基于图像多特征模糊融合的火灾检测

杨素珍

（1. 漳州职业技术学院智能制造学院，漳州 363000; 2. 福建省特种智能装备安全与测控重点实验室，福州 350003）

0 引言

火灾是威胁人类生命和财产安全的主要灾害之一，随着人口高速增长，高层建筑日益普及，建筑群也更加集中，火灾带来的破坏性更强。通过火灾探测技术，在起火初期及时发现火情并迅速扑灭，可大大减小火灾带来的损失。传统火灾探测［1］是通过传感器采集温度、烟雾、有害气体等火灾参数，然后通过阈值来确定火灾发生与否，信息量有限，阈值依赖经验，无法早期识别火灾，受环境干扰影响大，容易出现误判。基于图像的火灾探测是一种基于机器视觉的火灾探测新技术，主要通过提取现场视频图像的关联特征信息来识别火灾，与传统火灾检测方法相比，其具有检测空间范围更广、信息更加丰富、环境影响小等优点，成为目前国内外学者的研究热点［2］。文献［3］通过判断多帧图像的火焰增长来识别火灾，但由于使用单一特征，检测精度低。文献［4］提出一种红外视频图像自适应背景更新疑似火焰区域检测与改进层次分析法多特征融合火灾火焰识别方法。文献［5］提出了一种基于高斯概率的阈值卷积神经网络（GTCNN）模型，融合温湿度、烟雾、红外火焰传感器信息和视频图像多特征信息来检测火灾。然而这些算法过于复杂，影响了系统的实时性。

本文提出一种基于图像多特征模糊融合的火灾检测方法，融合圆形度、轮廓粗糙度和火焰面积增长率三个典型火焰特征，保证火灾检测精度和效率。文中将详细介绍总体方案、特征提取方法和模糊融合算法，最后给出实验结果。

1 总体方案设计

图像多特征火灾检测总体方案如图1 所示，主要包括图像采集模块、图像处理模块和火灾识别模块等功能模块。图像采集模块通过网络摄像机进行现场视频图像采集，采集到的视频图像再通过有线或无线网络传输给远端计算机，计算机端通过图像处理模块和火灾识别模块对视频图像进行图像处理和火灾识别。其中，图像处理模块对视频图像进行预处理、分割、多特征提取；火灾识别模块进行多特征模糊融合火灾识别和识别结果输出。

图1 总体方案

2 火灾图像特征提取

燃烧是火灾最重要表现形式之一，而火焰是燃烧最显著的特征之一，因此文中以火焰特征作为火灾图像特征提取的对象。

为了去除火灾图像中无关的信息，提高所需信息的可检测性，同时降低数据信息的处理量和存储量，提高火灾识别的准确性，首先对火灾图像进行预处理，包括灰度化和去噪处理。

文中采用加权平均法对图像进行灰度化，即将图像R、G和B三个分量的值都取值为

式中：为图像新的分量值，ω1、ω2、ω3为非负权值。

图像去噪空间域方法主要有邻域平均法和中值滤波法，文中采用中值滤波法［6］对火灾图像进行去噪处理，该方法具有算法简单、时效性好、图像边缘信息保留完整等特点。

对去噪后的火灾图形进行图像分割的目的是从复杂背景中完整而准确地分割出火焰图像。图像分割是后续特征提取的基础，分割效果将影响整个火灾检测的结果。阈值分割是最常用的图像分割方法之一，其关键是阈值的合理选择，文中使用最大类间方差法［7］，根据图像的灰度特性，将图像划分为前景和背景，从而将目标从中分离出来。

火灾火焰一般都表现为从无到有，并且持续不断地扩大，因此火灾之初的火焰具有位置基本不变、形状不规则、边缘抖动、火焰面积变大等显著特点。本文选择圆形度、轮廓粗糙度和火焰面积增长率作为火灾模糊融合识别的输入。

圆形度指的是物体边缘与圆相像的程度，火焰的形状一般是无规律改变的，圆形度波动比一般非火焰对象大，圆形度可以排除轮廓较为规则的干扰源。圆形度的计算式为

式中：S为图像中指定连通区域的面积，L为图像中指定连通区域的轮廓周长。

轮廓粗糙度为物体轮廓的周长与其凸包的周长的比值，凸包为能包含整个连通区域的凸多边形。火焰的轮廓一般是凹陷的，它的轮廓周长会大于凸包的轮廓周长。定义图像中指定连通区域的周长为F，其凸包周长为Q，则轮廓粗糙度G可表示为

火烧开始时，图像中火焰面积会不断变化，可以用火焰面积增长率来表征，计算式为

式中：ΔT为时间间隔，S1和S2为间隔ΔT的面积。

3 多特征模糊融合系统设计

传统通过单一信息来判断火灾发生与否容易出现误判，通过模糊融合火灾图像多种信息，可以大大提高火灾检测的准确性。一个模糊融合系统主要由模糊化接口、知识库、推理机、去模糊化接口四部分组成。本文火灾检测图像多特征模糊融合系统的设计步骤如下：

3.1 确定输入量与输出量

本文选取火灾图像的圆形度O、轮廓粗糙度G、面积增长率K三个特征作为模糊融合系统的输入，并以火灾发生概率FP作为模糊融合系统的输出。

3.2 进行输入量的归一化处理

模糊融合系统的输入量在同一论域时才可以保证融合的准确性。由于不同火焰特征的表征方式各不相同，输入量的论域也各不相同，因此需对火灾参量进行归一化处理来保证不同输入量论域的统一性。

3.3 对输入量和输出量进行模糊化

模糊化是将输入或输出变量的精确值转化为给定论域上的模糊子集。变量模糊化是确定变量不同状态的变化范围，即把相应论域划分为若干区间，进而确定模糊化等级。本文将输入量、输出量的模糊化等级划分如下：

输入量：圆形度O的不同状态划分为三级：小（yx）、中（yz）、大（yd）；轮廓粗糙度G的不同状态划分为三级：小（cx）、中（cz）、大（cd）；面积增长率K的不同状态划分为两级：慢（m）、快（k）。

输出量：火灾概率FP 的不同状态划分为三级：可能（pm）、极有可能（pl）、一定会（pa）。

模糊化还需要建立变量的隶属度函数。由于高斯型隶属度函数更符合人们的期望，光滑性较好，故本文选用高斯型隶属度函数对输入进行模糊化。高斯隶属度函数的表达式为

式中：x为归一化后的温度、烟雾等火灾参量值或火灾概率值，a决定函数曲线的宽度，c决定函数曲线的中心。

本文取a=0.2，圆形度yx、yz、yd 对应的c值分别取0、0.5 和1；粗糙度cx、cz、cd 对应的c值分别取0.1、0.6 和0.9；面积增长率对应的c值分别取0 和0.8。输出概率pm、pl、pa 对应的c值分别取0.1、0.7和1。

3.4 建立模糊规则库

R1：If（Ois yx）and（Gis cd）and（Kis k）then（FP is pa）；

R2：If（Ois yx）and（Gis cd）and（Kis m）then（FP is pl）；

R3：If（Ois yx）and（Gis cz）and（Kis k）then（FP is pa）；

R4：If（Ois yx）and（Gis cz）and（Kis m）then（FP is pl）；

R5：If（Ois yx）and（Gis cx）and（Kis k）then（FP is pl）；

R6：If（Ois yx）and（Gis cx）and（Kis m）then（FP is pm）；

R7：If（Ois yz）and（Gis cd）and（Kis k）then（FP is pa）；

我们不是为了单纯的教语法而教语法，语法教学只是一种手段，而非目的。语法规则的传授只是语言的输入，输入的目的是为了输出，也就是使学生能够正确、准确地运用这门语言。语法教学的最高境界是学生把语法规则内化成自己的东西，在用语言表达自己的时候能忘记母语的存在，也感觉不到英语语法规则的束缚，直接用英语来思维。为了达到这一目的，我们要根据不同语法项目的特点，结合教学实际，积极探索与创造灵活有效的教学方法。在这里，我介绍一下自己在英语语法教学方面所采取的几种方法。

R8：If（Ois yz）and（Gis cd）and（Kis m）then（FP is pl）；

R9：If（Ois yz）and（Gis cz）and（Kis k）then（FP is pl）；

R10：If（Ois yz）and（Gis cz）and（Kis m）then（FP is pm）；

R11：If（Ois yz）and（Gis cx）and（Kis k）then（FP is pl）；

R12：If（Ois yz）and（Gis cx）and（Kis m）then（FP is pm）；

R13：If（Ois yd）and（Gis cd）and（Kis k）then（FP is pl）；

R14：If（Ois yd）and（Gis cd）and（Kis m）then（FP is pm）；

R15：If（Ois yd）and（Gis cz）and（Kis k）then（FP is pl）；

R16：If（Ois yd）and（Gis cz）and（Kis m）then（FP is pm）；

R17：If（Ois yd）and（Gis cx）and（Kis k）then（FP is pl）。

R18：If（Ois yd）and（Gis cx）and（Kis m）then（FP is pm）；

对于推理机的输出模糊值，本文采用“与”逻辑，选择较小数作为去模糊化的隶属度值。

3.5 去模糊化

多特征模糊融合系统通过去模糊化处理可获得用于判断火灾发生与否的火灾概率值。本文采用加权平均法对输出模糊子集进行去模糊化，该方法的表达式为

式中：η0为去模糊化后的输出值，pi为输出模糊子集的元素，μ(i)为元素对应的隶属度值。

4 实验结果与分析

在Matlab 环境下构建多特征模糊融合火灾检测系统，实现网络摄像机视频图像采集、图像预处理、火焰多特征提取、火灾模糊融合识别和结果显示。模糊融合系统使用Matlab 模糊控制工具箱进行设计，并生成FIS 文件，如图2所示。火灾检测系统通过调用FIS文件实现图像多特征模糊融合计算。

图2 模糊融合系统配置

对火灾现场的图像进行预处理和分割后的结果如图3所示，可见本文方法可有效地分离火焰与非火焰背景，减小了后续火焰特征提取的计算量。

图3 火焰图像分割前后对比图

对不同燃烧阶段的火焰特征进行提取，典型值见表1，ΔT=1 s，对比数据可知火焰特征值在无燃烧和有燃烧的不同阶段有明显的变化，可以作为识别火焰的依据。以典型值作为输入，按照本文算法进行火灾检测多传感器模糊融合，当火灾概率大于0.5 时，则判别为发生火灾，检测结果见表2，可见本文算法能够进行准确的火灾检测，有效避免使用单一火灾信息时出现的误判，提高了火灾检测的准确性。

表1 火灾代表性阶段的特征数据

表2 火灾检测结果

5 结语

本文提出的基于火焰图像多特征模糊融合的火灾检测方法，选取3个火灾发生时的典型火焰特征参量：圆形度、轮廓粗糙度和火焰面积增长率，仅使用18 条推理规则，通过融合多特征信息提高了火灾检测的实时性和鲁棒性。构建了视频图像监控火灾检测系统对算法进行实验验证，实验结果表明本文算法可以实现准确火灾检测，具备实际应用价值。