王 雨，陳淑榮

（上海海事大學(xué) 信息工程學(xué)院,上海 201306）

近年來，基于視頻監(jiān)控圖像的火焰檢測和識別成為一個新興的熱點[1-3]。為了克服傳統(tǒng)火災(zāi)檢測技術(shù)不穩(wěn)定和誤判率高的缺點，采用視頻分析的火焰檢測通常通過分析彩色視頻輸入信號的顏色、時間和空間變化進行火災(zāi)檢測和預(yù)警，與傳統(tǒng)火災(zāi)監(jiān)控系統(tǒng)相比具有準(zhǔn)確度高、成本低、使用范圍廣等優(yōu)點。隨著計算機模擬視覺的發(fā)展，利用人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力對火焰的特征參數(shù)進行多特征融合[4]，能提高系統(tǒng)的穩(wěn)定性與準(zhǔn)確性。以往研究多采用BP神經(jīng)網(wǎng)絡(luò)[5]和基于梯度下降的非線性優(yōu)化策略識別火焰，容易陷入局部最小問題，而不能求出全局最小值。

本文提出了一種基于火焰動態(tài)特征分析和神經(jīng)網(wǎng)絡(luò)模型的監(jiān)控視頻火焰檢測方法，利用火焰圖像序列的離心率、放射性（Solidity）、整體移動等特征信息，結(jié)合線性分類功能更強的學(xué)習(xí)向量量化(LVQ)神經(jīng)網(wǎng)絡(luò)訓(xùn)練并準(zhǔn)確識別和分類可疑火焰,解決了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)火焰信息識別的缺陷。

1 可疑火焰動態(tài)特征提取

視頻監(jiān)控圖像中的火焰檢測需要提取火焰區(qū)別于其他物體的基本特征?；鹧娴膭討B(tài)特征最具特色也很復(fù)雜，表現(xiàn)為火焰閃爍、區(qū)域形變、邊緣的隨機運動和抖動等。本文特征提取的實驗場景中的可疑火焰區(qū)域存在真實火焰和可疑干擾火焰，即蠟燭光和手電光。圖1所示為監(jiān)控視頻錄像中提取的一幀圖像的灰度圖像，從左到右包含蠟燭光、手電光和真實火焰,閾值分割后的圖像如圖2所示。本文提出的算法針對閾值分割后的火焰圖像序列的離心率、放射性和整體移動特性等多個動態(tài)特征進行分析和識別。

1.1 離心率（圓形性）檢測

火焰的形體變化、空間取向變化和抖動等具有不確定特征。離心率反映了分割出的可疑區(qū)域趨于圓形的程度,定義為區(qū)域長軸與短軸尺寸之比，即：

DL和DS分別表示區(qū)域最小邊界矩形的長和寬。離心率越大，區(qū)域為圓形的概率就越小[6-7]。手電光和蠟燭光等非火焰物的形狀特征趨于圓形，因此區(qū)域的離心率偏小，趨于零。

根據(jù)式(1)分別計算連續(xù)100幀圖像序列中蠟燭光、手電光和火焰3個可疑區(qū)域的離心率變化，如圖3(a)所示。可見,真實火焰的離心率明顯大于干擾物的離心率，因此選擇離心率作為火焰識別的參數(shù)之一可行。

1.2 放射性檢測

由圖2可見，真實火焰圖像的邊緣特征明顯，存在抖動特征、邊緣粗糙且邊緣鋸齒區(qū)域大，而手電燈光和蠟燭光等非火焰圖像的邊緣比較穩(wěn)定、光滑，可根據(jù)這一動態(tài)特征檢測和驗證火焰區(qū)域。放射性性質(zhì)反映了分割出的可疑區(qū)域邊緣的粗糙程度，定義為[8-9]：

其中，面積SArea為可疑區(qū)域經(jīng)二值化后的像素和；面積SConvexArea為包圍可疑區(qū)域的最小凸多邊形的像素和。相對面積是二值圖像可疑區(qū)域Ω所包含像素點數(shù)，如式(3)所示，其中，f(i,j)為大小為 M×N的圖像在(i,j)的灰度值，pk為 f(i,j)為 1的頻率，則：

根據(jù)式(2)分別計算連續(xù)100幀圖像序列中蠟燭光、手電光和真實火焰3個可疑區(qū)域的Ssolidity值，仿真結(jié)果如圖3(b)所示。可見，真實火焰區(qū)域的Ssolidity明顯小于干擾可疑火焰，因而Ssolidity可以作為動態(tài)火焰識別的參數(shù)之一。

1.3 火焰整體移動檢測

火焰在燃燒過程中隨著舊的燃燒物燃盡和新的燃燒物被點燃，其中心具有一定的移動速度。為了度量這一特征，需先確定火焰的中心?；鹧媪炼确植继卣魍ǔＪ侵行牟糠至炼雀?，外焰亮度相對較低。因此，以像素點的亮度值（即I值）為權(quán)，采用加權(quán)平均來計算火焰中心。 I(x，y)表示火焰亮度圖像，則火焰中心(X，Y)為[10]：

用 In(x，y)、In+1(x，y)表示相鄰兩幀圖像,(Xn，Yn)、(Xn+1，Yn+1)分 別 表 示 它 們 的 火 焰中心,則相鄰兩幀圖像質(zhì)心移動距離[8]為：

自相關(guān)函數(shù)為：

RVV反映了相鄰兩幀圖像質(zhì)心距離變化的相關(guān)程度。

根據(jù)式(6)分別計算蠟燭光、手電光和真實火焰3個可疑區(qū)域中連續(xù)100幀圖像序列中相鄰幀的質(zhì)心移動距離，如圖3(c)所示?？梢?，真實火焰和干擾物的質(zhì)心都有移動，但真實火焰的質(zhì)心移動比較明顯。根據(jù)式(7)計算出質(zhì)心移動距離的自相關(guān)函數(shù)，如圖3(d)所示?？梢?真實火焰的質(zhì)心移動距離的自相關(guān)性明顯偏大，因此可以選取質(zhì)心移動距離的自相關(guān)函數(shù)識別動態(tài)火焰參數(shù)。

2 基于LVQ神經(jīng)網(wǎng)絡(luò)的火焰圖像識別算法

針對以上動態(tài)火焰特征分析，結(jié)合線性分類功能更強的學(xué)習(xí)向量量化(LVQ）神經(jīng)網(wǎng)絡(luò)，提出一種基于離心率、放射性和整體移動性等特征信息融合的火焰識別LVQ神經(jīng)網(wǎng)絡(luò)模型，如圖4所示。

圖4 LVQ神經(jīng)網(wǎng)絡(luò)火焰特征識別模型

算法識別步驟如下：

(1)提取實驗場景可疑區(qū)域的火焰樣本圖像序列的特征參數(shù)（離心率、放射性值和整體移動），建立樣本數(shù)據(jù)庫，對數(shù)據(jù)進行預(yù)處理。

(2)對LVQ神經(jīng)網(wǎng)絡(luò)競爭層的各神經(jīng)元權(quán)值向量Wj1(0)，j=1,2，…,m賦予小隨機數(shù)進行初始化，輸入初始學(xué)習(xí)速率η(0)和火焰識別的訓(xùn)練次數(shù)tm。

(3)獲取可疑火焰的動態(tài)特征向量P=(p1,p2,…,pn),設(shè)置參考目標(biāo)向量T=(t1,t2,…,tl)。

(4)向LVQ神經(jīng)網(wǎng)絡(luò)輸入樣本圖像的特征向量和參考目標(biāo)向量，進行學(xué)習(xí)，包括：

①在時間步tm使用Euclid距離準(zhǔn)側(cè)尋找最匹配 (獲勝)的神經(jīng)元 i(P)：

②權(quán)值調(diào)整。如果分類正確，即yk*=tk*=1，按照式(9)修正競爭層的權(quán)值向量：

如果分類不正確，即 yk*=1，tk*=0，則按照式(10)修改競爭層的權(quán)值向量：

其中，η∈(0,1)為比例系數(shù)，反映調(diào)整速度;i*w1(t)表示競爭層中第i*個神經(jīng)元在t時刻的權(quán)值。

③返回①進行權(quán)值調(diào)整，直到達到預(yù)設(shè)的訓(xùn)練次數(shù)和精度要求。

(5)將可疑火焰樣本圖像的測試樣本集輸入到訓(xùn)練好的LVQ神經(jīng)網(wǎng)絡(luò)中進行分類。

(6)輸出測試結(jié)果并分析，得到真實火焰和干擾物體檢測的識別率，識別方法如表1所示。其中，待測樣本中，真實火焰的個數(shù)為A+B,干擾物個數(shù)為C+D，火焰識別率為 H=A/（A+B），干擾物識別率為 G=D/(C+D)。

表1 火焰識別系統(tǒng)判定情況分布

3 實驗仿真結(jié)果

為了驗證本文提出算法的有效性，實驗采用的樣本圖像分為兩類：(1)室內(nèi)監(jiān)控錄像系統(tǒng)拍攝的長 5 min、播放率為25 f/s的視頻序列，其中干擾源是人為設(shè)置的燈光、手電光、蠟燭光以及蠟燭體等；(2)網(wǎng)絡(luò)上包含火焰的視頻片斷。通過提取每類樣本各129幀火焰圖像，對樣本圖像分割及離心率、放射性和整體移動性等動態(tài)特征提取，采取人工輸入方式將每類圖像序列可疑區(qū)域的多特征信息輸入到LVQ神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，利用訓(xùn)練好的LVQ神經(jīng)網(wǎng)絡(luò)對待測可疑火焰樣本進行測試。實驗過程中，針對可疑火焰數(shù)據(jù)庫中的574組數(shù)據(jù)隨機選取500組作為訓(xùn)練樣本，74組作為待測試樣本。數(shù)據(jù)庫文件中每組數(shù)據(jù)共4個字段，1～3字段為可疑火焰特征（離心率、放射性和整體移動），第4字段為參考目標(biāo)值，設(shè)置1為火焰，2為干擾物。實驗在MATLAB R2009(a)環(huán)境中進行仿真，并將LVQ神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果進行了對比，結(jié)果如表2所示?？梢?，基于LVQ神經(jīng)網(wǎng)絡(luò)的火焰識別準(zhǔn)確率更高,具有較好的穩(wěn)定性；由于采用了火焰的3個基本動態(tài)特征，計算量小，使得本算法具有更快的運行速度。

表2 LVQ神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)對比仿真識別結(jié)果

針對目前視頻火災(zāi)火焰探測存在的不穩(wěn)定和誤判率高的缺點，本文提出了一種基于視頻分析的可疑火焰檢測算法,首先提取火焰的動態(tài)特征，通過火焰識別LVQ神經(jīng)網(wǎng)絡(luò)模型進行特征訓(xùn)練和測試，并識別真正的火焰。實驗結(jié)果表明，利用LVQ神經(jīng)網(wǎng)絡(luò)識別火焰，有效提高了對可疑火焰的快速分類，識別精度高、魯棒性強，為基于視頻監(jiān)控系統(tǒng)的火災(zāi)檢測方法提供了理論依據(jù)。下一步工作是提取更多的火焰識別特征，優(yōu)化火焰識別LVQ神經(jīng)網(wǎng)絡(luò)，提高識別速度和精度。

[1]FOO S Y.A rule-based machine vision system for fire detection in aircraft dry bays and engine compartments[J].Knowledge-based System,1995(9):531-541.

[2]HEALEY G,SLATER D,LIN T,et al.A system for realtime fire detection.CVPR’93,1993:15-17.

[3]DAVIS W D,NOTARIANNI K A.NASA fire detection study[R].National Institute of Standards and Technology,TECHNICAL REPORT，1996.

[4]陳娟，汪箭.基于多特征融合的視頻火焰探測方法研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2009.

[5]劉瀏.基于BP神經(jīng)網(wǎng)絡(luò)的火焰識別系統(tǒng)[J].西昌學(xué)院學(xué)報:自然科學(xué)版，2009，23(4):54－56.

[6]余弦，曾貴華.一種基于軌跡的足球檢測和跟蹤方案[J].計算機工程與應(yīng)用,2010,46（26）:148-150.

[7]李弼程，彭天強.智能圖像處理技術(shù)[M].北京：電子工業(yè)出版社，2004.

[8]劉昕雨.基于視頻特征的火災(zāi)火焰識別算法[D].西安:西安電子科技大學(xué)，2009.

[9]仲芩然.基于Mat lab的混紡紗橫截面切片圖像客觀分析法[J].計算機應(yīng)用，2010,38（6）:60-62.

[10]王亞軍，徐大芳.基于火焰圖像動態(tài)特征的火災(zāi)識別算法[J].測控技術(shù)，2007,26（5）：8.