周磊 劉正熙

四川大學計算機學院 四川 610065

0 引言

火災(zāi)作為世界災(zāi)害之一，如何更有效的發(fā)現(xiàn)早期火災(zāi)，使得更快，更有效的對火災(zāi)采取應(yīng)對措施，一直都是各國科學家研究的課題。隨著圖像處理技術(shù)的發(fā)展，利用視頻監(jiān)控技術(shù)和火焰的圖像特征分析來進行早期火災(zāi)的檢測已經(jīng)開始成為研究的熱點。

目前已用于火焰檢測的顏色模型有RGB，HSI，HSV，YCrCb等，它們都已被廣泛地使用到火焰檢測研究中。早期，Yamagishi提出HSV顏色空間的火焰分割方法，通過大量的實驗獲得火焰在HSV顏色空間中的區(qū)域值，通過判斷像素是否在區(qū)域中來判斷是否為火焰像素。2004年，chen等提出RGB與HSI的兩種火焰顏色空間綜合模型進行火焰分割，達到了很好的火焰分割效果。但是具有很大的局限性，僅僅能很好的分割出特定的火焰。2008年，Celik等人提出了一種基于YCrCb顏色空間的火焰分割方法，根據(jù)YCrCb各個通道的圖像進行分析，提出一套利用顏色空間YCrCb特性的火焰像素提取規(guī)則，實現(xiàn)火焰分割。這種方法使得繼RGB，HSI顏色空間之后，又出現(xiàn)YCrCb作為火焰檢測的可選顏色空間。但通過實驗，發(fā)現(xiàn)Celik等提出的YCrCb模型依然僅僅能針對部分特定火焰進行很好的分割，而不能針對絕大多數(shù)火焰。

圖1 火焰圖片分割效果對比

由實驗結(jié)果可以看出（如圖1），基于RGB與HSI的綜合顏色模型能更完整地檢測紅色、黃色的火焰像素點，而Celik等人提出的YCrCb火焰檢測更傾向于檢測黃色，而對紅色火焰的檢測不夠準確。并且兩者都僅僅能檢測紅色、黃色區(qū)域，對于較亮的火焰中心區(qū)域高亮偏白色的高亮部分都很難準確檢測。因此本文提出基于顏色模型與區(qū)域生長相結(jié)合的火焰分割方法，達到更完整地分割火焰目標的目的。

1 基于RGB與HSI的火焰顏色模型

RGB顏色模型是最基礎(chǔ)、最常用的模型，它很好地詮釋了顏色的屬性。然而，它與人眼認知顏色的過程不是很匹配。HSI顏色模型是從人的視覺系統(tǒng)出發(fā)，用色度（Hue）、色飽和度（Saturation）、亮度（Intensity）來描述顏色。三分量H、S、I具有相對獨立性，與R、G、B三分量相比，分量之間的相關(guān)性要小得多，能夠更準確地描述顏色特征。

火災(zāi)中火焰的顏色主要為紅色與黃色，在HSI模型中，對應(yīng)的色度分量為[0，60]之間。火焰的飽和度S，會根據(jù)環(huán)境的變化而變化，環(huán)境的明暗對飽和度S的影響較大。而且當明亮的環(huán)境下，飽和度值比在較暗的環(huán)境下更大。并且僅僅使用HSI模型進行火焰分割，需要很多經(jīng)驗閾值，很難達到火焰分割的準確性。chen等提出的RGB與HSI的兩種火焰顏色空間綜合模型，很好的解決了飽和度隨環(huán)境變化而難以估量的問題。

綜合模型由以下三個規(guī)則構(gòu)成：

同時滿足這三個規(guī)則，則認為是疑似火焰像素點。否則，認為干擾像素，即：

從綜合模型規(guī)則可以看出，采用RGB與HSI綜合模型，僅僅需要計算出飽和度S分量，大大減少了僅僅使用HSI模型時所需的計算復(fù)雜性，能更加快速地進行火焰分割。

2 基于顏色模型與區(qū)域生長相結(jié)合的火焰分割

2.1 視頻流圖像幀間差分

火焰具有閃爍的特性，可以認為火焰是運動的物體。而運動目標檢測最直接快速的方式就是幀間差。又由于火焰又具有相對穩(wěn)定性，不會短期內(nèi)出現(xiàn)位置跳躍變換的現(xiàn)象。因此，采用間隔N幀的兩幀圖像進行幀間差分，以檢測到火焰目標。既能保證實時性，也能減少處理工作量，進而提高檢測系統(tǒng)性能。

以往的火焰圖像的分割，都是基于一幅圖像進行的。而本文研究的方法，是在實時視頻的基礎(chǔ)上，利用幀間差分，獲取圖像中變化的像素點，篩選出火焰像素點，再以此進行區(qū)域生長，最終分割出完整的火焰。因此在處理時，僅僅局限在一幅圖像的某塊區(qū)域，能更有效率地處理完一幅圖像，這也更加滿足視頻的實時性要求。

2.2 火焰種子的篩選與區(qū)域生長

本文中的區(qū)域生長，即以火焰種子為中心，遍歷其周圍相鄰的八個鄰域像素點，逐一判斷是否為火焰像素點，再以發(fā)現(xiàn)的火焰像素點為火焰種子，繼續(xù)八鄰域遍歷，使火焰區(qū)域不斷生長擴大。

整個區(qū)域生長的過程，如下：

（3）若判斷像素點P（x+i，y+j）是火焰種子，則將MN標記為1，并將標記為1，表示此像素點是火焰種子，并以此像素點作為區(qū)域生長的起始點，進行八領(lǐng)域遍歷。直到某像素點周圍八鄰域像素點VN值都為1時，則返回到上一個起始點進行八領(lǐng)域遍歷，直至返回到最初的起始點P（x，y）。

圖2 區(qū)域生長過程示意圖

如圖2所示，a中1表示圖像中未檢測到的火焰像素點，2表示已檢測到的火焰種子。b描述了a中由一個火焰種子點開始遍歷的完整順序過程。c中描述了以一個火焰種子為中心的區(qū)域生長單元，進行八鄰域的順時針遍歷過程。

3 實驗結(jié)果

為了驗證本文提出的火焰分割方法，在現(xiàn)實實時視頻監(jiān)控中的有效性。本文選擇一段大空間遠景的視頻流，視頻中有紅色的干擾物體，也有走動的人物目標，通過此視頻證明本文所提出的方法能較好地避免靜止的干擾物體，也能屏蔽移動的干擾物體，實現(xiàn)了對圖像中火焰目標完整地分割。

圖3 實驗結(jié)果（a）～（e）

由實驗結(jié)果可以看出（如圖3），本文提出的方法很好地對火焰目標進行了完整地分割，證明了所提出的方法的有效性。

4 結(jié)語

基于視頻的火焰檢測技術(shù)使大空間火災(zāi)早期預(yù)警提供了可行性。本文提出的方法具有良好實時性，通過RGB與HSI綜合顏色模型，提出基于火焰種子的區(qū)域生長火焰分割方法，實現(xiàn)了對于火焰高亮區(qū)域的提取，能更完整地分割出火焰目標區(qū)域。為之后進行火焰識別的準確性提供更有利的條件。

[1]Hideaki Yamagishi，Jun’ichi Yamaguchi.Fire Flame Detection Algorithm Using a Color Camara[J].in Proceedings of the 1999 International Symposium on Micromechatmnics and Human Science.1999.

[2]Thou-Ho Chen，Ping-Hsueh Wu，and Yung-Chuen Chiou.An Early Fire-Detection Method Based on Image Processing[J]，International Conference on Image Processing.2004.

[3]Turgay Celik，Kai-Kuang Ma.Computer Vision Based Fire Detection in color Images [J].IEEE Conference on Soft Computing in Industrial Applications（SMCia/08）.2008.

[4][美]Rafael C.Gonzalez，Richard E.Woods著，阮秋琦，阮宇智等譯.數(shù)字圖像處理[M].第二版.電子工業(yè)出版社.2003.