基于视频的改进的火焰目标分割方法

周磊 刘正熙

四川大学计算机学院 四川 610065

0 引言

火灾作为世界灾害之一，如何更有效的发现早期火灾，使得更快，更有效的对火灾采取应对措施，一直都是各国科学家研究的课题。随着图像处理技术的发展，利用视频监控技术和火焰的图像特征分析来进行早期火灾的检测已经开始成为研究的热点。

目前已用于火焰检测的颜色模型有RGB，HSI，HSV，YCrCb等，它们都已被广泛地使用到火焰检测研究中。早期，Yamagishi提出HSV颜色空间的火焰分割方法，通过大量的实验获得火焰在HSV颜色空间中的区域值，通过判断像素是否在区域中来判断是否为火焰像素。2004年，chen等提出RGB与HSI的两种火焰颜色空间综合模型进行火焰分割，达到了很好的火焰分割效果。但是具有很大的局限性，仅仅能很好的分割出特定的火焰。2008年，Celik等人提出了一种基于YCrCb颜色空间的火焰分割方法，根据YCrCb各个通道的图像进行分析，提出一套利用颜色空间YCrCb特性的火焰像素提取规则，实现火焰分割。这种方法使得继RGB，HSI颜色空间之后，又出现YCrCb作为火焰检测的可选颜色空间。但通过实验，发现Celik等提出的YCrCb模型依然仅仅能针对部分特定火焰进行很好的分割，而不能针对绝大多数火焰。

图1 火焰图片分割效果对比

由实验结果可以看出（如图1），基于RGB与HSI的综合颜色模型能更完整地检测红色、黄色的火焰像素点，而Celik等人提出的YCrCb火焰检测更倾向于检测黄色，而对红色火焰的检测不够准确。并且两者都仅仅能检测红色、黄色区域，对于较亮的火焰中心区域高亮偏白色的高亮部分都很难准确检测。因此本文提出基于颜色模型与区域生长相结合的火焰分割方法，达到更完整地分割火焰目标的目的。

1 基于RGB与HSI的火焰颜色模型

RGB颜色模型是最基础、最常用的模型，它很好地诠释了颜色的属性。然而，它与人眼认知颜色的过程不是很匹配。HSI颜色模型是从人的视觉系统出发，用色度（Hue）、色饱和度（Saturation）、亮度（Intensity）来描述颜色。三分量H、S、I具有相对独立性，与R、G、B三分量相比，分量之间的相关性要小得多，能够更准确地描述颜色特征。

火灾中火焰的颜色主要为红色与黄色，在HSI模型中，对应的色度分量为[0，60]之间。火焰的饱和度S，会根据环境的变化而变化，环境的明暗对饱和度S的影响较大。而且当明亮的环境下，饱和度值比在较暗的环境下更大。并且仅仅使用HSI模型进行火焰分割，需要很多经验阈值，很难达到火焰分割的准确性。chen等提出的RGB与HSI的两种火焰颜色空间综合模型，很好的解决了饱和度随环境变化而难以估量的问题。

综合模型由以下三个规则构成：

同时满足这三个规则，则认为是疑似火焰像素点。否则，认为干扰像素，即：

从综合模型规则可以看出，采用RGB与HSI综合模型，仅仅需要计算出饱和度S分量，大大减少了仅仅使用HSI模型时所需的计算复杂性，能更加快速地进行火焰分割。

2 基于颜色模型与区域生长相结合的火焰分割

2.1 视频流图像帧间差分

火焰具有闪烁的特性，可以认为火焰是运动的物体。而运动目标检测最直接快速的方式就是帧间差。又由于火焰又具有相对稳定性，不会短期内出现位置跳跃变换的现象。因此，采用间隔N帧的两帧图像进行帧间差分，以检测到火焰目标。既能保证实时性，也能减少处理工作量，进而提高检测系统性能。

以往的火焰图像的分割，都是基于一幅图像进行的。而本文研究的方法，是在实时视频的基础上，利用帧间差分，获取图像中变化的像素点，筛选出火焰像素点，再以此进行区域生长，最终分割出完整的火焰。因此在处理时，仅仅局限在一幅图像的某块区域，能更有效率地处理完一幅图像，这也更加满足视频的实时性要求。

2.2 火焰种子的筛选与区域生长

本文中的区域生长，即以火焰种子为中心，遍历其周围相邻的八个邻域像素点，逐一判断是否为火焰像素点，再以发现的火焰像素点为火焰种子，继续八邻域遍历，使火焰区域不断生长扩大。

整个区域生长的过程，如下：

（3）若判断像素点P（x+i，y+j）是火焰种子，则将MN标记为1，并将标记为1，表示此像素点是火焰种子，并以此像素点作为区域生长的起始点，进行八领域遍历。直到某像素点周围八邻域像素点VN值都为1时，则返回到上一个起始点进行八领域遍历，直至返回到最初的起始点P（x，y）。

图2 区域生长过程示意图

如图2所示，a中1表示图像中未检测到的火焰像素点，2表示已检测到的火焰种子。b描述了a中由一个火焰种子点开始遍历的完整顺序过程。c中描述了以一个火焰种子为中心的区域生长单元，进行八邻域的顺时针遍历过程。

3 实验结果

为了验证本文提出的火焰分割方法，在现实实时视频监控中的有效性。本文选择一段大空间远景的视频流，视频中有红色的干扰物体，也有走动的人物目标，通过此视频证明本文所提出的方法能较好地避免静止的干扰物体，也能屏蔽移动的干扰物体，实现了对图像中火焰目标完整地分割。

图3 实验结果（a）～（e）

由实验结果可以看出（如图3），本文提出的方法很好地对火焰目标进行了完整地分割，证明了所提出的方法的有效性。

4 结语

基于视频的火焰检测技术使大空间火灾早期预警提供了可行性。本文提出的方法具有良好实时性，通过RGB与HSI综合颜色模型，提出基于火焰种子的区域生长火焰分割方法，实现了对于火焰高亮区域的提取，能更完整地分割出火焰目标区域。为之后进行火焰识别的准确性提供更有利的条件。

[1]Hideaki Yamagishi，Jun’ichi Yamaguchi.Fire Flame Detection Algorithm Using a Color Camara[J].in Proceedings of the 1999 International Symposium on Micromechatmnics and Human Science.1999.

[2]Thou-Ho Chen，Ping-Hsueh Wu，and Yung-Chuen Chiou.An Early Fire-Detection Method Based on Image Processing[J]，International Conference on Image Processing.2004.

[3]Turgay Celik，Kai-Kuang Ma.Computer Vision Based Fire Detection in color Images [J].IEEE Conference on Soft Computing in Industrial Applications（SMCia/08）.2008.

[4][美]Rafael C.Gonzalez，Richard E.Woods著，阮秋琦，阮宇智等译.数字图像处理[M].第二版.电子工业出版社.2003.