CN103617414B - 一种基于最大间距准则的火灾颜色模型的火灾火焰和烟雾识别方法 - Google Patents

Abstract

本发明提供一种基于最大间距准则的火灾颜色模型的火灾火焰和烟雾识别方法，包括以下步骤：第一步，建立一个图像库，用来作为训练集，其中包括三种图像：火焰、烟雾和干扰图像。第二步，利用最大间距准则对训练集进行特征向量提取，得出系数矩阵，获得火焰和烟雾特征。第三步，根据特征建立K最近邻结点算法分类器；第四步，利用第三步的分类器对待检测图像进行分析识别，如果是，则给出火灾报警信号。本发明利用最大间距准则来统计分析大量的数据，计算出最合理的权值，得出适合于火焰和烟雾的最佳描述，能够有效地区分火焰、烟雾和干扰，有效地提高火灾识别率。

Description

一种基于最大间距准则的火灾颜色模型的火灾火焰和烟雾识 别方法

技术领域

本发明利用最大间距准则通过计算机图像处理的方法进行火灾中火焰和烟雾的探测，属于火灾探测技术领域，具体涉及计算机图像处理和视频火灾探测。

背景技术

基于视频的火灾探测技术是一种基于数字图像处理和分析的新型火灾探测方法，它利用摄像头对现场进行监视，同时对获得的图像进行处理和分析，获得早期火灾火焰和烟雾的特征，及时准确地探测火灾。相对于传统火灾探测技术而言，视频火灾探测技术具有响应速度快，监测范围广，距离远，识别率高等优势，能够较早地发现灾情，有力保障人民的生命和财产安全，近年来愈发受到人们的欢迎。

Chen等利用RGB模型来提取火焰和烟雾点，主要分析R分量的强度和饱和度，以及比较R、G、B三个分量。Toreyin等从火焰像素的训练集中得到RGB颜色模型，并结合使用混合高斯模型，最终完成检测，并取得了较好的识别效果。Yamagishi将RGB转换成HSV后建模，并根据饱和度和色调进行分割，然后提取火焰轮廓，对其轮廓进行傅立叶变化并提取傅立叶频域特征，最后输入到神经网络来判断火灾。Marbach等使用YUV颜色模型表示视频数据，亮度分量的时间倒数Y用于表示候选火焰像素，色度分量U和V则用于分析候选像素是否在火焰区域里。除了利用亮度和色度信息，还在工作中加入运动检测的内容。Celik等提出火焰颜色统计模型，通过背景消减法得到运动目标，在此基础上，结合颜色统计模型获取火焰，随后他们又提出了在YCbCr空间，引入了模糊数学方法，釆用变化的阈值来代替固定的阈值进行火焰辨识。Homg等选择HSI颜色空间的火焰颜色模型，并结合差分来获取火焰潜在区域目标。Lee等采用了火焰颜色固定阈值，并实现对火焰图像进行判断。Noda S等人认识到道路火灾的危险性，对隧道火灾做了一些工作，比较了灰度直方图。于春雨等分析了运动和颜色特征。姜东海提出了在HSV空间利用烟雾图像的高H分量和低V分量联合分割出烟雾图像。焦珂提出烟雾颜色在RGB立体空间中大致分布在对角线附近，即R≈G≈B。周平等人提出了基于色域RGB分量系数运算并结合小波变换来识别火灾烟雾的新方法，能较好地识别火灾图像。但是针对不同的烟雾颜色，不能做到自适应选择RGB分量系数。

在人脸识别中，分析处理的对象是人脸图像，在理论分析中，人脸图像可以看作高维数据空间中的一个点，人脸识别的目的就是通过各种方法找出被识别点的所属类别标签。通常情况下，人脸图像的分辨率比较高，这也就意味着高维空间的维数也比较高，直接在高维空间中对数据进行各项分类计算其计算量是巨大的。基于子空间分析的人脸识别的目的就是要通过各种方法将人脸图像从原始数据空间投影到一个低维数据空间，在低维空间内实现对数据的各项分类运算，以降低人脸识别算法计算量，提高其实用性。基于子空间分析的人脸识别包括基于线性子空间分析的人脸识别和基于非线性子空间分析的人脸识别。主要的几种基于线性子空间分析的人脸识别包括：基于独立成分分析(IndependentComponent Analysis,ICA)的人脸识别、基于主成分分析(Principal ComponentAnalysis,PCA)的人脸识别和基于线性鉴别分析(Linear Discriminant Analysis,LDA)的人脸识别，其中最大间距准则是对线性鉴别分析的一个改进。可以看出这些分析方法在人脸识别中效果比较好，所以我们应用到火灾探测中应该同样能够发挥作用。

发明内容

本发明要解决的技术问题为：利用现有的技术，将人脸识别中的方法应用到火灾探测领域，得到一种基于最大间距准则的火灾颜色模型的火灾识别方法。

本发明解决上述技术问题采用的技术方案为：提供了一种基于最大间距准则的火灾颜色模型的火灾火焰和烟雾识别方法，包括以下步骤：

第一步，建立一个图像库，用来作为训练集，其中包括三种图像：火焰、烟雾和干扰图像。

第二步，利用最大间距准则对训练集进行特征提取，得出系数矩阵，获得火焰和烟雾特征。

第三步，根据特征建立K最近邻结点算法分类器；

第四步，利用第三步的分类器对待检测图像进行分析识别，如果是，则给出火灾报警信号。

本发明与现有技术相比的优点在于：现有的视频探测技术围绕火灾中的颜色特征、模糊特征、轮廓特征以及纹理特征等开展，在考虑颜色特征时，大都都是RGB的不同组合，而这些权值都是根据以往的工作自定义的，缺少数学支撑。所以利用最大间距准则来统计分析大量的数据，计算出最合理的权值，得出适合于火焰和烟雾的最佳描述，能够有效地区分火焰、烟雾和干扰，有效地提高火灾识别率。

附图说明

图1为转换示意图；

图2为本发明基于最大间距准则的火灾颜色模型的火灾识别方法步骤图；

图3为本发明转换前后的火焰和烟雾图片示意图；其中(a)为原始火焰，(b)为转换后火焰；(c)为原始烟雾，(d)为转换后烟雾。

具体实施方式

下面结合附图具体说明本发明的具体实施方式。

一种基于最大间距准则的火灾颜色模型的火灾火焰和烟雾识别方法，包括以下步骤：

第一步，建立一个图像库，用来作为训练集，其中包括三种图像：火焰、烟雾和干扰图像。

第一步中为了保证准确性，尽可能多地从实验中采集图像。

我们拍摄多种情况下的火灾视频(白天以及晚上的棉绳、木材等阴燃烟雾和正庚烷、乙醇等火焰视频，以及自然界中红旗、白云等各种类似于火焰和烟雾的干扰图像)。

第二步，利用最大间距准则对训练集进行特征提取，得出系数矩阵，获得火焰和烟雾特征。

第二步中最大间距准则的基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，它能够保证投影后模式样本在新的空间中有最小的类内距离和最大的类间距离，使同一类别的数据点模式在该空间中有最佳的可分离性，因此，它是一种有效的特征抽取方法，我们可以将这一思想结合到火灾探测中，下面是简单的推导过程。

A_ij是第i类中的第j幅图像，当i＝0时代表无火，i＝1时代表有火焰或者烟雾，j＝1,2,3,…,M_i，M_i代表第i类样本容量，M是总体样本容量，M＝M₁+M₂，通常我们用RGB彩色模型来表示，R是红色分量，G是绿色分量，B是是蓝色分量。

第i类的平均图像为：

${\stackrel{\‾}{A}}_i=\frac{1}{M_i}\underset{j=1}{\overset{M_i}{\Σ}}{A}_{ij}=\[{\stackrel{\‾}{R}}_i,{\stackrel{\‾}{G}}_i,{\stackrel{\‾}{B}}_i\]$

总体的平均图像为：

$\stackrel{\‾}{A}=\frac{1}{M}\underset{i=0}{\overset{1}{\Σ}}\underset{j=1}{\overset{M_i}{\Σ}}{A}_{ij}=\[\stackrel{\‾}{R},\stackrel{\‾}{G},\stackrel{\‾}{B}\]$

我们引进新的Z空间：

Z_ij＝x₁R_ij+x₂G_ij+x₃B_ij＝[R_ij,G_ij,B_ij]X

这里X＝[x₁,x₂,x₃]^T∈R³，类间散布矩阵S_b(X)和类内散布矩阵S_w(X)可以分别表示为：

$\begin{array}{c}{S}_b\left(X\right)=\underset{i=0}{\overset{1}{\Σ}}{n}_i({\stackrel{\‾}{Z}}_i-\stackrel{\‾}{Z}){({\stackrel{\‾}{Z}}_i-\stackrel{\‾}{Z})}^T\\ =\underset{i=0}{\overset{1}{\Σ}}{n}_i\[({\stackrel{\‾}{A}}_i-\stackrel{\‾}{A}){\mathrm{XX}}^T{({\stackrel{\‾}{A}}_i-\stackrel{\‾}{A})}^T\]\end{array}$

$\begin{array}{c}{S}_w\left(X\right)=\underset{i=0}{\overset{1}{\Σ}}{n}_i\left(\frac{1}{M_i-1}\underset{j=1}{\overset{M_i}{\Σ}}\right(Z_{ij}-{\stackrel{\‾}{Z}}_i){(Z_{ij}-{\stackrel{\‾}{Z}}_i)}^T)\\ =\underset{i=0}{\overset{1}{\Σ}}{n}_i\frac{1}{M_i-1}\underset{j=1}{\overset{M_i}{\Σ}}\[({\stackrel{\‾}{A}}_{ij}-{\stackrel{\‾}{A}}_i){\mathrm{XX}}^T{({\stackrel{\‾}{A}}_{ij}-{\stackrel{\‾}{A}}_i)}^T\]\end{array}$

这里和n_i分别代表第i类图像的平均向量和先验概率，n_i＝M_i/M，代表总体平均向量，由于X是未知的，S_b(X)和S_w(X)可以看成是X的线性泛函。所以最大间距准则可以表示为：

J(w,X)＝w^TS_b(X)w-w^TS_w(X)w

w是投影基向量，根据瑞利商，我们可以知道最大间距准则与下式等价：

$\left\{\begin{array}{c}\underset{w,X}{\max }{w}^T{S}_b\left(X\right)w-w^T{S}_w\left(X\right)w\\ subjectto{w}^{T}w=1\end{array}\right.$

这里w和X均是未知量，所以我们固定一个求另外一个，上式可以求得最佳的w，同理我们可以用下面的公式来求X，首先引入L_b(w),L_w(w)，其中w^TS_b(X)w＝X^TL_b(w)X,w^TS_w(X)w＝X^TL_w(w)X

$L_b\left(w\right)=\underset{i=0}{\overset{1}{\Σ}}{n}_i\[{({\stackrel{\‾}{A}}_i-\stackrel{\‾}{A})}^T{\mathrm{ww}}^T({\stackrel{\‾}{A}}_i-\stackrel{\‾}{A})\]$

$L_w\left(w\right)=\underset{i=0}{\overset{1}{\Σ}}{n}_i\frac{1}{M_i-1}\underset{j=1}{\overset{M_i}{\Σ}}\[{(A_{ij}-{\stackrel{\‾}{A}}_i)}^T{\mathrm{ww}}^T(A_{ij}-{\stackrel{\‾}{A}}_i)\]$

因此可以写成：

$\left\{\begin{array}{c}\underset{w,X}{\max }{X}^T{L}_b\left(w\right)X-X^T{L}_w\left(w\right)X\\ subjectto{X}^{T}X=1\end{array}\right.$

采用循环迭代算法来计算最佳投影向量w和转换向量X，根据拉格朗日乘数法，可得解决上述问题就是求解S_b(X)-S_w(X)和L_b(w)-L_w(w)的特征值和特征向量。

由第二步的最大间距准则，我们可以提取出最佳转换向量，此时我们将原图像进行转换，并提取火焰和烟雾特征，这就是基于最大间距准则的火灾颜色模型。根据火灾特征，建立K最近邻结点算法分类器。

第三步，根据特征建立K最近邻结点算法分类器；

K最近邻结点算法通过在训练集中查找一组最接近测试对象的k对象组，并在此相邻关系下基于特殊类的突出的状态或性质来进行标记的分配。首先我们根据最大间距准则算出的投影基向量和转换向量转换原始图像，然后计算待检测图像与训练图像之间的距离，确定其k最近邻域列表。

第四步，利用第三步的分类器对待检测图像进行分析识别，如果是，则给出火灾报警信号。当最近邻域列表生成后，测试对象就会根据其最大最近邻域来进行分类，从而区别出火焰、烟雾以及干扰。

具体实例如下：

如图2所示，本发明基于最大间距准则的火灾颜色模型的视频火灾探测方法的具体操作步骤如下：

首先通过实验采集三类图像(火焰、烟雾、干扰)作为研究对象。

下一步应用最大间距准则提取图像中的火焰和烟雾特征，具体的算法步骤如下：

①设置初始值，k＝0，X＝[1/3,1/3,1/3]^T；

②计算S_b(X)-S_w(X)的特征值，并将特征向量赋值给w；

③计算L_b(w)-L_w(w)的特征值，并将特征向量赋值给X；

④达到临界值时，终止程序，此时所得到的w和X就是最佳投影向量和转换向量；

⑤否则将新值赋给X，并返回第二步继续运算。

由此可得最佳转换向量，此时我们将原图像进行转换，并提取火焰和烟雾特征。并根据火灾特征，建立K最近邻结点算法分类器，其火灾识别率能够得到提高。图3是转换前后的火焰和烟雾图片示意图。

本发明未详细公开的部分属于本领域的公知技术。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种基于最大间距准则的火灾颜色模型的火灾火焰和烟雾识别方法，其特征在于，包括以下步骤：

第一步，建立一个图像库，用来作为训练集，其中包括三种图像：火焰、烟雾和干扰图像；

第二步，利用最大间距准则对训练集进行特征提取，得出系数矩阵，获得火焰和烟雾特征；

第二步中最大间距准则的基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，它能够保证投影后模式样本在新的空间中有最小的类内距离和最大的类间距离，使同一类别的数据点模式在该空间中有最佳的可分离性，因此，它是一种有效的特征抽取方法，可以将这一思想结合到火灾探测中，下面是简单的推导过程：

A_ij是第i类中的第j幅图像，当i＝0时代表无火，i＝1时代表有火焰或者烟雾，j＝1,2,3,…,M_i，M_i代表第i类样本容量，M是总体样本容量，M＝M₁+M₂，通常用RGB彩色模型来表示，R是红色分量，G是绿色分量，B是是蓝色分量；

第i类的平均图像为：

总体的平均图像为：

引进新的Z空间：

Z_ij＝x₁R_ij+x₂G_ij+x₃B_ij＝[R_ij,G_ij,B_ij]X

这里X＝[x₁,x₂,x₃]^T，类间散布矩阵和类内散布矩阵可以分别表示为：

这里和n_i分别代表第i类图像的平均向量和先验概率，n_i＝M_i/M，代表总体平均向量，由于X是未知的，S_b(X)和S_w(X)可以看成是X的线性泛函，所以最大间距准则可以表示为：

J(w,X)＝w^TS_b(X)w-w^TS_w(X)w

w是投影基向量，根据瑞利商，可以知道最大间距准则与下式等价：

这里w和X均是未知量，所以固定一个求另外一个，上式可以求得最佳的w，同理可以用下面的公式来求X，首先引入L_b(w),L_w(w)，其中w^TS_b(X)w＝X^TL_b(w)X,w^TS_w(X)w＝X^TL_w(w)X

因此可以写成：

采用循环迭代算法来计算最佳的投影基向量w和转换向量X，根据拉格朗日乘数法，可求解S_b(X)-S_w(X)和L_b(w)-L_w(w)的特征值和特征向量；

第三步，根据特征建立K最近邻结点算法分类器；

第四步，利用第三步的分类器对待检测图像进行分析识别，如果是，则给出火灾报警信号。

2.根据权利要求1所述的一种基于最大间距准则的火灾颜色模型的火灾火焰和烟雾识别方法，其特征在于，由第二步的最大间距准则，可以提取出最佳转换向量，此时将原图像进行转换，并提取火焰和烟雾特征，这就是基于最大间距准则的火灾颜色模型，根据火灾特征，建立K最近邻结点算法分类器，用于识别火灾。