多特征融合的视频火焰检测算法研究

谢伟

摘要：基于视频的火焰检测算法为解决传统感烟感温火焰检测方法受环境制约的问题提供了一条新的路径。通常的视频火焰检测算法主要利用火焰的颜色、形状、频域特征等信息来进行检测，计算较为复杂，往往不能达到实时性。文中结合火焰的颜色、运动特性以及频闪特性，提出一种简单高效的视频火焰检测方法。首先使用ViBe算法提取出视频中的运动区域作为火焰候选区域，以降低计算量，再通过火焰的颜色模型筛选出疑似火焰区域，最后根据火焰的频闪特性建立一个简单的频闪模型，进一步滤除与火焰颜色相似的非火焰运动区域。通过实验证明，该文提出的算法能够检测出不同环境下火焰的发生，且执行效果较高。

关键词： 视频；火焰检测；运动区域；颜色模型；频闪

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2014）22-5303-04

当今社会人们的生活、办公越来越密集化，物资存储也更加集中，一旦发生火灾将会对人们的生命和财产安全造成巨大的威胁，人们对火灾预防重视程度不断加强。传统的火灾预防技术主要是基于温度、烟雾的感应[1]。这类方法需要在检测环境中安装温度或者烟雾传感器，对火灾的检测效果往往会受到距离、温度、粉尘等物理条件的影响[2]。为了克服传统火灾检测系统存在的问题，研究人员提出了基于视频分析的火灾检测技术。该类方法通过摄像机获取监控场景中的实时视频画面，利用图像处理和视频分析技术检测火灾的发生，这种非接触式的检测方法直观主动，对监控场景具有普适性，可以克服传统火灾检测系统受物理条件限制的缺点[3]。文献[4]结合火焰颜色统计模型和序列模式挖掘的方法，能够检测出一幅图像中的火焰，文献[5]利用视频中火焰区域的火焰颜色概率模型、火焰区域的形状以及火焰外形的变化规律来检测火灾的发生。文献[6] 采用一种基于色觉和无序性测量的RGB模型来检测火焰和烟雾，而文献[7]则是通过在HIS颜色空间下使用直方图特征分割的方法来判断是否有火灾发生。

为了提高火焰检测的效率和准确率，该文首先通过运动检测算法提取出视频中运动的区域，进一步使用火焰颜色模型来选择出候选区域，最后根据火焰的频闪特性建立简化的火焰频闪模型，进一步滤除非火焰区域，提高检测精度。

1 运动区域提取

运动区域提取的目的是将不断运动的区域从背景图像中提取出来，是视频分析算法的关键基础环节，是目标定位、识别和跟踪的前提[8]。

众所周知，由于受到气流等因素的影响，火焰在燃烧过程中会持续不断的运动，该文先使用ViBe（Visual Background Extractor）[9]算法提取出视频中的运动区域，缩小检测范围，提高火焰检测的效率和精度。

ViBe算法由Olivier Barnich和Marc Van Droogenbroeck于2011年提出，是一种像素级视频运动提取算法，由于它计算简单，效率较高，能够较准确的提取出完整目标，且占用硬件资源较少，目前得到了广泛的应用。ViBe算法是一种基于统计背景模型的运动区域检测算法，其基本流程如图1。算法首先根据第一帧图像建立背景模板，图像的每个像素点在背景模版中都有一个维数为N的样本集合，初始化时样本集合里的值从每个像素点的R[×]R邻域内随机抽取。对后续图像帧的处理包含匹配和背景更新两个部分。匹配过程中计算当前像素点与其样本集合中的元素值在颜色空间中的距离，并统计距离小于一定阈值D的元素个数，当个数大于一定阈值T，则判定该像素点为背景点，否则判定其为前景点。对判定为背景点的像素要更新对应的样本集合，首先随机抽取NUM个样本集合中的元素，将其值更新为当前像素的值。由于视频帧中的像素点与其邻域内的像素点具有一定的相关性，所以要随机对其邻域内的一个像素点进行背景更新。ViBe算法的检测结果如图2。

2 火焰颜色检测

火焰在一般背景下会呈现出明显的高亮度，其独特的颜色在不同的色彩空间（RGB、HSV等）都具有特定的分布[10]。该文在上述ViBe算法的基础上利用火焰颜色特性来去除运动区域中非火焰区域，提高检测精度。该文使用的火焰颜色分布如下：

3 火焰频闪模型

火焰在燃烧过程中由于湍流流动导致火焰外围，即火苗的无序闪动，具体表现为一种持续的高频时序变化，研究者们还发现这种无序闪动具有与燃料和燃器形状无关的动态范围（10Hz以内）[11]。文献[12]采用火焰颜色像素沿时间轴的一维傅里叶变换来检测火焰的频闪特性，计算较为复杂。该文根据火焰的频闪特性，统计像素点在固定时域范围内的变化次数，建立一个简化的火焰频闪模型。具体算法如下：

1） 建立一个大小为[TIME]的火焰频闪模型，模型中每个元素为一幅二值图像，图像的分辨率与原图相同，每个像素点表示原图中该像素点是否发生变化。

2） 通过ViBe算法获得第[n]帧图像的运动区域，与第[n-1]帧图像的运动区域进行比较，获取当前图像中像素点的变化情况，存入火焰频闪模型。若1<[n]<[TIME]，则返回（2）；否则进入下一步。

3） 设置计数器[DiffCnt]，初始为0，通过火焰频闪模型获取当前帧运动区域中各个像素点在[TIME]帧内的变化次数[t]，若[Tmin]<[t]<[Tmax]，则[DiffCnt]加1。

4） 计算[DiffCnt]与运动区域大小的比值，大于一定的阈值[Alpha]，则认为当前运动区域符合火焰频闪特性。若视频未结束，则跳转（2）。

火焰频闪模型实验结果如图4，其中[TIME]、[Tmin]、[Tmax]、[Alpha]的取值分别为25、5、15、0.5。

4 实验结果

为了验证算法的效果，该文采用了不同环境下的测试视频进行了实验，结果如图5。实验使用的硬件环境为：CPU为Pentium? Dual-CoreE6700（主频为3.2GHz），内存2GB，软件平台为：操作系统为Windows 7（32位），使用C++语言在Microsoft Visual Studio 2010进行编程，调用OpenCv图像处理库。实验中所用的测试视频分辨率均为320[×]240。通过上述实验可以发现本文提出的算法能够在不同环境下检测出火焰的发生，且执行效率较高，实验处理一帧图像平均只需要5ms。但是在复杂环境下，该方法也会产生错误检测。

5 总结

本文通过结合火焰的运动特性、颜色特征以及频闪特性，提出了一种简单高效的视频火焰检测算法，能够在不同环境下检测出火焰的发生，具有一定的实际应用价值。但是由于实际环境的复杂性以及算法本身存在的缺陷，该文提出的方法也会产生一些错误的检测。未来的研究工作中准备进一步分析算法错误检测的情况，继续提高算法的准确率。

参考文献：

[1] 袁非牛，廖光煊，张永明，等.计算机视觉火灾探测中的特征提取[J]. 中国科学技术大学学报，2006，36（1）：39-43.

[2] 杨俊，王润生.基于计算机视觉的视频火焰检测技术[J].中国图像图形学报，2008，13（7）：1222-1234.

[3] 高爱莲.基于视频的火焰检测方法研究[D].昆明理工大学，2008.10.

[4] Yu-Chiang Li，Wei-Cheng Wu.Visual Fire Detection Based on Data Mining Technique[C].2011 First International Conference on Robot， Vision and Signal Processing，2011（11）：238-331.

[5] Che-Bin Liu and Ahuja N.Vision Based Fire Detection[J]. Proceedings of the 17th International Conference on Pattern Recognition，2004（8）：134-137.

[6] Thou-Ho Chen， Ping-Hsueh Wu， and Yung-Chuen Chiou. An Early Fire-Detection Method Based on Image Processing[C]. 2004 International Conference on Image Processing， 2004（10）：1707-1710.

[7] 陈威，刘菁华. 颜色直方图特征分割方法在火灾探测中的应用[J].计算机技术与发展，2011，21（7）：199-202.

[8] 侯宏录，李宁鸟，刘迪迪，等.智能视频监控中运动目标检测的研究[J].计算机技术与发展，2012，22（2）：49-52.

[9] Barnich O ，Van Droogenbroeck M. ViBe： A Universal Background Subtraction Algorithm for Video Sequences[C]. IEEE Transactions on Image Processing， 2011（6）：1709-1724.

[10] 杨俊，王润生.基于计算机视觉的视频火焰检测技术[J].2008，13（7）：1222-1234.

[11] 陈娟.基于多特征融合的视频火焰探测方法研究[D].中国科学技术大学，2009.5.

[12] 谢迪，童若锋，唐敏等.具有高区分度的视频火焰检测方法[J].浙江大学学报，2012，46（4）：698-704.