结合显著性的视频火焰检测

张楠波 俞孟蕻 黄炜亮 李 袁

（江苏科技大学计算机学院 镇江 212000）

1 引言

随着视频设备的普及与图像处理技术的快速发展，通过视频监控尽早检测到火焰的发生变的越来越重要［1］。传统的视频火焰探测技术首先从空间特征模型与时间特征模型来提取特征，继而用机器学习来训练得出火焰模型。空间特征模型从火焰的光谱信息，空间结构信息来描述火焰的候选区域，如火焰的颜色、亮度、几何特征、区域结构等［2］。时间特征模型从火焰的整体运动、随机频闪等信息来描述［3］。而上述这些特征有些需要有先验知识来手动设定参数，如颜色特征；有些受燃烧物、空气流动等外在因素影响较大，如几何特征；有些因为障碍物遮挡并不能有效观察测量，如火焰的整体运动。

由于上述传统火焰检测方式的缺点，一种直接基于人类感知视觉系统的检测方法开始流行起来。人类的视觉机制可以帮助人们在观察场景时从大量的杂乱信息中快速准确的找到自己最感兴趣的区域［4］。在火焰视频中，火焰的亮度、颜色以及动态特征在人类视觉中具有较高的显著性。

2 传统火焰颜色模型的改进

2.1 火焰在RGB颜色通道下的高斯分布模型

为了检测火焰像素点，一般的做法是在某种颜色模型中设置单个或者多个颜色通道的阈值来实现［5］。但是这种方法比较简单原始，当火焰材料或环境改变时检验失败的概率比较高。因此，本文提出了一种基于RGB颜色通道的高斯分布模型。我们假定火焰区域像素点各通道是相互独立的，令向量 f表示火焰区域像素点平均采样，分别代表其中的R、G、B通道。满足分布：

其中，px(x0)表示变量x0在随机变量X的概率密度函数的值，Robs，Gobs，Bobs分别待观测像素的各通道值。我们以DR为例，DR可以被解释为一个归一化度量，它表示指定像素点在R通道上是否为火焰像素点的概率。当Robs越是接近μfR，DR越大且越来越接近1，就越能断定待定像素点在R通道上为火焰像素点。

假定Robs，Gobs，Bobs是相互独立的，根据概率学理论公式，我们提出度量函数D来指示候选区域是否为火焰区域。

D可以表示为候选像素点可表示为火焰像素点的概率置信度（仅从颜色方面分析），通过实验我们可以得知，若候选区域为火焰区域，则一般有D＞0.8。

2.2 火焰图像的偏度

我们知道，图像中的火焰区域红色是非常饱满的［6］。在此我们定义一种偏度测量R通道像素值分布在其平均值周围的不对称程度。当偏度为0时，表示分布式对称的；大于0时，表示分布更加倾向于右侧；小于0时，表示分布更加倾向于左侧。

在一般情况下，我们观察火焰区域中的R同道直方图，我们会发现像素大都聚集到高饱和度的地方，即数值高的区域。这也导致了火焰区域的偏度是一个正数值，分布是倾向于右侧的。因此，我们将偏度作为一个检验图像区域是否为火焰区域的重要因素，公式如下：

其中 fR(m，n)代表火焰区域的R通道像素点分布，J表示区域像素点的个数，代表分布均值，代表分布方差。若候选区域为火焰区域，则一般有。

3 火焰显著性特征图融合

视觉的显著性反映了图像中某个像素或者某一个区域与周围像素或环境的差异性，这种显著性差异与选取的特征有关［7］。常见的特征有方向特征，亮度特征，颜色特征等。在不同的图像中，同一特征对视觉显著性的影响是不同的。对于火焰图像来说，其方向特征的作用并不明显，只会增加计算的复杂度。而其亮度与颜色特征确是非常明显的。

本文先分别介绍并计算出图像的局部显著性，全局显著性，稀疏显著性。然后通过融合算法得出最终的显著图。

3.1 火焰图像的局部显著性

图像的局部显著性指的是该像素点或像素区域与周围像素点的对比度，对比度越大，则该像素或该区域越显著。张巧荣［8］从频域分析着手，通过傅里叶变换，提取幅度谱与相位谱，对相位谱进行重构来获得局部显著性，这个方法复杂度高。

为了计算简单，加大算法检测的实时性，本文使用了AC算法来检测图像的局部性，该方法计算候选像素与周围邻域像素均值的欧式距离得出邻域的局部显著性，又根据不同的邻域宽度调整影响权值，线性加权计算最终的局部显著图像。

3.2 火焰图像的全局显著性

考虑到火焰燃烧的无规律性与背景的复杂性，仅使用局部显著性计算邻域像素的对比度是不可行的，它会导致图像内一些边缘特征区域或者噪声干扰区域产生较高的显著性，而火焰内部的平滑区域赋予较低测显著性。因此，还需要计算出像素与整幅火焰图像的对比度，即图像的全局显著性。这样做能抑制经常出现的边缘特征干扰，把大范围的平滑渐变区域分割开来［9］。

考虑到Lab颜色空间比RGB空间更加符合人类的认知习惯，全局显著性是在Lab空间计算的：

公式中，Ii(x，y)为图像在L，a，b上的分量，M、N分别为图像的宽和高，fi(x，y)为图像在各个通道上的平均值，Sgi为每个通道的全局显著性。在分量融合过程中，由于火焰图像的特殊性，L亮度通道是最显著的，所以给予的权值最多，其次是表征红绿的a通道，而表征黄蓝的b通道给予的权值最少。

3.3 火焰图像的稀疏性

在有些火焰图像中，相对于比较大的遮挡物，零散小火苗的全局显著性并不明显。因此我们利用直方图统计像素，来计算出图像的稀疏性。稀疏性意味着该像素在图像中出现的次数越少，相对于全局它就越显著。在图像中，噪声像素出现的次数也比较少，为了防止噪声干扰，在这里我们要给出两个阈值，次数小于该阈值u1时判定为噪声，次数大于u2要给与稀疏性抑制。公式如下：

其中Sr(x，y)为图像的稀疏性度量，h(I(x，y))为图像的直方统计图。实验中u1取值64，u2取值1024。抑制参数 c1取800，c2取200。

3.4 火焰图像显著性融合

前文中已经分析了全局显著性，局部显著性和稀疏性的特性，综合考虑这些因素，必须对这些特性进行融合。在实验中为了对比效果，将融合结果进行拉伸处理，公式如下：

式中 Sl(x，y)，Sg(x，y)，Sr(x，y)分别为上文中的全局显著性、局部显著性、稀疏性，Sfuse为初步融合结果，Savg为融合结果的平均值，Sfinal为拉伸后的最终结果。

图1 火焰图像各显著性图效果

在最终的融合显著性图像中，亮度越高表示区域越显著。火焰一般是图像里比较显著的，如果有火焰产生，那么火焰在这些区域的可能性就越大。本文在融合显著性图像中选取灰度级200～255的范围来表示候选火焰区域。

4 实验与分析

4.1 支持向量机模型训练

机器学习算法是对各个特征综合考量的分类决策算法［10］，它在这一方面比人类更具有优势，当提出的特征合适时，机器学习算法就有了很好的准确性与稳定性。本文采用支持向量机分类器［11］依据火焰特征训练好模型，进而通过训练好的模型对火焰进行分类检测。

为了获得更好的训练效果，本文模拟真实的自然环境，从国外视觉实验室网站上选取了10段火焰视频，这10个火焰视频中燃烧背景不相同，燃烧火焰的动静态各方面特征也不完全相同。选取了5段非火焰视频，其中包含了各种类似火焰的干扰物，红色的枫叶，晚上的路灯，闪烁的萤火虫等。每段火焰视频与非火焰视频中各取连续的100帧32*32大小的图像块，共计1500个图像块，其中80%当做训练集，20%当做测试集。对于训练集与测试集中的图像块分布提取颜色置信度、矩形度［12］、边界粗糙度［13］、偏度、尖角个数［14］，质心运动方向［15］特征，那么每一个样本就包含了一个长度为7的特征向量 X=[D，R，B，P，J，Mx，My]。给训练集和测试集按有无火焰加上0～1标签后，就可以用支持向量机开始训练了，在训练过程中不断优化模型。

部分火焰图像特征如表1所示，非火焰图像特征如表2所示，支持向量机参数如表3所示。

表1 火焰图像特征特征数据列表

表2 非火焰图像特征特征数据列表

表3 非火焰图像特征特征数据列表

4.2 结果分析

在支持向量机模型训练完成后，本文选取了其他视频进行检验测试。实验结果表示，通过融合显著性算法后，基本能将火焰区域正确的标识出来。然后将标记出的区域通过基于RGB颜色通道的高斯分布模型与运动前景目标检测，实验中非火焰颜色的目标与类似火焰颜色的静态目标也能正确得被排除，只剩下一些与火焰动静态特征都很类似的干扰，比如在风中摇摆的电灯。提取目标区域的特征放入训练好的支持向量机模型后，是否为火焰也能得到正确的判断，实验结果如图2～3。

图2 检测火焰发生

图3 类似火焰干扰物未被误检

最终实验表明，决策准确率较高，视频中的小型火焰和大型火灾基本能被检测出来。与其他算法对比，该算法在抗干扰能力比较强，常被其他算法误检的目标，如变化的霓虹灯，移动的橘红色物体等干扰都能被有效排除。

5 结语

传统的获取视频火焰候选区域的的主流算法包括颜色区间模型等静态检测算法和运动目标前景检测方法等。颜色区间模型只关注了火焰的颜色特性，运动目标前景检测方法只关注了火焰序列帧之间的变化性，而融合显著性的候选区域提取方式从人的视觉机制出发，更加关注火焰区域与周围环境的区别大小问题。通过显著性提取火焰候选区域，然后再利用颜色空间和动态特性对候选区域进一步筛选，这种方式只计算了当前帧图像，并不需要其他帧图像进行建模，减少计算量的同时也能保证准确率。对于与火焰动静态特征都相似的干扰物，获取多维特征进行支持向量机决策能有效地进行判别区分。