赵伟伟 任锦芬 曹闯乐 李 丹
（西京学院 信息工程学院，陕西 西安710123）
1 概述
随着我国科学技术的不断发展，火灾的发生频率在不断上升。据统计，我国每年因火灾造成的经济损失近40 亿，近3000人伤亡，所以火灾检测成为人们关注的焦点问题。传统的火灾检测技术创造的火灾探测器，如感烟型、感温型和感光型检测指标单一，火灾检测精度低。Verstockt 等利用图像传感器得到火焰图像的振幅图像，用小波变换得到了火焰区域的融合图像，最后将疑似火焰区域的公共区域判定为最终的火焰区域准确率低；杨帮华等利用红外火焰探测技术，结合决策树算法实现火灾识别，但是耗时长。针对目前存在的火灾检测问题，本文提出一种基于图像处理的火焰检测算法。
2 基于SVM 的火焰检测算法
2.1 图像预处理
由于火灾现场拍摄的图像受天气、光照等噪声干扰比较大，首先对采集的火灾图像进行Gamma 校正，因为拍摄的图像存在光照度不均匀现象；其次对火灾图像采用中值滤波进行降噪；最后对火灾图像采用Otsu 阈值分割算法将火焰与背景区域分割开。
2.2 特征提取
在发生火灾时，火焰图像的颜色和形状特征都会发生变化，精准的提取火焰的特征，为火焰检测奠定了坚实的基础。
2.2.1 颜色特征提取
在发生火灾时，最鲜明的特征就是它的颜色特征，所以将颜色特征作为火焰检测的关键参数。由于人的视觉对亮度的变化比较敏感，人眼在HIS 颜色空间适应性最佳，因此本文通过HIS颜色空间对火灾图像进行颜色特征提取。HIS 颜色空间的三颜色分量取值范围如下：
从RGB 到HIS 颜色空间的转换如下：
2.2.2 形状特征提取
在火灾现场拍摄图像时，火焰的形状会随着时间不断地发生变化，并且有一定的边缘变化特点，因此本文通过对火焰图像的圆形度和边界粗糙程度对火焰图像的边缘进行分析处理。圆形度计算公式：
其中，S 代表火焰区域的面积，C 代表火焰区域的周长。对于不规则的圆形火焰图像，在面积相同的情况下，周长会增加，所以圆形度的取值范围为0-1。
边界粗糙度计算公式：
其中L 为火焰区域的边沿周长，LC为凸多边形的周长，为了能够包含某个疑似火焰连通区域的所有像素，并且是面积最小的凸多边形。
2.2.3 形态学特征提取
通过对火焰图像的颜色特征和形状特征的提取，还存在一些特征漏洞，利用开运算和闭运算的综合使用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积；填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积，实现特征误差补充。
2.3 火焰检测
用颜色特征和形状特征的参数作为特征向量，使用K-means 算法将火灾图像的相同特征参数进行聚类，在进行聚类时采用欧式距离计算样本点与聚类中心的距离，最后创建一个超平面通过对分类模型和模型参数的选择，同时保证训练误差与测试误差达到最小化。本文研究的火焰检测属于非线性模式识别问题，因此引入高斯核函数实现火焰检测，用SVM 分类器进行火焰的分类检测。
多维空间欧氏距离计算公式：
高斯核函数的表达式：
3 实验结果分析
图1 为传统的火焰检测效果图，图2 为本文的火焰检测效果图。通过将传统的火焰检测算法和本文的火焰检测算法进行对比，从实验结果可以看出本文采用的火焰检测算法效果最佳。该方法通过对火灾图像进行预处理清晰的将火焰区域与背景区域分开，提高了特征提取的精度，最后利用基于核函数的SVM算法进行分类检测。实验表明本文方法能够更加有效准确地检测识别出火灾火焰，在对火灾检测识别时，很大程度上提高了对火灾检测的准确率。
图1 传统的火焰检测效果
图2 本文的火焰检测效果
4 结论
火灾发生后，现场的环境比较差，在采集图像时，图像受环境影响会导致对比度降低、有噪声并且图像边缘信息受损，提高了火焰检测的复杂度。本文通过Gamma 校正提高火灾图像的对比度，再通过中值滤波滤除图像中的噪声，使用Otsu 阈值分割算法消除背景干扰，选用人眼适应度较强的HSI 颜色空间对火焰图像进行颜色特征提取，根据火焰图像的形状规律程度选用圆形度形状特征提取火焰的形状特征，提高了火焰检测准确率。该方法能有效地进行火焰检测，在火灾检测领域具有较大的应用价值与研究意义。
