結(jié)合LBP直方圖和SVM的視頻火焰檢測(cè)

張　霞　黃繼風(fēng)

(上海師范大學(xué)信息與機(jī)電工程學(xué)院　上海 200234)

?

結(jié)合LBP直方圖和SVM的視頻火焰檢測(cè)

張霞黃繼風(fēng)

(上海師范大學(xué)信息與機(jī)電工程學(xué)院上海 200234)

根據(jù)火焰獨(dú)特的紋理特征，提出以塊的LBP直方圖特征為主并結(jié)合其他動(dòng)、靜態(tài)特征的火焰識(shí)別算法。首先用幀差法和RGB顏色高斯模型進(jìn)行運(yùn)動(dòng)顏色檢測(cè)，得到疑似火焰區(qū)域；再提取其紅色分量統(tǒng)計(jì)特征、小波高頻能量和LBP直方圖特征；最后將特征向量輸入SVM分類器進(jìn)行火焰識(shí)別。實(shí)驗(yàn)證明，該算法誤報(bào)率低、魯棒性強(qiáng)，同時(shí)具有實(shí)時(shí)性，火焰視頻檢測(cè)率可達(dá)到96.2%。

火焰檢測(cè)顏色高斯模型LBP小波高頻能量SVM

0　引　言

火焰檢測(cè)被廣泛應(yīng)用在監(jiān)控和安全相關(guān)領(lǐng)域。早期有效的火焰檢測(cè)能大幅降低火災(zāi)危害。傳統(tǒng)的傳感器探測(cè)技術(shù)存在探測(cè)范圍小、易受環(huán)境影響等限制?；谝曨l圖像的火焰檢測(cè)可有效避免上述問題，因此受到越來越多關(guān)注。

基于視頻圖像的火焰檢測(cè)運(yùn)用火焰的運(yùn)動(dòng)、顏色、時(shí)頻等特征實(shí)現(xiàn)火焰識(shí)別。Chen等[1]根據(jù)RGB空間火焰顏色變化規(guī)律建立火焰顏色模型，結(jié)合面積變化識(shí)別火焰。Chen等[2]用高斯背景模型和RGB顏色模型進(jìn)行運(yùn)動(dòng)顏色檢測(cè)，再結(jié)合火焰頻閃特性識(shí)別火焰。Celik等[3]引入YCbCr空間火焰顏色模型，有效避免了RGB顏色空間易受光照強(qiáng)度影響的缺點(diǎn)。Toreyin等[4]利用時(shí)域小波分析火焰邊緣的高頻時(shí)變，用空域小波分析火焰內(nèi)部變化。以上幾種方法模型都較簡(jiǎn)單，容易出現(xiàn)誤檢漏檢。Paulo等[5]先根據(jù)RGB顏色高斯模型提取出火焰顏色區(qū)域，再提取面積變化率、表面和邊界粗糙度、傾斜度等特征，用貝葉斯分類器訓(xùn)練，但該算法對(duì)候選區(qū)域的選取不夠準(zhǔn)確。Kang等[6]用背景減除法提取運(yùn)動(dòng)區(qū)域，用C均值聚類法提取出火焰顏色區(qū)域，再結(jié)合灰度共生矩陣進(jìn)行分類學(xué)習(xí)，能較好地識(shí)別火焰，但是由于灰度共生矩陣描述紋理易受光照影響，此法對(duì)光照變化的情況檢測(cè)效果一般。Ko等[7]采用背景減除法、顏色高斯模型分別進(jìn)行運(yùn)動(dòng)、顏色檢測(cè)，引入亮度圖排除非火焰，再結(jié)合小波特征和SVM進(jìn)行分類學(xué)習(xí)，取得了較好的效果，但實(shí)驗(yàn)樣本少，不具普遍適用性。Truong等[10]引入FCM顏色聚類分離出疑似火焰顏色區(qū)域，再提取面積變化、表面不均度等特征，結(jié)合SVM進(jìn)行火焰識(shí)別，取得了較好的效果。

綜合上述研究，現(xiàn)有的火焰檢測(cè)算法存在各自的局限性。為了開發(fā)實(shí)用的視頻火焰檢測(cè)技術(shù)，找到具有高區(qū)分度的特征，本文經(jīng)多次實(shí)驗(yàn)，得出LBP直方圖分布特征對(duì)于區(qū)分火焰與非火焰效果顯著。在上述基礎(chǔ)上，提出結(jié)合LBP直方圖分布特征的火焰檢測(cè)算法。首先用幀差法進(jìn)行運(yùn)動(dòng)檢測(cè)，提取運(yùn)動(dòng)塊；然后根據(jù)描述火焰顏色的多變量高斯模型提取出疑似火焰顏色區(qū)域；接著提取火焰塊的紅色分量統(tǒng)計(jì)特征、小波高頻能量、LBP直方圖分布特征；最后將這些特征向量輸入SVM分類器進(jìn)行火焰識(shí)別。實(shí)驗(yàn)結(jié)果表明，該算法選取的火焰特征極具代表性，檢測(cè)率高、適應(yīng)性好。

本文算法具體流程如圖1所示。

圖1　算法流程圖

1　運(yùn)動(dòng)檢測(cè)

良好的運(yùn)動(dòng)檢測(cè)方法可縮小檢測(cè)范圍，為后續(xù)檢測(cè)奠定良好基礎(chǔ)。常見的運(yùn)動(dòng)檢測(cè)方法包括：背景法、光流法、幀差法等。背景法的準(zhǔn)確度關(guān)鍵在于背景的選取、更新。較簡(jiǎn)單的背景減除法存在背景更新滯后的問題，精確度高的背景法，如碼本模型，計(jì)算量過大，影響檢測(cè)速度。光流法同樣計(jì)算復(fù)雜，而且對(duì)噪聲敏感，實(shí)用性差。幀差法簡(jiǎn)便而且相對(duì)準(zhǔn)確。因?yàn)檫\(yùn)動(dòng)檢測(cè)僅僅作為火焰識(shí)別的第一步，并且有多步后續(xù)處理操作，所以本文選擇幀差法，并且以圖像塊為單位進(jìn)行幀差。

首先將圖像分成N×N的塊，記為bi,j,再計(jì)算相鄰幀中對(duì)應(yīng)塊的灰度差。若差值大于一定值，則為運(yùn)動(dòng)塊；否則，為非運(yùn)動(dòng)塊。

(1)

其中，F(xiàn)n(x,y)表示第n幀圖像中點(diǎn)(x,y)處的灰度值，Tb為閾值，與圖像塊的大小有關(guān)，B(i,j)表示提取結(jié)果，為1則是運(yùn)動(dòng)塊。實(shí)驗(yàn)表明，N=16，Tb=800時(shí)能較完整地提取出運(yùn)動(dòng)區(qū)域，后文中N均取16。

2　顏色檢測(cè)

火焰像素點(diǎn)的顏色主要分布在RGB顏色空間特定的區(qū)域內(nèi)。為準(zhǔn)確提取出火焰顏色區(qū)域，本文從視頻或圖像中人工取出火焰區(qū)域，對(duì)具有火焰顏色的樣本采樣，生成樣本點(diǎn)集。用顏色高斯模型表示這些樣本點(diǎn)，若待測(cè)像素點(diǎn)滿足模型，則是火焰點(diǎn)。具體方法如下:

首先，根據(jù)期望最大化(EM)算法估計(jì)混合高斯模型的各個(gè)參數(shù)：權(quán)重、均值和方差。然后把上步檢測(cè)到的運(yùn)動(dòng)塊中的火焰點(diǎn)逐一代入高斯模型，根據(jù)概率估計(jì)該點(diǎn)是否是火焰點(diǎn)。假設(shè)R、G、B三通道相互獨(dú)立，且都用K個(gè)高斯分布表示，如下式：

i∈[R,G,B]k∈[1,2,…,K]

(2)

其中，wi,k、μi,k、σi,k分別是i通道的第k個(gè)高斯分布的權(quán)重、均值、方差，Ii(x,y)指位于(x,y)的像素點(diǎn)i通道的像素值，pi則表示該點(diǎn)i通道符合火焰模型的概率。實(shí)驗(yàn)表明，K=6時(shí)，模型可較全面表示火焰顏色。

某像素為火焰像素的概率為p,按式(3)計(jì)算得出:

(3)

(4)

其中，p(x,y)表示(x,y)處像素點(diǎn)是火焰點(diǎn)的概率，C(x,y)是火焰像素標(biāo)記，為1則是火焰點(diǎn)，τ為閾值。

以上的火焰顏色檢測(cè)步驟都是在上步提取出的運(yùn)動(dòng)塊的基礎(chǔ)上進(jìn)行的。如果某塊內(nèi)火焰點(diǎn)數(shù)不低于β，即為疑似火焰塊，如式(5)：

(5)

其中Nn指塊內(nèi)符合火焰顏色模型的像素點(diǎn)數(shù)，β為閾值，取80%。若Bn為1，則該塊是疑似火焰塊。

圖2列出了經(jīng)運(yùn)動(dòng)顏色檢測(cè)出的疑似火焰塊，并用矩形框框出。由圖可見，經(jīng)運(yùn)動(dòng)顏色檢測(cè)后，火焰區(qū)域均被較完整標(biāo)記。這些被框出的區(qū)域就作為候選火焰區(qū)域，進(jìn)行下一步的特征提取。

圖2　運(yùn)動(dòng)顏色檢測(cè)結(jié)果

3　火焰特征提取

由運(yùn)動(dòng)顏色檢測(cè)出的候選火焰區(qū)域仍然可能包含非火焰物體，例如穿紅衣服走動(dòng)的人、閃爍的車燈、行駛的紅色汽車等。為進(jìn)一步提高檢測(cè)率，我們提取火焰塊的紅色分量統(tǒng)計(jì)特征、小波高頻能量、LBP直方圖分布特征，作為識(shí)別火焰的依據(jù)。所有的特征均是在候選火焰區(qū)域16×16塊的基礎(chǔ)上提取的。

3.1紅色分量統(tǒng)計(jì)特征

在火焰R、G、B三個(gè)通道中，紅色分量的數(shù)值通常較大，其在火焰顏色空間中占較大權(quán)重，因此可以作為識(shí)別火焰的依據(jù)。在塊的基礎(chǔ)上，利用前面的顏色高斯模型，統(tǒng)計(jì)塊內(nèi)各點(diǎn)紅色通道概率的一、二、三階矩。一階矩定義了該塊紅色分量的平均情況，二階矩反映了紅色分量的波動(dòng)情況，三階矩反映了紅色分量的偏斜度，即不對(duì)稱性。定義紅色分量的統(tǒng)計(jì)特征如下：

(6)

(7)

(8)

其中，pR(i,j)指位于(i,j)處像素點(diǎn)的紅色分量占火焰顏色高斯模型的概率?？蓪⒃擖c(diǎn)像素值代入式(2)中得到的R通道混合高斯模型，即得pR(i,j)。μR、δR、γR分別是其一、二、三階矩。

按式(6)-式(8)計(jì)算候選火焰塊內(nèi)紅色分量的統(tǒng)計(jì)特征，表征該塊紅色分量的均值、方差和偏斜度，記為μR、δR、γR。

3.2小波高頻能量特征

火焰燃燒過程中，伴隨的持續(xù)無規(guī)律閃爍跳動(dòng)也可以用高頻分量刻畫。而且，高頻信息不受光照等環(huán)境影響，是一個(gè)可以顯著區(qū)分火焰與普通非火焰運(yùn)動(dòng)物體的特征。本文采用Daubechies小波對(duì)候選火焰塊進(jìn)行一階小波變換，得到水平高頻、垂直高頻、對(duì)角線高頻子圖像，按式(9)計(jì)算塊內(nèi)各點(diǎn)的小波高頻能量：

m(x,y)=|LH(x,y)|2+|HL(x,y)|2+|HH(x,y)|2

(9)

其中，LH(x,y)、HL(x,y)、HH(x,y)分別是水平、垂直、對(duì)角線高頻子圖像的高頻信息，m(x,y)指點(diǎn)(x,y)的小波高頻能量。

按照式(6)、式(7)計(jì)算候選塊的小波高頻能量均值、方差，用其表示火焰塊高頻分量的平均水平和波動(dòng)情況。圖3是連續(xù)60幀火焰與行人的塊小波高頻能量均值、方差對(duì)比圖。

(a)　　　　　　　　　　(b)

(c)　　　　　　　　　　　　(d)圖3　火焰與行人小波高頻能量特征對(duì)比圖

圖3中火焰塊選取的是(a)中加框塊，(c)、(d)中的實(shí)線分別指該火焰塊連續(xù)60幀的小波高頻能量的均值、方差。非火焰塊選取的是(b)中加框部分，選取的連續(xù)60幀包括了行人從左到右經(jīng)過該塊的過程，(c)、(d)中的虛線分別指該非火焰塊連續(xù)60幀的小波高頻能量的均值、方差。由圖3可見火焰塊的小波高頻能量的均值總體上高于行人，并且持續(xù)變化，而行人的小波高頻能量的均值是在第40幀之后(人走近所選塊時(shí))有顯著波動(dòng)，其方差也有類似規(guī)律。因此該特征能很好地區(qū)分火焰和疑似火焰顏色的運(yùn)動(dòng)物體，可用塊小波高頻能量的均值、方差作為特征向量，記為Ew、Dw。

3.3LBP直方圖分布特征

火焰具有獨(dú)特的紋理特性，因而紋理是火焰識(shí)別中的一個(gè)重要特征。多數(shù)紋理分析方法易受旋轉(zhuǎn)、光照等因素影響。Kang等[6]和Zhao等[8]采用灰度共生矩陣描述紋理，盡管具有旋轉(zhuǎn)不變性，但仍依賴于光照環(huán)境。Ojala[9]等人提出的局部二值模式(LBP)通過描述圖像灰度變化反映圖像紋理，不受旋轉(zhuǎn)、光照影響，是一種較好的紋理分析方法。LBP包含三種不同形式：統(tǒng)一模式LBP、旋轉(zhuǎn)不變模式LBP和旋轉(zhuǎn)不變統(tǒng)一模式LBP。其中，旋轉(zhuǎn)不變統(tǒng)一模式LBP既可以準(zhǔn)確反映圖像的原始紋理信息，計(jì)算又最為簡(jiǎn)便，記為L(zhǎng)BPriu。具體計(jì)算方法如下：

(10)

U(LBPP,R)=|s(gP-1-gc)-s(g0-gc)|+

(11)

為了求出各點(diǎn)的旋轉(zhuǎn)不變統(tǒng)一模式LBP，首先根據(jù)中心像素點(diǎn)和其相鄰的P個(gè)像素點(diǎn)的差值情況，求出P個(gè)像素點(diǎn)的二進(jìn)制編碼，并按一定順序排列。統(tǒng)計(jì)序列的跳變次數(shù)U，如果跳變次數(shù)大于2，則LBP編碼為P+1，否則按二進(jìn)制編碼序列中1的個(gè)數(shù)分配LBP編碼。

本文選取P=8，R=1。中心點(diǎn)可以用8位二進(jìn)制序列表示，U>2統(tǒng)一編碼為9，U≤2則按1的個(gè)數(shù)編碼為0-8，因此LBPriu編碼種類共10種。假設(shè)八位二進(jìn)制序列為00000000,11111111,00111001，則相應(yīng)的U值分別為0、0、4，因?yàn)?1跳變次數(shù)分別為0、0、4次。相應(yīng)的LBPriu分別為0、8、9，因?yàn)榈谌齻€(gè)序列的U>2,編碼為9，前兩個(gè)序列U<2,分別含有0,8個(gè)1，故編碼為0,8。

按照上述方法求出16×16塊內(nèi)各點(diǎn)的LBPriu，對(duì)每塊統(tǒng)計(jì)LBP直方圖，即統(tǒng)計(jì)塊內(nèi)LBPriu編碼分布情況。圖4是顏色、閃爍頻率均不同的三個(gè)火焰塊及相應(yīng)的LBPriu直方圖。例如第一個(gè)直方圖是第一幅圖片中加黑框內(nèi)各點(diǎn)LBPriu分布情況，其中第k組的高度代表塊內(nèi)LBPriu編碼為k-1的像素點(diǎn)個(gè)數(shù)，k=1,2，…，10。圖5是三個(gè)非火焰塊及相應(yīng)LBP直方圖。其中非火焰塊的選取包含非火焰顏色的物體，如草叢，又包括火焰顏色的物體，如黃色的墻壁、閃爍的車燈。

圖4　火焰塊及其對(duì)應(yīng)LBP直方圖

圖5　非火焰塊及其對(duì)應(yīng)LBP直方圖

由圖可見，三個(gè)不同火焰塊的LBP直方圖分布都相對(duì)均勻。與之不同的是，火焰顏色的物體(如黃色墻壁、車燈)因其紋理較為單一，直方圖的第一組數(shù)值較大，且都大于100。盡管圖5中草叢塊的LBP直方圖和火焰塊LBP直方圖較為相似，但其顏色、小波高頻能量特征明顯不同于火焰，因此可以區(qū)分。

綜上所述，旋轉(zhuǎn)不變統(tǒng)一模式LBP直方圖可以很好反映圖像紋理，并能區(qū)分開火焰與疑似火焰物體，尤其對(duì)于火焰和閃爍的車燈的區(qū)分度較高。因此可將LBP直方圖分布作為特征向量輸入分類器，記為[H1,H2,…,H10]。

4　基于SVM的火焰識(shí)別

通過從不同視頻中捕獲和人工提取的方法，得到火焰和非火焰進(jìn)行訓(xùn)練。共收集了827幀正樣本，761幀負(fù)樣本，其中火焰塊4351個(gè)，非火焰塊3940個(gè)。正樣本包含不同顏色、形狀、強(qiáng)度的火焰，負(fù)樣本既有類似火焰顏色的運(yùn)動(dòng)物體，又有紋理、顏色都相對(duì)簡(jiǎn)單的靜止物體。

利用支持向量機(jī)(SVM)進(jìn)行分類訓(xùn)練。它是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器算法，力求在樣本有限的條件下尋找最優(yōu)分類結(jié)果。SVM的核心思想是把輸入樣本經(jīng)過非線性變換映射到高維核空間，在高維核空間中尋找最優(yōu)分類超平面，將樣本集分為兩類，并使兩類間的間隔最大。其中非線性變換是通過核函數(shù)實(shí)現(xiàn)的，核函數(shù)的選擇非常關(guān)鍵。經(jīng)過實(shí)驗(yàn)得出，選擇徑向基核函數(shù)(RBF)效果較好，其定義如式(12)：

(12)

其中p為徑向基核函數(shù)的寬度，實(shí)驗(yàn)中取4.5時(shí)分類效果較好。

從上述樣本中分別提取基于塊的紅色分量統(tǒng)計(jì)特征、小波高頻能量特征和LBP直方圖分布特征，構(gòu)成15維向量X=[μR，δR，γR，Ew，Dw，H1,H2,…,H10],將其作為SVM輸入?yún)?shù)，訓(xùn)練分類器。訓(xùn)練好的分類器可用于識(shí)別新視頻圖像中的火焰。

5　實(shí)驗(yàn)數(shù)據(jù)和結(jié)果分析

為了驗(yàn)證本文算法的有效性，將其與三種典型算法進(jìn)行比較：基于時(shí)空域小波變換的火焰檢測(cè)[4](算法1)、基于視覺傳感器和支持向量機(jī)的火焰檢測(cè)[7](算法2)、基于FCM聚類和SVM的火焰檢測(cè)[10](算法3)。本算法和比較算法均是在PC機(jī)平臺(tái)上，基于 Matlab R2012b編程環(huán)境，結(jié)合LIBSVM軟件包實(shí)現(xiàn)的。收集了28個(gè)視頻進(jìn)行測(cè)試，其中部分視頻來自http://www.ultimatechase.com/Fire_Video.htm.http://vision.sysu.edu.cn/systems/fire-detection/.http://signal.ee.bilkent.edu.tr/VisiFire,部分來自互聯(lián)網(wǎng)?；鹧嬉曨l包含室內(nèi)、室外、森林火焰，火焰背景有靜止也有運(yùn)動(dòng)。非火焰視頻包括普通運(yùn)動(dòng)物體、車燈、穿紅衣服的人等。

圖6、圖7列出了部分測(cè)試視頻，其中包括8個(gè)火焰視頻，6個(gè)非火焰視頻。正樣本中，Video1、4、5是戶外火焰，都以黃色墻壁或地面為背景，其中Video1中有在火焰前后走動(dòng)的人。Video3、7、8是室內(nèi)火焰，火焰顏色深淺各不相同，其中Video3中地面為黃色且有人走動(dòng)。Video2、6是森林火焰，其中Video6伴隨大量濃煙。負(fù)樣本中，Video9包含閃爍的車燈，Video10中既有車燈又有閃爍的路燈，Video11是室內(nèi)的閃光燈，Video12是實(shí)驗(yàn)室內(nèi)，地板為黃色，且有穿黃衣服走動(dòng)的人，Video13包含走動(dòng)的人和落日，Video14中有穿紅衣服走動(dòng)的人。

圖6　火焰視頻及檢測(cè)結(jié)果

圖7　非火焰視頻及檢測(cè)結(jié)果

由圖6、圖7可見，火焰區(qū)域都被檢測(cè)出且用方框框出，非火焰視頻都能準(zhǔn)確排除，沒有加框。其中閃爍的車燈、照明燈均沒有被誤檢為火焰，穿紅色衣服走動(dòng)的人也被準(zhǔn)確排除。

為進(jìn)一步驗(yàn)證本文算法的有效性，將其與對(duì)比算法都進(jìn)行Matlab編程實(shí)現(xiàn)，取相同視頻的若干幀檢測(cè)，統(tǒng)計(jì)檢測(cè)出的火焰幀數(shù)占實(shí)際火焰幀數(shù)的比例等數(shù)據(jù)，如表1、表2所示。

表1　火焰視頻檢測(cè)結(jié)果

表2　非火焰視頻檢測(cè)結(jié)果

表1給出了8個(gè)火焰視頻的檢測(cè)結(jié)果。TP指火焰被視為火焰的概率，即檢測(cè)到的火焰幀數(shù)占實(shí)際的火焰幀數(shù)的比例。FP指火焰被視為非火焰的概率，即未檢測(cè)到的火焰幀數(shù)占實(shí)際的火焰幀數(shù)的比例。

表2給出了6個(gè)非火焰視頻的檢測(cè)結(jié)果。TN指非火焰被視為非火焰的概率，即檢測(cè)到的非火焰幀數(shù)占實(shí)際的非火焰幀數(shù)的比例。FN指非火焰被視為火焰的概率，即未檢測(cè)到的非火焰幀數(shù)占實(shí)際的非火焰幀數(shù)的比例。

由實(shí)驗(yàn)結(jié)果可見，在表1中，Video4、5中背景對(duì)火焰的影響不大，所以正確率均較高。Video1中有幾幀火焰顏色較淺、面積較小，而且人遮擋住部分火焰導(dǎo)致正確率稍低。Video3、7、8因?yàn)槭窃谑覂?nèi)，場(chǎng)景較簡(jiǎn)單，檢測(cè)效果好。森林火焰檢測(cè)中，Video2部分火焰較模糊，并且與背景顏色相近，檢測(cè)率比Video6略低，但本文森林火焰檢測(cè)率均高于算法1-算法3。算法3同樣采用提取火焰多種特征并結(jié)合SVM分類器進(jìn)行火焰識(shí)別，由結(jié)果可見除了Video1外，本文算法的檢測(cè)率均高于算法3。

在表2中，Video12、13、14中盡管有人走動(dòng)，但可據(jù)紋理等特征排除，均沒有出現(xiàn)誤檢。Video11中閃光燈的閃爍頻率明顯低于火焰，而且紋理也不同于火焰，正確率較高。雖然Video9、10中車燈的顏色和閃動(dòng)頻率均與火焰較為相似，但紋理特征與火焰有顯著區(qū)別，故本文算法可達(dá)到93.1%、92.8%的準(zhǔn)確率，檢測(cè)效果明顯優(yōu)于算法1、算法2，略高于算法3。

綜上，本文算法提出的LBP直方圖分布特征為主，結(jié)合紅色分量、小波能量特征的火焰分類識(shí)別算法，明顯優(yōu)于不用分類器進(jìn)行識(shí)別的算法(算法1)，也優(yōu)于只用一個(gè)特征結(jié)合分類器的算法(算法2)和采用多特征融合并結(jié)合分類器(算法3)的算法。本文算法特征選取更為有效，能達(dá)到較高的準(zhǔn)確率和較低的誤檢率。

6　結(jié)　語

本文提出的算法綜合運(yùn)用火焰的顏色、小波高頻能量、LBP直方圖分布特征并結(jié)合SVM分類器實(shí)現(xiàn)火焰識(shí)別。首先，采用幀差法提取運(yùn)動(dòng)塊；然后，根據(jù)描述火焰顏色的多變量高斯模型提取出候選火焰塊區(qū)域；再提取火焰塊的紅色分量統(tǒng)計(jì)特征、小波高頻能量、LBP直方圖分布特征；最后將這些特征向量輸入訓(xùn)練好的SVM分類器進(jìn)行火焰識(shí)別。

本文創(chuàng)新之處在于引入LBP直方圖分布特征描述火焰紋理，相比傳統(tǒng)的表面粗糙度、灰度共生矩陣等方法更能準(zhǔn)確反映圖像紋理。并且火焰和疑似火焰物體(如車燈)的LBP直方圖分布特征差異明顯，是一個(gè)具有高區(qū)分度的特征。同時(shí)結(jié)合多特征運(yùn)用SVM分類器進(jìn)行檢測(cè)。實(shí)驗(yàn)結(jié)果表明，在不同光照和背景下，在有不同干擾物影響的環(huán)境中，本算法檢測(cè)率高、誤檢率低、適應(yīng)性好、速度快，是一種高效的實(shí)時(shí)視頻火焰檢測(cè)算法。

[1] Chen T H, Wu P H, Chiou Y C. An Early Fire-Detection Method based on Image Processing[C]//International Conference on Image Processing,2004, 3:1707-1710.

[2] Chen J, He Y P, Wang J. Multi-feature fusion based fast video flame detection[J]. Building and Environment, 2010,45(5):1113-1122.

[3] Celik T, Demirel H. Fire detection in video sequences using a generic color model[J]. Fire Safety Journal,2009,44(2):147-158.

[5] Borges P V K, Izquierdo E. A Probabilistic Approach for Vision-Based Fire Detection in Videos[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2010, 20(5):721-731.

[6] Kang M, Tung T X, Kim J. Efficient video-equipped fire detection approach for automatic fire alarm systems[J].Optical Engineering,2013,52(1):177-182.

[7] Ko B C, Cheong K H, Nam J Y. Fire detection based on vision sensor a support vector machines[J]. Fire Safety Journal, 2009, 44(3):322-329.

[8] Zhao J H, Zhang Zhong, Han S Z, et al. SVM based forest fire detection using static and dynamic features[J].Computer Science and Information Systems,2011,8(3):821-841.

[9] Ojala T, Pietikainen M, T Maenpaa. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Transaction on Pattern Analysis and Machine Intellegence, 2002,24(7):971-987.

[10] Truong T X, Kim J. Fire flame detection in video sequences using multi-stage pattern recognition techniques[J]. Engineering Applications of Artificial Intelligence, 2012,25(7):1365-1372.

DETECTING FLAME IN VIDEO IN COMBINATION WITH LBP HISTOGRAM AND SVM

Zhang XiaHuang Jifeng

(CollegeofInformation,MechanicalandElectricalEngineering,ShanghaiNormalUniversity,Shanghai200234,China)

According to unique texture feature of flame, we propose a flame recognition algorithm which is mainly based on LBP histogram feature and combines other dynamic and static features. First we use frame difference and RGB colour Gaussian model to carry out motion and colour detection to get the suspected flame area. Then we extract its red component statistical feature, high-frequency wavelet energy and LBP histogram feature. Finally we input the feature vectors into support vector machine (SVM) classifier for flame recognition. Experiments show that this algorithm has low false rate, good robustness and real-time property, the flame video detection rate reaches 96.2%.

Flame detectionColour Gaussian modelLBPHigh-frequency wavelet energySVM

2015-03-09。上海市教委科研創(chuàng)新重點(diǎn)項(xiàng)目(14ZZ 125)。張霞，碩士生，主研領(lǐng)域：數(shù)字圖像處理。黃繼風(fēng)，教授。

TP391.41

A

10.3969/j.issn.1000-386x.2016.08.048