CN108898069A - 基于多分类器融合的视频火焰检测方法 - Google Patents

Abstract

本发明涉及一种基于多分类器融合技术的视频火焰检测方法，该方法首先利用基于YCbCr颜色空间进行初步候选火焰区域的分割，然后从候选火焰区域中提取火焰的整体移动特征、纹理特征和频闪特征，再将这三种火焰特征分别输入支持向量机、朴素贝叶斯、决策树和随机森林四种分类器进行分析，最后提出一种基于置信度函数（D‑S证据理论）的多分类器融合的检测识别方法，尤其当同一特征输入不同分类器时输出结果存在冲突，本发明提出了拒绝准则以解决冲突；本发明能够有效的提高视频火焰检测技术的可靠性和适用性，具有高准确率、低误报率的特点。

Description

基于多分类器融合的视频火焰检测方法

技术领域

本发明属于火焰检测领域，尤其涉及基于多分类器融合的视频火焰检测方法。

背景技术

伴随着视频监控技术的不断发展和监控点的日益密集，基于视频的火焰检测已成为具有重大的理论研究价值和实际应用价值的课题之一，也是当前火灾检测领域高度关注的热点问题；传统非接触式探测器大多只能用于室内小空间的检测，具有探测范围小，受环境的影响较大和火灾判据单一等缺点，通过视频监控火焰解决了传统检测方法检测范围有限，传播延时等问题，但是目前的火焰检测仍存在算法检测率低，误识率高，场景变化算法失效的问题，针对这些问题，提出一种综合火焰动态特征和静态特征，将多分类器进行融合的火焰检测方法，有效地提高了火焰检测的准确度并且降低了误识率，并且对于不同场景的火焰都有较好的检测效果。

发明内容

本发明提出一种基于多分类器融合的视频火焰检测方法，使用了支持向量机、朴素贝叶斯、决策树、随机森林分类器4种分类器基于置信度函数(D-S证据理论)融合，有效地提高了视频火焰检测方法的高可靠性和适用性，而且对于不同场景的火焰都有较好的检测效果。

本发明采用的技术方案如下：

本发明提出了基于多分类器融合的视频火焰检测方法，包括以下步骤：

步骤1：读取视频火焰图像序列；

步骤2：基于YCbCr颜色空间对候选火焰区域进行初步分割，从视频图像序列中分割出有火焰颜色的区域；

步骤3：对初步分割出的候选火焰区域分别进行整体移动特征、纹理特征和频闪特征的提取；

步骤4：将步骤3所提取的3种特征分别输入支持向量机、朴素贝叶斯、决策树和随机森林分类器进行分析；

步骤5：对步骤4中所用的4种分类器进行基于置信度函数(D-S证据理论)的融合，即多分类器融合，并且对多个分类器的输出结果之间存在冲突的，使用拒绝准则，拒绝错误的识别结果(四种分类器输出的结果)。

步骤6：根据步骤5进行分类器融合后所产生的新基本概率分配函数再次进行置信度函数分类器融合，根据融合后的概率结果判断是火焰或非火焰，如果判断结果是火焰则进行报警处理。

进一步地，所述步骤2中基于YCbCr颜色空间初步分割出候选火焰区域的检测方法，火焰像素的约束规则公式如下：

其中Y(x,y)，Cb(x,y)和Cr(x,y)分别表示像素点(x,y)在Y，Cb，Cr三通道的分量值，Fcolor(x,y)判断像素点(x,y)是否列入候选火焰区域。

进一步地，所述步骤3中对候选火焰区域提取的纹理特征，是利用灰度共生矩阵对火焰纹理信息进行分析。

进一步地，所述整体移动特征利用候选火焰区域的质心变化来确定，计算质心变化方法的公式如下：

其中，S表示检测的候选火焰区域，N_S表示候选火焰区域的像素点个数，(x,y)为质心坐标。

进一步地，所述频闪特征利用空间小波分解提取方法公式如下：

其中，m×n表示候选火焰区域的像素值，e表示空间小波能量。

进一步地，所述步骤4中对于所提取的整体移动特征、纹理特征和频闪特征都分别输入支持向量机、朴素贝叶斯、决策树和随机森林四种分类器进行分析识别。

进一步地，所述步骤5中对4种分类器进行融合的具体方法如下：分别给每个分类器分配一个基本信度函数，即mass函数，分别为m1(A1)、m2(A2)、m3(A3)、m4(A4)，然后对这些mass函数进行置信度函数融合，置信度函数的融合规则公式如下：

其中，A₁、A₂、A₃、A₄分别表示支持向量机(SVM)分类器、分类器、决策树分类器和随机森林分类器，m1(A1)、朴素贝叶斯m2(A2)、m3(A3)、m4(A4)分别表示为置信度函数分配给支持向量机、朴素贝叶斯、决策树、随机森林分类器的mass函数，也称基本概率分配函数，k为归一化常数。

进一步地，所述在多分类器进行融合的过程中，可能会出现某个分类器的输出结果与其它分类器的输出结果存在冲突，这时就需要对存在冲突的分类器进行冲突解决，所以在置信度函数融合的基础上需要利用冲突拒绝准则，冲突拒绝准则的公式如下：

其中φ_I(m_j)表示单一mass函数中的冲突。

其中Φ表示每个mass函数冲突的平均值。

本发明与现有技术相比具有以下有益效果：

本发明针对目前视频火焰检测技术存在的不足(如在不同场景下，火焰的检测算法不能很好的适应，检测的准确率低，误识率高等)和对火焰的动态特性频闪特征和整体移动特征，以及静态特征颜色特征和纹理特征等输入多分类器进行分析，首次提出了一种基于多分类器融合的视频火焰检测方法；相比于其他算法，投票融合方式对于各分类器没有相应的权重系数，当分类器数量少时，每个分类器可能会有相对较高的投票结果，如果分类器出现分类结果有偏差，最终的投票结果可能会完全错误，当分类器数量多时又可能出现投票结果冲突，需要引入新的分类结果。线性融合方式虽然相比投票方式具有了权重系数，但是相比本专利的融合方式，对不准确的分类结果没有解决办法，基于置信度函数融合的方式综合考虑现有火焰检测技术融合方式存在的弊端。因此本发明的火焰检测方法能够很好的适应于不同的场景，如室内室外、光线的明暗变化、场地大小等，有效地提高了火焰检测的准确率，降低了误识率，而且具有较强的鲁棒性，具有较好的应用前景。

附图说明

图1为是本发明基于多分类器融合的视频火焰检测方法的算法流程图。

具体实施方式

为了进一步说明本发明，下面结合附图对本发明进行详细地描述，但不能将它们理解为对本发明保护范围的限定。

实施例：

如图1所示，本发明提供一种基于多分类器融合的视频火焰检测方法，包括以下步骤：

步骤1：读取视频火焰图像序列；

步骤2：基于YCbCr颜色空间对候选火焰区域进行初步分割，分割出有火焰颜色的区域从视频图像序列中；

步骤3：对初步分割出的候选火焰区域分别进行纹理特征、整体移动特征、频闪特征的提取；

步骤4：将步骤3所提取的3种特征分别输入支持向量机分类器、朴素贝叶斯、决策树和随机森林分类器进行分析；

步骤5：对其步骤4中所用的4种分类器进行基于置信度函数(D-S证据理论)的多分类器融合，在融合过程中，多分类器的输出结果之间存在冲突时，使用拒绝准则，拒绝错误的识别结果(分类器输出的结果)；

步骤6：根据步骤5进行多分类器融合后所产生的新的基本概率分配函数再次进行置信度函数融合，根据融合后的概率结果判断是火焰或非火焰，如果判断结果是火焰则进行报警处理。

所述火焰颜色是静态特征之一，同时也是识别火焰的一个重要特征，大多数基于颜色特征的火焰检测方法是使用RGB颜色空间，在RGB色彩模型中，每个色彩在其主要光谱分量中显示红色，绿色和蓝色，RGB色彩空间的主要缺点是亮度依赖性，这意味着如果图像的亮度改变，火焰分割规则执行效果会变弱；考虑到亮度改变对分割效果的影响，因此，本发明使用YCbCr颜色空间进行对候选火焰的初步分割，在YCbCr颜色通道中，其中Y表示亮度信息，Cb表示蓝色分量，Cr表示红色分量，而且在YCbCr颜色空间中，亮度信息可以从色度信息中分离出来。因此，即使背景照明发生变化，它也可以呈现出真实的效果。

所述RGB颜色空间与YCbCr之间的转换是线性关系，其转换公式如下：

其中Y是亮度信息，范围是[16,235],Cb和Cr分别是蓝色分量和红色分量，范围分别是[16,240],[16,240]。

所述火焰的颜色范围一般来说从红色到黄色，有时呈现白色(当火的温度非常高时)，在火焰和类似火焰色的区域，Y分量大于Cb分量，但在其他区域，Y分量小于Cb分量；此外，是火焰时的红色分量(Cr)要高于色度蓝色分量(Cb)，而且类似火焰颜色的|Cb-Cr|的值要高于非火焰颜色的|Cb-Cr|，一般类似火焰颜色的|Cb-Cr|取值范围是(100，150)，非火焰颜色的|Cb-Cr|取值范围在(0，80)。

根据YCbCr空间分割候选火焰区域的规则公式如下所示：

其中Y(x,y)，Cb(x,y)和Cr(x,y)分别表示像素点(x,y)在Y，Cb，分量值，Fcolor(x,y)是判断像素点(x,y)是否列入候选火焰Cr三通道的区域。

所述纹理特征是火焰的静态特征，由于纹理特征是由灰度分布在空间位置上反复出现而形成的，而灰度共生矩阵是对图像上保持一定距离的两个像素点，对像素对的灰度进行统计，不仅能反映像素的灰度信息，还能反映其空间的位置信息，故本文利用灰度共生矩阵描述火焰的纹理，其中矩阵为方阵，一般将矩阵控制在6维或8维，为减小计算量，并且火焰具有不透明性，可以将图像中的像素点抹平，从而使图像的像素点具有相似的灰度值，即灰度共生矩阵的对角线元素较大且集中在附近，故从矩阵中可以直观得出火焰与非火焰的区别，对火焰区域的纹理信息分析的灰度共生矩阵G1和非火焰区域的灰度共生矩阵G2如下所示：

所述整体移动是检测火焰的重要动态特征，火焰的整体移动特征在短时内不会发生剧烈变化，即整体移动具有相对稳定性，这种稳定性体现在火焰候选区域的质心位置不会发生突变，故发明是根据火焰候选区域的质心位置变化情况来分析火焰的整体移动特性，区别于其他的刚性物体运动或是快速移动的物体，计算质心位置的公式如下：

其中，S表示检测的候选火焰区域，NS表示候选火焰区域的像素点个数，(x,y)为质心坐标，通过对连续相邻帧利用上式计算每帧图像区域的质心，根据火焰的特性，得到的曲线是左右、上下来回对折的折线。

所述频闪特征也是识别火焰的重要动态特征之一，利用空间小波分解火焰的动态频闪特性，对火焰图像进行小波分解后，会得到4个子带编码，分别为1个低频子带编码(压缩图像XLL)和3个高频子带编码(水平系数图像XHL、垂直系数图像XLH和对角线系数图XHH)，通过计算空间小波能量来区分火焰和非火焰，小波能量的计算公式如下：

其中，m×n是候选火焰区域的像素值，e表示空间小波能量，由小波能量的系数曲线图区分火焰与非火焰，火焰与其它物体之间存在较宽的能量壁垒。

所述支持向量机是一种二分类模型，它计算的复杂度取决于支持向量的数目，而不是样本空间的维数，从而有效避免了维数灾难，不需要大量的冗余样本，具有较好的鲁棒性。

所述朴素贝叶斯源于古典数学理论，有稳定的分类效率，贝叶斯分类具有较简单的算法，而且对于缺失数据不是十分敏感。

所述决策树需要准备的数据量不是很大，而且能够有效处理多输入问题，相比与其他算法更加方便。

所述随机森林由多棵决策树构成，所以除了具有决策树分类方法的优点外，它能够处理大量的输入变量，而且具有高准确度的分类效果，甚至在数据丢失的情况下仍能够具有较高的正确分类。

所述步骤5中对4种分类器进行融合的具体方法如下：分别给每个分类器分配一个基本信度函数，即mass函数，分别为m₁(A₁)、m₂(A₂)、m₃(A₃)、m₄(A₄)，然后对这些mass函数进行置信度函数融合，置信度函数的融合规则公式如下：

其中，A₁、A₂、A₃、A₄分别表示支持向量机(SVM)分类器、朴素贝叶斯分类器、决策树分类器和随机森林分类器，m₁(A₁)、m₂(A₂)、m₃(A₃)、m₄(A₄)分别表示为置信度函数分配给支持向量机、朴素贝叶斯、决策树、随机森林分类器的mass函数，也称基本概率分配函数，k为归一化常数。

所述在多分类器进行融合的过程中，可能会出现某个分类器的输出结果与其它分类器的输出结果存在冲突，这时就需要对存在冲突的分类器进行冲突解决，所以在置信度函数融合的基础上需要利用冲突拒绝准则，冲突拒绝准则的公式如下：

其中φ_I(m_j)表示单一mass函数中的冲突。

其中Φ表示每个mass函数冲突的平均值。

所述以上基于置信度函数融合中的四种分类器都是性能较好的分类器，技术成熟，在现有的视频火焰检测中经常被应用，且都有理想的分类效果，应用多分类器可分别以优势互补，因此发明选择这四种分类器基于置信度函数融合，并且当不同分类器对于同一特征的决策结果产生冲突时，使用拒绝准则，有效的提高识别的准确率，降低误识率。

本发明采用漏检率以及误检率来衡量火焰检测算法的可行性，表1为火焰检测算法在标准数据库中不同场景下漏检率和误检率的统计结果。

表1漏检率和误检率统计结果

通过表1的统计结果可知，本文提出的火焰检测算法在各种环境下均有较低误检率和漏检率。在室内环境下的检测结果优于室外环境。此外当背景条件较复杂时，系统的漏检率和误检率均增加。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.基于多分类器融合的视频火焰检测方法，其特征在于：包括以下步骤：

步骤1：读取视频火焰图像序列；

步骤2：基于YCbCr颜色空间对候选火焰区域进行初步分割，从视频图像序列中分割出有火焰颜色的区域；

步骤3：对初步分割出的候选火焰区域分别进行整体移动特征、纹理特征和频闪特征的提取；

步骤4：将步骤3所提取的3种特征分别输入支持向量机、朴素贝叶斯、决策树和随机森林分类器进行分析；

步骤5：对步骤4中所用的4种分类器进行基于置信度函数的融合，即多分类器融合，并且对多个分类器的输出结果之间存在冲突的，使用拒绝准则，拒绝错误的识别结果。

步骤6：根据步骤5进行分类器融合后所产生的新基本概率分配函数再次进行置信度函数分类器融合，根据融合后的概率结果判断是火焰或非火焰，判断结果是火焰则进行报警处理。

2.根据权利要求1所述的基于多分类器融合的视频火焰检测方法，其特征在于：所述步骤4中将对候选火焰区域提取的整体移动特征、纹理特征和频闪特征分别输入支持向量机、朴素贝叶斯、决策树和随机森林分类器，即将三种特征同时输入上述四种分类器进行分析。

3.根据权利要求1所述的基于多分类器融合的视频火焰检测方法，其特征在于：所述步骤5中对4种分类器利用置信度函数(D-S证据理论)进行融合，为了进一步提高火焰的正确识别率，降低对疑似火焰的误识率，在置信度函数融合的基础上，对于三种特征输入不同分类器时输出结果存在冲突时，使用拒绝准则，在性能表现和舍弃率之间进行权衡，融合方法如下公式：

其中，A₁、A₂、A₃、A₄分别表示支持向量机(SVM)分类器、朴素贝叶斯分类器、决策树分类器和随机森林分类器，m₁(A₁)、m₂(A₂)、m₃(A₃)、m₄(A₄)分别表示为置信度函数分配给支持向量机、朴素贝叶斯、决策树、随机森林分类器的mass函数，也称基本概率分配函数，k为归一化常数。

4.根据权利要求1所述的基于多分类器融合的视频火焰检测方法，其特征在于：当对火焰的多个特征分别基于置信度函数进行多分类器融合后，再对于每个特征产生的新的mass函数进行置信度函数融合，根据最终的最大融合概率得出识别结果是火焰或非火焰。

5.根据权利要求1所述的基于多分类器融合的视频火焰检测方法，其特征在于：在多分类器进行融合的过程中，某个分类器的输出结果若与其它分类器的输出结果存在冲突，这时就需要对存在冲突的分类器进行冲突解决，所以在置信度函数融合的基础上利用冲突拒绝准则，冲突拒绝准则的公式如下：

单一mass函数中的冲突公式：

每个mass函数冲突的平均值公式：