結(jié)合顯著性的視頻火焰檢測

張楠波 俞孟蕻 黃煒亮 李 袁

（江蘇科技大學(xué)計(jì)算機(jī)學(xué)院 鎮(zhèn)江 212000）

1 引言

隨著視頻設(shè)備的普及與圖像處理技術(shù)的快速發(fā)展，通過視頻監(jiān)控盡早檢測到火焰的發(fā)生變的越來越重要［1］。傳統(tǒng)的視頻火焰探測技術(shù)首先從空間特征模型與時間特征模型來提取特征，繼而用機(jī)器學(xué)習(xí)來訓(xùn)練得出火焰模型?？臻g特征模型從火焰的光譜信息，空間結(jié)構(gòu)信息來描述火焰的候選區(qū)域，如火焰的顏色、亮度、幾何特征、區(qū)域結(jié)構(gòu)等［2］。時間特征模型從火焰的整體運(yùn)動、隨機(jī)頻閃等信息來描述［3］。而上述這些特征有些需要有先驗(yàn)知識來手動設(shè)定參數(shù)，如顏色特征；有些受燃燒物、空氣流動等外在因素影響較大，如幾何特征；有些因?yàn)檎系K物遮擋并不能有效觀察測量，如火焰的整體運(yùn)動。

由于上述傳統(tǒng)火焰檢測方式的缺點(diǎn)，一種直接基于人類感知視覺系統(tǒng)的檢測方法開始流行起來。人類的視覺機(jī)制可以幫助人們在觀察場景時從大量的雜亂信息中快速準(zhǔn)確的找到自己最感興趣的區(qū)域［4］。在火焰視頻中，火焰的亮度、顏色以及動態(tài)特征在人類視覺中具有較高的顯著性。

2 傳統(tǒng)火焰顏色模型的改進(jìn)

2.1 火焰在RGB顏色通道下的高斯分布模型

為了檢測火焰像素點(diǎn)，一般的做法是在某種顏色模型中設(shè)置單個或者多個顏色通道的閾值來實(shí)現(xiàn)［5］。但是這種方法比較簡單原始，當(dāng)火焰材料或環(huán)境改變時檢驗(yàn)失敗的概率比較高。因此，本文提出了一種基于RGB顏色通道的高斯分布模型。我們假定火焰區(qū)域像素點(diǎn)各通道是相互獨(dú)立的，令向量 f表示火焰區(qū)域像素點(diǎn)平均采樣，分別代表其中的R、G、B通道。滿足分布：

其中，px(x0)表示變量x0在隨機(jī)變量X的概率密度函數(shù)的值，Robs，Gobs，Bobs分別待觀測像素的各通道值。我們以DR為例，DR可以被解釋為一個歸一化度量，它表示指定像素點(diǎn)在R通道上是否為火焰像素點(diǎn)的概率。當(dāng)Robs越是接近μfR，DR越大且越來越接近1，就越能斷定待定像素點(diǎn)在R通道上為火焰像素點(diǎn)。

假定Robs，Gobs，Bobs是相互獨(dú)立的，根據(jù)概率學(xué)理論公式，我們提出度量函數(shù)D來指示候選區(qū)域是否為火焰區(qū)域。

D可以表示為候選像素點(diǎn)可表示為火焰像素點(diǎn)的概率置信度（僅從顏色方面分析），通過實(shí)驗(yàn)我們可以得知，若候選區(qū)域?yàn)榛鹧鎱^(qū)域，則一般有D＞0.8。

2.2 火焰圖像的偏度

我們知道，圖像中的火焰區(qū)域紅色是非常飽滿的［6］。在此我們定義一種偏度測量R通道像素值分布在其平均值周圍的不對稱程度。當(dāng)偏度為0時，表示分布式對稱的；大于0時，表示分布更加傾向于右側(cè)；小于0時，表示分布更加傾向于左側(cè)。

在一般情況下，我們觀察火焰區(qū)域中的R同道直方圖，我們會發(fā)現(xiàn)像素大都聚集到高飽和度的地方，即數(shù)值高的區(qū)域。這也導(dǎo)致了火焰區(qū)域的偏度是一個正數(shù)值，分布是傾向于右側(cè)的。因此，我們將偏度作為一個檢驗(yàn)圖像區(qū)域是否為火焰區(qū)域的重要因素，公式如下：

其中 fR(m，n)代表火焰區(qū)域的R通道像素點(diǎn)分布，J表示區(qū)域像素點(diǎn)的個數(shù)，代表分布均值，代表分布方差。若候選區(qū)域?yàn)榛鹧鎱^(qū)域，則一般有。

3 火焰顯著性特征圖融合

視覺的顯著性反映了圖像中某個像素或者某一個區(qū)域與周圍像素或環(huán)境的差異性，這種顯著性差異與選取的特征有關(guān)［7］。常見的特征有方向特征，亮度特征，顏色特征等。在不同的圖像中，同一特征對視覺顯著性的影響是不同的。對于火焰圖像來說，其方向特征的作用并不明顯，只會增加計(jì)算的復(fù)雜度。而其亮度與顏色特征確是非常明顯的。

本文先分別介紹并計(jì)算出圖像的局部顯著性，全局顯著性，稀疏顯著性。然后通過融合算法得出最終的顯著圖。

3.1 火焰圖像的局部顯著性

圖像的局部顯著性指的是該像素點(diǎn)或像素區(qū)域與周圍像素點(diǎn)的對比度，對比度越大，則該像素或該區(qū)域越顯著。張巧榮［8］從頻域分析著手，通過傅里葉變換，提取幅度譜與相位譜，對相位譜進(jìn)行重構(gòu)來獲得局部顯著性，這個方法復(fù)雜度高。

為了計(jì)算簡單，加大算法檢測的實(shí)時性，本文使用了AC算法來檢測圖像的局部性，該方法計(jì)算候選像素與周圍鄰域像素均值的歐式距離得出鄰域的局部顯著性，又根據(jù)不同的鄰域?qū)挾日{(diào)整影響權(quán)值，線性加權(quán)計(jì)算最終的局部顯著圖像。

3.2 火焰圖像的全局顯著性

考慮到火焰燃燒的無規(guī)律性與背景的復(fù)雜性，僅使用局部顯著性計(jì)算鄰域像素的對比度是不可行的，它會導(dǎo)致圖像內(nèi)一些邊緣特征區(qū)域或者噪聲干擾區(qū)域產(chǎn)生較高的顯著性，而火焰內(nèi)部的平滑區(qū)域賦予較低測顯著性。因此，還需要計(jì)算出像素與整幅火焰圖像的對比度，即圖像的全局顯著性。這樣做能抑制經(jīng)常出現(xiàn)的邊緣特征干擾，把大范圍的平滑漸變區(qū)域分割開來［9］。

考慮到Lab顏色空間比RGB空間更加符合人類的認(rèn)知習(xí)慣，全局顯著性是在Lab空間計(jì)算的：

公式中，Ii(x，y)為圖像在L，a，b上的分量，M、N分別為圖像的寬和高，fi(x，y)為圖像在各個通道上的平均值，Sgi為每個通道的全局顯著性。在分量融合過程中，由于火焰圖像的特殊性，L亮度通道是最顯著的，所以給予的權(quán)值最多，其次是表征紅綠的a通道，而表征黃藍(lán)的b通道給予的權(quán)值最少。

3.3 火焰圖像的稀疏性

在有些火焰圖像中，相對于比較大的遮擋物，零散小火苗的全局顯著性并不明顯。因此我們利用直方圖統(tǒng)計(jì)像素，來計(jì)算出圖像的稀疏性。稀疏性意味著該像素在圖像中出現(xiàn)的次數(shù)越少，相對于全局它就越顯著。在圖像中，噪聲像素出現(xiàn)的次數(shù)也比較少，為了防止噪聲干擾，在這里我們要給出兩個閾值，次數(shù)小于該閾值u1時判定為噪聲，次數(shù)大于u2要給與稀疏性抑制。公式如下：

其中Sr(x，y)為圖像的稀疏性度量，h(I(x，y))為圖像的直方統(tǒng)計(jì)圖。實(shí)驗(yàn)中u1取值64，u2取值1024。抑制參數(shù) c1取800，c2取200。

3.4 火焰圖像顯著性融合

前文中已經(jīng)分析了全局顯著性，局部顯著性和稀疏性的特性，綜合考慮這些因素，必須對這些特性進(jìn)行融合。在實(shí)驗(yàn)中為了對比效果，將融合結(jié)果進(jìn)行拉伸處理，公式如下：

式中 Sl(x，y)，Sg(x，y)，Sr(x，y)分別為上文中的全局顯著性、局部顯著性、稀疏性，Sfuse為初步融合結(jié)果，Savg為融合結(jié)果的平均值，Sfinal為拉伸后的最終結(jié)果。

圖1 火焰圖像各顯著性圖效果

在最終的融合顯著性圖像中，亮度越高表示區(qū)域越顯著。火焰一般是圖像里比較顯著的，如果有火焰產(chǎn)生，那么火焰在這些區(qū)域的可能性就越大。本文在融合顯著性圖像中選取灰度級200～255的范圍來表示候選火焰區(qū)域。

4 實(shí)驗(yàn)與分析

4.1 支持向量機(jī)模型訓(xùn)練

機(jī)器學(xué)習(xí)算法是對各個特征綜合考量的分類決策算法［10］，它在這一方面比人類更具有優(yōu)勢，當(dāng)提出的特征合適時，機(jī)器學(xué)習(xí)算法就有了很好的準(zhǔn)確性與穩(wěn)定性。本文采用支持向量機(jī)分類器［11］依據(jù)火焰特征訓(xùn)練好模型，進(jìn)而通過訓(xùn)練好的模型對火焰進(jìn)行分類檢測。

為了獲得更好的訓(xùn)練效果，本文模擬真實(shí)的自然環(huán)境，從國外視覺實(shí)驗(yàn)室網(wǎng)站上選取了10段火焰視頻，這10個火焰視頻中燃燒背景不相同，燃燒火焰的動靜態(tài)各方面特征也不完全相同。選取了5段非火焰視頻，其中包含了各種類似火焰的干擾物，紅色的楓葉，晚上的路燈，閃爍的螢火蟲等。每段火焰視頻與非火焰視頻中各取連續(xù)的100幀32*32大小的圖像塊，共計(jì)1500個圖像塊，其中80%當(dāng)做訓(xùn)練集，20%當(dāng)做測試集。對于訓(xùn)練集與測試集中的圖像塊分布提取顏色置信度、矩形度［12］、邊界粗糙度［13］、偏度、尖角個數(shù)［14］，質(zhì)心運(yùn)動方向［15］特征，那么每一個樣本就包含了一個長度為7的特征向量 X=[D，R，B，P，J，Mx，My]。給訓(xùn)練集和測試集按有無火焰加上0～1標(biāo)簽后，就可以用支持向量機(jī)開始訓(xùn)練了，在訓(xùn)練過程中不斷優(yōu)化模型。

部分火焰圖像特征如表1所示，非火焰圖像特征如表2所示，支持向量機(jī)參數(shù)如表3所示。

表1 火焰圖像特征特征數(shù)據(jù)列表

表2 非火焰圖像特征特征數(shù)據(jù)列表

表3 非火焰圖像特征特征數(shù)據(jù)列表

4.2 結(jié)果分析

在支持向量機(jī)模型訓(xùn)練完成后，本文選取了其他視頻進(jìn)行檢驗(yàn)測試。實(shí)驗(yàn)結(jié)果表示，通過融合顯著性算法后，基本能將火焰區(qū)域正確的標(biāo)識出來。然后將標(biāo)記出的區(qū)域通過基于RGB顏色通道的高斯分布模型與運(yùn)動前景目標(biāo)檢測，實(shí)驗(yàn)中非火焰顏色的目標(biāo)與類似火焰顏色的靜態(tài)目標(biāo)也能正確得被排除，只剩下一些與火焰動靜態(tài)特征都很類似的干擾，比如在風(fēng)中搖擺的電燈。提取目標(biāo)區(qū)域的特征放入訓(xùn)練好的支持向量機(jī)模型后，是否為火焰也能得到正確的判斷，實(shí)驗(yàn)結(jié)果如圖2～3。

圖2 檢測火焰發(fā)生

圖3 類似火焰干擾物未被誤檢

最終實(shí)驗(yàn)表明，決策準(zhǔn)確率較高，視頻中的小型火焰和大型火災(zāi)基本能被檢測出來。與其他算法對比，該算法在抗干擾能力比較強(qiáng)，常被其他算法誤檢的目標(biāo)，如變化的霓虹燈，移動的橘紅色物體等干擾都能被有效排除。

5 結(jié)語

傳統(tǒng)的獲取視頻火焰候選區(qū)域的的主流算法包括顏色區(qū)間模型等靜態(tài)檢測算法和運(yùn)動目標(biāo)前景檢測方法等。顏色區(qū)間模型只關(guān)注了火焰的顏色特性，運(yùn)動目標(biāo)前景檢測方法只關(guān)注了火焰序列幀之間的變化性，而融合顯著性的候選區(qū)域提取方式從人的視覺機(jī)制出發(fā)，更加關(guān)注火焰區(qū)域與周圍環(huán)境的區(qū)別大小問題。通過顯著性提取火焰候選區(qū)域，然后再利用顏色空間和動態(tài)特性對候選區(qū)域進(jìn)一步篩選，這種方式只計(jì)算了當(dāng)前幀圖像，并不需要其他幀圖像進(jìn)行建模，減少計(jì)算量的同時也能保證準(zhǔn)確率。對于與火焰動靜態(tài)特征都相似的干擾物，獲取多維特征進(jìn)行支持向量機(jī)決策能有效地進(jìn)行判別區(qū)分。