基于图像的火灾火焰探测技术研究与发展

杨家桂

（安徽财经大学，安徽 蚌埠 233030）

基于图像的火灾火焰探测技术研究与发展

杨家桂

（安徽财经大学，安徽 蚌埠 233030）

根据图像型火灾探测的原理以及火灾的视觉特征，分析了火焰的静态特征、动态特征的提取及识别方法，并对图像型火灾探测技术的热点难点进行讨论，对未来的发展方向进行阐述和展望。

火灾图像；火焰探测；信息融合

火灾是一种频繁发生而又损失惨重的灾难，一直是人们极力关注而又要求预防、遏制的灾祸。大量的火灾案例说明，火灾早期探测是预防火灾、及时扑灭火灾、减少火灾损失的有效手段。传统的火灾探测技术中，感烟、感温、感光等探测器由于受到各种因素(空间高度、空气流速、粉尘、温湿度等)的影响，进行火灾探测都遇到了不同的困难，在一定程度上造成漏报或误报或延报。随着日趋严格的火灾安全要求以及各种现代技术的发展，使火灾探测预警方式正在向图像化和智能化发展，出现了融图像处理、模式识别、计算机等若干领域的先进技术于一体的基于图像的可视火灾探测技术。与传统的火灾探测技术相比具有显著的优势，如响应速度快，监测范围广，距离远等，适用于高大空间场所、室外环境中使用，使火灾探测更大程度地满足人们对火灾安全的需求，也代表了当今火灾探测技术的较高水平。

在图像型火灾探测技术中，数字图像处理是核心。将视频转换为图像之后，首先进行预处理，如滤波等，然后对图像进行分割即将图像中的目标与背景进行分离，以找出目标对象，再提取目标的各种特征，最后根据提取的特征对目标进行分析以判断该目标是火灾现象还是疑似火灾现象或是非火灾现象。根据火灾发生过程中的物理特征有火焰、烟气和燃烧音，图像型火灾探测技术主要是研究火焰和烟雾的特征。文章着重讨论了火灾火焰的探测算法以及图像型火灾探测技术难点和发展方向。

1 基于图像的火焰探测

火灾火焰一般具有较为明显的视觉特性：火焰颜色、亮光、闪烁和外形变化等。图像型火灾探测研究最早开始于对火焰的检测，目前已经提出多种基于图像的火灾火焰检测算法。

1.1 火焰静态特征提取

静态特征主要体现在颜色、内部结构和外部轮廓。火焰颜色在不同彩色空间如RGB、HSV或HIS、YUV中具有特定的分布特性，在火焰区域内部还具有持续的层次性变化；同时燃烧使火焰区域始终处于持续的变化中，这决定了其结构的复杂性及其特有的纹理、轮廓等特性。

（1）颜色特征。颜色是火焰最显著的特性，也是火焰探测算法中最常用的信息。有些研究者是基于RGB色彩模型进行火灾分析。Phillips等选择许多火焰图像和人工分割的模板图像进行训练，然后采用高斯平滑的方式生成火焰色彩直方图。根据选定的阈值生成火焰色彩的布尔检测函数。该方法增强了对不同场景的适应能力，但计算复杂，难以满足实时性要求。T.Ono等专门针对隧道中的车辆火灾，首先利用背景差分法提取前景区域，然后计算该区域像素R通道和G通道颜色的特征值，最后利用神经网络判断是否为火焰像素。

但火焰颜色分析时常用的RGB模型不能很好反映人眼视觉感知，所以在一些的研究中，将RGB模型转换为适合人眼视觉的HSI模型，再依据火焰颜色区域的色调和饱和度的连续变化来分割火焰区域。Homg等在HSI空间利用分解法提取火焰颜色区域，通过序列差分和颜色掩模滤除具有火焰颜色的其他运动目标或火光反射区。有的文献通过实验总结出火焰H、I、S像素分别满足的条件，再逐个像素处理将火焰区域从背景图像中分割出来。也有的文献通过大量实验给出了R通道的亮度和饱和度判据来判断火焰像素的真实性，也有的研究综合运用这两种颜色判据来进行火焰区域的判断。Liu等用光谱和结构模型来提取火焰的候选区域，选择疑似焰核的高亮部分作为种子，沿梯度方向生长，将火焰HSV高斯混合模型概率较高的邻域像素引入区域，再用阈值校验区域边缘上具有内部颜色的像素比例，滤除接近纯色的区域。文献中提出在不同色彩空间实现的约束具有一定的互补性，利用粗糙集理论将HSI规则约束、RGB 规则约束、火焰区域的色彩分布特征和闪烁特征分别看作不同的划分，最后通过综合划分集合得到火焰区域。

Çelik 等提出了一种基于模糊逻辑的火焰色彩特征分析方法，通过在YUV色彩空间对视频帧中每个象素点的色彩特征分析来提取火焰区域，但如何准确建立基于色彩特征的火焰模型成为提高火焰区域提取准确度的关键。G. Marbach在YUV空间通过分析火焰信息的时空变化，来初步判定火焰区域，然后提取该区域的亮度、频率幅值、饱和像素点个数等特征值来进一步判断是否该区域像素为火焰像素。文献中利用YUV颜色模型中标出高亮度区域作为疑似火焰焰心区域，再通过帧差法和离散分数布朗随机场模型进行早期火灾的判断。

（2）轮廓特征。Yamagishi等采用边缘算子和极坐标变换提取区域轮廓。Liu等用傅里叶系数描述提取的疑似区域边缘轮廓。同时构建环状嵌套的火焰区域结构模型，以一维傅里叶系数描述其区域的二维轮廓。文献中运用迭代阈值方法选取阈值，把灰度图像转化为二值图像，依据集合论的知识对连通区域进行运算，再依据面积阈值去除噪声，提取目标轮廓。沈诗林等提出利用运动图像的质心到边缘的距离来描述火焰的轮廓；Xie等认为Canny边缘检测算法得到的边缘不连续，而傅里叶描述子应用于小区域会引入噪声，因此，提出采用形态学结合深度优先搜索的方法来确定火焰的轮廓。许宏科等用数字图像形态学中的重构提取火焰亮度信息，再用腐蚀和膨胀来有效地提取火焰边缘并进行火焰区域边界跟踪，最后通过主成分分析法对颜色分布特征进行降维处理得到RGB的特征值，送入神经网络进行火灾识别。

（3）纹理和能量特征。Toreyin等人通过疑似区域的离散小波变换，计算疑似区域高频能量与相对应背景区域图像的能量比值进行检测。袁非牛等人利用混合高斯模型进行背景建模后，用背景差法获得前景运动目标，采用灰度共生矩阵的5个统计量：主对角线惯性矩、熵、逆差矩、灰度相关、能量来描述火焰纹理特征。陈晓娟提出用空间灰度层共现矩阵方法计算火灾图像纹理特征信息即能量、熵、相关、惯性矩，用其来表示现场环境状况。

尽管火焰静态特征较丰富，但却无法表达火灾燃烧的状态和过程变化的信息，单一依据静态特征作为火灾判断的依据容易导致误判或漏报。

1.2 火焰的动态特征提取

相对于静态特征，火焰的动态特征更显著也更复杂，不同于一般目标的刚体运动或柔性扭曲，火焰运动具有随机性、层次性和时频性，主要表现为火焰边缘的抖动、火焰的蔓延或面积的变化和火焰的频闪等特性。

（1）火焰边缘抖动特性。火灾火焰的边缘具有抖动特性，而其他高温物体，灯光及稳定火焰的边缘比较稳定，因此，利用边缘检测和边缘搜索算法提取火焰边缘，根据其形状、尖角等来判断其边缘的时空变化特性。Yamagishi等在提取区域轮廓后，通过二维傅立叶变化来描述轮廓时空波动的频率分布情况，最后利用人工神经网络进行火灾识别。吴龙标等认为仅用面积判据容易误判，提出以尖角数目的变化来反映边缘抖动，联合这两种判据可减少误报和漏报。汪锦等认为以边界的尖点作为火灾判据能有效识别近距离火焰目标，而对于远距离较小的火点，其边界轮廓较平滑，难以检测其尖点。因此提出以火焰成像高度作为动态特征量，分析采样时间内物体高度变化，并在灰度空间分析火焰的灰度分布，用模糊隶属度法计算物体对于“火焰”的隶属度，以达到火焰的提取、识别、定位。沈诗林等提出利用傅立叶描述子来度量火焰轮廓随时间变化的时空特征，具有平移、旋转和尺度不变性，最后采用距离模型来度量相邻两帧运动图像轮廓变化的幅度，此算法简单，计算复杂度低。韩斌等根据火焰的燃烧特性，选取相邻帧边界矩不变量的差值来描述火焰的动态特征，再利用支持向量机对火焰和疑似火焰目标样本进行分类检测，该算法具有较低的虚警率和较强的抗干扰性能。

（2）火焰的闪烁特性。火焰闪烁具有特定的频谱，是火灾火焰的重要特性。Phillips等用帧间像素的亮度差分来计算火焰的连续闪动，为削弱全局运动的误导，还要减去非火焰颜色的像素微分。Liu等在提取火焰区域和轮廓后，通过帧间前向估计获得各区域的自回归(AR)模型参数，再用AR模型去估计火焰边缘运动的随机特性。袁非牛等提出采用规格化的傅里叶描述子表述的轮廓距离模型来度量轮廓脉动特征。但用傅里叶变换最大的问题是火焰闪烁不单纯是正弦的而是随机的，因此很难检测出FFT的峰值，另外傅里叶变换不带有时间信息。Toreyin在2005年提出利用Markov模型提取火焰闪烁信息，再分析火焰和非火焰颜色时空变化特征。Dedeoglu N等对火焰区域颜色变化进行小波变换提取火焰闪烁信息，结合火焰区域边缘的不规则性和火焰区域的增长特征，实现视频火焰探测。但是这种方法难以区分火焰闪烁和车灯闪烁，而且计算量大不利于实时检测。Toreyin等在2006年提出利用时空小波变换提取闪烁特征和边缘模糊特征。程鑫等分析火焰闪烁频率、亮度时变特性，并使用图像的小块分割算法和外形判断的方法排除一些外界因素的干扰。张进华等发现火焰闪烁时火焰高度的变化规律，将火焰高度的变化作为火焰识别的动态特征量。

（3）火焰蔓延特性。火灾发生时，若燃烧失去控制，一个显著的特征是火开始蔓延，表现在图像上即是火灾的面积开始扩大。当火灾增长的速率超过一定值或持续增长时，可认为有火灾存在的可能。Chen等提出了一种二阶决策机制，先用颜色特征检测火焰的存在，再判断火焰的蔓延或小尖状态以此来识别火灾。Huang等利用火焰像素的增长和火焰质心的不变性来进一步确认火灾区域。Horng等则在提取出的火焰轮廓中通过计算其白色像素和总像素的比值来估计火焰燃烧的程度。Xie等采用面积变化率及面积相对变化作为火焰动态特征，可以消除车灯闪烁的影响。王振华在利用背景差法和HIS颜色模型取得火焰目标后，计算其圆形度，再利用小波变换用近似分量表示面积的变化，用细节分量表示闪烁频率，通过实验确定阈值，最后利用类似投票的方式来进行火灾识别。

火焰的静态和动态特征都比较显著，也都具有复杂多样性，且共存互补，存在紧密的相关性,这对火焰特性的分析与建模构成了不少困难，必须对两者综合考虑才能全面有效地识别火灾事件。所以很多的研究（包括上述各参考文献）中是将颜色、结构和运动特征结合起来火灾火焰的判断和识别。史海山等对边缘检测之后的二值图像进行边界跟踪，可得到一个八方向的边界链码的封闭图形，通过取阈值后统计图像的亮点数得到区域面积；通过计算像素点之间的位置关系得到形体变化特性；统计不同灰度级的像素点在空间的分布规律得到分层变化；通过寻找此图像中心点位置与上帧图形的位置变化得到整体移动特性。最后将提取的几个特征利用遗传算法和神经网络进行分类识别。

2 图像型火灾探测技术研究难点和发展方向

尽管近年来基于图像的火灾探测能力得到了大大的提高和完善，但是就整体而言，它仍处于一个较基础的研究阶段，面临着不少的问题和难点，有待于进一步的研究和探索。

2.1 研究难点

（1）各种环境条件探测灵敏度与可靠性的矛盾。发生火灾的场所和条件是各种各样的，单纯静态的环境并不多，而在动态环境条件下采集的图像序列很容易受到各种干扰，如光照变化、背景混乱干扰、环境本身的条件如气流、温度等、摄像机与目标的距离、目标与环境颜色类似等，尤其是环境条件比较复杂的地方，想要做到实时快速准确的判断是比较困难的。

（2）探测算法的选择。目前，国内外学者提出的各种图像型火灾探测算法，每个火灾检测方法都适用于不同的场景或特殊的状况，而且不少的算法验证都是在实验室环境下进行的，能不能在实际的环境中应用还有待研究。探测算法的复杂程度对火灾探测的实时性、系统的实现及其成本都有一定的影响。

2.2 发展方向

（1）多传感器和多种特征的融合。在拍摄火灾图像时摄像机的正下方往往形成盲区，可采用多个摄像机协同工作不仅能扩大监视的有效范围，而且能提供多个角度的视频序列，融合多个角度视频的信息可提供深度信息。或者利用摄像机和其他如气体浓度传感器、温度传感器等协同工作，多传感器的使用关键在于多传感器信息之间高效融合。同时利用信息融合的方法进行火焰和烟雾各特征的决策融合，应能有效提高火灾探测的有效性和鲁棒性。

（2）探测算法的评价体系。现在视频火灾检测算法是研究人员自己建立的数据库测试评价的，缺乏一个标准的测试库去评比不同算法之间的性能差异。而且以何种指标进行算法的评价，也没有统一的标准。所以建立基于视频的火灾特征数据库，以及针对测试库的算法评价标准，将是一个发展的方向。

3 结论

图像型火灾探测是计算机视觉中视频信息挖掘问题，不仅涉及图像静态特征的提取和处理，还需要对时空序列的动态特征进行分析。图像型火灾探测相对于传统的火灾感测技术具有多方面的优越性。文章综述了图像型火焰和烟雾探测技术的最新研究进展，同时对目前的难点和可能的发展方向做了阐述，希望能对相关领域的研究者和工程技术人员有所帮助。

[1] 陈涛,袁宏永,范维澄.火灾探测技术研究的展望[J].火灾科学,2001(4):108-112.

[2] 杨俊,王润生.基于计算机视觉的视频火焰检测技术[J].中国图像图形学报,2008(7):1222-1234.

[3] T. Celik, H. Demirel, H. Ozkaramanli, and M.Uyguroglu.Fire Detection using Statistical Color Model in Video Sequences[J]. Journal of Visual Communication &Image Representation,2007,18: 176-185.

[4] B.-M.Lee,Dongil Han.Real-Time Fire Detection Using Camera Sequence Image in Tunnel Environment[C].Proceedings of ICIC,2007,4681:1209-1220.

[5] Chen Jun, Du Yang,Wang Dong. An Early Fire Image Detection and Identification Algorithm Based on DFBIR Model[C]. 2009 World Congress on Computer Science and Information Engineering,2009,229-232.

[6] Homg Wenbing, Peng Jimwen, Chen Chih yuan. A new image based real-time flame detection method using color analysis[C].Proceedings of the 2005 IEEE International Conference on Networking, Sensing and Control New York:IEEE,2005.

[7] Yamagishi H, Yamaguchi J. A contour fluctuation data processing method for fire flame detection using a color camera[C]. IEEE 26th Annual Conference on IECON of the Industrial Electronics Society, Nagoya, Japan: 2000，824-829.

[8] Ping-He Huang, Jing-Yong Su, et al. A Fire-Alarming Method Based on Video Processing[J]. Proceedings of the 2006 International Conference on Intelligent Information Hiding and Multimedia Signal Processing (IIH-MSP'06).2006.359-364.

[9] Wen-Bing Horng, et al. A New Image-Based Real-Time Flame Detection Method Using Color Analysis[J].IEEE,2005,100-105.

[10] Thou-Ho Chen, Cheng-Liang Kao, et al. An intelligent real-time fire-detection method based on video processing[C], IEEE 37th Annual 2003 International Carnahan Conference on Security Technology,2003,Oct.14-16:104-111.

TN911.73

A

1008-1151(2011)08-0097-03

2011-04-26

杨家桂（1970－），女，安徽庐江人，安徽财经大学电子信息工程系副教授，工学硕士，研究方向为智能检测与控制、信息处理与信息融合。