基于多属性分类器融合的火焰检测算法

杨凯文，李双群

（中电长城圣非凡信息系统有限公司，北京 102209）

0 引 言

随着社会的不断进步、城市规模的扩大以及人口密度的增加，火灾作为世界上危害最大的灾害之一，严重威胁着人类的生命财产安全。近年来，中国发生了很多重大火灾，主要集中在人员密集场所、森林、仓库、高大建筑物内等，造成了极大的人员和经济损失，社会影响也越来越大。因此，火灾自动检测显得尤为重要。基于视频监控的火焰检测作为火灾自动检测的核心技术，其检测准确性对于火灾的事先预防和快速响应尤为重要。然而，视频监控场景中的火焰检测仍然存在以下问题：

（1）许多物体与火焰具有相似的外观，例如阳光、人造灯光、光反射现象、移动的红色目标，这些物体经常被误判为火焰；

（2）很难对视频监控中火焰的随机运动、外观多变等复杂性质进行建模，但这些因素对于火焰检测准确率产生着直接影响。

针对上述问题，现有火焰检测研究还无法达到令人满意的结果，火焰检测准确率依然不能满足应用需要。由于现有的相关研究主要依靠颜色和形状变化检测视频中的火焰，对火焰亮度、燃烧物质和天气条件等因素变化非常敏感，很难准确地区分火焰和红色物体。虽然运动属性已经被用于检测火焰，但火焰随机多变的运动，很难被准确地描述。

本文利用火焰深度特征，对火焰的运动属性进行建模，结合火焰颜色和运动属性的互补特性，设计了一种基于多属性分类器融合的火焰检测方法，用于准确的检测森林、室内、室外环境监控视频中的火焰，提高火焰检测准确率。首先，提取火焰YUV颜色空间属性，构建颜色属性分类器，该分类器受火焰亮度变化影响较小；接着，为了准确描述火焰的随机多变的运动特性，提出了一种运动熵描述符，运动熵描述符可以使用低维度特征向量有效的描述火焰的瞬时运动信息和内部及边界运动信息，采用词袋模型表示运动目标的有效运动信息；最后，在火焰检测数据集（186有火视频片段和185个无火视频片段）上的实验表明，本文方法取得了很好的检测准确性。

本文主要贡献为：

（1）设计了一个火焰检测方法，结合了火焰颜色和运动属性的互补特性，在监控视频中获得了准确的火焰检测结果；

（2）提出了运动熵描述符用于表示火焰的运动信息，综合描述火焰的瞬时运动和内部及边界运动信息；

（3）收集了一个更广泛和更具挑战性的火焰检测数据集，综合评估本文方法良好的火焰检测性能。

1 相关研究

目前，火焰检测技术已引起学术界、工业界的广泛关注。根据使用的特征类型，现有研究大致分为基于颜色属性的检测技术和基于运动属性的检测技术。

1.1 基于颜色属性检测技术

常见可燃物（例如：木材、织物等）燃烧产生的火焰具有相似的颜色，采用基于颜色属性的方法可以准确地检测火焰。例如：龙凯等人利用火焰颜色与火焰光谱的关系研究影响火焰颜色的因素，并通过燃烧甲烷进行验证；Celik等人采用YUV颜色空间描述火焰颜色，并在YUV空间中定义了6个规则，将火焰的亮度与色度分开，有效地缓解了火焰亮度变化导致检测准确率降低的问题。本文采用YUV空间下的6种不同规则的组合来识别火焰颜色。除了光线和背景干扰外，不同材料可燃物燃烧产生的火焰颜色差别很大。如：汽油、庚烷等火焰颜色均接近白色。因此，仅仅使用颜色属性无法准确地检测复杂环境下的火灾事件。

1.2 基于运动属性检测技术

此前，研究者们已经提出了一些运动描述符来表示火焰的运动特性。如，Foggia等人提出了一个基于词袋模型的描述符，来表示火焰运动信息；张驰等人基于支持向量机，将火焰的局部二值模式纹理和边缘相似度特征进行融合并用于火焰检测；Xie等人同时利用火焰运动闪烁的动态特征和深度静态特征，对视频中的火焰进行检测。与上述方法不同，本文提出了一种新型运动属性描述符—加权归一化运动熵，来表示火焰的内部运动和边界运动，具有描述准确、特征维度低等优势。

2 多属性分类器融合识别方法

本文设计的多属性分类器融合的火焰检测算法框架如图1所示。该算法采用自适应混合高斯模型（GMM），对监控视频背景进行建模，并使用背景差分算法提取监控视频中的运动物体；使用形态学方法消除噪声，将运动物体对应的区域标记为候选目标；引入基于颜色、运动属性的两种分类器，分别对候选目标进行分类；最后，使用权重投票机制，融合两种分类器得到最终检测结果。

图1 本文方法概述图Fig.1 Overview of the proposed method

2.1 基于颜色属性分类器

若所有规则都满足，则该候选目标被检测为火焰目标。

2.2 基于运动属性分类器

在监控视频中，阳光、人造灯光等场景的颜色与火焰颜色相似，且一些特殊材料（如：汽油、庚烷等）燃烧产生的火焰颜色与常规材料燃烧的火焰颜色差别很大。因此，仅仅使用颜色属性无法准确地检测复杂环境下的火灾事件。

由于自然环境、燃烧材料等因素影响，火焰的运动具有随机性、复杂性和不可预测性等特点。而铰链型物体（如：穿着红色衣服的人）、刚性物体（如：红色交通工具）和人造灯光（如：霓虹灯、车灯等）在一段时间内沿特定的方向进行移动，其运动具有规律性、确定性。

为了有效区分火焰目标和非火目标，本文提出了运动熵描述目标的运动信息，可以有效区分目标的随机性运动和规律性运动。

2.2.1 目标运动特征提取

2.2.2 运动属性分类器

2.2.2.1 运动属性描述子

图2 不同运动目标的运动属性Fig.2 Motion attributes of different moving objects

2.2.2.2 分类器

如图2（a）所示，由于火焰的运动方向直方图是分散的，其运动熵值较大；相反，刚性目标或铰链型目标的方向直方图是集中的，其运动熵值较小，如图2（b）所示。因此，基于运动属性的分类器C定义为：

实验中，和分别设置为0.6和0.95。由于用来过滤具有闪烁特性的移动目标（如车灯、霓虹灯等），其运动具有很强的规律性且运动方向平均分布在各个角度区间中，运动熵值接近于1。

2.3 多属性分类器融合系统

本文采用加权投票方式，融合颜色属性、运动属性分类器，属于决策层信息融合方法，具有高灵活性、强抗干扰性、良好的容错性等优点。文献［9-10］研究表明，多属性分类器融合系统是最鲁棒的融合方式之一。

权重ω通过贝叶斯公式动态估算，以获得最高的识别率。若给定第个分类器的分类矩阵，类别的权重ω()通过公式（6）进行计算：

其中，为类别的数量。

最终分类结果通过最大化多分类器，在识别一个特定类的可信度得到。候选目标属于类别的可信度()，通过加权投票计算得到：

3 实例验证

3.1 数据集

为了评价本文提出算法的性能，建立了一个火焰检测数据集。火焰检测数据集中收集了186个有火视频片段和185个无火视频片段。由47个森林场景、129个室内场景和195个室外场景组成。其中包含了155个非常具有挑战性的负样本。如车灯、霓虹灯、光线变化及反射、移动的烟雾、穿红色衣服的人、红色车辆等。

数据集被随机划分成两个部分：80%作为训练集、20%作为测试集，使用准确率、误检率（FPR）、漏检率（FNR）评价所提方法的性能。

3.2 实验结果分析

表1中，与运动估计方法（ME）相比，本文提出的运动属性分类器（MA）可以通过使用目标内部运动信息和边界运动信息显著提高火焰检测性能。其原因是：ME方法使用SIFT特征匹配来计算运动信息，但很难在火焰上提取到准确的SIFT匹配点，本文提出的运动熵，使用深度运动特征计算目标的运动信息，能够准确地、区分性地描述目标的随机性运动和规律性运动。最后，使用加权投票规则，融合颜色属性和运动属性进行火焰检测，得到了最高准确率（91.18%），高于Foggia方法将近1.25个百分点。

通过实验可知，颜色属性对于火焰检测仍然是最重要的属性（见表1）。但是，如果只使用颜色属性来检测火焰，在某些特殊情况下不能正确区分火焰和非火目标。因此，在这些特殊情况下，通过融合运动属性可以得到正确的检测结果。如图3中的前两行所示，Foggia方法得到了错误的检测结果，而本文方法通过融合颜色属性和运动属性，可以正确区分火焰和非火对象；图3中的后两行属于常规材料燃烧产生的火焰，本文方法和Foggia方法都得到了正确的检测结果。因此，运动属性能够减少由颜色属性引入的误报（既可以过滤掉穿红色衣服的人、红色车辆、车灯、霓虹灯等带来的误报），同时也能正确识别由特殊材质（如：汽油、庚烷等）燃烧产生的火焰。

表1 火焰检测结果对比Tab.1 Comparison of the fire detection results

图3 不同方法火焰检测结果的典型示例Fig.3 Examples of fire detection results from different methods

4 结束语

本文设计了一种基于多属性分类器融合的火焰检测方法，提出了运动熵描述符用于表示火焰的运动信息，结合火焰颜色和运动属性的互补特性，提高火焰检测算法的准确率。此外，还建立了一个更广泛和更具挑战性的火焰检测数据集，用于评估本文提出的方法。实验结果表明，本文方法得到了良好的火焰检测性能。在未来研究工作中，将尝试利用深度学习方法表示火焰运动属性，以进一步提高火焰检测准确率。