第4期 严云洋，等.维度加权模式动态纹理特征的火焰检测 ·549. 态特征，反映的是图像或图像区域像素亮度值在空 进行分类识别，即根据火焰纹理3个维度单独作用 间中分布与组合的变化情况，通过纹理判别，可以 的识别率赋予相应的权重，再用支持向量机分类识 有效排除与火焰相近的一些干扰物。龙铭等]选 别。实验结果表明，本文算法相比S山hevanie等[u) 取反差、灰度相关、能量和逆差矩等4种纹理特征统 的算法在火焰识别准确率和检测效率上都有较大 计量，描述了火焰图像分割区域的灰度纹理特征： 的提高，在Bilkent大学火灾视频库的实验中，本文 严云洋等[和卢英)]等用多尺度局部二值模式 算法也表现出了较高的火焰检测率和较低的误 (local binary pattern,LBP)特征描述火焰的静态纹 检率。 理，从而得到更全面的火焰特征信息。卢英等[还 1 基于LMP-TOP的火焰动态纹理 提出了一种基于多尺度LBP与GBP纹理特征的火 焰识别算法，提高大空间建筑场景中基于视频图像 提取 的火灾的识别率。张彤等5刃对火焰纹理的局部二 通常情况下，视频序列可以看成XY平面在时 值模式进行了不同方向的研究。实际上，火焰不仅 间轴T上的堆积，然而，它其实也是XT平面在Y轴 有静态时特定的纹理，也有动态时纹理的某些变化 上的堆积或者T平面在X轴上的堆积。Y平面 特征。比如火焰区域的某些像素灰度值在时域上 代表了物体的表观信息，XT平面给出了某一行随着 会有较大的变化，特别是处于火焰边缘区域的像 时间变化的视觉信息，而YT平面则给出了某一列 素。邵婧等提出了一种基于动态纹理特征分析 随着时间变化的视觉信息，如图1所示，左边为400 的新型图像型火灾检测算法；赵亚琴)提出一种利 ×300×250的视频序列。Zhao等[山对视频序列除 用旅行者行为图论的火灾火焰视频动态纹理分析 边界外的所有像素分别提取XY、XT、YT3个正交平 与识别方法：Audrey等[io]则利用简单的纹理描述器 面的LBP,然后将它们连接成一个特征直方图，处理 去说明大约98%的火焰检测。可见火焰的静、动态 过程如图2所示。通过这种方法，就同时考虑了纹 纹理对火焰的识别都是有效的，如果在提取火焰静 理在时间和空间上的信息。对于XY、XT、YT3个平 态纹理特征的同时，能恰当地描述火焰的动态纹 面的邻域采样点个数和X、Y、T3个方向的半径都可 理，将有助于更准确地描述火焰，从而提高火焰检 以不同，它们分别被表示为P、PT、Pr以及Rx 测的准确率；Zhao等)对LBP进行了较为合理的 Ry、R,这样相应的动态纹理特征就被标记为 扩展，提出了具有代表性的卷积局部二值模式 (volume local binary pattern,VLBP),把时域信息融 LBP-TOP 入动态纹理中。同时，为了减少计算量和使算子更 容易扩展，又提出仅仅考虑3个正交平面上的2维 LBP模式，得到了三正交平面局部二值模式(three orthogonal planes local binary pattern,LBP-TOP ) 并将该方法用于人脸表情识别，取得了显著的成 果。许多研究表明LBP-TOP在描述动态纹理方面 能取得不错的效果。Xu等[]将其用于拥挤场景中 检测不寻常的事件：Sthevanie等]将LBP-TOP稍 作改变用于火焰动态纹理识别，以加速火焰识别过 程，并用KNN算法对火焰视频与非火焰视频进行 (a)400×300x250的视频 分类。 本文考虑到有些火焰呈现大面积白色，表面相 对平滑，如果按照Sthevanie等[)]方法，将火焰XY 平面的纹理特征用LTP)表示，在阈值的作用下静 态纹理模式将过于集中，不利于与其他干扰物区 别。因此本文将八邻域的LBP2[s]作为XY平面的 静态纹理特征描述子，在尽可能保留火焰静态纹理 模式的同时，不至于维数过多。同时，Sthevanie 等]用KNN算法对火焰纹理的三维特征进行分类 识别，考虑到3个维度的特征串联维数较多，用 KNN算法效率较低，本文用维度加权的支持向量机 (b)XY平面视觉效果态特征，反映的是图像或图像区域像素亮度值在空 间中分布与组合的变化情况，通过纹理判别，可以 有效排除与火焰相近的一些干扰物。 龙铭等［１］ 选 取反差、灰度相关、能量和逆差矩等 ４ 种纹理特征统 计量，描述了火焰图像分割区域的灰度纹理特征； 严云洋等［２］ 和卢英［３］ 等用多尺度局部二值模式 （ｌｏｃａｌ ｂｉｎａｒｙ ｐａｔｔｅｒｎ，ＬＢＰ） 特征描述火焰的静态纹 理，从而得到更全面的火焰特征信息。 卢英等［４］ 还 提出了一种基于多尺度 ＬＢＰ 与 ＧＢＰ 纹理特征的火 焰识别算法，提高大空间建筑场景中基于视频图像 的火灾的识别率。 张彤等［５－７］ 对火焰纹理的局部二 值模式进行了不同方向的研究。 实际上，火焰不仅 有静态时特定的纹理，也有动态时纹理的某些变化 特征。 比如火焰区域的某些像素灰度值在时域上 会有较大的变化，特别是处于火焰边缘区域的像 素。 邵婧等［８］ 提出了一种基于动态纹理特征分析 的新型图像型火灾检测算法；赵亚琴［９］ 提出一种利 用旅行者行为图论的火灾火焰视频动态纹理分析 与识别方法；Ａｕｄｒｅｙ 等［１０］则利用简单的纹理描述器 去说明大约 ９８％的火焰检测。 可见火焰的静、动态 纹理对火焰的识别都是有效的，如果在提取火焰静 态纹理特征的同时，能恰当地描述火焰的动态纹 理，将有助于更准确地描述火焰，从而提高火焰检 测的准确率；Ｚｈａｏ 等［１１］ 对 ＬＢＰ 进行了较为合理的 扩展，提 出 了 具 有 代 表 性 的 卷 积 局 部 二 值 模 式 （ｖｏｌｕｍｅ ｌｏｃａｌ ｂｉｎａｒｙ ｐａｔｔｅｒｎ，ＶＬＢＰ），把时域信息融 入动态纹理中。 同时，为了减少计算量和使算子更 容易扩展，又提出仅仅考虑 ３ 个正交平面上的 ２ 维 ＬＢＰ 模式，得到了三正交平面局部二值模式（ ｔｈｒｅｅ ｏｒｔｈｏｇｏｎａｌ ｐｌａｎｅｓ ｌｏｃａｌ ｂｉｎａｒｙ ｐａｔｔｅｒｎ， ＬＢＰ⁃ＴＯＰ ）。 并将该方法用于人脸表情识别，取得了显著的成 果。 许多研究表明 ＬＢＰ⁃ＴＯＰ 在描述动态纹理方面 能取得不错的效果。 Ｘｕ 等［１２］将其用于拥挤场景中 检测不寻常的事件；Ｓｔｈｅｖａｎｉｅ 等［１３］ 将 ＬＢＰ⁃ＴＯＰ 稍 作改变用于火焰动态纹理识别，以加速火焰识别过 程，并用 ＫＮＮ 算法对火焰视频与非火焰视频进行 分类。 本文考虑到有些火焰呈现大面积白色，表面相 对平滑，如果按照 Ｓｔｈｅｖａｎｉｅ 等［１３］ 方法，将火焰 ＸＹ 平面的纹理特征用 ＬＴＰ ［１４］表示，在阈值的作用下静 态纹理模式将过于集中，不利于与其他干扰物区 别。 因此本文将八邻域的 ＬＢＰ ｕ２ ［１５］ 作为 ＸＹ 平面的 静态纹理特征描述子，在尽可能保留火焰静态纹理 模式 的 同 时， 不 至 于 维 数 过 多。 同 时， Ｓｔｈｅｖａｎｉｅ 等［１３］用 ＫＮＮ 算法对火焰纹理的三维特征进行分类 识别，考虑到 ３ 个维度的特征串联维数较多，用 ＫＮＮ 算法效率较低，本文用维度加权的支持向量机 进行分类识别，即根据火焰纹理 ３ 个维度单独作用 的识别率赋予相应的权重，再用支持向量机分类识 别。 实验结果表明，本文算法相比 Ｓｔｈｅｖａｎｉｅ 等［１３］ 的算法在火焰识别准确率和检测效率上都有较大 的提高，在 Ｂｉｌｋｅｎｔ 大学火灾视频库的实验中，本文 算法也表现出了较高的火焰检测率和较低的误 检率。 １ 基于 ＬＭＰ⁃ＴＯＰ 的火焰动态纹理 提取 通常情况下，视频序列可以看成 ＸＹ 平面在时 间轴 Ｔ 上的堆积，然而，它其实也是 ＸＴ 平面在 Ｙ 轴 上的堆积或者 ＹＴ 平面在 Ｘ 轴上的堆积。 ＸＹ 平面 代表了物体的表观信息，ＸＴ 平面给出了某一行随着 时间变化的视觉信息，而 ＹＴ 平面则给出了某一列 随着时间变化的视觉信息，如图 １ 所示，左边为 ４００ ×３００×２５０ 的视频序列。 Ｚｈａｏ 等［１１］ 对视频序列除 边界外的所有像素分别提取 ＸＹ、ＸＴ、ＹＴ ３ 个正交平 面的 ＬＢＰ，然后将它们连接成一个特征直方图，处理 过程如图 ２ 所示。 通过这种方法，就同时考虑了纹 理在时间和空间上的信息。 对于 ＸＹ、ＸＴ、ＹＴ ３ 个平 面的邻域采样点个数和 Ｘ、Ｙ、Ｔ ３ 个方向的半径都可 以不同，它们分别被表示为 ＰＸＹ 、ＰＸＴ 、ＰＹＴ 以及 ＲＸ 、 ＲＹ 、ＲＴ ， 这 样 相 应 的 动 态 纹 理 特 征 就 被 标 记 为 ＬＢＰ⁃ＴＯＰ ＰＸＹ ，ＰＸＴ ，ＰＹＴ ，ＲＸ ，ＲＹ ，ＲＴ ［１１］ 。 （ａ）４００×３００×２５０ 的视频 （ｂ）ＸＹ 平面视觉效果 第 ４ 期 严云洋，等：维度加权模式动态纹理特征的火焰检测 ·５４９·