似火焰區域產生誤檢，如圖8所示。

從圖7和圖8中可以看出，單純的在顏色空間上檢測容易存在誤檢情況，其顏色與火焰相似，但它并不是火焰。所以，從火焰的輪廓特征進行觀察，發現火焰的輪廓存在不規則的特征，而圖8中的檢測區域邊緣沒有尖角等不規則特征。在此基礎上，進一步使用CNN訓練模型對火焰輪廓進行區分檢測。

3 基于CNN的火焰輪廓特征分類

為了消除光源等疑似火焰區域的干擾，本文使用CNN對火焰的輪廓特征進行訓練。CNN模型采用的是LeNet-5，共有7層（不包括輸入層），其中兩層卷積層，兩層池化層，三個全連接層。每層都包含不同數量的訓練參數。首先從原始數據集圖中取一個樣本（X，Yp），將X輸入到網絡，之后計算其相應的實際輸出值Op。最后計算實際輸出Op與期望輸出Yp的差，按照極小化誤差的方法進行反向傳播來調整權矩陣。

首先在網絡上利用爬蟲技術爬取350張圖片并根據其輪廓特征進行分類，其中有300張火焰圖片和50張非火焰圖片，分類結果如表1所示，然后提取火焰輪廓特征圖，如圖9所示，將其送入LeNet-5網絡模型，在卷積層提取火焰輪廓的局部特征，之后在全連接層將卷積層提取的局部特征重新通過權值矩陣組裝成完整的火焰輪廓圖。若輪廓特征符合火焰的尖角輪廓等不規則特征，則判定其為火焰區域。

檢測結果如圖10和圖11所示。從中可以看出，該模型準確地將火焰區域和非火焰區域識別出來。

4 實驗及結果分析

為了檢測本文提出的基于RGB顏色空間和HSV顏色空間并結合CNN的火焰檢測模型的檢測效果，本文對在網絡上爬取的300張火焰圖片和50張非火焰圖片進行檢測，檢測結果顯示，在350張樣本圖片中，成功識別火焰區域和非火焰區域322張，準確率達到95.0%，如表2所示，其高于單純在RGB顏色空間上檢測的準確率。

5 結論

本文首先分析火焰在RGB顏色空間和HSV顏色空間的像素值分布特點，建立一定的約束條件，然后對火焰區域進行初步檢測。為解決對燈光等疑似火焰區域的誤檢情況，本文結合LeNet-5網絡模型，對初步檢測的火焰輪廓進行分類，進一步判斷該區域是否存在火焰。實驗證明，該方法能較準確地檢測火焰區域，準確率為95.0%，具有良好的泛化性和魯棒性。

參考文獻（References）：

[1] 嚴云洋，朱曉妤，劉以安，高尚兵.基于Faster R-CNN模型的火焰檢測[J].南京師大學報（自然科學版），2018.41（3）：1-5

[2] 高偉偉，曹江濤.一種基于RGB與HIS顏色空間模型的火焰尺寸檢測方法研究[J].遼寧石油化工大學學報，2014.34（4）：63-66

[3] 劉立，曾花.基于YIQ顏色空間的火焰輪廓提取算法[J].南華大學學報（自然科學版），2016.30（2）：72-77+82

[4] 羅媛媛. 基于YCbCr顏色空間的森林火災探測技術的研究[D].長沙：中南林業科技大學，2013.

[5] 劉佳麗，葉炯耀.基于Ohta顏色空間的多信息融合火焰檢測[J/OL].華東理工大學學報（自然科學版）：1-7[2019-06-17].

[6] 吳建勝，高云玲，張賓.一種基于視頻的火焰檢測方法[J].計算機應用與軟件，2014.31（1）：173-175+190

[7] 沐小會，陳嘉卿，宋英磊.火焰特征提取研究在火災探測中的運用[J].電子設計工程，2016.24（21）：188-190

[8] 回天，哈力旦·阿布都熱依木，杜晗.結合Faster R-CNN的多類型火焰檢測[J].中國圖象圖形學報，2019.24（1）：73-83

[9] 劉金利，張培玲.改進LeNet-5網絡在圖像分類中的應用[J/OL].計算機工程與應用：1-9[2019-06-20].

[10] 周建平.基于HSV顏色空間的水下運動目標提取[J].電腦知識與技術，2018.14（21）：230-232

[11] CHENGXF，WUJH，YUANX，et al. Principles for a video fire detection system[J].Fire Safety Journal，1999.33（1）：57-69

[12] NODA S，UEDAK. Fire detection in tunnels using an image processing method[C]//In：Proceedings of Vehicle Navigation and Information Systems Conference，Japan，1994：57-62.

[13] CHENT，YUANHY，SUGF，et al. Automatic fire searching and suppression system for large space[J].Fire Safety Journal，2004.39（4）：297-307