陈嘉卿;张冰;宋英磊
罗口袜【摘 要】荧光增白剂ob
Flame detection is an important method to recognize fire under complex circumstances.In order to improve the accuracy of fire detection,an algorithm of flame recognition using statistical model based on the RGB space is presented in this paper.The algorithm segments a suspected fire area in images that may contain flames and extracts a few dynamic and hierarchical features associated with the area,especially the flicker frequency of flames.Finally,five features of an area are processed and fused by a BP neural network for a decision.Experiments show that this algorithm is robust and efficient,and is significant for reducing false alarms.%火焰检测是识别复杂环境下火灾的重要方法,为提高火灾识别率,提出了一种基于RGB颜空间统计模型的火焰识别算法,结合区域生长以及帧差法分割出疑似火焰区域后,侧重提取分析视频火焰的动态特征及分层特征,尤其是火焰闪烁特征,然后利用BP神经网络融合5个特征参量进行火灾的判决.实验结果表明:该方法在复杂场景下具有较好的鲁棒性,可有效识别火灾火焰,降低误报率.
【期刊名称】《江苏科技大学学报（自然科学版）》
【年(卷),期】2017(031)002
【总页数】7页(P178-184)
储物盒
【关键词】火灾探测;统计颜模型;动态特征;闪烁频率;特征融合
【作 者】陈嘉卿;张冰;宋英磊
【作者单位】江苏科技大学 电子信息学院,镇江 212003;江苏科技大学 电子信息学院,镇江 212003;江苏科技大学 电子信息学院,镇江 212003
【正文语种】中 文
【中图分类】TP391.41
火灾的实时检测及预警一直是人们处理火灾隐患时亟需解决的首要问题．由于火灾发生的时间具有极大的随机性,且火灾现场的环境也大都复杂多变,传统的火灾探测方法效果不理想
．基于视频图像的火灾探测技术，通过对监控视频上图像的分析和判别,可以很好地检测出火灾,并及早地进行处理,减少经济损失,保障人们的生命财产安全[1]．正是得益于经济和技术上的明显优势,近年来,视频火灾探测技术逐渐成为国内外学者研究的重点方向．
文献[2]提出了基于RGB-HSI混合颜模型的火焰识别方法,并简单提取了火焰的颜和面积变化特征．文献[3]基于文献[2]使用隐马尔科夫模型检测火焰闪烁等动态特征,有效排除了视频背景中的一些干扰．文献[4]也是基于RGB-HSI模型,结合运动检测和边缘检测识别火焰．文献[5]同样也是依据如上模型的颜特征,结合背景减法,分析火焰边缘轮廓的变化特征．文献[6]则提出统计颜模型的可行性,结合背景减法对火灾火焰进行识别,在复杂背景下也有不错的识别率．文献[7]利用CIE L*a*b*颜空间模型结合运动检测,有效识别了火灾火焰．文献[8]基于HSI-YCbCr颜空间建模,追踪识别视频移动目标．文献[9]结合运动检测,利用基于遗传算法的BP神经网络实现火灾预警．文献[10]基于HSI空间建模,提取了彩、纹理及轮廓脉动等特征,继而使用神经网络对火焰图像进行识别．文献[11]提出基于高斯混合模型,利用疑似火焰区域的时空变化特征排除干扰．文献[12]基于RGB-HSI混合模型,提取了火焰圆形度、矩形度、纹理等静态特征,利用支持向量机(support vector machine,SVM)实现火灾的预警．类似的，文献[13]在RGB-HSI混合模型基础上,融合火焰的颜、纹理及
闪烁特征,实现了对火灾的高效识别．文献[14]结合多种静态和动态特征,利用SVM判决火灾,但其中还是侧重静态特征的分析,动态特征提取较少．文献[15]则在RGB-HSI模型基础上,结合背景减法,分析火焰中心的跳动规律这一动态特征,从而求得疑似区域的闪烁频率,进而实现火灾的预警．高频高压电源
上述文献中,相关学者的火焰检测方法都获得了不错的识别率,但对于火焰动态特征大多未深入提取分析．文中基于RGB空间统计模型建模,侧重研究视频火灾的动态及分层特征的提取,利用神经网络进行综合判定,实现火灾火焰的有效识别．
信号检测器有效识别火焰疑似区域是后续火灾判定的基础,其基本方法是通过RGB空间统计模型的约束条件建模,然后利用火焰颜特征对视频图像进行分割,继而结合区域生长算法,填补初始分割所得区域内的空洞,实现疑似火焰区域的最终分割．
火焰具有特殊的颜分布规律,在RGB颜空间内,各通道分量间都有着特定的关系,即R、G、B 3个通道分量的大小依次递减,并且大多数情况下,R通道分量呈现高亮度高饱和度的特征,这就是原始RGB颜模型建立的基础．因此,对于图像中任一火焰像素点(x,y)应满足如下的基础条件:电梯应急装置
然而,依据如上RGB空间模型的筛选标准,对于背景复杂的图像极容易产生误判,从而导致分割不理想．众所周知,RGB图像不仅包含像素点的颜信息，还包含亮度等信息.人们习惯利用各种模型转换算法,将RGB空间换算到其他颜空间,比如HSI空间,继而分离出亮度、饱和度信息进行分析．但是,颜空间转换时,必然导致一部分图像信息的缺失,因此，文中考虑直接利用RGB空间中R-G、R-B、G-B通道分量的比率构建统计模型来识别火焰像素．依据文献[6]中提供的数据库资料,可得到如下公式:
由于目前很多文献中采用RGB与HSI的混合模型分割图像,如文献[2-5]、文献[12-13],因此将RGB原始模型及RGB-HSI模型与文中的RGB统计模型分割效果做一对比．其中,RGB-HSI混合模型就是在RGB模型基础上加入像素点饱和度的阈值约束条件,具体约束条件可参见文献[3]．图1为3种颜模型的分割效果对比图,选用的原始图片背景比较复杂,含有多处类似火焰颜的干扰．由图可见,原始RGB模型的分割效果最差,统计模型较RGB-HSI模型排除了更多干扰,但存在过分割的现象,火焰区域内部存在空洞．
由图1分析结果可知,单纯依靠式(1～3)建立的RGB空间统计模型存在过分割现象,火焰内部存在空洞,为进一步优化分割效果,文中采用区域生长的方法来填补火焰内部的空洞．
首先,利用式(4),求出依靠统计模型识别出的所有火焰像素点各通道分量的均值,公式如下:
然后,将之前判定的非火像素点的三通道分量与火焰像素点的各均值作比较,利用dev(x,y)这一变量表征非火像素点与火焰像素点间的偏差(式(4)),Rnf(x,y)、Gnf(x,y)、Bnf(x,y)分别代表任一非火像素点(x,y)的各通道分量:
最后,通过约束偏差dev(x,y)的范围进行区域生长,确定生长点,更新firep(x,y)的数值,具体如式(6):
由于图1原始图像中的火焰占比偏小,区域生长效果不明显,故而,换用图2中的原始图像进行测试,比对出区域生长的实际效果．由图2可以发现,该方法对于填补火焰空洞是行之有效的．
仅通过颜特征分割识别火焰图像虽然简便快捷,但由于实际监测背景一般比较复杂,存在较多干扰源,导致火灾误报率偏高,因此,需要提取分析火焰视频图像的其他特征以提高识别率．诸多学者已经对火焰的静态特征,如圆形度、尖角数等进行了较多研究,但火焰静态特征往往受环境光线等影响,无法有效排除移动的或者具有类似火焰颜的干扰,算法鲁棒性较差.
因此，文中侧重提取火焰的动态及分层特征，其中,动态特征包括火焰面积变化率、火焰相似度及火焰闪烁频率,而分层特征则主要表征火焰像素点在R通道的空间分布．
火灾发生时,火势一般经历一个从无到有再到熄灭的过程,符合高斯分布．而火灾初期,火灾火焰面积逐帧增大,这与诸如蜡烛、灯光等面积相对稳定不变的干扰源有显著的区别,并且通过帧差法可快速准确地获取火焰面积变化信息,因而将面积变化率作为火灾早期预警的一个重要判据．
火焰的面积变化率可用相邻两帧图像中火焰像素点的变化来表征．假定I1(x,y)、I2(x,y)分别为前后两帧火焰图像,NI1、NI2分别为其火焰像素点总数,则面积变化率可用公式表示:
