一个基于视频图像检测火灾的算法

李红波，张其亮，杨杏华，宋英磊

(江苏科技大学 电子信息学院，江苏 镇江 212003)

随着数字图像处理技术被应用到大空间火灾检测中，基于视频图像分析的火灾探测技术有效地弥补了传统火灾探测技术对于大空间结构火灾探测的不足［4－6］。相比传统的火灾检测技术，图像型火灾探测技术是非接触性的，只需通过摄像机监控某一特定区域，然后将摄像机摄取的视频信号转变为数字图像，并通过计算机对图像进行处理，从而完成火焰检测。不仅能有效降低外来不确定因素带来的干扰，实现大空间环境的火灾探测，且通过与计算机数据处理相结合提高了效率，使得火灾检测的实时性更强。

火焰是火灾中一个重要的特征［7－9］。火焰在火灾产生的过程中是一个动态的过程，从无到有，且火焰具有明显的颜色分布，伴随着特定范围的频率跳动以及不规则的轮廓等特征。对于基于视频图像的火灾检测来说，最重要的是火焰检测算法的设计。

国外对于基于视频分析探测火灾的研究开始于上世纪90 年代，已经形成了较完善的理论体系。文献［10］提出了一种在彩色视频中依靠火焰的光谱空间时序等属性来获取提取火焰区域的方法。文献［11］提出了将火焰的颜色和运动特征相结合来确定火焰区域的方法。该方法将火焰的动态特征和火焰的静态特征相结合，提高了火焰检测的准确性。文献［12］通过研究火焰的颜色在HIS 空间的表示方法，提出了一种基于HIS 空间的火焰探测算法。

国内对于视频图像火灾探测技术的研究也已取得了众多成果［13－14］。文献［4］提出将数字图像处理和模式识别技术相结合进行火焰区域区域分割，并通过火灾火焰颜色分布规律和面积变化特征判别火焰的方法。文献［3］提出了一种基于多均匀分布背景模型的运动检测算法，该方法能克服了复杂背景环境带来的干扰。

到目前为止，仍没有算法能从视频图像中精确地确定疑似火焰区域，并根据区域的特征来判断是否有火焰出现。本文在视频图像分析原理的基础上设计了一种新的火焰检测算法。该算法首先根据火焰的颜色特征对视频图像进行阈值分割，获取疑似火焰区域并对其进行降噪处理。然后计算疑似火焰区域的圆形度，判断其是否在某一特定范围内，同时将圆形度与其他火焰特征结合起来，以提高火焰探测的准确率。文中在测试过程发现该算法具备实能时地从视频数据中准确识别出火焰区域的能力，因此可在此基础上开发出基于视频的火灾预报系统。

1 获取疑似火焰区域

1.1 图像降噪处理

从视频中直接获取到的帧图像中包含着火焰检测所需的重要信息，但其中也含有较多干扰因素。为了尽可能地提高火灾检测精度，文中算法通过局部求平均值法对图像进行增强处理。对图像进行增强主要目的是为了将图像中对检测无用的信息去除，改善图像的可视性，扩大图像中不同物体特征之间的差别，抑制无需特征，使需要处理的信息更容易被检测到。

1.2 图像分割

图像分割是图像预处理中的关键步骤，经过图像增强处理，图像中所需的目标区域与背景区域有了差别，图像分割的作用就是使目标区域从背景区域中完全分离出来。由于图像分割的精度直接影响后面的结果，图像分割技术在图像识别，图像检测中具有关键作用。不同的图像分割方法使用范围也不相同。常见的图像分割算法有阈值分割、边缘检测等。在文中，采取阈值分割方法对图像进行分割。

阈值分割的作用是实现目标区域与背景区域分离。根据图像中目标区域与背景区域在灰度特性上的差异，将图像中的像素点看做是属于不同阈值区域的集合。从而实现目标区域从背景区域中分离出来，实现图像的二值性。阈值分割用公式可表示成

秦铁崖深深吸气，胸脯鼓出老高。李太嶂隐隐感到有些异样，但不打算改弦易张，吸气之后，还是迅速低头撞出，不料这一记头槌落了空。

其中，T 为选定的阙值;f(x，y)表示输入图像的颜色值;B(x，y)表示输出图像的值。在阈值分割中阈值的选择尤为重要，阈值选择的不同，得到的目标区域也不同。按照阈值的不同选取方法，阙值分割也可分为不同种类，主要包括双峰法、迭代法及Otsu 法［14］。本文通过使用Otsu 法对图像进行分割。Ostu 方法被认为是阈值分割方法中一种自动选取阙值的最优方法，能够自动完成阙值的选择并且结合模式识别理论，使得选择的阈值能够将目标区域与背景区域较好的分离。

Otsu 算法的设计思想是尽可能将目标区域与背景区域的差别找出来，类内差别最小，确定阈值，基于客观标准完成分割。Ostu 法根据图像的灰度特征，将图像中目标区域与背景区域分类。通过计算两个区域之间的方差值来判断两个区域之间的差别情况，方差值越大，图像的目标和背景之间的差别越大。当背景类和信息类的内容备份错位置时，导致方差改变，只要能达到类内方差最小或者类内方差最大，就表示背景区域与目标区域有最佳分配方式，即阈值分割达到了最好的效果，阈值也就确定了，该方法运算速率快，且实时性较好。如图1 所示，Otsu 法能有效地从图像中识别出包含火焰的区域。

图1 Ostu 法的分割结果

1.3 火焰区域的判定

在进行过必要的图像处理过后，疑似火焰区域已经能够从处理过的图像中显示出来，下面需要对分割后获得的区域进行必要的判定，确认获取的图像为火焰区域。

火焰的颜色特征是一个比较明显的能够将火焰区域与其它区域加以区分的特征，火焰的颜色从焰心到火焰外表面随着温度而改变。火焰外表面的温度最高，焰心温度最低，从火焰表面到焰心的颜色依次为白色、蓝色、黄色、红色、暗红色。由于与周围环境的明显的差别，因此火焰的颜色特征可以作为判断和确定火焰区域的一个有效依据。

通过火焰颜色特征，分析通过图像分割获得的每个区域中像素点的颜色特点，并与火焰像素点的特征进行比较，从而将可能包含火焰的区域识别出来。色彩空间的选择对根据火焰颜色特征判断火焰区域的算法有很大影响。目前主要颜色空间划分方式有RGB、HSV、YCbCr、YUB、HIS 等方式。本文中用到的颜色空间划分是RGB 颜色空间模型。

RGB 颜色空间是人类最早接受的颜色划分方式，且在颜色空间划分方式中最常用。R、G 和B 分别代表红绿蓝3 种基色光，且自然界中任意一种色光都可通过3 种基色按照不同比例混合而成。因此任何一种颜色，且均能通过R、G、B 3 种基色光表示。RGB 颜色空间由于按照物理三基色表示，因而物理意义明确。

文中算法是依据文献［13］提出的方法从视频图像中获得火焰色像素点。给定视频图像中一个像素点(x，y)，用R(x，y)，G(x，y)，B(x，y)代表其颜色的R、G、B 分量值。若R(x，y)，G(x，y)，B(x，y)满足如下条件，则(x，y)为一个火焰色像素点

其中Rt的值为150;像素饱和度St阈值是40;红色分量比例阈值Rs设定为0.34。

2 疑似火焰区域的圆形度

圆形度是用于描述疑似火焰区域特征的一个间接量，一个区域的圆形度是根据该区域的面积与周长的平方比值计算出的一个值，一个区域的圆形度通常用来表示该区域轮廓形状的复杂度。由于火焰的形状比其他光源形状的复杂度高，更加不规则。其圆形度与其它光源形状相比也有较大不同。文中的算法因此根据一个疑似火焰区域的圆形度来判断其是否包含火焰。一个疑似火焰区域的面积可通过计算其图像中白点的个数来获得，然后通过对其进行边缘检测以及必要的噪声处理得到区域的周长。圆形度可通过如下公式来计算

式中，C 为区域的圆形度;A 代表区域的面积;P 代表区域的周长。通过圆形度公式可发现，图形的形状越接近圆形，C 的值越接近1。一般来讲，规则光源的圆形度更接近于圆，火焰的圆形度值一般较低。表2 中比较了手电筒光源和火焰区域的圆形度，从表1 中看出手电筒光源的圆形度远高于火焰区域的圆形度。根据一个区域圆形度大小所处的范围，可判断其是否属于火焰区域。

表1 火焰和手电图像圆形度比较

3 火焰的整体特征

火焰的变化是连续的，短时间不会有大的位置变化，反映到图像上的火焰中心位置不会有大的改变。连续观察几帧图像火焰位置中心没有较大变化。文献［13］的研究结果表明，早期火灾中火焰的中心位置没有较大移动。

给定视频中第i 帧图像某一火焰区域R，用(xi，yi)表示该区域的质心坐标。该区域的质心即可通过式(7)和式(8)计算，其中(x，y)表示R 中一个像素的坐标，N 表示中像素点的总数。利用式(9)即可求得连续两帧图像中同一火焰区域质心位置的变化

表2 图形中心点测量

表2 列举了3 个分别包含火焰区域、手电电筒及汽车车灯视频中的连续4 帧图像中光源区域的质心变化情况。通过表3 可看出，对于包含火焰的视频，其连续4帧图像火焰的中心位置变化相对稳定。与之相比，电筒和汽车光源的中心序列呈现出无规则的变化。一个疑似火焰区域其质心随时间变化的特征所体现的是该区域的整体特征。因此可将区域的圆形度与其整体特征结合起来，判断疑似火焰区域是否真的包含火焰。

4 火焰的整体特征

结合前面的理论分析，文中的算法主要分为图像的预处理、图像的阈值分割、获得疑似火焰区域及疑似火焰区域分析等步骤。算法执行过程如图2 所示。

图2 算法执行过程图

5 测试结果

文中采用Matlab 实现了本文提出的火焰探测算法，该软件能够直接按照选择需求选择视频，且能够对视频进行火焰区域的检测。能可视性地看到视频检测结果，并具有良好的实时性。图3 和图4 所示即为该软件在一个视频图像中对包含火焰区域的检测。

图3 包含火焰图像检测结果1

图4 包含火焰图像检验结果2

6 结束语

本文提出了一种基于图像阈值分割、火焰颜色特征及区域特征判定相结合的简单算法来分析视频图像，并预测火灾的出现。本算法中用到的理论相对简单，通过实验发现，对于外界环境的干扰有时不能完全排除，火焰特征判断依据较为简单，需进一步完善。

［1］ 王士迪，裴海龙.基于视频图像的火焰识别算法［J］.现代电子技术，2011，34(2):82－86.

［2］ 张楠.基于视频图像的火灾检测与识别方法研究［D］.广州:华南理工大学，2013.

［3］ 王祖龙，谢红.视频图像火焰区域分割算法［J］.应用技术，2011，38(7):16－20.

［4］ 王文豪，刘尚勤，叶庆生.视频火灾检测的设计与实现［J］.计算机工程与设计，2008，29(3):775－778.

［5］ 肖聪.浅谈大空间火灾探测技术［J］.安防科技，2012(3):22－25.

［6］ 高春莹.大空间建筑火灾探测技的探讨［J］.建筑设计管理，2010，27(8):54－55.

［7］ 马宗方，程咏梅，王慧琴，等.大空间建筑可视火灾探测系统的设计与实现［J］.计算机仿真，2011，28(4):283－286.

［8］ 葛勇，王玲.视频火焰检测算法研究及Matlab 仿真［J］.仿真技术，2010，26(2－1):131.

［9］ 杨竹青.基于视频图像的校园火灾探测研究与应用［J］.金华职业技术学院学报，2013，13(6):49－53.

［10］Lee Chenyu，Lin Chinteng，Hong Chaoting.Spatio－temporal analysis in smoke detection［C］.Chongqing:IEEE International Conference on Signal and Image Processing，2000:81－83.

［11］Yamagishi H，Yamaguchi J.Fire flame detection algorithm using a color camera［C］.Nagoya，Japan:Proceedings of 1999 International Symposium on Micromechatronics and Human Science，1999:255－260.

［12］Toreyin B Ugur，Dedeoglu Yigithan，Cetin A Enis.Wavelet based real－time smoke detection in video［C］.Antalya，Turkey:Proceedings of 13th European Signal Processing Conference EUSIPCO，2005.

［13］徐之.基于数字图像处理的火焰检测算法研究［D］.镇江:江苏科技大学，2008.

［14］高爱莲.基于视频的火焰检测方法研究［D］.昆明:昆明理工大学，2008.