基于圖像處理的火焰檢測算法研究

趙偉偉 任錦芬 曹闖樂 李 丹

（西京學院 信息工程學院，陜西 西安710123）

1 概述

隨著我國科學技術的不斷發展，火災的發生頻率在不斷上升。據統計，我國每年因火災造成的經濟損失近40 億，近3000人傷亡，所以火災檢測成為人們關注的焦點問題。傳統的火災檢測技術創造的火災探測器，如感煙型、感溫型和感光型檢測指標單一，火災檢測精度低。Verstockt 等利用圖像傳感器得到火焰圖像的振幅圖像，用小波變換得到了火焰區域的融合圖像，最后將疑似火焰區域的公共區域判定為最終的火焰區域準確率低；楊幫華等利用紅外火焰探測技術，結合決策樹算法實現火災識別，但是耗時長。針對目前存在的火災檢測問題，本文提出一種基于圖像處理的火焰檢測算法。

2 基于SVM 的火焰檢測算法

2.1 圖像預處理

由于火災現場拍攝的圖像受天氣、光照等噪聲干擾比較大，首先對采集的火災圖像進行Gamma 校正，因為拍攝的圖像存在光照度不均勻現象；其次對火災圖像采用中值濾波進行降噪；最后對火災圖像采用Otsu 閾值分割算法將火焰與背景區域分割開。

2.2 特征提取

在發生火災時，火焰圖像的顏色和形狀特征都會發生變化，精準的提取火焰的特征，為火焰檢測奠定了堅實的基礎。

2.2.1 顏色特征提取

在發生火災時，最鮮明的特征就是它的顏色特征，所以將顏色特征作為火焰檢測的關鍵參數。由于人的視覺對亮度的變化比較敏感，人眼在HIS 顏色空間適應性最佳，因此本文通過HIS顏色空間對火災圖像進行顏色特征提取。HIS 顏色空間的三顏色分量取值范圍如下：

從RGB 到HIS 顏色空間的轉換如下：

2.2.2 形狀特征提取

在火災現場拍攝圖像時，火焰的形狀會隨著時間不斷地發生變化，并且有一定的邊緣變化特點，因此本文通過對火焰圖像的圓形度和邊界粗糙程度對火焰圖像的邊緣進行分析處理。圓形度計算公式：

其中，S 代表火焰區域的面積，C 代表火焰區域的周長。對于不規則的圓形火焰圖像，在面積相同的情況下，周長會增加，所以圓形度的取值范圍為0-1。

邊界粗糙度計算公式：

其中L 為火焰區域的邊沿周長，LC為凸多邊形的周長，為了能夠包含某個疑似火焰連通區域的所有像素，并且是面積最小的凸多邊形。

2.2.3 形態學特征提取

通過對火焰圖像的顏色特征和形狀特征的提取，還存在一些特征漏洞，利用開運算和閉運算的綜合使用來消除小物體、在纖細點處分離物體、平滑較大物體的邊界的同時并不明顯改變其面積；填充物體內細小空洞、連接鄰近物體、平滑其邊界的同時并不明顯改變其面積，實現特征誤差補充。

2.3 火焰檢測

用顏色特征和形狀特征的參數作為特征向量，使用K-means 算法將火災圖像的相同特征參數進行聚類，在進行聚類時采用歐式距離計算樣本點與聚類中心的距離，最后創建一個超平面通過對分類模型和模型參數的選擇，同時保證訓練誤差與測試誤差達到最小化。本文研究的火焰檢測屬于非線性模式識別問題，因此引入高斯核函數實現火焰檢測，用SVM 分類器進行火焰的分類檢測。

多維空間歐氏距離計算公式：

高斯核函數的表達式：

3 實驗結果分析

圖1 為傳統的火焰檢測效果圖，圖2 為本文的火焰檢測效果圖。通過將傳統的火焰檢測算法和本文的火焰檢測算法進行對比，從實驗結果可以看出本文采用的火焰檢測算法效果最佳。該方法通過對火災圖像進行預處理清晰的將火焰區域與背景區域分開，提高了特征提取的精度，最后利用基于核函數的SVM算法進行分類檢測。實驗表明本文方法能夠更加有效準確地檢測識別出火災火焰，在對火災檢測識別時，很大程度上提高了對火災檢測的準確率。

圖1 傳統的火焰檢測效果

圖2 本文的火焰檢測效果

4 結論

火災發生后，現場的環境比較差，在采集圖像時，圖像受環境影響會導致對比度降低、有噪聲并且圖像邊緣信息受損，提高了火焰檢測的復雜度。本文通過Gamma 校正提高火災圖像的對比度，再通過中值濾波濾除圖像中的噪聲，使用Otsu 閾值分割算法消除背景干擾，選用人眼適應度較強的HSI 顏色空間對火焰圖像進行顏色特征提取，根據火焰圖像的形狀規律程度選用圓形度形狀特征提取火焰的形狀特征，提高了火焰檢測準確率。該方法能有效地進行火焰檢測，在火災檢測領域具有較大的應用價值與研究意義。