基于YCbCr与角点检测的火灾识别算法研究_黄景博.pdf

基基于于 与与角角点点检检测测的的火火灾灾识识别别算算法法研研究究黄景博，王红霞（沈阳理工大学，辽宁 沈阳）摘 要目前火灾识别技术已成为火灾预警与有效控制的重要手段之一，但传统的火灾识别方法存在易受噪声干扰及受数据规模限制的问题。本文提出了一种基于 与角点检测的火灾识别算法。通过 提取疑似火焰区域，实现疑似火焰区域内的颜色、面积变化率、尖角个数和圆形度的计算与分析。在尖角个数特征提取方法基础上，提出了一种基于角点检测的方法，使用近似值代替精确值的算法得到尖角个数。利用提出的基于交叉验证的网格搜索方法获得最优参数对，以实现支持向量机（）对数据逐帧地检测。实验结果表明，通过本文提出的方法能够获得噪点更少、更清晰、识别度更高的火焰图像，预测正确率达到 以上。因此，该方法可用于常见火灾检测。关键词；支持向量机；视频监控；角点检测；特征提取；图像分割中图分类号 文献标志码 文章编号（）引言火灾是常见的灾害之一，经常发生在人员密集的场所，对人们的生命财产安全构成极大威胁。因此，通过识别视频中的火焰及时发现早期火灾，是降低损失最有效的预防手段。随着我国经济的不断发展，城市中建设了越来越多的办楼大厦、公共场馆以及小区楼宇，这些建筑往往楼层较高，存在极大的火灾隐患。因此，提前对火灾进行实时检测具有重要意义。目前，图像处理技术在许多领域得到了广泛应用，杨娜娟认为利用火焰探测技术对高大建筑内的火灾进行识别成为目前火灾科学领域的研究热点。等通过帧间差分法检测视频中疑似有火焰的区域，利用贝叶斯分类器对火焰区域进行判别，这种方法的原理是检测出运动的物体，再根据火焰的特征进行识别。但是存在很多干扰物影响识别，例如穿着红色衣服走动的人、点燃的火柴等。江凤兵分别使用、颜色空间建立肤色模型，进行效果对比，并提出一种改进的 颜色空间模型用于肤色检测。卢英等利用 对火焰进行预处理，使用局部、全局二值式提取火焰的纹理特征，并使用支持向量机（）对特征进行训练。但是基于 的颜色模型进行火焰识别会产生很多噪点，同时 也对照明度具有一定的依赖性，当明暗程度发生变化，就有可能会影响实验的结果。王俊明等通过改进平均亮度和红色饱和度对火焰进行提取，通过大量实验，得到 和 分量的范围，但是要结合其他多种火焰特征进行综合判断，来增大监控范围并降低误报率。沐小会等提出在对火焰的颜色模型、颜色特征和形状特征进行研究的基础上，采用数字图像处理等方法，提取火焰的一阶颜色矩和圆形度等多种特征，并经过支持向量机分类器进行分类，对火灾火焰和干扰源进行判别。吴茜茵等提出利用火焰的多种静态特征融合进行火焰识别，并且利用支持向量机进行分类，达到快速识别火焰的效果。收稿日期作者简介黄景博，男，硕士研究生，从事大数据与智能信息处理技术及应用研究。通信作者王红霞，女，教授，从事人工智能与云计算、物联网与网络技术研究。李杰等提出先将图片数据集转化为快速 色彩格式，增加图片视觉特性，结合可变形卷积网络（）对数据集进行训练提取特征，提高卷积神经网络对目标几何变化的适应和建模能力，然后使用支持向量机进行分类。这种方法对于大数据量效果很好，但是如果数据量很少会影响实验的效果。以上方法存在易受视频的内容或环境变化以及动态的干扰物影响等问题。本文提出基于 与角点检测的火灾识别方法，避免干扰物对识别等因素的影响，从而提升检测火灾正确率。图 基于 与角点检测的 火灾识别算法流程 基于 与角点检测的火灾识别算法 算法流程基于 与角点检测的火灾识别算法执行流程如图 所示。将视频采集到的数据进行检测，对视频的每一帧进行分析，进行降噪处理。要将传入的图像与前一帧通过差分法区分出前景与背景，将动态的区域提取出来，然后利用火焰像素在 颜色空间中对、三个分量之间的关系，进一步缩小疑似区域。将提取出的疑似区域分别从颜色特征、面积变化率、尖角个数、圆形度四个火焰判据进行特征提取。构建基于支持向量机的分类器模型，随机抽出二百帧火焰图像与干扰图像作为训练集进行训练，从而得到最优的模型参数，实现分类。最后通过模型实现对每一帧疑似区域的分类检测。颜色模型的选择在 颜色模型中，表示亮度，表示图像的蓝色色度分量，表示红色色度分量。使用 颜色模型的好处是，模型可以把图像的亮度单独作为一个通道表示出来。从而可以很直观地看出图像中亮度的明暗程度。而火焰的最明显的特征就是火焰的颜色及亮度。因此推断使用 的颜色模型能够更好地利用火焰的颜色信息和亮度信息。颜色特征的提取在 空间对大量火焰图像的颜色特征进行提取，得到三个通道上火焰像素的数值，根据火焰像素数值的特点，得出火焰的判定表达式。圆形度特征的提取火焰的圆形度是火焰的一个明显的特征，火焰的形状是不规则的，其边缘是粗糙不平滑的，因此提取疑似区域轮廓，计算该轮廓的圆形度。圆形度越低，越可疑。火焰的圆形度 的计算公式为，（）其中，表示区域的周长，表示区域的面积。尖角数特征的提取常规的尖角检测方法是找到疑似火焰区域的局部最高点，然后与左右邻域的点进行高度比较。如果满足给定的规则，则认为该点是这个区域内的一个尖角点。基于角点检测的火焰尖角点识别方法，是在常规的尖角检测的基础上对算法进行优化。目的是降低算法的复杂度，将尖角的定义范围扩大，利用近似值代替精确值，通过尖角近似数量的比较代替精确尖角个数的比较，减少了计算量，提高了运行速度。尖角识别算法的具体步骤：创建一张像素均为 的图片，然后对视频每一帧分割出可疑的轮廓。进行细化，去毛刺处理，使取出的边缘形成单连通区域。将边缘进行角点检测，将检测出来的点的个数保存到尖角数目矩阵中。角点检测后将角点位置的像素改为。从图像的最左边开始依此遍历，若像素点为，角点数目就加。最后返回尖角的数目。面积变化率的提取火焰面积变化可分为正增长和负增长。在早期，火焰面积变化逐渐增大，后一帧的火焰面积比前一帧的大，并且经过多帧后，面积呈现递增趋势，前后两帧的面积比会逐渐变大。而灯泡作为干扰源，其前后两帧面积应该是趋近于相同，多帧后面积变化应该是趋近于一条水平线，前后两帧面积比应该趋近于。因此，利用前后两帧的面积变化的比值作为面积的变化率，可以很好地将火焰和干扰源分别开。支持向量机的分类关于支持向量机的参数选择，本文使用的是分组交叉验证的网格搜索法。分组交叉验证的网格搜索法的目的是取得选定范围内最优的参数对（，），并且避免局部最优解。通过将自定义寻优参数对（，）的范围从几个特殊的值变为一段范围，在范围内将数据均匀分段，并将每一段的 和 进行交叉组合，得到相应的最佳核参数，再将这些核参数送入验证集，达到最佳的核参数。通过参数的优化使得支持向量机具有更佳的分类性能，对火焰识别具有更高的正确率。实验及结果分析 实验设置 参数设置角点检测函数的 设置为，设置为。中值滤波函数的 设置为。边缘检测的两个阈值 和 分别设置为 和。（，）的取值区间分别为，和，。测试集与训练集比例，。评价指标 颜色空间模型适用性的评价。研究火焰在 颜色空间模型上的火焰特征。通过方法可行性和易分辨程度来评价使用 颜色空间模型是否适用。颜色空间模型优势性的评价。使用 颜色模型、颜色模型与邻域背景比较的方法分别提取出疑似的火焰区域，再将提取出的火焰区域进行比较，分别从清晰度、准确度和易处理性三个方面进行评价。圆形度特征的评价。提取火焰和干扰物的圆形度特征数据。观察两类特征是否存在很大的差别，是否容易区分。依据该特征是否能够很好地区分火焰和干扰物进行评价。对基于角点检测的火焰尖角点识别方法的评价。提取火焰尖角特征，分别采用本文提出的尖角特征提取方法和传统的尖角提取方法，通过测试结果的相似程度进行评价。面积变化率特征的评价。提取火焰和干扰物的面积变化率特征，依据两类特征是否存在很大的差别、是否容易区分进行评价。对分组交叉验证的网格搜索法的评价。评价指标为本文提出的网格搜索法在最终测试集的准确率，与传统的网格搜索法在相同测试集的准确率进行对比，验证其准确率是否有提高。实验方法 空间的火焰像素特点实验方法实验步骤如下：为研究火焰像素在 颜色空间的像素特点，实验选择多组火焰图像，在 颜色模型中分别得到该图像在、三个通道上的图片。获取三个通道上的像素平均值。、分别表示图像中 通道、通道、通道上的像素点的平均值。分别取三个通道的像素平均值作为对比数据。求解如式（）所示。（，），（，），（，）（）提取、通道上火焰区域内的平均像素值。与 效果对比实验方法选择大量含有火焰的图片，分别使用 和 颜色模型进行火焰轮廓提取，对比火焰的提取效果。邻域背景比较方法与 效果对比实验方法选择多组火焰视频，分别使用邻域背景比较方法与 颜色模型获取每一帧的火焰轮廓图像，对比火焰的提取效果。圆形度特征提取实验方法在获取的火焰区域进行中值滤波操作，去除噪声使图像更加平滑。然后对图像进行闭操作，闭操作的作用是使图像的线条更加平滑，填充轮廓内的空洞，使边缘检测更加准确。在边缘检测之后进行轮廓检测。因为一张图像中的火焰不规则，有些火焰与火焰之间是分开的，所以取出检测到的周长最大的轮廓作为该帧的疑似区域的轮廓。分别算出该轮廓的周长和面积，带入公式（）中，最终得到该帧图像的圆形度。尖角数特征提取实验方法分别使用传统的尖角检测方法和基于焦点检测的尖角提取方法，对同一帧数据进行尖角个数的采集。在大量的火焰视频中，分别使用两种方法进行尖角数的检测，得到尖角数据。面积变化率特征提取实验方法具体实验步骤为：首先找出疑似区域，对其进行滤波操作，然后进行闭操作，对疑似区域的边界使用 边缘检测，计算该帧疑似区域的面积。下一帧使用相同的方法计算出该帧中疑似区域的面积，将前后的面积进行对比，得出前后火焰区域变化的比例。将多组视频的多个比较数据导入表格中，观察每一组视频火焰面积比的变化规律与数值规律。基于交叉验证网格搜索的支持向量机算法实现实验步骤如下：样本选取。实验选择的特征有火焰区域 通道像素值、通道像素值、通道像素值、圆形度、面积变化比率、尖角数共 个特征，样本的标签为火焰和干扰项灯泡。随机选择 帧火焰图像与 帧灯泡图像。标签与特征分离。将标签放入一个独立的数组中定义为，将所有的特征放入另一个数组中定义为。对数据中的缺失值进行填充。在特征中分别遍历每一列，将缺失值地方的坐标保存到数组中，并计算这一列的平均值，然后使用平均值填充缺失的地方。将数据集分成训练集和测试集，训练与测试比例，随机选择数据。然后使用网格搜索方法，确定出模型的（，），将获取的参数放入模型中。使用测试集进行预测，将预测得到的结果放入 数组中，将 数组即预测结果的数组与 样本的实际结果进行一一对比，查看预测的准确度。实验结果与分析 空间的火焰像素特点实验结果与分析以一次火焰图像为例，在三个通道上的图像如图 所示。（）原图像（）通道图像（）通道图像（）通道图像图 三个通道火焰图像颜色效果由图 可以看出，在 通道和 通道上火焰区域呈现白色或灰色，在 通道上火焰部分呈现黑色。通过火焰在、通道上的分离结果可以看出，在 通道上火焰区域要比其他区域都亮；在 通道上火焰区域比其他区域都暗，而呈现出的亮或暗是受像素值大小的影响，因此推测，火焰区域在三通道上的平均像素值、，应该与整个图像在三通道中的平均像素值、有关系。先获取这幅图像在三个通道的像素平均值，即得到的亮度分量平均像素值 为，蓝色色度分量的平均像素值 为，红色色度分量的平均像素值 为。接着提取火焰的像素值，取得该区域像素值的平均数，、分别表示三个通道上火焰区域内的像素平均值，得到的结果分别为 ，。通过实验数据得出，在 通道上，火焰区域的平均像素值 比 高，在 通道上火焰区域的平均像素值 比 更低，在 通道上火焰区域的平均像素值比 高，如式（）所示。，（）此外，火焰区域的 大于，大于。因此提出假设，火焰像素点在三个通道上平均像素值关系为。通过大量实验验证，证实这种假设是成立的，并且这三个通道上的数据值差距明显易于区分大小，具有可行性。因此提出式（）。，（）为了使提取的疑似区域更加准确，分析火焰区域中三个通道之间的关系。通过实验得到大量火焰区域内三个通道上的平均像素值数据，通过观察发现所有火