基于對象特征的消防視頻火焰檢測新方法

黃 莉,楊 萌

1.武漢商學院信息工程學院,湖北 武漢 430056

2.杭州電子科技大學通信工程學院,浙江 杭州 310018

視頻監控攝像機廣泛應用于公共安全領域，世界各地安裝了數百萬臺攝像機，但是對于操作員來說，幾乎不可能對每臺攝像機都保持持續的監視。為了解決這個問題，已經采用了用于火災檢測和分析的智能視頻處理技術來提高自動視頻監控系統的魯棒性和性能[1]。

其中，顏色評估是最早的檢測技術之一，至今仍被大多數檢測方法所采用[2]。使用顏色特征的方法是基于火焰的顏色可以可靠地表征的考慮。顏色空間中顏色分量的計算是識別火焰存在的一種簡單有效的算法[3,4]。在文獻[5]中，提出了一種基于火災數據集的野外火災顏色分割算法。這個數據集有不同背景下的野外火災圖像的信息，它被用于對圖像幀進行分類。

基于顏色的方法取決于如何確定一個合適的概率密度函數（PDF），使其很好地模擬火災/煙霧。盡管很難進行顏色分布估計，但是可以結合其他一些特征分析技術來提高基于顏色的檢測性能。

在復雜背景下探測火災的方法基于運動和閃爍分析，該特征表示的主要算法有：背景減除法，時間差分法，光流法等。這些方法通常關注火焰和煙霧的時空行為或動態紋理[6]。火焰的瞬時閃爍建模和基于小波的輪廓建模方法被用作弱分類器，將其應用于隧道設計優化和檢測系統安裝標準的制定，以提高隧道的固有安全性[7]。利用了湍流，火焰運動和其他物體的結構化，剛性運動之間的差異，提出了兩種光流估計：具有動態紋理的最優質量火焰傳輸模型和飽和火焰的數據驅動光流模型[8]。首先根據火焰顏色分量比和運動提示，通過背景減除法獲得候選火焰區域；然后，根據火焰大小、運動和顏色信息的顯著特征運用邏輯回歸算法計算出的火災概率，檢查候選火災區域是否為真正的火災火焰；最后，在靈敏度略微降低的情況下，使用時間平滑來降低虛警率[9]。

每個用于火災提取的特征表示方法都有其優缺點，應結合實際應用場景進行評估。此外，它們對亮度的變化特別敏感。因此，該過程在完全自動化和魯棒性方面都存在一些困難。

本文研究的目的是展示一種適用于消防視頻火焰檢測的基于對象的表示方法的優點，該方法基于對象的顏色和閃爍特性。該方法的主要貢獻如下：1）利用火焰閃爍結構特征的基于稀疏矩陣分解的表示方法；2）火焰識別的決策邏輯具有很高的準確性。

1 火災檢測技術

本文提出了一種結合顏色和閃爍特征的火災檢測方法。火災火焰的檢測過程，通常它由兩個主要部分組成：1）火焰提取階段；2）火災識別階段。火災檢測過程的框架（見圖1）。

圖1 火災檢測方法的框架Fig.1 Framework of the fire detection method in this paper

1.1 基于顏色評估的火焰提取

顏色是一種信息量極大的提示，一直以來都是智能視頻處理的基本特征之一。在這一節中，重點研究了基于顏色特征的分類方法及其應用。從火焰的單幀圖像可獲得其顏色特征（見圖2）。

圖2 火焰的顏色Fig.2 Color of the flame

該圖像幀的處理方法包括：計算閾值；通過使用這些閾值來生成二值圖像幀Mc（包含顏色特征）。

1.2 基于稀疏矩陣分解的火焰提取

當火焰或煙霧在環境中移動時，在攝像機上引起的運動模式可提供有關火焰或煙霧運動和環境結構的信息。在本小節中，使用稀疏矩陣分解對閃爍的火焰幀進行建模。考慮兩個相鄰的幀X和Y（灰度圖像），可得差分圖像：

將基于矩陣的模型定義為：E=P+S(8)

其中，S用于對前景中的閃爍對象建模，P對應于場景的靜態背景。

現制定以下優化問題。問題1：所提出的方法基于差分矩陣E的稀疏矩陣分解，由如下給出：

其中，A是Nr×r矩陣，B是Nc×r矩陣，則rank(E)=r。A的列稱為特征基向量，其反映從差分矩陣E學習到的r個代表性特征；而B的行稱為分解系數，其反映r個代表性特征的編碼方式。基于分解的算法旨在找到如下的解：

其中‖·‖F表示Frobenius 范數。

稀疏矩陣分解是信號和圖像處理領域的一種著名的方法，在理論和實踐上都取得了很大的進展。本文采用稀疏貝葉斯方法[10]解決問題1。

將該算法應用于由2N個連續幀X1,Y1,…,XN,YN,組成的視頻數據，得到一系列矩陣S1,…,SN。強度的度量I是將絕對稀疏分量Sn相加。做如下定義：

其中，∣Sn∣的每個元素是Sn對應元素的絕對值。對于非負矩陣I，使用Otsu 閾值算法生成二值圖像MS（包含0 和1）。

1.3 融合檢測

描述的過程是MC和MS的集成。將兩幅圖像的特征組合成融合圖像MF。

其中，k=1,2,3，MF(x,y,1)或MC(x,y,1)表示紅色通道值，MF(x,y,2)或MC(x,y,2)表示綠色通道值，MF(x,y,3)或MC(x,y,3)表示藍色通道值。

讓Ωt表示一組潛在的火焰像素，在短時間的間隔內獲得了一系列結果Ωt1,…,Ωtk，令Nt1,…,Ntk分別表示Ωt1,…,Ωtk中的元素數。所有這些都用于構造特征置信度（FD）。FD 是顯示潛在火災隱患的指數。FD 可以表示為：

其中t1<…

2 結果與分析

為了測試該方法的有效性，實驗使用了由視頻監控系統拍攝的真實圖像幀。

2.1 實驗結果

在實驗中，將尺寸為250×350 的圖（見圖3(a)）用作測試圖像幀。在火災檢測過程中，火焰提取方法起著重要作用。火焰提取結果的準確性將直接影響火災檢測。在火焰提取階段，首先根據先驗信息通過顏色評估方法生成二值圖像Mc。

圖3 視頻監控圖像Fig.3 Images on video monitoring system

由于火源上方的像素位置在短時間內可能被火焰覆蓋或未覆蓋，因此可以研究其閃爍特征強度。將其應用于由大小為250×350 的45 幀（3 s）組成的視頻數據，最后一幀（圖像）（見圖4(a)）。在基于Windows 的32 位core i3 機上，使用帶有2-GB 隨機存取存儲器的MATLAB 2007Ra 仿真平臺，計算時間平均為2:301 s。

圖4 視頻監控圖像Fig.4 Images on video monitoring system

圖4(b)為利用Otsu 閾值算法提取的圖像Ms，由白色像素表示感興趣的區域（ROI）。

圖5 的彩色像素是MC和MS的融合，可幫助火災識別。由融合圖像MF，可計算Ωt的元素數量。

圖5 MC和MS的融合圖像MFFig.5 Fused image MF of MC and MS

2.2 討論

在火焰提取和火災識別階段，采用顏色和閃爍特征作為識別特征。T設置為100。在不失一般性的前提下，考慮了四個不同的時間間隔（從02:39:44 到02:39:46，從02:39:49 到02:39:51，從02:39:54至02:39:56，以及從02:39:59 至02:40:01）。

表1 顯示了每5 s 間隔（45 個圖像幀）的統計參數。如表1 所示，對Ωt1,…,Ωt4分析以獲得最終輸出。參數值Nt1,…,Nt4大于T=100。交點Ωt1ILIΩt4不為空。這些都對火焰的存在做出了正確的決策。

表1 每間隔5 s 的參數值Table 2 Parameter values at each interval 5 s time

為了進一步測試這個算法的適用性，分析了更多相關的視頻圖像幀（見圖6）。

圖6 視頻監控圖像Fig.6 Images on video monitoring system

表2 每間隔5 s 的參數值Table 2 Parameter values at each interval 5 s

如表2 所示，參數值Nt1,…,Nt4小于T=100。值得注意的是，交點Ωt1ILIΩt4是空的。這些結果也證明了該方法的有效性。

3 結論

本文從稀疏信號分析中得出模式分類問題的解決動力，將稀疏矩陣分解模型應用于室內火災檢測問題。但是稀疏矩陣分解的局限性在于其耗時，為了加速過程，在將來的工作中將討論一些基于稀疏優化的策略。本研究還將致力于通過集成更多的特征信息和改進此模型來提高準確性和性能。