基于视频图像的火灾探测方法研究

乔高林

摘要：传统的火灾检测手段存在传播速度慢、信息量损失、稳定性较差和实时信息无法存储等缺陷。而基于图像处理技术的火灾探测技术可以有效克服上述弊端，具有更广阔的应用前景。本文将粗糙集与支持向量机模型相结合，提取原始帧图像的7种特征变量，利用不同的属性约简算法对其进行属性降维，利用上述两种约简结果作为支持向量机的输入向量，对支持向量机训练后测试该分类模型的识别效率。实验结果表明：不同属性约简算法对分类器识别率的影响不同，基于属性重要性的属性约简算法更适合该实验环境下的火焰识别。

关键词：火灾检测；粗糙集；支持向量机

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）14-0166-03

火灾的发生能够给人们的生命和财产带来巨大的损害。常见的火灾探测设备一般是基于可接触性传感器的使用，例如烟感探测、红外探测、紫外探测设备等设备，但在实际应用中，这些方式均存在其自身无法克服的缺陷，而基于图像的火灾方法是一种非“接触式”探测方法，能够避免上述传统探测方法的弊病，具有更广泛的适用性。

常见的图像型火灾火焰探测方法的基础是图像本身的特征变量，包括静态特征及动态特征，理论上来说增加判据的数量能在一定程度上提高辨识的准确性，但由于每一种特征变量都需要从图像中提取，过多的特征将大大增加计算的时间，而且分类器的训练也将花费更多的时间，难以满足实时性的要求。因此在输入分类器之前确定更有参考性的特征变量是有必要的，我们选择了粗糙集的属性约简理论对输入向量进行降维，减少了冗余计算。支持向量机能较好地解决小样本、非线性、高维数等实际问题[2]。本文将支持向量机与粗糙集理论相结合，自适应选择火灾图像的特征变量，降低分类器输入维数，降低了训练和识别的时间，提高了火灾火焰识别的准确性。

1 火灾图像预处理及分割

常见图像型火灾火焰识别算法流程如图1所示。

复杂环境下摄像头采集的视频将受到诸如光线、阴影及随机噪声的影响，造成检测难度加大。只有先对所采集的图像进行一系列预处理，才能有效的提取到图像的特征信息。

1.1 图像滤波

本文选用了常见的滤波方式进行滤波实验，根据实验结果最终选择了中值滤波作为滤波方法。该种滤波方式能够有效避免扫描图像时造成的干扰及去除脉冲干扰，无需考虑其统计特性，使用会非常方便。中值滤波的基本原理是将数字图像中的任一点用同领域中各点的中值替代，使该点周围的像素值接近真实值，达到剔除孤立噪声的目的。 设有一个一维序列[{x1，x2，...，xn}]，取窗口长度为m（m为奇数）。对这个一维进行中值滤波，就是从输入序列中相继抽出m个数，[xi-v，....，xi-1，x1，...，xi+1，...，xi+v]，其中i是窗口的中心位置，v=（m?1）/2，再将这m个点按其数值大小排序，取其序列号为正中间的那个数作为滤波输出[3]。

2. 基于RS-SVM火焰识别分类器的实现

2.1 粗糙集与支持向量机

在数据与信息处理中，粗糙集理论与支持向量机之间存在着互补性，两者的结合使用可以充分发挥两者的优势，通过此法构造的分类器具有良好的推广能力，并且能够比较好的抑制噪声 [5]。具体分析如下：

1）粗糙集理论是利用已有的知识库来近似的描述不确定的知识，在处理大量数据、消除冗余信息时效果良好；支持向量机理论具有较强的学习和适应能力，分类器精度较高。

2）当支持向量机的输入信息过于庞大时将会导致分类器的训练速度大大变慢，而粗糙集能够发现输入信息各变量之间的关系，剔除其中冗余变量，简化分类器的输入信息。

3）实际应用中，粗糙集方法对噪声较敏感，容错和泛化能力相对较差，而支持向量机则具有很好的抗噪声能力和泛化性能。

2.2 RS-SVM识别流程

基于RS-SVM的火灾识别算法的识别步骤：

1）选取不同场景下的视频图像作为实验样本，提取出描述火灾的七种特征变量作为拟输入向量；

2）依据特征样本的数据规律构造特征量归类表，将拟输入向量离散化；

3）运用两种约简算法进行属性降维，确定最终输入向量；

4）训练支持向量机模型，直到识别率满足要求，得到RS-SVM分类模型。

2.3实验分析

1）用a1、a2、a3、a4、a5、a6、a7七个变量表示图像的七种特征变量，分别是：红绿面积分量比、圆形度、尖角数、面积变化率、相关系数、相似度、整体移动特性。有火/无火表示识别结果，能够构造火灾样本集如表1所示。

2）依据特征变量提取结果，能够获得该样本集的特征量归类表如表2。

3）分别应用基于差别矩阵和基于属性重要性的属性约简算法对离散化后的归类表进行属性降维。基于差别矩阵的属性约简算法下a2、a4、a7为可约简属性；而基于属性重要性的属性约简算法下a5、a7为可约简属性。

根据实验经验，支持向量机分类模型选用径向基核函数，径向基核函数的宽度[σ=0.2]，惩罚因子C确定为100。选用3个场景的视频作为测试数据的来源以验证算法的性能，包括一段有火视频、一段相应环境下无火的干扰视频和火焰、干扰同时存在的视频对约简结果进行对比分析。

使用训练所得的两个分类模型分别进行火焰识别率的测试，检测结果如表3所示。

本文同样单纯使用支持向量机模型，输入七个特征变量进行了识别实验，识别率略高于RS-SVM模型，但从识别速度上来说，单纯的SVM模型明显低于RS-SVM，这主要是因为粗糙集的约简算法使分类器输入量大大减小，造成训练和识别的时间也缩短了。实验结果表明，在该实验样本和实验条件下，两种约简算法下识别率相当，但由于基于属性重要性的约简算法处理后只保留了4个特征变量，分类器输入信息的减小使计算量变小，因此基于属性重要性的约简算法更适合于该实验样本的降维处理。粗糙集理论与基于支持向量机理论的结合能够在保证识别率的同时大大缩短分类器模型训练和识别的时间。

3 结语

图像型火灾探测克服了传统检测方式必须依靠“接触性”传感器的弊端，维解决大空间下火灾火焰的探测提供了新思路。本文从火焰图像特征研究入手，在图像预处理的基础上使用了一种改进的图像分割方法进行火焰区域提取，可以剔除图像中快速移动的目标区域；引入了粗糙集理论的属性约简算法对分类器的输入变量进行降维，去除其中更多冗余变量，减小了支持向量机模型的输入信息，缩短了训练和识别的时间。实验结果表明，本文所采用的识别策略要优于传统支持向量机的火灾识别，自适应选择火灾的识别判据，提高了大空间下图像型火灾火焰探测算法的推广能力。

参考文献：

[1] 杨高波， 杜青松. MATLAB 图像/视频处理应用及实例[M]. 北京： 电子工业出版社， 2013.

[2] 胡晓军， 徐飞. MATLAB应用图像处理[M]. 西安： 西安电子科技大学出版社， 2011.

[3] 周宁宁. 融合MMTD的图像复原方法研究[D]. 南京： 南京邮电大学， 2013.

[4] 曹哲. 基于视频图像的火焰识别和背景干扰滤除算法[D]. 西安： 西安电子科技大学，2009.

[5] 史军. 基于粗糙集理论的属性约简算法研究[D].青岛大学， 2009.