在 图1中。a列是原始彩色图像,b列显示 R通道,c列显示 G通道,d列显示 B通道。通过图像可以看到火焰区域强度值最高的是 R通道,最低的是 B通道。

同样对 图2的火焰区域分割并用绿色标记,可以计算出这些样本图像火焰部分像素点 R、 G、 B的均值 R_mean、 G_mean、 B_mean如 表1所示,可见也得到与 图1相同的结论。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 火焰区域 R, G, B单通道分量图Fig.1 Fire region in R, G, B single channel

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 标记火焰区域图Fig.2 Label fire regions with green color

表1

Table 1

表1(Table 1)

表1 R, G, B的均值统计 Table 1 Statistics of R, G, B Mean Values 与 图2相对应的行数 Rmean Gmean Bmean 第1行 221 142 78 第2行 217 109 83

表1 R, G, B的均值统计 Table 1 Statistics of R, G, B Mean Values

通过以上研究发现,火焰区域 R通道强度值最高,颜色饱和度最高。因此,火焰区域像素应符合下列条件:

R(x,y)>RmeanR(x,y)>G(x,y)>B(x,y)Rmean=1K∑i=1KR(xi,yi)1

式中: R( x, y)、 G( x, y)和 B( x, y)分别表示像素点( x, y)红、绿、蓝三个颜色的通道值。 K是总像素数, R_mean是总像素中红色分量强度平均值。公式(1)表明,火焰区域各分量强度值中 R_mean的值最大。

当前由于灯光照明的影响,使许多建立在像素点通道值转换技术基础上的火焰识别算法的检测效果大打折扣。但是,标准的RGB颜色模型不易受灯光照明的影响。因此,可以使用RGB颜色空间的转换公式:

r=R/(R+G+B)g=G/(R+G+B)b=B/(R+G+B)2

在火焰图片库中随机抽取各种条件不同的图片200张。用手工标注出这些图片的火焰区域,并分别在 r-g, r-b, g-b三个平面生成一幅3271975像素的质量分布图。 图3体现火焰区域像素在 r-g, r-b和 g-b三个平面的分布情况。在 图3中黑色三角形部分就是火焰像素识别区域,并以此区域来识别像素点是否是火焰像素。

可用下列关系不等式(3)来表示 图3(a)(b)(c)的三角形区域:

r≥1.140g-0.076r≤-0.989g+0.991r≥-2.077g+1.025r≤-1.881b+0.9582r≤95.348b+0.171r≥-0.543b+0.506g≥0.846b+0.048g≤-0.461b+0.495g≤191.957b-0.6213

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 rgb颜色模型下的火焰像素分布Fig.3 Distribution of flame pixels in rgb model

结合使用式(1)(3)中的规则,可以有效地从图像中识别出可疑火焰像素,划定火焰区域。为减少由于手工标注火焰区域边缘导致该处像素点的识别率降低,采取三角形区域覆盖。

虽然采用上述rgb颜色模型能够削弱在使用传统RGB颜色模型时由于光照变化而引起的火焰识别率下降的影响。但为使火焰像素区域识别率因光照变化影响最小,可以尝试使用YCbCr颜色模型。

YCbCr颜色模型是色彩空间的一种,其重要特质是把亮度作为主要组成。Y是流明,表示光的浓度且为非线性,即亮度分量,采用伽马修正编码处理。而 Cb和 Cr则为蓝色和红色的色度分量,即浓度偏移量成份,它们分别表现的是RGB模型中蓝色度分量与亮度分量之同的差异(B-Y)和红色度分量与亮度分量之间的差异(R-Y)。根据C.A.Poynton转换矩阵^{[ 5]},可以得到YCbCr颜色模型与RGB颜色模型的转换关系:

YCbCr=0.2570.5040.098-0.148-0.2910.4390.439-0.368-0.071RGB+161281284

式中: Y∈[16 235]; Cb∈[16 240]; Cr∈[16 240]。

则在一副原始图像中,可以推出像素三个分量值 Y, Cb, Cr平均值的关系式:

Ymean=1K∑i=1KYxi,yiCbmean=1K∑i=1KCbxi,yiCrmean=1K∑i=1KCrxi,yi5

图像中像素点的空间位置用( x_i, y_i)表示。 Y_mean表示像素亮度分量的平均值; Cb_mean表示像素蓝色度分量的平均值; Cr_mean表示红色度分量的平均值。K表示像素总数。

图像中火焰区域内各分量在RGB颜色模型的规则是:各分量值的大小关系有R≥G≥B,R≥R_mean(见公式(1))。因为RGB颜色模型与YCbCr颜色模型可相互转换,并且是线性关系,因此在YCbCr颜色模型中有:

Y(x,y)>Cb(x,y)Cr(x,y)>Cb(x,y)6

式中:( x, y)表示火焰区域内像素点的位置; Y( x, y)表示像素点的亮度值; Cb( x, y)表示像素点蓝色度分量值; Cr( x, y)表示像素点红色度分量值。

从公式(6)可得出这样的结论:火焰区域像素点的亮度分量要大于蓝色度分量,红色度分量也大于蓝色度分量。因此,火焰区域是红色饱和度所产生的结果。

通过观察 图4中的各图片,从图片的火焰区域可以直观得到公式(6)的正确性。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 火焰区域 Y, Cb, Cr单通道分量图Fig.4 Fire rRegion in Y, Cb, Cr single channel

类似 表1,对 图2火焰区域的三个通道 Y, Cb, Cr求平均值得到 Y_mean, Cb_mean, Cr_mean,结果见 表2。

从 表2可得出火焰区域像素点在 YCbCr颜色模型中各通道均值的关系: Y_mean> Cb_mean> Cr_mean。因此证明从图片观察到的结果和公式(6)的正确性。

表2

Table 2

表2(Table 2)

表2 Y, Cb, Cr均值统计 Table 2 Statistics of Y, Cb, Cr Mean Values 与 图2相对应的行数 Ymean Cbmean Crmean 第1行 151 91 172 第2行 140 104 181

表2 Y, Cb, Cr均值统计 Table 2 Statistics of Y, Cb, Cr Mean Values

在一幅图像中,一般火焰区域是最亮的。因此将火焰区域各通道( Y、 Cb、 Cr)值与各通道平均值( Y_mean, Cb_mean, Cr_mean)分别对应比较可推出如下关系式:

F(x,y)=1,ifY(x,y)>Ymean,Cb(x,y)<Cbmean, Cr(x,y)>Crmean0,else7

对于图像中的任何像素点 F( x, y),只要满足公式(7)中第1个式子的条件,则该像素点的值被设置为1,并被看做是疑似火焰像素。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 火焰区域 Y, Cb, Cr单通道分量图Fig.5 Fire region in Y, Cb, Cr single channel

通过观察 图5中原始火焰场景图以及在各单通道( Y, Cb, Cr)下的场景图,可以验证公式(7)中关系式的正确性。

从 图5中可以看出火焰区域像素在 Cb、 Cr两个单通道分量中差别明显。 Cb分量图中火焰颜色为灰黑, Cr分量图中火焰颜色为灰白。由此可以建立以下规则的关系式:

Ft(x,y)=1,ifCb(x,y)-Cr(x,y)≥t0,else8

式中: t为临界值常数。通过感受性( ROC)分析可获得常数 t的值^{[ 6]}。

图6为不同照明背景和不同亮度条件下的原始样本图片。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 样本图像Fig.6 Sample image

通过手工对样本图片中的火焰区域做标记,再把式(2)~(6)规则及式(8)中常数分别取1~100来对火焰区域做标注,则可建立 ROC曲线如 图7所示。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 ROC曲线图Fig.7 ROC image

在式(8)中每一次取不同常数值,应在 ROC曲线图的坐标系上标示出火焰区域识别率和误报率。“识别”的意义是指正确识别出图片存在的火焰区域,“误报”是指在不存在火焰区域的图片中识别出火焰。

图7中 ROC曲线上每个点都对应三个值,分别是识别率、误报率和常数。图中 a点对应的三个值分别是识别率为91%,误报率为38%,常数 t的值为40。对于不同的识别率和误报率可以在 ROC曲线取合适的常数值 t。在实际火灾检测中,识别系统不允许漏掉任何一次火灾报警。但从 图7的 ROC曲线可得出,对于火焰区域,有较高的识别率可能就伴随着较高的误报率。

在实验测试中,选取加拿大一个火灾识别研究小组^{[ 7]}在互联网上发布的若干组不可控环境火焰视频。 图8展示了使用本文提出的检测模型对火焰像素的识别结果,还提供了一种利用rgb颜色特征进行火焰像素识别的效果图。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 不可控环境下的火焰检测效果图Fig.8 Flame detection in uncontrolled environment

图8给出了四组视频图片检测结果,每组图片选取两帧。其中,第一列为原始样本图;第二列为使用rgb颜色模型对火焰像素区域检测结果,作为对比实验;第三列为本文提出模型对火焰像素区域检测结果。

从四组图片的比较可以看出,本文提出的检测方法不但能够准确地检测出火焰区域,而且在第三组图像中还消除了左上角背景比较明亮区块的影响。同样,在第四组图像中,本文提出的模型识别算法也获得了正确的检测结果,并消除了图像中右侧出现的红光及左侧人所穿着类似火焰颜色衣服的干扰。因此,与仅使用rgb颜色特征进行检测的方法相比,本文的检测方法是有优势的。

图9给出了两组可控环境下的火焰检测结果,图像的排列方式与 图8一致。通过对比发现,本文提出的火焰检测模型优于仅使用rgb颜色模型的检测法。 图9中,第一组的原始样本图像出现许多红色背景;第二组原始样本图像中火焰发出的光把整个场景照得很亮。这两种情况的影响使rgb颜色模型检测法得到许多错误的检测结果,致使出现严重的假阳性检测结果。而本文提出的检测方法鲁棒性更强,检测结果更准确。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 可控环境下的火焰检测效果图Fig.9 Flame detection in controlled environment

对比实验结果表明,采用本文提出的火焰检测模型检测效果更好。原因在于YCbCr颜色模型能够把亮度信息从色度信息中剥离出来。在没有亮度的影响时,色度负责表示信息。基于色度的规则和颜色模型能够更准确体现火焰行为,在不利的照明背景条件下其鲁棒性更强。