我们提取几个火焰特征。静态特性,颜色是火焰的最明显的特征之一,它通常是红色的。一般来说,使用颜色配置文件是一种有效的火灾探测方法。至于动态特性,火焰有丰富的特点。首先,火焰没有固定的形状。第二,在火焰的边界有障碍。第三,火在连续图像位置有一定的相似之处。基于火焰特性的分析,我们设计了火灾探测模块,考虑multifeatures的火焰。

由于火灾的动态特性,火焰的形状是不规则的,不断变化。所以当使用火作为运动检测的重要特性,通常的检测方法是连续帧的变化( 31日),背景减法( 32),和混合高斯背景建模( 33]。背景减法需要正确设置背景因为昼夜之间存在着巨大的差距;一般来说,很难有一个常数,并必须设置参数,比静态的更复杂的背景。混合高斯模型过于复杂,需要设置历史框架,高斯混合数,背景更新率和噪声在预处理阶段。因此,这个算法不适合预处理。帧差分法的优点是实现简单,编程复杂度低,场景的变化,如光线不敏感,能够适应各种动态环境具有良好的稳定性。缺点是不能提取对象的完整的区域。里面是一个“空洞”的对象,而只能提取边界。因此,本文采用一种改进的帧差分法。

由于气流和燃烧本身的属性会导致火焰像素(不断变化 34),无火灾图像像素可以被比较两个连续的图像。我们使用一种改进的帧差算法。首先,视频转换为帧图像。第二,在灰度图像处理三个RGB通道转换成单一通道,节省了计算时间。第三,如果初始帧图像,一个执行初始化操作。对于其他帧图像,使用前一帧的帧差。帧差分公式所示( 1)。然后,去噪操作执行和去噪公式所示( 2)。第四,扩张是提高去噪图像区域的连通性和减少计算复杂度的颜色检测阶段。膨胀操作的公式所示( 3)。第五、区域优化完成。轮廓检测进行扩张的形象。如果条件不满足,帧删除,第二帧的图像用于检测。区域合并基于矩形之间的距离。最后,合并后的区域的坐标传递到火焰颜色检测阶段: (1) F v x , y = F c x , y − F p x , y , 在哪里 F c x , y 是当前帧,如图 2 (b)。 F p x , y 前一帧,如图 2(一个)。 F v x , y 之间的区别是当前帧与前一帧,如图 2 (c)。我们不能直接使用帧差分后的图像;我们需要降噪和使用阈值分割出部分我们需要: (2) F t x , y = maxval, 如果 F v x , y > 打, 0 , 否则, , 在哪里 F v x , y 之间的区别是当前帧与前一帧,这是分配给马克斯如果其像素值大于设定的阈值,否则设置为0。打一组阈值,这里我们设定20到确保运动像素不删除。 F t x , y 是去噪的结果,如图 2 (d)。从图可以看出 2 (e)有一定的“空洞”后帧差分检测的结果。如果当前的二进制映像直接检测到,它将获得一个非常复杂的结果,如图 2 (e)。执行下一个测试将导致一个非常复杂的计算。

为了解决帧差分法的问题,我们已经改进的两个部分:首先,扩大操作生成的二进制映像可以填补这一漏洞,如图 2 (g),可以看出,结果得到了改进: (3) F d x , y = 马克斯 F t x + x ′ , y + y ′ x ′ , y ′ : 元素 x ′ , y ′ ≠ 0 , 在哪里 x ′ , y ′ 表示内核使用,找到当地最大的扩张是操作,内核的图像卷积,最大值的像素区域覆盖内核计算,最大值是分配给图像中的像素。这种方法可以填补形象。 F d x , y 是扩张的结果,如图 2 (f)。

从图可以看出 2 (f),它可以提高;例如,矩形非常接近对方,可以组合。因此,一个距离优化方法提出了基于坐标象限。的步骤如下: (1)

做一个二维坐标系统的一个矩形的左上角为原点,和另一个矩形的左上角的象限。

为了减少计算的复杂性和一定距离,合并执行,如果比这个大,不执行处理只要两个矩形之间的距离小于。我们距离优化结果扩展二进制图像如图 2 (h)。可以看出,我们的方法是合理的并执行得很好。

在完成上述阶段,类似的区域合并,左上角和右下角的坐标的角落区域交付给颜色检测完成运动检测模块。使用帧差检测,一个典型的检测结果如图 3。它显示了运动检测的结果的过程。图 3(一个)显示了原始图像的监控摄像头。图 3 (b)是帧差的结果,实际的移动像素干扰,和图吗 3 (c)是最后的运动检测结果后,优化的过程。有火像素,但无火灾像素在右下角。

静态火焰图像的最明显的特征是颜色。根据火焰图像的RGB颜色直方图,火焰的红色通道值大于绿色通道的值,和绿色通道值大于蓝色通道。根据火焰面积直方图,上面的红色通道存在一个固定的值,在红色通道和每个像素值大于这个值。图 4显示了火焰区域之间的对应关系和RGB颜色模型。蓝色表示火焰像素的值在蓝色通道,绿色表示火焰像素的值在绿色通道,和红色代表火像素的值在红色通道。的 x设在表示像素的大小。值范围(0 - 255)。的 y设在显示了频率。

RGB模型更适合的颜色,但它不是很适合人类的解释。一般来说,更适合彩色图像RGB模型生成,而恒生指数模型适用于图像描述( 35]。鉴于饱和度之间的关系在恒生指数模型和S组件 R组件在RGB模型中,更新决策函数使颜色检测更准确。RGB模型和HSI模型决策函数 (5) 条件 1 : R > τ , 条件 2 : R > G > B , 条件 3 : 年代 > 0.2 , 条件 4 : 运动矩形, F n + 1 = 如果条件 1 和条件 2 和条件 3 和条件 4 candidates-fire-pixel 其他的 nonfire-pixel 。

其中,在条件1中, R的像素值吗 R在RGB图像通道, τ 是火焰像素的固定阈值的吗 R通道。一般来说,我们将它设置为150。条件2表示 R通道像素值大于 G通道的RGB图像和像素值 G通道像素值大于 B通道的像素值。条件3表明,将RGB模型转换为HSI模型后,相应的饱和值大于0.2。

火焰由普通相机拍摄的图像并不丰富的颜色,所以我们放松的颜色要求在第一个三个步骤。确保火灾图像不是错误地筛选在火预处理阶段,所以用普通相机拍摄的图像也可以是有效的。最后一步给入口验证过程。条件4表明前面的过程的结果是用作颜色检测输入图像。在运动检测阶段,我们最终计算矩形的位置运动像素所在的地方。由于火焰的动态特性,第一步是删除无火灾像素和保留火像素与火焰候选像素,这样我们可以执行火焰的颜色检测基于运动提供的运动检测的范围。因为它是必要的检测每个像素的三个通道的RGB颜色检测阶段,有大量的计算问题在传统的颜色检测方法时,图像质量高,如1280∗720决议。我们提出了一种预处理阶段,取得了显著增加计算速度而不降低精度。它将在实验结果部分解释。最后,在颜色检测阶段,我们计算每一帧的像素数量的火焰和质心坐标和其他数据,用于提取火焰的下一阶段的高级特性。 Figure 5显示检测处理,颜色和图 5 (b)显示了火焰像素颜色检测结果。为了确保火焰像素不移除在预处理阶段,我们放松的颜色检测条件,一些非火焰像素可能生成的。因此,需要进一步的验证。如图 5 (c),我们比较颜色检测和运动检测的结果。候选人可以降低火焰区域来提高精度。同时,我们计算后的火焰矩形质心预处理阶段,这是方便检测火焰空间变异性的下一个阶段。质心公式所示以下方程: (6) x c , y c = 2 ∗ 矩形 。 x + 矩形 。 宽度 2 , 2 ∗ 矩形 。 y + 矩形 。 嗨! 2 , 在哪里 x c , y c 质心的坐标, 矩形 是矩形的火焰像素, 矩形 。 x 是矩形 X 协调的价值, 矩形 。 y 的值是长方形吗 Y 坐标, 矩形 。 宽度 矩形的宽度, 矩形 。 嗨! 是矩形的高。

对火焰图像进行运动检测后,我们可以通过运动获得运动像素图像检测。因此,在第一步,不移动的对象可以被删除,但一些非火焰像素移动可能依然存在。颜色检测后,非火焰像素中,可以看到在图 6。

第一个特性是火焰的形状。气流和燃烧特性将导致一个连续变化的火焰形状,我们使用这个特性来区分其他移动物体和真正的火焰。我们使用凸壳计算防火区边界的障碍。点的凸包是一组给定的二维平面上,并连接形成的凸多边形最外层的点。凸包可以包含所有点在给定的点集。凸包的公式如下: (7) r = R ch R p , (8) R p = ∑ 我 = 0 n x 我 − x 我 − 1 2 + y j − y j − 1 2 , 在哪里 R ch 的周长是凸包和 R p 火的周长是边界。周边的凸包计算使用快速凸包算法提出的理发师等。 36]。 r 的比例是物体的轮廓凸包的对象,范围是(1 - 0)。一般来说,的价值 r 更接近于零,物体的形状有明显的障碍。越接近 r 到达一个,普通物体的形状。如果该值的 r 是1,这表明没有火焰图像。 R p 计算使用公式( 8); x 我 , y j 和 x 我 − 1 , y j − 1 相邻像素的坐标是连接的边界地区。火焰凸包测试的实验结果如图所示 7。图 7(一)显示了原始测试结果和图 7 (b)显示的结果设定一定的阈值。边界规则删除的对象。之间的对比照片证明我们使用的方法是有效的。

图 7是凸包检测的结果。其中,图像中的红色轮廓代表火焰区域的周长,和绿色轮廓代表了凸包的周长。复杂对象的特点是表达的凸包。从图可以看出 7 (b),由于无序外部火焰的形状,无火灾区域图 7 (b)是删除。由于水流和建筑阴影的变化引起的阳光,不移动的物体(救生圈)满足预处理条件,如图 7 (c)。使用凸包检测可以消除干扰,但这还不够只使用凸包,因为员工张开双臂满足凸包检测条件,如图 7 (d),所以我们需要结合其他功能来提高识别精度。

根据动态和障碍的火焰,火焰总是在改变,所以火焰像素的数量在每一帧图像包含火焰是不断变化的。我们结合检测结果与火预处理阶段,计算候选火焰像素的每一帧图像,并与下一帧图像。上、下框架的一个代表性的例子图像火焰检测如图 8。检测公式如下: (9) R v = 年代 n + 1 − 年代 n 年代 n + 1 , (10) 年代 n = ∑ x , y ∈ Ω 我 f x , y 。

在公式(9), 年代 n + 1 是检测到火焰像素的数量在当前帧和 年代 n 是检测到火焰像素的数量在前一帧。 R v 火焰像素的比例是区别这两个在当前图像帧,范围从0 - 1。如果该值的 R v 趋向于零,浮动变化小。如果该值的 R v 往往一个,这意味着变化很大。同时,如果该值 R v 是零,当前图像不满足火焰属性。在公式( 10), 年代 n 是检测到火焰像素的数量在前一帧和 Ω 我 是一个连接的地区,需要测量。 f x , y 是二进制图像像素的值。

在上面的分析中,火焰通常是动态的,形状是不断变化的。然而,从图像序列,火焰在连续图像有一定程度的相似性,和火焰的变化有一定的范围,如图 9和 10。图 9显示了移动物体的质心的变化,完成了火预处理阶段;质心无火焰对象的范围不同,没有一定的范围。图 10显示了火焰质心的变化随着时间的推移,和12帧的火焰质心图像有一定的相似之处。结果表明,火焰有一个相对稳定的空间重心在连续时间。基于上述性质,我们添加了时间的概念提取火焰特性。

在火灾探测方法的研究,我们通常使用单个或两个连续帧图像进行研究。根据上面的属性,我们添加一个时间向量的传统检测方法协助判断。一个算法的相对稳定火焰重心提出了基于时空关系,如图 11。我们使用的坐标轴表示。的 X 设在和 Y 设在代表的是单一的形象,和 Z 设在表示向量的时间。通过这种方式,我们可以提取空间使用多个连续图像质心位置变化特征。质心公式所示( 6)。

在预处理模块,考虑到可能会有两个或两个以上的火灾,火焰的重心应根据位置分类。例如,在图 2,有两个火灾,所以我们需要考虑分组根据质心的位置,而不是默认的图像只有一个重心。我们创建了多个空间分类并保存视频图像的质心。在质心保存过程中,一方面,在运动检测阶段,我们合并一定距离的矩形,矩形之间的距离不是太近,并且每个重心在矩形的中心,因此矩形更大范围的重心。另一方面,火焰有一定偏差范围在连续帧。根据上述规定,连续帧的重心变化不是非常大;我们使用的强相关性特征上下帧组多目标的情况。例如,有两个火灾图像的初始状态,有两个重心在当前帧图像的检测。最后一个数组中添加重心是取出(前一帧)的重心,重心和数组之间最短的距离,和最短的重心放到对应的数组。因此,分组完成火焰形心的过程。

质心分类过程完成后,我们得到一系列的数据。根据我们提出的火焰空间可变性,我们提取的火焰质心数据 N帧来判断和价值 N相关的视频帧每秒的数量。当前图像的质心之间的距离和其他图像的质心,分别确定,计算距离的总和。质心检测公式所示( 11),160帧的质心距离无火灾图像(图 9)计算了16586年,真正的火(图 10)有一个重心距离1209年的结果。基于两个结果之间的差异,证明了该方法的有效性: (11) d 总和 = ∑ 我 = 1 N x c − x 我 2 + y c − y j 2 , N = 年代 ∗ 帧/秒 , 在哪里 d 总和 是重心变化的总和火焰空间的距离。如果该值的 d 总和 大,这表明,物体的运动不是在一定的范围内。如果该值的 d 总和 很小,这表明,物体的运动是在一定的范围内。 x c , y c 是当前质心位置, x 我 , y j 前面的质心位置。 N 视频帧的总数超过一段时间。 帧/秒 视频帧每秒, 年代 是时候使用。

尽管许多无火焰图片被删除在火预处理阶段,上述算法中使用单一火焰特性可能有以下问题。当男人穿衣服看起来像火,伸展双臂,它显示边界障碍就像火一样,但他们是不同的。当男人穿的衣服看起来像火一样蹲着,它显示的变化就像火一样,但他们是不同的。当男人穿的衣服看起来像火在一个小区域,它显示时空关系就像火一样,但他们是不同的。使用单一特征的火焰可能会导致上面的假警报,所以有必要融合火焰的各种特性,减少假阳性的检测。方法基于支持向量机(SVM)是用于引信的火焰特性。

支持向量机( 37)是一个非常成熟的分类模型。它可以通过构造一个超平面优化分类效果。支持向量机的灵活性处理线性和非线性分类问题。摘要支持向量机(SVM)是用于验证候选图像。

本文中的实验进行一个普通的桌面运行Windows 10、8 GB RAM和3.4 GHz酷睿i7处理器。要测试的性能检测系统,火焰数据集视频序列时应该包含多个火灾现场检测包括fire-colored目标为假阳性。最后,视频序列应该记录在一天的不同时刻。

我们使用一系列的测试视频火数据库( 35, 39- - - - - - 42),并添加实际的场景下程序运行,比如Video9 Video12。火灾数据用于支持这项研究的结果被存储在一个存储库( http://www.firedata.club)。它包含各种类型的火灾在各种地方。火灾的场景包括公路,户外,建筑内部,与森林,而火灾包括高速公路爆炸和火灾的性质在小地区,范围和领域。还包括森林火灾,在室内环境中,模拟火灾火灾附近建筑物和远离摄像头的监控区域,和火灾可以被误认为是其他fire-colored移动对象。一天中不同的时间包括日间和黄昏。照片拍摄在不同的时期。这种多样性使得更容易评估在不同的照明和质量条件下系统的性能。我们测试了该方法使用的火焰视频数据集的一部分。测试视频Video1-Video12,如图 12和数据集的视频详细信息如表所示 1。我们将数据集分为两部分:77%的数据被用于训练(Video13-Video52)和23%的数据用于测试(Video1-Video12)。

验证该方法的有效性,我们选择汗等的最新方法。 11和汉族等。 17)进行比较实验。我们的统计标准如下。首先,该计划需要正确识别和分类火情况。第二,我们需要检查是否在火灾中火焰区域分类图片是正确的。图 13展示了我们的方法之间的对比检测精度和其他算法。图 14比较我们的方法与其他算法的误报率。图 15展示了我们的方法的假阴性率与其他算法。图 16是该方法的执行速度的比较与最先进的技术。

首先,我们使用了两个评价指标。在一个模式识别任务中,我们需要定义真阳性和假阳性。我们使用区域级火焰检测执行统计数据的准确性和使用借据(十字路口在联盟)作为评价指标。十字路口的检测结果(检测结果)和地面真理是除以他们的联盟,这是检测的准确性。计算公式如下: (14) 借据 = 检测结果 ∩ 地面实况 检测结果 ∪ 地面实况 。

如果 借据 > 0.5 之间的预测盒和地面真理盒、预测框是一个“真正的积极(TP)”,否则,它是一个“假阳性(FP)”,我们衡量“假阴性(FN)”模式已经错过了(图的对象 17)。预测的边界框是红色的,和地面真理盒子是蓝色的。

分类器被定义为的准确性 (15) 精度 = TP + TN TP + 《外交政策》 + TN + FN 。

我们可以根据数据分析实验结果 13- - - - - - 16。从图可以看出 13,本文提出的算法具有较高的精度与[ 11]和[ 17]。

其次,根据图 14误报率的算法 11]和[ 17)检测误报率低和性能良好的视频普通火焰(Video1-Video7)。然而,非火焰图像的检测效果不是很好,特别是当目标和火焰非常相似,和误报率会更高。该算法执行比算法( 11]和[ 17在误报率。假阳性的原因在Video7无火焰目标之间存在重叠和火焰目标的视频。虽然火焰包含在检测的结果,这种情况不符合我们的统计标准,所以它被认为是一种假阳性。我们的方法仍然表现良好在复杂的场景(Video9-Video12,许多柱子类似于火焰,和员工穿的衣服看起来像火)。这是因为我们提取四个高级功能中非常有效的火焰和组合这些特性能够有效地减少假阳性的发生,提高算法的鲁棒性。然而,我们的算法也有局限性。例如,当员工工作在复杂的环境中,他或她的身体可能会被建筑物和造成假阳性,见Video10 Video12,或者当员工蹲在短时间内一定范围内(如Video11所示,快速改变发生在第二个)。Video11如图的假阳性结果 18。

第三,我们可以看到从图 15我们的算法有较低的假阴性率。在Video8-Video12由于没有火,我们删除了这部分数据的假阴性率统计数据。同时,该方法( 11)可能会导致假阴性率高,由于放弃小火焰。最后,我们可以看到从图 16所需的时间方法执行的检测方法的比较 11]和[ 17]。根据图中的数据(由于Video9-Video12需要很长的时间,我们根据700 -测试视频帧标准),我们发现,我们的方法可以更突出的优点时检测高分辨率视频(如Video1和Video9-Video12)。如果我们长期过程视频(如Video2),将成为明显的差距。我们可以看到,检测Video5也没太大的区别,这可能是由于低分辨率的视频(320∗240)和视频有更多的运动区域,但即使在这种情况下,我们可以看到,该方法一定优势。

从表可以看出 2排除任何的一个功能将影响算法的准确性。MC的代表了运动检测和颜色检测输入图像,BD代表火焰的障碍特征边界,交流代表火焰区域的变化特征,以及ST-C代表了质心火焰基于时空关系的稳定特性。从表可以看出 2,有大量的假阳性的检测结果MC。一个先进的火焰特性结合预处理结果准确性提高。三国高级功能,最好的贡献率独立交流。我们也可以看到,最终决定火焰的融合的四个特征(包括预处理功能)可以达到更高的精度和更低的误报率;与此同时,它会增加假阴性率。火焰的三个功能是相互独立的,没有重复的特性,因此基于火焰的multifeature融合的方法得到更好的精度。

阈值公式( 2)是非常重要的,对所有视频序列不是常数。表 3显示了阈值选择对检测结果的影响。从表可以看出 3阈值设置为20在大多数场景可以实现更好的结果,但是在遥远的拍摄的相机,如Video6、一个小阈值可以提高精度。如果关闭相机,如Video2 Video5, 30和Video11阈值可以达到更好的效果。

实验结果表明,基于multifeatures火灾探测算法的准确性提出了高于其他算法。同时,本文提出的算法显示性能优越在减少假阳性和假阴性。它是比其他算法更快、更稳定。算法所需的时间执行,该方法组合运动检测和颜色检测的预处理阶段,和预处理结果用于先进的提取火焰的特性,所以该方法大大减少了所需的时间计划。统计数据预处理阶段也缩短了计算时间。因此,该算法优于最先进的技术,才能真正满足实时火灾探测。

最后的试验结果表明,正确的检出率是95.29%,我们更好地结合火灾图像预处理模块检测速度更快,实现实时检测。根据实验结果,本文提出的基于multifeatures火灾探测算法可以准确地识别火灾和识别火灾在早期阶段。