第2期 吴茜茵，等：多特征融合的火焰检测算法 ·241· 展状况等信息，给火灾的预防和及时消防带来困难。 该方法能很好地排除黄绿色和灰色区域，且弥补火 不同于传统的传感器检测方法，视频火焰检测不仅 焰区域内部的空洞，得到较为完整的火焰区域。然 适用于多种场景，而且能准确检测出火焰的相关信 后提出了一种融合多种形状结构特征的快速火焰检 息，对于早期的火焰检测效果较好。 测方法，最后使用支持向量机进行分类识别。实验 火焰的静态特征基于单帧图像获得)，包括颜 结果表明，该方法检测效果好，算法复杂度较低，具 色特征、轮廓特征和结构特征等。火焰有着显著的 有较好的应用前景。 颜色特征，大部分视频火焰的颜色检测方法均基于 1 RGB空间，还可结合HSI、HSV、YCbCr等颜色空间 火焰的颜色特征提取 以得到更为准确的火焰区域。严云洋等)对RGB 受到温度、燃烧物材料和燃烧充分程度等影响， 色彩模型进行了改进，通过RGB线性变换后的正交 火焰具有特殊的颜色分布规律，呈现为显著且高亮 颜色特征提取疑似火焰区域，计算简单有效，且可消 的红色和黄色，在RGB和HSI空间中，各分量间都 除光照影响。Chen等[a采用混合高斯模型对RGB 有着特定的关系。Chen等Is)用RGB和HsI颜色模 和HSV颜色信息进行建模，并得到概率密度分布函 型对火焰进行动态分析，总结出的3条表达式如式 数，再通过帧间差分法检测运动像素。但该方法鲁 (1)所示。 棒性较差，颜色与火焰相近的运动物体以及被火焰 规则1：R≥G≥B 照亮的物体易被误检。Chen等Is)用RGB和HSI颜 规则2：R≥R (1) 色模型对火焰进行动态分析，但由于该方法只在相 规则3：S≥(255-R)×S,/R, 邻2帧间做了差分比较，因此不适用于判别噪声较 式中：R、B、G是火焰的红、蓝、绿颜色分量，R为像 多的火焰视频。Habiboglu等[改进了Chen等s]的 素点的红色分量阈值，S,为像素点的饱和度阈值， 方法，提出了一种基于块的时空协方差视频火焰检 R,∈[115,135]，S,∈[45,60]。但该方法容易造 测系统，采用HSI和RGB空间提取火焰颜色区域， 成火焰内部空洞，且容易将枯黄的草地、火焰燃烧时 并采用SVM分类器训练和测试。王莹等)提出了 产生的浓烟等误判为火焰。为此，对该方法进行改 一种基于RGB、HSV、YCbCr3种颜色空间的火焰颜 进，总结了5条规则，并建立了新的火焰色彩模型， 色模型，提取的火焰区域较为完整。火焰的轮廓和 如式(2)所示。 结构特征可用圆形度、矩形度、纹理、边界粗糙度、重 规则1：R≥B,G≥B 心高度系数等进行度量[)。Chen等)利用圆形度 规则2：R≥R, 表示火焰边界的复杂度，区分边界规则的干扰物 规则3：S≥(255-R)×S,/R, (如灯光、烟头等)。严云洋等1采用局部二值模 式方法提取疑似火焰区域的多尺度纹理特征，并输 R≥Rh,G≥Gh (2) 人到支持向量机中进行识别。Lei等结合纹理、 规则4：{或 面积变化等特征，采用贝叶斯分类器进行火焰识别， T,≥Th1,T2≥Th2 但该方法对于行驶的车辆等运动干扰物区分度不 规则5：T2+T3≥Th 大。Yang等2]融合圆形度、质心位移、面积变化、 式中：T1=|R-G,T2=|G-B|,T3=|R-B|, 周长变化以及圆形度变化等特征，输入到支持向量 .、G是改进后火焰的红色分量和绿色分量的阈 机中进行分类。Zhang等)]利用傅里叶描述子提取 值，Th1、Th2、Th分别是T,、T2、T2+T3的阈值。对 轮廓特征，并利用支持向量机进行判别，该方法能较 比式(1)和式(2)可以看出，本文将原来的规则1做 好地区分太阳、灯泡等轮廓较为规则的干扰物。 了修改，并且增加了规则4及规则5。经过大量实 Zhao等[1]不仅提取了颜色、圆形度、轮廓、纹理等静 验发现，火焰区域内的部分高亮区域（尤其是黄色 态特征，还提取了闪频、面积变化等动态特征，共组 高亮区域)并不满足R≥G,因此将规则1修改为 成一个27维的特征向量放入支持向量机中进行检 R≥B,G≥B。由于白色的RGB值为(255,255， 测，该方法对森林火灾的检测结果较好。 255),而高亮的橙色和黄色R分量值和G分量值很 本文基于RGB和HSI颜色空间，用总结的5条 高，B分量值相对较低，因此通过规则5可在保留火 规则建立新的火焰色彩模型并提取疑似火焰区域， 焰内部高亮区域的同时排除天空中的白色区域，式展状况等信息，给火灾的预防和及时消防带来困难。 不同于传统的传感器检测方法，视频火焰检测不仅 适用于多种场景，而且能准确检测出火焰的相关信 息，对于早期的火焰检测效果较好。 火焰的静态特征基于单帧图像获得［２］ ，包括颜 色特征、轮廓特征和结构特征等。 火焰有着显著的 颜色特征，大部分视频火焰的颜色检测方法均基于 ＲＧＢ 空间，还可结合 ＨＳＩ、ＨＳＶ、ＹＣｂＣｒ 等颜色空间 以得到更为准确的火焰区域。 严云洋等［３］ 对 ＲＧＢ 色彩模型进行了改进，通过 ＲＧＢ 线性变换后的正交 颜色特征提取疑似火焰区域，计算简单有效，且可消 除光照影响。 Ｃｈｅｎ 等［４］ 采用混合高斯模型对 ＲＧＢ 和 ＨＳＶ 颜色信息进行建模，并得到概率密度分布函 数，再通过帧间差分法检测运动像素。 但该方法鲁 棒性较差，颜色与火焰相近的运动物体以及被火焰 照亮的物体易被误检。 Ｃｈｅｎ 等［５］用 ＲＧＢ 和 ＨＳＩ 颜 色模型对火焰进行动态分析，但由于该方法只在相 邻 ２ 帧间做了差分比较，因此不适用于判别噪声较 多的火焰视频。 Ｈａｂｉｂｏｇｌｕ 等［６］改进了 Ｃｈｅｎ 等［５］的 方法，提出了一种基于块的时空协方差视频火焰检 测系统，采用 ＨＳＩ 和 ＲＧＢ 空间提取火焰颜色区域， 并采用 ＳＶＭ 分类器训练和测试。 王莹等［７］ 提出了 一种基于 ＲＧＢ、ＨＳＶ、ＹＣｂＣｒ ３ 种颜色空间的火焰颜 色模型，提取的火焰区域较为完整。 火焰的轮廓和 结构特征可用圆形度、矩形度、纹理、边界粗糙度、重 心高度系数等进行度量［８］ 。 Ｃｈｅｎ 等［９］ 利用圆形度 表示火焰边界的复杂度，区分边界规则的干扰物 （如灯光、烟头等）。 严云洋等［１０］ 采用局部二值模 式方法提取疑似火焰区域的多尺度纹理特征，并输 入到支持向量机中进行识别。 Ｌｅｉ 等［１１］ 结合纹理、 面积变化等特征，采用贝叶斯分类器进行火焰识别， 但该方法对于行驶的车辆等运动干扰物区分度不 大。 Ｙａｎｇ 等［１２］ 融合圆形度、质心位移、面积变化、 周长变化以及圆形度变化等特征，输入到支持向量 机中进行分类。 Ｚｈａｎｇ 等［１３］利用傅里叶描述子提取 轮廓特征，并利用支持向量机进行判别，该方法能较 好地区分太阳、 灯泡等轮廓较为规则的干扰物。 Ｚｈａｏ 等［１４］不仅提取了颜色、圆形度、轮廓、纹理等静 态特征，还提取了闪频、面积变化等动态特征，共组 成一个 ２７ 维的特征向量放入支持向量机中进行检 测，该方法对森林火灾的检测结果较好。 本文基于 ＲＧＢ 和 ＨＳＩ 颜色空间，用总结的 ５ 条 规则建立新的火焰色彩模型并提取疑似火焰区域， 该方法能很好地排除黄绿色和灰色区域，且弥补火 焰区域内部的空洞，得到较为完整的火焰区域。 然 后提出了一种融合多种形状结构特征的快速火焰检 测方法，最后使用支持向量机进行分类识别。 实验 结果表明，该方法检测效果好，算法复杂度较低，具 有较好的应用前景。 １ 火焰的颜色特征提取 受到温度、燃烧物材料和燃烧充分程度等影响， 火焰具有特殊的颜色分布规律，呈现为显著且高亮 的红色和黄色，在 ＲＧＢ 和 ＨＳＩ 空间中，各分量间都 有着特定的关系。 Ｃｈｅｎ 等［５］用 ＲＧＢ 和 ＨＳＩ 颜色模 型对火焰进行动态分析，总结出的 ３ 条表达式如式 （１）所示。 规则 １：Ｒ ≥ Ｇ ≥ Ｂ 规则 ２：Ｒ ≥ Ｒｔ 规则 ３：Ｓ ≥ （２５５ － Ｒ） × Ｓｔ ／ Ｒｔ ì î í ï ï ï ï （１） 式中： Ｒ、Ｂ、Ｇ 是火焰的红、蓝、绿颜色分量， Ｒｔ 为像 素点的红色分量阈值， Ｓｔ 为像素点的饱和度阈值， Ｒｔ ∈ [１１５，１３５] ，Ｓｔ ∈ [４５，６０] 。 但该方法容易造 成火焰内部空洞，且容易将枯黄的草地、火焰燃烧时 产生的浓烟等误判为火焰。 为此，对该方法进行改 进，总结了 ５ 条规则，并建立了新的火焰色彩模型， 如式（２）所示。 规则 １：Ｒ ≥ Ｂ，Ｇ ≥ Ｂ 规则 ２：Ｒ ≥ Ｒｔ 规则 ３：Ｓ ≥ （２５５ － Ｒ） × Ｓｔ ／ Ｒｔ 规则 ４： Ｒ ≥ Ｒｔｈ ，Ｇ ≥ Ｇｔｈ 或 Ｔ１ ≥ Ｔｈ１ ，Ｔ２ ≥ Ｔｈ２ ì î í ï ï ï ï 规则 ５：Ｔ２ ＋ Ｔ３ ≥ Ｔｈ３ ì î í ï ï ï ï ïï ï ï ï ï ï （２） 式中： Ｔ１ ＝ Ｒ － Ｇ ，Ｔ２ ＝ Ｇ － Ｂ ，Ｔ３ ＝ Ｒ － Ｂ ， Ｒｔｈ 、Ｇｔｈ 是改进后火焰的红色分量和绿色分量的阈 值， Ｔｈ１ 、Ｔｈ２ 、Ｔｈ３ 分别是 Ｔ１ 、Ｔ２ 、Ｔ２ ＋ Ｔ３ 的阈值。 对 比式（１）和式（２）可以看出，本文将原来的规则 １ 做 了修改，并且增加了规则 ４ 及规则 ５。 经过大量实 验发现，火焰区域内的部分高亮区域（尤其是黄色 高亮区域）并不满足 Ｒ ≥ Ｇ ，因此将规则 １ 修改为 Ｒ ≥Ｂ，Ｇ ≥ Ｂ 。 由于白色的 ＲＧＢ 值为 （２５５，２５５， ２５５） ，而高亮的橙色和黄色 Ｒ 分量值和 Ｇ 分量值很 高， Ｂ 分量值相对较低，因此通过规则 ５ 可在保留火 焰内部高亮区域的同时排除天空中的白色区域，式 第 ２ 期 吴茜茵，等：多特征融合的火焰检测算法 ·２４１·