席廷宇，邱選兵，孫冬遠(yuǎn)，李 寧，李傳亮，王 高，鄢 玉

(1.太原科技大學(xué) 應(yīng)用科學(xué)學(xué)院，太原 030024； 2.中北大學(xué) 電子測(cè)試技術(shù)國防科技重點(diǎn)實(shí)驗(yàn)室，太原 030051；3.河北工業(yè)職業(yè)技術(shù)學(xué)院 汽車工程系，石家莊 050091) (*通信作者電子郵箱qiuxuanbing@163.com)

多特征量對(duì)數(shù)回歸的火焰快速識(shí)別算法

席廷宇1，邱選兵1*，孫冬遠(yuǎn)1，李 寧1，李傳亮1，王 高2，鄢 玉3

(1.太原科技大學(xué) 應(yīng)用科學(xué)學(xué)院，太原 030024； 2.中北大學(xué) 電子測(cè)試技術(shù)國防科技重點(diǎn)實(shí)驗(yàn)室，太原 030051；3.河北工業(yè)職業(yè)技術(shù)學(xué)院 汽車工程系，石家莊 050091) (*通信作者電子郵箱qiuxuanbing@163.com)

為了提高實(shí)時(shí)視頻監(jiān)控中火焰識(shí)別率和降低誤識(shí)率，提出了一種基于多特征量對(duì)數(shù)回歸模型的火焰快速識(shí)別算法。首先，根據(jù)火焰的色度特征進(jìn)行圖像分割，通過運(yùn)動(dòng)目標(biāo)與參考圖像差分運(yùn)算獲取火焰候選區(qū)域(CFR)；然后提取候選區(qū)域的面積變化率、圓形度、尖角個(gè)數(shù)以及質(zhì)心位移等特征量，建立火焰的對(duì)數(shù)回歸快速識(shí)別模型；其次采用美國國家標(biāo)準(zhǔn)與技術(shù)研究院(NIST)、仁荷大學(xué)計(jì)算機(jī)視覺實(shí)驗(yàn)室(ICV)和基于計(jì)算機(jī)視覺的火災(zāi)探測(cè)(VisiFire)實(shí)驗(yàn)庫以及自制蠟燭、紙燃燒火焰中的火焰和非火焰圖像中的300幅進(jìn)行參數(shù)學(xué)習(xí)；最后選取實(shí)驗(yàn)數(shù)據(jù)庫中8段視頻共11 071幅圖像進(jìn)行識(shí)別算法檢驗(yàn)。測(cè)試結(jié)果表明，所提算法的真正率(TPR)達(dá)到93%、真負(fù)率(TNR)達(dá)到98%，識(shí)別平均用時(shí)0.058 s/幀。所提算法識(shí)別速度快且識(shí)別率高，可以應(yīng)用于嵌入式實(shí)時(shí)圖像火焰識(shí)別。

火焰識(shí)別；多特征量；對(duì)數(shù)回歸；嵌入式視頻；實(shí)時(shí)火災(zāi)預(yù)警

0 引言

各種各樣的自然災(zāi)害及人為災(zāi)害對(duì)人類的生命健康和財(cái)產(chǎn)安全造成了嚴(yán)重威脅，而其中火災(zāi)是最嚴(yán)重的災(zāi)害之一，火災(zāi)的快速識(shí)別和早期預(yù)警可以很大程度上減少對(duì)人民生命健康及財(cái)產(chǎn)安全的損害[1]。目前市面銷售火災(zāi)傳感器類型各異，如煙霧傳感器、溫度傳感器、光敏傳感器、紅外線探測(cè)器等，然而這些被動(dòng)式傳感器對(duì)于戶內(nèi)外開闊的場(chǎng)合則無能為力。由于燃燒火焰產(chǎn)生光的傳播比煙霧或熱要快得多，因此基于計(jì)算機(jī)視覺的火災(zāi)探測(cè)和預(yù)警對(duì)于火災(zāi)早期的檢測(cè)[2]非常有效。

基于計(jì)算機(jī)視覺的火災(zāi)識(shí)別算法已經(jīng)成為了模式識(shí)別的一個(gè)重要研究方向。其主要方法包括貝葉斯分類器[3]、人工神經(jīng)網(wǎng)絡(luò)[4]和馬爾可夫模型[5]。Truong等[6]提出了一種應(yīng)用于開闊空間的支持向量機(jī)多特征火災(zāi)識(shí)別方法，該方法具有更低的誤識(shí)率和更高的可靠性，然而其學(xué)習(xí)速率較慢。Wang等[7]采用Wald-Wolfwitz隨機(jī)測(cè)試算法識(shí)別火焰及非火焰，這種自適應(yīng)算法主要利用火焰的隨機(jī)波動(dòng)來識(shí)別火災(zāi)，識(shí)別精度較低。?elik等[8]提出了一種基于顏色模型(YCbCr模型)的分類方法，利用火災(zāi)和非火災(zāi)的圖像來構(gòu)造火焰像素的色度分類模型，但無法成功將移動(dòng)物體與背景分離。Habiboglu等[9]提出了一種基于協(xié)方差結(jié)構(gòu)的表示方法，該方法結(jié)合火焰區(qū)域的顏色域、空間域和時(shí)間域信息作為特征向量，然而該方法只能檢測(cè)近距離清晰火焰，對(duì)于能見度低的火焰無能為力。Bosch等[10]提出一種基于紅外視頻的空間域和時(shí)間域特征的火災(zāi)識(shí)別方法，通過探測(cè)信號(hào)強(qiáng)度和熱物體(熱源)的方向?qū)⒒鹧婧头腔鹧孢M(jìn)行區(qū)分，該方法存在成本高、響應(yīng)時(shí)間長等不足。Dimitropoulos等[11]結(jié)合了顏色概率、空間、能量、閃爍和時(shí)空的能量等多種特性量，測(cè)試了各種背景減法算法的優(yōu)越性。Horng等[12]提出了一種基于色調(diào)、飽和度、亮度(Hue，Saturation，Intensity， HSI)顏色模型分析的火災(zāi)識(shí)別方法，該方法響應(yīng)時(shí)間短，然而由于顏色特性只是火焰的靜態(tài)特征之一，其識(shí)別率較低。吳冬梅等[13]提出了一種基于Ohta顏色空間的火焰檢測(cè)的方法，其準(zhǔn)確率和環(huán)境適應(yīng)性有所提高。張霞等[14]提出了一種基于局部二值模式(Local Binary Pattern, LBP)直方圖和支持向量機(jī)(Support Vector Machine, SVM)的視頻火焰檢測(cè)方法，其誤報(bào)率低、魯棒性強(qiáng)。

對(duì)于嵌入式實(shí)時(shí)視頻火災(zāi)識(shí)別與預(yù)警來說，不僅需要提高系統(tǒng)的火焰識(shí)別率和降低誤識(shí)率，其響應(yīng)時(shí)間也是非常重要的參數(shù)。人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等算法具有識(shí)別率高的優(yōu)點(diǎn)，然而其計(jì)算的復(fù)雜度針對(duì)于嵌入式的視頻流來說是很高的，不能滿足實(shí)時(shí)性的要求，因此本文提出一種基于多特征量和對(duì)數(shù)回歸的火災(zāi)識(shí)別方法。多特征量的對(duì)數(shù)回歸在有效減少誤識(shí)率的同時(shí)只是略微減少靈敏度。采用實(shí)驗(yàn)基準(zhǔn)庫和實(shí)驗(yàn)室火焰視頻訓(xùn)練和測(cè)試表明，本文所提識(shí)別算法識(shí)別率高、誤識(shí)率低。

1 多特征量對(duì)數(shù)回歸的火災(zāi)識(shí)別算法

本文首先利用視頻流中的圖像顏色特征和運(yùn)動(dòng)信息進(jìn)行圖像的預(yù)處理，獲取到候選火焰區(qū)域，再提取出候選火災(zāi)區(qū)域的顏色特性、面積變化率、圓形度、尖角個(gè)數(shù)以及質(zhì)心位移等8種火焰特征量，最后建立了火焰識(shí)別的對(duì)數(shù)回歸模型。

1.1 顏色特性

火焰顏色是火焰最顯著的特征，自然火災(zāi)的顏色范圍大都由黃到紅。由于火焰的顏色往往是高飽和度的紅色，在RGB模型下每個(gè)火焰像素的R分量都大于G和B分量。然而RGB的顏色分量對(duì)光照變化敏感，因此本文將RGB模型轉(zhuǎn)化為YCbCr模型，在YCbCr顏色空間中，其中：Y為顏色的亮度，Cb和Cr為色度。

火焰疑似物主要是移動(dòng)的紅色物體，如紅色衣服的行人、汽車的紅色尾燈、紅色氣球等。火焰和疑似火焰物體可能有相似的顏色與形狀，但它們的色度比例會(huì)有所差別。反復(fù)實(shí)驗(yàn)表明，色度滿足式(1),可有效地將真火焰及疑似火焰物體從視頻流中的待處理圖片中提取出來,并對(duì)圖像進(jìn)行灰度化和二值化處理[15]：

(1)

如圖1(a)為原始圖像；圖1(b)為閾值分割后的圖像。

通常情況下，疑似火焰的物體都以一種固定方式移動(dòng)。背景差分法是一種被廣泛應(yīng)用的檢測(cè)運(yùn)動(dòng)物體的方法，本文用它來進(jìn)行火災(zāi)中疑似火焰的預(yù)處理。將閾值分割后的圖片減去背景圖片可有效將固定的紅色物體剔除。此外，一些較小的獨(dú)立區(qū)域的面積若沒有超過某一閾值，將認(rèn)為是噪聲而去除。反復(fù)實(shí)驗(yàn)表明，選擇9個(gè)像素作為閾值較為適宜。如圖1(c)為背景差分后的圖像，從圖1中可以看出經(jīng)過差分和閾值噪聲去除后的圖像中，很清晰地表征了火焰候選區(qū)域，為下一步的特征提取提供了合理的圖像。

圖1 閾值分割及幀差分

1.2 面積變化率

火災(zāi)初期的火焰面積通常表現(xiàn)為無規(guī)律的變大趨勢(shì)，而疑似火焰物體則正好相反，因此面積變化特征也是火焰識(shí)別的重要判據(jù)之一。面積特征可以表示為經(jīng)過預(yù)處理得到的候選火災(zāi)區(qū)域中像素值為1的點(diǎn)的個(gè)數(shù)總和。

第i幀的面積變化率Ci可以表示為：

Ci=(Si-Si-1)/Si-1

(2)

其中：Si為第i幀面積；Si-1為第i-1幀面積。

1.3 圓形度

圓形度是衡量圖形與圓的相似程度，疑似火焰物體的形狀與圓相似，其圓形度較高，而真火焰則雜亂無章，其圓形度較低，因此圓形度可以作為區(qū)分火災(zāi)火焰與其他疑似火災(zāi)物體的特性。將預(yù)處理得到的火災(zāi)候選區(qū)域進(jìn)行閉合操作，獲取閉合圖形的面積，同時(shí)利用邊緣檢測(cè)算法獲取其周長。得到圖形的圓形度e可以表示為：

e=4πS/L2

(3)

其中：L為邊界的周長，S為圖形的面積。

1.4 尖角個(gè)數(shù)

火災(zāi)火焰在燃燒時(shí)會(huì)存在邊緣抖動(dòng)的現(xiàn)象，即會(huì)產(chǎn)生很多小尖角，而疑似火焰的尖角數(shù)明顯沒有火焰的尖角數(shù)多，而且這些物體在移動(dòng)時(shí)，其尖角數(shù)保持不變，所以尖角特性也可以作為火焰識(shí)別的一個(gè)特征量。

在經(jīng)過預(yù)處理后的候選火災(zāi)區(qū)域，以候選點(diǎn)(i，j)為中點(diǎn)建立一個(gè)3×3的窗口，若候選點(diǎn)的8個(gè)鄰域的相似度小于閾值，則此候選點(diǎn)為尖角，并對(duì)此候選點(diǎn)進(jìn)行標(biāo)記。通過對(duì)圖像上的每一個(gè)點(diǎn)進(jìn)行判斷，最終得到整幅圖像的尖角個(gè)數(shù)。

1.5 質(zhì)心位移

質(zhì)心是物體質(zhì)量集中的點(diǎn)，火焰在燃燒時(shí)，其質(zhì)心左右上下來回隨機(jī)擺動(dòng)。而疑似火焰物體的質(zhì)心運(yùn)動(dòng)具有一定的規(guī)律性或保持靜止，因此質(zhì)心位移特性也可以作為火焰識(shí)別的一個(gè)重要特性。計(jì)算差分預(yù)處理后的候選火災(zāi)區(qū)域中所有像素值為1的點(diǎn)的橫坐標(biāo)及縱坐標(biāo)和，然后求均值從而得到當(dāng)前圖像的質(zhì)心坐標(biāo)?；鹧娴馁|(zhì)心位移可表示為：

(4)

其中：xi、yi分別是第i幀質(zhì)心的橫縱坐標(biāo)；xi-1、yi-1分別為第i-1幀圖像的質(zhì)心橫縱坐標(biāo)。

1.6 對(duì)數(shù)回歸火焰識(shí)別算法

為了檢驗(yàn)疑似火災(zāi)區(qū)域是否存在真火焰或只是疑似火焰物體，本文將從疑似火焰區(qū)域提取YCbCr顏色空間的Cb與Cr分量的平均值(mb,mr)以及標(biāo)準(zhǔn)差(Sb,Sr)、面積變化率、圓形度、尖角個(gè)數(shù)、質(zhì)心位移等8個(gè)特征量。這些特征量與所檢測(cè)視頻是否為火災(zāi)火焰有一定的關(guān)系。第i幀圖像的特征量可以由上述8個(gè)特征量的線性關(guān)系表示：

x=(x1,x2,x3,x4,x5,x6,x7,x8)T

(5)

如果識(shí)別算法輸出為二值化，令真火焰為1，假火焰為0，且服從一定的概率分布，其概率密度函數(shù)服從伯努利分布，即：

f(yi)=piyi(1-pi)1-yi

(6)

那么，對(duì)于視頻的第i幀，輸出為yi=1即真火焰，其概率為pi；輸出為yi=0即非火災(zāi)，其概率為1-pi。

為了求解輸入與輸出的關(guān)系，假定第i幀的lnp(xi)為各特征量x1i，x2i，…，x8i為線性組合，即：

(7)

其中系數(shù)向量為：

α=(a1,a2,…,a8)T

(8)

因此，第i幀的火焰概率可以表示為：

(9)

可以采用最大似然估計(jì)法來確定未知參數(shù)α。

(10)

為了避免對(duì)數(shù)回歸可能出現(xiàn)過擬合的問題，訓(xùn)練所用的特征量是隨機(jī)選取的。在訓(xùn)練過程中，真火焰和非火焰樣本數(shù)量相等以保證結(jié)果平衡。利用最大似然估計(jì)法得到系數(shù)向量，并代入待識(shí)別圖像提取的特征量中，根據(jù)式(9)計(jì)算得到識(shí)別的結(jié)果的概率，最后根據(jù)疑似火災(zāi)區(qū)域CFR判斷準(zhǔn)則式(11)輸出識(shí)別結(jié)果：

(11)

2 實(shí)驗(yàn)結(jié)果與分析

2.1 多特征量實(shí)驗(yàn)結(jié)果

選取4種物體各60幀圖片進(jìn)行實(shí)驗(yàn)，獲取它們的特征量，圖2(a)、(b)、(c)、(d)分別為面積變化率、圓形度、尖角個(gè)數(shù)和質(zhì)心坐標(biāo)位移實(shí)驗(yàn)結(jié)果。從圖2中可以看出，森林火災(zāi)與其他疑似火災(zāi)物體有很好的區(qū)分度，只有質(zhì)心坐標(biāo)位移區(qū)分度不明顯，但可以利用質(zhì)心坐標(biāo)位移有效剔除位移微小的疑似火災(zāi)物體，因此這4個(gè)特征量都可以作為本火焰快速識(shí)別算法的特征量。

圖2 多特征量實(shí)驗(yàn)結(jié)果

2.2 數(shù)據(jù)庫

為了訓(xùn)練和檢驗(yàn)論文提出的火焰識(shí)別算法，本文選擇了美國國家標(biāo)準(zhǔn)與技術(shù)研究院(National Institute of Standards and Technology, NIST)、仁荷大學(xué)計(jì)算機(jī)視覺實(shí)驗(yàn)室(Computer Vision laboratory of Inha University, ICV)和基于計(jì)算機(jī)視覺的火災(zāi)探測(cè)(Fire detection based on computer Vision, VisiFire)三個(gè)實(shí)驗(yàn)室錄制的火焰和火焰疑似物的視頻，如圖3(a)～(f)所示，并且也在實(shí)驗(yàn)室錄制了蠟燭和紙燃燒視頻片段如圖3(g)～(h)所示。在訓(xùn)練階段，本文隨機(jī)選擇了300幅火焰和非火焰圖像進(jìn)行參數(shù)學(xué)習(xí)，然后選取實(shí)驗(yàn)數(shù)據(jù)庫中8段視頻共11 071幅圖像進(jìn)行識(shí)別算法檢驗(yàn)。

2.3 分類精度

分類精度可以通過真正率(True Positive Rate， TPR)和真負(fù)率(True Negative Rate， TNR)來評(píng)價(jià)：

TPR(sensitivity)=TP/(TP+FN)

(12)

TNR(specificity)=TN/(FP+TN)

(13)

其中：TP(True Positive)為被算法預(yù)測(cè)為正的正樣本數(shù)；TN(True Negative)為被算法預(yù)測(cè)為負(fù)的負(fù)樣本數(shù)；FP(False Positive)為被算法預(yù)測(cè)為正的負(fù)樣本數(shù)；FN(False Negative)為被算法預(yù)測(cè)為負(fù)的正樣本數(shù)。

截取8個(gè)視頻片段共11 071幅圖像進(jìn)行實(shí)驗(yàn)，表1詳細(xì)列出了8個(gè)視頻片段實(shí)驗(yàn)結(jié)果的詳細(xì)信息，包括文件名、火災(zāi)幀數(shù)、非火災(zāi)幀數(shù)，累計(jì)用時(shí)以及平均用時(shí)。從表1中可以看出，本文算法的真正率在93.1%以上，真負(fù)率在98.7%以上。對(duì)于識(shí)別時(shí)間，由于SVM需把輸入樣本經(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。而人工神經(jīng)網(wǎng)絡(luò)則需由大量處理單元互聯(lián)來組成非線性、自適應(yīng)信息處理系統(tǒng)。這兩種方法都需要進(jìn)行大量矩陣計(jì)算，識(shí)別時(shí)間較長。由于本文采用對(duì)數(shù)回歸分析對(duì)特征量進(jìn)行學(xué)習(xí)和識(shí)別，在Windows 8系統(tǒng)(計(jì)算機(jī)處理器為i5，內(nèi)存為8 GB)下，利用Matlab 2015軟件進(jìn)行實(shí)驗(yàn)，樣本訓(xùn)練平均用時(shí)20.90 s，識(shí)別平均用時(shí)0.058 s/幀，可達(dá)到實(shí)時(shí)處理的要求。

圖3 實(shí)驗(yàn)數(shù)據(jù)庫的視頻片段

表1 火焰識(shí)別結(jié)果及用時(shí)統(tǒng)計(jì)

為了評(píng)估本文的火焰識(shí)別算法的可靠性，將現(xiàn)有的其他比較典型的6種方法與本文算法進(jìn)行比較。這些算法包括?elik等[8]提出的通用顏色模型、Ko等[3]的支持向量機(jī)的算法、Borges等[16]的概率算法、Truong等[6]的多級(jí)模式識(shí)別、吳冬梅等[13]的基于Ohta顏色空間的火焰檢測(cè)的方法以及張霞等[14]的基于LBP直方圖和SVM的視頻火焰檢測(cè)方法(吳冬梅等[13]只有VC3和VC4的數(shù)據(jù)，張霞等[14]只有VC1、VC3和VC4的數(shù)據(jù))如表2所示，對(duì)于VC1(室內(nèi)火災(zāi))和VC2(森林火災(zāi))，由于火焰的顏色特征明顯，所以各個(gè)算法都有較高的真正率，都在94%以上；對(duì)于VC3(室外爐火)和VC4(室外爐火)，由于在戶外場(chǎng)景，且顏色特征不明顯，所以真正率有所降低，但也都在93%以上；對(duì)于VC5(汽車尾燈)和VC6(紅衣服行人)，由于是非火災(zāi)物體，各個(gè)算法的真負(fù)率都很高，都達(dá)到96%以上，由于本文的算法利用多特征量剔除了火焰疑似物體，真負(fù)率達(dá)到98%，優(yōu)于其他方法。

3 結(jié)語

利用監(jiān)控視頻，在火災(zāi)早期對(duì)其進(jìn)行識(shí)別和警報(bào)，進(jìn)而采取相應(yīng)的滅火措施可以在一定程度上減少火災(zāi)帶來的損失。針對(duì)識(shí)別率低和誤識(shí)率高的問題，本文提出一種基于多特征量的對(duì)數(shù)回歸火焰快速識(shí)別算法。利用多特征量可以快速地剔除非火焰的疑似圖像，在對(duì)數(shù)回歸識(shí)別模型的幫助下，實(shí)現(xiàn)了實(shí)時(shí)圖像的快速識(shí)別。大量實(shí)驗(yàn)結(jié)果表明，無論是在室內(nèi)還是室外，本文算法的真正率(TPR)達(dá)到93%，真負(fù)率(TNR)達(dá)到98%，識(shí)別平均用時(shí)0.058 s/幀，效果較好，可以應(yīng)用于下一步的嵌入式實(shí)時(shí)圖像火焰識(shí)別中。

表2 各種火災(zāi)識(shí)別方法的識(shí)別率比較 %

References)

[1] 黃正宇,繆小平,芮挺.基于圖像的火焰檢測(cè)中無量綱動(dòng)態(tài)特征研究[J].計(jì)算機(jī)應(yīng)用,2012,32(7):1894-1898.(HUANG Z Y, MIAO X P， REI T. Study on dimensionless dynamic characteristics of flame based on image recognition [J]. Journal of Computer Applications, 2012, 32(7): 1894-1898.)

[2] 毛文濤,王文朋,蔣夢(mèng)雪,等.基于局部特征過濾的快速火焰圖像識(shí)別方法[J].計(jì)算機(jī)應(yīng)用,2016,36(10):2907-2911.(MAO W T, WANG W P, JIANG M X, et al. Fast flame recognition approach based on local feature filtering [J]. Journal of Computer Applications, 2016, 36(10): 2907-2911.)

[3] KO B C, CHEONG K H, NAM J Y. Early fire detection algorithm based on irregular patterns of flames and hierarchical Bayesian networks [J]. Fire Safety Journal, 2010, 45(4): 262-270.

[4] WANG Y, YU C, TU R, et al. Fire detection model in Tibet based on grey-fuzzy neural network algorithm [J]. Expert Systems with Applications, 2011, 38(8): 9580-9586.

[5] WANG L, YE M, DING J, et al. Hybrid fire detection using hidden Markov model and luminance map [J]. Computers & Electrical Engineering, 2011, 37(6): 905-915.

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

[7] WANG D C, CUI X, PARK E, et al. Adaptive flame detection using randomness testing and robust features [J]. Fire Safety Journal, 2013, 55: 116-125.

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

[9] HABIBOGLU Y H, GUNAY O, ?ETIN A E. Covariance matrix-based fire and flame detection method in video [J]. Machine Vision and Applications, 2012, 23(6): 1103-1113.

[10] BOSCH I, GOMEZ S, MOLINA R, et al. Object discrimination by infrared image processing [C]// Proceedings of the 2009 International Work-Conference on the Interplay between Natural and Artificial Computation. Berlin: Springer, 2009: 30-40.

[11] DIMITROPOULOS K, TSALAKANIDOU F, GRAMMALIDIS N. Flame detection for video-based early fire warning systems and 3D visualization of fire propagation [C]// CGIM 2012: Proceedings of the 13th IASTED International Conference on Computer Graphics and Imaging. Calgary, CA: ACTA Press. 2012: 3-13.

[12] HORNG W B, PENG J W. A fast image-based fire flame detection method using color analysis [J]. Tamkang Journal of Science and Engineering, 2008, 11(3): 273-285.

[13] 吳冬梅,楊娟利,王靜.基于Ohta顏色空間的火焰檢測(cè)[J].電視技術(shù),2016,40(6):140-143.(WU D M, YANG J L, WANG J. Flame recognition based on Ohta color space [J]. Video Engineering, 2016, 40(6): 140-143.)

[14] 張霞,黃繼風(fēng).結(jié)合LBP直方圖和SVM的視頻火焰檢測(cè)[J].計(jì)算機(jī)應(yīng)用與軟件,2016,33(8):216-220.(ZHANG X, HUANG J F. Detecting flame in video in combination with LBP HISTOGRAM and SVM [J]. Computer Applications and Software, 2016, 33(8): 216-220.)

[15] 劉尚旺,段德全,崔艷萌,等.二次定位車牌分割及識(shí)別方法[J].河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,44(4):151-156.(LIU S W, DUAN D Q, CUI Y M, et al. Vehicle license plate segmentation and recognition method based on two times locations [J]. Journal of Henan Normal University (Natural Science Edition), 2016, 44(4): 151-156.)

[16] BORGES P V K, IZQUIERDO E. A probabilistic approach for vision-based fire detection in videos [J]. IEEE Transactions on Circuits & Systems for Video Technology, 2010, 20(5): 721-731.

This work is partially supported by the National Natural Science Foundation of China (U1610117, 11504256, 61573323), the National College Students Innovation and Entrepreneurship Training Program of China (2016264), Scientific and Technological Innovation Program of Higher Education Institutions in Shanxi (2015166).

XITingyu, born in 1995, M. S. candidate. His research interests include embedded system, image processing.

QIUXuanbing, born in 1980, Ph. D., associate professor. His research interests include laser spectroscopy, embedded system.

SUNDongyuan, born in 1992, M. S. candidate. His research interests include laser spectroscopy, embedded system.

LINing, born in 1994, undergraduate. His research interests include embedded system.

LIChuanliang, born in 1983, Ph. D., associate professor. His research interests include laser spectroscopy.

WANGGao, born in 1973, Ph. D., professor. His research interests include high temperature measurement.

YANYu, born in 1979, M. S., lecturer. Her research interests include automotive electronics.

Fastfireflamerecognitionalgorithmbasedonmulti-featurelogarithmicregression

XI Tingyu1, QIU Xuanbing1*, SUN Dongyuan1, LI Ning1, LI Chuanliang1, WANG Gao2, YAN Yu3

(1.SchoolofAppliedScience,TaiyuanUniversityofScienceandTechnology,TaiyuanShanxi030024,China;2.NationalDefenseKeyLaboratoryforElectronicTestTechnology,NorthUniversityofChina,TaiyuanShanxi030051,China;3.AutomobileEngineeringDepartment,HebeiCollegeofIndustryandTechnology,ShijiazhuangHebei050091,China)

To improve the recognition rate and reduce the false-recognition rate in real-time detection of flame in video surveillance, a fast flame recognition algorithm based on multi-feature logarithm regression model was proposed. Firstly, the image was segmented according to the chromaticity of the flame, and the Candidate Fire Region (CFR) was obtained by subtracting the moving target image with reference image. Secondly the features of the CRF such as area change rate, circularity, number of sharp corners and centroid displacement were extracted to establish the logarithmic regression model. Then, a total of 300 images including flame and non-flame images, which were got from National Institute of Standards and Technology (NIST), Computer Vision laboratory of Inha University (ICV), Fire detection based on computer Vision (VisiFire) and the experimental library consisting of the candle and paper combustion were used to parametric learning. Finally, 8 video clips including 11 071 images were used to validate the proposed algorithm. The experimental results show that the True Positive Rate (TPR) and True Negative Rate (TNR) of the proposed algorithm are 93% and 98% respectively. The average time of identification is 0.058 s/frame. Because of its fast identification and high recognition rate, the proposed algorithm can be applied in embedded real-time flame image recognition.

flame recognition; multi-feature; logarithmic regression; embedded video; real-time fire alarm

TP391.413; TP18

:A

2016- 12- 26;

:2017- 02- 26。

國家自然科學(xué)基金資助項(xiàng)目(U1610117,11504256,61573323);國家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目(2016264)；山西省高?？萍紕?chuàng)新項(xiàng)目(2015166)。

席廷宇(1995—)，男，山西運(yùn)城人，碩士研究生，主要研究方向：嵌入式系統(tǒng)、圖像處理； 邱選兵(1980—)，男，四川內(nèi)江人，副教授，博士，主要研究方向：激光光譜、嵌入式系統(tǒng)； 孫冬遠(yuǎn)(1992—)，男(滿族)，河北承德人，碩士研究生，主要研究方向：激光光譜、嵌入式系統(tǒng)； 李寧(1994—)，男，河北邯鄲人，主要研究方向：嵌入式系統(tǒng)； 李傳亮(1983—)，男，山東淄博人，副教授，博士，主要研究方向：激光光譜； 王高(1973—)，男，山西侯馬人，教授，博士，主要研究方向：高溫測(cè)量； 鄢玉(1979—)，女，四川資陽人，講師，碩士，主要研究方向：汽車電子。

1001- 9081(2017)07- 1989- 05

10.11772/j.issn.1001- 9081.2017.07.1989