一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法
阅读说明：本技术 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法 (Fire detection method based on seed region growth rule in YCRCB color space ) 是由 杨雄飞 管一弘 王端生 杨建菊 余天兵 李志强 廖礼玲 杨亚飞 于 2021-08-25 设计创作，主要内容包括：本发明涉及一种在YCRCB颜色空间中基于种子区域生长法则的火灾检测方法,属于火灾检测技术领域。本发明包括采集图像、进行帧图像预处理,利用火灾的颜色特性在YCrCb通道进行图像种子选取、得到的种子根据灰度值和色度差相似性准则进行区域生长,对生长后的图像进行火焰图像动态特征的判别,进而得到火灾最终的判别结果。本发明解决了目前火灾识别准确性低、运算度大的问题,能有效提高火灾检测的速度与准确性。(The invention relates to a fire detection method based on a seed region growth rule in a YCRCB color space, belonging to the technical field of fire detection. The method comprises the steps of collecting images, preprocessing frame images, selecting image seeds in a YCrCb channel by utilizing the color characteristics of a fire, carrying out region growing on the obtained seeds according to the similarity criterion of gray values and chromaticity differences, and judging the dynamic characteristics of flame images of the grown images so as to obtain the final judgment result of the fire. The invention solves the problems of low fire identification accuracy and high calculation degree at present, and can effectively improve the speed and accuracy of fire detection.)
技术领域
本发明涉及一种在YCRCB颜色空间中基于种子区域生长法则的火灾检测方法， 属于火灾检测技术领域。
背景技术
火灾是一种灾害事件，会迅速造成重大伤害和财产损失。为了减少此类灾害， 早期无假警报的火灾探测至关重要。因此，各种自动火灾探测技术正在被开发，并 且在现实生活中被广泛使用。
目前的火灾区域检测算法大多数基于RGB彩色图像和一些简单的火灾的静态及动态特征进行分析的，但火灾图像受背景光照的影响明显，传统的基于RGB通道的 检测方法在火灾背景与火灾颜色相似的情况下，检测效果较差；另外传统方法的技 术的运量较大，需要多次对整幅图像进行点对点操作。
发明内容
本发明提供了一种在YCRCB颜色空间中基于种子区域生长法则的火灾检测方 法，以用于解决目前的火灾检测算法存在的火灾在明亮背景下检测效率不高、准确 性低、运算度大以及检测速率较慢的问题。
本发明的技术方案是：一种在YCRCB颜色空间中基于种子区域生长法则的火 灾检测方法，包括采集图像、进行帧图像预处理，利用火灾的颜色特性在YCrCb通 道进行图像像素种子选取、得到的种子根据灰度值和色度差相似性准则进行区域生 长，对生长后的图像进行火焰图像动态特征的判别，进而得到火灾最终的判别结果。
作为本发明的进一步方案，所述方法的具体步骤如下：
Step1、通过图像采集设备采集疑似火灾图像，再进行图像预处理；
Step2、将所处理的彩色图像从RGB转化到YCrCb空间当中；
Step3、在YCrCb空间中基于像素的相似性准则选取图像像素种子；
Step4、根据种子的生长准则，在YCrCb空间中对选取种子区域进行区域生长； 种子的生长准则以图像灰度差和色度差为判定条件；
Step5、基于火焰图像在YCrCb通道上进行区域分割；
Step6、对图像区域分割后，通过动态调节区域生长准则中的灰度差阈值及色度差阈值的大小处理过分割及欠分割问题；
Step7、对图像YCrCb通道的特性进行筛选，再次去除掉与火灾图像相似的图像 区域；
Step8、对疑似火焰区域的动态特征进行分析，得到火灾最终的判别结果。
作为本发明的进一步方案，所述Step1中图像预处理包括图像滤波、图像增强。
作为本发明的进一步方案，所述Step3中，利用基于像素的相似性准则选取图像像素种子的基础上，加入根据火焰图像色彩通道的限制性条件，色彩通道的限制性 条件公式为：
Y(x，y)>Cb(x，y)
Cr(x，y)>Cb(x，y)
其中Y(x，y)、Cr(x，y)和Cb(x，y)分别是空间位置(x，y)的亮度、蓝色度和红 色度值；根据火焰图像的统计规律：火焰像素在YCrCb颜色通道中，Y通道值大于 Cb通道值，Cr通道值大于Cb通道值；
其次，基于像素的相似性准则包括如下：
(1)相似度公式：
xi表示某一点像素周围邻域像素分别为Y、Cr、Cb通道上的值，表示某一 点像素周围邻域像素分别为Y、Cr、Cb通道上的平均值，σx表示Y、Cr、Cb通道上 的标准偏差，记作σY、总标准偏差为记作σ，
采用归一化的相似度为：
σN＝σ/σmax
其中σmax表示图像中标准偏差最大值，H表示像素与其邻域的相似度；
H＝1-σN
若H<Hthesoul,则为种子区域，这里的阈值Hthesoul是通过统计实验数据得到的，对于不同的火灾背景，能动态的调节阈值；
(2)一个区域与它的邻居区域的色彩相对欧氏距离的最大值要小于一个阈值；
相对欧几里德公式为：
i＝1,2,…,8
其中di表示某点的像素与其周围8领域像素在YCbCr通道上的欧几里德距离，
Cb，Cr表示某点像素在Y，Cb，Cr通道上的值，Yi，表示该点的邻域像素 在Y，Cb，Cr通道上的值，dmax表示该像素与其周围8领域像素中欧几里距离值中的 最大值，该最大值要满足：
dmax<＝dthesould
这里的欧几里德颜色阈值dthesould是通过统计实验规律决定的。
作为本发明的进一步方案，所述Step4中，判定条件具体为：
条件1：如果两个相邻区域的灰度差阈值及色度差阈值的大小都小于一定的阈值,那么合并这两个区域；
步骤如下：
4.1、对图像进行逐行扫描，找出尚无归属的像素；
4.2、以该像素为中心，检查它相邻的像素，即将邻域中的像素逐个与它比较， 如果灰度差小于事先确定的阈值，则将中心像素和领域像素合并；
4.3、以新合并的像素为中心，再进行步骤4.2检测,直到区域不能进一步扩张；
4.4、重新回到步骤4.1,继续扫描直到不能发现没有归属的像素,整个生长过程结束。
作为本发明的进一步方案，所述Step7具体包括如下筛选准则：
(1)、火灾图像的Y通道值大于其K近领域平均值，而Cr，Cb通道值小于其 K近领域平均值；
(2)、当某点Cb与Cr通道上的差值大于一定阈值时，才被划定为火灾区域。
作为本发明的进一步方案，所述Step8中，对疑似火焰区域的动态特征进行分析具体是对火焰的无序性、火焰的运动特征、火灾区域面积的随机性、火灾边缘的圆 角、火焰的圆形度进行分析，利用最后的特征分析判断是否为真正的火灾。
作为本发明的进一步方案，所述Step8具体包括：
8.1检测图像当中的运动区域
公式为：
d(i,j)＝gn(i,j)-g0(i,j)
其中gn(i，j)是输入图像的第n帧，g0(i，j)是在监视期间更新的背景图像，这里 的gn(i,j)、g0(i,j)分别表示灰度图像，对得到的两帧灰度图像的差值进行判定，当 大于阈值T1时，判定为运动图像；否则判定为非运动图像，这里定义 gresult图像最终的判定结果，如下:
公式为：
这里定义总和gresult为最近图像的移动显著性，如下:
这里T1是由猜测和统计经验规律选择的阈值，T1决定算法对单个像素变化的灵敏度；
8.2检测火灾区域图像面积大小的随机性
在图像处理中，区域大小表示对象的像素数；由于火焰闪烁，边缘会跳动，可疑 区域的面积大小会逐帧变化，但轮廓相似，使用下面描述的公式计算区域大小的随 机性:
公式：
其中，Ai表示当前帧中潜在火灾区域的面积大小，Ai-1表示前一帧中潜在火灾区域的面积大小，在使用硬决策规则的情况下，如果则假设为火灾，其中λ 是决策阈值，通过统计实验规律求得；
8.3边缘的随机性
从几何性质来看，火焰序列相邻帧的边缘不稳定，但整体边缘具有稳定的相似性；“索贝尔”检测算子用于获取可疑火灾的边缘，然后使用相似度公式作为等式；
其中bi(x,y)是当前帧中火焰的像素，bi+1(x,y)是后一帧中火焰的像素；在火灾探测过程中，应通过统计实验规律选择阈值θ；当大于θ时，判断为火灾；边缘似然 反映了火焰形状、空间变化和空间分布变化的相似性；它用来区分常见的干扰目标， 如快速移动的固定高光、火焰颜色移动的物体、大面积的光照变化；
8.4检测火灾图像锐角转角
视频图像中的火焰形状特征显示为具有多层闭合轮廓的图像，轮廓线上有一个或多个尖角；尖角必须满足两个条件，首先它应该有一个顶点，然后它两边的值必须 大于一个阈值L；如果发生火灾，在潜在火灾区域的轮廓上必须有很多尖角，这里 设置的最小数目是Nmin，也是由实验规律取得；
8.5目标的圆形度
圆形度是一个参数，用来衡量物体的圆形程度或面积复杂度；它由对象面积大小和周长计算，如下所示:
公式：
其中，So是目标的面积大小，P是周长；一般来说，火焰具有复杂的、不规则 的形状，而其他类似的火干扰具有规则的形状，具有高圆形度；如果潜在目标的圆 形度小于阈值Ct，则确定图像中有火灾；尖角的提取和目标圆度的计算都是基于火 焰的多边形和不规则特征的判据。
本发明的有益效果是：本发明通过种子区域大的方法在火灾像素种子区域生长之前去除掉了大量与火灾无关的像素，减小了计算机的运算空间；本方法能有效提 高火灾检测的速度与准确性。
附图说明
图1为本发明中的种子区域选取准则流程图；
图2为本发明中区域生长准则流程图；
图3为本发明中图像区域分割流程图；
图4为本发明动态分析流程图；
图5为本发明火灾图像整体分析流程图。
具体实施方式
实施例1：如图1-5所示，一种在YCRCB颜色空间中基于种子区域生长法则的 火灾检测方法，包括采集图像、进行帧图像预处理，利用火灾的颜色特性在YCrCb 通道进行图像像素种子选取、得到的种子根据灰度值和色度差相似性准则进行区域 生长，对生长后的图像进行火焰图像动态特征的判别，进而得到火灾最终的判别结 果。
作为本发明的进一步方案，所述方法的具体步骤如下：
Step1、通过图像采集设备采集疑似火灾图像，再进行图像预处理；确保在处理 步骤之前去除所有噪声，为后面图像的进一步操作提供高质量的图像；
Step2、将所处理的彩色图像从RGB转化到YCrCb颜色空间当中；因为具有 YCbCr能够更加有效地将亮度和色度分开的性质；
RGB与YCrCb之间的转换空间可以如下所示：
Step3、在YCrCb颜色空间中基于像素的相似性准则选取图像像素种子；准则概 括可以如下：Y>＝Cr>＝Cb；
Step4、根据种子的生长准则，在YCrCb空间中对选取种子区域进行区域生长； 种子的生长准则以图像灰度差和色度差为判定条件；
Step5、基于火焰图像在YCrCb通道上进行区域分割；
Step6、对图像区域分割后，通过动态调节区域生长准则中的灰度差阈值及色度差阈值的大小处理过分割及欠分割问题；
Step7、对图像YCrCb通道的特性进行筛选，再次去除掉与火灾图像相似的图像 区域；
Step8、对疑似火焰区域的动态特征进行分析，得到火灾最终的判别结果。
作为本发明的进一步方案，所述Step1中图像预处理包括图像滤波、图像增强。
作为本发明的进一步方案，所述Step3中，利用基于像素的相似性准则选取图像像素种子的基础上，加入根据火焰图像色彩通道的限制性条件，色彩通道的限制性 条件公式为：
Y(x，y)>Cb(x，y)
Cr(x，y)>Cb(x，y)
其中Y(x，y)、Cr(x，y)和Cb(x，y)分别是空间位置(x，y)的亮度、蓝色度和红 色度值；根据火焰图像的统计规律：火焰像素在YCrCb颜色通道中，Y通道值大于 Cb通道值，Cr通道值大于Cb通道值；
其次，基于像素的相似性准则包括如下：
(1)相似度公式：
xi表示某一点像素周围邻域像素分别为Y、Cr、Cb通道上的值，表示某一 点像素周围邻域像素分别为Y、Cr、Cb通道上的平均值，σx表示Y、Cr、Cb通道上 的标准偏差，记作σY、总标准偏差为记作σ，
采用归一化的相似度为：
σN＝σ/σmax
其中σmax表示图像中标准偏差最大值，H表示像素与其邻域的相似度；
H＝1-σN
若H<Hthesoul,则为种子区域，这里的阈值Hthesoul是通过统计实验数据得到的，对于不同的火灾背景，能动态的调节阈值；
(2)一个区域与它的邻居区域的色彩相对欧氏距离的最大值要小于一个阈值；
相对欧几里德公式为：
i＝1,2,…,8
其中di表示某点的像素与其周围8领域像素在YCbCr通道上的欧几里德距离，
Cb，Cr表示某点像素在Y，Cb，Cr通道上的值，Yi，表示该点的邻域像素 在Y，Cb，Cr通道上的值，dmax表示该像素与其周围8领域像素中欧几里距离值中的 最大值，该最大值要满足：
dmax<＝dthesould
这里的欧几里德颜色阈值dthesould是通过统计实验规律决定的。阈值较大时，可以分割成几个大块，阈值较小时，会导致过度分割。通过该条件限制的主要目的是保 证种子区域不落在边界上。此时可将图像中的种子二分类为两类种子：类似火种子 和非类似火种子；
作为本发明的进一步方案，所述Step4中，判定条件具体为：
条件1：如果两个相邻区域的灰度差阈值及色度差阈值的大小都小于一定的阈值,那么合并这两个区域；
步骤如下：
4.1、对图像进行逐行扫描，找出尚无归属的像素；
4.2、以该像素为中心，检查它相邻的像素，即将邻域中的像素逐个与它比较， 如果灰度差小于事先确定的阈值，则将中心像素和领域像素合并；
4.3、以新合并的像素为中心，再进行步骤4.2检测,直到区域不能进一步扩张；
4.4、重新回到步骤4.1,继续扫描直到不能发现没有归属的像素,整个生长过程结束。
生长完成后，完成区域分割，得到的图像存在过分割或者欠分割的问题，可通 过对区域生长准则的灰度差阈值及色度差阈值的大小来进行调节。
作为本发明的进一步方案，所述Step7具体包括如下筛选准则：
(1)、火灾图像的Y通道值大于其K近领域平均值，而Cr，Cb通道值小于其 K近领域平均值；
(2)、当某点Cb与Cr通道上的差值大于一定阈值时，才被划定为火灾区域。
具体的，对图像在YCRCB通道上大的一些特征进行分析，去除掉一部分无关区 域；
通过对火焰图像的统计分析，发现火焰图像与其他类的图像在YCRCB通道中存在以下不同：
特征1
这其中：
Y(x，y)，Cr(x，y)，Cb(x，y)分别表示某点像素在Y，Cr，Cb通道上的值，Ymean表示图像在Y通道上的K近领域的平均值，Crmaen,Cbmaen以此类推。公式表面火灾图像的 Y通道值一般大于其K近领域平均值，而Cr，Cb通道值小于其K近领域平均值 特征2：
从代表性的火灾图像(图4)可以容易地观察到，火焰像素的Cb和Cr分量之间存 在显著差异。Cb成分主要是“黑色”，而Cr成分主要是“白色”。因此可根据这一特征 建立以上规则，只有当cb与Cr差值大于一定阈值时，才被划定为火灾区域。
作为本发明的进一步方案，所述Step8中，对疑似火焰区域的动态特征进行分析具体是对火焰的无序性、火焰的运动特征、火灾区域面积的随机性、火灾边缘的圆 角、火焰的圆形度进行分析，利用最后的特征分析判断是否为真正的火灾。
作为本发明的进一步方案，所述Step8具体包括：
8.1检测图像当中的运动区域
公式为：
d(i,j)＝gn(i,j)-g0(i,j)
其中gn(i，j)是输入图像的第n帧，g0(i，j)是在监视期间更新的背景图像，这里 的gn(i,j)、g0(i,j)分别表示灰度图像，对得到的两帧灰度图像的差值进行判定，当 大于阈值T1时，判定为运动图像；否则判定为非运动图像，这里定义 gresult图像最终的判定结果，如下:
公式为：
这里定义总和gresult为最近图像的移动显著性，如下:
这里T1是由猜测和统计经验规律选择的阈值，T1决定算法对单个像素变化的灵敏度；
8.2检测火灾区域图像面积大小的随机性
在图像处理中，区域大小表示对象的像素数；由于火焰闪烁，边缘会跳动，可疑 区域的面积大小会逐帧变化，但轮廓相似，使用下面描述的公式计算区域大小的随 机性:
公式：
其中，Ai表示当前帧中潜在火灾区域的面积大小，Ai-1表示前一帧中潜在火灾区域的面积大小，在使用硬决策规则的情况下，如果则假设为火灾，其中λ 是决策阈值，通过统计实验规律求得；
8.3边缘的随机性
从几何性质来看，火焰序列相邻帧的边缘不稳定，但整体边缘具有稳定的相似性；“索贝尔”检测算子用于获取可疑火灾的边缘，然后使用相似度公式作为等式；
其中bi(x,y)是当前帧中火焰的像素，bi+1(x,y)是后一帧中火焰的像素；在火灾探测过程中，应通过统计实验规律选择阈值θ；当大于θ时，判断为火灾；边缘似然 反映了火焰形状、空间变化和空间分布变化的相似性；它用来区分常见的干扰目标， 如快速移动的固定高光、火焰颜色移动的物体、大面积的光照变化等；
8.4检测火灾图像锐角转角
视频图像中的火焰形状特征显示为具有多层闭合轮廓的图像，轮廓线上有一个或多个尖角；尖角必须满足两个条件，首先它应该有一个顶点，然后它两边的值必须 大于一个阈值L；如果发生火灾，在潜在火灾区域的轮廓上必须有很多尖角，这里 设置的最小数目是Nmin，也是由实验规律取得；
8.5目标的圆形度
圆形度是一个参数，用来衡量物体的圆形程度或面积复杂度；它由对象面积大小和周长计算，如下所示:
公式：
其中，So是目标的面积大小，P是周长；一般来说，火焰具有复杂的、不规则 的形状，而其他类似的火干扰具有规则的形状，具有高圆形度；如果潜在目标的圆 形度小于阈值Ct，则确定图像中有火灾；尖角的提取和目标圆度的计算都是基于火 焰的多边形和不规则特征的判据。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明 宗旨的前提下作出各种变化。