基于MHSW特征融合的火焰检测

2019-12-11钟中志柯艳国凡远柱

计算机技术与发展 2019年12期

张健，钟中志，柯艳国，凡远柱

(1.国网安徽省电力有限公司，安徽合肥 230061；2.安徽大学电子信息工程学院，安徽合肥 230039;3.安徽南瑞继远电网技术有限公司，安徽合肥 230088)

0 引言

火灾会导致电力设备被烧毁，造成经济损失以及人员伤亡。因此，对环境中的火焰做出检测有利于发现早期的火灾。在计算机视觉和图像处理领域，火焰的识别已经成为了热门的研究方向。Shao Jing等[1]基于RGB空间中颜色分布的分析，提出一种提取疑似火焰像素点的算法，可以移除错误的火焰像素点和填充火焰区域的空洞。Kong等[2]选择了HSI颜色空间，利用固定阈值分割方法来提取火焰区域，但是单个空间模型比混合空间模型对火焰区域的识别精准度要低一些。Dimitropoulos[3]等提出融合空间能量、颜色特征和纹理特征的火灾火焰检测的系统，该系统具有鲁棒性和较低的误检率。严云洋等[4]采用LBP(局部二值模式)对疑似火焰区域提取多尺度纹理特征，再将LBP特征放入支持向量机中进行识别，该方法简单，误警率较低。Chou等[5]采用基于块的对局部特征包括火焰的颜色和火焰的不动性分析，再通过LBP特征进一步识别火焰。Sam G Benjamin等[6]用HSV-YCbCr颜色空间和灰度共生矩阵(GLCM)的五个纹理特征来识别火焰，得到了较高识别率，但GLCM特征是统计性纹理特征，所以该方法对于像素级的纹理分类具有局限性。Ouyang等[7]用RGB颜色模型分离火焰图像，通过形态学开合操作和边缘提取操作提取合适的图像边缘来识别火焰，能够准确识别光干涉条件下的火焰图像。

上述文献火焰特征提取的部分都存在特征不具有抗噪声性和火焰特征使用不充分的问题，会导致火焰特征训练和识别复杂化。针对这个问题，文中先利用超像素分割提取疑似火焰区域，对疑似火焰区域提取MHSW特征，MHSW中的HSV颜色直方图和SILTP(尺度不变的局部三元模式)统计直方图的局部最大化(只保留同一模式下最大的直方图)，其中SILTP特征具有抗噪声性和光照不变性，充分高效地利用这两个特征，通过与圆形度特征融合和交叉网络搜查法的SVM识别真实的火焰。

1 疑似火焰区域的提取

超像素分割利用像素特征间的相似性将像素分组，用少量的超像素代替大量的像素来表达图像的特征，很大程度上降低了图像后处理的复杂度。文中采用SLIC图像过分割的方法对图像进行预处理[8]。

颜色是火焰的特征，典型的颜色空间主要有RGB、HSI、YCbCr等，不同的颜色空间有不同的特长[9]。根据火焰颜色的特点，文中采用YCbCr颜色空间模型对火焰进行分析，该模型采用的6条规制如下:

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)

通过式1～式5对超像素分割后的图像提取疑似火焰区域，结果如图1所示。

图1 疑似火焰区域提取

文中结合超像素和YCbCr提取疑似火焰区域，基于超像素的分割火焰的区域是完整的，如图1(c)所示，可以直接对火焰区域进行特征提取。而以前的方法直接用颜色空间提取疑似火焰区域，基于像素点的分割火焰的区域是空洞的，需要经过中值滤波、闭运算和填充等一系列的复杂图像处理得到完整的火焰区域，才可以进行下面火焰区域特征提取的步骤。

2 火焰区域特征提取

2.1 SILTP(尺度不变的局部三元模式)

通过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，解决了LBP提取火焰区域纹理特征的一些问题。SILTP提取火焰区域特征对于范围内的局部火焰区域图像噪声具有鲁棒性，而LBP提取火焰区域特征受到噪声影响比较严重；尺度不变性使得SILTP提取火焰区域特征对光照变化具有鲁棒性。因此，SILTP提取火焰区域特征更加健壮。

SILTP的概念描述和SILTP带噪声及缩放变化的比较如图2所示，其中带圆圈的像素随着噪声或比例改变而改变。

对于给定的任何像素点位置(xc,yc)，SILTP的编

图2 SILTP的概念描述和SILTP带噪声及缩放变化的比较

码为：

(7)

其中，Ic是中心像素点的灰度值；Ik是以中心像素点为中心的半径为R的平均分配的N个灰度值中的一个；⊕是二进制字符串s的串联运算符；τ是一个比例因子，表示比较范围；sτ函数表示为：

(8)

2.2 火焰区间局部特征提取

大量实验研究证明[12]，利用不同的特征对火焰进行描述，往往能够互补从而提高火焰的识别率。颜色特征是火焰区域的一个非常重要的外观特征，所以是用来识别火焰的一个重要特征。颜色直方图是在火焰识别中应用广泛的颜色特征，其中HSV空间更符合人眼的主观判断，所以用HSV颜色直方图提取颜色特征；火焰的纹理特征用于火焰的识别是最稳定的，用SILTP来描述火焰的局部纹理特征的算子，除了具有灰度不变性和旋转不变性[13]，还具有对噪声和光照变化的鲁棒性。

图3 MHSW特征提取过程

(9)

2.3 火焰区域全局特征提取

HSV颜色直方图和SILTP统计直方图的两个特征都是对火焰区域进行局部区域提取的特征，对于火焰的识别都具有一定的局限性。火焰区域圆形度特征是全局特征，可以通过它来互补从而提高火焰识别率。

圆形度是圆形相似程度的量，根据圆周长与圆面积，圆形度的计算公式定义为：

(10)

其中，L为火焰边界的周长；S为火焰的面积。

将获取的图像转化成二值图像，1为火焰区域(白色区域)，0为非火焰区域(黑色区域)，提取火焰区域内部所有像素作为面积值，由边界算法得到火焰的周长。

对火焰区域的MHSW局部细节特征和火焰区域的圆形度的全局特征进行最优加权[14]，然后融合成一组特征向量组作为疑似火焰区域的特征描述，同时使用交叉网络搜查法的SVM实现火焰的识别[15]。

3 实验结果与分析

3.1 算法流程

基于MHSW特征融合的火焰检测算法首先对图像进行超像素分割，根据YCbCr颜色空间提取疑似火焰区域，通过对疑似火焰区域提取局部的MHSM特征和全局特征，通过融合得到疑似火焰区域的特征向量组，最后采用交叉网格搜查法的SVM进行识别。具体流程如图4所示。

图4 算法流程

3.2 实验数据

实验数据一部分来自自行录制的视频图像，一部分来自互联网，共有图像7 858幅，图像大小为640*480，来自不同场合，有晚上的室内外火灾视频图像和非火灾视频图像，有白天室内外火灾视频图像和白天室内非火灾视频图像。图5(a)是其中部分视频图像。

图5 实验部分数据

在实验中，选取3 400幅火焰图像和2 400幅非火焰图像，共5 800帧作为训练样本，其余2 058幅作为测试样本。

3.3 实验结果及分析

将图像直接提取HSV+LBP+圆形度特征进行融合(直接算法)，与文中算法进行对比。SVM都选用径向基核函数，使用算法求取最优参数：核参数g和惩罚参数c[15]。其中直接算法最优参数c=4.56,g=0.35，文中算法最优参数c=5.16,g=0.26。图6给出了两种算法的火焰识别结果。

图6 SVM分类器对火焰识别的结果

图6每个场景中第一个条形表示文中算法，第二个条形表示直接算法。室内棉纸火焰和室内蜡烛火焰一直相对稳定，所以识别率很高；建筑物火焰比较明显，与周围环境差别很大，因此识别率也比较高；野草树木火焰受到风力等因素影响较大，也会有些许的噪声影响，火焰特征可能不稳定，识别率会有所下降；夜晚的红灯与火焰的颜色和圆度角有些相似，所以会发生误检。由图6实验数据可知，五种场景中文中算法的识别率明显都高于直接算法，这是因为：(1)超像素分割获得完整的火焰区域促进了MHSW和圆形度特征的精确提取；(2)SILBP特征具有抗噪声性和对光照变化的鲁棒性；(3)MHSW特征中充分利用了HSV颜色直方图和SILBP统计直方图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训练识别的复杂性，以及火焰识别的误检率，从而使得火焰的识别率在原有基础上有所提高。

同时，还将文中算法和参考文献[5-6]进行对比，结果如表1所示。其中TP指火焰被正确识别概率，即准确检测到的数量占实际火焰数量的比例；FP指火焰被视为非火焰的概率，即未检测到火焰数量占实际火焰数量的比例；TN指非火焰被视为非火焰的概率，即检测到的非火焰数量占实际非火焰数量的比例；FN指非火焰被视为火焰的概率，即未检测到的非火焰数量占实际非火焰数量的比例。