1 摘要
為了盡可能地縮小疑似火焰區域，提高火災檢測的準确性和實時性，提出了把圖像運動目标檢測應用于火焰檢測的問題。首先使用背景減除法提取運動目标，然後使用基于連通區域的面積閥值精确地提取疑似區域和其輪廓，再依據早期火災的視覺特征， 抽取四個特征量， 即：相鄰幀紅色比重平均增長率、面積變化率、形狀的平均相似度和圓形度， 最後通過SVM融合這些特征量進行綜合判别。實驗結果表明，上述方法計算速度快，檢測效果好，誤判率低，具有良好的抗幹擾能力，為圖像目标優化控制提供了依據。
1 引言
為了預防火災，人們探究了很多火災檢測技術，目前，在某些場所已找到了比較成熟的火災探測的方法，如感溫、感煙等探測器，但在室外和大空間建築物等場所這些探測器卻難以發揮應有的作用，因為這些探測器隻有當溫度或煙霧濃度到達一定程度時，才會發出警報，是以發出的警報必然有一定的延遲，不利于火災的早期發現，而圖像型火災檢測技術卻能彌補這些方法的不足，能在第一時間内捕捉到火災資訊，繼而進行快速的檢測。圖像型火災檢測技術，早期主要集中在依據火焰顔色特征進行判别，這類方法不能區分真實的火焰與類似火焰顔色的物體。近期的研究發掘了火焰更多特征。金華彪等"根據火焰蔓延時的面積、相似度的變化來識别火災的發生。張正榮等利用火焰尖角的數目，形狀相似度來判斷火災是否發生。Torey in等利用時域小波變換和空域小波變換來分析火焰的閃動情況及火焰内部顔色變化情況。吳铮等“使用三狀态的Markov模型來描述火焰和非火焰像素的時空特性，通過不同狀态之間的躍遷來區分火焰與類似火焰顔色的運動物體。這些方法在通常情況下能夠檢測出火焰，但容易産生誤判。
傳統圖像型火災檢測方法僅考慮火焰的部分特征，沒有從整體的角度綜合考慮這些特征，易産生漏檢和誤檢，檢測速度也較慢。鑒于此，本文利用火災發生初期的火焰的形狀和面積不斷變化的特征，使用運動目标檢測的方法，提取火焰的疑似區域，然後依據火焰的顔色分布、火焰面積逐漸增大、火焰邊緣不斷變化等特征提取火焰的特征值， 使用SVM進行綜合判别。
2 火災疑似區域及輪廓的提取
火災疑似區域及輪廓的提取是火焰特征抽取和識别的基礎，火焰目标提取的好壞對于提高系統識别準确率和檢測速度具有重要的影響。在傳統的火災檢測方法中，火焰的目标區域提取大多數都是基于灰階值門檻值進行分割。這些方法雖然能有效的提取目标，但也帶來了很多噪聲，而且為後面排除這些噪聲增加了計算工作量，同時也增加了誤判的風險。鑒于此，本文依據火災發生初期火焰從無到有具有運動的特點，使用背景減除法初步定位出火災圖像中可疑區域，然後使用基于連通區域的面積門檻值方法精确提取火災圖像中疑似區域和其輪廓，該方法不僅速度快，而且能夠有效過濾掉一些噪聲和具有火焰色彩特點的靜态物體。
2.1 火災疑似區域定位
火災發生後，随着火勢的增大，火焰不斷的擴張，在圖像上表現為火焰面積呈連續擴充性增加趨勢，采用背景減除法可以快速的從火災圖像中分割出火焰可疑區域。設I，(x，y)為目前幀圖像，B，(x，y)為背景圖像，A/，(x，y)為差分圖像，則背景減除法公式如下：
上式中T是·種自适應閥值，閥值T取灰階圖像的維最大熵的閥值，這樣可以将目标與其周邊的背景點盡量區分開，最大限度地剔除幹擾區域…如果目前圖像與參考圖像的最大灰階內插補點小于閥值T，認為無火焰l标，因為“前圖像有可能是由于周圍環境的影響使背景圖像發生了微小變化，如天氣的微小變化，應視其為下擾源通過帶門檻值的背景減除法獲得的值化運動圖像M，(x、y)中可能會存在很多噪聲、孔洞和其它非火焰運動物體，它們會對檢測結果和檢測性能造成影響，為了減少噪聲，提高檢測效率，應盡可能地排除這些區城，對：值圖像M，(x，y)使用中值濾波和數學形态學中的膨脹與腐蝕運算進行處理，不僅去除了圖像中的·些細節，填補了孔洞和連通短的搭接，而且減少了待檢測區城的數目。圖1是分别使用背景減除法和傳統門檻值分割法獲得可疑火焰區域。
2.2 疑似區域及輪廓提取
為了便于火焰特征的提取，需要精确地提取目标區域和輪廓。傳統輪廓提取方法主要是利用邊緣檢測算子，如：Rob et Cross， Prewitt和Sobel等算子， 這些方法計算簡單， 速度較快，但對噪聲較敏感、抗幹擾性能差，提取的輪廓粗細不一且有斷裂現象，需要花費大量的時間修補和細化。為了既
能有效提取目标輪廓，又能最大限度地易除幹擾區域，本文使用一種基于連通區域面積門檻值的目标輪廓提取算法，具體方法如下：
按照從左到右和從上到下的順序掃描二值圖像M，(x，y)，每掃描到一個灰階值為255的像素點p(x，y)，都按如下方式處理：
1)考察p(x-1，y)是否屬于個連通區域為A，，如果p(x-1，y)：A，，則轉2)處，否則将p(x，y)加人到A，中，并将A，所在區域的面積加1，然後再考察像素點p(x+1，y-1)是否在另一個連通區域為A，中，如果p(x+1，y-1)eA，，則合并A，和A，，合并後的區域面積為A；與A，的面積和，否則繼續掃描下一個像素。
2)如果p(x-1，y)EＡ，，則考察p(x-1，y-l)是否在另一個連通區域為A，中，如果p(x-1，y-1)EＡ，，則轉3)處，否則将p(x，y)加人到A，中，并将A，所在區域的面積加1，然後在考察p(x+1，y+1)是否在另一個連通區域為A，中，如果p(x+1，y-1)e4，，則合并A，與A，，合并後的區域面積為A，與A，的面積之和，否則，則繼續掃描下一個像素。
3)如果p(x-1，y)dA，，且p(x-1，y-1)A，，則考家p(x，y-1)是否在另一個連通區域為A，中，如果p(x，y-l)eA。，則将p(x，y)加入到A。中，并将A，所在區域的面積加1.否則考察p(x+1，y-1)是否在另·個連通區城為4，中， 如果p(x+1， y+1) eAj， 則将p(x， y) 加人到4， 中， 并将A，所在區域的面積加1，否則建立·個區域4，，，将p(x，y)加人劍A，.，中，并将A，，，所對應的面積加1.繼續打描下·個像.，
經過以上處理後，可能得到若下個連通區域，此時可以選取适當的面積值(從統計出的面積值中選取)作為閥值對圖像進行過濾，最終面積人于閥值的連通區域被完幣的保留下來。然後再采用挖空法，便可以得到連通區域的輪廓。該方法不僅可以去除噪聲，而兒可以擷取·個像素寬度不相交的輪廓。圖2是Robe ts Cross與本文方法提取輪廓效果圖。
3 火焰圖像特征的提取
根據火災發生初期火焰在圖像上表現出的特征資訊，選取火焰紅色比重平均增長率、火焰面積增長率、火焰形狀的平均相似度和圓形度作為火焰識别依據。
3.1 火焰顔色特征提取
火焰顔色是火焰的一個重要特征，通過對大量火焰圖像的分析， 發現火焰圖像的顔色具有一定的規律：在RGB色彩空間中，R通道>G通道>B通道；火焰從焰心到外焰其顔色有從白色向紅色移動的趨勢；火焰的顔色易受光照的影響， 在不同的環境下， 表現為不同的顔色。Tur gay等s通過計算RGB空間的R分量的平均值， 然後再逐個像素檢測判斷，這種算法雖然計算簡單，但強壯性不高，易受光照和環境的影響。為了減少對顔色變化的敏感性，本文使用紅色比重增長率來描述火焰顔色分布規律。第i幀第k區域紅色比重計算公式如下：
其中R(p，(x，y))、G(p，(x，y))、B(p，(x，y))分别為區域A，像素點p，(x，y)的R、G、B值。相鄰兩幀紅色比重增長率為：
為了提高計算的準确性，在這裡取5個連續幀間的紅色比重平均增長率R，作為判據。
3.2 火焰面積特征提取
火災發生後，火災區面積呈現連續、擴充性的增長趨勢，表現在圖像上就是目标區域面積的擴張，面積擴張的程度可以通過面積增長率AAg(k=1， 2， …M) 來描述。設!時刻第k區域的面積為S，.4.y時刻第k區域的面積為S，ja，在視訊圖像中，時間的劃分通常是以幀數來計算，是以，可以認為S，就
是第i幀的目标區域A，的面積，S，.j，就是第(i+j)幀的目标區域Aj的面積。則面積增長率計算公式如下式：
在實驗中j取5，通過面積增長率AA，可以排除–些固定光源和快速運動物體的幹擾，提高系統的識别率。
3.3 火焰形狀特征提取
火焰的形狀從單幀圖像上觀察是不規則，但從序列圖像上觀察，特别是間隔較短的連續幀圖像，火焰的形狀有一定的相似性，并且在一定的範圍内變化，與快速移動的光源和具有火焰顔色的其它運動物體有着明顯的差别，是以可以将其作為火焰判别的一個依據。具體計算方法如下：設視訊圖像序列為f(x，y)，，i=1，2…N，i為圖像幀數，(x，y)為圖像中各個像素的位置。A，為疑似區域，k=1，2…M，k為圖像的可疑區城标号，則相鄰幀的相似度計算公式如下：為了降低計算複雜度和提高計算的準确性，在這裡取5個連續幀間的相似度的平均值，6!4作為判據。
3.4 火焰形狀特征提取
早期火災火焰由于外界因素的影響和火羽流等現象其邊緣不斷地變化，無規律性，而其它與火焰具有類似顔色特征的白熾燈、蠟燭和路面上的霓虹燈等其邊緣輪廓規則程度較高。是以，邊緣輪廓形狀可以作為火災火焰識别的依據。在計算機視覺系統中，通常用圓形度來表示物體邊緣輪廓複雜程度。其計算公式為：
上式中A，表示目前第i幀第k區域的面積，也就是第i幀第k區域所有像素的總和，C，為第i幀第k區域輪廓的周長。
4 基于SVM火災檢測
SVM是Cortes和V panik在統計學習理論的VC理論和結構風險最小原則基礎上提出的一種新的機器學習算法，力求在有限的樣本資訊條件下尋求最優分類結果，其基本思想是構造一個兩類問題的最優分類函數，使兩類盡量無錯誤地分開，并使兩類間的間隔最大。設(x，x)，(x20)2)，…(x，，x，)為訓練樣本，x，eR"為n維訓練樣本，xe1-1，1|為樣本i的類别資訊， SVM就是尋找最優分類面：wT(x) +b=
0，使兩類樣本盡可能的分開，而且使兩類之間距離(2/〗w〗)最大。于是尋找最優分類面的問題就轉化為下面的優化問題：
限制條件
這是一個二次凸規劃問題，通常将其轉化為對偶問題來解決：
解出α，的值，進而求出最優分類面中的權系數向量w和門檻值b，則得到最優分類函數：
對于非線性情況，使用核兩數将原樣本映射到高維空間中轉化為高維空間中的線形可分問題，其最優分類函數為：
式中K(x；*x，)為核函數。常見的核函數有：多項式核函數、徑向基核函數和Sigmoid核函數。火災是一種失去控制的燃燒，其燃燒過程是一個典型非線形的過程，其狀态變化受到可燃物的原料以及周圍環境的影響和限制， 具有較強的随機性， 用SVM進行火災檢檢測， 可以克服人為設定大量門檻值的局限性，提高火災識别的實時性和準确性。具體方法如下：①使用背景減除法，并結合基于連通區域的面積門檻值方法提取圖像中火焰疑似區域。②計算火焰的四個特征量：紅色比重平均增長率、相鄰幀面積增長率、邊緣輪魔圓形度和相鄰幀形狀的平均相似度，構造訓練樣本資料。③訓練SVM分類器。④利用SVM分類器進行檢測。具體流程如圖3。
1 matlab版本
2014a
2 參考文獻
[1] 蔡利梅.MATLAB圖像處理——理論、算法與執行個體分析[M].清華大學出版社，2020.
[2]楊丹,趙海濱,龍哲.MATLAB圖像處理執行個體詳解[M].清華大學出版社，2013.
[3]周品.MATLAB圖像處理與圖形使用者界面設計[M].清華大學出版社，2013.
[4]劉成龍.精通MATLAB圖像處理[M].清華大學出版社，2015.
[5]王文豪.基于連通區域和SVM特征融合的火災檢測[J].