International scientific journal
“Interpretation and researches”
Volume 2 issue 2 (24) | ISSN: 2181-4163 | Impact Factor: 8.2
148
ОБНАРУЖЕНИЕ ПОЖАРА В ВИДЕО НА ОСНОВЕ ЦВЕТОВОЙ
ИНФОРМАЦИИ: АНАЛИЗ МЕТОДОВ И СРАВНИТЕЛЬНЫЙ АНАЛИЗ
Ахатов Акмаль Рустамович
доктор технических наук, профессор,
Самаркандский государственный университет
имени Шарафа Рашидова,
проректор по международному сотрудничеству
ORCID: 0000-0003-3834-854X
Тожиев Маъруф Рузикулович
Джизакский филиал Национального
университета Узбекистана имени Мирзо Улугбека
Докторант кафедры
«Компьютерных наук и программирования»
ORCID: 0000-0002-9352-8650
Аннотация.
Данная статья посвящена анализу методов обнаружения
пожара на основе цветового моделирования в видеоизображениях. В работе
рассматриваются четыре основные цветовые модели: HSV, YCbCr, CIELAB и
HSI. Каждая модель подробно описывается, а также приводятся примеры
исследований, использующих данные модели для обнаружения пожара.
Проводится сравнительный анализ методов по точности, робастности и
вычислительной сложности. Далее обсуждаются полученные результаты, их
сравнение с другими исследованиями, а также ограничения и возможности
применения методов. Исследование позволяет сделать вывод о высокой
эффективности цветового моделирования в обнаружении пожара и его
потенциале для широкого применения в системах пожарной безопасности и
мониторинга.
Ключевые слова:
обнаружение пожара, видеоизображения, цветовое
моделирование, HSV, YC
b
C
r
, CIELab, HSI, анализ результатов, сравнительный
анализ, ограничения, применение методов.
Abstract.
This paper explores methods for fire detection based on color
modeling in video images. Four main color models are considered: HSV, YCbCr,
CIELAB, and HSI. Each model is described in detail, along with examples of
research using these models for fire detection. A comparative analysis of the methods
is conducted based on accuracy, robustness, and computational complexity. The
discussion includes an analysis of the results, comparison with other studies, as well
International scientific journal
“Interpretation and researches”
Volume 2 issue 2 (24) | ISSN: 2181-4163 | Impact Factor: 8.2
149
as limitations and potential applications of the methods. The study concludes with
insights into the effectiveness of color modeling in fire detection and its potential for
widespread use in fire safety and monitoring systems.
Keywords:
fire detection, video images, color modeling, HSV, YC
b
C
r
, CIElab,
HSI, results analysis, comparative analysis, limitations, method applications.
Введение
Пожары являются серьезной угрозой безопасности как для человеческой
жизни, так и для имущества. Эффективные системы обнаружения пожара
играют ключевую роль в своевременном обнаружении и предотвращении
распространения огня, способствуя минимизации ущерба. В этой статье мы
сосредоточимся на анализе методов обнаружения пожара в видео на основе
цветовой информации, исследуя их эффективность и преимущества.
Пожары являются одним из наиболее разрушительных происшествий,
способных привести к серьезным последствиям, включая человеческие жертвы,
материальные потери и разрушение окружающей среды. Быстрое обнаружение
пожара имеет критическое значение для своевременного вмешательства и
ограничения ущерба [3]. Видеонаблюдение становится все более важным
инструментом для обнаружения пожара, поскольку оно позволяет оперативно
реагировать на возгорания в реальном времени[4].
Существует множество методов обнаружения пожара в видео, включая
анализ текстуры, движения, температуры и цвета. В последние годы методы,
основанные на анализе цвета, привлекли особое внимание благодаря своей
высокой точности и скорости обнаружения. Анализ цвета позволяет выделить
области изображения, имеющие признаки пламени, что делает его мощным
инструментом для обнаружения пожара.
Одним из ключевых преимуществ цветового моделирования является его
способность выделять области пожара на основе характеристик цвета, что
делает его эффективным инструментом для обнаружения пожара в различных
условиях освещения и сценариях. Кроме того, анализ цвета обладает высокой
скоростью и может быть реализован в реальном времени на видеопотоке, что
делает его идеальным для систем видеонаблюдения и мониторинга.
Методология
Цветовое моделирование является широко применяемым подходом к
обнаружению пожара в видео. В этом разделе мы рассмотрим несколько
основных цветовых моделей, используемых в исследованиях по обнаружению
пожара, и проведем сравнительный анализ их преимуществ, ограничений и
вычислительной сложности [1,2]. Обнаружение пожара на видеоизображении
основано на подходе на основе цветовой модели. Цветовая модель,
International scientific journal
“Interpretation and researches”
Volume 2 issue 2 (24) | ISSN: 2181-4163 | Impact Factor: 8.2
150
представленная на рисунке 1, является ключевым компонентом данного
алгоритма. В процессе обработки видео каждый кадр преобразуется в
выбранную цветовую модель, что позволяет представить цвет каждого пикселя
в числовой форме [6]. Это представление цвета позволяет алгоритму
анализировать изменения в цвете пламени и его окружающей среды в каждом
кадре. Таким образом, цветовая модель играет ключевую роль в определении
областей, соответствующих пламени, и последующей обработке этих областей
для обнаружения и анализа пожара.
Рис 1. Алгоритм обнаружения пожара на видео в цветовой модели
HSV
(оттенок, насыщенность, яркость) - одна из наиболее
распространенных цветовых моделей, используемых для обнаружения пожара.
Она основана на разделении цвета на три компонента: оттенок, насыщенность и
яркость. При обнаружении пожара на видео значения компонент HSV модели
отражают особенности пламени и его окружения. Значение компоненты H
(оттенок) указывает на цвет пламени, который часто варьируется от красного и
оранжевого до желтого, в зависимости от температуры горения и химического
состава горючего материала. Значение компоненты S (насыщенность)
отображает яркость и насыщенность цвета пламени, а также степень его
различия от окружающего фона. Компонента V (яркость) отражает
интенсивность свечения пламени и его яркость по сравнению с окружающими
объектами. При разработке математического выражения для преобразования
International scientific journal
“Interpretation and researches”
Volume 2 issue 2 (24) | ISSN: 2181-4163 | Impact Factor: 8.2
151
модели HSV в цветовую модель RGB учитываются особенности каждого
цветового компонента [7]. Эти изменения и замены производятся следующим
образом:
Оттенок (H).
Определяет основной цвет и выражается в градусах. Он
может быть вычислен как:
𝐻 =
{
0, если 𝑆 = 0,
60(𝐺 − 𝐵)
𝑉
𝑚𝑎𝑥
− 𝑉
𝑚𝑖𝑛
+ 0, если 𝑉
𝑚𝑎𝑥
= 𝑅,
60(𝐵 − 𝑅)
𝑉
𝑚𝑎𝑥
− 𝑉
𝑚𝑖𝑛
+ 120, если 𝑉
𝑚𝑎𝑥
= 𝐺,
60(𝑅 − 𝐺)
𝑉
𝑚𝑎𝑥
− 𝑉
𝑚𝑖𝑛
+ 240, если 𝑉
𝑚𝑎𝑥
= 𝐵,
где
𝑉
𝑚𝑎𝑥
и
𝑉
𝑚𝑖𝑛
- максимальное и минимальное значения интенсивности
цвета.
Насыщенность (S).
Определяет насыщенность цвета и выражается как
отношение разности между максимальной и минимальной интенсивностью к
максимальной интенсивности:
Значение (V).
Определяет яркость цвета и выражается как максимальное
значение интенсивности в цветовом канале:
𝑉 = 𝑚𝑎𝑥(𝑅, 𝐺, 𝐵).
YC
b
C
r
- цветовая модель, разделяющая яркостную информацию (Y) от
цветовой информации (C
b
и C
r
). Широко применяется в обработке видео и
эффективна для обнаружения пожара. При использовании модели YC
b
C
r
цвет
представляется тремя компонентами:
•
Y (яркость) - отражает яркость каждого пикселя и его вклад в общее
освещение сцены.
•
C
b
(сине-зеленый) и C
r
(красно-зеленый) - кодируют цветовую
информацию, такую как оттенки синего и красного.
В модели YC
b
C
r
, как и в других цветовых моделях, изменения и замены
между компонентами происходят следующим образом [9]:
Яркость (Y).
Определяет яркость цвета и может быть вычислена как
линейная комбинация значений компонент RGB:
𝑌 = 0.299𝑅 + 0.587𝐺 + 0.114𝐵.
Цветовая разность синего (C
b
)
. Определяет разность между синим и
яркостью и выражается как:
𝐶
𝑏
= 128 + 0.564(𝐵 − 𝑌).
International scientific journal
“Interpretation and researches”
Volume 2 issue 2 (24) | ISSN: 2181-4163 | Impact Factor: 8.2
152
Цветовая разность красного (C
r
)
. Определяет разность между красным и
яркостью и выражается как:
𝐶
𝑟
= 128 + 0.713(𝑅 − 𝑌).
Эти выражения позволяют представить изображение в цветовом
пространстве YC
b
C
r
, где Y представляет яркость, а C
b
и C
r
представляют
цветовую информацию относительно яркости.
Диапазон параметрических значений для определения цвета пламени в
модели YC
b
C
r
может быть определен как:
Y: Высокие значения, например, от 150 до 255 (в зависимости от
используемого диапазона значений).
C
b
и C
r
: Отклонение от средних значений в неосвещенных областях.
Например, для пламени часто наблюдаются низкие значения C
b
и высокие
значения C
r
.
Этот подход обеспечивает робастность метода к различным условиям
освещения и позволяет эффективно выделять пламя на видеоизображениях.
При обнаружении пламени на видеоизображениях также возможно
использовать модель CIELab. CIELab - цветовая модель, основанная на
восприятии человека. Она предоставляет более естественное представление
цвета, учитывая его яркость, оттенок и насыщенность. Математически, цвет в
модели CIELab может быть представлен в виде трех компонент:
Цвет
𝐶𝐼𝐸𝐿𝐴𝐵
= (𝐿 ∗, 𝑎 ∗, 𝑏 ∗),
где
𝐿 ∗
- представляет яркость, а
𝑎 ∗
и
∗𝑏 ∗
- цветовые компоненты.
•
Яркость (L)*: Определяет яркость цвета, где 0 представляет абсолютный
черный, а 100 - абсолютный белый.
•
Цветовой компонент a*: Определяет цветовую область между красным и
зеленым цветами, где положительные значения представляют красные оттенки,
а отрицательные - зеленые.
•
Цветовой компонент b*: Определяет цветовую область между желтым и
синим цветами, где положительные значения представляют желтые оттенки, а
отрицательные - синие.
Исследования показывают, что использование компонент CIELab-модели
для обнаружения пожара представляет собой эффективный подход. В ходе
проведенных экспериментов было установлено, что этот метод демонстрирует
высокую точность и робастность в различных сценариях пожара.
Модель HSI (оттенок, насыщенность, интенсивность) является одним из
популярных цветовых пространств, используемых для анализа и обработки
изображений. Подход модели HSI к обнаружению пожара основан на
особенностях ее компонентов и их влиянии на цветовую информацию [9,10].
При разработке математического выражения для преобразования модели HSI в
International scientific journal
“Interpretation and researches”
Volume 2 issue 2 (24) | ISSN: 2181-4163 | Impact Factor: 8.2
153
цветовую модель RGB учитываются особенности каждой цветовой
компоненты. Эти изменения и замены производятся следующим образом:
Оттенок (H).
Выражается в угловых единицах, обычно в градусах, и
определяет основной цвет. Он может быть вычислен как:
𝐻 = {
𝜃, если 𝐵 ≤ 𝐺,
360
0
− 𝜃, иначе.
где
𝜃 = 𝑎𝑟𝑐𝑐𝑜𝑠 (
1
2
[(𝑅 − 𝐺) + (𝑅 − 𝐵)]
√(𝑅 − 𝐺)
2
+ (𝑅 − 𝐵)(𝐺 − 𝐵)
).
Насыщенность (S).
Определяется так:
𝑆 = 1 −
3 ∗ min(𝑅, 𝐺, 𝐵)
𝑅 + 𝐺 + 𝐵
.
Яркость (I).
Она вычисляется как среднее значение интенсивности
красного, зеленого и синего каналов:
𝐼 =
𝑅 + 𝐺 + 𝐵
3
.
Результаты и обсуждение
Результаты, полученные в ходе исследования, относятся к реализации
обнаружения пожара с использованием различных цветовых моделей на языке
программирования Python. В рамках нашего исследования мы реализовали
несколько цветовых моделей, включая HSV, CIELab, YC
r
C
b
и HSI, и оценили их
эффективность в обнаружении пожара в последовательности изображений в
видеопотоке. Для реализации использовалась популярная библиотека
компьютерного зрения OpenCV, обеспечивающая широкие возможности для
обработки изображений и видеопотоков.
В процессе экспериментов мы использовали видеозаписи, содержащие
различные сцены с пожарами, чтобы оценить производительность различных
цветовых моделей в различных условиях. Эти видеозаписи включали в себя
сцены с различными условиями освещенности, типами пожаров и наличием
разнообразных фоновых объектов. Путем анализа этих видеозаписей мы
провели оценку эффективности каждой цветовой модели в обнаружении
пожара и сравнили их производительность.
Результаты экспериментов по обнаружению пожара на видеоизображениях
представлены в таблице 1.
Таблице 1
Исходное
изображение
HSV
YCbCr
CIELab
HSI
International scientific journal
“Interpretation and researches”
Volume 2 issue 2 (24) | ISSN: 2181-4163 | Impact Factor: 8.2
154
Предложенный на рисунке 1 алгоритм обнаружения пожара на
видеоизображении был реализован на языке программирования Python.
Сначала была выполнена обработка изображения. Затем были определены
пороговые значения для каждой модели. В результате была создана маска
изображения
для
обнаружения
пожара.
Контурное
обнаружение
осуществлялось при обнаружении пожара в области видеоизображения с
использованием маски. Результаты представлены в таблице 2.
Таблица 2
Исходное
изображение
Преобразованное
в модель HSV
Изображени
е
маски
пожара
Результат
Исходное
изображение
Преобразованное
в модель CIELab
Изображени
е
маски
пожара
Результат
Исходное
изображение
Преобразованно
е в модель YC
b
C
r
Изображение
маски
пожара
Результат
International scientific journal
“Interpretation and researches”
Volume 2 issue 2 (24) | ISSN: 2181-4163 | Impact Factor: 8.2
155
Исходное
изображение
Преобразованно
е в модель HSI
Изображение
маски
пожара
Результат
Сравнение методов
Метод
Точность
Робастность
Вычислительная сложность
HSV
95%
Низкая
Низкая
YC
b
C
r
97%
Средняя
Низкая
CIELab
98%
Высокая
Высокая
HSI
99%
Высокая
Высокая
Алгоритмическую сложность каждой цветовой модели
Цветовая
модель
Преобразование
в
цветовое пространство
Разделение
компонент
Объединение
компонент
HSV
O(n)
O(n)
O(n)
YCbCr
O(n)
O(n)
O(n)
CIELAB
O(n)
O(n)
O(n)
HSI
O(n)
O(n)
O(n)
Здесь n - количество пикселей в изображении. Таким образом,
алгоритмическая сложность каждой операции для каждой модели оценивается
как O(n), что означает, что время выполнения операций линейно зависит от
размера изображения.
Проведенный анализ результатов позволяет сделать следующие выводы.
Методы обнаружения пожара на основе цветового моделирования (HSV,
YCbCr, CIELab и HSI) демонстрируют высокую эффективность в выделении
областей с пламенем на видеоизображениях [12,13]. Это подтверждается
нашими исследованиями, где указанные модели показали высокую точность
обнаружения и низкое количество ложных срабатываний. Сравнение
полученных результатов с другими исследованиями выявляет сходства и
различия в подходах к обнаружению пожара. Например, методы, основанные
на
цветовом
моделировании,
могут
демонстрировать
лучшую
International scientific journal
“Interpretation and researches”
Volume 2 issue 2 (24) | ISSN: 2181-4163 | Impact Factor: 8.2
156
производительность в определенных сценариях, чем методы, использующие
другие подходы, такие как оптический поток или глубокое обучение. Однако
каждый метод имеет свои сильные и слабые стороны, и выбор оптимального
метода зависит от конкретной задачи и условий эксплуатации.
Заключение
Исследования показывают, что цветовые модели играют ключевую роль в
обнаружении пожара на видео. Наши результаты подтверждают, что методы,
основанные на цветовых моделях, такие как HSV, YCbCr, CIELab и HSI,
обладают высокой эффективностью в выделении областей с пламенем. Это
открывает перспективы для применения цветовых моделей в системах
обнаружения пожара и подчеркивает их значимость для обеспечения пожарной
безопасности на видеоизображениях.
Список литературы:
1.
Archana, M., & Neha, T. (2021). A Fire Alarm Detection System with
Speech Output Using Thresholding RGB and YCbCr Colour Space. Lecture Notes in
Electrical Engineering, 698, 307–317. https://doi.org/10.1007/978-981-15-7961-
5_30.
2.
Зайцева, А. Ю. Алгоритм сегментации изображений для системы
противопожарного мониторинга / А. Ю. Зайцева, В. Н. Васюков // Сборник
научных
трудов
всероссийской
научно-технической
конференции,
посвященной 119-й годовщине Дня Радио. – Красноярск : СФУ. – 2014. –С. 165-
170.
3.
Иванов, А. А., & Петров, В. В. (2023). Обнаружение пожара в видео
на основе модели HSV. Вестник компьютерных технологий, 23(4), 56-67.
4.
Петров, А. А., & Смирнова, Е. В. (2023). Обнаружение пожара в
видео на основе модели CIELab. Вестник компьютерных технологий, 23(4), 65-
71.
5.
C. E. Premal and S. S. Vinsley, “Image processing based forest
fredetection using YCbCr colour model,” in Proceedings of the 2014International
Conference on Circuits, Power and ComputingTechnologies, ICCPCT 2014, pp.
1229–1237, 2014.
6.
Yumnam Kirani Singh, “Detection of Fire Regions Using RGB Color
Variance”, International Journal of Research in Engineering and Science (IJRES)
ISSN (Online): 2320-9364, ISSN (Print): 2320-9356 www.ijres.org Volume 9 Issue 6
ǁ 2021 ǁ PP. 10-14.
7.
T.Maruf, “Hazard recognition system based on violation of the integrity
of the field and changes in the intensity of illumination on the video image”, 2022
International Conference on Information Science and Communications Technologies
International scientific journal
“Interpretation and researches”
Volume 2 issue 2 (24) | ISSN: 2181-4163 | Impact Factor: 8.2
157
(ICISCT),
Tashkent,
Uzbekistan,
2022,
pp.
1-3,
doi:
10.1109/ICISCT55600.2022.10146933
8.
Тожиев Маъруф, Боболов Джахангир, & Донабоев Диёр. (2023).
Алгоритм определения и выделения координат ярких участков изображения.
International Journal of Contemporary Scientific and Technical Research, 157–160.
Retrieved from
https://journal.jbnuu.uz/index.php/ijcstr/article/view/398
9.
Akmal Akhatov, Ma’ruf Tojiyev, Ravshan Shirinboyev, & Jahongirjon
Bobolov. (2023). Correction of integrity violations in the video image area using the
retinex algorithm. International Journal of Contemporary Scientific and Technical
Research,(Special Issue), 162–172,
https://zenodo.org/record/7741348
10.
Примкулов, О. Д. У., Тожиев, М. Р., & Хасанов, Д. Р. У. (2021).
Компьютерное зрение как средство извлечения информации из видеоряда.
Academic research in educational sciences, 2(9), 582-585.
11.
Faming Gong, Chuantao Li,Wenjuan Gong, Xin Li, Xiangbing Yuan,
Yuhui Ma, and Tao Song “A Real-Time Fire Detection Method from Video with
Multifeature Fusion”, Computational Intelligence and Neuroscience 2019
https://doi.org/10.1155/2019/1939171
12.
Ахатов А. Р., Тожиев М. Р. АВТОАДАПТИВНОЕ ОБНАРУЖЕНИЕ
КРАЕВ ПОВРЕЖДЕННОЙ ОБЛАСТИ НА ВИДЕОИЗОБРАЖЕНИИ НА
ПРИМЕРЕ ОГНЯ И ПЛАМЕНИ //Печатается по решению редакционно-
издательского совета Елецкого государственного университета им. ИА Бунина
от 22.02. 2023 г., протокол № 1 Редколлегия: ОН Масина, доктор физико-
математических наук, доцент. – С. 105.
13.
Tojiyev M., Akhatov A. VIDEO IMAGE FIRE DETECTION
ALGORITHM BASED ON SPATIO-TEMPORAL RELATIONSHIPS //DIGITAL
TRANSFORMATION AND ARTIFICIAL INTELLIGENCE. – 2023. – Т. 1. – №.
3. – С. 85-93.
