基于MHSW特征融合的火焰檢測

張 健，鐘中志，柯艷國，凡遠(yuǎn)柱

(1.國網(wǎng)安徽省電力有限公司，安徽 合肥 230061；2.安徽大學(xué) 電子信息工程學(xué)院，安徽 合肥 230039;3.安徽南瑞繼遠(yuǎn)電網(wǎng)技術(shù)有限公司，安徽 合肥 230088)

0 引 言

火災(zāi)會導(dǎo)致電力設(shè)備被燒毀，造成經(jīng)濟損失以及人員傷亡。因此，對環(huán)境中的火焰做出檢測有利于發(fā)現(xiàn)早期的火災(zāi)。在計算機視覺和圖像處理領(lǐng)域，火焰的識別已經(jīng)成為了熱門的研究方向。Shao Jing等[1]基于RGB空間中顏色分布的分析，提出一種提取疑似火焰像素點的算法，可以移除錯誤的火焰像素點和填充火焰區(qū)域的空洞。Kong等[2]選擇了HSI顏色空間，利用固定閾值分割方法來提取火焰區(qū)域，但是單個空間模型比混合空間模型對火焰區(qū)域的識別精準(zhǔn)度要低一些。Dimitropoulos[3]等提出融合空間能量、顏色特征和紋理特征的火災(zāi)火焰檢測的系統(tǒng)，該系統(tǒng)具有魯棒性和較低的誤檢率。嚴(yán)云洋等[4]采用LBP(局部二值模式)對疑似火焰區(qū)域提取多尺度紋理特征，再將LBP特征放入支持向量機中進行識別，該方法簡單，誤警率較低。Chou等[5]采用基于塊的對局部特征包括火焰的顏色和火焰的不動性分析，再通過LBP特征進一步識別火焰。Sam G Benjamin等[6]用HSV-YCbCr顏色空間和灰度共生矩陣(GLCM)的五個紋理特征來識別火焰，得到了較高識別率，但GLCM特征是統(tǒng)計性紋理特征，所以該方法對于像素級的紋理分類具有局限性。Ouyang等[7]用RGB顏色模型分離火焰圖像，通過形態(tài)學(xué)開合操作和邊緣提取操作提取合適的圖像邊緣來識別火焰，能夠準(zhǔn)確識別光干涉條件下的火焰圖像。

上述文獻火焰特征提取的部分都存在特征不具有抗噪聲性和火焰特征使用不充分的問題，會導(dǎo)致火焰特征訓(xùn)練和識別復(fù)雜化。針對這個問題，文中先利用超像素分割提取疑似火焰區(qū)域，對疑似火焰區(qū)域提取MHSW特征，MHSW中的HSV顏色直方圖和SILTP(尺度不變的局部三元模式)統(tǒng)計直方圖的局部最大化(只保留同一模式下最大的直方圖)，其中SILTP特征具有抗噪聲性和光照不變性，充分高效地利用這兩個特征，通過與圓形度特征融合和交叉網(wǎng)絡(luò)搜查法的SVM識別真實的火焰。

1 疑似火焰區(qū)域的提取

超像素分割利用像素特征間的相似性將像素分組，用少量的超像素代替大量的像素來表達圖像的特征，很大程度上降低了圖像后處理的復(fù)雜度。文中采用SLIC圖像過分割的方法對圖像進行預(yù)處理[8]。

顏色是火焰的特征，典型的顏色空間主要有RGB、HSI、YCbCr等，不同的顏色空間有不同的特長[9]。根據(jù)火焰顏色的特點，文中采用YCbCr顏色空間模型對火焰進行分析，該模型采用的6條規(guī)制如下:

rule1:Y(x,y)>Cb(x,y)

(1)

rule2:Cr(x,y)>Cb(x,y)

(2)

rule3:Y(x,y)>Ymean

(3)

rule4:Cb(x,y)

(4)

rule5:Cr(x,y)>Crmean

(5)

(6)

通過式1～式5對超像素分割后的圖像提取疑似火焰區(qū)域，結(jié)果如圖1所示。

圖1 疑似火焰區(qū)域提取

文中結(jié)合超像素和YCbCr提取疑似火焰區(qū)域，基于超像素的分割火焰的區(qū)域是完整的，如圖1(c)所示，可以直接對火焰區(qū)域進行特征提取。而以前的方法直接用顏色空間提取疑似火焰區(qū)域，基于像素點的分割火焰的區(qū)域是空洞的，需要經(jīng)過中值濾波、閉運算和填充等一系列的復(fù)雜圖像處理得到完整的火焰區(qū)域，才可以進行下面火焰區(qū)域特征提取的步驟。

2 火焰區(qū)域特征提取

2.1 SILTP(尺度不變的局部三元模式)

通過研究局部三元模式算子(LTP)[10]和局部二值模式(LBP)[11]，提出了SILTP模式，解決了LBP提取火焰區(qū)域紋理特征的一些問題。SILTP提取火焰區(qū)域特征對于范圍內(nèi)的局部火焰區(qū)域圖像噪聲具有魯棒性，而LBP提取火焰區(qū)域特征受到噪聲影響比較嚴(yán)重；尺度不變性使得SILTP提取火焰區(qū)域特征對光照變化具有魯棒性。因此，SILTP提取火焰區(qū)域特征更加健壯。

SILTP的概念描述和SILTP帶噪聲及縮放變化的比較如圖2所示，其中帶圓圈的像素隨著噪聲或比例改變而改變。

對于給定的任何像素點位置(xc,yc)，SILTP的編

圖2 SILTP的概念描述和SILTP帶噪聲及縮放變化的比較

碼為：

(7)

其中，Ic是中心像素點的灰度值；Ik是以中心像素點為中心的半徑為R的平均分配的N個灰度值中的一個；⊕是二進制字符串s的串聯(lián)運算符；τ是一個比例因子，表示比較范圍；sτ函數(shù)表示為：

(8)

2.2 火焰區(qū)間局部特征提取

大量實驗研究證明[12]，利用不同的特征對火焰進行描述，往往能夠互補從而提高火焰的識別率。顏色特征是火焰區(qū)域的一個非常重要的外觀特征，所以是用來識別火焰的一個重要特征。顏色直方圖是在火焰識別中應(yīng)用廣泛的顏色特征，其中HSV空間更符合人眼的主觀判斷，所以用HSV顏色直方圖提取顏色特征；火焰的紋理特征用于火焰的識別是最穩(wěn)定的，用SILTP來描述火焰的局部紋理特征的算子，除了具有灰度不變性和旋轉(zhuǎn)不變性[13]，還具有對噪聲和光照變化的魯棒性。

圖3 MHSW特征提取過程

(9)

2.3 火焰區(qū)域全局特征提取

HSV顏色直方圖和SILTP統(tǒng)計直方圖的兩個特征都是對火焰區(qū)域進行局部區(qū)域提取的特征，對于火焰的識別都具有一定的局限性。火焰區(qū)域圓形度特征是全局特征，可以通過它來互補從而提高火焰識別率。

圓形度是圓形相似程度的量，根據(jù)圓周長與圓面積，圓形度的計算公式定義為：

(10)

其中，L為火焰邊界的周長；S為火焰的面積。

將獲取的圖像轉(zhuǎn)化成二值圖像，1為火焰區(qū)域(白色區(qū)域)，0為非火焰區(qū)域(黑色區(qū)域)，提取火焰區(qū)域內(nèi)部所有像素作為面積值，由邊界算法得到火焰的周長。

對火焰區(qū)域的MHSW局部細(xì)節(jié)特征和火焰區(qū)域的圓形度的全局特征進行最優(yōu)加權(quán)[14]，然后融合成一組特征向量組作為疑似火焰區(qū)域的特征描述，同時使用交叉網(wǎng)絡(luò)搜查法的SVM實現(xiàn)火焰的識別[15]。

3 實驗結(jié)果與分析

3.1 算法流程

基于MHSW特征融合的火焰檢測算法首先對圖像進行超像素分割，根據(jù)YCbCr顏色空間提取疑似火焰區(qū)域，通過對疑似火焰區(qū)域提取局部的MHSM特征和全局特征，通過融合得到疑似火焰區(qū)域的特征向量組，最后采用交叉網(wǎng)格搜查法的SVM進行識別。具體流程如圖4所示。

圖4 算法流程

3.2 實驗數(shù)據(jù)

實驗數(shù)據(jù)一部分來自自行錄制的視頻圖像，一部分來自互聯(lián)網(wǎng)，共有圖像7 858幅，圖像大小為640*480，來自不同場合，有晚上的室內(nèi)外火災(zāi)視頻圖像和非火災(zāi)視頻圖像，有白天室內(nèi)外火災(zāi)視頻圖像和白天室內(nèi)非火災(zāi)視頻圖像。圖5(a)是其中部分視頻圖像。

圖5 實驗部分?jǐn)?shù)據(jù)

在實驗中，選取3 400幅火焰圖像和2 400幅非火焰圖像，共5 800幀作為訓(xùn)練樣本，其余2 058幅作為測試樣本。

3.3 實驗結(jié)果及分析

將圖像直接提取HSV+LBP+圓形度特征進行融合(直接算法)，與文中算法進行對比。SVM都選用徑向基核函數(shù)，使用算法求取最優(yōu)參數(shù)：核參數(shù)g和懲罰參數(shù)c[15]。其中直接算法最優(yōu)參數(shù)c=4.56,g=0.35，文中算法最優(yōu)參數(shù)c=5.16,g=0.26。圖6給出了兩種算法的火焰識別結(jié)果。

圖6 SVM分類器對火焰識別的結(jié)果

圖6每個場景中第一個條形表示文中算法，第二個條形表示直接算法。室內(nèi)棉紙火焰和室內(nèi)蠟燭火焰一直相對穩(wěn)定，所以識別率很高；建筑物火焰比較明顯，與周圍環(huán)境差別很大，因此識別率也比較高；野草樹木火焰受到風(fēng)力等因素影響較大，也會有些許的噪聲影響，火焰特征可能不穩(wěn)定，識別率會有所下降；夜晚的紅燈與火焰的顏色和圓度角有些相似，所以會發(fā)生誤檢。由圖6實驗數(shù)據(jù)可知，五種場景中文中算法的識別率明顯都高于直接算法，這是因為：(1)超像素分割獲得完整的火焰區(qū)域促進了MHSW和圓形度特征的精確提?。?2)SILBP特征具有抗噪聲性和對光照變化的魯棒性；(3)MHSW特征中充分利用了HSV顏色直方圖和SILBP統(tǒng)計直方圖特征中局部最大化特性，降低了火焰特征使用的冗余性和火焰特征訓(xùn)練識別的復(fù)雜性，以及火焰識別的誤檢率，從而使得火焰的識別率在原有基礎(chǔ)上有所提高。

同時，還將文中算法和參考文獻[5-6]進行對比，結(jié)果如表1所示。其中TP指火焰被正確識別概率，即準(zhǔn)確檢測到的數(shù)量占實際火焰數(shù)量的比例；FP指火焰被視為非火焰的概率，即未檢測到火焰數(shù)量占實際火焰數(shù)量的比例；TN指非火焰被視為非火焰的概率，即檢測到的非火焰數(shù)量占實際非火焰數(shù)量的比例；FN指非火焰被視為火焰的概率，即未檢測到的非火焰數(shù)量占實際非火焰數(shù)量的比例。

表1 不同方法火焰平均識別率對比 %

由表1可以看出，在室內(nèi)和室外不同場景下，提出的MHSW特征融合方法取得了更高的識別率和更低的誤檢率。這是由于引入的超像素分割和YCbCr顏色空間，在復(fù)雜場景下能夠定位到疑似火焰區(qū)域，同時提取的MHSW特征解決了大量冗余信息導(dǎo)致的特征使用效率低下的問題。

選取部分無明顯光照影響火焰圖像和有明顯光照影響的圖像，如圖5(b)第一行三個是無明顯光照影響圖像，第二行三個是明顯光照影響圖像。結(jié)果如圖7所示，其中每種算法第一個條形表示無關(guān)照影響，第二條形表示有光照影響。

圖7 有無光照影響下的火焰識別率

由圖7看出，在有明顯光照影響的條件下，文獻[5-6]的火焰識別率都有所下降,而文中算法的識別率幾乎沒有影響。實驗圖像中由于光照強度的變化，導(dǎo)致文獻[5-6]的火焰特征提取會產(chǎn)生誤差。文中算法為了克服光照因素，使用了火焰的MHSW特征，MHSW特征對噪聲和光照變化具有魯棒性。

4 結(jié)束語

文中算法通過超像素分割和YCbCr顏色空間分割疑似火焰區(qū)域，對疑似火焰區(qū)域通過MHSW特征和圓形度特征進行火焰識別。實驗結(jié)果表明，文中提出的火焰識別算法有較高的識別率和較低的誤檢率，而且能適應(yīng)多場景，對光照強度變化具有魯棒性。