摘 要： 針對目前火災探測方面的不足，提出了基于支持向量機的火災探測技術。基于HSI顏色模型提取出火災火焰疑似區域，在圖像處理技術基礎上獲得早期火災火焰的五個主要特征，采用支持向量機技術進行火災識別。Matlab仿真實驗證明，基于支持向量機的火災探測技術識別率高，克服了神經網絡過學習、容易陷入局部極小點等不足。該技術的研究在火災探測領域具有重要的理論意義和實用價值。
關鍵詞： 圖像分割；支持向量機；特征提取；火災識別
火災帶給人類的損失是巨大的，若能在火災發生初期就進行識別報警，則可以極大地降低損失。傳統的感溫感煙式火災探測技術容易受環境因素（如空間高度和廣度、空氣流速、粉塵、濕度等）的影響，誤報率高。而圖像型火災探測具有非接觸式探測的特點，成為近年來火災探測技術新的研究領域。現有的圖像型火災探測技術[1]大多基于模糊神經網路、BP神經網絡等算法。由于神經網路算法存在過學習、收斂速度慢且易陷入局部極小點等缺陷，降低了火災探測的靈敏度與穩定性。而支持向量機SVM[2]（Support Vector Machine）采用結構風險最小化原理兼顧訓練誤差和泛化能力，能較好地解決小樣本、非線性、高維數和局部極小點等實際問題，成為機器學習領域的一個研究熱點，并在字符識別、圖像分類、遙感圖像分析等領域得到了成功的應用。
本文在數字圖像處理基礎上，將SVM應用于火災探測中，通過仿真實驗可以看出，該技術克服了以往火災探測技術的缺陷, 具有較高的識別率。
1 基于HSI顏色模型的彩色圖像分割
彩色圖像的色彩信息非常豐富，可以作為圖像分析處理的重要依據和條件。本文研究的是具有鮮明顏色特征的火災火焰圖像，基于彩色圖像的分析處理更是正確識別火災的關鍵所在。因此，在圖像灰度化之前，應該對彩色圖像進行分割，以便更好地劃分火焰區域與背景區域。本文采用基于HSI顏色模型提取火災火焰疑似區域。
HSI顏色模型[3，4]是圖像處理中比較常用的顏色模型，其中H、S、I分別表示色調、飽和度、亮度或強度。HSI顏色模型在接近人眼對景物的認知方面優于RGB模型，因而它更符合人描述和解釋顏色的方式。其中色調H反應了該顏色最接近的光譜波長。定義0°為紅色、120°為綠色、240°為藍色，240°～300°范圍內是人類可見的非光譜色（紫色）。大量實驗研究表明，火災火焰顏色大都分布在紅色和黃色范圍內，且飽和度S較高。在HSI顏色模型里，紅色和黃色色調在0°～60°之間。通過多次反復實驗，本文選取0°<H<60°，S>0.6為參考值提取火災火焰疑似區域，得到了較好的效果。
本文通過視頻采集卡得到的是RGB圖像，故先要進行RGB 到HSI空間轉換，轉換公式如下：
H分量：
本文采用的基于HSI火災火焰彩色圖像分割的算法步驟為：
(1)利用公式，計算每個像素點的H、S、I值；
(2)根據每個像素點的RGB值確定H的最終值；
(3)將H、S值在設定閾值范圍內的像素點保留，其他像素點置為0。
疑似火焰區域提取出來后，對疑似區域進行灰度化、二值化、膨脹操作以及作邊緣檢測、中值濾波等處理，為后續提取火災火焰特征打下堅實的基礎。
2 火災火焰特征提取
通過分析對比大量火災火焰與常見干擾的視頻圖像資料，本文選取火災火焰以下幾個特征[5，6]：
(1)火焰尖角數目：邊緣抖動是火災火焰的一個重要特征。相比于常見的干擾物體（如蠟燭、照明燈、電筒），不穩定火焰邊緣抖動的一個明顯表現就是火焰尖角數多而且呈現出不規則變化。本文采用邊界鏈碼計算火焰尖角個數。
(2)火焰圖像形狀的相似度：火災火焰相對于干擾物體具有形狀變化的無規律性，但這種無規律性從空間分布來說具有一定程度的相似性。通過前后兩幅圖像區域的面積變化情況可計算出相鄰幀圖像的相似度。連續幀變化圖像的相似度用下式表示：
(3)火焰閃爍頻率：可燃物燃燒時產生的火焰通常是閃爍的，這種閃爍具有一定的規律性。許多學者對不同尺寸、不同形狀的房間進行了多種材料的火災試驗，得出火焰閃爍頻率分布在3～25 Hz之間，主要頻率在8～13 Hz范圍內。研究發現，相對于干擾物體，火焰閃爍頻率與距接收器件的距離無關，環境變化對其影響也不大，因此可以把火焰閃爍頻率作為判斷火災發生的判據。火焰的閃爍特性在圖像中表現為圖像的灰度級直方圖隨時間的變化規律，本文通過計算灰度直方圖的變化率來表征火焰的閃爍頻率。表1所示為火災火焰圖像序列與照明燈圖像序列的閃爍頻率的統計。
(4)圓形度：圓形度表征了物體形狀的復雜程度。根據火災火焰形狀不規整，而大部分干擾源(如手電筒、白熾燈等)的形狀規整程度較高的特點，本文使用圓形度概念作為火災判據之一，而且火焰圓形度的測量受探測器安裝位置的影響不大。圓形度計算公式為：
其中ci為第i個圖元的圓形度，Ai為第i個圖元的面積，Li為第i個圖元的周長，n為圖元編號。本文將圓形度除以4π，使圓形度最小值為1，以便于觀測。
(5)火焰顏色特征：火災火焰的顏色與溫度相關。隨著火焰焰心到外焰溫度的不斷升高，其顏色從白色到黃色再到紅色移動，而燈光、太陽光這類干擾源的顏色變化不明顯，在圖像中則表現為像素值的變化不明顯，故可作為火災判據。實驗中用圖像像素方差值來反應這種變化。算法實現步驟如下：
①讀取圖像中疑似火焰的部分的像素值；
②求出這組像素值的數學期望；
③求出像素方差值。
3 基于支持向量機的火災識別
支持向量機[2，7]（SVM）是由Vapnik首先提出的，其主要思想是：通過某種事先定義的非線性映射，將輸入向量映射到一個高維特征空間，在這個空間中構成一個超平面作為決策曲面，使得被識別的樣本中正例和反例之間的隔離邊緣最大化。它克服了神經網絡學習過程中易過學習、欠學習的缺點，對于小樣本、高維數、非線性的分類問題效果顯著。
SVM是基于核函數的學習算法，其學習性能由核函數決定。核函數的類型主要包括：
采用不同的函數作為支持向量機的核函數，可以構造實現輸入空間不同類型的非線性決策面的支持向量機。針對特定的實際問題，需要通過反復實驗來確定選擇核函數使SVM的學習性能最優。
基于SVM的火災識別，包括以下幾個步驟：
(1)對火災圖像進行疑似火焰區域檢測，提取疑似區域中的火災信息特征分量；
(2)通過提取的特征分量選定訓練樣本和測試樣本；
(3)選取合適的核函數和懲罰因子，利用訓練樣本建立SVM分類模型；
(4)將測試樣本輸入分類模型，得到的分類準確率即為火災識別率。
本文在Matlab平臺上安裝了libsvm-2.89工具箱，利用工具箱和Matlab仿真函數進行仿真實驗。選用不同場景下采集到的火災火焰圖像150幅，干擾圖像（包括照明燈、蠟燭和電筒）150幅，構成300個樣本數據庫。將火災圖像編號為1.1～1.150，干擾圖像編號為2.1～2.150。首先利用圖像在HSI彩色空間的彩色信息分割得到火災火焰疑似區域。圖1為實驗中火災火焰圖像的分割結果圖。
然后對疑似區域進行特征提取，得到300組特征分量。部分樣本數據如表2所示。實驗中，選取火災火焰圖像和干擾圖像各自前120幅作為訓練樣本，剩余60幅作為測試樣本，自定義火災圖像類別標簽為1，干擾圖像類別標簽為0。
為了比較不同核函數的性能，分別采用線性核函數、多項式核函數、徑向基核函數和Sigmoid核函數訓練SVM，建立SVM模型。最后將測試樣本輸入模型，得出識別率。識別結果如表3所示。
由表3可得出，利用徑向基核函數訓練的SVM分類器識別率最高，達到了94.1%。圖2所示為利用徑向基核函數訓練的SVM實驗結果圖，實驗中運用交叉驗證方法選擇最佳參數c與g(c為懲罰因子，g為核函數參數)。
本文還比較了BP神經網絡、RBF神經網絡與SVM識別火災的算法，如表4所示。
由表4比較得出，SVM識別火災效果最好，這也證明了SVM對于小樣本、非線性的問題效果顯著，克服了神經網絡過學習、陷入局部最小點等缺點。
基于SVM的火災探測技術克服了傳統火災探測算法的缺陷，提高了火災識別率，可靠性高，該技術的研究在火災探測領域中具有重要的理論意義和實用價值。
參考文獻
[1] 姚暢，錢盛友.基于神經網絡的多傳感器火災報警系統[J].計算機工程與應用，2006，42(3)：219-221.
[2] 唐發明.基于統計學習的支持向量機算法研究[D].武漢：華中科技大學，2005：16-27.
[3] 楊旭強，馮勇，劉洪臣.一種基于HSI顏色模型的目標提取方法[J].光學技術，2006，32(2)：290-292.
[4] 劉亮亮.基于視頻監控的火災圖像識別研究[D].保定：華北電力大學，2007：21-30.
[5] 李杰.基于數字圖像處理的森林火災識別方法研究[D].北京：北京林業大學，2009：24-25.
[6] 周軍盈，杜嘯曉.圖像識別技術在火災探測中的應用[J].消防科學與技術，2007，25(4)：417-420.
[7] 肖靚.基于支持向量機的圖像分類研究[D].上海：同濟大學，2006：49-54.