基于圖像多特征模糊融合的火災檢測

楊素珍

（1. 漳州職業技術學院智能制造學院，漳州 363000; 2. 福建省特種智能裝備安全與測控重點實驗室，福州 350003）

0 引言

火災是威脅人類生命和財產安全的主要災害之一，隨著人口高速增長，高層建筑日益普及，建筑群也更加集中，火災帶來的破壞性更強。通過火災探測技術，在起火初期及時發現火情并迅速撲滅，可大大減小火災帶來的損失。傳統火災探測［1］是通過傳感器采集溫度、煙霧、有害氣體等火災參數，然后通過閾值來確定火災發生與否，信息量有限，閾值依賴經驗，無法早期識別火災，受環境干擾影響大，容易出現誤判。基于圖像的火災探測是一種基于機器視覺的火災探測新技術，主要通過提取現場視頻圖像的關聯特征信息來識別火災，與傳統火災檢測方法相比，其具有檢測空間范圍更廣、信息更加豐富、環境影響小等優點，成為目前國內外學者的研究熱點［2］。文獻［3］通過判斷多幀圖像的火焰增長來識別火災，但由于使用單一特征，檢測精度低。文獻［4］提出一種紅外視頻圖像自適應背景更新疑似火焰區域檢測與改進層次分析法多特征融合火災火焰識別方法。文獻［5］提出了一種基于高斯概率的閾值卷積神經網絡（GTCNN）模型，融合溫濕度、煙霧、紅外火焰傳感器信息和視頻圖像多特征信息來檢測火災。然而這些算法過于復雜，影響了系統的實時性。

本文提出一種基于圖像多特征模糊融合的火災檢測方法，融合圓形度、輪廓粗糙度和火焰面積增長率三個典型火焰特征，保證火災檢測精度和效率。文中將詳細介紹總體方案、特征提取方法和模糊融合算法，最后給出實驗結果。

1 總體方案設計

圖像多特征火災檢測總體方案如圖1 所示，主要包括圖像采集模塊、圖像處理模塊和火災識別模塊等功能模塊。圖像采集模塊通過網絡攝像機進行現場視頻圖像采集，采集到的視頻圖像再通過有線或無線網絡傳輸給遠端計算機，計算機端通過圖像處理模塊和火災識別模塊對視頻圖像進行圖像處理和火災識別。其中，圖像處理模塊對視頻圖像進行預處理、分割、多特征提取；火災識別模塊進行多特征模糊融合火災識別和識別結果輸出。

圖1 總體方案

2 火災圖像特征提取

燃燒是火災最重要表現形式之一，而火焰是燃燒最顯著的特征之一，因此文中以火焰特征作為火災圖像特征提取的對象。

為了去除火災圖像中無關的信息，提高所需信息的可檢測性，同時降低數據信息的處理量和存儲量，提高火災識別的準確性，首先對火災圖像進行預處理，包括灰度化和去噪處理。

文中采用加權平均法對圖像進行灰度化，即將圖像R、G和B三個分量的值都取值為

式中：為圖像新的分量值，ω1、ω2、ω3為非負權值。

圖像去噪空間域方法主要有鄰域平均法和中值濾波法，文中采用中值濾波法［6］對火災圖像進行去噪處理，該方法具有算法簡單、時效性好、圖像邊緣信息保留完整等特點。

對去噪后的火災圖形進行圖像分割的目的是從復雜背景中完整而準確地分割出火焰圖像。圖像分割是后續特征提取的基礎，分割效果將影響整個火災檢測的結果。閾值分割是最常用的圖像分割方法之一，其關鍵是閾值的合理選擇，文中使用最大類間方差法［7］，根據圖像的灰度特性，將圖像劃分為前景和背景，從而將目標從中分離出來。

火災火焰一般都表現為從無到有，并且持續不斷地擴大，因此火災之初的火焰具有位置基本不變、形狀不規則、邊緣抖動、火焰面積變大等顯著特點。本文選擇圓形度、輪廓粗糙度和火焰面積增長率作為火災模糊融合識別的輸入。

圓形度指的是物體邊緣與圓相像的程度，火焰的形狀一般是無規律改變的，圓形度波動比一般非火焰對象大，圓形度可以排除輪廓較為規則的干擾源。圓形度的計算式為

式中：S為圖像中指定連通區域的面積，L為圖像中指定連通區域的輪廓周長。

輪廓粗糙度為物體輪廓的周長與其凸包的周長的比值，凸包為能包含整個連通區域的凸多邊形。火焰的輪廓一般是凹陷的，它的輪廓周長會大于凸包的輪廓周長。定義圖像中指定連通區域的周長為F，其凸包周長為Q，則輪廓粗糙度G可表示為

火燒開始時，圖像中火焰面積會不斷變化，可以用火焰面積增長率來表征，計算式為

式中：ΔT為時間間隔，S1和S2為間隔ΔT的面積。

3 多特征模糊融合系統設計

傳統通過單一信息來判斷火災發生與否容易出現誤判，通過模糊融合火災圖像多種信息，可以大大提高火災檢測的準確性。一個模糊融合系統主要由模糊化接口、知識庫、推理機、去模糊化接口四部分組成。本文火災檢測圖像多特征模糊融合系統的設計步驟如下：

3.1 確定輸入量與輸出量

本文選取火災圖像的圓形度O、輪廓粗糙度G、面積增長率K三個特征作為模糊融合系統的輸入，并以火災發生概率FP作為模糊融合系統的輸出。

3.2 進行輸入量的歸一化處理

模糊融合系統的輸入量在同一論域時才可以保證融合的準確性。由于不同火焰特征的表征方式各不相同，輸入量的論域也各不相同，因此需對火災參量進行歸一化處理來保證不同輸入量論域的統一性。

3.3 對輸入量和輸出量進行模糊化

模糊化是將輸入或輸出變量的精確值轉化為給定論域上的模糊子集。變量模糊化是確定變量不同狀態的變化范圍，即把相應論域劃分為若干區間，進而確定模糊化等級。本文將輸入量、輸出量的模糊化等級劃分如下：

輸入量：圓形度O的不同狀態劃分為三級：小（yx）、中（yz）、大（yd）；輪廓粗糙度G的不同狀態劃分為三級：小（cx）、中（cz）、大（cd）；面積增長率K的不同狀態劃分為兩級：慢（m）、快（k）。

輸出量：火災概率FP 的不同狀態劃分為三級：可能（pm）、極有可能（pl）、一定會（pa）。

模糊化還需要建立變量的隸屬度函數。由于高斯型隸屬度函數更符合人們的期望，光滑性較好，故本文選用高斯型隸屬度函數對輸入進行模糊化。高斯隸屬度函數的表達式為

式中：x為歸一化后的溫度、煙霧等火災參量值或火災概率值，a決定函數曲線的寬度，c決定函數曲線的中心。

本文取a=0.2，圓形度yx、yz、yd 對應的c值分別取0、0.5 和1；粗糙度cx、cz、cd 對應的c值分別取0.1、0.6 和0.9；面積增長率對應的c值分別取0 和0.8。輸出概率pm、pl、pa 對應的c值分別取0.1、0.7和1。

3.4 建立模糊規則庫

R1：If（Ois yx）and（Gis cd）and（Kis k）then（FP is pa）；

R2：If（Ois yx）and（Gis cd）and（Kis m）then（FP is pl）；

R3：If（Ois yx）and（Gis cz）and（Kis k）then（FP is pa）；

R4：If（Ois yx）and（Gis cz）and（Kis m）then（FP is pl）；

R5：If（Ois yx）and（Gis cx）and（Kis k）then（FP is pl）；

R6：If（Ois yx）and（Gis cx）and（Kis m）then（FP is pm）；

R7：If（Ois yz）and（Gis cd）and（Kis k）then（FP is pa）；

我們不是為了單純的教語法而教語法，語法教學只是一種手段，而非目的。語法規則的傳授只是語言的輸入，輸入的目的是為了輸出，也就是使學生能夠正確、準確地運用這門語言。語法教學的最高境界是學生把語法規則內化成自己的東西，在用語言表達自己的時候能忘記母語的存在，也感覺不到英語語法規則的束縛，直接用英語來思維。為了達到這一目的，我們要根據不同語法項目的特點，結合教學實際，積極探索與創造靈活有效的教學方法。在這里，我介紹一下自己在英語語法教學方面所采取的幾種方法。

R8：If（Ois yz）and（Gis cd）and（Kis m）then（FP is pl）；

R9：If（Ois yz）and（Gis cz）and（Kis k）then（FP is pl）；

R10：If（Ois yz）and（Gis cz）and（Kis m）then（FP is pm）；

R11：If（Ois yz）and（Gis cx）and（Kis k）then（FP is pl）；

R12：If（Ois yz）and（Gis cx）and（Kis m）then（FP is pm）；

R13：If（Ois yd）and（Gis cd）and（Kis k）then（FP is pl）；

R14：If（Ois yd）and（Gis cd）and（Kis m）then（FP is pm）；

R15：If（Ois yd）and（Gis cz）and（Kis k）then（FP is pl）；

R16：If（Ois yd）and（Gis cz）and（Kis m）then（FP is pm）；

R17：If（Ois yd）and（Gis cx）and（Kis k）then（FP is pl）。

R18：If（Ois yd）and（Gis cx）and（Kis m）then（FP is pm）；

對于推理機的輸出模糊值，本文采用“與”邏輯，選擇較小數作為去模糊化的隸屬度值。

3.5 去模糊化

多特征模糊融合系統通過去模糊化處理可獲得用于判斷火災發生與否的火災概率值。本文采用加權平均法對輸出模糊子集進行去模糊化，該方法的表達式為

式中：η0為去模糊化后的輸出值，pi為輸出模糊子集的元素，μ(i)為元素對應的隸屬度值。

4 實驗結果與分析

在Matlab 環境下構建多特征模糊融合火災檢測系統，實現網絡攝像機視頻圖像采集、圖像預處理、火焰多特征提取、火災模糊融合識別和結果顯示。模糊融合系統使用Matlab 模糊控制工具箱進行設計，并生成FIS 文件，如圖2所示。火災檢測系統通過調用FIS文件實現圖像多特征模糊融合計算。

圖2 模糊融合系統配置

對火災現場的圖像進行預處理和分割后的結果如圖3所示，可見本文方法可有效地分離火焰與非火焰背景，減小了后續火焰特征提取的計算量。

圖3 火焰圖像分割前后對比圖

對不同燃燒階段的火焰特征進行提取，典型值見表1，ΔT=1 s，對比數據可知火焰特征值在無燃燒和有燃燒的不同階段有明顯的變化，可以作為識別火焰的依據。以典型值作為輸入，按照本文算法進行火災檢測多傳感器模糊融合，當火災概率大于0.5 時，則判別為發生火災，檢測結果見表2，可見本文算法能夠進行準確的火災檢測，有效避免使用單一火災信息時出現的誤判，提高了火災檢測的準確性。

表1 火災代表性階段的特征數據

表2 火災檢測結果

5 結語

本文提出的基于火焰圖像多特征模糊融合的火災檢測方法，選取3個火災發生時的典型火焰特征參量：圓形度、輪廓粗糙度和火焰面積增長率，僅使用18 條推理規則，通過融合多特征信息提高了火災檢測的實時性和魯棒性。構建了視頻圖像監控火災檢測系統對算法進行實驗驗證，實驗結果表明本文算法可以實現準確火災檢測，具備實際應用價值。