[科普中国]-图像探测

JPEG图像检测算法

检测算法具体流程如图所示。

首先用SURF算法提取待检测图像的特征点和特征向量，找出匹配特征点后，计算出仿射变换参数并消除错配，再根据仿射变换计算区域关联图定位复制一移动区域。最后，根据复制—移动区域的块伪影特征矩阵因子区分被复制区域和篡改区域。

步骤1：SURF 特征点提取与匹配。由于SURF算法提取特征点利用的是图像的灰度信息，因此，首先应该对待检测图像进行预处理，即将待检测图像转换为灰度图，再运用SURF算法提取特征点和特征向量，并根据特征向量的欧几里德距离来判断特征点的匹配程度，要求匹配特征点的特征向量距离小于或等于某个预设值ε。

步骤2：计算仿射变换参数。根据匹配特征点的像素位置估计被复制区域与篡改区域间的仿射变换。

步骤3：定位被复制区域与篡改区域。通过仿射变换计算对应变换区域的关联系数。1

火灾图像探测早期火灾信号具有随机性、非结构性等特征，而火焰图像一般具有多种特征，如位置移动、面积变化、边缘尖角、色彩特性以及频闪脉动等2。环境中的气流、灰尘、水滴、电磁场、电瞬变、静电以及人为干扰等有时也会产生类似的特征，这极易对那些依据某个火灾参量进行火灾探测的传统火灾探测器造成误报或漏报。而且，传统的感烟、感温等火灾探测器对有限面积空间与舱室的火灾探测比较有效，但对大空间场所(如大型仓库，机库等)或室外火灾的探测往往因为探测距离和高度等一些原因而无法奏效，图像型火灾探测是大空间场所或室外进行火灾探测的有效手段，也是目前火灾报警研究的主要方向之一。3

疑似火焰区域检测监控场景中多数物体在摄像机固定情况下所采集的视频序列中是静止的，而火焰则呈现运动特性。所以，首先采用运动检测提取前景运动目标，以消减监控场景中大量与火焰颜色相似的静止目标的干扰。

背景消减法是一种常用于检测图像变化和运动物体的图像处理方法，能够得到比较精确的目标图像， 阈值背景消减可以得到比较准确的目标图像，并且能够较为有效地排除电灯、装饰图案等具有火焰颜色的静止干扰因素。

图像预处理在复杂监控环境中，天气、光线、阴影、灯光以及随机噪声等都会降低采集图像的质量，要想准确分割火焰目标，首先要利用图像预处理排除各种干扰因素影响，然后再对实时视频图像进行火焰目标的识别和提取。图像的预处理过程主要分为4步。

1)格式转换。通过视频采集设备得到的数字图像是YUV格式的，为分析研究火焰图像的色彩特征等信息，首先需要进行格式转换，将其转化为RGB格式，Ycbcr格式，以及灰度图像。

2)图像二值化。二值化图像是在灰度图像的基础上生成的，设定一个阈值，认为灰度大于阈值的是火焰，小于阈值的是背景。二值化图像中只有两种颜色：“黑”或“白”，这样可以进一步将火焰与背景分离，为深入研究统计火焰图像的特征提供技术支撑。

3)图像过滤。图像的过滤．是抑制或消除噪声而改善图像质量的过程。目前采用Turky提出的中值过滤来平滑图像，抑制二值化图像中的一些无关信息，即所谓的噪声，以实现对火焰图像的比较准确的剪取。

4)火焰目标提取。通过上述步骤，实现对火焰目标比较精确的剪取。然后利用二值化图与RGB图像、二值化图与Ycbcr图像、二值化图与灰度图像的位置映射关系，完成RGB图像、Ycb—Cr图像以及灰度图像中的火焰的提取。

形态特征分析火焰图像具有独特的形态学特征，例如面积变化、火焰尖角等。对火焰的形态学特征进行分析研究，采用形态学特征判据，可以比较有效地消除移动车灯、行人等动态干扰因素。

火焰面积检测

火焰面积的检测是在图像二值化的基础上实现的。在二值化图像中，火焰显示为1，背景显示为0，因此可以通过对二值化的图像矩阵进行求和运算，来实现对火焰面积的计算，通过对火焰面积的检测，可以比较方便地判断火焰面积是否随时间变化。前后两帧图像的火焰面积的差值应满足一定条件，这个差值可以随火焰面积的变化而调整下限值。经实验分析发现，下限阈值取为4%时比较合理。

火焰尖角检测

不稳定火焰本身有狭而长的突起，这些狭而长的突起可以称之为火焰的尖角。火焰和其它高温物体的尖角有明显的区别，因此可以将火焰尖角作为火灾图像探测的一个重要部分。

火焰尖角的检测是同样在图像二值化的基础上实现。按照一定的算法，扫描整个图像，可以初步标记图像尖角；同时尖角的形态要符合一定的标准，即尖角相邻两行相同标记的部分宽度比例满足一定条件。将满足条件的尖角标记为火焰尖角，统计尖角数，并记录第一个火焰尖角的顶点位置。

颜色特征分析

火焰颜色与温度、燃烧物光谱两个因素密切相关。通过对大量火焰彩色图像的分析可知，火焰目标具有强烈的视觉特征，火焰图像颜色和灰度级呈一定的分布规律4¨火焰色调一般介于红黄之间，火焰内核呈现亮白色，向外颜色由黄变橙、到红；低温火焰颜色饱和度较高，高温下饱和度较低。因此，可以利用火焰的颜色特征，过滤运动检测所提取运动目标中不具有火焰颜色的运动目标，以便更好地识别火焰。

RGB颜色检测

RGB颜色模型是一种最常见的颜色模型。自然界的各种颜色光都可分解成红、绿、蓝(R，G，B)三种基本颜色光，根据三基色原理，任意颜色光的配色均可通过三基色表达。由公式总结出：

①火焰颜色一般比周围背景鲜亮突出，即像素的平均饱和度应大于一定阈值；

②火焰比周围环境的一般物体“红”，因此红色分量应比绿色和蓝色分量着重强调，即对红色分量设定阈值；

③火焰颜色分量存在内在关系，红色分量大于等于绿色分量，绿色分量又大于等于蓝色分量。

YCbCr颜色检测

YcbCr颜色模型是另一种常见的颜色模型。在该模型中，亮度信息被存为单一要素Y，色调信息存成不同的颜色要素Cb和Cr。Cb代表蓝色元素与参考值的差异，Cr代表红色元素与参考值的差异。通过资料显示及大量实验分析，得出火焰图像在每个基色分量下的特征分布范围，结果如图。在YcbCAr颜色检测中，亮度分量Y是其主要判据，背景的光照条件对火焰的饱和度有相反影响，可能使得干扰物具有与火焰相似的颜色值，而被误判为火焰。

灰度分布检测

与火焰图像的颜色分布相对应，灰度图像中从焰心到外焰火焰的灰度大体呈现递减的规律。灰度分布检测需要从水平方向和竖直方向分别进行。以水平方向上的灰度检测为例，其基本思路是：逐行扫描图像，找出每行上相应的焰心和外焰点；取横坐标差值最大的一对点进行灰度检测；从焰心到外焰点，建立直线方程，模拟其灰度值序列的发展趋势；对发展趋势进行线性拟合，以直线的斜率作为灰度判据。

红外图像探测红外探测技术在军事国防和民用领域得到了广泛的研究和应用，如，目标追踪、入侵探测、气体分析、火灾预测等。探测器在使用之前和制造完成后，都需要对探测器进行性能检测。5

红外光源发出红外目标图像信息，在光学系统成像作用下，成像在红外探测器光敏面上。红外探测器将光信号转换成电信号以后，转换的结果注入到读出电路中来输出，将红外图像信息转换成输出红外视频信号。利用美国NI PCI-6115 DAQ卡和PC构建PC—DAQ系统，根据热成像的原理，通过软件系统控制采集卡对红外视频信号进行时序采样，并通过图像处理软件对视频信号进行灰度映射、变换及对比度增强，最终在软件平台上显示出探测的红外图像。通过显示的图像即可直观观察探测器和成像系统的真实成像效果。