您的位置:山东大学 -> 科技期刊社 -> 《山东大学学报(工学版)》

山东大学学报 (工学版) ›› 2019, Vol. 49 ›› Issue (1): 1-9.doi: 10.6040/j.issn.1672-3961.0.2017.430

• 机器学习与数据挖掘 •    下一篇

基于GMM与三维LBP纹理的视频火焰检测

严云洋1,2(),张慧珍1,2,刘以安2,高尚兵1   

  1. 1. 淮阴工学院计算机与软件工程学院, 江苏 淮安 223003
    2. 江南大学物联网工程学院, 江苏 无锡 214122
  • 收稿日期:2017-08-29 出版日期:2019-02-20 发布日期:2019-03-01
  • 作者简介:严云洋(1967—),男,江苏淮安人,教授,博士, CCF会员,主要研究方向为数字图像处理,模式识别.E-mail:yunyang@hyit.edu.cn; areyyyke@163.com
  • 基金资助:
    国家自然科学基金(61402192);江苏省“六大人才高峰”(2013DZXX-023);江苏省“333工程”(BRA2013208);江苏省“青蓝工程”(2017);淮安市“533工程”(2017);淮安市科技计划(HAG2013057)

Video flame detection based on GMM and 3D-LBP feature

Yunyang YAN1,2(),Huizhen ZHANG1,2,Yi′an LIU2,Shangbing GAO1   

  1. 1. Faculty of Computer & Software Engineering, Huaiyin Institute of Technology, Huaian 223003, Jiangsu, China
    2. School of Internet of Things Engineering, Jiangnan University, Wuxi 214122, Jiangsu, China
  • Received:2017-08-29 Online:2019-02-20 Published:2019-03-01
  • Supported by:
    国家自然科学基金(61402192);江苏省“六大人才高峰”(2013DZXX-023);江苏省“333工程”(BRA2013208);江苏省“青蓝工程”(2017);淮安市“533工程”(2017);淮安市科技计划(HAG2013057)

摘要:

针对候选区域提取准确度问题及火焰特征的描述能力,提出一种基于高斯混合模型(Gaussian mixture model, GMM)与三维的局部二值模式(local binary pattern, LBP)纹理特征的火焰检测算法,分析火焰在RGB与HSV两个空间中的分布规律,训练出火焰的高斯混合模型,提取火焰候选区域。重点研究火焰的纹理特征,将LBP纹理与火焰的运动特征相结合形成一种新的三维LBP纹理,提高纹理特征对火焰的分类效果。使用单分类支持向量机(one-class support vector machine, One-class SVM)分类方法,判定候选区域是否为火焰。

关键词: 火焰检测, GMM, 动态特征, 三维LBP, 支持向量机

Abstract:

In order to solve the problems of extracting the accuracy of the candidate region and improve the description ability of the flame characteristics, a novel flame detection algorithm based on Gaussian mixture model (GMM) and three-dimensional locality binary pattern (LBP) texture features was proposed. The distribution of flame was analyzed in two spaces of RGB and HSV, and the GMM was trained to extract the flame candidate region. The texture characteristics of the flame was selected as an important feature. The original LBP texture was fused with the motion characteristics of the flame to form a new three-dimensional LBP texture to improve the classification effect of the texture feature on the flame. The one-class support vector machine (One-Class SVM) classification method was used to determine whether the candidate area was a flame.

Key words: flame detection, GMM, dynamic feature, 3D-LBP, SVM

中图分类号: 

  • TP391

图1

基于运动与颜色的高斯混合模型提取候选区域效果"

图2

二维LBP纹理提取过程"

图3

三维动态LBP纹理特征提取空间图"

图4

三维LBP纹理的平面旋转不变性"

图5

火焰RGB颜色空间各分量合并直方图"

图6

单分类支持向量机分类图"

表1

不同的核函数火焰检测准确率对比"

核函数 准确检测帧数 检测率/%
sigmoid核 577 96.1
多项式核 587 97.8
高斯核 589 98.2

图7

经由SVM判别后的火焰区域"

图8

算法流程图"

表2

数据库视频集内容描述"

视频编号 视频内容描述
1 庭院火焰,鼎内火焰透明度很高,飘忽不定,墙壁与火焰颜色相似
2 草地火焰,草丛中有人走动,火焰面积由小到大
3 森林火焰,图像中心有大面积火焰,色彩较鲜艳
4 庭院火焰,图像整体偏暗,有小面积火焰,初时火焰颜色不明显,有人在其旁边经过
5 森林火焰,有较多中小面积火焰区域,上空伴有浓烟
6 荒野火焰,土壤颜色与火焰类似,右下角火焰不突出
7 公路场景,在夜晚中一辆汽车从远处驶来,白色强光照亮地面
8 公路场景,夜色下一辆卡车经过,地面上有强烈的白色灯光伴黄色光晕,路边有行人,四周有其它车灯交杂

图9

视频样本示例及检测效果"

表3

火焰视频检测结果"

视频 总帧数 火焰帧数 正检火焰帧 文献[13] 文献[14] 文献[15] 本研究算法
TP/% FP/% TP/% FP/% TP/% FP/% TP/% FP/%
1 429 429 425 89.4 10.6 93.9 6.1 95.9 4.1 99.1 0.9
2 250 250 250 95.7 4.3 95.1 4.9 97.6 2.4 100 0
3 236 236 233 84.7 15.3 96.2 3.8 95.8 4.2 98.7 1.3
4 320 320 275 73.3 26.7 83.0 17.0 92.1 7.9 85.9 14.1
5 235 235 234 84.3 15.7 95.9 4.1 94.9 5.1 99.6 0.4
6 290 290 451 90.7 9.3 93.2 6.8 91.7 8.3 98.9 1.1

表4

非火焰视频检测结果"

视频 总帧数 火焰帧数 误检帧数 文献[13] 文献[14] 文献[15] 本研究算法
TN/% FN/% TN/% FN/% TN/% FN/% TN/% FN/%
7 146 0 0 46.7 53.3 91.4 8.3 92.0 8.0 100 0
8 151 0 2 22.8 56.5 87.5 12.5 96.4 3.6 98.7 1.3

表5

算法检测时间"

算法 文献[13] 文献[14] 文献[15] 本研究算法
平均每帧检测时间/s 1.112 0.783 0.946 0.453
1 CHI R , LU Z M , JI Q G . Real-time multi-feature based fire flame detection in video[J]. IET Image Processing, 2017, 11 (1): 31- 37.
2 KONG S G , JIN Donglin , LI Shengzhe , et al. Fast fire flame detection in surveillance video using logistic regression and temporal smoothing[J]. Fire Safety Journal, 2016, 79, 37- 43.
3 JIANG Bo , LU Yongyi , LI Xiying , et al. Towards a solid solution of real-time fire and flame detection[J]. Multimedia Tools and Applications, 2015, 74 (3): 689- 705.
4 吴建胜, 高云玲, 张宾. 一种基于视频的火焰检测方法[J]. 计算机应用与软件, 2014, 31 (1): 173- 175, 190.
WU Jiansheng , GAO Yunling , ZHANG Bin . A video-based flame detection method[J]. Computer Applications and Software, 2014, 31 (1): 173- 175, 190.
5 DIMITROPOULOS K , BARMPOUTIS P , GRAMMALIDIS N . Spatio-temporal flame modeling and dynamic texture analysis for automatic video-based fire detection[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2015, 25 (2): 339- 351.
6 GANESAN P, RAJINI V, SATHISH B S, et al. HSV color space based segmentation of region of interest in satellite images[C]//Proceedings of the 2014 International Conference on Control, Instrumentation, Communication and Computational Technologies (ICCICCT). Kanyakumari, India: IEEE, 2014, 12(10): 101-105.
7 乔少杰, 金琨, 韩楠, 等. 一种基于高斯混合模型的轨迹预测算法[J]. 软件学报, 2015, 26 (5): 1048- 1063.
QIAO Shaojie , JIN Kun , HAN Nan , et al. Trajectory prediction algorithm based on Gaussian mixture model[J]. Journal of Software, 2015, 26 (5): 1048- 1063.
8 唐岩岩, 严云洋, 刘以安. 应用GMM的快速火焰检测[J]. 计算机科学, 2012, 39 (11): 283- 285.
TANG Yanyan , YAN Yunyang , LIU Yian . Fast flame detection with GMM[J]. Computer Science, 2012, 39 (11): 283- 285.
9 DOSHI N P, SCHAEFER G, HOSSAIN S. Rotation invariant compound LBP texture features[C]//Proceedings of the 5th International Conference on Informatics, Electronics and Vision (ICIEV). Dhaka, Bangladesh: IEEE, 2016: 1057-1061.
10 KUMAR A R , SARAVANAN D . Content based image retrieval using color histogram[J]. Int. J. Comput. Sci. Inform. Technol, 2013, 4, 242- 245.
11 王洪波.单分类支持向量机的学习方法研究[D].苏州:浙江大学, 2012.
WANG Hongbo. Research of learning method of single-class support vector machine[D]. Suzhou: Zhejiang University, 2012.
12 GU B , SHENG V S , TAY K Y , et al. Incremental support vector learning for ordinal regression[J]. IEEE Transactions on Neural Networks and Learning Systems, 2015, 26 (7): 1403- 1416.
13 CHEN T H, WU P H, CHIOU Y C. An early fire-detection method based on image processing[C]//Proceedings of the 2004 International Conference on Image Processing. Singapore City, Singapore: IEEE, 2004, 3: 1707-1710.
14 TUNG X T , KIM J M . Fire flame detection in video sequences using multi-stage pattern recognition techniques[J]. Engineering Applications of Artificial Intelligence, 2012, 25 (7): 1365- 1372.
15 BORGES P V K , IZQUIERDO E . A probabilistic approach for vision-based fire detection in videos[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2010, 20 (5): 721- 731.
[1] 李兴,侯振杰,梁久祯,常兴治. 基于线性加速度的多节点人体行为识别[J]. 山东大学学报 (工学版), 2018, 48(6): 56-66.
[2] 叶明全,高凌云,万春圆. 基于人工蜂群和SVM的基因表达数据分类[J]. 山东大学学报(工学版), 2018, 48(3): 10-16.
[3] 韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[4] 刘岩,李幼军,陈萌. 基于EMD和SVM的抑郁症静息态脑电信号分类研究[J]. 山东大学学报(工学版), 2017, 47(3): 21-26.
[5] 李素姝,王士同,李滔. 基于LS-SVM与模糊补准则的特征选择方法[J]. 山东大学学报(工学版), 2017, 47(3): 34-42.
[6] 刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.
[7] 刘晓勇. 一种基于树核函数的半监督关系抽取方法研究[J]. 山东大学学报(工学版), 2015, 45(2): 22-26.
[8] 浩庆波, 牟少敏, 尹传环, 昌腾腾, 崔文斌. 一种基于聚类的快速局部支持向量机算法[J]. 山东大学学报(工学版), 2015, 45(1): 13-18.
[9] 李发权, 杨立才, 颜红博. 基于PCA-SVM多生理信息融合的情绪识别方法[J]. 山东大学学报(工学版), 2014, 44(6): 70-76.
[10] 周咏梅1,杨佳能2,阳爱民2. 面向文本情感分析的中文情感词典构建方法[J]. 山东大学学报(工学版), 2013, 43(6): 27-33.
[11] 王昊,华继学,范晓诗. 基于双联支持向量机的入侵检测技术[J]. 山东大学学报(工学版), 2013, 43(6): 53-56.
[12] 施珺,朱敏. 一种基于灰色系统和支持向量机的预测优化模型[J]. 山东大学学报(工学版), 2012, 42(5): 7-11.
[13] 赵加敏,冯爱民*,刘学军. 局部密度嵌入的结构单类支持向量机[J]. 山东大学学报(工学版), 2012, 42(4): 13-18.
[14] 潘冬寅,朱发,徐昇,业宁*. 结肠癌基因表达谱的特征选取研究[J]. 山东大学学报(工学版), 2012, 42(2): 23-29.
[15] 孙鹏,程世庆*,谢敬思,张海瑞. 预测混合生物质灰熔点的CV-GA-SVM模型[J]. 山东大学学报(工学版), 2012, 42(2): 108-111.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 夏 斌,张连俊 . DS-CDMA UWB系统中基于能量比较的TOA估计算法[J]. 山东大学学报(工学版), 2007, 37(1): 70 -73 .
[2] 卜德云 张道强. 自适应谱聚类算法研究[J]. 山东大学学报(工学版), 2009, 39(5): 22 -26 .
[3] 赵科军 王新军 刘洋 仇一泓. 基于结构化覆盖网的连续 top-k 联接查询算法[J]. 山东大学学报(工学版), 2009, 39(5): 32 -37 .
[4] 丁万涛 李术才 张庆松. TSP预报倾斜岩层分界面误差规律性探讨[J]. 山东大学学报(工学版), 2009, 39(4): 57 -60 .
[5] 王佰伟,曹升乐 . 工业废水治理效果多目标评价方法研究[J]. 山东大学学报(工学版), 2007, 37(3): 89 -92 .
[6] 丑武胜 王朔. 大刚度环境下力反馈主手自适应算法研究[J]. 山东大学学报(工学版), 2010, 40(1): 1 -5 .
[7] 张辉 王孟夏 韩学山. 电力系统的超前热定值及其应用探讨[J]. 山东大学学报(工学版), 2008, 38(6): 25 -29 .
[8] 闫崇京 廖文和 郭宇 程筱胜. 基于多色图的BOM建模[J]. 山东大学学报(工学版), 2008, 38(6): 70 -75 .
[9] 王建平,王淑华,耿贵立 . InN半导体纳米晶相变活化能的研究[J]. 山东大学学报(工学版), 2008, 38(2): 42 -44 .
[10] 陈斌 陈松灿 潘志松 李斌. 异常检测综述[J]. 山东大学学报(工学版), 2009, 39(6): 13 -23 .