本發(fā)明涉及火焰檢測(cè)領(lǐng)域，尤其涉及一種基于多特征融合的視頻火焰檢測(cè)方法。

背景技術(shù)：

視覺火焰檢測(cè)是機(jī)器視覺中具有重大理論意義和實(shí)用價(jià)值的課題之一，是目前火焰檢測(cè)領(lǐng)域的研究熱點(diǎn)?；谝曨l圖像的火焰監(jiān)測(cè)方法可以有效克服傳統(tǒng)非接觸式探測(cè)器探測(cè)距離小，受環(huán)境影響較大和火災(zāi)判據(jù)單一等缺點(diǎn)，有助于提高火災(zāi)探測(cè)的準(zhǔn)確度和可靠性。

目前，許多學(xué)者在火焰圖像檢測(cè)識(shí)別上提出了不少檢測(cè)方法,以下是現(xiàn)有有關(guān)火焰圖像檢測(cè)的參考文獻(xiàn)：

[1]Bugaric M，Jakovcevic T，Stipanicev D.Adaptive estimation of visual smoke detection parameters based on spatial data and fire risk index[J].Computer Vision and Image Understanding,2014,118(1):184-196.

[2]Seo J，Kang M，Kim C H，et a1.An optimal many-core model-based supercomputing for accelerating video-equipped fire detection[J].The Journal of Supercomputing,2015,71(6):2275-2308.

[3]Habiboglu Y H，Gunay O，Cetin A E.Covariance matrix-based fire and flame detection method in video[J].Machine Vision and Applications,2012,23(6):1103-1113.

[4]Cho B H,Bae J W,Jung S H.Image Processing-based Fire Detection System using Statistic Color Model[C]//International Conference on Advanced Language Processing and Web Information Technology,July,2008,Dalian,Liao-ning,China:245-250.

[5]Celik T,Demirel H,Ozkaramanli H,Uyguroglu M.Fire detection using statistical color model in video sequences[J].Journal of Visual Communication and Image Representation.2007,18(2):176–185.

[6]Homg W B,Peng J W,Chen C Y.A New Image-Based Real-Time Flame Detection Method Using Color Analysis[C].//Proceedings of the 2005IEEE International Conference on Networking,Sensing and Control,2005:100-105.

[7]Toreyin B U,Dedeoglu Y,Cetin A E.Flame detection in video using hidden markov models[C]//In:Proc.2005International Conference on Image Processing(ICIP 2005)[C],Genoa,Italy:2005:2457-2460.

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

[9]Zhang Z,Shen T,Zou J.An Improved Probabilistic Approach for Fire Detection in Videos[J].Fire Technology,2014,50(3):745-752.

[10]李慶輝，李艾華，蘇延召，等.基于FCM聚類與SVM的火焰檢測(cè)算法[J].紅處與激光工程.2014,43(5),1660-1666.

[11]Rong Jianzhong,Zhou Dechuang,Yao Wei,et al.Fire flame detection based on GICA and target tracking[J].Optics&Laser Technology,2013,47:283-291.

[12]嚴(yán)云洋,杜靜,高尚兵,等,融合多特征的視頻火焰檢測(cè)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào).2015,27(3):433-440.

[13]李剛，邱尚斌，林凌，等.基于背景差法和幀間差法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].儀器儀表學(xué)報(bào)，2006，27(8):961-965.

[14]Stauffer C,Grimson W.Learning patterns of activity using real-time tracking [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(8):747-757.

[15]Toreyin B U,Dedeoglu Y,Gudukbay U,et al.Computer vision based method for real-time fire and flame detection[J].Pattern Recognition Letters,2006,27(1):49-58.

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

[17]謝迪,童若鋒,唐敏等.具有高區(qū)分度的視頻火焰檢測(cè)方法[J].浙江大學(xué)學(xué)報(bào)：工學(xué)版,2012,46(4):698-704.

[18]袁非牛，廖光煊，張永明，等.計(jì)算機(jī)視覺火災(zāi)探測(cè)中的特征提取[J].中國科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2006，36(1):39-43.

[19]Wong A K，F(xiàn)ong N.Experimental study of video fire detection and its applications[J].Procedia Engineering，2014，71：316-327.

[20]John O，Prince S.Classification of flame and fire images using feed forward neural network[C]//Proceedings of the 2014International Conference on Electronics and Communication Systems(ICECS)，2014.

[21]吳冬梅，李白萍，沈燕，等.基于多特征融合的煙霧檢測(cè)[J].圖學(xué)學(xué)報(bào)，2015,36(4):587-592.

[22]Satty T L.The Analytic Hierarchy Process,McGraw-Hill.New York.1980.

[23]廖紅強(qiáng),邱勇,楊俠,等.對(duì)應(yīng)用層次分析法確定權(quán)重系數(shù)的探討[J].機(jī)械工程師，2012(6):22-25.

Bugaric等提出火焰檢測(cè)的算法包括四個(gè)階段：前景檢測(cè)階段，區(qū)域分析階段，動(dòng)態(tài)特性檢測(cè)階段及決策階段。Habiboglu等提出將協(xié)方差矩陣和支持向量機(jī)用以識(shí)別火焰。文獻(xiàn)[4-6]提出基于不同顏色空間的火焰顏色檢測(cè)算法，并通過大量的火焰圖像檢測(cè)驗(yàn)證了算法的有效性，這些算法為后續(xù)的火焰顏色檢測(cè)研究打下了基礎(chǔ)，并得到廣泛應(yīng)用。Toreyin等采用Markov模型描述火焰閃動(dòng)狀態(tài)。Chen等人建立了一個(gè)計(jì)數(shù)矩陣來計(jì)算閃頻特征,將閃頻特征作為火焰檢測(cè)的主要?jiǎng)討B(tài)特征加以識(shí)別，算法簡單，運(yùn)行效率較高，但忽略了火焰的其它動(dòng)態(tài)特征。Zhang等對(duì)火焰顏色模型進(jìn)行了改進(jìn)，結(jié)合了運(yùn)動(dòng)特征，通過決策融合進(jìn)行判斷。李慶輝等提出了結(jié)合FCM聚類與SVM的火焰檢測(cè)方法，首先通過自適應(yīng)混合高斯模型檢測(cè)運(yùn)動(dòng)區(qū)域，然后利用模糊C均值聚類算法分割目標(biāo)，再提取目標(biāo)區(qū)域時(shí)空特征，最后通過訓(xùn)練好的支持向量機(jī)分類器加以識(shí)別。Rong等提出基于幾何獨(dú)立分量和目標(biāo)跟蹤的火焰檢測(cè)算法，該算法對(duì)運(yùn)動(dòng)較慢的火焰檢測(cè)效果較好，但對(duì)視頻序列的噪聲及運(yùn)動(dòng)目標(biāo)區(qū)域分布過于敏感。嚴(yán)云洋等提出基于顯著性的四元數(shù)離散余余弦變換算法來檢測(cè)視頻中的火焰。視頻火焰檢測(cè)技術(shù)容易受復(fù)雜場(chǎng)景、類似火焰顏色干擾物和光照條件等影響，從而使得算法的可靠性不高，還處在研究初級(jí)階段。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種基于多特征融合的視頻火焰檢測(cè)方法，綜合了火焰運(yùn)動(dòng)特征、顏色特征以及基于層次分析法的火焰動(dòng)態(tài)特征融合，能夠準(zhǔn)確、有效地檢測(cè)識(shí)別視頻中的火焰信息。

為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于多特征融合的視頻火焰檢測(cè)方法，其特征在于，包括以下步驟：

步驟S1：讀取第一幀圖像；

步驟S2：初始化選擇性背景更新模型，并設(shè)置像素累加器；

步驟S3：讀取下一幀圖像；

步驟S4：基于選擇性背景更新模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，判斷是否存在運(yùn)動(dòng)目標(biāo)，若存在，則對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行顏色檢測(cè)，否則返回步驟S3；

步驟S5：對(duì)火焰顏色區(qū)域進(jìn)行腐蝕膨脹并標(biāo)記獲取火焰候選區(qū)域；若存在火焰候選區(qū)域，則初步判斷為火焰并進(jìn)一步提取圖像特征信息，包括頻閃特征、尖角特征、面積增長特征、圓形度特征和整體移動(dòng)特征；否則返回步驟S3；

步驟S6：基于AHP對(duì)所述圖像特征信息進(jìn)行融合得到火焰動(dòng)態(tài)特征得分，將所述火焰動(dòng)態(tài)特征得分與預(yù)設(shè)的全局評(píng)估值進(jìn)行比較，若火焰動(dòng)態(tài)特征得分大于全局評(píng)估值，則判斷目標(biāo)為火焰，否則不是火焰并返回步驟S3。

進(jìn)一步的，所述步驟S4中選擇性背景更新模型的檢測(cè)方法如下：為圖像上每個(gè)位置的像素點(diǎn)引入一個(gè)計(jì)數(shù)器Counter_t(x,y)，當(dāng)某一位置的像素點(diǎn)在時(shí)間T內(nèi)都被檢測(cè)為運(yùn)動(dòng)前景時(shí)，認(rèn)定該像素點(diǎn)屬于永久的運(yùn)動(dòng)變化，將該像素點(diǎn)視為背景進(jìn)行背景更新。

進(jìn)一步的，所述步驟S5中采用基于YCbCr顏色空間的火焰顏色檢測(cè)方法，火焰像素的約束規(guī)則如下式所示：

其中，τ為設(shè)定閾值，Y(x,y)、Cb(x,y)、Cr(x,y)分別表示像素點(diǎn)(x,y)的在YCbCr顏色空間中的亮度分量值、藍(lán)色色差值、紅色色差值；Y_mean、Cb_mean、Cr_mean分別是圖像的亮度信息、藍(lán)色色差和紅色色差的均值。

進(jìn)一步的，所述頻閃特征的提取方法如下：在視頻首幀建立一個(gè)與視頻圖像大小一樣的累加計(jì)數(shù)器矩陣SUM，用來分析圖像中像素點(diǎn)(x,y)在不同時(shí)刻的亮度變化情況，如果像素點(diǎn)(x,y)在t時(shí)刻的亮度Y_t(x,y)和(t-1)時(shí)刻的亮度Y_t-1(x,y)發(fā)生變化，且變化值大于閾值ΔT_Y，則t時(shí)刻該像素點(diǎn)對(duì)應(yīng)的累加計(jì)數(shù)器SUM_t(x,y)加1，否則對(duì)應(yīng)累加計(jì)數(shù)器SUM_t(x,y)加0，具體請(qǐng)看下式：

ΔY_t(x,y)＝Y(jié)_t(x,y)-Y_t-1(x,y)

式中，SUM_t(x,y)和SUM_t-1(x,y)分別表示像素點(diǎn)(x,y)在t時(shí)刻和(t-1)時(shí)刻的累加計(jì)數(shù)器值；亮度信息Y為顏色檢測(cè)所用到的YCbCr顏色模型的Y分量；Y_t(x,y)和Y_t-1(x,y)分別表示像素點(diǎn)(x,y)在t時(shí)刻和(t-1)時(shí)刻的亮度值，ΔT_Y為設(shè)定的閥值；

給定火焰的閃動(dòng)約束條件：

(Timer(x,y,t)-timer(x,y,t-n))≥T_f

其中，n為給定的序列長度或時(shí)間窗口，相鄰幀間的步長為1，T_f為設(shè)定的閃動(dòng)閾值；

對(duì)圖像中的火焰候選區(qū)域進(jìn)行標(biāo)記，利用下式表示頻閃特征：

R_i＝NUM_if/NUM_icm≥λ

其中，NUM_icm和NUM_if分別表示各區(qū)域中白色目標(biāo)的像素點(diǎn)總數(shù)和像素點(diǎn)數(shù)，λ為閾值，Ri為頻閃特征。

進(jìn)一步的，所述給定的序列長度或時(shí)間窗口的取值為n＝25，閃動(dòng)閾值的取值為T_f＝8。

進(jìn)一步的，所述面積增長特征的提取方法如下：

其中，At和At+k分別為t時(shí)刻和t+k時(shí)刻火焰區(qū)域的面積,ΔA_t為時(shí)間k內(nèi)面積變化率，即面積增長特征。

進(jìn)一步的，所述步驟S6中對(duì)所述圖像特征信息進(jìn)行融合的方法為：

I_F＝I(a)W_a+I(b)W_b+I(c)W_c+I(d)W_d+I(e)W_e

其中，I(a)、I(b)、I(c)、I(d)、I(e)分別表示頻閃特征、尖角特征、整體移動(dòng)特征、面積增長特征和圓形度特征，Wa、Wb、Wc、Wd、We分別表示頻閃特征、尖角特征、整體移動(dòng)特征、面積增長特征和圓形度特征的權(quán)值。

進(jìn)一步的，所述頻閃特征、尖角特征、整體移動(dòng)特征、面積增長特征和圓形度特征的權(quán)值的取值為Wa＝0.4657、Wb＝0.2257、Wc＝0.1573、Wd＝0.0782、We＝0.0731。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下有益效果：本發(fā)明針對(duì)目前視頻火焰檢測(cè)存在的不足，對(duì)火焰運(yùn)動(dòng)特征、顏色特征和頻閃特征、尖角特征、圓形度特征、整體移動(dòng)特征、面積增長特征等動(dòng)態(tài)特征進(jìn)行了識(shí)別分析，并首次提出一種基于層次分析法的火焰多特征融合的視頻火焰檢測(cè)方法。相比于其他算法，本發(fā)明的火焰檢測(cè)方法準(zhǔn)確率較高，誤檢率較低，具有較強(qiáng)的魯棒性，展現(xiàn)出較好的應(yīng)用前景。

附圖說明

圖1是本發(fā)明的算法流程圖。

圖2是本發(fā)明的永久變化目標(biāo)檢測(cè)流程圖。

圖3a是本發(fā)明一實(shí)施例的視頻原圖像。

圖3b是圖3a基于本發(fā)明建立的背景。

圖3c是圖3a基于本發(fā)明提取的目標(biāo)。

圖3d是圖3a基于混合高斯模型提取的目標(biāo)。

圖4a是本發(fā)明一實(shí)施例的視頻原圖像。

圖4b是圖4a基于文獻(xiàn)4的顏色檢測(cè)效果圖。

圖4c是圖4a基于文獻(xiàn)5的顏色檢測(cè)效果圖。

圖4d是圖4a基于文獻(xiàn)6的顏色檢測(cè)效果圖。

圖4e是圖4a基于本發(fā)明的顏色檢測(cè)效果圖。

圖5a是本發(fā)明一實(shí)施例的視頻原圖像。

圖5b是圖5a基于本發(fā)明得到的頻閃特征。

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說明。

請(qǐng)參照?qǐng)D1，本發(fā)明提供一種基于多特征融合的視頻火焰檢測(cè)方法，其特征在于，包括以下步驟：

步驟S1：讀取第一幀圖像；

步驟S2：初始化選擇性背景更新模型，并設(shè)置像素累加器；

步驟S3：讀取下一幀圖像；

步驟S4：基于選擇性背景更新模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，判斷是否存在運(yùn)動(dòng)目標(biāo)，若存在，則對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行顏色檢測(cè)，否則返回步驟S3；

當(dāng)有火災(zāi)發(fā)生時(shí)，火焰從無到有呈現(xiàn)出一種變化發(fā)展的運(yùn)動(dòng)特性。在本系統(tǒng)中，首先通過運(yùn)動(dòng)目標(biāo)檢測(cè)，分割出運(yùn)動(dòng)的前景目標(biāo)，排除監(jiān)控區(qū)域中靜止的干擾背景。目前，常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要分為三大類：光流法，幀間差分法，背景消減法。每種方法都有自己的特點(diǎn)和應(yīng)用局限性。視頻圖像提取運(yùn)動(dòng)目標(biāo)的一個(gè)重要方法是背景建模法，其基本思想是：建立背景統(tǒng)計(jì)模型，使每一時(shí)刻的背景模型更好的逼近真實(shí)的環(huán)境背景，然后通過求解當(dāng)前圖像與背景圖像的差分來提取出運(yùn)動(dòng)前景。背景建模的關(guān)鍵在于背景更新算法的好壞，很多學(xué)者提出了不同的背景更新方法，主要有一階Kalman濾波法,W4法，統(tǒng)計(jì)平均法,高斯模型法，其中又以混合高斯模型應(yīng)用最廣。

考慮火焰探測(cè)的實(shí)時(shí)性和準(zhǔn)確性要求，需要尋求一種能適應(yīng)于相對(duì)復(fù)雜的監(jiān)控場(chǎng)景，運(yùn)算簡單快速，并且能夠提取出火焰完整信息的運(yùn)動(dòng)檢測(cè)算法。綜合考慮，本文在Toreyin對(duì)火焰實(shí)時(shí)檢測(cè)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法的基礎(chǔ)上，本發(fā)明提出了一種改進(jìn)算法。

文獻(xiàn)[15]]中選擇性背景更新模型是有選擇性地更新背景而不是對(duì)監(jiān)控視頻的每個(gè)像素點(diǎn)不間斷地進(jìn)行背景更新。其背景更新思想是：將視頻監(jiān)控圖像C_t(x,y)看作為背景圖像B_t(x,y)和運(yùn)動(dòng)目標(biāo)圖像F_t(x,y)兩部分組成，通過閥值M_T_t(x,y)設(shè)定分割出運(yùn)動(dòng)目標(biāo)，屬于背景圖像上的像素點(diǎn)則將上一幀中背景像素點(diǎn)B_t-1(x,y)按一定的速度更新到當(dāng)前圖像的背景像素點(diǎn)B_t(x,y)，而對(duì)于當(dāng)前圖像中屬于運(yùn)動(dòng)目標(biāo)的像素點(diǎn)不做背景更新。其運(yùn)動(dòng)目標(biāo)提取和背景更新如公式(1)(2)(3)所示。

D_t(x,y)＝|C_t(x,y)-B_t(x,y)| (1)

式中，α為更新系數(shù)，表示更新的快慢程度，α越小，更新速度越快，α越大，更新速度越慢，α取值范圍為0～1。通過大量火焰視頻庫檢測(cè)實(shí)驗(yàn)，為獲得較好的檢測(cè)效果筆者將更新系數(shù)α取0.85。同時(shí)通過理論和實(shí)驗(yàn)分析，當(dāng)視頻圖像中存在物體運(yùn)動(dòng)后不會(huì)恢復(fù)原位的運(yùn)動(dòng)或運(yùn)動(dòng)物體進(jìn)入監(jiān)控視頻后停止運(yùn)動(dòng)的永久運(yùn)動(dòng)變化時(shí)，文獻(xiàn)[15]中的背景更新模型不能適應(yīng)。

永久運(yùn)動(dòng)變化的共同點(diǎn)是該區(qū)域上像素點(diǎn)從背景像素轉(zhuǎn)為運(yùn)動(dòng)前景像素后長時(shí)間不再發(fā)生變化，有別于一般意義上的運(yùn)動(dòng)目標(biāo)。本發(fā)明對(duì)選擇性背景更新模型的檢測(cè)方法進(jìn)行了改進(jìn)，具體如下：為圖像上每個(gè)位置的像素點(diǎn)引入一個(gè)計(jì)數(shù)器Counter_t(x,y)，當(dāng)某一位置的像素點(diǎn)在時(shí)間T內(nèi)(如連續(xù)160幀)被檢測(cè)為運(yùn)動(dòng)前景時(shí)，認(rèn)定該像素點(diǎn)屬于永久的運(yùn)動(dòng)變化，不是我們感興趣的運(yùn)動(dòng)目標(biāo)，應(yīng)該將該像素點(diǎn)視為背景進(jìn)行背景更新。具體流程請(qǐng)參照?qǐng)D2，其中，X(x,y)為輸入的像素點(diǎn)，Counter_t(x,y)為該像素的計(jì)數(shù)器，用來計(jì)數(shù)X(x,y)像素連續(xù)被檢測(cè)為運(yùn)動(dòng)前景的幀數(shù)，Counter_T為設(shè)定的全局閾值，可以根據(jù)動(dòng)態(tài)的環(huán)境設(shè)置不同的閾值，如果感興趣的運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)速度快，則Counter_T應(yīng)設(shè)置小些，如果感覺興趣的運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)速度慢，則Counter_T應(yīng)設(shè)置大些，根據(jù)火焰特征，本方法取Counter_T為160。通過實(shí)驗(yàn)驗(yàn)證了本文改進(jìn)的選擇性背景更新模型的有效性，并與目前使用廣泛的混合高斯模型進(jìn)行了比較。

實(shí)驗(yàn)結(jié)果如圖3a至圖3d所示。從實(shí)驗(yàn)結(jié)果可以看出改進(jìn)的選擇性背景更新模型能較好的適應(yīng)相對(duì)復(fù)雜的環(huán)境，背景建模能很好的接近監(jiān)控環(huán)境真實(shí)的背景，最終分割出相對(duì)完整的運(yùn)動(dòng)目標(biāo)信息?；旌细咚鼓Ｐ驮诃h(huán)境光線變化不大時(shí)效果較好，但當(dāng)環(huán)境光線變化大時(shí)適應(yīng)性不好，噪聲點(diǎn)多，而選擇性背景更新噪聲點(diǎn)很少，提取的運(yùn)動(dòng)目標(biāo)信息更完整；在運(yùn)算速度上，混合高斯模型要為每個(gè)像素點(diǎn)建立多個(gè)高斯模型，并不斷的更新每個(gè)像素點(diǎn)的高斯模型，而選擇性背景更新是根據(jù)運(yùn)動(dòng)檢測(cè)結(jié)果進(jìn)行有選擇的更新，運(yùn)算速度有了較大提高。

步驟S5：對(duì)火焰顏色區(qū)域進(jìn)行腐蝕膨脹并標(biāo)記獲取火焰候選區(qū)域；若存在火焰候選區(qū)域，則初步判斷為火焰并進(jìn)一步提取圖像特征信息，包括頻閃特征、尖角特征、面積增長特征、圓形度特征和整體移動(dòng)特征；否則返回步驟S3；

火焰顏色與周圍環(huán)境對(duì)比特征顯著，在火災(zāi)檢測(cè)中起著舉足輕重的作用，眾多火災(zāi)檢測(cè)系統(tǒng)都引入了顏色檢測(cè)模塊。文獻(xiàn)[4，5]在RGB顏色空間對(duì)火焰顏色進(jìn)行分析和提取；文獻(xiàn)[6]在HSI色彩空間進(jìn)行火焰顏色提取法。這些分析方法為后續(xù)的火焰顏色識(shí)別檢測(cè)研究打下了基礎(chǔ)，并得到廣泛應(yīng)用。

RGB顏色空間用RGB三基色不同的比例混合來表達(dá)不同的顏色，因而難以用精確的數(shù)值來表達(dá)不同的顏色，這給顏色的定量分析造成困難，同時(shí)亮度信息在RGB空間不能得到充分利用。而文獻(xiàn)[6]在HSI顏色空間進(jìn)行火焰像素提取時(shí)沒有嘗試通過改變算法中的閾值來降低算法的漏報(bào)率和誤報(bào)率。

YCbCr顏色空間與人類識(shí)別色彩的感知原理相似，且可以將色彩中亮度信息分離，同時(shí)YCbCr顏色空間與大多硬件支持的RGB顏色空間的轉(zhuǎn)換關(guān)系是線性的，因此亮度信息Y和色度信息并不是完全獨(dú)立。與HSI等顏色空間相比，其空間坐標(biāo)表示形式和計(jì)算都相對(duì)簡單。

于本實(shí)施例中，基于YCbCr顏色空間的火焰顏色檢測(cè)方法，火焰像素的約束規(guī)則如下式所示：

其中，τ為設(shè)定閾值，Y(x,y)、Cb(x,y)、Cr(x,y)分別表示像素點(diǎn)(x,y)的在YCbCr顏色空間中的亮度分量值、藍(lán)色色差值、紅色色差值；Y_mean、Cb_mean、Cr_mean分別是圖像的亮度信息、藍(lán)色色差和紅色色差的均值。

分別采用文獻(xiàn)[4][5][6]和本方法對(duì)圖4a所示原圖進(jìn)行火焰提取，得到的顏色檢測(cè)效果圖如圖4b至圖4e所示，從火焰檢測(cè)結(jié)果可以看出，四種方法中文獻(xiàn)[4]的方法能檢測(cè)出完整的火焰信息，但也有較多的非火焰像素被誤判斷為火焰像素,文獻(xiàn)[5]的方法在雖能檢測(cè)出火焰信息，但存在火焰部分像素漏檢，需要后續(xù)形態(tài)學(xué)處理,文獻(xiàn)[6]檢測(cè)結(jié)果與文獻(xiàn)[4]相比雖然有所改善，但仍存在顯明誤報(bào)；而文獻(xiàn)[5]的方法在有些場(chǎng)合漏報(bào)現(xiàn)象明顯,而本文的算法能較好的適用于不同場(chǎng)合。

以下對(duì)圖像特征信息的提取進(jìn)行詳細(xì)介紹：

頻閃特征

火焰的頻閃特征是火焰非常重要的動(dòng)態(tài)特征之一，也是用來檢測(cè)和識(shí)別火焰的一個(gè)重要依據(jù)。很多學(xué)者在利用火焰閃爍頻率來檢測(cè)識(shí)別火焰方面提出了不同方法。如謝迪等人利用傅立葉頻譜特征來檢測(cè)火焰的頻閃特性；袁非牛等提出一種火焰輪廓脈動(dòng)信息度量的模型，用來度量火焰的時(shí)空閃爍特征。

上述提出的幾種利用火焰閃爍頻率檢測(cè)火焰的方法，其過程都需要把空間域轉(zhuǎn)化到頻率域，這很大程度上增加了算法的運(yùn)算量，影響了系統(tǒng)的實(shí)時(shí)性。為了充分利用火焰的閃爍特征的同時(shí)保證算法的實(shí)時(shí)性，本方法采用一種在空間域上利用火焰頻閃特征來檢測(cè)火焰的方法，具體如下：

在視頻首幀建立一個(gè)與視頻圖像大小一樣的累加計(jì)數(shù)器矩陣SUM，用來分析圖像中像素點(diǎn)(x,y)在不同時(shí)刻的亮度變化情況，如果像素點(diǎn)(x,y)在t時(shí)刻的亮度Y_t(x,y)和(t-1)時(shí)刻的亮度Y_t-1(x,y)發(fā)生變化，且變化值大于閾值ΔT_Y，則t時(shí)刻該像素點(diǎn)對(duì)應(yīng)的累加計(jì)數(shù)器SUM_t(x,y)加1，否則對(duì)應(yīng)累加計(jì)數(shù)器SUM_t(x,y)加0，具體請(qǐng)看下式：

ΔY_t(x,y)＝Y(jié)_t(x,y)-Y_t-1(x,y)

式中，SUM_t(x,y)和SUM_t-1(x,y)分別表示像素點(diǎn)(x,y)在t時(shí)刻和(t-1)時(shí)刻的累加計(jì)數(shù)器值；亮度信息Y為顏色檢測(cè)所用到的YCbCr顏色模型的Y分量；Y_t(x,y)和Y_t-1(x,y)分別表示像素點(diǎn)(x,y)在t時(shí)刻和(t-1)時(shí)刻的亮度值，ΔT_Y為設(shè)定的閥值；

由于火焰本身的頻閃特征，火焰區(qū)域上的反復(fù)變化的像素點(diǎn)對(duì)應(yīng)的累加器Timer(x,y)值在給定時(shí)間n內(nèi)會(huì)大于一定的閾值。利用公式(10)來表示火焰的閃動(dòng)約束條件。

(Timer(x,y,t)-timer(x,y,t-n))≥T_f (10)

其中，n為給定的序列長度或時(shí)間窗口，相鄰幀間的步長為1，T_f為設(shè)定的閃動(dòng)閾值；分析火焰頻閃特征時(shí)需要對(duì)一定幀數(shù)或在一定時(shí)間長度上進(jìn)行統(tǒng)計(jì)分析，這樣才能保證分析結(jié)果的魯棒性。序列長度太長則會(huì)造成存儲(chǔ)量大，檢測(cè)反應(yīng)時(shí)間長等不足；序列長度太短又會(huì)造成分析結(jié)果不穩(wěn)定。通過實(shí)驗(yàn)，本方法把序列長度n選取為25；序列的更新長度為1。通過反復(fù)調(diào)試，取閃動(dòng)閾值T_f為8左右。為了克服檢測(cè)目標(biāo)像素點(diǎn)數(shù)量公式(10)的影響，對(duì)二值圖像中的火焰候選區(qū)域進(jìn)行標(biāo)記，再采用公式(11)表示火焰頻閃特征：

R_i＝NUM_if/NUM_icm≥λ (11)

其中，NUM_icm和NUM_if分別表示各區(qū)域中白色目標(biāo)的像素點(diǎn)總數(shù)和滿足公式(11)的像素點(diǎn)數(shù)，λ為閾值，Ri為頻閃特征。若不滿足公式(11)則認(rèn)為該候選區(qū)域?yàn)閭位鹧鎱^(qū)域。利用頻閃特性對(duì)常見火焰干擾物進(jìn)行檢測(cè)識(shí)別，結(jié)果如圖5a和圖5b所示。通過頻閃特性分析可以較準(zhǔn)確的排除一些偽火焰信息。

尖角特征

火災(zāi)火焰的尖角特性與常見的火災(zāi)干擾物有明顯的不同，本方法通過實(shí)驗(yàn)提取檢測(cè)目標(biāo)的尖角特征，進(jìn)而作為火災(zāi)火焰的判據(jù)之一。早期火災(zāi)火焰及常見火焰干擾物尖角特征的比較如表1如示。

表1火災(zāi)火焰與其它干擾物尖角數(shù)目統(tǒng)計(jì)

面積增長特征

火災(zāi)的發(fā)生通常具有蔓延的顯著特征，因此火焰面積的增長變化趨勢(shì)可以作為判斷檢測(cè)目標(biāo)是否為火災(zāi)的判據(jù)之一，檢測(cè)方法如下所示。

其中，At和At+k分別為t時(shí)刻和t+k時(shí)刻火焰區(qū)域的面積,ΔA_t為時(shí)間k內(nèi)面積變化率，即面積增長特征。

圓形度特征

物體形狀的復(fù)雜程度可以用圓形度來衡量。形狀越復(fù)雜，圓形度越大，反之圓形度小?；馂?zāi)火焰形狀相比于蠟燭火焰、彩燈、手電筒等火焰干擾物的形狀復(fù)雜得多。因此，本方法將圓形度作為火災(zāi)火焰的判據(jù)之一。對(duì)火災(zāi)火焰與常見干擾物提取的圓形度如表2所示。

表2火焰及其它干擾物的圓形度

整體移動(dòng)特征

當(dāng)火災(zāi)發(fā)生時(shí)，火焰沿著可燃物開始蔓延，表現(xiàn)為火焰面積的變化和火焰整體移動(dòng)，但火焰的整體移動(dòng)有別于一般的運(yùn)動(dòng)物體。燃燒的火焰在位置上會(huì)發(fā)生變化，但不會(huì)突變，這種相對(duì)穩(wěn)定性表現(xiàn)在視頻圖像上為相鄰幀圖像中的火焰候選區(qū)域中心位置不會(huì)突變。因此，通過對(duì)火焰整體移動(dòng)特征分析，可以排除快速運(yùn)動(dòng)的干擾物。本文通過計(jì)算視頻圖像中火焰候選區(qū)域的中心位置變化情況來分析火焰的整體移動(dòng)。

步驟S6：基于AHP對(duì)所述圖像特征信息進(jìn)行融合得到火焰動(dòng)態(tài)特征得分，將所述火焰動(dòng)態(tài)特征得分與預(yù)設(shè)的全局評(píng)估值進(jìn)行比較，若火焰動(dòng)態(tài)特征得分大于全局評(píng)估值，則判斷目標(biāo)為火焰，否則不是火焰并返回步驟S3。

關(guān)于火焰特征融合的算法很多，但大多依靠大量的學(xué)習(xí)訓(xùn)練來識(shí)別火焰。文獻(xiàn)[10]通過訓(xùn)練好的支持向量機(jī)分類器加以識(shí)別火焰特征，文獻(xiàn)[19]采用隨機(jī)森林算法進(jìn)行動(dòng)態(tài)特征判斷，文獻(xiàn)[20][21]分別采用BP神經(jīng)網(wǎng)絡(luò)對(duì)火災(zāi)火焰和火災(zāi)煙霧的多種動(dòng)態(tài)特征進(jìn)行融合判斷。這些算法模型的建立需要學(xué)習(xí)大量的場(chǎng)景圖像，同時(shí)學(xué)習(xí)集的數(shù)據(jù)質(zhì)量也會(huì)影響到模型的好壞。有些學(xué)者采用簡單的“與”或“并”的關(guān)系融合火焰的動(dòng)態(tài)特征。

本發(fā)明提出一種應(yīng)用層次分析法進(jìn)行火焰動(dòng)態(tài)特征權(quán)重分析進(jìn)而實(shí)現(xiàn)特征融合的新方法。

層次分析法是美國著名運(yùn)籌學(xué)家匹茲堡大學(xué)教授T.L.Satty提出，它是一種定性與定量相結(jié)合、系統(tǒng)化、層次化的決策分析方法。AHP方法把復(fù)雜問題分解成各個(gè)組成因素，通過兩兩比較確定層次中各因素的相對(duì)重要性，然后通過綜合判斷決定各因素相對(duì)重要性的順序，確定評(píng)價(jià)指標(biāo)權(quán)重有很多方法，層次分析法是其中一種簡單直觀、方便實(shí)用的方法。

在運(yùn)用AHP方法對(duì)各動(dòng)態(tài)特征賦權(quán)值時(shí)我們必須先對(duì)火焰動(dòng)態(tài)特征有個(gè)清楚的認(rèn)識(shí)，弄清楚各動(dòng)態(tài)特征在定性上的關(guān)系。頻閃特征是火焰的本質(zhì)特征，受環(huán)境因素和燃燒材料的影響不大；火災(zāi)火焰的尖角特征明顯，隨著火焰燃燒程度和燃燒面積的增大，火焰的尖角數(shù)量不斷增多，而大部分干擾源的尖角數(shù)量相對(duì)較少；火焰的質(zhì)心移動(dòng)具有緩慢移動(dòng)，不突變的特點(diǎn)；面積增長會(huì)受到向攝像機(jī)靠近的火焰干擾物的影響，但由于火焰面積增長是火災(zāi)危險(xiǎn)的一個(gè)重要表征，因此火焰面積增長特征不可忽視；燃燒火焰的形狀較為復(fù)雜，其圓形度特征要比一般干擾物大。通過理論分析以及對(duì)火焰視頻庫的實(shí)驗(yàn)研究，根據(jù)層次分析法，本方法得出如表3所示火焰動(dòng)態(tài)特征重要性評(píng)估表。

表3火焰動(dòng)態(tài)特征重要性評(píng)估表

從表1得出判斷矩陣為：

再通過四個(gè)步驟檢驗(yàn)矩陣A的一致性：

(1)通過計(jì)算可求得成對(duì)比較矩陣A的最大特征值λ_max為5.0922，求得成對(duì)比較矩陣A不一致程度的指標(biāo)CI。

(2)從Saaty引入的平均隨機(jī)一致性指標(biāo)RI查詢表(表4)查出成對(duì)比較矩陣A的一致性標(biāo)準(zhǔn)RI＝1.12。表中RI為平均隨機(jī)一致性指標(biāo)，它只與矩陣維數(shù)有關(guān)。

表4 N維向量平均隨機(jī)一致性指標(biāo)

(3)計(jì)算一致性比例CR

(4)由上可知CR<0.1，認(rèn)為成對(duì)比較矩陣A的不一致程度可以接受。此時(shí)成對(duì)比較矩陣A的最大特征值對(duì)應(yīng)的特征向量為U＝[-0.8446-0.4094-0.2853-0.1419-0.1325]，將該向量標(biāo)準(zhǔn)化，使其各分量均大于零，各分量之和為1，則有U＝[0.4657 0.2257 0.1573 0.0782 0.0731]。經(jīng)過標(biāo)準(zhǔn)化后這個(gè)向量稱為權(quán)向量，即頻閃特征權(quán)重為0.4657，尖角特征權(quán)重為0.2257，整體移動(dòng)特征權(quán)重為0.1573，面積增長權(quán)重為0.0782，圓形度特征權(quán)重為0.0731。

基于層次分析法求得火焰各動(dòng)態(tài)特征權(quán)重后，本方法分別為火焰各動(dòng)態(tài)特征I_ROI(t)匹配一個(gè)標(biāo)示器I(t)，其中不同的t對(duì)應(yīng)不同的動(dòng)態(tài)特征。當(dāng)提取的圖像序列中具有火焰顏色的運(yùn)動(dòng)物體滿足火焰某動(dòng)態(tài)特征時(shí)，把相應(yīng)的標(biāo)示器置1，如式(16)所示。

式中μ_low，μ_high分別是相應(yīng)動(dòng)態(tài)特征的上下閾值。

用Wa、Wb、Wc、Wd、We分別表示頻閃特征、尖角特征、整體移動(dòng)特征、面積增長特征和圓形度特征的權(quán)值，利用公式(16)和公式(17)便可求出具有火焰顏色的運(yùn)動(dòng)目標(biāo)的火焰動(dòng)態(tài)特征得分I_F。通過將待評(píng)估目標(biāo)的火焰動(dòng)態(tài)特征得分I_F與火焰運(yùn)動(dòng)特征的全局評(píng)估值Qt進(jìn)行比較，最終判斷該目標(biāo)是否為火焰目標(biāo)，公式如(18)所示。全局評(píng)估值Qt可以理解為與系統(tǒng)靈敏度相關(guān)的參數(shù)，可以通過實(shí)驗(yàn)獲得，或由用戶根據(jù)需要進(jìn)行設(shè)定

I_F＝I(a)W_a+I(b)W_b+I(c)W_c+I(d)W_d+I(e)W_e (17)

其中，I(a)、I(b)、I(c)、I(d)、I(e)分別表示頻閃特征、尖角特征、整體移動(dòng)特征、面積增長特征和圓形度特征，Wa、Wb、Wc、Wd、We分別表示頻閃特征、尖角特征、整體移動(dòng)特征、面積增長特征和圓形度特征的權(quán)值，取值為Wa＝0.4657、Wb＝0.2257、Wc＝0.1573、Wd＝0.0782、We＝0.0731。

為了讓一般技術(shù)人員更好的理解本發(fā)明的技術(shù)方案，對(duì)具有典型代表性的不同場(chǎng)景下9個(gè)視頻段作為試驗(yàn)實(shí)例，表5是對(duì)測(cè)試的視頻描述。

表5測(cè)試的視頻描述

本方法的檢測(cè)方法是在基本配置CPU為Pentiu E5300 2.60GHz，內(nèi)存2GB的Matlab 2009a環(huán)境下實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果如表6和表7所示，其中RP+代表火焰檢測(cè)率，RP-代表火焰漏檢率，RN+代表非火焰正確率，RN-代表非火焰誤檢率。

表6火焰視頻檢驗(yàn)結(jié)果

表7非火視頻的檢測(cè)結(jié)果對(duì)比

以上所述僅為本發(fā)明的較佳實(shí)施例，凡依本發(fā)明申請(qǐng)專利范圍所做的均等變化與修飾，皆應(yīng)屬本發(fā)明的涵蓋范圍。