顏禮彬

(海軍工程大學 電子工程學院，湖北 武漢 430033)

0 引 言

基于圖像處理的火災監(jiān)控技術以計算機為核心，它采用非接觸式的探測技術，結合光電成像和計算機圖像處理技術，將視頻圖像應用到火災探測中，完成火災自動監(jiān)測報警。在對火焰圖像進行圖像處理和分析前，考慮到火焰圖像的顏色特征非常明顯，首先考慮利用顏色識別技術[1～4]從圖像中分割出火焰區(qū)域，例如在RGB，HSV 和 YCbCr 等顏色空間建立火焰檢測顏色模型[1]完成對火焰區(qū)域分割，但該方法在部分背景顏色與火焰顏色相似度差別不大或是背景亮度很高的的情況下，會出現大量的干擾。另外一個進行火焰區(qū)域分割的思路是根據火焰的運動特性，從圖像的動目標檢測入手，常用的方法有基于圖像差分運算的分割方法[5～7]，如果參考圖像和閾值選取適當，能比較準確地分割出火焰和運動物體用于特征分析，但易受到光照變化和噪聲影響[8]。獨立分量分析(independent component analysis，ICA)是一種盲源分離技術，ICA已經廣泛運用于圖像特征提取[9]、圖像分離[10]、圖像運動目標檢測[11]等諸多方面。考慮到在視頻火焰圖像分割中，火焰變化實質為一種運動特性，且具有作為前景的火焰與背景圖像在信號上保持相對獨立的特點，可以使用ICA方法來檢測火焰的圖像區(qū)域，從而對火焰圖像進行分割。

1 圖像分割方法原理

1.1 顏色分割法與圖像差分法

目前使用較多的將火焰從背景中分離出來的方法有顏色分割法和圖像差分法等。

火焰的顏色作為火焰最明顯的視覺特征，在火焰識別過程中起到重要的作用。眾多視頻圖像火焰檢測系統都引入了火焰顏色檢測模塊，國內外很多學者提出了不同的火焰顏色檢測算法[1～4]，顏色分割法普遍存在適應性差的不足。

圖像差分法基本原理是將圖像序列中前后圖像對應像素點的灰度值或顏色相減，如果該處的數值變化很大，則認為這是由于圖像中火焰或運動干擾引起的。它的突出特點是實現簡單、運算速度快，在大多數情況下檢測效果較好，常常用于對實時性要求比較高的場合。典型的差分圖像法分為幀差法[6]和背景消減法[7]。

幀差法的前后圖像為相鄰幀圖像，因為采用一小段時間內前后多幀圖像進行差分，計算方法能滿足實時性要求，且時域光線變化能立刻反應出來，噪聲不隨時間累積而增加。

背景消減差分是首先選取一幀圖像作為參考圖像，用當前幀和參考圖像作差分運算，這樣不動的背景能被消減掉，火焰目標則顯現出來，如果參考圖像選取適當，能比較準確地分割出火焰和運動物體。

1.2 ICA的模型與實現

相較于差分法的火焰區(qū)域分割，基于 ICA 的方法從盲信號分離的角度考慮視頻序列圖像中的火焰檢測問題。其基本思想為：在源信號和線性變換均不可知的情況下，根據隨機變量的非高斯性和相互獨立性，ICA對多通道觀測數據進行估計，使其分解成統計獨立的分量，即相互獨立的信源[12,13]。

為了確?；綢CA模型能夠被估計，必須做出一定的假設和約束，使估計效果接近于所期望的結果。ICA模型的前提假設：

1)M≥N，即觀測信號x的個數M應大于等于源信號s的個數N；

2)源信號的各個分量在每個時刻t都是統計獨立的；

3)最多只有一個源是正態(tài)分布的。

基本ICA的模型如圖1所示。

圖1 ICA方法的基本框圖

設有n個未知的源信號si(t),i=1～n，構成列向量s(t)=[s1(t),s2(t),…,sn(t)]T，A是一個m×n維混合矩陣，x(t)=[x1(t),x2(t),…,xn(t)]T是m維觀測信號，n(t)為m維加性噪聲，則線性混合模型可表示為

x(t)=As(t)+n(t)

(1)

式(1)表示在x(t)已知和A未知的條件下，通過求解一個解混矩陣W，使得u(t)=Wx(t)逼近于源信號s(t)，且u的各分量盡可能獨立。即有

u(t)=Wx(t)=WAs(t)+Wn(t)

(2)

ICA用于火焰區(qū)域分割的基本思路為：用于檢測的視頻序列圖像相當于經過傳輸通道后的多個(M個)混合(觀測)信號圖像，其中包含的源信號為這些序列圖像中所包含的相對獨立的火焰信息、干擾信息、背景信息等。其實質是將序列圖像看作是一些獨立分量的混合，不變的背景是其中一個分量，而火焰目標以及運動的干擾在背景中的不同位置是另外一些分量。具體來說，把參與ICA分析的M幀圖像形成觀測矩陣X中的M個“觀測量”，當這M個“觀測量”中所包含的源信息量N滿足M≥N時，就可確保得到其中火焰信息的分割圖像。

2 HSI顏色空間的火焰識別

HSI顏色模型采用色調和飽和度來描述顏色。其中色調Hue表示顏色，顏色與彩色光的波長有關，將顏色按紅橙黃綠青藍紫順序排列定義色調，并且用角度值(0°～360°)表示。飽和度Saturation表示色的純度，也就是彩色光中摻雜白光的程度。飽和度取值采用百分數(0 %～100 %)，0 %表示灰色光或白光，100 %表示純色光。強度Intensity表示人眼感受到彩色光的顏色的強弱程度，它與彩色光的能量大小有關。

HSI顏色模型有兩個特點：

1)分量與圖像的彩色信息無關，可以直接面向圖像處理和運算，從RGB顏色空間到HSI顏色空間只是一個簡單的非線性變換；

2)HSI顏色空間與人眼有著很好的視覺一致性，并且HSI中H分量(色調值)可以無差錯的定義一種顏色，從而實現更好的分割。

通過大量試驗，在HSI顏色空間中，紅色和黃色色調在0°～60°之間。對于圖像中的某個像素，如果滿足式(3)，則認為該像素為火焰

H≤60 且S>100

(3)

3 分割方法

基于ICA的視頻火焰分割方法的方框圖如圖2所示。

圖2 基于ICA的視頻火焰分割方法框圖

在進行ICA時，適當對圖像進行一些預處理有時是非常必要的，它可使ICA的工作量大大減少。根據需要，可以選擇是否要將圖像轉換成灰度圖，并且對圖像數據進行去均值處理，去均值使得火焰觀測信號成為零均值變量，目的是簡化算法。白化處理是一個必要過程，可以使用主分量分析(principal component analysis,PCA)方法進行白化處理。PCA是對由一系列觀察數據向量組成的向量組，找到它最能表達該組數據特性的正交基，稱之為“主分量”，然后將觀察數據在主分量上進行投影或映射，使結果具有互不相關性質。PCA處理后的數據只是具有二階獨立性，并不是真正的獨立，它通常用作ICA處理[13]中的預處理，用于降維、以及去噪。

ICA算法如下：

1)對所有獨立分量進行循環(huán)；

2)隨機設置權重的初始值w0,k=0；

3)判斷是否達到最大迭代次數；

4)利用迭代公式

(4)

5)對權值進行正交化和歸一化wk+1=wk+1/‖wk+1‖；

6)判斷權值是否收斂‖wk+1-wk‖<ε，如果收斂，則輸出權值wi；

7)當所有的獨立分量循環(huán)結束后，輸出權值矩陣W={wi}；

8)將W與白化矩陣Q相乘后即為分離矩陣，可以對輸入數據矩陣X進行分離。

對序列圖像進行ICA處理后，得到感興趣疑似火焰區(qū)域。由于ICA只是根據圖像中不同信息相對獨立的特點將各信息分離出來，此時并不清楚哪一幅圖片為火焰區(qū)域。接下來按照前文中HIS顏色空間火焰識別方法，按式(5)判斷哪個區(qū)域為火焰區(qū)域

(5)

式中i為ICA分離出的N個獨立分量(疑似火焰區(qū)域)之一，Hi為第i個區(qū)域中符合HIS顏色特征為火焰的像素總數，Ti為第i個區(qū)域中像素總數，Hi/Ti比值最大且大于某個最低閾值的區(qū)域即認為為火焰區(qū)域。

4 實驗分析

為了對方法進行檢驗，進行了火焰實驗，并采集了視頻片段。

4.1 基于ICA的分割結果

圖3為其中一個火焰視頻中提取的前后3幀圖像，從3幀圖中可以看到，隨著火焰大小的變化，背景的光線及明暗程度發(fā)生了變化，將這3幀圖像作為ICA的觀測數據。

圖3 用于ICA的觀測圖像

圖4為使用ICA方法分離后的結果，ICA的方法很好地將火焰圖像分離出來，可以看到它分離出的“獨立分量”有3個，分別為蹲著的人員、火焰、不變的背景(包括地面、鍋等)。通過HIS顏色空間分析，根據式(5)計算，圖4(a)值為0.93，圖4(b)值為0.12，圖4(c)值為0.58，因此判斷圖4(a)為分割后的火焰圖像。

圖4 ICA分割后的獨立分量

4.2 基于ICA的視頻火焰分割與背景差分法比較

為了對比ICA方法和背景差分法的分離效果，選用了圖3(a)作為背景圖，圖3(b)作為當前幀，分別使用兩種方法進行火焰圖像分割。圖5(a)為ICA方法分割的效果，圖5(b)為背景差分法分割的效果，從圖中可以看出ICA方法較好地分離出火焰圖像，而背景差分法得出的火焰分割圖包含了背景中的人物圖像。

圖5 ICA法與背景差分法比較

4.3 基于ICA的視頻火焰分割與背景建模法比較

通過實驗將ICA分割方法與背景建模法比較，實驗中使用10段火焰視頻，分別為不同的條件和場景下錄制的，其中火源的材料為柴油、汽油、紙張和木材等。在實驗過程中，對于10段視頻的結果進行了平均。表1中“檢出滯后幀數”為視頻中火焰出現到檢測出火焰之間的間隔幀數。對于混合高斯模型而言，該方法在使用過程中對光照的的突變和其他因素的適應能力不夠，在火光的閃爍效應下，同時還有可能提取出來的前景區(qū)域偏大于實際的前景區(qū)域，即檢測精度的問題；另一方面是背景模型必須對背景場景的改變足夠靈敏，否則會檢測出虛假對象。CodeBook法在簡單背景和復雜背景的檢測效果上具有起伏，同時需要間隔一定時間使用更新算法更新CodeBook模型，并對CodeBook進行時間濾波。ICA檢測方法的優(yōu)勢在于基本不受光照變化、噪聲以及圖像背景灰度變化的影響，因此可以保持較穩(wěn)定的檢測效果。

表1 三種方法的檢測效果比較

5 結 論

將 ICA方法應用到火焰圖像分割時，是將觀測圖像序列中的固定背景、火焰及運動干擾等看作相對獨立的分量，在提供足夠的觀測圖像的基礎上，可以將這些相對獨立的源信號全部分離出來，基本不受光照變化、噪聲以及圖像背景灰度變化的影響。相對于顏色閾值法、差分法、背景建模法等火焰分割方法，基于 ICA 的原理更加直觀，抗干擾效果更好，這對于后續(xù)對疑似火焰圖像進一步分析識別提供了良好條件。ICA方法僅能檢測出包括火焰在內的各個獨立分量(疑似區(qū)域)，但無法區(qū)分火焰區(qū)域，因此，文中輔助以HIS顏色特征對各個獨立分量進行分析，判斷出火焰區(qū)域。本文提出的方法僅是作為一種火焰區(qū)域的提取方法，要最終判定該區(qū)域是否為火焰還需要分析其它特征作進一步識別。