火焰特征提取研究在火災(zāi)探測中的運(yùn)用

沐小會(huì)，陳嘉卿，宋英磊

（江蘇科技大學(xué)　電子信息學(xué)院，江蘇 鎮(zhèn)江 212003）

火焰特征提取研究在火災(zāi)探測中的運(yùn)用

沐小會(huì)，陳嘉卿，宋英磊

（江蘇科技大學(xué)電子信息學(xué)院，江蘇 鎮(zhèn)江 212003）

基于常用的火災(zāi)探測方法中都是使用單一特征，對火災(zāi)的圖像進(jìn)行判別，這一技術(shù)在復(fù)雜的場所中并不能有效地去除干擾源，從而出現(xiàn)誤報(bào)、漏報(bào)等問題，提高火災(zāi)探測的有效性和準(zhǔn)確性的目的。在對火焰的顏色模型、顏色特征和形狀特征進(jìn)行研究的基礎(chǔ)上，采用數(shù)字圖像處理等方法，通過提取火焰的一階顏色矩和圓形度等多種特征，并且經(jīng)過支持向量機(jī)分類器進(jìn)行分類，從而對火災(zāi)火焰和干擾源進(jìn)行判別的試驗(yàn)，得出這一方法可以很好的排除干擾源信息，探測率高，可靠性好的結(jié)論。

顏色模型；數(shù)字圖像處理；火焰特征；支持向量機(jī)

火災(zāi)危害著人類的生命財(cái)產(chǎn)的安全，屬于非常嚴(yán)重的災(zāi)害之一，所以，火災(zāi)探測的研究就顯得尤為重要。目前，像感煙、感光等傳統(tǒng)的火災(zāi)探測器，雖然比較成熟，但是在火災(zāi)中，容易受到周圍環(huán)境的影響，給火災(zāi)探測識(shí)別造成一定的難度，從而出現(xiàn)誤報(bào)、漏報(bào)等問題。用圖形處理技術(shù)提取火災(zāi)火焰的圖像特征，可以解決這個(gè)問題。幾年來，國內(nèi)外對火災(zāi)識(shí)別系統(tǒng)進(jìn)行了研究，火災(zāi)火焰圖像的特征模型也得到了相應(yīng)的研究和完善，使火災(zāi)識(shí)別技術(shù)也在不斷地發(fā)展[1-7]。

目前基于圖像型火災(zāi)探測技術(shù)還是不能有效地消除干擾，從而出現(xiàn)一定程度的漏報(bào)和誤報(bào)的情況的發(fā)生。本文以現(xiàn)有的研究為基礎(chǔ)，結(jié)合圖像處理技術(shù)，融合多個(gè)圖像特征，并采用支持向量機(jī)（Support Vector Machine，SVM）分類器判別，以期能夠有效的提高火災(zāi)探測的準(zhǔn)確率和可靠性。

1　疑似火災(zāi)區(qū)域的檢測

由于監(jiān)控場景中多數(shù)物體在攝像機(jī)中都是以圖片的形式存在的，所以采用顏色模型（Red、Green、Blue）可以有效的去除非火焰的部分，從而有效的提取出目標(biāo)。

圖像是彩色圖像，屬于顏色空間，但是由于色度（Hue）、飽和度（Saturation）和亮度（Intensity）即HSI[8]顏色空間比較適合人們對于視覺的感知，其中色度表示不同的顏色，飽和度表示顏色的深淺，亮度表示顏色的強(qiáng)度，所以由轉(zhuǎn)化成轉(zhuǎn)換關(guān)系[9]:

HSI顏色空間有兩個(gè)特點(diǎn)[10]：1）圖像彩色信息量與I分量毫無關(guān)系；2）人類感覺顏色的方式H與S分量和分量緊密相連。這使得HSI顏色模型適合基于顏色感知特性來進(jìn)行圖像處理分析。

RGB-HSI顏色模型將RGB模型中的R、G、B分量和HSI模型中的S分量結(jié)合起來設(shè)定火焰區(qū)域的條件，這種模型能夠很好的將火焰部分識(shí)別出來。如圖1。

圖1　RGB-HIS顏色模型提取目標(biāo)

2　火災(zāi)火焰特征提

2.1火災(zāi)火焰的顏色矩

直方圖、顏色矩、色彩聚合矢量等都是用來描述圖像的顏色特征，選用顏色矩這種方法，其主要是用圖像中中顏色的距來描述顏色的存在狀態(tài)。利用火焰圖像的低階顏色矩就能夠描述顏色的存在狀態(tài)，因?yàn)閳D像的顏色分布主要集中在低階矩。圖像的低階顏色矩分別表示圖像的均顏色、標(biāo)準(zhǔn)方差以及二次根非對稱性，其表達(dá)式為[11]：

其中，N代表的是圖像的總像素集合，H（Pi）代表的是在HSI色彩空間中，圖像P的像素點(diǎn)i的H分量值。

計(jì)算目標(biāo)區(qū)域的一階、二階和三階顏色矩，作為一個(gè)判別是否有火災(zāi)的重要判據(jù)。

通過計(jì)算火災(zāi)圖像、蠟燭火焰和白熾燈等干擾物圖像的一階顏色矩，如圖2。

圖2　火災(zāi)火焰和干擾物的一階顏色矩

從圖2中可以看出，火災(zāi)火焰圖像的一階顏色矩與其他的干擾物有著明顯的區(qū)別，但是與蠟燭有一部分還是比較近的，所以火災(zāi)火焰圖像的一階顏色矩可以判別一部分干擾物。當(dāng)然只靠顏色矩是不能完全判別的，需要與其他的特征判據(jù)進(jìn)行融合，所以要結(jié)合其他火焰特征。

2.2火災(zāi)火焰的圓形度

物體形狀的復(fù)雜程度的一個(gè)特征量就是圓形度。火災(zāi)火焰的形狀相對于干擾物（如蠟燭火焰、照明燈等）則顯得不是那么有規(guī)律，所以圓形度可以作為火災(zāi)火焰識(shí)別的另一個(gè)重要的判據(jù)。圓形度是圖元面積和周長之比，其表達(dá)式為：

其中，Ai，Pi，Mi分別是第i個(gè)圖元的面積、周長、圓形度，n是圖像中圖元的個(gè)數(shù)。周長為物體的邊界長度，從邊界鏈碼中得到。垂直和水平的步長為單位長度，對角步長的長度為，兩個(gè)直角步長還原成一個(gè)對角步長，其步長也是。按上述規(guī)則遍歷邊界鏈碼，就可以算出邊界長度。面積通過統(tǒng)計(jì)亮點(diǎn)數(shù)獲得。物體的形狀越復(fù)雜，圓形度越大。

通過計(jì)算火災(zāi)圖像以及蠟燭火焰和白熾燈等干擾物圖像的圓形度，如圖3。

圖3　火災(zāi)火焰和干擾物的圓形度

由圖3可以知道，火災(zāi)火焰圖像的圓形度變化幅度比較大，相對不集中，而干擾物圖像的圓形度則相對比較集中，所以它作為早期火災(zāi)火焰的判據(jù)是十分有效的。

3　實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)分別選取了60幅早期火災(zāi)圖像和干擾源圖像進(jìn)行測試，圖像經(jīng)由顏色模型對目標(biāo)區(qū)域進(jìn)行分割，提取分割后的圖像的一階顏色矩和圓形度。將其中40組作為訓(xùn)練樣本的輸入，輸出分類為1和2（分別表示火災(zāi)和干擾源），來訓(xùn)練支持向量機(jī)分類器。另外80組作為檢測數(shù)據(jù)，從而來判別該方法的識(shí)別率和可靠性。實(shí)驗(yàn)結(jié)果如圖4。

圖4　火災(zāi)和干擾源的識(shí)別

圖中，圓圈表示實(shí)際火災(zāi)與干擾源的判別，星號(hào)表示分類器的判決結(jié)果，由圖中可以看出，火災(zāi)和干擾源的識(shí)別率還是非常準(zhǔn)確的。實(shí)驗(yàn)數(shù)據(jù)表明，整體的識(shí)別率是93.75%，其中火災(zāi)的識(shí)別率是87.5%，干擾源的識(shí)別率是100%，由于早期火焰過小，導(dǎo)致火焰的判據(jù)效果相對不是很高。

4　結(jié)　論

火災(zāi)火焰的圖像特征比較獨(dú)特，尤其在火焰的顏色特征、形狀特征、紋理特征等，通過對這些特征的分析和提取，可以有效的實(shí)現(xiàn)火焰的識(shí)別。文中利用火焰的顏色矩和圓形度的性質(zhì)，運(yùn)用分類器的知識(shí)，通過對120幅火焰圖像和干擾源圖像進(jìn)行比較和判別，結(jié)果表明該算法可以很好的將早期火災(zāi)火焰識(shí)別出來。

[1]CHENG X F，WU J H，YUAN X，et al.Principles for a video fire detection system[J].Fire Safety Journal，1999，33（1）:57-69.

[2]NODA S，UEDA K.Fire detection in tunnels using an image processing method[C]//In:Proceedings of Vehicle Navigation and Information Systems Conference，Japan，1994:57-62．

[3]CHEN T H，WU P H，CHIOU Y C.An early fire-detection method based on image processing[C]//In:Proceedings of IEEE International Conference on Image Processing，Singapore，2004:1707-1710．

[4]吳龍標(biāo)，宋衛(wèi)國，盧結(jié)成.圖像火災(zāi)監(jiān)控中一個(gè)新穎的火災(zāi)判據(jù)[J].火災(zāi)科學(xué)，1997，6（2）:60-66.

[5]CHEN T，YUAN H Y，SU G F，et al.Automatic fire searching and suppression system for large spaces［J］.Fire Safety Journal，2004，39（4）:297-307．

[6]LI J，F(xiàn)ONG N K，CHOW W K，et al.The motion analysis of fire video images based on moment features and flicker frequency[J].Journal of Marine Science and Application，2004，3（1）:81-86．

[7]CELIK T，DEMIREL H，OZKARAMANLI H，et al．Fire Detection using Statistical Color Model in Video Sequences[J].Journal of Visual Communication&Image Representation，2007（18）:176-185．

[8]范立南，韓曉微，徐心和．基于HSI空間彩色圖像多結(jié)構(gòu)元形態(tài)邊緣檢測[J].工程圖學(xué)學(xué)報(bào)，2005，26（2）:110-113．

[9]劉亮亮．基于視頻監(jiān)控的火災(zāi)圖像識(shí)別研究[D].北京，華北電力大學(xué)，2007．

[10]章毓晉.圖像處理與分析[M].北京：清華大學(xué)出版社，2001.

[11]李弼程，彭天強(qiáng)，彭波.智能圖像處理技術(shù)[M].北京:電子工業(yè)出版社，2004.

Fire detection based on the research of flame feature extraction

MU Xiao-hui，CHEN Jia-qing，SONG Ying-lei
（College of Electronics and Information，Jiangsu University of Science and Technology，Zhenjiang 212003，China）

Since most video based fire detection techniques use a single feature for fire detection，interference in complex fire conditions cannot be effectively removed，which may severely affect the accuracy of detection.A new video flame detection algorithm using multi-feature fusion method is developed in this paper.The color and morphological features of fire flames，including the first order color moments of the flame and circular degree，are analyzed in detail.A support vector machine（SVM）based classifier is then used to process the features and recognize fire flames from video images that may contain interference sources.From the testing results，it can be seen that the method can effectively remove interference information，and thus have high detection rate and good reliability.

color model；digital image processing；flame features；Support Vector Machine（SVM）

TN02

A

1674－6236（2016）21-0188-03

2015-11-10稿件編號(hào)：201511094

江蘇科技大學(xué)博士科研啟動(dòng)基金資助項(xiàng)目（635301202）

沐小會(huì)（1989—），女，江蘇高郵人，碩士研究生。研究方向：圖像處理，火災(zāi)探測。