基于改进Surendra背景更新算法的视频火灾检测

陈亚林,于莲芝

(上海理工大学 光电信息与计算机工程学院,上海　200082)



基于改进Surendra背景更新算法的视频火灾检测

陈亚林,于莲芝

(上海理工大学 光电信息与计算机工程学院,上海200082)

摘要针对目前视频火灾检测误检率高以及计算量大而需要高性能硬件支持的工程应用需求,提出了采用改进的Surendra背景更新算法实时提取视频背景。采用迭代法实时求取当前的最佳阀值,以及Surendra背景更新算法获取背景,依据背景求得图像中的运动区域,形态学处理后通过火焰颜色统计模型判别是否是火灾。实验表明,文中采取的检测算法快速高效,具有良好的市场应用前景。

关键词改进的Surendra背景更新算法;最佳阀值;颜色统计模型

视频火灾探测器在传统的火灾传感器无法使用的场合非常有效。粒子和温度采样、空气透明度检测是较为简单且应用广泛的火灾识别方法[1-2]。这些方法要求传感器离火灾发生点很近,而且不一定可靠,因其并不检测火焰本身而是检测烟雾,但烟雾有可能是其他原因产生的。

T.Celik等人较早开始了针对火焰颜色的研究。徐小军等采用空间灰度共生矩阵分析法综合分析图像在能量、熵、惯性矩和局部平稳性4个方面的纹理特征[3]。周军莹等以面积的连续增长为依据[4]识别火灾。此外还有从烟雾的动、静态特征建模的[5]。本文采用改进的Surendra背景更新算法[6-7]从视频中获取静态背景信息,通过背景减法侦测移动目标,通过形态学滤波处理过后基于颜色统计模型判别是否为火灾。对于阀值的选取,采用迭代法实时更新当前的最优阀值。

1运动目标检测

本文的应用场合是摄像头固定且焦距不变的,一般运动检测过程是通过视频获取静态背景区域,再和当前帧比较获取运动区域。

1.1背景提取与更新算法

Surendra背景更新算法[6-7]是一种能自适应的获取背景图像的算法,其思想是对差值图像的亮度进行判断,步骤如下:

(1)选取第一帧图像P0为背景b0;

(2)选取阀值t,迭代次数M=1,最大迭代次数max_step;

(3)针对当前帧,求差分图像DI

(1)

(4)根据差分图像更新背景图像Bi

(2)

式中,Bi(x,y),Di(x,y)为背景图像、差分图像在(x,y)处的灰度值,Pi为第i帧图像,α为更新速度;

(5)迭代次数m++,重复步骤(3)和步骤(4),m=max_step时Bi为提取到的背景。

1.2背景减法检测运动目标

背景减法相对于帧间差分法的优点是目标分割比较准确,但要求要实时更新背景。通过前面的仿真证明Surendra背景更新算法能达到其要求,则本文将基于Surendra背景更新算法再运用背景减法来检测运动目标。背景减法的数学描述为

(3)

式中,Ii表示当前帧的灰度图像;Bi为背景的灰度图像;Mi为差值二值化的结果;TB为Mi二值化过程的阀值,选取T=20,仿真结果如图1所示。

图1　运动区域检测

图中方框表示识别到的变化区域,除了主体运动目标车子,还检测到移动的云的一些移动点。实验结果表明,背景减法可有效检测运动目标,由于采用了Surendra算法对背景建模,使得背景对噪声有抑制作用,能有效减少噪点,且检测出的运动目标的大体轮廓。

1.3阀值的选取

在Surendra背景更新算法和背景减法的仿真过程中,阀值是依据经验和视频特征选取的固定值20。阀值的选取对结果有较大影响,而不同应用场景之下的最优阀值是不固定的,因此阀值的选取也应能根据视频目标自适应地调整。

阀值法包含局部阀值和全局阀值[8],局部阀值是当图像中敏感度不均匀时,将图像分割成多个子块,每个子块采用不同的阀值。相比全局阀值法采用统一阀值,局部阀值法更为准确,但计算量大。考虑到实时监测火灾时数据处理量大,牺牲较少的准确率而大幅减少运算量可以接受,所以本文采用全局阀值法,方法如下:

(1)设置t的初始值;

(2)用t分割图像,g1是灰度值>t的像素集合,g2是灰度值≤t的像素集合;

(3)对g1、g2计算所有像素的平均灰度值μ1和μ2;

(4)重置t的值为t=(μ1+μ2)/2;

(5)重复(2)～(4),直至得到的新阀值t的变化量小于预定义值。

关于t的初始值,若运动对象和背景所占面积相近,则灰度图像的平均值是较好的选择。若面积相差较大,则应选择灰度值的中间值之类的初值。此外计算过程还应注意迭代次数和精度的矛盾[9]。

1.4形态学滤波

由于摄像头自带的噪声、背景中部分物体的小幅晃动、光线变化等不确定因素的存在,得到的背景差分图像中会存在大量噪声,二值化也会存在诸多无用的噪点。因此,需运用形态学的方法进行滤波处理。采用先开后闭运算来去除单独噪点,且平滑物物体的轮廓边界,效果如图2所示。对比图1可发现单独微小变化的噪点已被滤除,车子的整体部分被连接起来,轮廓清晰。

图2　形态学滤波效果

2火灾的判别

火灾的判别方法已有多种,如有基于静态的颜色[10-11]、纹理特征[3],有基于动态的面积[12]、火焰频谱[13]等,也有基于各种方法的融合应用[14],但均存在计算量较大,需要定制用于计算的硬件平台等。如何平衡计算量和识别准确度、识别效率是将火灾识别理论应用于实践的一个难题。本文针对民用火灾探测器,基于常规的嵌入式平台设计简单实用、操作性强的识别算法。

2.1火焰颜色统计模型

火焰具有比较明显的颜色特征规律,且识别所需的计算量比较合理,可用来初步判断和滤除大部分非火焰目标。

文献[10]较早对火焰颜色进行了RGB色彩空间的建模,作者之后又在YCbcR空间对火焰建模,均取得了较好的实验效果。其在RGB空间下通过大量实验统计,得到了经验判据如下

(4)式中,R,G,B是像素点在RGB空间中的红绿蓝各自分量。

另外,也有众多学者在HSV空间建模[15]。在前人的研究基础上,综合3种色彩空间,可用以下判据识别火焰

(5)

其中,R,G,B是图像RGB空间中像素点的红绿蓝各自分量;S是HSV空间的色彩饱和度分量;Y是YCrCb空间的亮度分量;Cr和Cb是色度分量;Rmean和Smean代表R和S的均值。

2.2实验仿真

在PC平台上基于以上统计模型在Matlab下仿真,通过读取火灾视频,分别读取视频中的每帧图像,并对其中的每个像素点依次判别,然后显示出所有满足公式的像素点,其中第400帧识别效果如图3所示。

图3　基于色彩统计模型的火焰识别效果

由以上实验可看出,该方法能有效识别到具有火焰颜色特征的像素,且效果良好,没有误检测的情况出现。

对于整个视频,一共3 250帧,其中2 175帧有火情,算法共识别出2 155帧,识别率超过99%,达到了较好的效果。用时约为110 s,平均速度为29帧/s,达到了实时检测的要求。加之火焰像素的检测是在第一步提取到的运动区域的基础上操作的,减少了需要检测的像素点,更能提高识别效率。

3结束语

文中提出的方法达到了预期的效果,在减少运算量的同时达到了较高的检测率,检测效率也较高,其应用于一般的嵌入式平台是可行的,期望能将其应用于民用市场,如智能摄像头一类的产品。

参考文献

[1]Cleary T,Grosshandler W.Survey of fire detection technologies and system evaluation/certification methodologies and their suitability for aircraft cargo compartments[R].USA:US Department of Commerce,Technology Administration,National Institute of Standards and Technology,1999.

[2]Davis W,Notarianni K.NASA fire detection study[R].USA:US Department of Commerce,Technology Administration,National Institute of Standards and Technology,1999.

[3]徐小军,邵英,郭尚芬.基于灰度共生矩阵的火焰图像纹理特征分析[J].计算技术与自动化,2007(4):64-67.

[4]周军盈,杜啸晓.图像识别技术在火灾探测中的应用[J].消防科学与技术,2007(4):417-420.

[5]卢胜男,冯建利,段沛沛.视频火灾识别方法研究综述[J].电视技术,2013,37(3):179-184.

[6]彭小波,邢晓正,胡红专.Matlab与VC++混合编程在光斑位置测量中的应用[J].仪器仪表学报,2003,28(4):222-223.

[7]徐方明,卢官明.基于改进Surendra背景更新算法的运动目标检测算法[J].山西电子技术,2009(5):38-40.

[8]谷口庆治.数字图像处理:基础篇[M].朱虹,译.北京:科学出版社,2001.

[9]玉世香.精通Matlab接口与编程[M].北京:电子工业出版社,2007.

[10]Celik T,Demirel H,Ozkaramanli H,et al.Fire detection in video sequences using statistical color model[J].Journal of Visual Communication and Image Representation,2007,18(2):176-185.

[11]Celik T,Ozkaramanli H,Demirel H.Fire pixel classification using fuzzy logic and statistical color model[C].Honolu-lu,Hawaii:International Conference on Acoustics,Speech and Signal Processin,2007.

[12]Chen T H,Wu P H,Chiou Y C.An early fire detection method based on image processing[C].Singapore:IEEE Conference on Image Processing,2004.

[13]安志伟,袁宏永,屈玉贵.数据采集在火焰闪烁频率的测量研究及分析中的应用[J].火灾科学,2000,9(2):43-47.

[14]练秋生,李党.融合多种特征的烟雾图像检测算法[J].光学技术,2009,35(4):523-528.

[15]Toreyin B U,Cetin A E.Online detection of fire in video[C].HI,USA:Minneapolis IEEE Conference on Computer Vision and Pattern Recognition,2007.

Fire Detection in Video Sequences by Improved Surendra Background Update Algorithm

CHEN Yalin,YU Lianzhi

(School of Optical-electrical and Computer Engineering,University of Shanghai for Science and Technology,Shanghai 200082,China)

AbstractThe current flame detection algorithm cannot meet the requirements of high detection rate and requires high performance hardware because of large calculation in engineering application.An improved Surendra background updating algorithm is proposed to extract video background in real time.Firstly,the best threshold is calculated in real time by the iterative method.Then update background is performed by the Surendra background updating algorithm to get the moving areas.Finally,the flame is detected by the statistical color model after morphological processing.Experiments show that the proposed detection algorithm is fast and efficient with good application prospect.

Keywordsimproved Surendra background update algorithm;best threshold;statistical color model

doi:10.16180/j.cnki.issn1007-7820.2016.05.045

收稿日期:2015-10-08

作者简介:陈亚林(1990—),男,硕士研究生。研究方向:模式识别和控制理论。

中图分类号TP391.41

文献标识码A

文章编号1007-7820(2016)05-169-03