CN103473788A - 一种基于高清视频图像的室内火灾火焰检测方法 - Google Patents

Abstract

本发明提出了一种基于高清视频图像的室内火灾火焰检测方法，首先从视频监控图像中建立和更新背景图像，由Fisher分类器训练样本像元获得火焰的颜色模型，通过背景差分法获得前景运动图像，通过火焰颜色特征检测火焰疑似像素即从前景运动图像中找出具有火焰颜色特征的像素点（即疑似火焰像素点），所有疑似火焰像素点形成火焰区域，像素连通区域进行组合，获取疑似火焰区域的外接矩形。根据火焰形态特征计算外接矩形内连通区域的圆形度，然后通过外接矩形内部的圆形度、抖动性分析、火焰连续性分析等对疑似火焰区域进行判断，若符合预定要求，则疑似火焰区域为真实的火焰区域，发出报警信号。

Description

一种基于高清视频图像的室内火灾火焰检测方法

技术领域

本发明属于图像火灾探测技术领域，具体涉及计算机图像处理和视频火焰识别，特别涉及针对高清视频图像的室内火灾火焰识别方法。

背景技术

火灾是人民生命财产安全的巨大威胁之一，火灾检测是是安全监控检测领域的一个重要方向，与现有的其他火灾自动监测手段（烟感探测器、温感探测器等）相比，基于视频的火灾检测系统有效探测距离远、覆盖范围广，在现有火灾探测技术中应用广泛。

早期的视频火焰探测研究集中在火焰的颜色特征上，Healey（IEEEComputer Vision and Pattern Recognition Conference.New York：IEEE,1993：605-606）通过分析火焰的颜色信息来进行火识别，但是仅利用火焰的颜色特征，不能识别与火焰颜色相似的物体区域。

公开号为CN1112702A的中国专利利用彩色影像三基色差分进行火灾探测与定位。该发明利用彩色影像三基色对早期火焰的不同反应，对红、蓝基色分量进行差分，二值化后再次差分，通过火焰面积的增长率判断火焰。该方法不仅利用火焰颜色等特征，还利用了火焰面积增长率的动态特征，与单一的颜色特征相比识别效果更好。但是由于不用的外部条件影响，面积变化率的阈值影响火焰识别效率。

UgurToreyin（Proceedings of IEEE30th International Conference on AcousticsSpeech，and Signal Processing Philadelphia，PA，USA.200502(2)：669-672）通过运动特征、边缘模糊和颜色特征等进行火焰识别，利用小波变换获得闪烁特征和边缘特征，虽然效果较好，但是算法比较复杂，计算量较大，不能满足实时探测的要求。

总之，目前基于图像处理的火灾监控方法主要从颜色、纹理、形状、运动等特征进行火焰识别分析。颜色特征计算简单、性质稳定，纹理分析主要是通过对图像的颜色空间分布信息进行统计等，运动特征反应视频的时域动态变化。火焰的颜色、形状、运动等特征均通过阈值滤波进行分析，多重的阈值条件会造成火焰部分特征缺少，不能稳定地检测出火焰区域。而较少的火焰特征虽然在简单场景中效果较好，在复杂环境的场合检测效果较差。

发明内容

针对高清视频监控火灾存在的问题，本发明提出了一种基于高清视频图像的室内火灾火焰检测方法，以满足基于高清摄像头的图像型火灾探测技术的实时性要求。

本发明主要目的利用火灾时火焰的视频特征，形成高清视频图像的可识别火灾模式，快速、准确地进行火焰识别，及时完成火灾检测。

本发明是这样实现的，一种基于高清视频图像的室内火灾火焰检测方法，其包括以下步骤：

（1）获取视频图像，建立背景图像：从视频监控图像中建立和更新背景图像；

（2）由菲设尔（Fisher）分类器训练样本像元获得颜色模型；

（3）通过背景差分法检测运动像素区域；

（4）通过火焰颜色特征检测火焰疑似像素：从前景运动图像中找出具有火焰颜色特征的像素点即疑似火焰像素点；

（5）对疑似像素连通区域进行组合、标记：所有疑似火焰像素点形成火焰区域，像素连通区域进行组合，获取疑似火焰区域的外接矩形；

（6）疑似区域形态特征判断：根据火焰形态特征计算外接矩形内连通区域的圆形度；

（7）抖动性分析；

（8）火焰连续性分析；

其中，通过外接矩形内部的圆形度、抖动性分析、火焰连续性分析对疑似火焰区域进行判断，若符合预定要求，则疑似火焰区域为真实的火焰区域，发出报警信号。

作为上述方案的进一步改进，其特征在于：步骤（1）包括以下步骤：

将视频图像分解为一帧一帧的彩色图像，假设视频图像的第一帧数据没有火焰，利用背景差分法检测视频图像中的运动目标区域，采用基于统计方法的单高斯模型建立背景图像；

初始化背景图像，计算一段时间内视频序列图像F(x，y)中像素灰度的均值μ₀(x，y)和方差

均值μ₀(x，y)和方差

分别满足式（1）和式（2）， ${\mathrm{\μ}}_0(x,y)=\frac{1}{T}{\mathrm{\Σ}}_{i=0}^{T-1}{F}_i(x,y)$ 式（1）， ${\mathrm{\σ}}_0^2(x,y)=\frac{1}{T}{\mathrm{\Σ}}_{i=0}^{T-1}{[F_i(x,y)-{\mathrm{\μ}}_0(x,y)]}^2$ 式（2）；

对背景图像的背景模型进行实时动态更新以适应视频图像的场景变化：利用式（3）进行判断，利用式（4）进行背景图像更新，当满足式（3）时对背景模型进行更新，否则背景模型保持不变，|F_t(x，y)-μ(x，y)|＜2.5σ式（3）， $B_t(x,y)=\left\{\begin{array}{c}(1-\mathrm{\ρ})*B_{t-1}(x,y)+\mathrm{\ρ}*F_t(x,y)\\ B_{t-1}(x,y)\end{array}\right.$ 式（4），其中，F_t(x，y)为t时刻的实时图像，B_t-1(x，y)为t-1时刻的背景图像，ρ为背景更新速率，取值为[0-1]。

作为上述方案的进一步改进，ρ为0.05。

作为上述方案的进一步改进，在步骤（2）中，提取火焰像元和非火焰像元的红、绿、蓝光谱分量，取得的两类样本对Fisher分类器进行训练得到需要的Fisher分类器w^*，然后利用训练好的Fisher分类器分离火焰像元和非火焰像元，步骤（2）包括以下步骤：

提取若干帧的火焰视频图像，从每帧图像中各取若干个火焰像素像元和非火焰像素像元构成训练样本的子集x₁和x₂，并且基于红绿蓝（RGB）颜色模型的形式进行分析，采用火焰像元和非火焰像元的红、绿、蓝原色光谱分量作为训练Fisher分类器的三维样本子集；

假定有n个训练样本x_k(k=1,2,....,n)其中n₁个样本来自w_i类型，n₂个样本来自w_j类型，n=n₁+n₂，两个类型的训练样本分别构成训练样本的子集X₁和X₂，令：y_k=w^Tx_k，k=1,2,...,n，y_k是向量x_k通过变换w得到的标量，它是一维的，对于给定的w，y_k就是判决函数的值，由Fisher线性判别式

求解向量w^*的步骤：

①把来自两类w₁/w₂的训练样本集X分成w₁和w₂两个子集X₁和X₂；

②由i=1,2，计算M_i；

③由 ${\stackrel{\→}{S}}_i=\underset{x_k=X_i}{\mathrm{\Σ}}(x_k-M_i){(x_k-M_i)}^T$ 计算各类的类内离散度矩阵 ${\stackrel{\→}{S}}_i,i=\mathrm{1,2};$

④计算类内总离散度矩阵

⑤计算

的逆矩阵

⑥由 $w^{*}={{\stackrel{\→}{S}}_w}^{-1}(M_1-M_2)$ 求解w^*。

作为上述方案的进一步改进，步骤（3）包括以下步骤：

背景图像建立之后，先将当前帧与背景帧相减获得背景差分后的图像D_t(x，y)，背景差分后的图像D_t(x，y)寸满足式（5）与式（6），D_t(x，y)=|Ft(x，y)-B_t(x，y)|式（5）， $T_t(x,y)=\left\{\begin{array}{ccc}1& \mathrm{if}& D_t(x,y)>T\\ 0& & \mathrm{otherwise}\end{array}\right.$ 式（6），其中，Bt(x，y)为t时刻的背景图像，如果满足不等式Dt(x，y)＞T，则认为坐标位置为(x，y)的像素为运动像素，T为常数。

作为上述方案的进一步改进，步骤（4）包括以下步骤：

训练样本来已有的火焰视频图像中火焰区域像素点，即含有真实火焰区域的视频图像中的真实火焰像素点，通过对视频图像中提取具有火焰颜色的像素，分析其RGB分量值，通过步骤（2）的Fisher分类器获得颜色模型；

当前像素值的颜色值为R，G，B，则假如当前像素的颜色值满足式（7）条件，则此像素被判断为具有火焰颜色的像素，进入下一阶段的检测： $\left\{\begin{array}{c}R>R_1\\ G>G_1\\ R>\mathrm{\ϵB}+\mathrm{\δ}\\ R>G>B\end{array}\right.$ 式（7），其中，R表示该像素红色通道值，G表示该像素绿色通道值，B表示该像素蓝色通道值，R₁表示红色通道阈值，G₁表示绿色通道阈值，ε、δ为常数，R₁、G₁由训练样本光谱分量统计获得，ε、δ由Fisher分类器训练火焰11颜色的R、B分量获取得值。

作为上述方案的进一步改进，步骤（5）包括以下步骤：

经过运动检测和颜色检测处理，阈值化后的图像在去除噪声的同时保留了火焰的真实信息；再通过形态学处理，进行连通区域的搜素，把所有符合运动特征和颜色特征的像素的部分连接起来，并且把相互连接的像素组成一个连通区域；

首先使用掩码方法处理具有运动像素和火焰颜色特征的像素，标记为1，构造一个数据结构；其次在掩码中指定一个搜索起始点，以当前点为基点，搜索包含基点的一行掩码像素点，找出此行掩码的最左位置和最右位置像素，接着搜索掩码区域每行的最左位置和最右位置，标记为2；依次比较掩码区域像素标记为2的最大和最小坐标值，得到水平跨度和垂直跨度，获取运动区域的外接矩形；

经过形态学滤波等对外接矩形处理，滤掉一些小噪声点的干扰。

作为上述方案的进一步改进，步骤（6）包括以下步骤：

使用圆形度对疑似火焰进行判断，圆形度通过面积和周长计算物体(或区域)的形状复杂程度，公式为：

式(8)，其中，C、A、I分别指圆形度、面积、周长，圆的圆形度为1，形状越接近圆C越大，形状越复杂C越小；

计算疑似区域外接举行内部连通区域的圆形度，统计步骤（5）某个外接矩形中标记为2的像素数量作为周长I，标记为1的像素数作为面积A，计算得到矩形内连通区域圆形度，按上述规则遍历每个疑似区域外接矩形,计算得到圆形度；

对圆形度设定阈值为k，如果C≤k，认为该矩形内连通区域外形不规则，满足火焰形态特征，否则，认为疑似区域为干扰部门，排除是火焰的可能性。

作为上述方案的进一步改进，步骤（7）包括以下步骤：

当火焰抖动次数落在同一个特定的区域时，可认为此候选像素区域满足火焰的抖动特征，对相邻两帧的同一个火焰疑似区域外接矩形进行比较，如果两个矩形中心点的横坐标或纵坐标大于某阈值，则认为该火焰疑似区域符合火焰抖动特征；

计算某一个特定火焰疑似区域在当前帧前后的连续L帧中不抖动的帧数M和抖动的帧数N，如果符合M＜δ₇&&M*δ₈＜N式（9），则认为此帧图像中该火焰疑似区域属于火焰区域，否则该区域不符合抖动特征，予以排除，δ₇和δ₈为常数。

作为上述方案的进一步改进，步骤（8）包括以下步骤：

重复步骤（3）至步骤（7），确认火焰疑似区域连续L帧是否为真实火焰，若是进行报警，不更新背景，进行下一帧图像的判断，否则更新背景图像；

进行下一帧图像的判断。

本发明的基于高清视频图像的室内火灾火焰检测方法将有高清摄像头得到的视频图像传输给监控计算机，利用运动及颜色特征进行初步过滤提取视频图像中的火焰疑似区域，其次分析疑似火焰区域周围的空间颜色特征建立火焰颜色空间模型，通过形态特征判断、抖动性分析、火焰区域连续等进行火焰报警确认。与传统技术相比，本发明提出的室内火灾火焰检测算法不仅有效地去除了白炽灯、日光灯（常亮、闪烁）、太阳光等复杂背景光的干扰，保证了较低的漏报率和误报率，而且该检测模型算法简单，计算量小，满足图像型火灾探测产品对于高清摄像头实时火灾检测的要求，更重要是可以在复杂的检测环境中保持很好的鲁棒性，可用于广泛的火灾监控场合。

附图说明

图1是计算机利用本发明基于高清视频图像的室内火灾火焰检测方法对高清视频图像在线自动分析的流程图。

图2采用图1中基于高清视频图像的室内火灾火焰检测方法的系统构成图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明了一种基于高清视频图像的室内火灾火焰检测方法，在具体实施时，将监测摄像头5采集到的监控区域视频图像传输到监控计算机6上，监控区域1内部设置油盘火2、白炽灯3、日光灯4、太阳光、红旗等具有火焰颜色特征的干扰源，安装的系统构成图如图2所示。计算机利用本发明图像分析软件对高清视频图像在线自动分析，流程图如图1。如果判断存在火灾，在计算机视频图像上使用带有颜色的矩形标注检测到的火焰区域，如果判断为非火灾，返回流程第一步，读取下一帧图像数据。

本发明基于视频图像的室内火灾火焰检测方法的具体步骤如下：

（1）计算机读入原始视频图像，建立背景图像

监控摄像头将获得的视频图像数据传送给计算机，利用计算机将视频数据分解为一帧一帧的彩色图像。使用背景差分法检测运动区域的关键在于背景图像的建立与更新，采用单高斯模型建立背景图像。

首先，初始化背景图像，计算一段时间内视频序列图像F(x，y)中像素灰度的均值μ₀(x，y)和方差

如公式（1）和公式（2）。

${\mathrm{\μ}}_0(x,y)=\frac{1}{T}{\mathrm{\Σ}}_{i=0}^{T-1}{F}_i(x,y)---\left(1\right);$

${\mathrm{\σ}}_0^2(x,y)=\frac{1}{T}{\mathrm{\Σ}}_{i=0}^{T-1}{[F_i(x,y)-{\mathrm{\μ}}_0(x,y)]}^2---\left(2\right).$

然后利用式（3）进行判断，根据式（4）进行背景更新；当满足式（3）时对背景模型进行更新，否则背景模型保持不变。

|F_t(x，y)-μ(x，y)|＜2.5σ  (3)

$B_t(x,y)=\left\{\begin{array}{c}(1-\mathrm{\ρ})*B_{t-1}(x,y)+\mathrm{\ρ}*F_t(x,y)\\ B_{t-1}(x,y)\end{array}\right.---\left(4\right).$

式中，F_t(x，y)为t时刻的实时图像，B_t-1(x，y)为t-1时刻的背景图像。ρ为背景更新速率，取值为[0-1]，此处选取ρ为0.05。

（2）由菲设尔（Fisher）分类器（即Fisher Linear Discriminant，简称Fisher分类器）训练样本像元获得颜色模型。

如，提取1000帧的火焰视频图像，从每帧图像中各取200个火焰像素像元和非火焰像素像元构成训练样本的子集X1和X2，并且基于红绿蓝（RGB）颜色模型的形式进行分析，因此本发明中采用火焰像元和非火焰像元的R、G、B原色光谱分量作为训练Fisher分类器的三维样本子集。

Fisher算法起源于R.A.Fisher的经典论文（1936年）。在用统计方法进行模式识别时，许多问题在低维空间行得通的方法，在高维空间往往行不通。因此，降低维数成为解决实际问题的关键。找到最好的直线方向，如何实现向最好方向投影的变换，是Fisher法要解决的基本问题。这个投影变换就是我们寻求的解向量w^*。

在w₁/w₂两类问题中，假定有n个训练样本x_k(k=1,2,....,n)其中n₁个样本来自w_i类型，n₂个样本来自w_j类型，n=n₁+n₂。两个类型的训练样本分别构成训练样本的子集X₁和X₂。

令：y_k=w^Tx_k，k=1,2,...,n

y_k是向量x_k通过变换w得到的标量，它是一维的。实际上，对于给定的w，y_k就是判决函数的值。

由Fisher线性判别式求解向量w^*的步骤：

①把来自两类w₁/w₂的训练样本集X分成w₁和w₂两个子集X₁和X₂。

②由i=1,2，计算M_i。

③由 ${\stackrel{\→}{S}}_i=\underset{x_k=X_i}{\mathrm{\Σ}}(x_k-M_i){(x_k-M_i)}^T$ 计算各类的类内离散度矩阵 ${\stackrel{\→}{S}}_i,i=\mathrm{1,2};$

④计算类内总离散度矩阵

⑤计算

的逆矩阵

⑥由 $w^{*}={{\stackrel{\→}{S}}_w}^{-1}(M_1-M_2)$ 求解w^*。

本发明中提取火焰像元和非火焰像元的R、G、B光谱分量。取得的两类样本对Fisher分类器进行训练得到我们需要的Fisher分类器（w^*），然后利用训练好的Fisher分类器分离火焰像元和非火焰像元。

（3）通过背景差分法检测运动像素区域

背景图像建立之后，先将当前帧与背景帧相减获得背景差分后的图像D_t(x，y)。

D_t(x，y)＝｜R_t(x，y)-B_t(x，y)|  (5);

$T_t(x,y)=\left\{\begin{array}{ccc}1& \mathrm{if}& D_t(x,y)>T\\ 0& & \mathrm{otherwise}\end{array}\right.---\left(6\right);$

其中，B_t(x，y)为t时刻的背景图像。如果满足不等式D_t(x，y)＞T，则认为坐标位置为(x，y)的像素为运动像素。T为常数。

（4）通过火焰颜色特征检测火焰疑似像素

当前像素值的颜色值为R，G，B，则假如当前像素的颜色值满足下列条件，则此像素被判断为具有火焰颜色的像素，进入下一阶段的检测：

$\left\{\begin{array}{c}R>R_1\\ G>G_1\\ R>\mathrm{\ϵB}+\mathrm{\δ}\\ R>G>B\end{array}\right.---\left(7\right).$

其中，R表示该像素红色通道值，G表示该像素绿色通道值，B表示该像素蓝色通道值，R₁表示红色通道阈值，G₁表示绿色通道阈值，ε、δ为常数，R₁、G₁由训练样本光谱分量统计获得，由Fisher分类器训练火焰颜色的R、B分量获取得值。

（5）对火焰疑似像素连通区域进行组合

首先使用掩码方法处理具有运动像素和火焰颜色特征的像素，标记为1，构造一个数据结构；其次在掩码中指定一个搜索起始点，以当前点为基点，搜索包含基点的一行掩码像素点，找出此行掩码的最左位置和最右位置像素，接着搜索掩码区域每行的最左位置和最右位置，标记为2；依次比较掩码区域像素标记为2的最大和最小坐标值，得到水平跨度和垂直跨度，获取运动区域的外接矩形。

经过形态学滤波等对外接矩形处理，滤掉一些小噪声点的干扰。

（6）疑似区域形态特征判断

由于火灾的火焰形状规整性较低，而绝大部分干扰源(如日光灯,白炽灯等)的形状具有较高的规整性，因此使用圆形度对疑似火焰进行判断，公式为：

$C=\frac{4\mathrm{\π}*A}{I^2}---\left(8\right)$

其中，C、A、I分别指圆形度、面积、周长，圆的圆形度为1，形状越接近圆C越大，形状越复杂C越小。

计算疑似区域外接举行内部连通区域的圆形度，统计步骤（5）某个外接矩形中标记为2的像素数量作为周长（即I），标记为1的像素数作为面积（即A），计算得到矩形内连通区域圆形度。按上述规则遍历每个疑似区域外接矩形,计算得到圆形度。

不论火羽流还是阴燃火焰，其外形都的规整性极低，而大部分干扰源轮廓比较规则。因此对圆形度设定阈值为k，如果C≤k，认为该矩形内连通区域外形不规则，满足火焰形态特征，否则，认为疑似区域为干扰部门，排除是火焰的可能性。

（7）抖动性分析及火焰连续性分析

对相邻两帧的同一个火焰疑似区域外接矩形进行比较，如果两个矩形中心点的横坐标或纵坐标大于某一个阈值，则认为该火焰疑似区域符合火焰抖动特征。计算某一个特定火焰疑似区域在当前帧前后的连续L帧中不抖动的帧数M和抖动的帧数N，如果符合P＜δ₇&&M*δ₈＜N则认为此帧图像中该火焰疑似区域属于火焰区域，，否则予以排除。δ₇和δ₈为常数。

（8）火焰连续性分析

重复步骤（3）至步骤（7），确认火焰疑似区域连续L帧是否为真实火焰，若是进行报警，不更新背景，进行下一帧图像的判断，否则更新背景图像。进行下一帧图像的判断。

本发明能够很好反应火焰的颜色、运动、形态特征，大大降低误报率，并且能够很好地去除干扰噪音。该模型原理简单，计算量低，可以很好地满足基于高清摄像头的图像型火灾探测技术的实时性要求。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于高清视频图像的室内火灾火焰检测方法，其特征在于：其包括以下步骤：

（1）获取视频图像，建立背景图像：从视频监控图像中建立和更新背景图像；

（2）由菲设尔（Fisher）分类器训练样本像元获得颜色模型；

（3）通过背景差分法检测运动像素区域；

（4）通过火焰颜色特征检测火焰疑似像素：从前景运动图像中找出具有火焰颜色特征的像素点即疑似火焰像素点；

（5）对疑似像素连通区域进行组合、标记：所有疑似火焰像素点形成火焰区域，像素连通区域进行组合，获取疑似火焰区域的外接矩形；

（6）疑似区域形态特征判断：根据火焰形态特征计算外接矩形内连通区域的圆形度；

（7）抖动性分析；

（8）火焰连续性分析；

其中，通过外接矩形内部的圆形度、抖动性分析、火焰连续性分析对疑似火焰区域进行判断，若符合预定要求，则疑似火焰区域为真实的火焰区域，发出报警信号。

2.如权利要求1所述的基于高清视频图像的室内火灾火焰检测方法，其特征在于：步骤（1）包括以下步骤：

将视频图像分解为一帧一帧的彩色图像，假设视频图像的第一帧数据没有火焰，利用背景差分法检测视频图像中的运动目标区域，采用基于统计方法的单高斯模型建立背景图像；

初始化背景图像，计算一段时间内视频序列图像F(x，y)中像素灰度的均值μ₀(x，y)和方差

均值μ₀(x，y)和方差

分别满足式（1）和式（2）， ${\mathrm{\μ}}_0(x,y)=\frac{1}{T}{\mathrm{\Σ}}_{i=0}^{T-1}{F}_i(x,y)$ 式（1）， ${\mathrm{\σ}}_0^2(x,y)=\frac{1}{T}{\mathrm{\Σ}}_{i=0}^{T-1}{[F_i(x,y)-{\mathrm{\μ}}_0(x,y)]}^2$ 式（2）；

对背景图像的背景模型进行实时动态更新以适应视频图像的场景变化：利用式（3）进行判断，利用式（4）进行背景图像更新，当满足式（3）时对背景模型进行更新，否则背景模型保持不变，|F_t(x，y)-μ(x，y)|＜2.5σ式（3）， $B_t(x,y)=\left\{\begin{array}{c}(1-\mathrm{\ρ})*B_{t-1}(x,y)+\mathrm{\ρ}*F_t(x,y)\\ B_{t-1}(x,y)\end{array}\right.$ 式（4），其中，F_t(x，y)为t时刻的实时图像，B_t-1(x，y)为t-1时刻的背景图像，ρ为背景更新速率，取值为[0-1]。

3.如权利要求2所述的基于高清视频图像的室内火灾火焰检测方法，其特征在于：ρ为0.05。

4.如权利要求2所述的基于高清视频图像的室内火灾火焰检测方法，其特征在于：在步骤（2）中，提取火焰像元和非火焰像元的红、绿、蓝光谱分量，取得的两类样本对Fisher分类器进行训练得到需要的Fisher分类器w^*然后利用训练好的Fisher分类器分离火焰像元和非火焰像元，步骤（2）包括以下步骤：

提取若干帧的火焰视频图像，从每帧图像中各取若干个火焰像素像元和非火焰像素像元构成训练样本的子集x₁和x₂，并且基于红绿蓝（RGB）颜色模型的形式进行分析，采用火焰像元和非火焰像元的红、绿、蓝原色光谱分量作为训练Fisher分类器的三维样本子集；

假定有n个训练样本x_k(k=1,2,....,n)其中n₁个样本来自w_i类型，n₂个样本来自w_j类型，n=n₁+n₂，两个类型的训练样本分别构成训练样本的子集X₁和X₂，令：y_k=w^Tx_k，k=1,2,...,n，y_k是向量x_k通过变换w得到的标量，它是一维的，对于给定的w，y_k就是判决函数的值，由Fisher线性判别式

求解向量w^*的步骤：

①把来自两类w₁/w₂的训练样本集X分成w₁和w₂两个子集X₁和X₂；

②由

i=1,2，计算M_i；

③由 ${\stackrel{\→}{S}}_i=\underset{x_k=X_i}{\mathrm{\Σ}}(x_k-M_i){(x_k-M_i)}^T$ 计算各类的类内离散度矩阵 ${\stackrel{\→}{S}}_i,i=\mathrm{1,2};$

④计算类内总离散度矩阵

⑤计算

的逆矩阵

⑥由 $w^{*}={{\stackrel{\→}{S}}_w}^{-1}(M_1-M_2)$ 求解w^*。

5.如权利要求4所述的基于高清视频图像的室内火灾火焰检测方法，其特征在于：步骤（3）包括以下步骤：

背景图像建立之后，先将当前帧与背景帧相减获得背景差分后的图像D_t(x，y)，背景差分后的图像D_t(x，y)满足式（5）与式（6），D_t(x，y)=|F_t(x，y)-B_t(x，y)|式（5）， $T_t(x,y)=\left\{\begin{array}{ccc}1& \mathrm{if}& D_t(x,y)>T\\ 0& & \mathrm{otherwise}\end{array}\right.$ 式（6），其中，B_t(x，y)为t时刻的背景图像，如果满足不等式D_t(x，y)＞T，则认为坐标位置为(x，y)的像素为运动像素，T为常数。

6.如权利要求5所述的基于高清视频图像的室内火灾火焰检测方法，其特征在于：步骤（4）包括以下步骤：

训练样本来已有的火焰视频图像中火焰区域像素点，即含有真实火焰区域的视频图像中的真实火焰像素点，通过对视频图像中提取具有火焰颜色的像素，分析其RGB分量值，通过步骤（2）的Fisher分类器获得颜色模型；

当前像素值的颜色值为R，G，B，则假如当前像素的颜色值满足式（7）条件，则此像素被判断为具有火焰颜色的像素，进入下一阶段的检测： $\left\{\begin{array}{c}R>R_1\\ G>G_1\\ R>\mathrm{\ϵB}+\mathrm{\δ}\\ R>G>B\end{array}\right.$ 式（7），其中，R表示该像素红色通道值，G表示该像素绿色通道值，B表示该像素蓝色通道值，R₁表示红色通道阈值，G₁表示绿色通道阈值，ε、δ为常数，R₁、G₁由训练样本光谱分量统计获得，ε、δ由Fisher分类器训练火焰颜色的R、B分量获取得值。

7.如权利要求6所述的基于高清视频图像的室内火灾火焰检测方法，其特征在于：步骤（5）包括以下步骤：

经过运动检测和颜色检测处理，阈值化后的图像在去除噪声的同时保留了火焰的真实信息；再通过形态学处理，进行连通区域的搜素，把所有符合运动特征和颜色特征的像素的部分连接起来，并且把相互连接的像素组成一个连通区域；

首先使用掩码方法处理具有运动像素和火焰颜色特征的像素，标记为1，构造一个数据结构；其次在掩码中指定一个搜索起始点，以当前点为基点，搜索包含基点的一行掩码像素点，找出此行掩码的最左位置和最右位置像素，接着搜索掩码区域每行的最左位置和最右位置，标记为2；依次比较掩码区域像素标记为2的最大和最小坐标值，得到水平跨度和垂直跨度，获取运动区域的外接矩形；

经过形态学滤波等对外接矩形处理，滤掉一些小噪声点的干扰。

8.如权利要求7所述的基于高清视频图像的室内火灾火焰检测方法，其特征在于：步骤（6）包括以下步骤：

使用圆形度对疑似火焰进行判断，圆形度通过面积和周长计算物体(或区域)的形状复杂程度，公式为：

式(8)，其中，C、A、I分别指圆形度、面积、周长，圆的圆形度为1，形状越接近圆C越大，形状越复杂C越小；

计算疑似区域外接举行内部连通区域的圆形度，统计步骤（5）某个外接矩形中标记为2的像素数量作为周长I，标记为1的像素数作为面积A，计算得到矩形内连通区域圆形度，按上述规则遍历每个疑似区域外接矩形,计算得到圆形度；

对圆形度设定阈值为k，如果C≤k，认为该矩形内连通区域外形不规则，满足火焰形态特征，否则，认为疑似区域为干扰部门，排除是火焰的可能性。

9.如权利要求8所述的基于高清视频图像的室内火灾火焰检测方法，其特征在于：步骤（7）包括以下步骤：

当火焰抖动次数落在同一个特定的区域时，可认为此候选像素区域满足火焰的抖动特征，对相邻两帧的同一个火焰疑似区域外接矩形进行比较，如果两个矩形中心点的横坐标或纵坐标大于某阈值，则认为该火焰疑似区域符合火焰抖动特征；

计算某一个特定火焰疑似区域在当前帧前后的连续L帧中不抖动的帧数M和抖动的帧数N，如果符合M＜δ₇&&M*δ₈＜N式（9），则认为此帧图像中该火焰疑似区域属于火焰区域，否则该区域不符合抖动特征，予以排除，δ₇和δ₈为常数。

10.如权利要求9所述的基于高清视频图像的室内火灾火焰检测方法，其特征在于：步骤（8）包括以下步骤：

重复步骤（3）至步骤（7），确认火焰疑似区域连续L帧是否为真实火焰，若是进行报警，不更新背景，进行下一帧图像的判断，否则更新背景图像；

进行下一帧图像的判断。

Images