0 引言

　　圖像型火災(zāi)探測(cè)方法主要包括火焰探測(cè)和煙霧探測(cè)兩大類。文獻(xiàn)[1]和文獻(xiàn)[2]的研究方法主要集中于單一的對(duì)火焰或者煙霧的探測(cè)。然而，林火燃燒初期特征復(fù)雜，如果是地下火，則煙霧特征較明顯；如果是地表火，則火焰特征較明顯。所以，如果只針對(duì)火焰或煙霧進(jìn)行探測(cè)，可能會(huì)產(chǎn)生探測(cè)不準(zhǔn)確、誤報(bào)等問題。其中，文獻(xiàn)[1]根據(jù)火焰像素顏色特征使用模糊邏輯分類和統(tǒng)計(jì)模型對(duì)火焰進(jìn)行識(shí)別，沒有考慮到火焰區(qū)域顏色的分布特征。文獻(xiàn)[2]首先建立煙霧的顏色模型，利用煙霧圖像的模糊動(dòng)態(tài)特征實(shí)現(xiàn)對(duì)煙霧的檢測(cè)判別，由于對(duì)煙霧目標(biāo)的識(shí)別特征較少，所以易導(dǎo)致誤判。為了確保探測(cè)結(jié)果的可靠性和準(zhǔn)確性，本文提出對(duì)火焰特征和煙霧特征進(jìn)行聯(lián)合辨識(shí)，從靜態(tài)特性到動(dòng)態(tài)特性進(jìn)行逐步分析。

1 系統(tǒng)設(shè)計(jì)

　　由于森林火災(zāi)起火原因不同，圖像具有的火焰和煙霧特點(diǎn)也不同，為此提出對(duì)火焰和煙霧進(jìn)行聯(lián)合判斷。首先按一定的采樣頻率從采集到的視頻圖像中獲取采樣圖像并進(jìn)行濾波處理，利用K-means對(duì)處理后的圖像進(jìn)行分割，并對(duì)分割輸出的各子圖進(jìn)行顏色分析，根據(jù)火焰和煙霧的顏色特征，在消除亮度的影響下，對(duì)分割出來的子圖像進(jìn)行辨識(shí)，判斷是否為疑似火焰區(qū)域、疑似煙霧區(qū)域，再根據(jù)圖像的特點(diǎn)分別進(jìn)行火焰和煙霧特征參數(shù)的提取，最后將特征參數(shù)輸入RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行最終辨識(shí)。如果連續(xù)一段時(shí)間的采樣圖像辨識(shí)都為火災(zāi)圖像，則系統(tǒng)向監(jiān)控人員發(fā)出報(bào)警信號(hào)；否則繼續(xù)對(duì)新的圖像進(jìn)行辨識(shí)。系統(tǒng)的整體流程如圖1所示。

2 K-means算法研究

　　對(duì)比各聚類算法在彩色圖像處理中的應(yīng)用，系統(tǒng)采用最為經(jīng)典的K-means聚類算法，由于它具有算法快速、簡(jiǎn)單等優(yōu)點(diǎn)。算法的基本工作過程如下：

　　以k為參數(shù)，把樣本點(diǎn)的集合S={X1，X2，…，Xn}分成k個(gè)類{{C1}，{C2}，…，{Ck}}，假設(shè)聚類中心為Zp，則該聚類誤差E可以定義為：

　　其中j=1，2，…，n，p=1，2，…，n。

　　K-means聚類算法是通過迭代的方式，設(shè)法降低誤差函數(shù)E的值，使各聚類本身盡可能緊湊，而各聚類之間盡可能分開。其算法步驟如下：

　　(1)從樣本點(diǎn)的集合S={X1，X2，…，Xn}中隨機(jī)選取k個(gè)初始的聚類中心。

　　(2)將樣本點(diǎn)的集合S={X1，X2，…，Xn}根據(jù)中心Z1，Z2，…，Zp進(jìn)行聚類，得到k個(gè)類{{C1}，{C2}，…，{Ck}}，Cj的確定方法如下：對(duì)任意的Xj∈S，如果式(2)成立，則Xj∈Ci。

　　(Xj-Zi)2≤(Xj-Zp)2(2)

　　式中p≠i，p=1，2，…，k。

　　(3)調(diào)整聚類中心，得到新的聚類中心為：

　　其中nj是Ci包含的樣本點(diǎn)個(gè)數(shù)。

　　(4)由式(1)計(jì)算誤差函數(shù)E，直到E的值不再明顯地改變或者聚類的成員不再變化。

　　由于K-means算法最初的聚類中心是隨機(jī)獲取的，而且算法的整個(gè)過程又是采用迭代的方法更新的，所以聚類的結(jié)果依賴于對(duì)初始聚類中心的選擇，對(duì)同一幅圖像聚類輸出的子圖像的順序不確定。因此需要借助火焰和煙霧的顏色特征進(jìn)行進(jìn)一步的分類識(shí)別。

3 火災(zāi)圖像顏色特征分析

　　對(duì)于K-means聚類分割存在的問題，利用火焰和煙霧各自的顏色分布特征辨識(shí)出聚類分割輸出的子圖像中的疑似火焰子圖像和疑似煙霧子圖像。

　　3.1 火焰顏色特征模型

　　(1)典型的火焰顏色特征

　　通過大量的實(shí)驗(yàn)可以發(fā)現(xiàn)，對(duì)于火焰區(qū)域的像素，通常是紅色通道的值大于綠色通道的值，綠色通道的值大于藍(lán)色通道的值，而且在大多數(shù)火焰圖像中紅色通道顏色的飽和度最高。火焰顏色特征在RGB色彩空間和HIS色彩空間中的建模如下[3]：

　　R>G>B

　　R>Rav

　　S>(255-R)Sav/Rav(4)

　　其中，Rav是通過背景消除的二值掩膜圖像得到的火焰區(qū)域紅色通道的平均像素值，Sav是火焰像素飽和度的平均值。由于直接應(yīng)用模型辨識(shí)火焰圖像可能會(huì)受光照亮度的影響，所以下面提出改進(jìn)的火焰顏色特征模型。

　　(2)改進(jìn)的火焰顏色特征模型

　　由于RGB色彩空間對(duì)光照亮度變化比較敏感，所以改進(jìn)模型如下：

　　采用比值(即用各顏色通道的值分別與R、G、B通道總和的比值)來消除光照變化的影響。通過改進(jìn)的火焰顏色特征模型，可以有效地在聚類后輸出的子圖像中辨識(shí)出火焰子圖像和煙霧子圖像。

　　3.2 煙霧顏色特征模型

　　通常情況下煙霧會(huì)呈白藍(lán)色、淺灰色和黑灰色等顏色，所以在RGB色彩空間中，紅、綠、藍(lán)3個(gè)通道的值非常接近，如果煙霧呈白藍(lán)色和淺灰色，則藍(lán)色通道值較其他兩個(gè)通道的值大，具體規(guī)則如下[4]：

　　Cmin=min(R，G，B)

　　Cmax=max(R，G，B)

　　I=(R+G+B)/3(6)

　　條件1：|Cmax-Cmin|<T1

　　條件2：T2<I<T3

　　條件3：Cmax=B & |Cmax-Cmin|<T4

　　IF（條件1 AND 條件2）OR（條件3 AND條件2）

　　{滿足煙霧顏色條件}

　　ELSE{不滿足煙霧顏色條件}

　　通過顏色特征可以初步辨識(shí)出K-means聚類算法輸出的子圖像中的火焰子圖像和煙霧子圖像。

4 疑似區(qū)域特征提取

　　通過上述的過程并不能十分確定有無火災(zāi)的發(fā)生，原因：(1)K-means聚類算法對(duì)彩色圖像的分割是根據(jù)顏色近似度進(jìn)行分割的，所以在分割過程中目標(biāo)可能會(huì)受到顏色相近物體的干擾；(2)火焰和煙霧的顏色特征并不是可唯一標(biāo)識(shí)的、穩(wěn)定的特征。所以要得到準(zhǔn)確的監(jiān)測(cè)結(jié)果，還要對(duì)疑似區(qū)域進(jìn)行進(jìn)一步的分析。

　　4.1 面積變化率分析

　　火災(zāi)在燃燒過程中，在熱量的驅(qū)使下，燃燒面積在不斷地增加。通過計(jì)算疑似火焰區(qū)域和疑似煙霧區(qū)域中的相對(duì)面積變化率來衡量火焰和煙霧的形體變化，如下式所示：

　　其中A1、A2分別表示相鄰兩幀疑似火災(zāi)區(qū)域的面積，A12表示相鄰兩幀疑似火災(zāi)區(qū)域A1、A2的面積變化率。對(duì)于火焰，AT1<A12<AT2成立，由于火焰和煙霧面積不可能是完全不變或是突變的，所以存在上下閾值A(chǔ)T1和AT2。通過計(jì)算火焰面積變化率，可以排除固定干擾源，如太陽、白熾燈等。通過計(jì)算煙霧面積變化率，可以排除人影等的干擾。

　　4.2 邊界閃爍頻率分析

　　火焰和煙霧邊界具有閃爍特性，然而對(duì)于絕大部分非疑似區(qū)域的運(yùn)動(dòng)物體，邊界并不存在閃爍特性。因此，可以通過計(jì)算疑似區(qū)域邊界閃爍頻率作為火災(zāi)監(jiān)測(cè)的一個(gè)特征值。在有疑似區(qū)域圖像的邊界取若干像素點(diǎn)，在下一幀疑似區(qū)域圖像中對(duì)這些點(diǎn)進(jìn)行跟蹤、統(tǒng)計(jì)。將邊界像素在屬于疑似區(qū)域和不屬于疑似區(qū)域之間變化的次數(shù)除以2視為該像素的閃爍頻率f。定義疑似圖像的平均閃爍頻率為：

　　式中：M是被統(tǒng)計(jì)疑似區(qū)域邊界點(diǎn)的個(gè)數(shù)。fm為第m個(gè)邊界點(diǎn)的閃爍頻率。通過計(jì)算閃爍頻率可以排除一些固定干擾或閃爍頻率變化不同于火災(zāi)閃爍頻率的干擾，如晚上由遠(yuǎn)及近的車燈對(duì)火焰的干擾。

5 實(shí)驗(yàn)仿真及結(jié)果

　　實(shí)驗(yàn)所涉及到的火災(zāi)視頻部分取自于Bilkent大學(xué)機(jī)器視覺研究（http：//signal.ee.bilkent.edu.tr/VisiFire）和美國國家標(biāo)準(zhǔn)技術(shù)研究院建筑與火災(zāi)研究實(shí)驗(yàn)室(http：//www.fire.nist.gov/tree.fire. htm)，其余取自互聯(lián)網(wǎng)。仿真實(shí)驗(yàn)在MATLAB中進(jìn)行，仿真步驟如下：先對(duì)圖像進(jìn)行聚類分割和顏色特征辨識(shí)，再進(jìn)行特征提取，最終將提取的數(shù)據(jù)輸入RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行判斷。如表1所示，選取 1、2組實(shí)驗(yàn)數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。

　　K-means聚類分割及顏色特征辨識(shí)輸出結(jié)果如圖2、圖3所示。圖2(a)和圖3(a)為場(chǎng)景1和場(chǎng)景2經(jīng)一定的采樣頻率采集到的原始圖像。首先進(jìn)行聚類分割，然后通過顏色模型辨識(shí)出疑似火焰區(qū)域。從輸出的疑似火焰區(qū)域可以看出，疑似火焰區(qū)域在RGB顏色模型中各通道的值符合火焰顏色特征。

　　但是為了排除太陽光或燈光對(duì)于火焰的干擾和人影或云團(tuán)對(duì)煙霧的干擾，選擇面積變化率和閃爍頻率作為RBF神經(jīng)網(wǎng)絡(luò)的輸入量，通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練來判斷是否為火災(zāi)圖像。

　　選取表1中的后3組視頻作為測(cè)試樣本數(shù)據(jù)，每組視頻分別取1幀圖像的特征數(shù)據(jù)來檢驗(yàn)RBF神經(jīng)網(wǎng)絡(luò)的識(shí)別能力，當(dāng)火焰的面積變化率和閃爍頻率符合正常范圍（面積變化率在0.1～0.4[5]之間，閃爍頻率在8～12 Hz[6]之間），或煙霧的面積變化率和閃爍頻率符合正常范圍（面積變化在0.1～0.4[7]，閃爍頻率在1～3 Hz[8]之間），RBF輸出值大于0.6則認(rèn)為有火災(zāi)發(fā)生。其中RBF的輸出由火焰和煙霧兩部分決定，兩者中有一個(gè)或兩者皆符合正常范圍則判斷有火災(zāi)發(fā)生，其他情況認(rèn)為無火災(zāi)發(fā)生，實(shí)驗(yàn)結(jié)果如表2所示。

　　從實(shí)驗(yàn)過程來看，本文中的辨識(shí)方法使用的步驟少且簡(jiǎn)單。從實(shí)驗(yàn)結(jié)果可以看出，該方法可以有效地辨識(shí)出森林火災(zāi)的發(fā)生。

6 結(jié)束語

　　本文首先建立了森林火災(zāi)辨識(shí)模型，實(shí)現(xiàn)根據(jù)顏色特征對(duì)經(jīng)過聚類分割輸出圖像的辨識(shí)，得到疑似火焰區(qū)域和疑似煙霧區(qū)域。然后對(duì)圖像中的疑似區(qū)域進(jìn)行特征提取，得到其面積變化率和閃爍頻率，通過RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行判斷，從而使算法的有效性和可靠性得到了提高。本文對(duì)不同條件下的多種復(fù)雜場(chǎng)景進(jìn)行火焰和煙霧識(shí)別實(shí)驗(yàn)，仿真結(jié)果表明，采用聚類算法的火災(zāi)辨識(shí)方法能夠有效地檢測(cè)出森林火災(zāi)的發(fā)生，從而有效降低森林火災(zāi)的破壞程度。

　　參考文獻(xiàn)

　　[1] CELIK T，SEYIN O H，DEMIREL H.Fire pixel classificationusing fuzzy logic and statistical color model[C].IC2007.NewYork：IEEE，2007：1207-1208.

　　[2] CHEN T H，YIN Y H，HUANG S F，et al．The smoke detection for early fire-alarming system base on video processing[C].Proceedings of the 2006 International Conference on Intelligent Information Hiding and Multi-media Signal Processing．California，USA：IEEE Com-puter Society，2006：427-430．

　　[3] CHO B，BAE J，JUNG S.Image processing－based fire detec-tion system using statistic color model[C].Proc.InternationalConference on Ad-vanced Language Processing and Web Information Technology.Washing-ton，DC，USA：IEEE Computer Society Press，2008：245-250．

　　[4] 胡廣平，周華強(qiáng)．基于Lab空間的圖像全息數(shù)字水印算法[J]．電子技術(shù)應(yīng)用，2014，40（4）：59-62．

　　[5] 鄒婷，王慧琴，胡燕，等．基于小波變換和支持向量機(jī)的火災(zāi)識(shí)別算法[J]．計(jì)算機(jī)工程與應(yīng)用，2013，49（14）：250-253．

　　[6] 程鑫，王大川，尹東良．圖像型火災(zāi)火焰探測(cè)原理[J]．火災(zāi)科學(xué)，2005，14（4）：239-245．

　　[7] 賈潔，王慧琴，胡燕，等．基于最小二乘支持向量機(jī)的火災(zāi)煙霧識(shí)別算法[J]．計(jì)算機(jī)工程與應(yīng)用，2012，2（38）：272-275．

　　[8] 吳愛國，杜春燕，李明．基于混合高斯模型與小波變換的火災(zāi)煙霧探測(cè)方法[J]．儀器儀表學(xué)報(bào)，2008，29（8）：1622-1626．