官洪運(yùn)，楊益?zhèn)?，?煒，歐陽江坤

(1.東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620；2.數(shù)字化紡織服裝技術(shù)教育部工程研究中心，上海 201620)

0 引言

火災(zāi)給人們的生產(chǎn)生活帶來了巨大的損失，目前比較成熟的火災(zāi)探測方法主要運(yùn)用感溫式、感煙式、感光式傳感器，但其在大空間場所的探測效果欠佳。隨著機(jī)器視覺技術(shù)的發(fā)展，基于視頻監(jiān)控的圖像型火災(zāi)識別技術(shù)越來越引起人們的重視。

在已有研究中，YAMAGISHI H和YAMAGUCHI J[1]在HSV顏色空間分割出火焰區(qū)域，分析火焰區(qū)域的邊緣抖動信息，運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行火焰探測。KO B C等[2]利用圖像的亮度信息移除非火焰素，在最終的識別過程中引入兩層支持向量機(jī)(SVM)進(jìn)行火焰識別。TRUONG T X等[3]通過高斯混合模型(GMM)提取運(yùn)動目標(biāo)，然后根據(jù)火焰顏色模型利用模糊C均值(FCM)聚類算法分割出火焰疑似區(qū)域，最后提取面積變化率、表面粗糙度等特征通過支持向量機(jī)分類進(jìn)行火焰識別。Li Tao等[4]利用顏色特征分割火焰疑似區(qū)域，再通過光流法計(jì)算火焰疑似區(qū)域每個像素點(diǎn)的運(yùn)動方向，提取方向特征訓(xùn)練SVM進(jìn)行火焰識別。KANG M等[5]通過模糊C均值聚類算法從運(yùn)動區(qū)域中提取火焰疑似區(qū)域，利用灰度共生矩陣提取紋理特征，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)用于火焰識別。以上算法都主要提取火焰的動、靜態(tài)特征，再利用人工神經(jīng)網(wǎng)絡(luò)和SVM完成火焰識別，獲得了較好的實(shí)驗(yàn)效果。

然而人工神經(jīng)網(wǎng)絡(luò)通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間的關(guān)系完成分類過程，SVM需要將樣本數(shù)據(jù)通過核函數(shù)映射到高維空間完成分類過程。這兩種算法均具有較高復(fù)雜度，帶來了較大的運(yùn)算量。在保證識別率的前提下，為了降低算法復(fù)雜度，在對火焰顏色、動態(tài)特征的研究基礎(chǔ)上，本文設(shè)計(jì)了一種基于邏輯回歸(LR)模型的火焰識別算法用于火焰檢測。對于輸入的視頻圖像，首先根據(jù)運(yùn)動和顏色檢測提取火焰疑似區(qū)域；若存在火焰疑似區(qū)域，則提取火焰疑似區(qū)域的顏色及動態(tài)特征；最后將提取到的特征值輸入LR模型中完成火焰識別過程。

1 可疑目標(biāo)提取

火焰具有運(yùn)動特性和顏色特性，可疑目標(biāo)提取過程主要是通過運(yùn)動檢測和顏色檢測提取出畫面中的疑似火焰區(qū)域。

1.1 運(yùn)動目標(biāo)檢測

火焰具有運(yùn)動特性，運(yùn)動目標(biāo)檢測是火焰區(qū)域提取的第一步。使用高斯混合背景建模提取運(yùn)動目標(biāo)，該算法的特點(diǎn)是將圖像中每個像素點(diǎn)的值看作多個高斯分布的疊加。對于t時刻，當(dāng)前幀圖像中點(diǎn)Xt的像素值的概率分布如下[6-7]：

(1)

對新來的一幀圖像像素值Xt，將其與當(dāng)前K個高斯分布的均值進(jìn)行比較，按照式(2)所示的規(guī)則尋找匹配的高斯分布：

|Xt-μi,t-1|≤E×σi,t-1

(2)

其中，E為置信系數(shù)，一般取2.5。若尋找到滿足要求的高斯分布，則該像素點(diǎn)屬于背景點(diǎn)，否則認(rèn)為其屬于前景點(diǎn)。若未找到滿足要求的高斯分布，則生成一個新的高斯分布，均值取當(dāng)前像素值，初始化一個較大的標(biāo)準(zhǔn)差和較小的權(quán)值，使用該分布替換掉當(dāng)前權(quán)值最小的高斯分布。對于匹配到的高斯分布對其參數(shù)按式(3)進(jìn)行更新：

同時，對各個高斯分布的權(quán)值按照式(4)進(jìn)行更新：

ωk,t=(1-α)×?k,t-1+α×Mk,t

(4)

其中，α為學(xué)習(xí)速率，對于匹配的高斯分布Mk,t取值為1，否則取值為0。所有的參數(shù)更新完畢后，將各高斯分布按ωi,t/σi,t進(jìn)行降序排列,取前N個高斯分布作為背景模型，N滿足式(5)的條件：

(5)

通過高斯混合背景分離算法，可以有效地提取到畫面中的運(yùn)動目標(biāo)。

1.2 火焰顏色模型

火焰具有明顯的顏色特征，其顏色分布呈現(xiàn)一定規(guī)律，通過合理的顏色分割可進(jìn)一步確定火焰疑似區(qū)域，排除不具備火焰顏色特征的運(yùn)動目標(biāo)的干擾。通過大量實(shí)驗(yàn)，在HSV顏色空間內(nèi)建立火焰顏色模型，如式(6)所示：

(6)

圖1顯示了兩張火焰圖片及運(yùn)用火焰顏色模型對其分割獲得的二值圖片。

圖1 顏色模型檢測火焰區(qū)域

圖2中顯示了火焰疑似區(qū)域提取的全過程，首先通過運(yùn)動檢測提取運(yùn)動前景二值圖像；然后對運(yùn)動區(qū)域進(jìn)行顏色檢測分割出滿足火焰顏色特征的二值區(qū)域；最后對該區(qū)域進(jìn)行閉操作，連接鄰近區(qū)域，平滑邊界，獲得火焰疑似區(qū)域的二值圖像。其中，圖2(b)為經(jīng)運(yùn)動檢測得到的前景二值圖，圖2(c)為再經(jīng)顏色模型檢測得到的二值區(qū)域，圖2(d)為再經(jīng)閉操作獲得的火焰疑似區(qū)域二值圖像。

圖2 火焰疑似區(qū)域提取

2 火焰顏色與動態(tài)特征提取

通過運(yùn)動及顏色檢測提取出的火焰疑似區(qū)域仍然可能存在非火焰目標(biāo)的干擾，如行駛中汽車的車燈、閃爍的路燈等。在火焰具有的特征中，其顏色和動態(tài)特征最為明顯。為了更好地區(qū)別火焰與疑似火焰的干擾物，提取疑似區(qū)域的顏色特征及動態(tài)特征量作為火焰識別的依據(jù)。

2.1 顏色特征

火焰的顏色特征是火焰最明顯的特征之一，資料顯示火災(zāi)早期的火焰顏色都分布在紅到黃的范圍內(nèi)[8]，且具有較高的飽和度?？紤]到RGB顏色模型無法直觀地表現(xiàn)出火焰的亮度及色度信息，因此在HSV顏色空間內(nèi)提取火焰的顏色特征。在對火焰進(jìn)行檢測時易受到燈光、光線變化帶來的影響，而火焰區(qū)域相對于強(qiáng)光照射區(qū)域一般具有更高的飽和度及明度。因此統(tǒng)計(jì)疑似火焰區(qū)域以H、S、V三個通道內(nèi)的一階矩μH、μS、μV作為特征值。它們的計(jì)算公式如式(7)所示：

(7)

其中，A為火焰疑似區(qū)域，N為火焰疑似區(qū)域像素點(diǎn)的個數(shù)。通過計(jì)算，可以獲得火焰疑似區(qū)域在HSV顏色空間中H、S、V顏色分量的均值，得到關(guān)于火焰顏色的特征量μH、μS、μV。

2.2 動態(tài)特征

2.2.1面積變化率

火焰在燃燒過程中，其形狀變化不規(guī)則，面積呈現(xiàn)不斷變化的特點(diǎn)。在燃燒初期，火焰面積會呈現(xiàn)增長的趨勢，另外受空氣擾動等其他因素的影響，火焰面積也會明顯變化。利用火焰的面積動態(tài)變化特征可以區(qū)分出具有火焰顏色特征但面積不變的干擾物，如環(huán)形燈等。面積變化率的計(jì)算如式(8)所示[9]：

(8)

式中Sk和Sk+1分別為第k幀和k+1幀的火焰疑似區(qū)域面積；eps為極小值，用來防止出現(xiàn)相鄰兩幀中沒有火焰疑似區(qū)域時，式(8)中分母為0的情況。

2.2.2幀間相似度

火焰燃燒時其燃燒面積、空間位置在短時間內(nèi)的變化呈現(xiàn)一定相關(guān)性，火焰區(qū)域在圖像前后兩幀之間會存在一定的重疊區(qū)域。因此考慮利用相鄰幀間圖像的相似度來區(qū)別真實(shí)火焰與干擾，幀間相似度可根據(jù)式(9)確定[10]：

(9)

式中αn(x,y)、αn+1(x,y)分別表示第n幀和第n+1幀的火焰疑似區(qū)域二值圖?；鹧嫒紵龝r相鄰幀間相似度β∈[TL,TH]，相似度低于閾值TL時可以看作是快速移動疑似目標(biāo)的干擾，相似度高于閾值TH可以看作為靜止干擾源的干擾。

2.2.3質(zhì)心偏移率

火焰燃燒時受風(fēng)力或熱浪的影響會呈現(xiàn)循環(huán)往復(fù)不規(guī)則跳動的運(yùn)動形式，火焰的質(zhì)心運(yùn)動也會呈現(xiàn)閃爍特性。在很短的時間內(nèi)，火焰質(zhì)心位置的變化在一定的范圍內(nèi)。而其他干擾物如行駛中的汽車車燈，其運(yùn)動在短期內(nèi)呈現(xiàn)整體移動的特點(diǎn)，質(zhì)心移動的幅度大。通過計(jì)算質(zhì)心偏移率來表明火焰疑似區(qū)域的質(zhì)心偏移幅度，用以區(qū)別火焰與其疑似干擾物。若出現(xiàn)疑似火焰區(qū)域S，其質(zhì)心坐標(biāo)(xc,yc)由式(10)計(jì)算得到：

(10)

相鄰兩幀前后的質(zhì)心坐標(biāo)為(xck-1,yck-1),(xck,yck)，則相鄰兩幀間的質(zhì)心位移如式(11)所示：

(11)

選用質(zhì)心偏移率來表現(xiàn)火焰的質(zhì)心移動程度，相鄰兩幀質(zhì)心偏移率由式(12)計(jì)算得到：

(12)

2.2.4閃頻特征

火焰具有明顯的閃爍特性，閃爍頻率為火焰最為重要的動態(tài)特性之一，火焰的主要閃爍頻率范圍為7～12 Hz[11]?；鹧娴拈W爍頻率不隨環(huán)境的變化而改變，利用火焰的閃爍特征可以排除車燈、行人等干擾物。根據(jù)視頻中第i幀相對前一幀疑似火焰區(qū)域中像素點(diǎn)分布變化率，利用過零檢測法可以求得火焰閃爍次數(shù)，從而獲得閃爍頻率[12]：

(13)

使用單一特征對火焰進(jìn)行識別，由于現(xiàn)場環(huán)境的多變性，容易出現(xiàn)誤判現(xiàn)象。為了提升識別率，采用LR算法對火焰顏色及動態(tài)特征量進(jìn)行分析，獲得模型的偏斜率及每項(xiàng)特征量的權(quán)重參數(shù)，得到關(guān)于火焰顏色和動態(tài)特征的火焰概率模型，應(yīng)用于火焰識別。

3 LR模型火焰識別的實(shí)現(xiàn)

LR是機(jī)器學(xué)習(xí)領(lǐng)域一種常用的有監(jiān)督學(xué)習(xí)分類算法，常用于二分類問題。根據(jù)LR模型可以預(yù)測在不同的自變量情況下，發(fā)生某種情況的概率，再利用概率完成二分類過程。在模型的訓(xùn)練和識別時間上，LR相較于SVM和人工神經(jīng)網(wǎng)絡(luò)均占有很大優(yōu)勢。

LR與線性回歸同屬于廣義線性模型，在線性回歸中y=ωTx=ω0+ω1x1+,…,+ωtxt，y的值域范圍為[-∞，+∞]，其中x=(x1,x2,…,xt)為輸入向量，樣本x中包含了t個相互獨(dú)立的自變量，ω為回歸系數(shù)。LR在線性回歸的基礎(chǔ)上嵌套了邏輯函數(shù)，LR模型表示為：

(14)

hω(x)的值表示的是對于樣本x，分類結(jié)果y=1的概率。當(dāng)hω(x)≥0.5 時，分類結(jié)果y=1，樣本屬于類別1；當(dāng)hω(x)<0.5 時，分類結(jié)果y=0，樣本屬于類別0。

對于訓(xùn)練數(shù)據(jù)集，樣本數(shù)據(jù)x={x1,x2,…,xN}，相應(yīng)的分類標(biāo)簽y={y1,y2,…,yN}。其極大似然函數(shù)對數(shù)形式為：

(15)

得到損失函數(shù)為：

(16)

利用梯度下降法對損失函數(shù)J(ω)求解獲得使誤差函數(shù)最小的ω，梯度函數(shù)為：

(17)

在機(jī)器學(xué)習(xí)中，常見的梯度下降算法有批量梯度下降法(BGD)、隨機(jī)梯度下降法(SGD)和小批量梯度下降法(MBGD)。綜合考慮準(zhǔn)確率和訓(xùn)練速度，本文使用MBGD算法用于求解模型參數(shù)。對應(yīng)的更新公式為：

(18)

其中α為學(xué)習(xí)速率，x為每次迭代取的樣本數(shù)量，文中取10。通過MBGD算法尋找合適的ω使得梯度函數(shù)收斂，得到最佳的回歸系數(shù)。

利用上文中的區(qū)域分割及特征提取方法獲得火焰疑似區(qū)域的顏色及動態(tài)特征量，將其作為一組特征向量，按以下步驟完成LR的分類過程：

(1)根據(jù)訓(xùn)練樣本集，獲得訓(xùn)練數(shù)據(jù)集{(X1,y1),(X2,y2),…,(Xn,yn)}；

(2)對訓(xùn)練數(shù)據(jù)集里樣本的每項(xiàng)特征值進(jìn)行標(biāo)準(zhǔn)化，使得每項(xiàng)特征值的方差為1，均值為0，使得預(yù)測結(jié)果不會受到數(shù)值較大的特征項(xiàng)的影響；

(3)將訓(xùn)練數(shù)據(jù)集輸入到LR分類器完成訓(xùn)練過程，通過梯度下降法求解得到最佳回歸系數(shù)ω，獲得關(guān)于每項(xiàng)特征值的權(quán)值；

(4)將測試數(shù)據(jù)輸入訓(xùn)練好的LR分類器中，獲得火焰存在的概率，判定是否存在火焰。

4 實(shí)驗(yàn)結(jié)果與分析

本文的火焰識別算法是在VS2017環(huán)境下，結(jié)合OpenCV庫，利用C++語言編寫實(shí)現(xiàn)的。實(shí)驗(yàn)使用的視頻部分為從http://www.ultimatechase.com/Fire_Video.htm以及http://signal.ee.bilkent.edu.tr/VisiFire/Demo/下載的火焰視頻、疑似火焰干擾視頻。通過視頻捕獲的方法選取了767幀有火圖像作為正樣本、702幀疑似火焰圖像作為負(fù)樣本進(jìn)行參數(shù)學(xué)習(xí)，選取8段視頻共2 870幀進(jìn)行算法識別檢驗(yàn)。測試庫視頻及檢測結(jié)果如表1所示,其中視頻1～6為火焰視頻，視頻7～8為火焰疑似物視頻。

從表1中可以看出，由于本文算法提取了顏色分量作為特征量進(jìn)行了參數(shù)學(xué)習(xí)，對視頻3、視頻4這樣顏色特征明顯的森林大火檢測效果好；對視頻1、視頻2也有著較理想的檢測率，沒有受到環(huán)境中行人和車輛等運(yùn)動目標(biāo)的的干擾；對視頻5室內(nèi)裝飾樹燃燒也有著較高的檢測率；對于視頻6由于室內(nèi)光照較強(qiáng)，且受地板反光的干擾，導(dǎo)致算法的檢測率偏低；視頻7中運(yùn)動場景較為復(fù)雜，存在迎面而來汽車車燈的干擾，造成了一定的誤報(bào)率；視頻8中行駛在隧道中的汽車車燈并未造成任何干擾。

通過對文中8段視頻的檢測準(zhǔn)確率取平均,得到本文算法平均準(zhǔn)確率為93.2%，優(yōu)于文獻(xiàn)[13]和文獻(xiàn)[14]算法。不同算法的對比結(jié)果如表2所示。

表1 視頻火焰識別結(jié)果

表2 不同算法的平均準(zhǔn)確率

實(shí)驗(yàn)結(jié)果表明，本文算法選用的火焰特征具有代表性，對森林、室內(nèi)室外場景的火焰均有著較好的檢測效果，平均每幀處理用時51.9 ms，識別速度可達(dá)20 f/s。

5 結(jié)論

為了提高圖像型火焰檢測的識別準(zhǔn)確率，提高算法運(yùn)行效率，提出了一種基于LR的圖像型火焰識別算法。通過運(yùn)動和顏色檢測提取火焰疑似區(qū)域，再提取火焰疑似區(qū)域的顏色特征、動態(tài)特征量輸入到LR分類器中進(jìn)行二分類，輸出識別結(jié)果。實(shí)驗(yàn)表明該算法識別平均準(zhǔn)確率達(dá)93.2%，識別速度可達(dá)20 f/s，對于森林、室內(nèi)外火焰均有著良好的檢測效果，在視頻火焰檢測上具有一定的使用價(jià)值。