基于亮度与火焰区域边缘颜色分布的火焰检测
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
边缘提取目前大部分利用各种梯度算子，如 Sobel、Log、 Canny、Roberts、Prewitt 等，它们利用灰度图像中区域边缘的最 大梯度向量的集合来计算边缘，利用在边缘点处的一阶导数或 二阶导数或偏导数进行计算。但往往在具体的环境下，图像中 的区域边缘不能很好地获取，原因是灰度图像中存在太多的干 扰，即便得到边缘也很难提取有效区域。本文利用数字形态学 中的腐蚀和膨胀运算来构建图像中火焰区域的边缘。在获取 边缘之前，图像事先经过闭运算、孔洞填充、边界去除、小面积 去除等运算将图像区域净化到只含火焰区域及其他高亮区域。
接方式快速重构出需要的二值图像。图像利用小阈值二值化
可尽量保存图像的有效信息，利用大阈值保留的信息尽可能为
有效信息。利用大阈值得到的有效信息进行重构，不仅可以放
大有效信息量，而且可以过滤干扰信息。这比以往的单阈值或
者自适应阈值算法具有更强的适应性。二值重构出的火焰图
像区域如图 1 所示。
的截取。 1. 2 火焰有效边缘区域提取 1. 2. 1 火焰区域边界追踪
腐蚀运算可以收缩或细化二值图像中的对象，膨胀运算可 以加长或变粗二值图像中的对象。文中涉及的区域进行膨胀 或腐蚀运算时，希望区域像素点在其邻域 8 个方向扩展。所以 在本文运算中，腐蚀所用的结构因子是半径为 5 的圆盘型结构 因子 B1 ，膨胀所用的结构因子为矩阵 B2 =［1 1 1 1； 1 1 1 1； 1 1 1 1； 1 1 1 1］，具体算法流程如图 3 所示。
的火焰检测方法。主要采用二值重构、形态学算法以及边界追踪计算火焰区域边缘颜色分布矩阵，对得到的颜
色分布矩阵进行主成分分析（ PCA） ，并用 PCA 中协方差特征值分量约束 BP 神经网络的输入向量，从而准确进
行了火焰检测。实验结果表明，此算法计算简单，能准确识别多种背景下的火焰图像。
关键词： 火焰检测； 边界追踪； 主成分分析； BP 神经网络； 二值重构
收稿日期： 2010-03-10； 修回日期： 2010-04-12 基金项目： 国家自然科学基金资助项目（ 60806043） 作者简介： 许宏科（ 1963-） ，男，陕西凤翔人，教授，博导，主要研究方向为图像处理、交通信息控制、智能运输系统（ xuhongke@ chd． edu． cn） ； 房建武（ 1986-） ，男，陕西蒲城人，硕士研究生，主要研究方向为图像处理、交通信息工程及控制； 文常保（ 1976-） ，男，山西稷山人，副教授，硕导，博 士，主要研究方向为仪器仪表、真空微纳电子及光电子器件、智能信息器件及其在交通信息处理方面的应用．
计算机应用研究 Application Research of Computers
Vol． 27 No． 9 Sep． 2010
基于亮度与火焰区域边缘颜色分布的火焰检测*
许宏科，房建武，文常保
（ 长安大学 电子与控制工程学院，西安 710064）
摘 要： 为改善目前的火焰检测方法对环境适应能力不强的情况，提出一种基于亮度与火焰区域边缘颜色分布
1 火焰边界有效区域提取方法
1. 1 图像火焰区域提取
1. 1. 1 图像的二值重构 数字图像形态学处理中，重构运算是一种涉及到两幅图像
和一个结构元素的形态学变换。其中一幅图像，即标记，是变 换的开始点，另一幅图像是掩模，用来约束变换过程。结构元 素用于定义连接性。本文中将使用 8 连接，这表明运算中的结 构因子 B 为一个大小为 3 × 3 且值为 1 的矩阵。其算法表述如 下： 若 g 是掩模，f 为标记，则 f 重构 g 可以记为 Rg （ f） ，它由下 面的迭代究
第 27 卷
a） 将 h1 初始化为标记图像 f。 b） 创建结构元素： B = ones（ 3） 。
c） 重复
hk + 1 = （ hk ε B） ∪g
（ 1）
直到 hk + 1 = hk 。标 记 f 必 须 是 g 的 一 个 子 集，即 f g。Vincent［8］在 1993 年提出一种快速混合重构算法，其可以用 8 连
byoung等人利用图像序列结合两帧图像之间的差异以及小波来分析火焰的动态特征并利用亮度分布和支持向量机进行火焰的识别该算法在一定程度上解决了不同背景下的火焰识别情况但其算法复杂而且有视频帧传输数目限制每秒传输15帧很难在实时性方面得到保证当然对于尺寸比较大的图像更是困难
第 27 卷第 9 期 2010 年 9 月
则效果会大打折扣。彭 小 奇 等 人［5］ 利 用 火 焰 区 域 的 R、G、 B 颜色比以及形态学运算进行识别火焰。Treyin 等 人［6］利 用火焰高亮区域 的 颜 色 R、G、B 分 量 三 维 特 性 以 及 火 焰 的 动态特性进行了分析，尽 管 其 利 用 测 试 数 据 取 得 了 较 好 的 效果，但因使用了过多 的 启 发 式 阈 值，在 实 际 中 很 难 应 用。 本 文 在 此 基 础 上 ，利 用 图 像 型 火 焰 检 测 的 原 理［7］ ，针 对 多 种 背 景 下 的 静 态 火 焰 图 像 ，在 火 焰 亮 度 要 求 基 础 上 ，研 究 火 焰 本身存在的区域边缘 的 颜 色 分 布 特 性，找 出 一 种 比 较 通 用 的火焰检测方法。
XU Hong-ke，FANG Jian-wu，WEN Chang-bao
（ School of Electronic ＆ Control Engineering，Chang’an University，Xi’an 710064，China）
Abstract： In order to improve the situation which most fire detection methods are not strong to adapt to a variety of environment，this paper proposed a new fire detection method based on the brightness and color distribution of the fire edge regions． It calculated the color distribution characteristic matrix of the fire edge regions using reconstruction，binary morphological and boundary-tracing algorithms． Then processed the color distribution matrix with PCA algorithm． And bound BP neural network input vectors by covariance Eigen value of PCA components． Through that，conducted fire detection accurately． The experiment shows that this algorithm is simple，and can identify fire image accurately against a variety of backgrounds． Key words： fire detection； boundary-tracing； principal component analysis （ PCA） ； BP neural network； binary reconstruction
进行图像中每 一 个 区 域 内 外 边 界 追 踪，获 得 边 界 点 集 矩 阵，其为 Np × 2 的矩阵，而且每一行的第一列存放一个区域的 边界点集，所以得到的一幅图像的点集矩阵为一个元矩阵。设 获得的内边界点集矩阵为 E1 ，外边界点集矩阵为 E2 。 1. 2. 2 火焰区域边界兴趣区截取
火焰检测技 术 一 直 以 来 是 预 防 火 灾 的 重 要 手 段，目 前 是主要基于火焰燃烧 区 域 颜 色 和 动 态 特 性 进 行 研 究，但 是 受具体环境的影响，应 用 在 某 一 场 所 的 算 法 或 思 路 在 其 他 场所很难适用。王亚军等人［1］利用火焰在 HSI 颜色空 间 特 性以及火焰的区域质 心 轨 迹 进 行 火 焰 识 别，但 其 颜 色 特 性 在 同 样 为 高 亮 的 灯 光 下 很 难 区 分 ，且 若 有 高 亮 物 体 移 动 ，其 检 测 精 度 将 大 大 降 低 ，而 且 涉 及 到 多 帧 图 像 综 合 计 算 轨 迹 ， 运算速度慢。李虎胜等人［2］利用提升小波对火焰燃烧时 的 频 率 特 性 进 行 分 析 ，可 以 解 决 动 态 强 度 比 较 大 的 火 焰 ，然 而 火 焰 的 动 态 特 性 是 随 机 的 ，其 周 期 性 往 往 不 是 特 别 明 显 ，如 果 为 蜡 烛 火 焰 ，则 由 于 其 变 化 不 明 显 而 失 去 作 用 ，并 且 计 算 量较大，且 算 法 复 杂。 Byoung 等 人［3］ 利 用 图 像 序 列，结 合 两帧图像之间的差异 以 及 小 波 来 分 析 火 焰 的 动 态 特 征，并 利用亮度分布和支持 向 量 机 进 行 火 焰 的 识 别，该 算 法 在 一 定程度上解决了不同 背 景 下 的 火 焰 识 别 情 况，但 其 算 法 复 杂，而且有视频帧传 输 数 目 限 制 （ 每 秒 传 输 ＜ 15 帧 ） ，很 难 在实时性方面得到保 证，当 然 对 于 尺 寸 比 较 大 的 图 像 更 是 困难。Phillips 等人［4］ 利 用 火 焰 的 灰 度 直 方 图 强 度 以 及 相 邻帧的时间变化进行 火 焰 识 别，同 样 需 要 比 较 好 的 检 测 环 境（ 摄像机固定且有较少的 移 动 的 非 火 焰 亮 光 干 扰 ） ，而 且 其 实 验 数 据 特 征 为 自 己 主 观 确 定 的 ，若 输 入 数 据 发 生 变 化 ，
从图 2 看出，灯光区域在从区域边缘过渡到区域中心的 过程中，R、G、B 三个分量几乎粘在一起，没有哪一个分量占主 体分量，而火焰区域在从区域边缘过渡到区域中心的过程中， 从高到低依次为 R、G、B 层次分布。但从这两幅图看出其中过 渡点过多，很难进行量化分析，所以要进行区域有效边缘提取。 1. 1. 2 数字形态学提取火焰区域边缘
中图分类号： TP391． 41
文献标志码： A
文章编号： 1001-3695（ 2010） 09-3581-04
doi： 10． 3969 / j． issn． 1001-3695． 2010． 09． 104
Fire detection based on brightness and color distribution of fire edge regions
得到火焰的内外边缘后，需要收集内外边缘的点集坐标， 以此计算过区域质心的横线与内外边界的交点。这时需要追 踪区域的边界，对于单个目标的边界追踪算法，它是基于 8-邻 域的边界追踪（ 图 4） 。
在得到二值图像后，由于各种环境中有可能存在日光灯 等亮光，经分析 得 知 火 焰 的 亮 度 区 和 灯 光 亮 区 的 灰 度 值 都 很 高，简单地用阈值化方法很难确定所得区域为火焰。这里列出 火焰光和灯光的 R、G、B 分布图，如图 2 所示。
通过得到的边缘图像可知，过区域质心的横线与内外边界 的交点的横坐标之间存在一定的距离。从而保证边界兴趣区
左下角点（ left-low point） 就是在某个点的 8-邻域中，4、5、 6、7 方向的像素都是背景点 （ 即属性为 1） ，称该点为左下角 点。下左角点（ low-left point） ，即所有左下角点中，位于最下方 的那个点，下左角点是左下角点的一个特例，同时它们还属于 边界点。边界追踪原理（ 图 5） 为［9］： 从下到上、从左到右水平 扫描，找到的第一个黑点必是下左角点。以它为起始点，定义 初始的搜索方向为沿左上方（ 3 方向） ，如果左上方的点是黑 点，则为边界点，否则搜索方向顺时针旋转 45°。这样直到找 到一个黑点为止，存储黑点的坐标放入数组，然后把这个黑点 作为新的边界点，在当前搜索方向的基础上逆时针旋转 90°。 继续用同样的方 法 搜 索 下 一 个 黑 点，直 到 返 回 最 初 的 边 界 点 为止。
接方式快速重构出需要的二值图像。图像利用小阈值二值化
可尽量保存图像的有效信息，利用大阈值保留的信息尽可能为
有效信息。利用大阈值得到的有效信息进行重构，不仅可以放
大有效信息量，而且可以过滤干扰信息。这比以往的单阈值或
者自适应阈值算法具有更强的适应性。二值重构出的火焰图
像区域如图 1 所示。
的截取。 1. 2 火焰有效边缘区域提取 1. 2. 1 火焰区域边界追踪
腐蚀运算可以收缩或细化二值图像中的对象，膨胀运算可 以加长或变粗二值图像中的对象。文中涉及的区域进行膨胀 或腐蚀运算时，希望区域像素点在其邻域 8 个方向扩展。所以 在本文运算中，腐蚀所用的结构因子是半径为 5 的圆盘型结构 因子 B1 ，膨胀所用的结构因子为矩阵 B2 =［1 1 1 1； 1 1 1 1； 1 1 1 1； 1 1 1 1］，具体算法流程如图 3 所示。
的火焰检测方法。主要采用二值重构、形态学算法以及边界追踪计算火焰区域边缘颜色分布矩阵，对得到的颜
色分布矩阵进行主成分分析（ PCA） ，并用 PCA 中协方差特征值分量约束 BP 神经网络的输入向量，从而准确进
行了火焰检测。实验结果表明，此算法计算简单，能准确识别多种背景下的火焰图像。
关键词： 火焰检测； 边界追踪； 主成分分析； BP 神经网络； 二值重构
收稿日期： 2010-03-10； 修回日期： 2010-04-12 基金项目： 国家自然科学基金资助项目（ 60806043） 作者简介： 许宏科（ 1963-） ，男，陕西凤翔人，教授，博导，主要研究方向为图像处理、交通信息控制、智能运输系统（ xuhongke@ chd． edu． cn） ； 房建武（ 1986-） ，男，陕西蒲城人，硕士研究生，主要研究方向为图像处理、交通信息工程及控制； 文常保（ 1976-） ，男，山西稷山人，副教授，硕导，博 士，主要研究方向为仪器仪表、真空微纳电子及光电子器件、智能信息器件及其在交通信息处理方面的应用．
计算机应用研究 Application Research of Computers
Vol． 27 No． 9 Sep． 2010
基于亮度与火焰区域边缘颜色分布的火焰检测*
许宏科，房建武，文常保
（ 长安大学 电子与控制工程学院，西安 710064）
摘 要： 为改善目前的火焰检测方法对环境适应能力不强的情况，提出一种基于亮度与火焰区域边缘颜色分布
1 火焰边界有效区域提取方法
1. 1 图像火焰区域提取
1. 1. 1 图像的二值重构 数字图像形态学处理中，重构运算是一种涉及到两幅图像
和一个结构元素的形态学变换。其中一幅图像，即标记，是变 换的开始点，另一幅图像是掩模，用来约束变换过程。结构元 素用于定义连接性。本文中将使用 8 连接，这表明运算中的结 构因子 B 为一个大小为 3 × 3 且值为 1 的矩阵。其算法表述如 下： 若 g 是掩模，f 为标记，则 f 重构 g 可以记为 Rg （ f） ，它由下 面的迭代究
第 27 卷
a） 将 h1 初始化为标记图像 f。 b） 创建结构元素： B = ones（ 3） 。
c） 重复
hk + 1 = （ hk ε B） ∪g
（ 1）
直到 hk + 1 = hk 。标 记 f 必 须 是 g 的 一 个 子 集，即 f g。Vincent［8］在 1993 年提出一种快速混合重构算法，其可以用 8 连
byoung等人利用图像序列结合两帧图像之间的差异以及小波来分析火焰的动态特征并利用亮度分布和支持向量机进行火焰的识别该算法在一定程度上解决了不同背景下的火焰识别情况但其算法复杂而且有视频帧传输数目限制每秒传输15帧很难在实时性方面得到保证当然对于尺寸比较大的图像更是困难
第 27 卷第 9 期 2010 年 9 月
则效果会大打折扣。彭 小 奇 等 人［5］ 利 用 火 焰 区 域 的 R、G、 B 颜色比以及形态学运算进行识别火焰。Treyin 等 人［6］利 用火焰高亮区域 的 颜 色 R、G、B 分 量 三 维 特 性 以 及 火 焰 的 动态特性进行了分析，尽 管 其 利 用 测 试 数 据 取 得 了 较 好 的 效果，但因使用了过多 的 启 发 式 阈 值，在 实 际 中 很 难 应 用。 本 文 在 此 基 础 上 ，利 用 图 像 型 火 焰 检 测 的 原 理［7］ ，针 对 多 种 背 景 下 的 静 态 火 焰 图 像 ，在 火 焰 亮 度 要 求 基 础 上 ，研 究 火 焰 本身存在的区域边缘 的 颜 色 分 布 特 性，找 出 一 种 比 较 通 用 的火焰检测方法。
XU Hong-ke，FANG Jian-wu，WEN Chang-bao
（ School of Electronic ＆ Control Engineering，Chang’an University，Xi’an 710064，China）
Abstract： In order to improve the situation which most fire detection methods are not strong to adapt to a variety of environment，this paper proposed a new fire detection method based on the brightness and color distribution of the fire edge regions． It calculated the color distribution characteristic matrix of the fire edge regions using reconstruction，binary morphological and boundary-tracing algorithms． Then processed the color distribution matrix with PCA algorithm． And bound BP neural network input vectors by covariance Eigen value of PCA components． Through that，conducted fire detection accurately． The experiment shows that this algorithm is simple，and can identify fire image accurately against a variety of backgrounds． Key words： fire detection； boundary-tracing； principal component analysis （ PCA） ； BP neural network； binary reconstruction
进行图像中每 一 个 区 域 内 外 边 界 追 踪，获 得 边 界 点 集 矩 阵，其为 Np × 2 的矩阵，而且每一行的第一列存放一个区域的 边界点集，所以得到的一幅图像的点集矩阵为一个元矩阵。设 获得的内边界点集矩阵为 E1 ，外边界点集矩阵为 E2 。 1. 2. 2 火焰区域边界兴趣区截取
火焰检测技 术 一 直 以 来 是 预 防 火 灾 的 重 要 手 段，目 前 是主要基于火焰燃烧 区 域 颜 色 和 动 态 特 性 进 行 研 究，但 是 受具体环境的影响，应 用 在 某 一 场 所 的 算 法 或 思 路 在 其 他 场所很难适用。王亚军等人［1］利用火焰在 HSI 颜色空 间 特 性以及火焰的区域质 心 轨 迹 进 行 火 焰 识 别，但 其 颜 色 特 性 在 同 样 为 高 亮 的 灯 光 下 很 难 区 分 ，且 若 有 高 亮 物 体 移 动 ，其 检 测 精 度 将 大 大 降 低 ，而 且 涉 及 到 多 帧 图 像 综 合 计 算 轨 迹 ， 运算速度慢。李虎胜等人［2］利用提升小波对火焰燃烧时 的 频 率 特 性 进 行 分 析 ，可 以 解 决 动 态 强 度 比 较 大 的 火 焰 ，然 而 火 焰 的 动 态 特 性 是 随 机 的 ，其 周 期 性 往 往 不 是 特 别 明 显 ，如 果 为 蜡 烛 火 焰 ，则 由 于 其 变 化 不 明 显 而 失 去 作 用 ，并 且 计 算 量较大，且 算 法 复 杂。 Byoung 等 人［3］ 利 用 图 像 序 列，结 合 两帧图像之间的差异 以 及 小 波 来 分 析 火 焰 的 动 态 特 征，并 利用亮度分布和支持 向 量 机 进 行 火 焰 的 识 别，该 算 法 在 一 定程度上解决了不同 背 景 下 的 火 焰 识 别 情 况，但 其 算 法 复 杂，而且有视频帧传 输 数 目 限 制 （ 每 秒 传 输 ＜ 15 帧 ） ，很 难 在实时性方面得到保 证，当 然 对 于 尺 寸 比 较 大 的 图 像 更 是 困难。Phillips 等人［4］ 利 用 火 焰 的 灰 度 直 方 图 强 度 以 及 相 邻帧的时间变化进行 火 焰 识 别，同 样 需 要 比 较 好 的 检 测 环 境（ 摄像机固定且有较少的 移 动 的 非 火 焰 亮 光 干 扰 ） ，而 且 其 实 验 数 据 特 征 为 自 己 主 观 确 定 的 ，若 输 入 数 据 发 生 变 化 ，
从图 2 看出，灯光区域在从区域边缘过渡到区域中心的 过程中，R、G、B 三个分量几乎粘在一起，没有哪一个分量占主 体分量，而火焰区域在从区域边缘过渡到区域中心的过程中， 从高到低依次为 R、G、B 层次分布。但从这两幅图看出其中过 渡点过多，很难进行量化分析，所以要进行区域有效边缘提取。 1. 1. 2 数字形态学提取火焰区域边缘
中图分类号： TP391． 41
文献标志码： A
文章编号： 1001-3695（ 2010） 09-3581-04
doi： 10． 3969 / j． issn． 1001-3695． 2010． 09． 104
Fire detection based on brightness and color distribution of fire edge regions
得到火焰的内外边缘后，需要收集内外边缘的点集坐标， 以此计算过区域质心的横线与内外边界的交点。这时需要追 踪区域的边界，对于单个目标的边界追踪算法，它是基于 8-邻 域的边界追踪（ 图 4） 。
在得到二值图像后，由于各种环境中有可能存在日光灯 等亮光，经分析 得 知 火 焰 的 亮 度 区 和 灯 光 亮 区 的 灰 度 值 都 很 高，简单地用阈值化方法很难确定所得区域为火焰。这里列出 火焰光和灯光的 R、G、B 分布图，如图 2 所示。
通过得到的边缘图像可知，过区域质心的横线与内外边界 的交点的横坐标之间存在一定的距离。从而保证边界兴趣区
左下角点（ left-low point） 就是在某个点的 8-邻域中，4、5、 6、7 方向的像素都是背景点 （ 即属性为 1） ，称该点为左下角 点。下左角点（ low-left point） ，即所有左下角点中，位于最下方 的那个点，下左角点是左下角点的一个特例，同时它们还属于 边界点。边界追踪原理（ 图 5） 为［9］： 从下到上、从左到右水平 扫描，找到的第一个黑点必是下左角点。以它为起始点，定义 初始的搜索方向为沿左上方（ 3 方向） ，如果左上方的点是黑 点，则为边界点，否则搜索方向顺时针旋转 45°。这样直到找 到一个黑点为止，存储黑点的坐标放入数组，然后把这个黑点 作为新的边界点，在当前搜索方向的基础上逆时针旋转 90°。 继续用同样的方 法 搜 索 下 一 个 黑 点，直 到 返 回 最 初 的 边 界 点 为止。