CC BY
16Телевизионные системы, передача и обработка изображений
УДК535.81
Использование цветовых моделей в задачах распознавания признаков пожара Никитин О.Р., Породников А.В.
В статье производится сравнение эффективности обработки оптических изображений в цветовых пространствах RGB и YCbCr в целях обнаружения открытого пламени. Приводится алгоритм распознавания пикселей пламени для пространства YCbCr.
Ключевые слова: оптические изображения, распознавание, открытое пламя, цветовые пространства.
Системы обнаружения возгораний по оптическим признакам (открытое пламя) являются важнейшим элементом природоохранного комплекса мониторинга лесных пожаров. Для получения наиболее полной характеристики очага возгорания необходимо ком-плексирование нескольких независимых каналов информации: инфракрасного, оптического и радиотеплового. Для приема информации по каждому каналу используется свое оборудование, вид представления информации различен. Следовательно, различны алгоритмы детектирования аномальных участков. В статье рассматриваются алгоритмы выделения участков открытого пламени на оптических изображениях методом генерации цветовых моделей различной кодировки: ЯОБ и УСЬСг и их сравнение.
Существующие системы обнаружения требуют высокой точности от наведения и позиционирования видеодатчиков, что вызывает дополнительные трудности при развертывании системы мониторинга на вышках операторов сотовой связи. В связи с быстрым развитием технологии создания цифровых камер и компьютерного зрения возрастает тенденция проектирования и создания систем обнаружения, базирующихся на анализе оптических изображений. Системы видеообнаружения пожаров используют три основных этапа: этап классификации пикселей
изображения, этап детектирования движущегося объекта и этап анализа выделенного участка, совокупности пикселей, отображающих открытое пламя (fire - пиксели). Обычно этот анализ основывается на двух критериях: формы участка и его временных изменениях. Производительность системы классификации в основном зависит от скорости алгоритма распознавания. С другой стороны, необходим высокий уровень обнаружения с наименьшим уровнем ложных тревог. Существует несколько способов классификации пикселей для выявления fire-пикселей, основанных на статистическом анализе изображений. Другие методы используют RGB -кодировку для классификации пикселей.
В статье рассматривается пространство YCbCr, строится общая модель цветности для пламени и классификации пикселей. Достоинством метода является отсутствие привязки к динамике изображения (изменение во времени), а также низкие требования к разрешению изображения, что позволяет применять цифровые камеры низкой стоимости.
Каждое цветовое изображение состоит из трех цветовых палитр: красной, синей и зеленой (RGB). Каждый цвет возбуждает в человеческом глазу рецепторы, настроенные на определенную длину волны. Сочетание цветов делает возможным представлять оптические изображения в цифровом виде. Даль-
нейшие эксперименты проводятся в среде математического моделирования МаЙаЬ. Каждый цвет анализируемого изображения квантуется на 256 условных уровней интенсивности.
Цветное изображение состоит из точек (пикселей). Каждый пиксель представляет собой пространственное расположение в
прямоугольной системе координат (х,у) компонент цветных векторов Я(х,у), О(х,у) и Б(х,у). Каждый пиксель цветного изображения, содержащего участки с открытым пламенем, имеет значения интенсивности красного канала больше, чем зеленого, и зеленого- больше, чем синего. Кроме того, участи с пламенем имеют большую насыщенность красного цвета.
Рассмотрим примеры изображений разрешением 200х200 пикселей. Каждое изоб-
ражение было разложено на три канала: Я, О, Б (рис. 1).
После разложения изображения на ЯОБ -каналы подсчитывается средние значения яркости каждой цветовой палитры:
1 к
кср = Ё к( X, Уi ), к 1
1 к
°сР = г Ё 0( Xi, у), (1)
к 1
1 к
Вср = Ё В(X , Уг ^
К 1
где К - общее количество пикселей изображения (произведение разрешения по горизонтальной и вертикальной осям), в данном случае 200х200=400000, Яср, Gср, Вср - средняя интенсивность красного, зеленого и синего каналов, соответственно.
Результаты приведены в таблице 1.
а) Я - канал б) О - канал в) В - канал
Рис. 2.
Таблица 1.
Кр °ср Вср
Рис. 1а 85 81 69
Рис. 1б 104 75 29
Рис. 1в 102 119 124
Анализ таблицы показывает справедливость выражения Яср > Оср > Вср . Разница
между цветовыми каналами тем выше, чем больше площадь, занимаемая пламенем на изображении. Изображение на рис. 1в не содержит огня, соответственно, интенсивность красного канала наименьшая.
На рис. 2 показано графическое разложение изображения рис. 1 а по каналам.
Основным недостатком классификации йге-пикселей в пространстве ЯОВ является выраженная зависимость от яркости исходного изображения. Это означает, что изменение величины освещенности отдельных пикселей может приводить к ошибочной классификации. Кроме того, для более точной классификации необходимы значения интенсивности и цветности каждого пикселя. В цветовом пространстве ЯОВ все три компонента считаются одинаково важными, и они
обычно сохраняются с одинаковым разрешением. Однако можно отобразить цветовое изображение более информативно, отделив светимость от цветовой информации и представив ее с большим разрешением, чем цвет, т.е. увеличить дискриминированное расстояние между цветностью и интенсивностью, применив преобразование ЯОВ - пространства в пространство УСЬСг. Буква У в таких цветовых пространствах обозначает компоненту светимость, которая вычисляется как взвешенное усреднение компонент Я, О и В, СЬ и Сг - компоненты цветности синего и красного каналов, соответственно. Необходимое преобразование описывается выражением:
' У" 0,2568 0,5041 0,0979 Я 16
СЬ = -0,1482 -0,2910 0,4392 * О + 128
Сг 0,4392 -0,3678 -0,0714 В 128
После разложения изображения на УСЬСг- каналы подсчитываются средние значения светимости и цветности каждого канала:
а) 200x200 точек
б) 100x100 точек Рис. 3.
в) 30x30 точек
а) 200x200 точек
б) 100x100 точек Рис. 4.
в) 30x30 точек
Исходное изображение Результат классификации
Рис. 5.
Исходное изображение
Результат классификации
Рис. 6.
1 к
Уср =77 Ё У ( Хг , Уг ), к 1
1 к
СЬср = V Ё СЬ( X , Уг ), (2)
к 1 1 к
СГср = -р Ё СГ (Хг , Уг )-к 1
Проанализируем исследуемое изображение (рис. 1а), рассмотрев отдельные его части в пространстве У СЬСг и составим таблицу значений каждой компоненты (таблица 2). Анализируемые изображения показаны на рис. 3.
Таблица 2.
Ус СЪср Сг ср Кол-во точ. с у (І, Л > Уср
Рис. 3а 86 121 127 29%
Рис. 3б 94 116 132 37%
Рис. 3в 113 98 154 58%
Анализ таблицы показывает, что при наличии в изображении более 50% пикселей, удовлетворяющих условию с У (г, ]) > Уср ,
выполняется неравенство:
Уср > СЪср СГр > СЪср
(3)
Этот вывод необходимо учитывать при мониторинге пожарной ситуации на объекте на этапе выбора размеров скользящего окна, в пределах которого происходит анализ
изображения. Анализ нескольких изображений с преобладанием пикселей, отвечающих условию (2), показывает, что регионы с пламенем имеют среднее значение У меньше, чем У (г , у), СЪ(г, у) < СЬср, Сг(г, у) > СГср.
Таким образом, условие классификации можно записать в следующем виде:
1 приУ(г , у) > У^СЩ, у) <
Р(,Г)=]< СЪср,Сг(г , у) > СГср . (4)
0, в остальныхлучаях
Любой пиксель, удовлетворяющий условию (3), классифицируется как йге-пиксель. Результаты классификации приведены на рис. 4.
Для сравнения произведем процесс определения йге-пикселей на примере изображения, показанного на рис.1в.
Оценим скорость обработки изображения 640х480 (наиболее распространенное разрешение видеокамер), представленного на рис. 6.
В среде математического моделирования
Исходное изображение
Обработанное изоб ражение
Исходное изображение
Обработанное изображение
ис.7.
м
и
МаАаЬ на персональном компьютере с параметрами СРи 2,ШНе, 2,74ГБ ОЗУ на выполнение классификации было затрачено 0,7803 секунды.
В [5] было показано, что вероятность пропуска цели при использовании ЯОБ -пространства составляет 7%, вероятность ложной тревоги - 42%.
Для анализа точности распознавания в УСЬСг-пространстве было обработано 100 изображений, с учетом условия (4). Часть изображений и результаты обработки представлены на рис. 7.
Вероятность пропуска цели при использовании УСЬСг-пространства составляет 5%, вероятность ложной тревоги - 29%.
Использование при обработке пространства УСЬСг позволяет по сравнению с пространством ЯОБ снизить вероятность пропуска цели на 28%, вероятность ложной тревоги - на 33%.
Дальнейшие работы по комплексирова-нию инфракрасного и оптического каналов позволят улучшить результаты обработки.
В статье рассмотрена возможность классификации йге-пикселей в УСЬСг цветовом пространстве. Главным преимуществом использования УСЬСг модели является меньшая корреляция яркости и цветности. Это обстоятельство позволяет применять метод в динамически изменяющихся условиях и уве-
Поступила 18 февраля 2012 г.
личить точность обработки изображений. Влияние изменения яркости исходного изображения минимизировано. Показана важность правильной оценки размеров скользящего окна. Вычислена примерная скорость обработки изображения размерами 640x480 пикселей. Результаты позволяют сделать вывод о возможности применения метода в условиях реального мониторинга пожарной обстановки региона.
Литература
1. Chen T., Wu P., Chio Y. An early fire-detection method based on image processing // Pro-cedings of IEEE International on Image Processing, 2004, pp. 1707-1710.
2. Toreyin B.U., Dedeoglu Y., Cetin A.E. Flame detection in video using hidden Markov models // Procedings of IEEE International Conference on Image Processing, 2005, pp. 1230-1233.
3. Toreyin B.U., Dedeoglu Y., Gudukbay U., Cetin A.E. Computer vision based method for real-time fire and flame detection // Pattern Recognition Lett. 27 (1) (2006) 49-58.
4. Celik T., Demirel H., Ozkaramanli H. Automatic fire detection in video sequences // Proceedings of European Signal Processing Conference (EUSIP-CO 2006), Florence, Italy, September 2006.
5. Celik T., Demirel H. Fire detection in video sequences using a generic color model // Fire Safety J (2008).
6. Krull W., Willms I., Zakrzewski R.R., Sadok M., Shirer J., Zeliff B. Design and test methods for a video-based cargo fire verification system for commercial aircraft // Fire Saf. J. 41 (4) (2006) 290-300.
The article compares the efficiency of processing of optical images in RGB and YCbCr to detect an open flame. An algorithm for recognition of pixels of the flame for the space of YCbCr.
Key words: optical image recognition, open flame, the color space.
Никитин Олег Рафаилович -д.т.н., профессор, заведующий кафедрой РТ и РС ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых».
Породников Андрей Вячеславович -аспирант кафедры РТ и РС ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых».
E-mail: [email protected].
