火焰特征提取研究在火灾探测中的运用

沐小会，陈嘉卿，宋英磊

（江苏科技大学　电子信息学院，江苏 镇江 212003）

火焰特征提取研究在火灾探测中的运用

沐小会，陈嘉卿，宋英磊

（江苏科技大学电子信息学院，江苏 镇江 212003）

基于常用的火灾探测方法中都是使用单一特征，对火灾的图像进行判别，这一技术在复杂的场所中并不能有效地去除干扰源，从而出现误报、漏报等问题，提高火灾探测的有效性和准确性的目的。在对火焰的颜色模型、颜色特征和形状特征进行研究的基础上，采用数字图像处理等方法，通过提取火焰的一阶颜色矩和圆形度等多种特征，并且经过支持向量机分类器进行分类，从而对火灾火焰和干扰源进行判别的试验，得出这一方法可以很好的排除干扰源信息，探测率高，可靠性好的结论。

颜色模型；数字图像处理；火焰特征；支持向量机

火灾危害着人类的生命财产的安全，属于非常严重的灾害之一，所以，火灾探测的研究就显得尤为重要。目前，像感烟、感光等传统的火灾探测器，虽然比较成熟，但是在火灾中，容易受到周围环境的影响，给火灾探测识别造成一定的难度，从而出现误报、漏报等问题。用图形处理技术提取火灾火焰的图像特征，可以解决这个问题。几年来，国内外对火灾识别系统进行了研究，火灾火焰图像的特征模型也得到了相应的研究和完善，使火灾识别技术也在不断地发展[1-7]。

目前基于图像型火灾探测技术还是不能有效地消除干扰，从而出现一定程度的漏报和误报的情况的发生。本文以现有的研究为基础，结合图像处理技术，融合多个图像特征，并采用支持向量机（Support Vector Machine，SVM）分类器判别，以期能够有效的提高火灾探测的准确率和可靠性。

1　疑似火灾区域的检测

由于监控场景中多数物体在摄像机中都是以图片的形式存在的，所以采用颜色模型（Red、Green、Blue）可以有效的去除非火焰的部分，从而有效的提取出目标。

图像是彩色图像，属于颜色空间，但是由于色度（Hue）、饱和度（Saturation）和亮度（Intensity）即HSI[8]颜色空间比较适合人们对于视觉的感知，其中色度表示不同的颜色，饱和度表示颜色的深浅，亮度表示颜色的强度，所以由转化成转换关系[9]:

HSI颜色空间有两个特点[10]：1）图像彩色信息量与I分量毫无关系；2）人类感觉颜色的方式H与S分量和分量紧密相连。这使得HSI颜色模型适合基于颜色感知特性来进行图像处理分析。

RGB-HSI颜色模型将RGB模型中的R、G、B分量和HSI模型中的S分量结合起来设定火焰区域的条件，这种模型能够很好的将火焰部分识别出来。如图1。

图1　RGB-HIS颜色模型提取目标

2　火灾火焰特征提

2.1火灾火焰的颜色矩

直方图、颜色矩、色彩聚合矢量等都是用来描述图像的颜色特征，选用颜色矩这种方法，其主要是用图像中中颜色的距来描述颜色的存在状态。利用火焰图像的低阶颜色矩就能够描述颜色的存在状态，因为图像的颜色分布主要集中在低阶矩。图像的低阶颜色矩分别表示图像的均颜色、标准方差以及二次根非对称性，其表达式为[11]：

其中，N代表的是图像的总像素集合，H（Pi）代表的是在HSI色彩空间中，图像P的像素点i的H分量值。

计算目标区域的一阶、二阶和三阶颜色矩，作为一个判别是否有火灾的重要判据。

通过计算火灾图像、蜡烛火焰和白炽灯等干扰物图像的一阶颜色矩，如图2。

图2　火灾火焰和干扰物的一阶颜色矩

从图2中可以看出，火灾火焰图像的一阶颜色矩与其他的干扰物有着明显的区别，但是与蜡烛有一部分还是比较近的，所以火灾火焰图像的一阶颜色矩可以判别一部分干扰物。当然只靠颜色矩是不能完全判别的，需要与其他的特征判据进行融合，所以要结合其他火焰特征。

2.2火灾火焰的圆形度

物体形状的复杂程度的一个特征量就是圆形度。火灾火焰的形状相对于干扰物（如蜡烛火焰、照明灯等）则显得不是那么有规律，所以圆形度可以作为火灾火焰识别的另一个重要的判据。圆形度是图元面积和周长之比，其表达式为：

其中，Ai，Pi，Mi分别是第i个图元的面积、周长、圆形度，n是图像中图元的个数。周长为物体的边界长度，从边界链码中得到。垂直和水平的步长为单位长度，对角步长的长度为，两个直角步长还原成一个对角步长，其步长也是。按上述规则遍历边界链码，就可以算出边界长度。面积通过统计亮点数获得。物体的形状越复杂，圆形度越大。

通过计算火灾图像以及蜡烛火焰和白炽灯等干扰物图像的圆形度，如图3。

图3　火灾火焰和干扰物的圆形度

由图3可以知道，火灾火焰图像的圆形度变化幅度比较大，相对不集中，而干扰物图像的圆形度则相对比较集中，所以它作为早期火灾火焰的判据是十分有效的。

3　实验结果

本实验分别选取了60幅早期火灾图像和干扰源图像进行测试，图像经由颜色模型对目标区域进行分割，提取分割后的图像的一阶颜色矩和圆形度。将其中40组作为训练样本的输入，输出分类为1和2（分别表示火灾和干扰源），来训练支持向量机分类器。另外80组作为检测数据，从而来判别该方法的识别率和可靠性。实验结果如图4。

图4　火灾和干扰源的识别

图中，圆圈表示实际火灾与干扰源的判别，星号表示分类器的判决结果，由图中可以看出，火灾和干扰源的识别率还是非常准确的。实验数据表明，整体的识别率是93.75%，其中火灾的识别率是87.5%，干扰源的识别率是100%，由于早期火焰过小，导致火焰的判据效果相对不是很高。

4　结　论

火灾火焰的图像特征比较独特，尤其在火焰的颜色特征、形状特征、纹理特征等，通过对这些特征的分析和提取，可以有效的实现火焰的识别。文中利用火焰的颜色矩和圆形度的性质，运用分类器的知识，通过对120幅火焰图像和干扰源图像进行比较和判别，结果表明该算法可以很好的将早期火灾火焰识别出来。

[1]CHENG X F，WU J H，YUAN X，et al.Principles for a video fire detection system[J].Fire Safety Journal，1999，33（1）:57-69.

[2]NODA S，UEDA K.Fire detection in tunnels using an image processing method[C]//In:Proceedings of Vehicle Navigation and Information Systems Conference，Japan，1994:57-62．

[3]CHEN T H，WU P H，CHIOU Y C.An early fire-detection method based on image processing[C]//In:Proceedings of IEEE International Conference on Image Processing，Singapore，2004:1707-1710．

[4]吴龙标，宋卫国，卢结成.图像火灾监控中一个新颖的火灾判据[J].火灾科学，1997，6（2）:60-66.

[5]CHEN T，YUAN H Y，SU G F，et al.Automatic fire searching and suppression system for large spaces［J］.Fire Safety Journal，2004，39（4）:297-307．

[6]LI J，FONG N K，CHOW W K，et al.The motion analysis of fire video images based on moment features and flicker frequency[J].Journal of Marine Science and Application，2004，3（1）:81-86．

[7]CELIK T，DEMIREL H，OZKARAMANLI H，et al．Fire Detection using Statistical Color Model in Video Sequences[J].Journal of Visual Communication&Image Representation，2007（18）:176-185．

[8]范立南，韩晓微，徐心和．基于HSI空间彩色图像多结构元形态边缘检测[J].工程图学学报，2005，26（2）:110-113．

[9]刘亮亮．基于视频监控的火灾图像识别研究[D].北京，华北电力大学，2007．

[10]章毓晋.图像处理与分析[M].北京：清华大学出版社，2001.

[11]李弼程，彭天强，彭波.智能图像处理技术[M].北京:电子工业出版社，2004.

Fire detection based on the research of flame feature extraction

MU Xiao-hui，CHEN Jia-qing，SONG Ying-lei
（College of Electronics and Information，Jiangsu University of Science and Technology，Zhenjiang 212003，China）

Since most video based fire detection techniques use a single feature for fire detection，interference in complex fire conditions cannot be effectively removed，which may severely affect the accuracy of detection.A new video flame detection algorithm using multi-feature fusion method is developed in this paper.The color and morphological features of fire flames，including the first order color moments of the flame and circular degree，are analyzed in detail.A support vector machine（SVM）based classifier is then used to process the features and recognize fire flames from video images that may contain interference sources.From the testing results，it can be seen that the method can effectively remove interference information，and thus have high detection rate and good reliability.

color model；digital image processing；flame features；Support Vector Machine（SVM）

TN02

A

1674－6236（2016）21-0188-03

2015-11-10稿件编号：201511094

江苏科技大学博士科研启动基金资助项目（635301202）

沐小会（1989—），女，江苏高邮人，硕士研究生。研究方向：图像处理，火灾探测。