基于MATLAB的火灾监测系统设计

窦永梅，孙慧霞，周玲，师磊，陈日有，胡军辉

（运城学院物理与电子工程系，山西 运城 044000）

0 引言

火灾监测报警技术是预防火灾的重要手段。近年来，火灾发生的频率高、覆盖范围广，给人民群众的生命财产和社会经济造成了巨大损失，已成为一种普遍且损害巨大的自然灾害。一旦引起火灾，火势将迅速蔓延，烟雾浓毒性大，易造成人员伤亡，并且扑救火灾难度大，人员疏散困难。因此，如何实现对火灾的实时有效监测已成为重点研究的课题。

根据所探测物理量的不同，传统火灾探测器有感烟式、感温式、感光式、和复合式等类型[1]，但是这些火灾探测器对于大空间的室内场合和开阔的室外环境的火灾报警，探测结果受到很大影响，尤其在可靠性方面存在明显不足。本文研究了基于MATLAB的火灾监测方法，与传统的火灾监测技术相比，突破了空间的限制，能迅速获得较准确的火灾监测结果。

1 火灾火焰特征分析

1.1 火灾的特性

在火灾的初期，有两个特征比较明显：火焰特征和烟雾特征。分别对这两个特征进行提取，作为图像中是否发生火灾的判据，可获得较为准确的监测结果。

1.2 火焰特征

火焰的色彩特征在燃烧过程中比较明显，红色到黄色范围内的色彩居多。火灾发生时，火焰区域与背景图像有明显的视觉差异，火焰发光的现象在图像中的表现为火焰的颜色偏红并且与周围的其它像素点相比亮度值明显偏高，因此，在火灾的识别研究中通常利用火焰的颜色特征进行判断。

1.3 RGB颜色模型

RGB颜色模型也称为加色法混色模型。根据三基色原理，用基色光单位来表示光的量。在RGB颜色模型，任意色光F都可以用R、G、B三色不同分量的相加混合而成，表达式为F=r[R]+g[G]+b[B]。当三基色分量都为0时，F为黑色光；当三基色分量都为1时，F为白色光。RGB颜色模型几乎包括了人类视力所能感知的所有颜色[2]。RGB颜色空间可以用如图1所示的立方体来描述。F是这个立方体坐标中的一点，代表任一颜色，调整三色系数r、g、b中的任一系数值就会改变F的坐标值，从而改变其色值。

图1 RGB 颜色模型

1.4 提取火焰图像特征及分析

对火焰模型特征提取时，通过收集的火焰模型是以 RGB模型在计算机中存储的，分析该模型非常有利于火焰特征的提取。现对搜集到的18幅包含火焰的图像进行分析，图像大约含像素点256.7万个，其中火焰像素点约83.5万个。另有不包含火焰的图像8幅，图像大约包含像素点117.8万个[3]。将这些图片中的火焰像素点颜色分布与强光、高温等干扰源的像素点的颜色分布进行对比分析，RGB分量的分布图像如图2所示。

从图2中可以看出，在RGB空间图像上，火焰像素颜色具有以下特点。

首先，火焰像素点的颜色分布具有以下特征：

图2 图像RGB 颜色分布图

图3 火焰模型特征提取算法流程图

根据图中所示流程，从图像的左上方像素点开始依次地向右处理，若右侧没有像素点则转向下方，如此S型取法取遍此图像中所有像素点，若60%的像素点满足下式：

则此连通区域可判别为火焰[3]。

2 火灾烟雾特征分析

2.1 基准像素点的选取

2.2 空间距离的计算

在烟雾颜色模型中，需要将满足α参数在[0,20]条件的像素点与基准点作比较，以此来确定HIS模型颜色距离的相似性。

设像素点y满足要求，其HIS模型分量值色调、亮度、饱和度分别为h、i、s，设x、y两点的距离为D，则

2.3 提取烟雾特征及分析

烟雾检测算法流程如图4所示。由于人类的视觉清晰度与HIS模型距离有一定的关联，因而可以借用计算像素点与基准像素点之间的距离D来辨别所扫描的像素点是不是烟雾，当D≤0.2时，此图像区域为烟雾。这是一种良好的烟雾颜色特征提取方法，烟雾的正确检测可为火焰识别和预警提供有利的条件[3]。

图4 烟雾模型特征提取算法流程图

3 火灾监测系统的实现

火灾监测系统主要包括5个部分，分别为：图像的读取、实现火焰特征检测、彩色图像的灰度化、实现烟雾特征检测、5种算子的边缘检测。

3.1 图像读取

利用MATLAB的read_images函数，read_images函数实现了交互选择特定文件夹后，依次读取该文件夹下的所有图像，并把所有图像保存在结构体imgs_array中。文件夹中图像如图5所示。

图5 火灾原始图像

3.2 火焰检测的实现

利用MATLAB的flame_detection函数，flame_detection函数实现了火焰特征检测。利用公式（3）对两幅RGB图像进行火焰特征提取实验，结果见图6。从图6可以看出，三幅RGB图像的火焰模型特征图与原始图像中的火焰有很好的吻合性，能够反映火焰的大小和形状，说明上述讨论的RGB分量之间的关系是正确的。

图6 火焰模型特征提取结果图

3.3 图像灰度化预处理

利用MATLAB的RGBtoGray函数，RGBtoGray函数实现了将文件夹中原始火焰图1彩色图像进行灰度化处理的功能，并把所得图像保存在结构体Gray_Img中。分别应用最大值法，平均法和加权平均值法对图像进行处理，结果如图7所示。从图7可以看出，图(a)的最大值法所造成的灰度图像的亮度比其余几个较高，图(b)的平均值法则造成了较柔和的灰度图像，图(c)的加权平均值法形成比较舒适、视觉效果相当好的灰度图像，所以加权平均值法具有很明显的合理性。

图7 图像灰度化的结果图

3.4 烟雾检测的实现

利用MATLAB的frost_detection函数，frost_detection函数实现了烟雾特征检测。烟雾特征图如图8所示。

图8 烟雾特征提取算法结果图

3.5 边缘检测

边缘检测对于图像的特征提取非常关键。它是利用图像相邻像素点变化明显的的区域来实现边界的检测，从而对图像进行分割[2]。

利用MATLAB的operator5函数，operator5函数实现了利用5种边缘检测算子分别对原始火焰图1进行图像的边缘检测，并把所有边缘检测图像保存在结构体Gray_Imy中。边缘检测法是针对于图像的边界提出的，因为从某种意义上讲，不同物体的边缘就是各个区域的分界。边缘检测最通用的要领是检测亮度值的不连续性。其中，方向和幅度是引起图像边缘呈现不连续特性的两个主要因素。因此，边界的这种特性可以通过数学上的求导检测出来。经典边缘检测算子结果图如图9所示。

比较检测效果可以发现：Canny算子检测结果要明显超出其他算子结果好几倍；Canny算子不仅能够特别清晰地检测出火灾的边缘，而且还能显示出最清晰的映射；Canny算子由于提取目标的轮廓效果良好，所以能够实时有效地将火灾火焰和火灾烟雾与背景干扰区分开。

3.6 小结

本章介绍了图像的采集、读取和灰度化预处理、色彩验证、火焰检测和烟雾检测的基本理论，提出了一种结合火灾火焰特征和烟雾特征来进行判断的数字图像型火灾监测算法。将此算法和传统的基于五种算子的边缘检测算法提取火焰烟雾特征进行对比。MATLAB实验结果表明，本文提出的火焰特征和烟雾特征提取算法具有优越性，时效性更好，能够实现快速高效的监测。

图9 火焰图像的经典边缘检测算子结果图

4 结论

本文主要研究了基于视频序列图像的火灾识别算法及其实现。通过对图像进行分析、处理和识别，实现了火焰图像和烟雾图像的色彩特征检测。主要研究成果有：

（1）对于室内大空间和开阔的室外环境火灾进行了分析，设计了基于MATLAB的火灾监测系统。

（2）掌握了分析火灾图像的要领，如RGB模型、基准像素点的选取、边缘检测算子对图像的边缘检测。

（3）用MATLAB进行仿真，并且对火焰和烟雾特征进行了分析，得出准确的识别方法。