基于视频图像的森林火灾识别算法研究*

齐怀琴，徐 刚，王 娜

（齐齐哈尔大学 通信与电子工程学院，黑龙江 齐齐哈尔 161041）

1 引言

基于视频的火灾检测方法是当前火灾检测领域的重要手段，能有效克服传统检测技术的有效探测距离短、覆盖范围小等缺点，使大空间对火灾的检测成为可能。近年来，人们针对视频的火灾检测技术已经展开了深层次的研究[1-8]。Phillips W等[1]利用色彩视频序列图像中物体的颜色和抖动来确定火焰的存在；沈诗林等[2]提出的一种基于图像相关性进行火灾检测的方法以及Yamagishi等[3]提出的基于HSV空间和神经网络的彩色图像火焰检测算法，对静态图像判决较好，但却没利用动态特征；袁菲牛等[4]提出的通过度量火焰轮廓信息，并在频域内进行分析来对火焰进行识别，此方法能准确地度量图像的时空闪烁特征，张本矿等[5]提出了将神经网络和模糊函数相结合的办法，通过神经网络学习功能，自动生成隶属度函数，但算法复杂，在嵌入式系统中实现较为困难。

针对上述问题，笔者提出了一种基于视频的火灾图像检测算法，以火焰疑似目标的重心和面积的变化率作为特征量，通过设定隶属度函数来确定对火焰的隶属程度，从而判断是否有火焰发生。

2 火灾识别算法

笔者提出的火灾识别算法分两个步骤：1）先对现场图像进行预处理，利用火焰的静态和动态特性，通过阈值对现场图像进行分割，进而提取主要检测目标；2）通过设定模糊判定法则以及隶属度函数来判断目标是否为火灾。

2.1 疑似目标提取

色彩是火焰的主要静态特征，HSI色彩空间是从人的视觉系统出发，用色调（hue）、饱和度（saturation）和亮度（intensity）来描述色彩，更加方便色彩的处理和识别。图1是一幅火灾图像及其色调、饱和度和亮度的分量图。图中显示，火灾图像的饱和度和亮度的分量图最能体现火焰特征。

因此，本文的火焰目标提取主要针对火灾图像的饱和度特征和亮度特征进行处理。对于视频图像中的第i帧图像，分别通过对其饱和度分量图和亮度分量图设定阈值，进行二值化处理，提取饱和度分量图和亮度分量图的公共目标区域，作为Gi。

由于火焰燃烧时的相邻图像间火焰图像部分存在差异，而背景图像部分基本不变，因此利用火焰图像的上述动态特性进行火焰图像提取。对相邻两帧图像提取目标区域图像为Gi和Gi+1，然后对这两幅图像进行相减处理（对于小于0的值设为0），生成图像GD（x，y）

应用Wiener滤波器对GD（x，y）进行平滑除噪处理，去除孤立点噪声。然后利用以下方法判断出图像Gi+1中的火灾区域。本文改进了区域增长法，不仅种子的选取采用差分图像，增长条件也从一般的判断单方向梯度改进为判断各个方向梯度的最大值，可有效减少像素的漏判。步骤为：

1）以图像GD（x，y）作为开始检测目标像素集。

2）以新的像素集作为检测起始点。

3）确定聚类条件作为像素增长准则。

（1）与种子点相邻。

（2）像素点本身的亮度值大于T。经试验，T一般取值在0.9左右比较合适。

（3）定义 Gi+1图像中各方向的梯度最大值 R（x，y），因为火焰区域中 R（x，y）一般取值较小，因此设定 R（x，y）小于0.1基本可以有效检测到火焰区域。其中，R（x，y）定义为

4）对整幅图像进行搜索，找到符合步骤3）的像素，加入到像素集。生成新的像素集，判断像素集是否增加，如果增加，回到步骤2），如果没有增加，执行步骤 5）。

5）用像素集里的像素生成图像G2′。

2.2 模糊判定法则

由于火灾监控现场的复杂性，各种干扰源都可能出现，因此对火灾目标的识别存在模糊性。本文定义模糊数学的隶属函数来判断目标是否为火灾。提取疑似火焰图像后，主要从疑似火焰图像的重心位置变化和面积变化比率来分析。

面积定义为目标提取二值图像中像素为1的点的和

对于一个m×n大小的图像面积变化率定义为

首先考虑重心位置变化，定义目标图像的重心位置，则二值化图像 G2′重心位置 C（xc，yc）为

通过计算各帧图像的重心坐标位移偏移量CDLi，以及与目标图像标准长度大小LS的比率Lv来设定隶属函数。CDLi，LS，Lv分别定义如下

由于火灾现场的火焰处于一种不稳定状态，其变化十分复杂，因此构建两层模糊分类系统，定义两个隶属函数分别为

由于面积变化率和重心坐标偏移率具有非相关性，任何一条都可以独立判断火灾是否发生，因此两者的乘积对判断火灾更为准确。最后的隶属度函数定义为σ，其表达式为

3 实验结果及数据分析

为了验证算法的性能，对大量火灾视频进行了研究实验。图2a是从火灾视频中提取的12帧连续变化的火焰图像，通过2.1节的火焰目标提取方法，得到了目标提取图像，如图2b所示。

可以看出，火焰目标提取算法能基本有效提取火焰目标。 通过实验得出， 当 tS1=0.25，tS2=0.75，tl1=0.01，tl2=0.12时一定有火灾发生。图3显示了上述12帧火焰图像序列的面积变化率ΔS和重心偏移量比率Lv都在阈值范围内。

对灯光图像和蜡烛图像进行测试，分别提取了连续的5帧图像，并按式（10）分别计算了隶属度，表1为计算结果。

对各种目标的分析如下：1）路灯，光亮部分基本静止，重心偏移量比率及面积变化率都接近为0，因此隶属度为0；2）蜡烛，重心偏移量比率及面积变化率都很小，因此隶属度很小；3）公路上车灯，重心偏移量比率较大，但面积变化率接近为0，因此隶属度为0。

表1 不同情况的隶属度数据

4 小结

笔者提出一种面向视频图像序列的火灾识别算法，本算法兼顾了利用火灾图像的静态特征和动态特征，构造模糊隶属度函数来判断火灾是否发生。本文方法计算速度快，耗时较少，对火灾图像识别率高，可以在嵌入式系统中实现，对于实时的火灾检测十分有效，值得进一步研究。

[1]PHILLIPS W，SHAH M，LOBO N V.Flame recognition in video[J].Pattern Recognition Letters，2002，23（1-3）：319-327.

[2]SHEN S，YU C，YUAN F.Renovated method for identifying fire plume based on image correctation[J].Journal of Safety and Environment，2007，7（6）：96-99.

[3]YAMAGISHI H，YAMAGUCHI J.Fire flame detection algorithm using a color camers[C]//Proc.1999 International Symposium on Micromechatronios and Human Science.Nagoya，Japan：[s.n.]，1999：255-260.

[4]袁非牛，廖光煊，张永明.计算机视觉火灾探测中的特征提取[J].中国科学技术大学学报，2006，36（1）：39-43.

[5]张本矿，吴龙标，王进军.火灾探测的模糊神经网络方法研究[J].科技导报，2000，22（4）：687-691.

[6]王跃宗，刘京会.基于视频的火灾实时检测方法[J].计算机工程与技术，2009，30（18）：4330-4332.

[7]王亚军，徐大芳，陈向成.基于火焰图像动态特征的火灾识别算法[J].测控技术，2007，26（5）：7-9.

[8]汪锦，于伟华，韩韬.面向红外视频图像的火焰识别[J].上海交通大学学报，2008，12（42）：1979-1982.