基于多空间颜色特征的火灾检测

张汝峰，高峰，项璟，郭宝军，张松，冯鑫鑫

（1.沧州交通学院电子与电气工程学院，河北沧州，061199；2.河北农业大学渤海学院，河北沧州，061100）

0 引言

火灾不仅会危害人的生命和财产安全，而且还会造成社会环境污染和资源的破坏，如果发生火灾并且无法及时扑灭，通常会导致惨痛的代价。火灾检测有助于及时发现火灾并采取救援措施，当检测到火灾发生时，启动报警装置，并立即疏散人员撤离，可以减少人员的伤亡。随着图像处理的快速发展，利用图像处理技术实现火灾检测成为了热点研究方向。本文提出了一种基于多空间颜色特征的火灾检测算法，主要有图像预处理、前景检测、前景图像去噪、火焰识别等步骤。

1 图像预处理

采集的图像会存在光照不均匀、阴影等噪声，从而会降低图像质量,影响后续检测与识别的准确率。为准确实现火焰检测，需要对采集到的图像进行预处理，去除噪声和提高图像的质量。采集的图像中大多数噪声均属于高斯噪声，高斯滤波对这类噪声去噪效果较好，因此采用高斯滤波进行去噪。高斯滤波是对整幅图像进行加权平均，是由本身像素值和所有邻域的像素值利用高斯函数计算而来的，相对于均值滤波，它的平滑效果更好，细节保留的更完整。为克服图像光照不均匀问题，采用直方图均衡化进行图像增强，突出一些重要的图像细节，从而改善图像的质量。

2 前景检测

由于火焰为动态目标，首先采用混合高斯背景建模检测动态目标实现前景检测，然后再对目标进行识别，判断是否为火焰。混合高斯模型（GMM）是一种自适应的背景建模方法，对图像中的各个像素点用N个正态分布曲线来表示。在检测和识别过程中，将视频图像中的各个像素值与背景模型中的正态分布曲线进行匹配，如果图像中的像素值与高斯分布中的正态分布曲线相匹配，该点为背景像素点；如果匹配没有成功的，则为运动目标的像素点。当匹配成功时，利用匹配成功的高斯分布对当前的混合高斯模型进行更新，以此来提高检测的准确率。当前帧图像与背景图像做差分，从而实现动态目标检测。

3 火焰识别

通过前景检测获得动态目标，然后进行火焰识别，从而实现火灾检测。火灾图像中的火焰的颜色是一个非常显著的特征，火焰的颜色特征是独特的，不同的物质燃烧会产生不一样的颜色，另外不同的环境也会产生不同的颜色，所以就需要一个特定的颜色特征模型。

在火焰检测时可能会产生噪声，这使得图像中还可能含有一些独立的噪声点或不连通的区域。形态学图像处理中开运算能去除图像中的孤立点、毛刺，并且可以平滑图像的边缘，使断续的区域连通起来，同时可以还保证目标的位置和整体形状不变。首先对掩模图像进行开运算，去除图像中噪声，然后进行连通域检测，并根据火焰连通域大小，去除面积较小的区域，从而检测出火焰区域轮廓。当视频图像中连续多帧检测出火焰，则判断发生火灾。

4 火灾检测实验

本检测算法检测结果受到等多种因素的影响，为探究这些因素对火焰检测结果的影响，本文论文从多个场景进行了实验分析。通过实验本文算法能够实现火焰区域的检测，该系统对火灾检测的效果较好。检测准确率都达到了90%左右，但是由于场景不同，复杂度高的场景检测准确率较低，晚上和室内场景检测准确率相对于较高。

如图1为火焰检测效果图，图1（a）为检测前原图像，图1（b）为检测后图像，从图中可以看出镜面火焰影像也能被检测出，系统性能较好，但不适应于有火焰影像的特定场景，应联合温度和烟雾传感器提高火焰检测的精确度。由于该模型是通过大量实验总结而来的，在实际应用的时候，需要根据不同的环境，对各参数进行调整，从而提高准确率。

图1 火焰检测效果图

5 结论

本算法首先对采集到的图像进行预处理，去除图像噪声和增强图像，采用高斯背景建模检测图像前景区域。并在两种颜色空间中提取颜色特征模型，通过设置适合的阈值，提取出满足阈值条件的火焰区域，进而获得火焰区域的掩模图像。然后对图像做开运算操作，去除一些噪声点及毛刺，使图像变得平滑，从而实现火灾检测。经实验验证本算法具有较好的实时性、工程性和应用性。