0 引言

　　圖像型火災探測方法主要包括火焰探測和煙霧探測兩大類。文獻[1]和文獻[2]的研究方法主要集中于單一的對火焰或者煙霧的探測。然而，林火燃燒初期特征復雜，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，如果只針對火焰或煙霧進行探測，可能會產生探測不準確、誤報等問題。其中，文獻[1]根據火焰像素顏色特征使用模糊邏輯分類和統計模型對火焰進行識別，沒有考慮到火焰區(qū)域顏色的分布特征。文獻[2]首先建立煙霧的顏色模型，利用煙霧圖像的模糊動態(tài)特征實現對煙霧的檢測判別，由于對煙霧目標的識別特征較少，所以易導致誤判。為了確保探測結果的可靠性和準確性，本文提出對火焰特征和煙霧特征進行聯合辨識，從靜態(tài)特性到動態(tài)特性進行逐步分析。

1 系統設計

　　由于森林火災起火原因不同，圖像具有的火焰和煙霧特點也不同，為此提出對火焰和煙霧進行聯合判斷。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行濾波處理，利用K-means對處理后的圖像進行分割，并對分割輸出的各子圖進行顏色分析，根據火焰和煙霧的顏色特征，在消除亮度的影響下，對分割出來的子圖像進行辨識，判斷是否為疑似火焰區(qū)域、疑似煙霧區(qū)域，再根據圖像的特點分別進行火焰和煙霧特征參數的提取，最后將特征參數輸入RBF神經網絡進行最終辨識。如果連續(xù)一段時間的采樣圖像辨識都為火災圖像，則系統向監(jiān)控人員發(fā)出報警信號；否則繼續(xù)對新的圖像進行辨識。系統的整體流程如圖1所示。

2 K-means算法研究

　　對比各聚類算法在彩色圖像處理中的應用，系統采用最為經典的K-means聚類算法，由于它具有算法快速、簡單等優(yōu)點。算法的基本工作過程如下：

　　以k為參數，把樣本點的集合S={X1，X2，…，Xn}分成k個類{{C1}，{C2}，…，{Ck}}，假設聚類中心為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，設法降低誤差函數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)從樣本點的集合S={X1，X2，…，Xn}中隨機選取k個初始的聚類中心。

　　(2)將樣本點的集合S={X1，X2，…，Xn}根據中心Z1，Z2，…，Zp進行聚類，得到k個類{{C1}，{C2}，…，{Ck}}，Cj的確定方法如下：對任意的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包含的樣本點個數。

　　(4)由式(1)計算誤差函數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獲取的，而且算法的整個過程又是采用迭代的方法更新的，所以聚類的結果依賴于對初始聚類中心的選擇，對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行進一步的分類識別。

3 火災圖像顏色特征分析

　　對于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

　　通過大量的實驗可以發(fā)現，對于火焰區(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色通道的值，而且在大多數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。由于直接應用模型辨識火焰圖像可能會受光照亮度的影響，所以下面提出改進的火焰顏色特征模型。

　　(2)改進的火焰顏色特征模型

　　由于RGB色彩空間對光照亮度變化比較敏感，所以改進模型如下：

　　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

　　通常情況下煙霧會呈白藍色、淺灰色和黑灰色等顏色，所以在RGB色彩空間中，紅、綠、藍3個通道的值非常接近，如果煙霧呈白藍色和淺灰色，則藍色通道值較其他兩個通道的值大，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的發(fā)生，原因：(1)K-means聚類算法對彩色圖像的分割是根據顏色近似度進行分割的，所以在分割過程中目標可能會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識的、穩(wěn)定的特征。所以要得到準確的監(jiān)測結果，還要對疑似區(qū)域進行進一步的分析。

　　4.1 面積變化率分析

　　火災在燃燒過程中，在熱量的驅使下，燃燒面積在不斷地增加。通過計算疑似火焰區(qū)域和疑似煙霧區(qū)域中的相對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區(qū)域的面積，A12表示相鄰兩幀疑似火災區(qū)域A1、A2的面積變化率。對于火焰，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AT1和AT2。通過計算火焰面積變化率，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，然而對于絕大部分非疑似區(qū)域的運動物體，邊界并不存在閃爍特性。因此，可以通過計算疑似區(qū)域邊界閃爍頻率作為火災監(jiān)測的一個特征值。在有疑似區(qū)域圖像的邊界取若干像素點，在下一幀疑似區(qū)域圖像中對這些點進行跟蹤、統計。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是被統計疑似區(qū)域邊界點的個數。fm為第m個邊界點的閃爍頻率。通過計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閃爍頻率的干擾，如晚上由遠及近的車燈對火焰的干擾。

5 實驗仿真及結果

　　實驗所涉及到的火災視頻部分取自于Bilkent大學機器視覺研究（http：//signal.ee.bilkent.edu.tr/VisiFire）和美國國家標準技術研究院建筑與火災研究實驗室(http：//www.fire.nist.gov/tree.fire. htm)，其余取自互聯網。仿真實驗在MATLAB中進行，仿真步驟如下：先對圖像進行聚類分割和顏色特征辨識，再進行特征提取，最終將提取的數據輸入RBF神經網絡進行判斷。如表1所示，選取 1、2組實驗數據作為RBF神經網絡的訓練樣本。

　　K-means聚類分割及顏色特征辨識輸出結果如圖2、圖3所示。圖2(a)和圖3(a)為場景1和場景2經一定的采樣頻率采集到的原始圖像。首先進行聚類分割，然后通過顏色模型辨識出疑似火焰區(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于火焰的干擾和人影或云團對煙霧的干擾，選擇面積變化率和閃爍頻率作為RBF神經網絡的輸入量，通過神經網絡的訓練來判斷是否為火災圖像。

　　選取表1中的后3組視頻作為測試樣本數據，每組視頻分別取1幀圖像的特征數據來檢驗RBF神經網絡的識別能力，當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則認為有火災發(fā)生。其中RBF的輸出由火焰和煙霧兩部分決定，兩者中有一個或兩者皆符合正常范圍則判斷有火災發(fā)生，其他情況認為無火災發(fā)生，實驗結果如表2所示。

　　從實驗過程來看，本文中的辨識方法使用的步驟少且簡單。從實驗結果可以看出，該方法可以有效地辨識出森林火災的發(fā)生。

6 結束語

　　本文首先建立了森林火災辨識模型，實現根據顏色特征對經過聚類分割輸出圖像的辨識，得到疑似火焰區(qū)域和疑似煙霧區(qū)域。然后對圖像中的疑似區(qū)域進行特征提取，得到其面積變化率和閃爍頻率，通過RBF神經網絡進行判斷，從而使算法的有效性和可靠性得到了提高。本文對不同條件下的多種復雜場景進行火焰和煙霧識別實驗，仿真結果表明，采用聚類算法的火災辨識方法能夠有效地檢測出森林火災的發(fā)生，從而有效降低森林火災的破壞程度。

　　參考文獻

　　[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．基于Lab空間的圖像全息數字水印算法[J]．電子技術應用，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的火災識別算法[J]．計算機工程與應用，2013，49（14）：250-253．

　　[6] 程鑫，王大川，尹東良．圖像型火災火焰探測原理[J]．火災科學，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的火災煙霧識別算法[J]．計算機工程與應用，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煙霧探測方法[J]．儀器儀表學報，2008，29（8）：1622-1626．