Выделение потенциальных областей огня на видеоизображении


25.08.2015

Детектирование огня по видеоизображению имеет ряд преимуществ по сравнению с традиционными методами обнаружения огня, таких как пробы частиц воздуха, измерение внешней температуры. Повышается вероятность обнаружения огня на открытых пространствах, а также уменьшается время реакции на возникновение опасной ситуации, обнаружение огня происходит в момент его возникновения. При этом видеоизображение позволяет точно определить местоположение очага возгорания. Применение алгоритмом детектирования огня на видеоизображении в современных системах видеонаблюдения позволит расширить сферы их применения и повысить пожарную безопасность объектов.

Открытое пламя огня обычно имеет характерный цвет и существенно отличается по интенсивности мерцаний от фоновой засветки. Так же, для области пламени характерна высокая степень флуктуаций границ объекта. Следовательно, задача поиска огня на видеоизображении может быть решена с использованием специализированных алгоритмов обработки видеосигнала, на основе анализа цветовых и динамических характеристик областей видеоизображения.

Мешающими факторами при данном подходе будут: помехи, связанные с солнечной засветкой, проблесковые маячки, движущиеся фары автомобилей, колебания ярких предметов под действием ветра (листва на деревьях и т.д.). Основной задачей большинства разработчиков подобных систем является учет в разрабатываемых алгоритмах факторов, мешающих детектировать огонь, и борьба с источниками ложного детектирования.

В настоящее время теме детектирования огня на видеоизображении уделено не так много внимания. В основном подобные разработки представляют собой научно-исследовательские работы без создания конечного продукта, в которых обычно рассматривается и реализуется один или два метода, для решения задачи обнаружения возгорания, и ориентированы на определенные условия эксплуатации.

Подходы к распознаванию огня на видеоизображении

Выделение областей по цветовым характеристикам.

В большинстве случаев в качестве входных данных, для задач поиска огня на видеоизображении, используется изображение с цветной видеокамеры. Пиксели огня имеют характерный цвет: ярко-оранжевый и желтые цвета. Подавляющее большинство авторов в своих работах, в качестве первого этапа обработки видеоизображения, используют поиск областей изображения с характерным цветом, соответствующим цветовой гамме огня. Цветовая гамма огня задается экспериментально, как множество возможных состояний цвета пикселей огня. Вначале производится поиск пикселей на изображении с характерным цветом и формирование потенциальных областей огня. Составляется бинарная маска изображения, в которой областям единиц соответствуют области изображения с характерным цветом огня. После производят анализ динамики выделенных областей. Данный подход применяется в работах [1,3,6].

В работе [6] приведен классический набор методов оценки динамики области с характерным цветом огня, для данного подхода. В основе работы лежит метод весовых коэффициентов. При этом области анализируются на наличие следующих признаков огня: характерный цвет, несимметричность пространственное распределения красного цвета, большие временные колебания пространственной текстуры, высокая контрастность границ огня, частые изменения размеров области огня.

В работе [3] используется объединение связанных областей, с характерным цветом, в прямоугольные области – Блобы. Далее область Блоба анализируется на наличие в ней фона и на изменения (флуктуации) данной прямоугольной области во времени. При этом в данной работе проверятся условие того, что верхняя граница Блоба изменяется во времени в два раза больше чем верхняя.

В работе [1] цветовые признаки огня используются совместно с динамическими признаками изменения сцены кадра. Каждый пиксель видеоизображения анализируется в отдельности, и для каждого пикселя вычисляется величина изменения динамики сцены D(x,y), где (x,y) – координаты пикселя на изображении. Динамические изменения определяются при помощи усреднения по n кадрам модуля разности интенсивностей одного и того же пикселя между двумя последовательными кадрами (1).

                                                    f1

где J – интенсивность пикселя, n – число кадров последовательности. Для исключения пикселей с высокой интенсивностью, обусловленной движением объектов в кадре, такая же разность N(x,y) вычисляется для фоновых пикселей и вычитается из D(x,y) для устранения эффектов движения (2)

                                                 f2

Наибольше значение величина Δ(x,y) принимает для пикселей, соответствующих области огня, а движущиеся объекты обычно характеризуются медленными временными изменениями интенсивности.

Использование подхода распознавания огня на основе цветовых характеристик, с последующим анализом Блобов[3,6], упрощает процесс обработки видеоизображения и требуемые вычислительные ресурсы, вследствие анализа связанных областей, а не отдельных пикселей изображения. Однако данный подход чувствителен к условиям освещенности и цветопередаче видеокамеры, и требует настройки параметров видеокамеры для корректной цветопередачи.

Выделение движущихся областей

Другой подход к распознаванию огня на видеоизображении основан на выделении областей движения на первом этапе обработки видеоизображения [1, 8]. Движущиеся пиксели определяются при помощи метода выделения фона. Предполагается, что изменение интенсивности движущихся пикселей от кадра к кадру, существенно выше изменения интенсивности фоновых пикселей. После, используется анализ цвета пикселей, как подтверждение предположения о наличии огня. Для поиска пикселей огня, быстро меняющих свою интенсивность, применяют вейвлет-анализ[1,2,5]. Алгоритм данного подхода примерно следующий:

  • Определение движущихся пикселей изображения;
  • Проверка соответствия цвета движущихся пикселей цветовой гамме огня;
  • Вейвлет-анализ во временной области, анализ частоты колебаний пикселей;
  • Пространственный вейвлет-анализ, анализ флуктуаций цвета пикселей.

Следует отметить, что здесь анализируется каждый пиксель видеоизображения в отдельности (в работах [3,6] анализируются связанные области - Блобы). Данный подход считается более универсальным, так как позволяет пренебрегать различные световые возмущения, что сводит к минимуму возможность ложных срабатываний системы, применяется в работах [1, 5, 8].

Выделения фона на видеоизображении является крайне сложной и до конца не решенной задачей. Применение метода выделения фона не позволяет выделить область огня на изображении, если огнь уже существует на момент включения видеокамеры. При обнаружении огня на изображении важен не только цвет, но также форма и движение рассматриваемой области. Форма области огня обычно постоянно изменяется и при этом осуществляет стохастические перемещения, зависящие от внешних факторов, таких как тип горящего материала и охватывающие очаг возгорания воздушные потоки.

Иные подходы к распознаванию огня на видеоизображении

Учет пространственной структуры

В нескольких работах [1,2,3,5] учитывается, что пиксели в центральной части пламени меняют свои свойства со временем в гораздо меньшей степени, чем на периферии. Согласно работе [1], огонь обычно имеет достаточно стабильную форму (в глобальном смысле), определяемую формой горящего материала, и быстро меняющиеся локальную форму при отсутствии внешней границы. Следовательно, низкочастотные компоненты границы области огня относительно стабильны во времени, а высокочастотные компоненты меняются случайным образом. Поэтому для описания характерного движения границы огня со временем можно использовать стохастическую модель [2,5].

Анализ характерных частот флуктуаций

Выделению огня на видеоизображении по характерным флуктуациям пламени посвящено несколько работ [9,10]. В большинстве работ указываются характерная частота флуктуации пламени – 10Гц [1,2,10]. Модель поиска огня заключается в определении средней частоты осциллирующих областей и их сравнение с данным значением. Основной проблемой при использовании данного признака является то, что осцилляции являются случайной величиной, и множество факторов может изменить среднюю частоту флуктуаций пламени. Основной причиной смещения средней частоты флуктуаций является ветер. При жесткой привязке алгоритма к определенной частоте, и наличии ветра, огонь может не детектироваться по данной методике.

Сравнение с образами

В работе [10] описан метод обнаружения возгорания сравнением образов. Метод основан на выделении участков, похожих на пламя на анализируемом видеоизображении, и последующем сравнении выделенных фрагментов с базой данных возможных источников помех (проблесковые маячки и т.д.), а также моделей реального пламени, как по форме, так и по частоте ее изменения (флуктуации).

Положительной стороной применения данного метода обнаружения пожара является низкая вероятность ложных срабатываний, но только в четких границах использования системы. К недостаткам можно отнести узкую область использования системы, ограничение возможностей в связи с конечным количеством хранимых идентификаторов пламени и источников помех

Используемая литература

  1. Лукьяница А.А., Шишкин А.Г. Цифровая обработка видеоизображений. М.:"Ай-Эс-Эс Пресс", 2009. - 518 с.
  2. Fire detection algorithms using multimodal signal and image analysis. Behçet Ugur Töreyin, 2009.
  3. Turgay Celik, Hasan Demirel. Fire detection using statistical color model in video sequences. Journal of Visual Communication and Image Representation, Volume 18 Issue 2, April, 2007. - С.176-185.
  4. H. Yamagishi, J. Yamaguchi. A contour fluctuation data processing method for fire flame detection using a color camera. 26th Annual Conference of the IEEE Industrial Electronics Society, 2000. - С.824-829.
  5. B. Ugur Toreyin, Yigithan Dedeoglu, Ugur Gudukbay, A. Enis Cetin. Computer Vision Based Method for Real-time Fire and Flame Detection. Journal Pattern Recognition Letters Volume 27 Issue 1, 1 January 2006.
  6. Paulo Vinicius Koerich Borges, Joceli Mayer, Ebroul Izquierdo. Efficient visual fire detection applied for video retrieval. 16th European Signal Processing Conference (EUSIPCO 2008), Lausanne, Switzerland, August 25-29, 2008
  7. Turgay Celik. Fast and Efficient Method for Fire Detection Using Image Processing. ETRI Journal, Volume 32, Number 6, December 2010
  8. Steven Verstockt1,2, Ioannis Kypraios. Wavelet-based multi-modal fire detection. EURASIP, 2011  -  ISSN 2076-1465
  9. W. Straumann, D. Rizzotti, and N. Schibli. Method and Device for Detecting Fires Based on Image Analysis. European Patent EP 1,364,351, 2002.
  10. А.Н. Членов, Т.А. Буцынская, Ф.В. Демехин. Применение видеотехнологий в системах пожарной безопасности. – М.: НОУ "Такир", 2002.
  11. J. A. Broadbent. Fundamental flame flicker monitoring for power plant boilers. In Proceedings of the IEE Seminar on Advanced Sensors and Instrumentation Systems for Combustion Processes, 2000. - С.1-4.
  12. Y. Dedeoglu, B. Toreyin, U. Gudukbay, and A. Cetin. Real-time fire and  flame detection in video. In Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2005. - С.669-672.
  13. W. Phillips, M. Shah, and N. Lobo. Flame recognition in video. Pattern  Recognition Letters, 23, 2002. - С.319-327.
  14. J. M. de Dios, B. Arrue, A. Ollero, L. Merino, and F. Gomez-Rodriguez.  Computer vision techniques for forest fire perception. Image and Vision Computing, 26(4), 2008.
  15. B. TÄoreyin, Y. Dedeoglu, and A. Cetin. Flame detection in video using hidden markov models. In Proceedings of the IEEE International Conference on Image Processing (ICIP), 2005. - С.1230-1233.
  16.  G. Yadav, V. Gupta, V. Gaur, Dr. M. Bhattacharya. Optimized flame detection using image processing based techniques. Indian Journal of Computer Science and Engineering (IJCSE), Vol. 3, No. 2, 2012. – С.202-211.
  17. V. Vipin. Image Processing Based Forest Fire Detection. International Journal of Emerging Technology and Advanced Engineering, Volume 2, Issue 2, February 2012.
  18. Eren Aykın. Flame recognition in video. Yıldız Teknik Üniversitesi Bilgisayar Mühendisliği Bölümü’ne aittir, 2007.
  19. J. Zhao, Z. Zhang, S. Han, C. Qu, Z. Yuan, D. Zhang. SVM Based Forest Fire Detection Using Static and Dynamic Features. Computer Science and Information Systems, Vol. 8, No. 3, 2011.– С.821-841.
  20. Osman Günay, Kasım Tasdemir, B. Ugur Töreyin, A. Enis Cetin. Video Based Wild Fire Detection at Night. Bilkent University, Department of Electrical and Electronics Eng, 2009.

Возврат к списку




 



Адрес:

ГК "РТЛ Сервис"

111024, Россия, г. Москва,
ул. Авиамоторная, д. 12, офис 816

Тел./факс: +7 495 268-06-05


Мы в социальных сетях:

Facebook Вконтакте Twitter LinkedIn Google+ Youtube


Группа Компаний РТЛ Сервис

© ГК "РТЛ Сервис" 2006 - 2016