第2期 吴茜茵，等：多特征融合的火焰检测算法 .243. X,所有包含X的凸集为K,则K的交集S为X的凸 式中：g。为中心像素灰度值，g:为邻域像素灰度值， 包，如式(7)所示： r为邻域半径，p为邻域像素点个数，ROR为向右循 S-xehcr K (7) 环算子，LBP,为LBP方法最初的计算公式。 在本文中，凸包是指包含某个疑似火焰连通域 LBPp,=】 6,-g)×2 像素的最小凸集，即式(7)中X为疑似火焰连通域 =0 像素。则边界粗糙度B.的计算公式如式(8)： 1,x≥0 s(x)= BR L/LCH (8) (0,其他 式中：L4为凸包的周长，L为物体所在区域周长。 2.2形状结构特征的选择及融合 2.1.6纹理特征 由于Bilkent大学的火灾视频库样本较少，因此 纹理特征是一种分层特性，在火灾发生时，由于火 本文构建了一个图片库，其中100幅火焰图片和 焰内部温度的不均匀性，使得不同像素点的灰度级空 100幅非火焰图片作为训练库，300幅火焰图片和 间分布不同，从而导致火焰具有纹理分布的特性。 200幅非火焰图片作为检测库，图片大小均为320× 一般常见的火灾主要有建筑火灾、森林火灾等，这些火 240,图2为图片库中火焰图片和非火焰图片示例。 灾都属于固体燃烧物火灾，这类火灾的火焰纹理大致 可分为2层：火焰部分以及固体表面部分。 在火焰检测中，纹理是一个较为显著的形状结 构特征，除了可区分一些无纹理的干扰物（如红旗 (a)火焰图片示例 等)，还可区分纹理与火焰差别较大的干扰物（如黄 土地等)。本文采用Ojala等川提出的局部二值模 式(local binary patterns,LBP)方法提取火焰纹理特 (b)非火焰图片示例 征，根据文献[o]的结论，结合统一、旋转不变以及旋 转统一不变3种LBP方法所提取的纹理特征准确 图2图片库中火焰图片和非火焰图片示例 率最高，3种LBP方法的公式定义为 Fig.2 Fire and non-fire image examples 通过式(2)得到疑似火焰区域后，提取上述的6 U(LBP,,)= I(Eag.)-(g.) 类疑似火焰区域的形状结构特征并归一化，采用 k=0 LBP=min ROR(LBP) SVM方法进行小样本训练并分类。表1为各个形 0 状结构特征的分类结果比较，其中数字F,~F。代 p- ∑s(g-g),U(LBP)≤2 表了6类特征，分别为：圆形度、矩形度、长宽比、重 =0 心高度系数、边界粗糙度和纹理特征。 p+1,其他 表1形状结构特征分类结果 Table 1 Classification results by shape and structure features 准确分 火焰图片准确分类非火焰图 特征 准确分类分类准确平均处理 类火焰 分类准确非火焰图片分类准 图片数 率/% 时间/s 图片数 率/% 片数 确率/% F 226 75.3 122 61.0 348 69.6 0.0124 F2 251 83.7 102 54.0 359 71.8 0.0124 F 139 46.3 138 69.0 277 55.4 0.0003 F 233 77.7 161 80.5 394 78.8 0.0125 F 212 70.7 126 63.0 338 67.6 0.0062 Fo 247 82.3 170 85.0 417 83.4 1.0367 由表1可以看出，长宽比的分类效果最差，因此 对形状结构特征进行融合时摒弃长宽比特征：纹理Ｘ ，所有包含 Ｘ 的凸集为 Ｋ ，则 Ｋ 的交集 Ｓ 为 Ｘ 的凸 包，如式（７）所示： Ｓ ＝ ∩Ｘ⊆Ｋ⊆Ｖ Ｋ （７） 在本文中，凸包是指包含某个疑似火焰连通域 像素的最小凸集，即式（７）中 Ｘ 为疑似火焰连通域 像素。 则边界粗糙度 ＢＲ 的计算公式如式（８）： ＢＲ ＝ Ｌ ／ ＬＣＨ （８） 式中： ＬＣＨ 为凸包的周长， Ｌ 为物体所在区域周长。 ２．１．６ 纹理特征 纹理特征是一种分层特性，在火灾发生时，由于火 焰内部温度的不均匀性，使得不同像素点的灰度级空 间分布不同，从而导致火焰具有纹理分布的特性［１０］ 。 一般常见的火灾主要有建筑火灾、森林火灾等，这些火 灾都属于固体燃烧物火灾，这类火灾的火焰纹理大致 可分为 ２ 层：火焰部分以及固体表面部分。 在火焰检测中，纹理是一个较为显著的形状结 构特征，除了可区分一些无纹理的干扰物（如红旗 等），还可区分纹理与火焰差别较大的干扰物（如黄 土地等）。 本文采用 Ｏｊａｌａ 等［１７］ 提出的局部二值模 式（ｌｏｃａｌ ｂｉｎａｒｙ ｐａｔｔｅｒｎｓ，ＬＢＰ）方法提取火焰纹理特 征，根据文献［１０］的结论，结合统一、旋转不变以及旋 转统一不变 ３ 种 ＬＢＰ 方法所提取的纹理特征准确 率最高，３ 种 ＬＢＰ 方法的公式定义为 Ｕ（ＬＢＰｐ，ｒ） ＝ ∑ ｐ－１ ｋ ＝ ０ ｓ（ｇ（ｋ＋１）ｍｏｄｐ － ｇｃ） － ｓ（ｇｋ － ｇｃ） ＬＢＰ ｒｋ ｐ，ｒ ＝ ｍｉｎ ０≤ｉ≤ｐ－１ ｛ＲＯＲ（ＬＢＰｐ，ｒ，ｋ）｝ ＬＢＰ ｒｋｎ２ ｐ，ｒ ＝ ∑ ｐ－１ ｋ ＝ ０ ｓ（ｇｋ － ｇｃ）， Ｕ（ＬＢＰｐ，ｒ） ≤ ２ ｐ ＋ １，其他 ì î í ï ï ïï 式中： ｇｃ 为中心像素灰度值， ｇｋ 为邻域像素灰度值， ｒ 为邻域半径， ｐ 为邻域像素点个数，ＲＯＲ 为向右循 环算子， ＬＢＰｐ，ｒ 为 ＬＢＰ 方法最初的计算公式。 ＬＢＰｐ，ｒ ＝ ∑ ｐ－１ ｉ ＝ ０ ｓ（ｇｋ － ｇｃ） × ２ ｉ ｓ（ｘ） ＝ １，ｘ ≥ ０ { ０，其他 ２．２ 形状结构特征的选择及融合 由于 Ｂｉｌｋｅｎｔ 大学的火灾视频库样本较少，因此 本文构建了一个图片库，其中 １００ 幅火焰图片和 １００ 幅非火焰图片作为训练库，３００ 幅火焰图片和 ２００ 幅非火焰图片作为检测库，图片大小均为 ３２０× ２４０，图 ２ 为图片库中火焰图片和非火焰图片示例。 图 ２ 图片库中火焰图片和非火焰图片示例 Ｆｉｇ．２ Ｆｉｒｅ ａｎｄ ｎｏｎ⁃ｆｉｒｅ ｉｍａｇｅ ｅｘａｍｐｌｅｓ 通过式（２）得到疑似火焰区域后，提取上述的 ６ 类疑似火焰区域的形状结构特征并归一化，采用 ＳＶＭ 方法进行小样本训练并分类。 表 １ 为各个形 状结构特征的分类结果比较，其中数字 Ｆ１ ～ Ｆ６ 代 表了 ６ 类特征，分别为：圆形度、矩形度、长宽比、重 心高度系数、边界粗糙度和纹理特征。 表 １ 形状结构特征分类结果 Ｔａｂｌｅ １ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｒｅｓｕｌｔｓ ｂｙ ｓｈａｐｅ ａｎｄ ｓｔｒｕｃｔｕｒｅ ｆｅａｔｕｒｅｓ 特征 准确分 类火焰 图片数 火焰图片 分类准确 率／ ％ 准确分类 非火焰图 片数 非火焰图 片分类准 确率／ ％ 准确分类 图片数 分类准确 率／ ％ 平均处理 时间／ ｓ Ｆ１ ２２６ ７５．３ １２２ ６１．０ ３４８ ６９．６ ０．０１２ ４ Ｆ２ ２５１ ８３．７ １０２ ５４．０ ３５９ ７１．８ ０．０１２ ４ Ｆ３ １３９ ４６．３ １３８ ６９．０ ２７７ ５５．４ ０．０００ ３ Ｆ４ ２３３ ７７．７ １６１ ８０．５ ３９４ ７８．８ ０．０１２ ５ Ｆ５ ２１２ ７０．７ １２６ ６３．０ ３３８ ６７．６ ０．００６ ２ Ｆ６ ２４７ ８２．３ １７０ ８５．０ ４１７ ８３．４ １．０３６ ７ 由表 １ 可以看出，长宽比的分类效果最差，因此 对形状结构特征进行融合时摒弃长宽比特征；纹理 第 ２ 期 吴茜茵，等：多特征融合的火焰检测算法 ·２４３·