謝偉

摘要：基于視頻的火焰檢測算法為解決傳統(tǒng)感煙感溫火焰檢測方法受環(huán)境制約的問題提供了一條新的路徑。通常的視頻火焰檢測算法主要利用火焰的顏色、形狀、頻域特征等信息來進行檢測，計算較為復雜，往往不能達到實時性。文中結合火焰的顏色、運動特性以及頻閃特性，提出一種簡單高效的視頻火焰檢測方法。首先使用ViBe算法提取出視頻中的運動區(qū)域作為火焰候選區(qū)域，以降低計算量，再通過火焰的顏色模型篩選出疑似火焰區(qū)域，最后根據(jù)火焰的頻閃特性建立一個簡單的頻閃模型，進一步濾除與火焰顏色相似的非火焰運動區(qū)域。通過實驗證明，該文提出的算法能夠檢測出不同環(huán)境下火焰的發(fā)生，且執(zhí)行效果較高。

關鍵詞： 視頻；火焰檢測；運動區(qū)域；顏色模型；頻閃

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2014）22-5303-04

當今社會人們的生活、辦公越來越密集化，物資存儲也更加集中，一旦發(fā)生火災將會對人們的生命和財產(chǎn)安全造成巨大的威脅，人們對火災預防重視程度不斷加強。傳統(tǒng)的火災預防技術主要是基于溫度、煙霧的感應[1]。這類方法需要在檢測環(huán)境中安裝溫度或者煙霧傳感器，對火災的檢測效果往往會受到距離、溫度、粉塵等物理條件的影響[2]。為了克服傳統(tǒng)火災檢測系統(tǒng)存在的問題，研究人員提出了基于視頻分析的火災檢測技術。該類方法通過攝像機獲取監(jiān)控場景中的實時視頻畫面，利用圖像處理和視頻分析技術檢測火災的發(fā)生，這種非接觸式的檢測方法直觀主動，對監(jiān)控場景具有普適性，可以克服傳統(tǒng)火災檢測系統(tǒng)受物理條件限制的缺點[3]。文獻[4]結合火焰顏色統(tǒng)計模型和序列模式挖掘的方法，能夠檢測出一幅圖像中的火焰，文獻[5]利用視頻中火焰區(qū)域的火焰顏色概率模型、火焰區(qū)域的形狀以及火焰外形的變化規(guī)律來檢測火災的發(fā)生。文獻[6] 采用一種基于色覺和無序性測量的RGB模型來檢測火焰和煙霧，而文獻[7]則是通過在HIS顏色空間下使用直方圖特征分割的方法來判斷是否有火災發(fā)生。

為了提高火焰檢測的效率和準確率，該文首先通過運動檢測算法提取出視頻中運動的區(qū)域，進一步使用火焰顏色模型來選擇出候選區(qū)域，最后根據(jù)火焰的頻閃特性建立簡化的火焰頻閃模型，進一步濾除非火焰區(qū)域，提高檢測精度。

1 運動區(qū)域提取

運動區(qū)域提取的目的是將不斷運動的區(qū)域從背景圖像中提取出來，是視頻分析算法的關鍵基礎環(huán)節(jié)，是目標定位、識別和跟蹤的前提[8]。

眾所周知，由于受到氣流等因素的影響，火焰在燃燒過程中會持續(xù)不斷的運動，該文先使用ViBe（Visual Background Extractor）[9]算法提取出視頻中的運動區(qū)域，縮小檢測范圍，提高火焰檢測的效率和精度。

ViBe算法由Olivier Barnich和Marc Van Droogenbroeck于2011年提出，是一種像素級視頻運動提取算法，由于它計算簡單，效率較高，能夠較準確的提取出完整目標，且占用硬件資源較少，目前得到了廣泛的應用。ViBe算法是一種基于統(tǒng)計背景模型的運動區(qū)域檢測算法，其基本流程如圖1。算法首先根據(jù)第一幀圖像建立背景模板，圖像的每個像素點在背景模版中都有一個維數(shù)為N的樣本集合，初始化時樣本集合里的值從每個像素點的R[×]R鄰域內隨機抽取。對后續(xù)圖像幀的處理包含匹配和背景更新兩個部分。匹配過程中計算當前像素點與其樣本集合中的元素值在顏色空間中的距離，并統(tǒng)計距離小于一定閾值D的元素個數(shù)，當個數(shù)大于一定閾值T，則判定該像素點為背景點，否則判定其為前景點。對判定為背景點的像素要更新對應的樣本集合，首先隨機抽取NUM個樣本集合中的元素，將其值更新為當前像素的值。由于視頻幀中的像素點與其鄰域內的像素點具有一定的相關性，所以要隨機對其鄰域內的一個像素點進行背景更新。ViBe算法的檢測結果如圖2。

2 火焰顏色檢測

火焰在一般背景下會呈現(xiàn)出明顯的高亮度，其獨特的顏色在不同的色彩空間（RGB、HSV等）都具有特定的分布[10]。該文在上述ViBe算法的基礎上利用火焰顏色特性來去除運動區(qū)域中非火焰區(qū)域，提高檢測精度。該文使用的火焰顏色分布如下：

3 火焰頻閃模型

火焰在燃燒過程中由于湍流流動導致火焰外圍，即火苗的無序閃動，具體表現(xiàn)為一種持續(xù)的高頻時序變化，研究者們還發(fā)現(xiàn)這種無序閃動具有與燃料和燃器形狀無關的動態(tài)范圍（10Hz以內）[11]。文獻[12]采用火焰顏色像素沿時間軸的一維傅里葉變換來檢測火焰的頻閃特性，計算較為復雜。該文根據(jù)火焰的頻閃特性，統(tǒng)計像素點在固定時域范圍內的變化次數(shù)，建立一個簡化的火焰頻閃模型。具體算法如下：

1） 建立一個大小為[TIME]的火焰頻閃模型，模型中每個元素為一幅二值圖像，圖像的分辨率與原圖相同，每個像素點表示原圖中該像素點是否發(fā)生變化。

2） 通過ViBe算法獲得第[n]幀圖像的運動區(qū)域，與第[n-1]幀圖像的運動區(qū)域進行比較，獲取當前圖像中像素點的變化情況，存入火焰頻閃模型。若1<[n]<[TIME]，則返回（2）；否則進入下一步。

3） 設置計數(shù)器[DiffCnt]，初始為0，通過火焰頻閃模型獲取當前幀運動區(qū)域中各個像素點在[TIME]幀內的變化次數(shù)[t]，若[Tmin]<[t]<[Tmax]，則[DiffCnt]加1。

4） 計算[DiffCnt]與運動區(qū)域大小的比值，大于一定的閾值[Alpha]，則認為當前運動區(qū)域符合火焰頻閃特性。若視頻未結束，則跳轉（2）。

火焰頻閃模型實驗結果如圖4，其中[TIME]、[Tmin]、[Tmax]、[Alpha]的取值分別為25、5、15、0.5。

4 實驗結果

為了驗證算法的效果，該文采用了不同環(huán)境下的測試視頻進行了實驗，結果如圖5。實驗使用的硬件環(huán)境為：CPU為Pentium? Dual-CoreE6700（主頻為3.2GHz），內存2GB，軟件平臺為：操作系統(tǒng)為Windows 7（32位），使用C++語言在Microsoft Visual Studio 2010進行編程，調用OpenCv圖像處理庫。實驗中所用的測試視頻分辨率均為320[×]240。通過上述實驗可以發(fā)現(xiàn)本文提出的算法能夠在不同環(huán)境下檢測出火焰的發(fā)生，且執(zhí)行效率較高，實驗處理一幀圖像平均只需要5ms。但是在復雜環(huán)境下，該方法也會產(chǎn)生錯誤檢測。

5 總結

本文通過結合火焰的運動特性、顏色特征以及頻閃特性，提出了一種簡單高效的視頻火焰檢測算法，能夠在不同環(huán)境下檢測出火焰的發(fā)生，具有一定的實際應用價值。但是由于實際環(huán)境的復雜性以及算法本身存在的缺陷，該文提出的方法也會產(chǎn)生一些錯誤的檢測。未來的研究工作中準備進一步分析算法錯誤檢測的情況，繼續(xù)提高算法的準確率。

參考文獻：

[1] 袁非牛，廖光煊，張永明，等.計算機視覺火災探測中的特征提取[J]. 中國科學技術大學學報，2006，36（1）：39-43.

[2] 楊俊，王潤生.基于計算機視覺的視頻火焰檢測技術[J].中國圖像圖形學報，2008，13（7）：1222-1234.

[3] 高愛蓮.基于視頻的火焰檢測方法研究[D].昆明理工大學，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] 陳威，劉菁華. 顏色直方圖特征分割方法在火災探測中的應用[J].計算機技術與發(fā)展，2011，21（7）：199-202.

[8] 侯宏錄，李寧鳥，劉迪迪，等.智能視頻監(jiān)控中運動目標檢測的研究[J].計算機技術與發(fā)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] 楊俊，王潤生.基于計算機視覺的視頻火焰檢測技術[J].2008，13（7）：1222-1234.

[11] 陳娟.基于多特征融合的視頻火焰探測方法研究[D].中國科學技術大學，2009.5.

[12] 謝迪，童若鋒，唐敏等.具有高區(qū)分度的視頻火焰檢測方法[J].浙江大學學報，2012，46（4）：698-704.