基于多特征匹配的视频图像火灾火焰检测方法研究

杨亚洁，薛 静，乔鸿海，刘 宇

（西北工业大学 自动化学院，陕西 西安 710072）

基于多特征匹配的视频图像火灾火焰检测方法研究

杨亚洁，薛 静，乔鸿海，刘 宇

（西北工业大学 自动化学院，陕西 西安 710072）

相对传统的视频图像火灾检测方法，提出一种基于多特征匹配的视频图像火灾火焰检测方法。首先，算法采用改进的混合高斯分块模型对监控画面中的动态区域划分；再利用颜色概率统计模型提取动态区域的颜色特征，并分割出疑似火灾区域；最后，通过统计疑似火灾区域圆形度特征并判断火灾火焰是否存在。实验表明：算法对火灾火焰的检测识别准确率较高，并具有较好的实时性和抗干扰性。

火灾火焰检测；改进混合高斯分块模型；颜色概率统计模型；区域圆形度特征

智能视频监控系统是智能消防安全系统(Intelligence Fire Safety System)中的重要组成部分。基于视频图像的火灾检测方法也成为目前火灾检测技术的重要研究方向之一。Tian Qiu[1]等学者提出利用自适应边缘检测来提取火焰尖角特征，作为火灾识别判断的依据。但是对于航拍、野外拍摄等距离较远的情况下，上述方法难以实现。胡国良[2]等人同时也提出利用混合高斯模型(Gaussian Mixture Model)进行火灾动态目标的检测。但是，传统的混合高斯模型在火焰目标检测过程中，实时性较差并且火焰中心处会出现“空洞”现象，导致一些火灾区域的漏检。

针对上述各种火灾识别方法的不足，本文提出了一种基于多特征匹配的火灾检测算法。首先，利用改进混合高斯分块模型对画面中的火焰动态区域进行检测。然后，采用颜色概率统计模型对动态区域像素点进行颜色特征的提取，准确地分割出疑似火灾区域。最后，提取疑似火灾区域的区域圆型度特征，并通过观察边缘变化离散度来判定是否存在火灾火焰。

1 改进混合高斯分块模型的火灾区域检测

1.1 混合高斯分块模型机理

火焰在燃烧的过程中，由于气流、气压以及温度等影响，火焰影像呈现出运动特性。混合高斯模型对火灾动态区域能够进行较为精确地检测，从而排除大量的背景干扰区域。传统混合高斯模型计算复杂度较高，实时性较差。本文将监控画面转换为灰度图像[3]，并将监控画面划分成若干个3×3的像素块，求其像素块的均值和方差。每个像素块的灰度均值和方差代替区域内的像素点进行混合高斯模型的建立和学习，这样极大地减少了运动区域检测的计算量。

其中T1度量了背景高斯成分在整个概率分布中所占的最小比例，T1取经验值为0.65。

1.2 改进背景学习更换变量

火焰的燃烧特点是外焰变化较为频繁，频率达到10 Hz以上。而内焰和焰心的变化频率要远低于外焰变化的频率。传统混合高斯模型的背景更新采用的是固定频率，对于变化速率较慢的目标检测效果较差。在燃烧的过程中，火焰内焰和焰心灰度值的变化逐渐稳定，混合高斯模型会利用其作为新的模型参数，导致监控画面中将形成不规则的火焰轮廓，并且中心处出现“空洞”的现象，导致一些火灾区域的漏检(如图1(b))。

本文利用改进混合高斯模型[4]结合了背景差法，增加了背景训练变量，用于改良背景模型的更新方式。

其中，TraBj,t代表了第M个像素块均值在第t帧时刻背景学习变量，学习效率为0.012，帧差阈值T2为15，背景更新阈值Tc为25；当match=1时，当前像素块均值与背景像素块匹配，算法认定为背景像素块，然后利用混合高斯分块模型进一步的检测运动前景。否则，算法将认定为目标前景像素块，并且在后续视频序列继续保留。

在燃烧的过程中，内焰和焰心处的像素块的均值变化逐渐稳定，但算法保留了其目标前景像素块，不再使用混合高斯模型进行前景检测。从而，内焰和焰心区域避免了误判为背景区域，并造成“空洞”的现象(如图1(b))。其中，图1为火灾动态区域检测仿真结果图，其中(a)为火焰视频序列；(b)为混合高斯模型的火焰视频序列检测结果；(c)为改进混合高斯模型的火焰视频序列检测结果。图2为改进混合高斯分块模型算法流程。

图1 火灾动态区域检测仿真结果图Fig. 1 Result of fire dynamics area detection simulation

2 基于概率统计模型的颜色特征识别

火焰颜色由于温度的影响，从焰心到外焰的颜色顺序为暗红、红、橙黄、黄和淡蓝色。文献[2]中提出对R、G、B 3个分量设定相应的阈值，进行颜色特征提取及其区域分割。此方法简单易行，但检测效果欠佳(如图3(b))。基于颜色概率统计模型[5]的方法进行颜色特征提取及其区域分割。通过先验统计知识，火焰样本中R、G、B 3个分量，R分量值大于B分量值，B分量值大于G分量值。每个分量都可以近似服从高斯概率分布。图像预处理过程中，采用3×3的均值滤波器对其图像3个分量进行平滑处理，消除部分高斯噪声。同时确定每个分量中的像素点大小为其8领域的均值，待测样本空间大小为9。

图2 改进混合高斯分块模型流程图Fig. 2 Flowchart of improved Gaussian mixture block model

Dc反映了概率模型下的置信度值，用于检测像素点是否符合火焰颜色特征。公式(11)中，利用曲线拟合的方法将分段函数来代替概率密度函数计算概率值的大小，提高算法的执行效率。通过公式(12)进行火灾区域的二值化图像分割。

其中，置信度阈值T3为3.5; λ为权重参数；ω为权重比率，并满足 ω1>ω3>ω2的关系。仿真实验表明：颜色概率统计模型相对于阈值模型能够对火焰燃烧区域进行更为准确地分割。图3为颜色特征检测仿真结果图，其中(a)为火灾图像；(b)为阈值模型的火焰区域检测结果；(c)为颜色概率统计模型的火焰区域检测结果。

图3 颜色特征检测仿真结果图Fig. 3 Results of color feature detection simulation

3 基于区域圆形度的火灾动态特征提取

火灾发生过程中，火焰的轮廓相对其他特征更容易检测，并且具有闪烁、跳动、摇摆等特点。算法对疑似火灾区域的圆形度[6]进行提取和识别，分辨出干扰区域(灯光、烛光以及身着红黄颜色外套的行人)和火灾区域。区域圆型度(Zone Circularity)是表征在视频序列中，区域轮廓变化程度的特征量。设监控画面在第t帧图像中第m个区域的圆形度为cmt。

首先，利用边缘检测算子对疑似火灾区域进行边缘检测，得到检测区域的轮廓；然后，提取检测区域进行区域的圆形度特征。视频采集过程中，取前n1帧为训练样本，按照公式(16)计算训练样本均值Etrair(t;m)；公式(17)计算训练样本方差(t;m)，其中(t;m)表示了训练样本的区域边缘变化的离散度。

通过采集当前检测区域的n2帧图像作为观测样本，按照公式(14) 、(15)、(16)、(17)计算观察样本的区域圆形度均值Eobs(t;m)。若满足条件 |Eobs(t;m)-Etrd(t;m)|≤ 16δ2train(t;m)，则观测样本与训练样本匹配，判断检测区域为干扰区域；否则，算法判定为火灾区域。图4为视频序列中的区域圆形度仿真测试结果。

图4 视频序列中的区域圆形度仿真测试结果Fig. 4 Results of video sequence region circularity simulation test

4 实验结果及其分析

4.1 实验条件及其流程图

实验计算机的配置为处理器Intel Pentium 4 CPU、2G内存、操作系统为Microsoft Windows XP Professional。实验的编写环境为VC++6.0。

首先进行程序的初始化预先设置，包括视频图像参数、混合高斯分块模型和火焰样本中的参数初始化等。当视频信息输入时，进行图像的预处理，利用改进混合高斯分块模型检测和分割出动态区域；然后，程序仅对动态区域采用颜色概率模型进行像素级的火焰颜色特征提取；符合火焰颜色特征的区域进行边缘轮廓检测，计算其区域圆形度值。通过将邻近10帧作为观测样本，计算出观测样本的区域样本均值。最后，判定监控画面是否存在火灾区域并显示。其中，图5为程序主流程图。

图5 程序主流程图Fig. 5 Main flow chart of program

4.2 结果分析

1 ) 火灾火焰检测部分。根据图4得到对比实验数据，取视频序列的前30帧为训练样本。通过对布置模拟火灾场景(包括室内和户外)的视频和导入真实的火灾场景视频进行实验。本文算法的火灾视频检测结果为图6所示。

其中，图6(a)和(b)反映了算法能够在室内和户外对火灾区域进行较为正确的检测；图6(c)和(d)反映了算法能够区分火灾区域和干扰区域(身着干扰颜色衣服的行人)。实验表明：算法能够较为准确地检测火灾区域，平均正确率达到93.9%，并对干扰物有分辨能力。其中，表1为检测正确率测试结果。

图6 本文算法的火灾视频检测结果Fig. 6 Results of fire video detection algorithm

表1 检测正确率测试结果Tab.1 Result of detection accuracy test

2）实时监控部分。通过对录制的监控画面分析，算法平均每帧处理时间为49.2 ms以下，系统每秒能够处理20帧以上，基本满足实时性的要求。其中，表2为时间指标测试结果。

表2 时间指标测试结果Tab.2 Result of timing indicators test

根据两部分实验综合表明，本文方法识别正确率较高，并具有实时性的要求，尤其在视频(b)中拍摄地点较远，火焰尖角和闪烁特征不明朗的特殊场景条件下，本文方法有着较好的识别效果。

5 结 论

本文提出基于火灾影像的动态特性、颜色特征以及火焰区域圆形度多特征匹配的视频图像火灾识别方法。首先，利用改进混合高斯分块模型检测火灾动态区域，提高了运动目标检测速率并且减少了火焰图像中的“空洞”现象；其次，采用颜色概率模型进行颜色特征提取，分割出更为准确的疑似火灾区域并去除了大量的无关背景区域；最后，利用区域圆形度特征值完成火灾区域和干扰区域的辨识。该方算法识别准确性较高，具有实时性和抗干扰性；算法复杂度适中，可移植性强，适合于嵌入式火灾自动检测装置中的运用。

[1] TIAN Qiu,YONG Yan,GANG Lu.An auto adaptive edge-Detection algorithm for flame and fire image processing[J].Instrumentation and Measurement,IEEE Transactions on,2012,61(5):1486-1493.

[2] 胡国良,江熹,王少龙. 基于多特征融合的视频火焰检测技术研究[J].机械设计与制造,2012(7):213-215.

HU Guo-liang, JlANG Xi,WANG Shao-long.Research of video flame detection based on muni-feature integration technoIogy[J].Machinery Design and Manufacture,2012(7):213-215.

[3] 苏兵,李刚,王洪远. 基于改进高斯混合模型的运动目标检测方法[J].计算机工程,2012,2(38):210-212.

SU Bing,LI Gang,WANG Hong-yuan.Detection method for moving object based on improved gaussian mixture model[J].Computer Engineering,2012,2(38):210-212.

[4] Tianci Huang,Jingbang Qiu,Sakayori,T.Motion Detection Based On Background Modeling And Performance Analysis For Outdoor Surveillance[C]//Computer Modeling and Simulation,2009.ICCMS '09.International Conference on,2009:38-42.

[5] Borges P V K,Izquierdo E.A probabilistic approach for vision-based fire detection in videos[J].Circuits and Systems for Video Technology,IEEE Transactions on,2010:721-731.

[6] Li Hong-liang,Liu Qing,Wang Sun'an,A Novel Fire Recognition Algorithm Based on Flame's Multi-features Fusion[J].Computer Communication and Informatics,2012 International Conference on,2012,20(5):1-6.

Research of fi re fl ame detection method in video image based on multi-features matching

YANG Ya-jie, XUE Jing, QIAO Hong-hai, LIU Yu
（ College of Automation, Northwestern Polytechnic University, Xi'an 710072, China）

Compared the traditional method of fire detection in video image, a method based on the multi-features match for fire flame detection was presented. Firstly, this method employ improved Gaussian mixture block model to divide the dynamic area in the monitor screen; secondly, method employ color probability statistical model to extract the color feature of dynamic area and segment the suspected fire area; Finally, calculating the zone circularity characteristics of suspected fire area can judge the existence or not existence of fire. The experimental results show that this method can recognize the fire flame area accurately and has real-time monitoring ability and anti-interference.

fire flame detection; improved gaussian mixture block model; color probability statistical model; zone circularity characteristics

TN702

A

1674-6236(2014)03-0186-04

2013–06–15 稿件编号：201306094

西北工业大学研究生创业种子基金(Z2012109)

杨亚洁(1990—)，女，河南三门峡人，硕士。研究方向：系统工程。