基于LVQ神经网络的视频监控图像火焰检测与识别算法*

王 雨，陈淑荣

（上海海事大学 信息工程学院,上海 201306）

近年来，基于视频监控图像的火焰检测和识别成为一个新兴的热点[1-3]。为了克服传统火灾检测技术不稳定和误判率高的缺点，采用视频分析的火焰检测通常通过分析彩色视频输入信号的颜色、时间和空间变化进行火灾检测和预警，与传统火灾监控系统相比具有准确度高、成本低、使用范围广等优点。随着计算机模拟视觉的发展，利用人工神经网络的自学习和自适应能力对火焰的特征参数进行多特征融合[4]，能提高系统的稳定性与准确性。以往研究多采用BP神经网络[5]和基于梯度下降的非线性优化策略识别火焰，容易陷入局部最小问题，而不能求出全局最小值。

本文提出了一种基于火焰动态特征分析和神经网络模型的监控视频火焰检测方法，利用火焰图像序列的离心率、放射性（Solidity）、整体移动等特征信息，结合线性分类功能更强的学习向量量化(LVQ)神经网络训练并准确识别和分类可疑火焰,解决了传统BP神经网络火焰信息识别的缺陷。

1 可疑火焰动态特征提取

视频监控图像中的火焰检测需要提取火焰区别于其他物体的基本特征。火焰的动态特征最具特色也很复杂，表现为火焰闪烁、区域形变、边缘的随机运动和抖动等。本文特征提取的实验场景中的可疑火焰区域存在真实火焰和可疑干扰火焰，即蜡烛光和手电光。图1所示为监控视频录像中提取的一帧图像的灰度图像，从左到右包含蜡烛光、手电光和真实火焰,阈值分割后的图像如图2所示。本文提出的算法针对阈值分割后的火焰图像序列的离心率、放射性和整体移动特性等多个动态特征进行分析和识别。

1.1 离心率（圆形性）检测

火焰的形体变化、空间取向变化和抖动等具有不确定特征。离心率反映了分割出的可疑区域趋于圆形的程度,定义为区域长轴与短轴尺寸之比，即：

DL和DS分别表示区域最小边界矩形的长和宽。离心率越大，区域为圆形的概率就越小[6-7]。手电光和蜡烛光等非火焰物的形状特征趋于圆形，因此区域的离心率偏小，趋于零。

根据式(1)分别计算连续100帧图像序列中蜡烛光、手电光和火焰3个可疑区域的离心率变化，如图3(a)所示。可见,真实火焰的离心率明显大于干扰物的离心率，因此选择离心率作为火焰识别的参数之一可行。

1.2 放射性检测

由图2可见，真实火焰图像的边缘特征明显，存在抖动特征、边缘粗糙且边缘锯齿区域大，而手电灯光和蜡烛光等非火焰图像的边缘比较稳定、光滑，可根据这一动态特征检测和验证火焰区域。放射性性质反映了分割出的可疑区域边缘的粗糙程度，定义为[8-9]：

其中，面积SArea为可疑区域经二值化后的像素和；面积SConvexArea为包围可疑区域的最小凸多边形的像素和。相对面积是二值图像可疑区域Ω所包含像素点数，如式(3)所示，其中，f(i,j)为大小为 M×N的图像在(i,j)的灰度值，pk为 f(i,j)为 1的频率，则：

根据式(2)分别计算连续100帧图像序列中蜡烛光、手电光和真实火焰3个可疑区域的Ssolidity值，仿真结果如图3(b)所示。可见，真实火焰区域的Ssolidity明显小于干扰可疑火焰，因而Ssolidity可以作为动态火焰识别的参数之一。

1.3 火焰整体移动检测

火焰在燃烧过程中随着旧的燃烧物燃尽和新的燃烧物被点燃，其中心具有一定的移动速度。为了度量这一特征，需先确定火焰的中心。火焰亮度分布特征通常是中心部分亮度高，外焰亮度相对较低。因此，以像素点的亮度值（即I值）为权，采用加权平均来计算火焰中心。 I(x，y)表示火焰亮度图像，则火焰中心(X，Y)为[10]：

用 In(x，y)、In+1(x，y)表示相邻两帧图像,(Xn，Yn)、(Xn+1，Yn+1)分 别 表 示 它 们 的 火 焰中心,则相邻两帧图像质心移动距离[8]为：

自相关函数为：

RVV反映了相邻两帧图像质心距离变化的相关程度。

根据式(6)分别计算蜡烛光、手电光和真实火焰3个可疑区域中连续100帧图像序列中相邻帧的质心移动距离，如图3(c)所示。可见，真实火焰和干扰物的质心都有移动，但真实火焰的质心移动比较明显。根据式(7)计算出质心移动距离的自相关函数，如图3(d)所示。可见,真实火焰的质心移动距离的自相关性明显偏大，因此可以选取质心移动距离的自相关函数识别动态火焰参数。

2 基于LVQ神经网络的火焰图像识别算法

针对以上动态火焰特征分析，结合线性分类功能更强的学习向量量化(LVQ）神经网络，提出一种基于离心率、放射性和整体移动性等特征信息融合的火焰识别LVQ神经网络模型，如图4所示。

图4 LVQ神经网络火焰特征识别模型

算法识别步骤如下：

(1)提取实验场景可疑区域的火焰样本图像序列的特征参数（离心率、放射性值和整体移动），建立样本数据库，对数据进行预处理。

(2)对LVQ神经网络竞争层的各神经元权值向量Wj1(0)，j=1,2，…,m赋予小随机数进行初始化，输入初始学习速率η(0)和火焰识别的训练次数tm。

(3)获取可疑火焰的动态特征向量P=(p1,p2,…,pn),设置参考目标向量T=(t1,t2,…,tl)。

(4)向LVQ神经网络输入样本图像的特征向量和参考目标向量，进行学习，包括：

①在时间步tm使用Euclid距离准侧寻找最匹配 (获胜)的神经元 i(P)：

②权值调整。如果分类正确，即yk*=tk*=1，按照式(9)修正竞争层的权值向量：

如果分类不正确，即 yk*=1，tk*=0，则按照式(10)修改竞争层的权值向量：

其中，η∈(0,1)为比例系数，反映调整速度;i*w1(t)表示竞争层中第i*个神经元在t时刻的权值。

③返回①进行权值调整，直到达到预设的训练次数和精度要求。

(5)将可疑火焰样本图像的测试样本集输入到训练好的LVQ神经网络中进行分类。

(6)输出测试结果并分析，得到真实火焰和干扰物体检测的识别率，识别方法如表1所示。其中，待测样本中，真实火焰的个数为A+B,干扰物个数为C+D，火焰识别率为 H=A/（A+B），干扰物识别率为 G=D/(C+D)。

表1 火焰识别系统判定情况分布

3 实验仿真结果

为了验证本文提出算法的有效性，实验采用的样本图像分为两类：(1)室内监控录像系统拍摄的长 5 min、播放率为25 f/s的视频序列，其中干扰源是人为设置的灯光、手电光、蜡烛光以及蜡烛体等；(2)网络上包含火焰的视频片断。通过提取每类样本各129帧火焰图像，对样本图像分割及离心率、放射性和整体移动性等动态特征提取，采取人工输入方式将每类图像序列可疑区域的多特征信息输入到LVQ神经网络进行训练，利用训练好的LVQ神经网络对待测可疑火焰样本进行测试。实验过程中，针对可疑火焰数据库中的574组数据随机选取500组作为训练样本，74组作为待测试样本。数据库文件中每组数据共4个字段，1～3字段为可疑火焰特征（离心率、放射性和整体移动），第4字段为参考目标值，设置1为火焰，2为干扰物。实验在MATLAB R2009(a)环境中进行仿真，并将LVQ神经网络和BP神经网络的仿真结果进行了对比，结果如表2所示。可见，基于LVQ神经网络的火焰识别准确率更高,具有较好的稳定性；由于采用了火焰的3个基本动态特征，计算量小，使得本算法具有更快的运行速度。

表2 LVQ神经网络与BP神经网络对比仿真识别结果

针对目前视频火灾火焰探测存在的不稳定和误判率高的缺点，本文提出了一种基于视频分析的可疑火焰检测算法,首先提取火焰的动态特征，通过火焰识别LVQ神经网络模型进行特征训练和测试，并识别真正的火焰。实验结果表明，利用LVQ神经网络识别火焰，有效提高了对可疑火焰的快速分类，识别精度高、鲁棒性强，为基于视频监控系统的火灾检测方法提供了理论依据。下一步工作是提取更多的火焰识别特征，优化火焰识别LVQ神经网络，提高识别速度和精度。

[1]FOO S Y.A rule-based machine vision system for fire detection in aircraft dry bays and engine compartments[J].Knowledge-based System,1995(9):531-541.

[2]HEALEY G,SLATER D,LIN T,et al.A system for realtime fire detection.CVPR’93,1993:15-17.

[3]DAVIS W D,NOTARIANNI K A.NASA fire detection study[R].National Institute of Standards and Technology,TECHNICAL REPORT，1996.

[4]陈娟，汪箭.基于多特征融合的视频火焰探测方法研究[D].合肥：中国科学技术大学，2009.

[5]刘浏.基于BP神经网络的火焰识别系统[J].西昌学院学报:自然科学版，2009，23(4):54－56.

[6]余弦，曾贵华.一种基于轨迹的足球检测和跟踪方案[J].计算机工程与应用,2010,46（26）:148-150.

[7]李弼程，彭天强.智能图像处理技术[M].北京：电子工业出版社，2004.

[8]刘昕雨.基于视频特征的火灾火焰识别算法[D].西安:西安电子科技大学，2009.

[9]仲芩然.基于Mat lab的混纺纱横截面切片图像客观分析法[J].计算机应用，2010,38（6）:60-62.

[10]王亚军，徐大芳.基于火焰图像动态特征的火灾识别算法[J].测控技术，2007,26（5）：8.