基于独立分量分析和颜色特征的视频火焰图像分割法

颜礼彬

(海军工程大学 电子工程学院，湖北 武汉 430033)

0 引 言

基于图像处理的火灾监控技术以计算机为核心，它采用非接触式的探测技术，结合光电成像和计算机图像处理技术，将视频图像应用到火灾探测中，完成火灾自动监测报警。在对火焰图像进行图像处理和分析前，考虑到火焰图像的颜色特征非常明显，首先考虑利用颜色识别技术[1～4]从图像中分割出火焰区域，例如在RGB，HSV 和 YCbCr 等颜色空间建立火焰检测颜色模型[1]完成对火焰区域分割，但该方法在部分背景颜色与火焰颜色相似度差别不大或是背景亮度很高的的情况下，会出现大量的干扰。另外一个进行火焰区域分割的思路是根据火焰的运动特性，从图像的动目标检测入手，常用的方法有基于图像差分运算的分割方法[5～7]，如果参考图像和阈值选取适当，能比较准确地分割出火焰和运动物体用于特征分析，但易受到光照变化和噪声影响[8]。独立分量分析(independent component analysis，ICA)是一种盲源分离技术，ICA已经广泛运用于图像特征提取[9]、图像分离[10]、图像运动目标检测[11]等诸多方面。考虑到在视频火焰图像分割中，火焰变化实质为一种运动特性，且具有作为前景的火焰与背景图像在信号上保持相对独立的特点，可以使用ICA方法来检测火焰的图像区域，从而对火焰图像进行分割。

1 图像分割方法原理

1.1 颜色分割法与图像差分法

目前使用较多的将火焰从背景中分离出来的方法有颜色分割法和图像差分法等。

火焰的颜色作为火焰最明显的视觉特征，在火焰识别过程中起到重要的作用。众多视频图像火焰检测系统都引入了火焰颜色检测模块，国内外很多学者提出了不同的火焰颜色检测算法[1～4]，颜色分割法普遍存在适应性差的不足。

图像差分法基本原理是将图像序列中前后图像对应像素点的灰度值或颜色相减，如果该处的数值变化很大，则认为这是由于图像中火焰或运动干扰引起的。它的突出特点是实现简单、运算速度快，在大多数情况下检测效果较好，常常用于对实时性要求比较高的场合。典型的差分图像法分为帧差法[6]和背景消减法[7]。

帧差法的前后图像为相邻帧图像，因为采用一小段时间内前后多帧图像进行差分，计算方法能满足实时性要求，且时域光线变化能立刻反应出来，噪声不随时间累积而增加。

背景消减差分是首先选取一帧图像作为参考图像，用当前帧和参考图像作差分运算，这样不动的背景能被消减掉，火焰目标则显现出来，如果参考图像选取适当，能比较准确地分割出火焰和运动物体。

1.2 ICA的模型与实现

相较于差分法的火焰区域分割，基于 ICA 的方法从盲信号分离的角度考虑视频序列图像中的火焰检测问题。其基本思想为：在源信号和线性变换均不可知的情况下，根据随机变量的非高斯性和相互独立性，ICA对多通道观测数据进行估计，使其分解成统计独立的分量，即相互独立的信源[12,13]。

为了确保基本ICA模型能够被估计，必须做出一定的假设和约束，使估计效果接近于所期望的结果。ICA模型的前提假设：

1)M≥N，即观测信号x的个数M应大于等于源信号s的个数N；

2)源信号的各个分量在每个时刻t都是统计独立的；

3)最多只有一个源是正态分布的。

基本ICA的模型如图1所示。

图1 ICA方法的基本框图

设有n个未知的源信号si(t),i=1～n，构成列向量s(t)=[s1(t),s2(t),…,sn(t)]T，A是一个m×n维混合矩阵，x(t)=[x1(t),x2(t),…,xn(t)]T是m维观测信号，n(t)为m维加性噪声，则线性混合模型可表示为

x(t)=As(t)+n(t)

(1)

式(1)表示在x(t)已知和A未知的条件下，通过求解一个解混矩阵W，使得u(t)=Wx(t)逼近于源信号s(t)，且u的各分量尽可能独立。即有

u(t)=Wx(t)=WAs(t)+Wn(t)

(2)

ICA用于火焰区域分割的基本思路为：用于检测的视频序列图像相当于经过传输通道后的多个(M个)混合(观测)信号图像，其中包含的源信号为这些序列图像中所包含的相对独立的火焰信息、干扰信息、背景信息等。其实质是将序列图像看作是一些独立分量的混合，不变的背景是其中一个分量，而火焰目标以及运动的干扰在背景中的不同位置是另外一些分量。具体来说，把参与ICA分析的M帧图像形成观测矩阵X中的M个“观测量”，当这M个“观测量”中所包含的源信息量N满足M≥N时，就可确保得到其中火焰信息的分割图像。

2 HSI颜色空间的火焰识别

HSI颜色模型采用色调和饱和度来描述颜色。其中色调Hue表示颜色，颜色与彩色光的波长有关，将颜色按红橙黄绿青蓝紫顺序排列定义色调，并且用角度值(0°～360°)表示。饱和度Saturation表示色的纯度，也就是彩色光中掺杂白光的程度。饱和度取值采用百分数(0 %～100 %)，0 %表示灰色光或白光，100 %表示纯色光。强度Intensity表示人眼感受到彩色光的颜色的强弱程度，它与彩色光的能量大小有关。

HSI颜色模型有两个特点：

1)分量与图像的彩色信息无关，可以直接面向图像处理和运算，从RGB颜色空间到HSI颜色空间只是一个简单的非线性变换；

2)HSI颜色空间与人眼有着很好的视觉一致性，并且HSI中H分量(色调值)可以无差错的定义一种颜色，从而实现更好的分割。

通过大量试验，在HSI颜色空间中，红色和黄色色调在0°～60°之间。对于图像中的某个像素，如果满足式(3)，则认为该像素为火焰

H≤60 且S>100

(3)

3 分割方法

基于ICA的视频火焰分割方法的方框图如图2所示。

图2 基于ICA的视频火焰分割方法框图

在进行ICA时，适当对图像进行一些预处理有时是非常必要的，它可使ICA的工作量大大减少。根据需要，可以选择是否要将图像转换成灰度图，并且对图像数据进行去均值处理，去均值使得火焰观测信号成为零均值变量，目的是简化算法。白化处理是一个必要过程，可以使用主分量分析(principal component analysis,PCA)方法进行白化处理。PCA是对由一系列观察数据向量组成的向量组，找到它最能表达该组数据特性的正交基，称之为“主分量”，然后将观察数据在主分量上进行投影或映射，使结果具有互不相关性质。PCA处理后的数据只是具有二阶独立性，并不是真正的独立，它通常用作ICA处理[13]中的预处理，用于降维、以及去噪。

ICA算法如下：

1)对所有独立分量进行循环；

2)随机设置权重的初始值w0,k=0；

3)判断是否达到最大迭代次数；

4)利用迭代公式

(4)

5)对权值进行正交化和归一化wk+1=wk+1/‖wk+1‖；

6)判断权值是否收敛‖wk+1-wk‖<ε，如果收敛，则输出权值wi；

7)当所有的独立分量循环结束后，输出权值矩阵W={wi}；

8)将W与白化矩阵Q相乘后即为分离矩阵，可以对输入数据矩阵X进行分离。

对序列图像进行ICA处理后，得到感兴趣疑似火焰区域。由于ICA只是根据图像中不同信息相对独立的特点将各信息分离出来，此时并不清楚哪一幅图片为火焰区域。接下来按照前文中HIS颜色空间火焰识别方法，按式(5)判断哪个区域为火焰区域

(5)

式中i为ICA分离出的N个独立分量(疑似火焰区域)之一，Hi为第i个区域中符合HIS颜色特征为火焰的像素总数，Ti为第i个区域中像素总数，Hi/Ti比值最大且大于某个最低阈值的区域即认为为火焰区域。

4 实验分析

为了对方法进行检验，进行了火焰实验，并采集了视频片段。

4.1 基于ICA的分割结果

图3为其中一个火焰视频中提取的前后3帧图像，从3帧图中可以看到，随着火焰大小的变化，背景的光线及明暗程度发生了变化，将这3帧图像作为ICA的观测数据。

图3 用于ICA的观测图像

图4为使用ICA方法分离后的结果，ICA的方法很好地将火焰图像分离出来，可以看到它分离出的“独立分量”有3个，分别为蹲着的人员、火焰、不变的背景(包括地面、锅等)。通过HIS颜色空间分析，根据式(5)计算，图4(a)值为0.93，图4(b)值为0.12，图4(c)值为0.58，因此判断图4(a)为分割后的火焰图像。

图4 ICA分割后的独立分量

4.2 基于ICA的视频火焰分割与背景差分法比较

为了对比ICA方法和背景差分法的分离效果，选用了图3(a)作为背景图，图3(b)作为当前帧，分别使用两种方法进行火焰图像分割。图5(a)为ICA方法分割的效果，图5(b)为背景差分法分割的效果，从图中可以看出ICA方法较好地分离出火焰图像，而背景差分法得出的火焰分割图包含了背景中的人物图像。

图5 ICA法与背景差分法比较

4.3 基于ICA的视频火焰分割与背景建模法比较

通过实验将ICA分割方法与背景建模法比较，实验中使用10段火焰视频，分别为不同的条件和场景下录制的，其中火源的材料为柴油、汽油、纸张和木材等。在实验过程中，对于10段视频的结果进行了平均。表1中“检出滞后帧数”为视频中火焰出现到检测出火焰之间的间隔帧数。对于混合高斯模型而言，该方法在使用过程中对光照的的突变和其他因素的适应能力不够，在火光的闪烁效应下，同时还有可能提取出来的前景区域偏大于实际的前景区域，即检测精度的问题；另一方面是背景模型必须对背景场景的改变足够灵敏，否则会检测出虚假对象。CodeBook法在简单背景和复杂背景的检测效果上具有起伏，同时需要间隔一定时间使用更新算法更新CodeBook模型，并对CodeBook进行时间滤波。ICA检测方法的优势在于基本不受光照变化、噪声以及图像背景灰度变化的影响，因此可以保持较稳定的检测效果。

表1 三种方法的检测效果比较

5 结 论

将 ICA方法应用到火焰图像分割时，是将观测图像序列中的固定背景、火焰及运动干扰等看作相对独立的分量，在提供足够的观测图像的基础上，可以将这些相对独立的源信号全部分离出来，基本不受光照变化、噪声以及图像背景灰度变化的影响。相对于颜色阈值法、差分法、背景建模法等火焰分割方法，基于 ICA 的原理更加直观，抗干扰效果更好，这对于后续对疑似火焰图像进一步分析识别提供了良好条件。ICA方法仅能检测出包括火焰在内的各个独立分量(疑似区域)，但无法区分火焰区域，因此，文中辅助以HIS颜色特征对各个独立分量进行分析，判断出火焰区域。本文提出的方法仅是作为一种火焰区域的提取方法，要最终判定该区域是否为火焰还需要分析其它特征作进一步识别。