基于图像识别的火灾探测技术

之前的一篇课后作业：记录一下吧。。。。。以后就想不起来还干过这事儿

【摘要】

     由于火灾火焰识别算法复杂且对环境要求高，提出了基于图像多特征的火焰识别方法。本文针对火灾探测领域的特点，重点分析了火灾发生早期烟雾及火焰的多特征性，在火灾发生早期，烟雾形成至火焰的产生，利用烟雾及火焰的色彩、面积变化，边缘变化规律，形体变化规律，尖角数、质心位置移动等信息作为火灾识别的依据，基于图像多特征的火焰识别算法能够有效识别出火灾火焰，并有很强的抗干扰能力。

 

【关键词】图像处理 图像识别火灾探测 火焰特征

1 引言

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,发现越早,扑救越及时,形成灾祸的可能性就越小。

   近年来火灾探测领域专利急速最新发展趋势。该类技术主要涉及将火灾的视觉特征转变为图像信息，再通过计算机图像处理急速自动识别火情，实现监控、识别、报警等步骤。

   目前阶段，对于火灾火焰图像的识别主要是针对火焰图像所具备的红外辐射特性、可见光辐射特性、色谱特性和蔓延增长趋势等多方面的特征信息来进行的。当基于火焰图像的红外辐射特性、可见光辐射特征进行火灾图像识别时，周围环境中的光源，例如路灯、车灯、太阳光等，甚至墙壁、地板对光的反射都将构成干扰光源，上述干扰光源中的红外光、可见光、紫外光辐射将干扰火焰识别，导致误报警。因此，在基于图像的火焰识别中，如何排除环境中的干扰光源是基于火焰的火灾图像识别的重要问题。纵观基于视觉的火焰火灾图像识别技术发展过程，可概括出排除干扰光源的技术手段主要包括：设置光学滤波器、多波段识别、设置亮度值阈值、多特征融合判断，现对上述火焰多特征融合判断算法进行详细介绍。

2基于图像识别火灾探测技术基本原理

   基于图像处理的火灾探测系统是一种以计算机为核心,结合数字图像处理技术而研制的火灾自动报警系统。它利用摄像头对现场进行监视,对摄取的视频信号由图像采集卡捕捉为数字图像并输入计算机,根据图像特征进行处理和分析,从而达到探测火灾的目的。数字图像处理部分的软件是火灾探测系统的核心,它对数字图像首先进行分割,然后利用图像特性对这些物体加以识别或分类检测出图像中的物体。图像分割处理是将图像中的目标与背景进行分离,以找出图像中需要进行处理的部分。在提取了图像中的目标之后,要对目标进行分析,以判断该目标是早期火灾现象还是其它的干扰现象,即为数字图像处理。

 

3基于图像差分法的火焰图像分割

帧间差分方法又称为时间差分法(temporal difference)，该算法的基本原理是在视频序列中处于不同时刻的两帧或多帧图像间，将相同坐标处像素的灰度值或颜色亮度值进行差分，并且通过阈值处理提取图像中含有运动信息的像素区域。我们假设当监控场景中不存在运动物体或目标时，此时环境亮度的变化不大，反映在影像中则表现为图像序列间对应位置处的像素亮度值差别不大；如果连续图像间的对应位置处像素的亮度值变化很大，那么可以认为监控场景中存在着运动物体，以二值化处理的方式将图像中的运动像素标记为1像素，这些标记像素记录下运动物体区域在图像序列中的位置。运用帧间差分方法进行运动目标检测的基本流程如图 所示：

上图中的f(x,y,ti)和f(x,y,tj)别表示在不同时刻采集到的两帧监控图像，帧间差

分法的基本原理可以用下式

其中T 为阈值，二值图像中所有值为 1 的像素被认为是物体运动的结果，但在实际应用中的很多1值像素是由于噪声而引起的。所以可以通过腐蚀运算将这些噪声点去除。也可以去除掉一些慢速运动区域。为了验证帧间差分法对于火焰检测的有效性，提取火焰视频序列中的连续的两帧火焰图像进行差分运算。假设提取的是视频序列中的第k-1 帧和第 k 帧图像，那么用于检测可以火焰像素的帧间差分法又可以表示为

二值图像中亮度值为1的像素表示在第k帧监控图像中检测出的包括可疑火焰像素在内的运动像素。

4火焰的特征分析

烟雾是火灾的前兆和伴随产物,在多数场合,烟雾的产生早于明火的出现,而且对于火灾发生源及火焰,烟雾图像可以更容易地进入摄像机的视场范围, 因此进行烟雾的探测有利于实现火灾早期预报和控制。烟雾的主要特征是：颜色特征，模糊特征（半透明特征），运动特征，轮廓特征，纹理特征。利用烟雾作为早期火灾探测对象时,单纯以烟雾的某一特征为依据很难做到准确的判断,所以无论是研究还是在实际应用中都需要综合烟雾的多个特征来进行火灾识别, 以剔除干扰源等各种因素的影响,提高火灾判断的准确率,减少误报或漏报。

目前火焰的图像特征主要分为颜色特征、边缘不规则特征、高度变化特征、尖角特征等静态特征和面积增长特征、相关性特征、边缘闪烁特征等动态特征两类。其中边缘变化是火焰图像的重要特征。胡艳【5】提出了将火焰上下边缘抖动投影个数比作为区别灯光等干扰的一个新的依据;

5火焰的特征提取及算法分析

图像型火灾探测算法都是将火焰或者烟雾的几个特征综合起来采用神经网络、模糊算法、遗传算法、投票法,或这几种方法的组合,或采用支持向量机等方法进行火灾识别。而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。

火焰面积增长特性算法：

火灾发生时，火焰会呈现无规则的运动，其面积也呈现相应的变化。一般情况下，面积会逐渐增大，图像上表现为高亮度区域持续增长，同时也反映了火焰在空间分布的变化。和其它稳定火焰相比，其火焰区域不断扩大，这一特征可以作为火灾判别的重要判据”。在图像处理中，面积是通过阈值分割后分割出目标物体，再统计出目标物体的像素点来计算。通过设定面积增长率阈值来确定是否为失控火焰。采用的算法是计算连续10帧图像的火焰面积，并计算其比值，用火灾面积增长率I，表示：

其中，A为面积，R为火焰区域。将采集到的图像二值化、滤波、图像分割等处理后，计算每帧火焰区域的面积，代入公式，即可求得连续几帧火焰图像的面积增长率。

5.1火焰识别算法；

利用火焰图像分割算法提取可疑目标，用 c1，c2，c3，c4，c5，c6和有火/无火表示圆形度、尖角数、红绿分量面积比、面积变化率等 6 种特征和决策结果，论域 U = { x1，x2，…，x200} ，条件属性 C = { c1，c2，c3，c4，c5，c6} ，决策属性 D = { d}，当 d = 1 时表示有火情况当d = 0 时表示无火情况。通过文献［5］的特征量归类表将 6 个特征离散化，将检测数据统计，初始参数取值分别为: 迭代次数 N = 100; 种群规模 n = 50; pc1= 0.85;

pm1= 0.1; β=0.7; T = 1.8。分别使用火焰6个特征和支持向量机(SupportVector Machine，SVM)结合 ( ALL +SVM) 、基于支持向量机的图像型火灾探测算法、粗糙集和 SVM结( ＲS + SVM) ，以及遗传算法、粗糙集、SVM 结合( GA +ＲS + SVM) 的 4 种算法对散化的火灾/干扰数据集进行训练，训练样本是从 500 个数据集中分别随机选择100 个有火和干扰样本，再从剩余中选则部分数据作为测试样本。【4】

6总结

火灾科学与经济建设、社会发展、公共安全等密切相关。火灾探测技术作为一门多学科、多专业的综合应用科学，已成为人类同火灾斗争的重要手段。火灾探测作为火灾科学的一个关键技术环节，在保护自然资源、人民生命财产安全中起着重要的作用。本文较全面综述了现有的火灾探测原理、优缺点和发展趋势。随着信息技术的飞速发展，图像火灾探测技术已经成为了火灾探测的一个重要研究方向，具有广阔的发展空间及前景，必将在以后的一段时间内得到蓬勃发展。

在基于图像处理与模式识别对火焰各种特征的现有算法进行了分析比较，对火灾中火焰的多个相关参数的综合判断，利用最新的火焰识别算法，能更为准确地体现真实火灾现象的综合特征，使探测方法更加智能化。本文依据火灾火焰颜色和其它动态特征，给出了图像型火灾识别算法。与传统方法相比，可以减少火灾的误报率。

目前在火灾探测技术领域，一大部分研究还止于理论研究，在应用领域方面还有待扩展实施

【引用文献】

【1】李  莉，李立功  基于视觉的火焰火灾探测技术专利分析  中国科技信息 2015 年第 10 期

【2】周军盈,杜啸晓   图像识别技术在火灾探测中的应用(上海船舶电子设备研究所,上海201108)

【3】石勇，鲍可进  一种基于图像多特征的火焰识别算法 文章编号：1003-8329(2014)03-0053-06

【4】胡燕，王慧琴，黄东宇，马宗方  基于改进 GA - ＲS 的火焰图像特征自适应选择2015,8计算机工程第41卷第8期

【5】胡燕等  基于粗糙集的火灾图像特征选择与识别 计算机应用，2013，33( 3) :704 － 707

【6】杨家桂   基于图像的火灾烟雾探测算法研究  《微计算机信息》 2012 年第 28 卷第 7 期

【8】熊国良，苏兆熙，刘举平，谢正侠   火焰特性识别的Matlab实现方法 计算机工程与科学  第35卷第7期2013年7月

【9】席蕾蕾  基于图像处理的大空间建筑火灾报警系统研究 2013,4

【10】应劭霖   火灾探测技术及其发展    2014，6

【11】阳 婷 官洪运 基于帧间高频能量和相关性的烟雾检测算法研究 《微型机与应用》 2015年第34卷 第 17 期

【12】 YU Y H， CHANG C C． A new edgedetection approach based on image context analysis ［J］． Image and VisionComputing，2006，24( 10) : 1090 － 2102．

【13】 WU X， MEMON N． CALIC — A context basedadaptive lossless image codec［C］ / / ICASSP '96: Proceedings of IEEE InternationalConference on Acoustics， Speech， and Signal Processing． Piscat-away， NJ: IEEE Press， 1996: 1890 － 1893．

【14】 AVRAMOVIC A， RELJIN B． Gradient edgedetection predictor for image lossless compression［C］ / / Proceedings of2010 ELMAR． Pis-cataway， NJ: IEEE Press， 2010: 131 － 134．

【15】 OTSU N． A thresholdselection method from gray-level histogram［J］． IEEE Transactionson Systems， Man and Cybernetics，1979，1( 9) : 62 － 68．