基于图像处理的森林火灾识别方法研究

朱思思，丁德红,2，陈朝迎，赵方珍



基于图像处理的森林火灾识别方法研究

朱思思1，丁德红1,2，陈朝迎3，赵方珍1

（1. 贺州学院机电工程学院，广西 贺州 542899；2. 湖南文理学院计算机科学与技术学院，湖南 常德 415000 3. 深圳市中科明望通信软件有限公司，广东 深圳 518055）

主要研究了火焰的物理特征信息，结合图像处理技术，提出了一种基于图像中高亮度区域特征的森林烟火识别方法。该方法的核心是采用分步提取预处理后图像颜色、面积及圆形度特征来实现烟火识别，弥补了单个算法仅对单一特征进行分析导致识别准确度不高的缺点，且能快速排除干扰物，提升了整个森林火灾图像识别的运行效率。

图像处理；烟火识别；圆形度

0 引言

破坏森林的三大自然灾害分别是火灾、病害和虫害，而森林火灾是破坏森林的最主要的灾害，位居首位[1]。据统计，全世界每年发生森林火灾几十万次，受灾面积达几百公顷，约占森林总面积的0.1%[2]。森林火灾直接危及林木、林下植物、土壤甚至于微生物和野生动物的生存，同时又对人类的生命财产及生态环境造成巨大破坏。因此，对森林火灾尽早识别并预警，就能极大的降低火灾损失。

本森林火灾识别方法是在借助计算机图像处理技术对烟火普遍特性进行研究的基础上，结合烟火区域的颜色、面积、圆形度特征而提出的。该方法弥补了以单一的火焰颜色、纹理、火焰区域面积增长等特性[2]为判别依据的判据单一、可靠性差的缺点，基本消除干扰物的影响，有效提高森林火灾图像的识别的准确度。另外，采用了分层检测的方法，缩短了森林火灾图像特征提取的时间，提高了识别效率。

1 森林火灾火焰图像的特征分析

森林火灾的烟雾和火焰一般具有较为明显的视觉特性[3]，例如火焰的颜色特征、纹理特征、闪烁频率特征、面积特征和外形变化特征等等[1]。具体分析如下。

1.1 颜色特征

森林火灾将产生火焰和烟雾，烟雾因燃烧物的不同而不同。而火焰的颜色特征相对地比较明显，在红色到黄色的范围内变动[4]，因此，森林火灾的火焰具有强烈的视觉特征，是最基本的识别依据[1]。

1.2 纹理特征

所有物体的纹理特性不同，纹理特征是所有的物体表面所共有的内在特性。因此，可以根据森林火灾图像的特有纹理特征来判断森林图像是否有火灾的发生。

1.3 形态变化特征

森林火灾是逐步发展的过程，不同时刻火焰具有不同的特征，其形状、面积和边缘信息等都在不断变化。对形态变化具体介绍如下：

1）面积变化特征。森林火灾的火焰的面积是呈现连续的和扩展性的增长趋势的。火焰的面积可以通过统计图像中的亮点个数的方法来体现。

2）边缘变化特征。火灾火焰边缘呈现出一定的变化规律。检测图像的边缘是进行图像分割和目标识别的重要基础。图像边缘是根据图像中灰度值的跳跃性检测出的。

3）闪动规律特征。森林火灾发生时，火焰闪动频率呈现一定的规律，其频率主要分布在7～12Hz的范围。森林燃烧过程中，火焰会按照某种频率在不断地闪烁。火焰的闪动变化特征则可以根据图像的灰度直方图随时间变化的规律来判断[3]。

4）形体变化特征。森林火灾的形体变化主要反映火焰在空间的分布变化[3]。形体变化可以通过计算火焰的空间分布特性，即计算像素点之间的关系特性来实现的[5]。

5）分层变化特征。森林燃烧属于扩散燃烧，其燃烧的火焰具有明显的分层特征[6]。分层变化的特征可通过查看图像的灰度直方图的方法来实现。

6）整体移动特征。随着旧燃烧物的燃尽和新燃烧物的燃烧，火焰的位置在连续的不断移动[6]。整体移动的特征可通过对图像进行边缘检测的方法来实现。

2 森林火灾火焰图像的识别

传统的森林火灾检测方法仅通过对某一个特性进行识别来判断森林是否发生火灾，虽实时性好，但准确度不高。为了整合实时和准确性的要求，本文提出了分层提取火焰的颜色、面积和边缘圆形度特征来识别森林火灾的方法。在用一个判据无法确定是否出现火情的时再追加其他判据来确保判定的准确性。具体流程图如图1所示。

图1 森林火灾图像识别的流程图

从图1中可看出，该方法对图像颜色特征进行一次预判，再判断烟火区域的面积增长情况，最后判断边缘圆形度。要强调的是，后一次判断是在前一次符合图像特性的基础上进行的。只有这3种特性全部满足，说明森林确实出现火灾，立刻启动联动报警系统。否则，不启动。该方法具有准确度高、及时性好的特点。颜色、面积和边缘圆形度特性识别的方法如下：

2.1 颜色特征识别

火焰的外焰部分是绝对高温，且火焰本身的亮度大多集中在红色，火的颜色总是表现为红色，故我们先对图像进行一次预判。如果图像中有红色区域存在，则进行下面的特征提取，如果没有，不执行其他的识别，大大提高了识别效率。颜色识别的算法为：

RGBi(,)Î[1,2]

式中：RGBi(,)为待处理的图像像素的RGB值；[1,2]为表现为火的红色阈值。当RGBi(,)Î[1,2]时，则判定有疑似火源，接着进入下面森林烟火特征的识别。当RGBi(,)Ï[1,2]时，则判定无火。

下面以森林火灾图像为例讲述颜色特征识别的方法，见图2。运用MATLAB中的＝RGB(:, :, 1)指令将森林火灾图像中的红色分量分离出来，并创建一幅图像如图2(b)所示。其次，通过阈值化方法将红色分量图像转换为二值图像如图3所示。最后，根据二值图像是否存在亮点判断图像中是否存在红色。二值图像中存在亮点，说明森林图像中存在红色。从图3中看出，二值图像存在亮点说明该图像中有疑似火源，进入下一阶段的识别。

2.2 火焰面积的增长性识别

火焰的面积可通过统计图像中的亮点个数的方法来体现。森林图像中火焰的增长面积可以用一组图像序列中相邻两帧作减法来完成，判别公式如下：

D(,)＝S＋1(,)－S(,) (1)

式中：S＋1(,)表示相邻两帧图像中后一帧图像中红色区域的面积；S(,)表示前一帧图像中红色区域的面积。在出现红色区域的前提下，如果两者的差即D(,)为零，说明两帧图像的面积相等，没有出现面积增长，则不报警；如果差值大于零而小于阈值，则要对图像序列进行连续的面积增长性判断，如果判断结果是面积在持续增长，则加用边缘圆形度判据来判别；如果差值大于阈值，则直接加用边缘圆形度判据来判别。根据这种方式可以减少运算时间[7]。下面就两组图像序列为例来研究出现烟火情况及干扰物情况时图像中高亮度点的面积增长性的不同。图4为4帧连续的森林烟火图像序列。

图4是一系列森林场景的图像。从图4图像序列可知，高亮度区域随着图像帧数的增加在逐渐加大。因此，可能存在疑似火源，需进行进一步的边缘圆形度的识别。图5是4帧连续的可疑干扰物图像。

从图4中我们看到有持续高亮的区域出现且面积在逐渐扩大，而图5中高亮度区域的面积几乎没有发生变化。从这两者的对比我们便得到采用火焰面积的增长性进行烟火识别的初步判据。用阈值化增强分割算法对图4和图5转换为二值图像分别得到图6和图7[8]。图中的高亮度运动区域被圈了出来。从这两幅图像我们可以更加清晰地看到图6随着帧数的递增，高亮度区域在逐渐扩大，具有烟火面积特性，可认为有疑似火源。图7随着帧数的增加，高亮度区域几乎没有变化，不符合烟火特性，属于干扰物。

图2 森林火灾图像原图及红色分量分离图

图3 森林火灾图像红色分量分离图的二值图像

图4 背景及疑似火源的4帧图像序列

2.3 烟火边缘的圆形度识别

圆形度是一个表征物体形状的复杂度的概念，它的计算公式是：

式中：L表示物体的边界长度；S表示物体的面积。从式中我们可以看出圆形物体的圆形度为1，物体形状越复杂，则其圆形度的值就越大即圆形度大于1。从式(2)可知，为了判别图像中疑似火源区域的圆形度，则需检测高亮度区域的面积和边缘长度。对于面积采用火焰面积的增长性识别中介绍的通过统计阈值化增强分割后图像的亮点个数来提取。这里不再详述。对于边界长度采用Canny算子来提取分割目标的边缘。烟火的扩散性导致了其边缘的复杂多变即烟火区域的形状远离圆形且烟火的面积在不断扩大。因此，我们可根据连续的森林图像序列分割出的高亮度区域的形状及其变化，来判断是否有火源。即我们识别图像的重点就是提取图像中的可疑区域及其边缘。图像的可疑区域提取见图6，图7。下面以图6和图7的边缘提取为例来详述边缘的提取算法。图8和图9分别是图6和图7采用Canny算子提取边缘的提取结果。

图6 疑似火源的阈值二值化分割结果图

从图中可以看出，图8中高亮度区域的面积在逐渐增长且边缘复杂多变，形状也偏离圆形即圆形度大于1，说明图像中存在火源立即启动联动报警。而图9中面积和边缘基本都是在一定范围内波动基本没有变化即圆形度基本没有发生变化，说明图像中仅出现干扰物体，没有火源，不需要报警。

图7 可疑干扰物的阈值二值化分割结果图

图8 Canny算子提取的边缘图

3 实验分析

利用MATLAB以图4的4帧连续的森林烟火图像序列为例对以上颜色特征识别、面积增长性识别、边缘的圆形度识别等算法的运算时间进行仿真取得数据如表1。

表1为森林火灾图像的各单一特征识别时间。本文提出的通过分层提取火焰颜色、面积和边缘圆形度特征来识别火灾的方法，是先对图像颜色特征进行一次预判，快速判定是否存在疑似火源。若红色区域不存在，则表明未出现疑似火源，无需再识别其他特征，颜色特征的识别时间就是整个算法的运算时间。若红色区域存在，则需进一步分析火焰区域的面积增长特征，若高亮度区域面积不变化，说明为干扰物，未出现疑似火源，算法的运算时间为颜色特征识别时间与面积增长性识别时间之和；若火焰面积增长，出现疑似火源，继续判别图像边缘圆形度。如果边缘圆形度基本没有发生变化，说明图像中出现的仅是干扰物。如果边缘复杂多变，形状也偏离圆形即圆形度大于1，说明图像中确有火灾出现。此时，森林火灾图像识别时间为颜色特征识别时间、面积增长性识别时间与边缘的圆形度识别时间之和。综上所述，本文采用的多重森林火焰特征识别森林火灾的方法，既能快速排除干扰物的干扰，又能提高识别的准确度。

4 结束语

本文根据森林火灾火焰图像的特征，提出了一种结合火焰颜色、面积及其边缘圆形度特征来识别森林火灾是否存在的方法。该方法采用的是对火焰的特征进行分层识别的方法，弥补了单个算法仅对单一特征进行分析导致识别准确度不高的缺点，又能快速排除干扰物的干扰，缩短干扰物的排除时间，即提高了运行效率。

图9 Canny算子提取的边缘图

表1 各识别算法的运行时间

[1] 唐海波. 基于FPGA的森林火灾图像检测方法研究与实现[D]. 哈尔滨: 黑龙江大学, 2012: 04.

Haibo Tang.The Research of Forest Fire Image Detection Method Based on FPGA[D]. Haerbin: Heilongjiang University, 2012: 04.

[2] 李杰. 基于数字图像处理的森林火灾识别方法研究[D]. 北京: 北京林业大学, 2009: 06.

LI Jie.The Research of Forest Fire Recognition Method Based on Digital Image Processing [D].Beijing:Beijing Forestry University, 2009: 06.

[3] 程鑫, 王大川. 图形型火灾火焰探测原理[J]. 火灾科学, 2005, 14(4): 239-244.

CHENG Xin, WANG Da-chuan. The principleof graphic type fire flame detection[J]., 2005, 14(4): 239-244.

[4] 王振华, 王慧琴, 王燕妮. 基于视频图像的火灾探测方法[J]. 世界科技研究与发展, 2008, 30(2): 161-164.

WANG Zhenhua, WANG Huiqin, WANG Yan-ni. Themethod of fire detection based on video image[J]., 2008, 30(2): 161-164.

[5] 姚树响. 基于图像型的火灾探测及定位技术的研究[D]. 重庆: 重庆大学, 2008.

YAO Shu-xiang. The Researchof Fire Detection and Positioning Technology Based onImage[D].Chongqing: Chongqing University, 2008.

[6] 米锐. 火灾图像自动监测技术的研究与开发[D]. 成都: 四川大学, 2003.

MI Rui.The Research and Development of Fire Image Automatic Monitoring Technology[D].Chengdu: Sichuan University, 2003.

[7] 冷春艳. 基于红外图像处理的森林火灾识别关键技术研究[D]. 成都: 电子科技大学, 2012.

LENG Chun-yan. The Research of Forest Fire Recognition Key Technology Based on Infrared Image Processing[D]. Chengdu: University of Electronic Science and Technology of China, 2012.

[8] 周强, 白廷柱, 刘明奇. 基于可见光图像的近红外场景仿真[J]. 红外技术, 2015, 37(1): 11-15.

ZHOU Qiang, BAI Ting-zhu, LIU Ming-qi, et al. Near infrared scene simulation based on visual image[J]., 2015, 37(1): 11-15.

The Research of Forest Fire Recognition Method Based on Image Processing

ZHU Sisi1，DING Degong1, 2，CHEN Chaoying3，ZHAO Fangzhen1

(1.,,542899,; 2.,,415000,; 3...,518055,)

This paper mainly studies the physical characteristic information of the flame. Combined with image processing technology, a kind of forest fireworks recognition method based on the characteristics of high brightness regional image is proposed. The key of the method is that it uses the feature of pretreatment image color, size and roundness to achieve fireworks recognition. It makes up the disadvantage of single algorithm with low accuracy which only analyzes single feature. Also, it can quickly eliminate the interference, improve the operational efficiency of the whole forest fireworks image recognition.

image processing，fireworks recognition，roundness

TP391.41，TP274

A

1001-8891(2016)05-0440-07

2015-09-28；

2015-11-13.

朱思思（1988-），女，江西南昌人，硕士研究生，主要研究方向：电子技术与图形图像处理。E-mail：393638161@qq.com。

丁德红（1975-），男，湖南常德人，博士，高工，主要研究方向：图形图像处理、红外热成像。E-mail：dingdehong@qq.com。

广西高校科研项目（KY2015ZD127），湖南文理学院博士科研启动基金，广西高校科学技术研究项目重点项目（ZD2014129）。