大空间火灾火焰图像分割区域的静态特征描述与提取_龙铭
大空间火灾火焰图像分割区域的静态特征描述与提取
龙铭，胡爱闽，江熹
（华东交通大学机电工程学院，江西南昌330013）
来稿日期：2012-06-11
基金项目：国家自然科学基金项目（50865004）；江西省青年科学家(井冈之星)培养对象计划项目（2009DQ01100）
作者简介：龙铬，（1963-
），男，江西吉安人，副教授，主要研究方向：虚拟样机技术，机械制造及自动化控制1引言
大空间建筑火灾检测技术一直是一个热点研究领域。传统的感温、感烟、感光以及复合型的火灾探测手段容易受到监控环境的面积、高度、湿度、粉尘及气流等诸多不确定性因素的影响，这些影响在大空间火灾检测中更加明显[1-2]。基于此，以计算机为核心，结合光电技术、数字图像处理技术和计算机视觉的图像型火灾检测技术得到应用发展。
它根据实时视频监控图像的信息进行特征提取与分析，实现火灾的自动检测、识别和精确定位，并且不受空间高度、气流速度、热障等环境条件的制约[3-5]。
经过分割处理得到的二值图像可直观地记录可疑火焰像素在原始图像中的位置、形体和区域大小等信息，然而这些处于自然状态的目标像素并不适合于计算机的处理。换言之，为了实现火灾自动智能识别的目标，必须采用一种更加适合于计算机自动处理的形式，对分割区域的像素集合加以表示与描述[6-8]。
主要分析火焰分割区域的静态视觉特性，设计火焰图像分割区域的表示和特征描述算法，提取火焰区域的定量特征描绘
子，为火灾模式识别及火源空间定位提供坚实的依据。
2火焰图像静态视觉特性的描述与提取
火灾火焰的静态视觉特性是指火焰影像在单帧数字图像中所表现出的视觉特征，主要体现在其突出的光谱特性和独特的空间区域结构特性两个方面上。从火焰图像区域的颜色特征、纹理特征和形状特征三个方面入手，分析和提取火焰图像的静态视觉特性。
2.1火焰区域颜色特征的描述和提取
颜色特征是一种描述图像或图像区域所对应的物体与场景表面性质的全局特征。由于颜色特征与图像所包含的物体和场景密切相关，因此在图像检索中应用最为广泛。采用颜色矩的方法进一步对火焰像素区域的颜色分布特征进行定量描述。选择在HSI 彩色空间中，计算Hue （色调）分量的一阶中心矩、二阶中心矩和三阶中心矩来分别表示火焰图像分割区域颜色特征的平均值、标准方差和二次根非对称性。
摘要：大空间火灾的有效检测对预防火灾、保护人员生命财产安全有着至关重要的作用。基于火焰视频图像的检测结果，对分割出的火焰图像进行静态特征描述和分析，提取出火焰候选区域的多种定量特征描绘子，并从颜色特征、纹理特征和形状特征这三个方面来描述火焰影像区域的静态视觉特性。试验结果表明利用火焰影像的颜色矩特征能够区分一般干扰物体；利用纹理特征能有效排除与火焰像素颜色相近的干扰物体；同时，采用圆形度作为火焰图像区域的形状特征描绘子也能排除常见的干扰模式，从而对火灾事件进行准确而有效的识别，减少识别误报率。关键词：大空间火灾；火焰图像分割区域；静态特征；描述与提取中图分类号：
TH16；TP751文献标识码：A
文章编号：1001-3997（2013）04-0211-03
Static Visual Features Description and Extraction of Flame Image Segmented Region of Large Space Fire
LONG Ming ，HU Ai-min ，JIANG Xi
（School of Mechanical &Electronical Engineering ，East China Jiaotong University ，Jiangxi Nanchang 330013，China ）Abstract ：It is very important to detect the early fire in large space to protect human life and property security.Here ，static visual features description and analysis of the segmented flame image are carried out to extract a variety of quantitative feature descriptors of flame region based on the detection results of flame video image.The static visual features of the flame image area were investigated from the aspects of color feature ，texture feature and shape feature ，respectively.The experimental results show that the color moment feature of flame image can effectively distinguish the common interferences ，and the texture feature can play a very important role in excluding the similar interference color with flame pixels ，furthermore ，the shape feature is also an effective method to identify the fire flame.So ，the static visual features can improve the effectiveness and robustness of flame recognition system ，
and it can reduce the false alarm rate in the recognition system.Key Words ：Large Space Fire ；Flame Image Segmented Region ；Static Visual Features ；Description and Extraction
Machinery Design ＆Manufacture
机械设计与制造
第4期
2013年4月
211
（a ）火焰目标前景图像窗口（b）运动人体前景图像窗口
（c）运动车辆前景图像窗口（d）路灯前景图像窗口
图1火焰及干扰物体检测和分割的前景区域窗口Fig.1Foreground Region Windows of Flame Target and Other
Inferential Objects that Had Been Detected and Segmented
火灾火焰以及运动人体、运动车辆及路灯等干扰物体检测
和分割结果作为前景目标窗口（图中矩形框中所示），连续取5帧
火灾火焰图像，分别计算前景目标窗口中火焰像素及其他干扰物
体像素在HSI彩色空间中的Hue（色调）分量值的前三阶中心矩，
其试验计算数据，如表1~表3所示。
从表中的试验计算值可看出，火灾火焰图像分割区域像素
Hue分量值的前三阶中心矩和其它常见干扰物存在着明显的差别，可以作为一种描述火灾模式颜色特征的定量描绘子。同时也
必须注意到，实际监控环境下可能存在多种与火焰像素颜色相同
或相近的干扰物，其颜色矩很可能与火焰图像区域的颜色矩相同
或相近，因此火焰颜色特征必须与其它静态视觉特征相融合才能
完整地描述火灾模式。
表1Hue分量一阶中心矩试验计算值
Tab.1Experimentally Calculated Values of Hue
Component's First Order Central Moment
图像序号12345均值
火灾火焰0.0890.0870.0700.0780.0850.082
运动人体0.3190.3280.3340.3370.3380.331
运动车辆0.5500.5710.5510.5540.5500.555路灯0.3700.3700.3680.3470.3460.360
表2Hue分量二阶中心矩试验计算值
Tab.2Experimentally Calculated Values of Hue
Component’s Second Order Central Moment
图像序号12345均值
火灾火焰0.0870.0850.0760.0930.1140.091
运动人体0.2670.2800.2820.2700.2590.272
运动车辆0.1680.1470.1460.1500.1200.146路灯0.2510.2630.2470.2480.2540.253
表3Hue分量三阶中心矩试验计算值
Tab.3Experimentally Calculated Values of Hue
Component’s Third Order Central Moment
图像序号12345均值
火灾火焰0.1760.1730.1660.1920.2200.185
运动人体0.4140.4280.4300.4170.4060.419
运动车辆0.3040.2790.2770.2820.2430.277路灯0.3980.4110.3940.3950.4010.400
2.2火焰区域纹理特征的描述和提取
描述火焰区域静态视觉特性的另一种重要的方法是量化火焰图像分割区域的纹理内容。纹理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。选取反差、灰度相关、能量和逆差矩这四种纹理特征统计量来描述火焰图像分割区域的灰度纹理特征。首先计算出火灾火焰图像分割前景区域在0°、45°、90°和135°方向上的灰度共生矩阵，然后基于每一方向上的灰度共生矩阵分别计算上述四种纹理特征统计量，最后取每个特征统计量在四个方向上的平均值作为描述火灾火焰图像分割区域纹理特性的定量描绘子。
一帧检测出的火焰前景灰度图像在0°、45°、90°和135°方向上的灰度共生矩阵（指定缩放火焰图像灰度值的灰度级数为256），如图2所示。分别如图2（b）~2（e）所示，其中图2（a）为火灾前景检测区域灰度图像。选取连续5帧火灾火焰灰度图像和干扰情况下的监控图像，计算其反差、灰度相关、能量和逆差矩，具体试验数据，如表4~表7所示。
（a）灰度图像（b）0°（c）45°（d）90°（e）135°
图2灰度图像及其四个方向上的灰度共生矩阵
Fig.2Gray Scale Image and its GLCM in Four Directions
通过观察表中的试验数据结果，可以得出以下结论：
（1）火灾火焰灰度图像的反差和能量特征与运动人体图像的差别不明显，与其它干扰情况有明显的差别；
（2）火灾火焰灰度图像的灰度相关特征与路灯图像的差别不明显，与其它干扰情况有明显的差别；
（3）火灾火焰灰度图像的逆差矩特征与其它干扰情况有比较明显的区别。
由以上分析可知，采用反差、灰度相关、能量和逆差矩能够有效地描述火焰区域的静态纹理特性，可以作为自动识别火灾的有效判据。
表4图像反差特征试验计算值
Tab.4Experimentally Calculated Values
of Contrast Feature
图像序号12345均值
火灾火焰735872871912794837
运动人体802801808865803816
运动车辆207720051986228118082031路灯150150144145148147
表5图像灰度相关特征试验计算值
Tab.5Experimentally Calculated Values
of Correlation Feature
图像序号12345均值
火灾火焰0.9750.9700.9690.9680.9730.971
运动人体0.7930.7940.7950.7950.8070.797
运动车辆0.7240.7280.7290.7040.7470.726路灯0.9830.9820.9830.9830.9830.983
第4期
龙铭等：大空间火灾火焰图像分割区域的静态特征描述与提取212
表6图像能量特征试验计算值
Tab.6Experimentally Calculated Values of Energy Feature
图像序号12345均值火灾火焰0.1980.2510.3390.2580.2470.259运动人体0.2060.2090.2200.2990.3040.247运动车辆0.0010.0010.0010.0010.0010.001路灯
0.071
0.062
0.073
0.080
0.085
0.074
表7图像逆差矩特征试验计算值
Tab.7Experimentally Calculated Values
of Homogeneity Feature
图像序号12345均值火灾火焰0.7290.7180.7590.7140.7240.729运动人体0.5980.6010.6130.6650.6690.629运动车辆0.1090.1170.1190.1150.1370.119路灯
0.451
0.457
0.463
0.459
0.463
0.458
2.3火焰区域形状特征的描述和提取
火焰图像分割区域的形状特征是火焰影像静态视觉特性的另外一个重要组成部分。形状特征的表示和描述一般集中在边界特征和区域特征这两个方面。
这里采用定量描绘子描述的方式来提取火焰区域形状特征，并采用圆形度和矩形度来描述火焰影像区域的形状特征。
选取连续5帧火焰分割二值图像，标记其连通区域并提取其外部边界，如图3所示。分别统计连通区域和外部边界中的像素数目，作为火焰区域的面积和边界周长，并计算火焰区域的圆形度和矩形度。
同时分别计算各种常见干扰目标的圆形度和矩形度值，具体试验计算数据，如表8、表9所示。
（a ）（b ）
图3火灾火焰二值图像区域及其外部边界
Fig.3Binary Image Region of Fire Flame and Its Exterior Boundary
表8圆形度特征试验计算值
Tab.8Experimentally Calculated Values
of Circularity Feature
图像序号12345均值火灾火焰0.2870.1610.1490.2530.2890.228运动人体0.1610.1570.1580.1410.1590.155运动车辆0.0780.0560.0440.0520.0310.052路灯
0.629
0.644
0.628
0.635
0.645
0.636
表9矩形度特征试验计算值
Tab.9Experimentally Calculated Values
of Rectangle Feature
图像序号12345均值火灾火焰0.5610.4900.4060.4560.4940.481运动人体0.5040.5050.4890.4120.4090.464运动车辆0.4440.4650.4830.5460.5310.494路灯
0.769
0.788
0.776
0.777
0.789
0.780
通过上述试验计算数据分析可知，火灾火焰图像区域的圆形度特征与其它干扰图像有比较明显的区别，可以较好地描述火灾火焰的形状特征；火焰图像区域的矩形度特征与路灯有较为明显的差别，但与运动人体和运动车辆这两种干扰模式的差别较为不明显，因此最终选用圆形度作为火焰图像区域的形状特征描绘子。
3结束语
对火焰图像区域的静态视觉特性进行了分析。在颜色特征方面，提出了在HSI 色彩空间模型中分析计算火焰区域像素Hue 分量值的前三阶中心矩，试验计算数据表明利用火焰影像的颜色矩特征能够有效区分一般干扰物体；在纹理特征方面，提出了计算图像区域四个方向上的灰度共生矩阵，然后基于灰度共生矩阵计算反差、灰度相关、能量和逆差矩四个纹理特征描绘子的方法，对有效排除与火焰像素颜色相近的干扰模式具有非常重要的作用；在形状特征方面提出了圆形度和矩形度判据，由于火焰影像区域的形状十分不规则，而一般干扰物体的形状却往往比较规则，所以从形状特征入手也能排除常见的干扰模式，从而对火灾事件进行准确而有效的识别。
充分利用所提出的火焰区域静态特征描绘子，再结合相应的火灾模式识别方法，就能够构造一个有效的火灾探测预警系统，从而有效地识别大空间火灾，减少火灾误报率。
参考文献
［1］杨俊，王润生.基于计算机视觉的视频火焰检测技术［J ］.中国图象图形
学报，
2008，13（7）：1222-1234.（Yang Jun ，Wang Run-sheng.A survey on computer vision based video fire detection
［J ］.Journal of Image and Graphics ，2008，13（7）：1222-1234.）［2］S.J.Chen ，C.Hovde ，K.A.Peterson ，A.Marshall.Fire detection using
smoke and gas sensors ［J ］.Fire Safety Journal ，2007，42（8）:507-515.［3］D.Han ，B.Lee.Flame and smoke detection method for early real-time
detection of a tunnel fire ［J ］.Fire Safety Journal ，2009，44（7）:951-961.
［4］唐芳.火焰视频特征检测分析的研究与应用［D ］.杭州：浙江大学，2008.
（Tang Fang.The research and application of flame video feature detection and analysis ［D ］.Hangzhou ：Zhejiang University ，2008.）
［5］高爱莲.基于视频的火焰检测方法研究［D ］.昆明：昆明理工大学，2008.
（Gao Ai-lian.Flame detection technique based on video processing ［D ］.Kunming ：Kunming University of Science and Technology ，2008.）［6］J.Fang ，J.Jie ，H.Y.Yuan ，Y.M.Zhang.Early fire smoke movements and
detection in high large volume spaces ［J ］.Building and Environment ，2006，41（11）:1482-1493.
［7］J ，Fang ，H.Y.Yuan.Experimental measurements ，integral modeling and
smoke detection of early fire in thermally stratified environments ［J ］.Fire
Safety Journal ，2007，42（1）:11-24.
［8］M.Thuillard.A new flame detector using the lastest research on flames
and fuzzy-wavelet algorithms ［J ］.Fire Safety Journal ，2002，37（1）:371-380.
机械设计与制造No.4Apr.2013
213