专利名称：一种基于多特征融合技术的视频火焰探测方法
技术领域：
本发明属于火灾探测技术领域，主要涉及应用数字图像处理和模式识别方法提取火焰特征，进而判断监控场景中是否存在火灾火焰的视频火焰探测方法。
背景技术：
当前温感探测和烟感探测是应用最广泛和最成熟的火灾探测技术，但是这类传统的接触式探测器无法满足某些特殊的场合探测需求，比如高大空间建筑、长通道建筑等复杂的这类场所。近年来，视觉探测技术得到飞速的发展，这类探测技术具有响应速度快、检测范围广、环境污染小等特点。随着闭路监控系统被大量运用于当今各式建筑，视频火灾探测技术也在逐步得到发展。视频火灾探测技术包括视频火焰探测技术和视频烟雾探测技术，视频火焰探测技术有基于红外波段、可见光波段、紫外光波段以及多波段复合式的检测技术。中国专利CN201885804U和中国专利CN201844880U属于红外波段的火灾探测技术，他们采用了双波长红外光来探测火焰，双波长分别为4.3微米和5.0微米，该系统分别配有对应波长的传感器，中国专利CN201867924U在其前者的基础上，外加了 3.8微米波长红外传感器来提高火焰的探测精度；中国专利CN202195883U和中国专利CN201191222属于紫外波段的火灾探测技术，系统通过处理采集到的紫外辐射信号来判断是否存在火焰；中国专利CN202306757U属于多波段复合型检测技术，分别采用彩色摄像机和近红外摄像机来捕获监控现场的彩色视频图像和近红外视频图像来判定火焰的有无；相对于可见光波段传感器，由于红外和紫外传感器通常价格昂贵，因而限制了其推广使用。中国专利CN102163361A提供了一种基于前景累积图像的图像型火灾探测方法，建立了前景累积图像，并用于火焰图像的实时探测，通过计算机对由监控摄像机得到的视频图像提取前景累积图像，对图像进行分块，统计每个图像块中各个像素在前景累积图像中的亮度值，根据预先设定好的灵敏度进行判别。此方法虽然计算量低，实时性也很好，但其仅依靠前景累积图的亮度值进行判断火灾，对于亮度较高的抖动物体，存在着一定的误报。中国专利CN101106727采用彩色CXD摄像系统，采用了图像差分法，利用统计得到的火焰颜色模板，并结合火灾跳跃、闪烁、不稳定的特点进行火焰判定；中国专利CN101493980公开了一种基于多特征融合的视频火焰探测方法，此方法基于混合高斯模型的技术来检测运动目标，并结合火焰的颜色特征、运动特征及火焰区域的闪动特征进行建模，依据运动、颜色、闪动的识别顺序逐步进行火焰探测，以上两个专利由于其判据简单，对于类似火焰颜色的物体，做一定频率的抖动，可能产生误报。以上提到的图像火焰探测系统，均采用了成本比较昂贵的专业CXD摄像头，而21世纪初全球CMOS图像传感器市场将在PC摄像机、移动通信市场、数码相机、摄像机市场等领域获得大幅度增长，当前，将开始以CMOS传感器为主流，针对CMOS传感器的视频火焰探测技术也很少见的。
“运动目标检测”是视频火灾探测技术中经常被使用的方法。(Incbpendentcomponent analysis by transforming a scatter diagram of mixtures of signals.0ptics Communications, 2000，173 (1-6): 107 - 114)首先将几何独立分量分析方法(Geometric Independent Component Analysis，GICA)应用于融合图像的分离技术，接着，(基于视觉特征的早期农林火灾检测方法的基础研究[D].浙江大学:2010)在其基础上提出了快速的GICA方法，并将其应用于火灾探测领域，但其未公开所釆用的快速GICA方法中的固定阈值。目标跟踪技术是计算机视觉领域的一个重要研究分支，目前很少有文章研究“目标跟踪”在视频火灾探测领域应用，然而多目标跟踪对于实际探测中经常遇到的各种遮挡和噪声干扰是非常有效的。(A new approach to linear filteringand prediction problems.Transactions of the ASME Journal of BasicEngineering, 1960, 82 (D):35-45)中提出了 Kalman滤波跟踪方法,之后，(基于视频图像的高大空间建筑火灾探测研究[D].清华大学:博士学位论文.2010)在其基础上提出了改进的Kalman跟踪方法，并将其应用于视频火灾探测领域，但此方法计算复杂，不利于火灾的实时探测。纹理分析是计算机视觉和图像理解研究领域的一个重要的研究内容，其应用领域非常宽广，(图像纹理分析的新方法及其应用[D].上海:复旦大学博士学位论文，2005.11)提出的一种新的纹理描述的方法:统计地形特征纹理，该纹理描述方法统计的纹理更加丰富直观，且容易被人理解，但未被应用到火灾探测领域。
发明内容
本发明提出一种基于多特征融合技术的视频火焰探测方法，综合运用火焰的运动特征、颜色特征、纹理特征等时空特征，克服现有视频火焰探测技术算法不足，实现有效提高视频火焰探测方法的可靠性和适用性。本发明提出一种基于多特征融合技术的视频火焰探测方法，此方法的总体算法是:首先采用累积快速几何独立分量分析算法C-GICA (Cumulative GeometricalIndependent Component Analysis, C-GICA)方法结合火焰的颜色决策模型对运动目标实现捕获，同时结合基于运动目标区域的多目标跟踪技术实现对当前和历史帧内的目标跟踪，提取目标的颜色特征、边缘特征、圆形度以及纹理特征，将这些特征输入到训练好的BP神经网络，经过BP神经网络决策，进而实现火焰的探测。(I) C-GICA与颜色决策获取火焰候选区域GICA的基本原理主要是将观察信号组成散布图，并对散布图进行一系列的几何变换，变换的结果是将独立的源信号进行分离。C-GICA算法运动目标获取:认为每一帧是由背景和运动目标融合而成的图像，背景和运动目标是两类相互独立的分量，利用简化的GICA算法实现对运动目标和背景的分离，将每次采用GICA算法获取的运动目标图像的灰度值进行累积求和，选取连续11帧(累积10帧)监测场景的图像，累积矩阵的累积帧达到10帧时，采用固定阈值进行判定，阈值取500，这样通过累积并设置阈值实现了 C-GICA。超过阈值的像素认为是疑似火焰点，低于阈值的认为是静态目标。GICA的简化形式表达如下，
权利要求
1.一种基于多特征融合技术的视频火焰探测方法，其特征是:该方法包括如下步骤: 步骤(1)、首先采用累积快速几何独立分量分析算法C-GICA(Cumulative GeometricalIndependent Component Analysis, C-GICA)结合火焰的颜色决策模型对运动目标实现捕-M-犾； 步骤(2)、同时结合基于运动目标区域的多目标跟踪技术实现对当前和历史帧内的目标跟踪，提取目标的颜色特征、边缘特征、圆形度以及纹理特征； 步骤(3)、将这些特征输入到训练好的BP神经网络，经过BP神经网络决策，进而实现火焰的探测。
2.根据权利要求1所述的一种基于多特征融合技术的视频火焰探测方法，其特征是:该方法包括如下步骤:其中，结合C-GICA与颜色决策获取火焰候选区域具体为: 累积快速几何独立分量分析算法C-GICA的基本原理主要是将观察信号组成散布图，并对散布图 进行一系列的几何变换，变换的结果是将独立的源信号进行分离，针对火焰的脉动特性，通过累积的方法，并设置阈值实现动态火焰的准确获取；累积快速几何独立分量分析算法C-GICA运动目标获取:认为每一帧是由背景和运动目标融合而成的图像，背景和运动目标是两类相互独立的分量，利用简化的累积几何独立分量分析算法实现对运动目标和背景的分离，将每次采用快速几何独立分量分析算法获取的运动目标图像的灰度值进行累积求和，选取连续11帧，即累积10帧监测场景的图像，累积矩阵的累积帧达到10帧时，采用固定阈值进行判定，阈值取500，超过阈值的像素认为是疑似火焰点，低于阈值的认为是静态目标；在文中，简化的GICA算法也称为快速GICA算法； 快速几何独立分量分析算法的简化形式表达如下，
3.根据权利要求2所述的一种基于多特征融合技术的视频火焰探测方法，其特征是:其中，Mt(X，y)数值为I的像素点在当前帧的图像中，其像素不一定在火焰的区域，它只是代表一个时间上的统计量，表明这里存在火焰的概率比较大；为了获得当前图像中的候选火焰区域，首先要对Mt (x, y)进行中值滤波，滤波器采用2 X 2方形滤波器和8领域数学形态学腐蚀和膨胀；接着采用连通区域标记法，对Mt (x, y)进标记，标记后的区域用“矩形区域”再标记，在矩形区域中，寻找当前帧内符合火焰颜色决策Cm的种子点，然后在灰度图上进行8领域多种子区域生长，生长的阈值采用10，进而获得完整的候选火焰区域，获取火焰候选区域的时候，为了排除某种特定的干扰，接着对当前帧内的候选区域进行像素数量判断，阈值为20，如果候选区域的非O点的像素数量小于20，则该候选区域被剔除掉，不认为是火焰，否则，对其进行保留，进行特征值提取。
4.根据权利要求2所述的一种基于多特征融合技术的视频火焰探测方法，其特征是:所述的超过10帧，采用先进先出的列队思想，进行运算，具体为:连续两帧进行C-GICA处理，第I帧和第2帧进行，第2帧和第3帧进行快速GICA处理，依次类推，达到处理了 11帧，即累积10帧时，累积矩阵剔除掉第I帧和2帧通过快速GICA的计算结果，并加入第11帧和第12帧的快速GICA计算结果。
5.根据权利要求1所述的一种基于多特征融合技术的视频火焰探测方法，其特征是:候选区域的特征选取具体为: 亮度和红色分量的统计特征提取:由于火焰通常表现为亮而且发红，亮度和红色分量在火焰颜色空间占有主要的作用，因而亮度和红色分量特征可以提取作为火焰识别的一个判据；采用均值，方差，偏斜度和翘度的统计参量对亮度和红色分量进行计算，这些参量在一定程度上反映了火焰面的粗糙度特征；由于火焰的亮度会随着背景光照强度的变化而变化，因而对亮度的均值不做统计分析，只统计其二阶矩、三阶矩和四阶矩； 边界粗糙度Βκ:采用候选区域的凸包(Convex Hull)周长与火焰周长的比值来描述边界粗糙度: Be = Pc/P(6) 其中，Pc是候选区域凸包的周长，P是候选区域的周长；凸包周长计算采用凸包快速求解算法以得到凸包的边界坐标，周长采用对相邻边界像素进行欧氏距离计算；圆形度:圆形度C表征物体形状的复杂程度，圆形度采用边界周长的平方与面积的比值来表示，对圆形物体取最小值4 π，物体形状越复杂其值越大；采用C的倒数，并除以4 π来表征圆形度，将其归一化为O到I之间的数，以方便目标识别算法计算，即:
6.根据权利要求1所述的一种基于多特征融合技术的视频火焰探测方法，其特征是:其中，基于运动区域的多目标跟踪具体为: 多目标跟踪的数据结构:定义了一个动态三维矩阵用来存放多个目标的信息，矩阵的大小为Μ*ν*η，Μ为62前4个代表运动目标矩阵区域的坐标，后57个代表目标的特征，H取.10，代表可以对历史10帧的数据进行保存，动态三维矩阵包含了目标的位置和特征，具体见附图
7，Μ方向用来区分不同的特征，N方向区分不同的目标，H方向区分不同的帧，由于不同的场景的运动目标的数量不同，所以此三维矩阵根据运动目标的数量动态地确定N的数值，即N的数值与场景中的运动目标数量一致；为了方便表述，把具有相同H方向的坐标的点的集合定义为层，每层有Μ*Ν个数值，M方向定义行，N方向定义为列； 多目标跟踪的基本原则，采用目标外边缘的矩形框进行匹配，不涉及目标的特征； 多目标跟踪的实现:对于数据流流动，采用先进先出的列队思想。
7.根据权利要求6所述的一种基于多特征融合技术的视频火焰探测方法，其特征是:所述的把具有相同H方向的坐标的点的集合定义为层，每层有Μ*Ν个数值，M方向定义行，N方向定义为列，具体如:点其坐标为(4，5，9)，即这个点表示第9层第5个目标的第3 (7-4)个特征；第一层前4行记录目标的坐标，即矩形区域的左上和右下顶点，第二层到第H层的前4行不存放任何有实际意义的数值，其都数值为O。
8.根据权利要求6所述的一种基于多特征融合技术的视频火焰探测方法，其特征是:所述的多目标跟踪的实现:对于数据流流动，采用先进先出的列队思想，具体如，当前帧的目标数据要存入动态三维矩阵中，需要将当前动态三维矩阵的第10层数据踢掉，第9层的存入第10层，第8层存入第9层，依次类推，第一层存入第2层，当前帧的数据存入第一层，在移动过程中，第一层的存放坐标区不进行任何移动；相邻两帧区域变化定义图像的出现、消失、合并，分解四种行为，不考虑分解；根据动态三维矩阵第一层的坐标，能够恢复出一幅独立图Ρ1，当前图像也可以形成另一幅独立图Ρ2，认为这两幅独立图是相邻两帧图像，进行多目标的跟踪；将这两幅独立图进行融合形成一幅新的图，新图继续独立化形成第三幅图Ρ4，通过第三幅图Ρ4能够形成带有坐标的新动态三维矩阵，新的动态三维矩阵只有坐标，没有特征数值；根据新动态三维矩阵的坐标，依次和Pl，Ρ2进行匹配，得到匹配的目标数量kl和k2，匹配的同时，将k2个目标进行融合得到融合矩阵P4，对k2进行判断，如果k2>0,则寻找P4中非O元素的横纵坐标的最大最小值，通过最大最小值形成的矩形更新P3的坐标，能够直接显示在当然帧的图像上，实现对当前图像的标记，根据k2的值以及特征的属性进行合并，k2个小目标的特征值采用求平均的方法，接着对kl进行判断，如果kl大于0，根据kl以及特征的属性，再继续合并；如果k2为0，判断kl是否大于0，如果大于0，说明这个目标是当前消失目标；将其对应的特征转移到新动态三维矩阵的对应列，转移的方法是旧的动态三维矩阵中的第一层到第9层的特征转移到新动态三维矩阵的第二层到第10层；直到新动态三维矩阵的每个坐标进行了匹配，这样就实现了多目标的跟踪技术。
9.根据权利要求1所述的一种基于多特征融合技术的视频火焰探测方法，其特征是:其中，火焰的识别具体为: 采用BP神经网络做火焰识别的分类器，隐含层节点数为18，隐含层神经元采用Matlab神经网络工具箱中的tansig函数，输出层采用2个Matlab神经网络工具箱中的1gsig函数，选取了 50个不同燃料，不同环境下的燃烧火焰作为正面训练信号，40个具有类似火焰的纹理的物体作为负面训练信号，得到了火焰识别的分类器；把动态三维矩阵中的特征值，输入到BP神经网络分类器中，经过分类器的计算，便可以判断火焰的有无。
10.根据权利要求9所述的一种基于多特征融合技术的视频火焰探测方法，其特征是:所述燃料包括酒精，汽油或正庚烷液体燃燃料，所述燃料包括布料，木材或高分子塑料固体燃料。
11.根据权利要求9所述的一种基于多特征融合技术的视频火焰探测方法，其特征是:所述不同环境为无风，微风，大风，白天，夜晚，阴天环境。
12.根据权利要求9所述的一种基于多特征融合技术的视频火焰探测方法，其特征是:所述具有类似火焰的纹理的物体为衣 服、苹果、地板、树枝、烟花或灯。
全文摘要
本发明提供一种基于多特征融合技术的视频火焰探测方法，该方法首先采用累积快速GICA(Cumulative Geometrical Independent Component Analysis,C-GICA)方法结合火焰的颜色决策模型对运动目标实现捕获，同时结合基于运动目标区域的多目标跟踪技术实现对当前和历史帧内的目标跟踪，提取目标的颜色特征、边缘特征、圆形度以及纹理特征，将这些特征输入到训练好的BP神经网络，经过BP神经网络决策，进而实现火焰的探测。本发明综合运用火焰的运动特征、颜色特征、纹理特征等时空特征，克服现有视频火焰探测技术算法不足，实现有效提高视频火焰探测方法的可靠性和适用性。
文档编号G06K9/00GK103116746SQ20131007523
公开日2013年5月22日 申请日期2013年3月8日 优先权日2013年3月8日
发明者汪箭, 荣建忠 申请人:中国科学技术大学