视频火灾识别方法研究综述

卢胜男，冯建利，段沛沛

（西安石油大学计算机学院，陕西西安 710065）

视频火灾识别方法研究综述

卢胜男，冯建利，段沛沛

（西安石油大学计算机学院，陕西西安 710065）

火灾发生时，其火焰和烟雾具有特有的静态和动态特征，在分析总结火灾图像特征的基础上，以火焰和烟雾特征为线索，介绍了火灾提取和识别的典型方法，侧重于分析各种特征在火灾识别中的应用及所采用的算法，最后对未来视频火灾识别方法的发展方向做了展望。

火灾识别;火焰检测;烟雾检测;特征融合

近年来，各类火灾事故频繁发生，给人类的生命安全和生活环境带来巨大危害。火灾造成的直接损失约为地震的5倍，而火灾发生的频度则居各种灾难之首［1］。世界各国在防火、灭火上都投入了巨大的人力、物力，在提高传统防火设备的同时，许多研究者们开始致力于研究如何及早地发现火灾，将火灾消灭在萌芽状态［2－57］。

传统的火灾探测系统一般采用温度或烟雾传感器，当火灾发生时，生成的烟、温度和光等物理量达到一定数值时，发出报警信号［4］。这种探测系统被广泛地应用于建筑物、隧道等的火灾预警中，但在高大空间的火灾报警中，上述方法并不能很好地适用。只有火灾发展到一定程度，普通的感烟和感温传感器才能采集到火灾发出的烟温变化信息，所以很难满足早期探测此类火灾的要求。此外，如果环境条件恶劣，存在大量干扰，如灰尘、光、震动等，则容易导致探测噪声增加甚至传感器失灵［5］。

针对上述火灾探测存在的问题，人们利用摄像机作为探测器，实时采集被监控对象的连续图像信息，通过智能识别技术由图像序列直接探测火灾信息，并进行报警、扑救等联动处理。相对传统方法，这种基于视频图像的探测方法具有探测范围广、响应时间短、可以实时监控火情等优势，目前已经引起国内外专家学者的广泛关注。

1 视频图像火灾探测技术研究现状

红外摄像机由于能够集中监控火焰燃烧时的红外辐射，从根本上排除某些干扰因素的影响，算法简单，火焰的识别率高，很早就被应用于火灾探测系统中。中国科学技术大学火灾科学重点实验室研制的“双波段图像型火灾探测系统”利用红外和彩色摄像机作为火灾信息探测器件，有效地解决了大空间火灾探测问题。但对于一些已经具有完备视频监视系统的场合，额外安装红外摄像机，会增加成本。因此，采用现有的普通摄像头获得火灾的图像序列信息，利用数字图像处理技术提取火灾图像深层次特征信息，由这些特征判断火灾是否发生是火灾识别技术发展的必然趋势，同时对火灾识别的算法也提出了较高的要求。

针对基于可见光视频图像的火灾探测，国内外展开了积极的研究和开发，但成型的系统并不多，而且应用场合具有一定的局限性。Bosque公司研制的BSDS系统能够准确地识别森林火灾，并有效地区别其他目标的干扰，误报率低。美国Notifier公司作为火灾探测的龙头企业，开发了基于视频图像的烟雾探测系统，还实现了报警形式的多样化，如手机报警［6］。近期，中国科技大学技术对基于普通摄像头的烟雾探测也开展了大量的研究工作，中科院自动化研究所、西安交通大学、华中科技大学等科研院所也对基于视频的火灾探测技术进行了广泛的研究。

目前，火灾科学研究仍然处于起步阶段，火灾发生的随机多样性使得火灾探测尚没有较为完整和权威的公开测试集，大多数研究者的测试视频均来自互联网或者自行录制，因此，该项研究工作具有一定的困难和局限性。而且，由于视频火灾检测技术应用场合的多样性，很难开发出适用于所有场合的系统，国内外对不同场合的适用算法做了大量的研究。本文在已有文献的基础上，对火灾发生时火焰和烟雾的图像特征、火焰和烟雾特征识别的方法进行了探讨研究。

2 火焰和烟雾的图像特征分析

火灾在燃烧过程中，火焰和烟雾的面积、颜色、形状和辐射强度等都在不断地变化，其图像特征种类多，变化无常，因此如果特征选择不合理，很难获得较好的识别准确性和鲁棒性［10］。图1分类描述了火焰和烟雾的可见光视觉特征。现有的检测算法多是从火焰特征、烟雾特征或两者特征融合来识别火灾的。

图1 火灾可见光特征分类

3 火焰特征提取及识别

3.1 火焰颜色特征

对于火焰的颜色特征，通常是提取基于某种颜色模式的阈值范围内的像素，进而建立目标的静态识别特征。火焰的色彩通常为红色调，当火焰温度变高时，火焰内核会呈现亮白或淡蓝，由内向外随温度降低颜色由黄变橙、变红。在灰度图像中，可看出核心部分一般明显比边缘要亮。

根据火焰颜色特征，文献［7］收集不同的火焰图像，采用手动方法提取火焰区域，并创建一组火焰颜色的训练集，根据该训练集判断被测像素是否为疑似火焰的像素点。该方法中，训练集的优劣直接影响系统判断的准确性。文献［8］对此进行了改进，通过对大量火灾图像的统计分析，在RGB色彩空间建立火焰的颜色模型，进而利用已建立的颜色模型进行火焰区域的提取。R，G，B信息相关性强，易受外界光照及摄像视角的影响，文献［9］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YCbCr色彩空间对视频帧中的每个像素点的色彩特征分析来提取火焰区域;文献［10－12，15］则在HSI色彩空间通过对大量火灾图像的统计分析来建立火焰的色彩模型。Yamagishi等人提出一种基于HSV空间和神经网络的彩色图像火焰检测算法［13］。文献［14］则在总结前人理论的基础上，分别在RGB，HSV和YCbCr三个色彩空间上提取火焰颜色最典型的规则进行建模，这种方法能够有效地减少由于图像亮度变化而带来的干扰。

颜色特征虽然特征显著，计算简单，而且对于旋转、平移和尺度变换不敏感，但其抗干扰性差，不同燃烧材料的火焰颜色存在显著的差异，因此，颜色特征只能作为火焰识别的辅助判据。

3.2 火焰静态特征

火焰外观具有非刚性特点，其形状取决于可燃材料性质、分布、燃烧程度以及与摄像机的相对距离等因素，故常规的形状分析方法无法有效地描述火焰的形状及其演化过程。目前研究多提取能够描述火焰形状的有关特征，如圆形度、曲率特征和质心等。由于火焰的外形都是极不规则的，文献［15－16］利用圆形度区分火焰和形状规则程度高的干扰源（如烟头、灯光等），在此基础上，进一步分析特征进行火灾的探测。文献［17］经实验测得，当被测目标距摄像头较远时，火焰和干扰源的圆形度差别并不明显，因此提出了一种火灾尖角判据，计算尖角所在连通域面积和火焰面积的比值关系，根据先验知识，判断其为火焰尖角还是噪声、毛刺引起的尖角［17］。在火焰发生早期，火焰尖角的数目比较少，这种尖角特性判据效果欠佳，因此，可以配合圆形度等判据一起使用，从而提高早期火灾识别的准确率。文献［14］提出一种基于角点形心轨迹的火焰特征提取方法，采用Harris角点［18］提取算子提取角点，由于火焰体现出宏观稳定、微观混沌的特征，虽然火焰形心在燃烧过程中并非保持规律性移动，但在一段时间内，其分布保持在一个相对集中的区域（如图2a所示）;而干扰视频的形心则分布在一个相对分散的区域（如图2b所示），显然，两者的形心聚合度存在显著区别，因此可以通过计算形心外接圆半径r判断是否含有火焰。

此外，火焰的纹理特征也是区别疑似目标的重要依据。文献［19］采用空间灰度共生矩阵计算火焰的纹理特征信息——能量、熵、相关和惯性矩，这些统计特征可以较好地去除一些常见的干扰，提高报警的可靠性和准确性，降低系统的误报率。

图2 角点形心分布情况

3.3 火焰动态特征

由于火焰的颜色和静态特征都是基于单帧图像获得的，若仅以颜色和静态特征作为识别判据，则很容易造成误判。因此，针对火焰的动态特征，利用视频图像帧间相关性，可以进一步提高目标识别的准确度。

火灾发生后，火焰区域随着火灾的发展不断蔓延扩大，火焰面积具有初始增长特征，如图3所示，其增长速度可以有效排除某些凸现目标，如车灯等。文献［26］利用可燃物火灾早期的特征参数及线性度判断是否满足面积增大特征，但对于不同可燃物，该方法具有一定局限性。文献［27］提取疑似火焰区域后，利用低频重构得到面积变化趋势线，将趋势线中的第30帧火焰面积与第1帧火焰面积相除得到目标面积增长速率。虽然小波变换可以降低火焰闪动及其他噪声的干扰，但小波变换计算复杂度高，这种方法不利于实时探测。此外，第1帧火焰面积往往较小，小波降噪后目标面积与真实面积差别较大，从而影响增长速率的准确性。文献［28］则提出通过平均增速的方法滤除局部噪声，从而得到了较为稳定的面积增长特性。这种以面积连续增长为特性的判决方法，存在明显的不足:当车灯等物体由远及近运动或由熄灭到点亮时，其面积也是逐渐增大的。因此，面积判据要配合其他动态特征一起使用。火焰面积变化曲线如图3所示。

图3 火焰面积变化曲线

火焰的闪动表面看来是杂乱无章的，其实火焰信号的频谱具有特定的规律［32］。许多研究者对多种不同材料的火灾进行了测试实验。文献［29］经过处理和分析得出:火焰的闪烁频率分布在3～25 Hz之间，主要频率在7～12 Hz范围内。火焰闪烁时表现为诸如形体、位置、高度、灰度等不同特征，对不同特征的测量采用了不同的提取方法。文献［31］采用对火焰候选区域高度的变化特征的傅里叶功率谱检测来判断是否是火焰，文献［28］和文献［33］分别根据前后帧面积变化率和火焰边缘尖角数变化判断火焰的频率。文献［57］采用火焰颜色像素沿时间轴的一维傅里叶变换来度量此像素的强度值随时间变化的剧烈程度来判断火焰的闪烁频率。此外，文献［30］通过分析能量密度谱分析火焰的闪烁频率，由于灯光的存在会影响能量密度谱的分布，因此这种方法难以准确获得火焰的能量密度谱。火焰闪烁频率作为火灾的重要特性，可以显著提高火灾识别的准确性和可靠性，尤其是受到可燃物种类或距离等因素影响情况下，频率特征尤为突出。

受到空气流动和气体羽流的卷吸特性影响，燃烧的火焰表现出不停振荡的特性，使得其形状变化具有无规律的特点，但空间分布和形状变化来却具有一定的相似性。文献［35］提出利用图像的相关性检测森林火灾，但由于其利用的相邻两帧图像之间的相关性，这种方法不利于实际应用中的突变情况，会产生比较多的漏检和虚警。文献［36］对相关性检测算法加以改进，将一段时间中各帧图像和不断更新的背景图像做相关性分析，研究相关系数随时间变换而产生的波动规律进行火灾火焰的检测，得到了比较明显的检测效果。此外，结构相似性也可体现图像的相似性，文献［4］通过统计相邻帧同一可疑区域的轮廓相似度，判断疑似火焰区域。

火焰是燃着的气体或蒸汽的发热、发光部分，其静态和动态特征具有复杂多样性，但它们共存互补、具有紧密的相关性。这为火焰特性的分析与建模造成了困难，因此只有对两种特征综合考虑，才可能全面有效地鉴别火灾事件。

4 烟雾特征提取及识别

火灾发生初期会产生大量烟雾，利用烟雾特征是实现早期火灾识别的重要依据。但相对于火焰目标，烟雾目标的识别特征不够显著，且实际的烟雾探测受多种因素制约，如颜色相近的背景干扰;不同燃烧物质所产生的烟雾颜色不同;烟雾外形不规则，其运动状态难以描述;烟雾浓度由透明逐步发展到不透明，这些特点都不利于目标特征提取［48］。

4.1 烟雾静态特征

烟雾颜色作为烟雾的静态特征，由于其本身多变，并且受背景光照影响较大，鲁棒性较差。文献［21］、文献［20］分别在RGB和YCbCr色彩空间建立烟雾模型，该特征只能作为疑似烟雾区域识别的辅助判据。

扩散开的烟雾具有一种薄纱效果，可以对背景产生遮蔽和模糊，使背景的高频细节信息产生衰减，而且无论烟雾发生位置距离摄像头的远近，这个特征都适用。文献［34，37］认为烟雾区域其小波图像的高频能量具有衰减的特性，可利用该特性提取疑似烟雾区域。但这种方法仅适合背景复杂的情况，如果背景过于简单平缓（如墙壁、天空等），烟雾本身可能就是高频信息，所以，烟雾的出现反而会引起高频能量的增加。此外，光照也能引起局部高频能量减弱，因此，基于高频能量衰减的烟雾目标提取及识别方法不具有鲁棒性。

烟雾纹理具有较强的规律性，相对于图像每个像素点灰度的变化特征，纹理变化特征稳定性更高，即便在有风的情况下。文献［49］在小波变换的基础上，通过灰度共生矩阵提取火灾烟雾的纹理特征，文献［50］提出采用Gabor小波建立烟气的特征模型，利用Gabor小波稳定的纹理检测性能提取丰富的烟雾纹理。烟雾纹理是图像自身的一类特征，不受平移、旋转和缩放等变换影响，具有较好的稳定性，可以作为烟雾识别的重要依据。

4.2 烟雾动态特征

烟雾本身是一种具有扩散特性的气体运动，运动状态和形状无时无刻不在发生变化，不仅如此，烟雾还具有飘散、闪烁等光学特征，其动态特征主要表现为形状变化特征和频率特征。

烟雾在上升飘散的过程中，其形状会逐渐变化，外围轮廓和边界渐渐模糊，面积也逐步扩大。但烟雾发生源的位置是保持不变的，这是有别于其他运动物体的一个重要特征。文献［28］提出利用烟雾扩散过程中的边界复杂度、灰度和面积增长特性建立判决规则，以简洁的算法实现烟雾像素的识别。文献［42］认为烟雾满足相对稳定性，不会出现位置上的较大移动，因此提出根据位置稳定性、边缘信息模糊性和面积增长特性对烟雾进行识别。

烟雾产生后受到空气热涨和上升气流的双重作用，它的运动轨迹是自下而上的，这在横向气流较弱的情况下最为明显。利用这个特点，文献［40］提出通过光流法提取运动区域，进而计算其区域特征。但当烟雾处于透明状态或探测环境比较复杂时，光流场基本方程的灰度守恒假设条件难以满足，不能求解出正确的光流场，同时光流计算方法相当复杂，计算量巨大，不能满足实时的要求。采用同样的算法，文献［44］则提出利用背景差分法提取疑似烟雾区域，并采用二维离散小波分析和光流法分别检测疑似烟雾的背景模糊性和主方向角性，从而判断和识别烟雾。光流法和小波分解的计算复杂度都比较大，不适于实时探测的场合。文献［41］将图像分割成若干个小块，通过时间窗口统计各小块的主运动方向及运动累计量，进而统计整个区域的主运动方向、运动累计量的均值和方差，从而识别烟雾。文献［47］提出火灾烟雾移动方向角累积模型，由该模型得到方向角直方图，进而实现烟雾的识别，如图4所示。由于烟雾运动轨迹受风力、被测空间结构影响较大，并不适合所有场合的烟雾目标提取和识别。

图4 烟雾块运动估计和主运动效果图

类似于火焰的自相似特征，烟雾从其形状变化，空间变化和空间分布来说具有一定统计意义下的自相似性。文献［38］利用该特性，提出采用分形曲线的方法描述烟雾特征，实现森林烟雾运动特征的提取。同样的，文献［39］基于烟雾的自相似性，提出采用分形编码分割烟雾目标区域，该技术通过像素位置的相对关系得到烟雾区域，实验结果表明有明显的背景混入，并且实时性有待提高。

与火焰识别方法类似，仅通过烟雾的静态特征进行识别很容易导致误判，而且烟雾的识别特征不够显著，只根据单一的动态特征进行识别，算法复杂度相对较高。因此，大多数文献采用多个静态特征和动态特征综合判别的方法，通过模式识别技术判断火灾是否发生，从而降低了误判率。

5 火灾识别方法

火灾识别是通过建立一定的数学模型，将火灾特征作为模型的输入信息进行分析和处理，进而判断有无火灾发生。由于火灾是一种无控制的燃烧，其随机性使得火灾过程很难通过理想的数学模型来精确描述，因此，火灾探测识别实际上是一个非常困难的决策过程。作为一种非数学模型的函数估计和动力学系统，神经网络和模糊系统在火灾识别领域得到广泛的研究和应用。文献［43］利用前馈神经网络法进行烟雾识别，由背景估计和颜色特征确定的疑似烟雾区域，通过光流法计算目标区域的运动特性，以此作为神经网络的输入。文献［9］通过模糊系统建立火焰的颜色模型，比传统启发式判决方法效率及准确性更高。模糊系统擅长处理不确定的知识性信息，而神经网络具有很强的自学习能力，文献［45］将两者结合在一起，提出神经模糊推理系统，通过烟雾飘动方向，周期飘动强度和周期逆向飘动强度等特征的正例和反例对系统进行训练，充分发掘和描述各特征量之间的关系，增强系统的泛化能力。

由于火灾实验的视频资源有限，很难采集完整、足够的火灾目标样本，而且神经网络通常需要大量的数据来训练，因此，能更好地解决小样本问题的支持向量机在火灾识别方面得到快速发展。文献［46］提出根据烟雾密度分布和轮廓变化，采用支持向量机进行分类识别。文献［53］将疑似烟雾区域的纹理特征作为支持向量机的输入特征，对烟雾进行识别。文献［51］针对支持向量机在数据量较大求解时间过长的问题，提出基于最小二乘支持向量机的视频烟雾识别算法。对疑似烟雾区域进行二次分割，选取颜色、相关系数和面积变化率作为特征输入量，由此降低输入向量维数，缩短训练时间，该算法具有较快的分类速度和识别准确率。

上述火灾识别方法是基于火灾的瞬时状态特征作为最终判决结果的，并没有考虑瞬时状态的历史信息。针对这个问题，文献［52］提出基于隐形马尔可夫模型的火焰识别方法，通过隐形马尔可夫模型预测火焰的闪烁特征，以此区分颜色相近的非火焰目标，提高识别的准确性。

6 结束语

相比于传统的温度、烟度传感器检测方法，基于视频的火灾检测更适合于解决户外、高大空间火灾探测问题。但受到光照变化、镜头遮挡、运动物体多变、目标数量多等问题的影响，火灾检测的准确性、实时性和鲁棒性，无法同时满足。目前，虽然检测算法繁多，但期望出现一种通用的火灾检测算法适用于任何场合并不现实，所以，实际的解决方法往往是从特定的应用需求出发，开发或改进相应的算法，或者融合多种现有的算法，找寻最佳的解决方案。另一方面，火灾是个小样本事件，目前尚没有较为完整和权威的公开测试集，大多数研究者的测试视频均来自互联网或者自行录制，火灾检测算法存在较大的局限性，而且有些场合无法或难以进行火灾实验，因此必须寻求其他途径来进行火灾的研究。一种有效的方法就是利用计算机模拟，根据火灾发生时火焰燃烧和烟气流动状态建立较为准确的数学模型，然后利用计算机图像模拟火灾发生时的情景。计算机模拟作为实验模拟的重要补充，不仅可以弥补实验模拟样本不足的缺点，而且还可以指导实验模拟，确定更科学、合理的实验方案。此外，目前大多数公共场所和建筑空间都安装有监控摄像头，这些专用的监控系统，除了具有某些专用功能之外，加入火灾探测功能，实现较为完备的解决方案，是火灾探测技术向其他专业领域延伸的重要方式，也是火灾探测产品的一个重要发展方向。

:

［1］公安部消防局编.中国火灾统计年鉴［M］.北京:警官教育出版社，2002.

［2］程晓舫，王瑞芳，张维农，等.火灾探测的原理和方法（上）［J］.中国安全科学学报，1999，9（l）:24－29.

［3］程晓舫，王瑞芳，张维农，等.火灾探测的原理和方法（下）［J］.中国安全科学学报，1999，9（2）:1－5.

［4］严云洋，高尚兵，郭志波，等.基于视频图像的火灾自动监测［J］.计算机应用研究，2008，25（4）:1075－1078.

［5］王文豪，刘虎，严云洋.视频火灾识别的关键技术研究［J］.计算机仿真，2011，28（2）:304－307.

［6］Notifier Company.Video smoke detection［EB/OL］.［2012－05－15］.http://www.securityinfowatch.com/product/10216615/notifier－videosmoke－detection－vsd.

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

［8］CELIK T，DEMIREL H，OZKARAMANLI H，et al.Fire detection in video sequences using statistical color model［J］.Journal of Visual Communication and Image Representation，2007，18（2）:176－185.

［9］CELIK T，OZKARAMANLI H，DEMIREL H.Fire pixel classification using fuzzy logic and statistical color model［C］//Proc.International Conference on Acoustics，Speech，and Signal Processing.Honolu－lu，Hawaii，USA:ICASSP，2007:1205－1208.

［10］CELIK T，DEMIREL H.Fire detection in video sequences using a generic color model［J］.Fire Safety Journal，2008（44）:147－158.

［11］HORNG W，PENG J，CHEN C.A new image－based real－time flame detection method using color analysis［C］//Proc.2005 IEEE International Conference on Networking，Sensing and Control.［S.l.］:IEEE Press，2005:100－105.

［12］LU T，PENG C，HORNG W，et al.Flame feature model development and its application to flame detection［C］//Proc.the First International Conference on Innovative Computing，Information and Control.［S.l.］:IEEE Press，2006:256－259.

［13］TOREYIN B U，CETIN A E.Online detection of fire in video［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition.Minneapolis，USA:IEEE Press，2007:1－5.

［14］王莹，李文辉.基于多特征融合的高精度视频火焰检测算法［J］.吉林大学学报:工学版，2010，40（3）:770－775.

［15］WANG Zhenhua，WANG Huiqin，WANG Yanni，et al.Fire detection in video［J］.World Science Technology Research and Development，2008，30（2）:161－164.

［16］郭庆，黄齐鸣，曾昭周.大空间早期火灾的双波段图像探测技术研究［J］.兵工自动化，2008，27（8）:61－65.

［17］顾俊俊，赵敏，吴毅杰.早期火灾火焰尖角计算算法的研究［J］.青岛大学学报:工程技术版，2010，25（1）:24－26.

［18］HARRIS C，STEPHENS M.A combined corner and edge detector［C］//Proc.the Fourth Alvey Vision Conference.Manchester，UK:IEEE Press，1988:147－151.

［19］徐小军，邵英，郭尚芬.基于灰度共生矩阵的火焰图像纹理特征分析［J］.计算技术与自动化，26（4）:64－67.

［20］CELIK T，OZKARAMANLI H，DEMIREL H.Fire and smoke detection without sensors:image processing［EB/OL］.［2012－05－15］.http://libra.msra.cn/Publication/6720800/fire－and－smoke－detection－withoutsensors－image－processing－based－approach.

［21］郑璐，陈俊周.基于运动和颜色的视频烟雾检测算法［J］.计算机工程与设计，2010，31（21）:4650－4652.

［22］陈晓娟，卜乐平，李其修.基于图像处理的明火火灾探测研究［J］.海军工程大学学报，2007，19（3）:7－11.

［23］闫厚，倪金生.基于网络摄像机的森林火灾烟火自动识别技术探讨［J］.森林防火，2007，9（2）:25－28.

［24］KWON O H，CHO S M，HWANG S M.Design and implementation of fire detection system［C］//Proc.Conference on Advanced Software Engineering ＆ Its Applications.［S.l.］:IEEE Press，2008:233－236.

［25］ASHFAQUR R，MANZUR M.Detection of multiple dynamic textures using feature space mapping［J］.IEEE Transactions on Circuits and Systems for Video Technology，2008，19（5）:766－771.

［26］周军盈，杜啸晓.图像识别技术在火灾探测中的应用［J］.消防科学与技术，2007，26（4）:417－420.

［27］CHEN T H，WU P H，CHIOU Y C.An early fire detection method based on image processing［C］//Proc.the IEEE Conference on Image Processing.Singapore:IEEE Press，2004:1707－1710.

［28］CHEN T H，YIN Y H，HUANG S F，et al.The smoke detection for early fire－alarming system base on video processing［C］//Proc.the International Conference on Intelligent Information Hiding and Multimedia Signal Processing.Pasadena，CA，USA:［s.n.］，2006:427－430.

［29］安志伟，袁宏永，屈玉贵.数据采集在火焰闪烁频率的测量研究及分析中的应用［J］.火灾科学，2000，9（2）:43－47.

［30］LI Jin，FONG N K.The motion analysis of fire video images based on moment features and flikers frequency［J］.Journal of Marine Science and Application，2004，3（1）:81－86.

［31］ZHANG Jinhua，ZHUANG Jian，DU Haifeng.A new flame detection method using probability model［C］//Proc.International Conference on Computational Intelligence and Security.Guangzhou，China:［s.n.］，2006:1614－1617.

［32］刘强.基于多信息融合的火焰检测［J］.电视技术，2012，36（1）:126－128.

［33］TOREYIN B U，DEDEOGLU Y，GETIN A E.Realtime fire and flame detection in video［C］//Proc.International Conference on Acoustics Speech，and Signal Processing.Philadelphia，USA:［s.n.］，2005:669－672.

［34］TOREYIN B U，DEDEOGLU Y，CETIN A E.Wavelet based real－time smoke detection in video［C］//Proc.13th European Signal Conference.Antalya，Turkey:［s.n.］，2005:4－8.

［35］OLLERO A，ARRUE B C，MARTINEZ J R，et al.Techniques for reducing false alarms in infrared forest－fire automatic detection systems［J］.Control Engineering Practice，1999，7（2）:121－131.

［36］沈诗林，于春雨，袁非牛，等.一种基于视频图像相关性的火灾火焰识别方法［J］.安全与环境学报，2007，7（6）:96－99.

［37］TOREYIN B U，DEDEOGLU Y，CETIN A E.Contourbased smoke detection in video using wavelets［EB/OL］.［2012－09－25］.http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.105.3515.

［38］GUILLEMANT P，VICENTE J.Realtime identification of smoke images by clustering based motions on a fractal curve with a temporal embeddingmethods［J］.Optical Engineering，2001，40（4）:554－563.

［39］NOBUYUKI F，KENJI T.Extraction of a smoke region using fractal coding［C］//Proc.International Symposium on Communication and Information Technologies.［S.l.］:IEEE Press，2004:659－662.

［40］GOMEZ R F，ARRUE B C，OLLERO A.Smoke monitoring and measurement using image processing:application to forest fires［EB/OL］.［2012－09－25］.http://adsabs.harvard.edu/abs/2003SPIE.5094.404G.

［41］袁非牛，张永明，刘士兴，等.基于累积量和主运动方向的视频烟雾检测方法［J］.中国图象图形学报，2008，13（4）:808－813.

［42］王欣刚，魏峥，刘东昌，等.基于烟雾动态特征分析的实时火灾检测［J］.计算机技术与发展，2008，18（11）:9－12.

［43］YU Chunyu，FANG Jun，WANG Jinjun，et al.Video fire smoke detection using motion and color features［J］.Fire Technology，2010，46（3）:651－663.

［44］练秋生，李党.融合多种特征的烟雾图像检测算法［J］.光学技术，2009，35（4）:523－528.

［45］王涛，刘渊，谢振平.一种基于飘动性分析的视频烟雾检测新方法［J］.电子与信息学报，2011，33（5）:1024－1029.

［46］YANG Jing，CHEN Feng，ZHANG Weidong.Visual－based smoke detection using support vector machine［C］//Proc.Fourth International Conference on Natural Computation.Jinan，China:［s.n.］，2008:301－305.

［47］YUAN Feiniu.A fast accumulative motion orientation model based on integral image for video smoke detection［J］.Pattern Recognition Letters，2008，29（7）:925－932.

［48］PAULO V，EBROUL I.A probabilistic approach for vision－based fire detection in videos［J］.IEEE Transactions on Circuits and Systems for Video Techonology，2010，20（5）:721－731.

［49］CUI Yu，DONG Hua，ZHOU Enze.An early fire detection method based on smoke texture analysis and discrimination［C］//Proc.2008 Congress on Image and Signal Processing.Sanya，China:［s.n.］，2008:95－99.

［50］吴章宪，杨国田，刘向杰，等.基于Gabor小波的火灾烟气识别新方法［J］.仪器仪表学报，2010，31（1）:1－7.

［51］贾洁，王慧琴，胡艳，等.基于最小二乘支持向量机的火灾烟雾识别算法［J］.计算机工程，2012，38（2）:272－275.

［52］TOREYIN B U，DEDEOGLU Y，GETIN A E.Flame detection in video using hidden Markov models［C］//Proc.IEEE International Conference on Image Processing.［S.l.］:IEEE Press，2005:1230－1233.

［53］HIDENOTI M，AKIHIRO N，FUJIO K.A new approach for smoke detection with texture analysis and support vector machine［C］//Proc.2010 IEEE International Symposium on Industrial Electronics.［S.l.］:IEEE Press，2010:1550－1554.

［54］徐仕玲.野外火灾的图像识别方法研究［D］.南京:南京航空航天大学，2008.

［55］侯杰.基于视频图像的高大空间建筑火灾探测研究［D］.北京:清华大学，2010.

［56］齐怀琴，徐刚，王娜.基于视频图像的森林火灾识别算法研究［J］.电视技术，2010，34（9）:116－118.

［57］谢迪，童若锋，唐敏，等.具有高区分度的视频火焰检测方法［J］.浙江大学学报，2012，46（2）:1－7.

Survey of Fire Recognition Methods Research Based on Video

LU Shengnan，FENG Jianli，DUAN Peipei

（College of Computer，Xi'an Shiyou University，Xi'an 710065，China）

The flames and smoke had its unique static and dynamic characteristics in the event of fire.Based on the analysis of fire image features，the typical methods of fire extraction and recognition are introduced according to the flame and smoke characteristics，which focuses on the analysis of various characteristics in the identification of fire and the algorithms used.Finally，the future development direction of the video fire detection method is reviewed.

fire recognition;flame detection;smoke detection;feature fusion

TP391.41

A

【本文献信息】卢胜男，冯建利，段沛沛.视频火灾识别方法研究综述［J］.电视技术，2013，37（3）.

陕西省重点工业攻关项目（2011K06－32）;西安石油大学青年科技创新基金项目（2011QN009）

卢胜男（1982— ），女，讲师，主研图像处理与模式识别。

责任编辑:任健男

2012－09－21