0 引言

　　图像型火灾探测方法主要包括火焰探测和烟雾探测两大类。文献[1]和文献[2]的研究方法主要集中于单一的对火焰或者烟雾的探测。然而，林火燃烧初期特征复杂，如果是地下火，则烟雾特征较明显；如果是地表火，则火焰特征较明显。所以，如果只针对火焰或烟雾进行探测，可能会产生探测不准确、误报等问题。其中，文献[1]根据火焰像素颜色特征使用模糊逻辑分类和统计模型对火焰进行识别，没有考虑到火焰区域颜色的分布特征。文献[2]首先建立烟雾的颜色模型，利用烟雾图像的模糊动态特征实现对烟雾的检测判别，由于对烟雾目标的识别特征较少，所以易导致误判。为了确保探测结果的可靠性和准确性，本文提出对火焰特征和烟雾特征进行联合辨识，从静态特性到动态特性进行逐步分析。

1 系统设计

　　由于森林火灾起火原因不同，图像具有的火焰和烟雾特点也不同，为此提出对火焰和烟雾进行联合判断。首先按一定的采样频率从采集到的视频图像中获取采样图像并进行滤波处理，利用K-means对处理后的图像进行分割，并对分割输出的各子图进行颜色分析，根据火焰和烟雾的颜色特征，在消除亮度的影响下，对分割出来的子图像进行辨识，判断是否为疑似火焰区域、疑似烟雾区域，再根据图像的特点分别进行火焰和烟雾特征参数的提取，最后将特征参数输入RBF神经网络进行最终辨识。如果连续一段时间的采样图像辨识都为火灾图像，则系统向监控人员发出报警信号；否则继续对新的图像进行辨识。系统的整体流程如图1所示。

2 K-means算法研究

　　对比各聚类算法在彩色图像处理中的应用，系统采用最为经典的K-means聚类算法，由于它具有算法快速、简单等优点。算法的基本工作过程如下：

　　以k为参数，把样本点的集合S={X1，X2，…，Xn}分成k个类{{C1}，{C2}，…，{Ck}}，假设聚类中心为Zp，则该聚类误差E可以定义为：

　　其中j=1，2，…，n，p=1，2，…，n。

　　K-means聚类算法是通过迭代的方式，设法降低误差函数E的值，使各聚类本身尽可能紧凑，而各聚类之间尽可能分开。其算法步骤如下：

　　(1)从样本点的集合S={X1，X2，…，Xn}中随机选取k个初始的聚类中心。

　　(2)将样本点的集合S={X1，X2，…，Xn}根据中心Z1，Z2，…，Zp进行聚类，得到k个类{{C1}，{C2}，…，{Ck}}，Cj的确定方法如下：对任意的Xj∈S，如果式(2)成立，则Xj∈Ci。

　　(Xj-Zi)2≤(Xj-Zp)2(2)

　　式中p≠i，p=1，2，…，k。

　　(3)调整聚类中心，得到新的聚类中心为：

　　其中nj是Ci包含的样本点个数。

　　(4)由式(1)计算误差函数E，直到E的值不再明显地改变或者聚类的成员不再变化。

　　由于K-means算法最初的聚类中心是随机获取的，而且算法的整个过程又是采用迭代的方法更新的，所以聚类的结果依赖于对初始聚类中心的选择，对同一幅图像聚类输出的子图像的顺序不确定。因此需要借助火焰和烟雾的颜色特征进行进一步的分类识别。

3 火灾图像颜色特征分析

　　对于K-means聚类分割存在的问题，利用火焰和烟雾各自的颜色分布特征辨识出聚类分割输出的子图像中的疑似火焰子图像和疑似烟雾子图像。

　　3.1 火焰颜色特征模型

　　(1)典型的火焰颜色特征

　　通过大量的实验可以发现，对于火焰区域的像素，通常是红色通道的值大于绿色通道的值，绿色通道的值大于蓝色通道的值，而且在大多数火焰图像中红色通道颜色的饱和度最高。火焰颜色特征在RGB色彩空间和HIS色彩空间中的建模如下[3]：

　　R>G>B

　　R>Rav

　　S>(255-R)Sav/Rav(4)

　　其中，Rav是通过背景消除的二值掩膜图像得到的火焰区域红色通道的平均像素值，Sav是火焰像素饱和度的平均值。由于直接应用模型辨识火焰图像可能会受光照亮度的影响，所以下面提出改进的火焰颜色特征模型。

　　(2)改进的火焰颜色特征模型

　　由于RGB色彩空间对光照亮度变化比较敏感，所以改进模型如下：

　　采用比值(即用各颜色通道的值分别与R、G、B通道总和的比值)来消除光照变化的影响。通过改进的火焰颜色特征模型，可以有效地在聚类后输出的子图像中辨识出火焰子图像和烟雾子图像。

　　3.2 烟雾颜色特征模型

　　通常情况下烟雾会呈白蓝色、浅灰色和黑灰色等颜色，所以在RGB色彩空间中，红、绿、蓝3个通道的值非常接近，如果烟雾呈白蓝色和浅灰色，则蓝色通道值较其他两个通道的值大，具体规则如下[4]：

　　Cmin=min(R，G，B)

　　Cmax=max(R，G，B)

　　I=(R+G+B)/3(6)

　　条件1：|Cmax-Cmin|<T1

　　条件2：T2<I<T3

　　条件3：Cmax=B & |Cmax-Cmin|<T4

　　IF（条件1 AND 条件2）OR（条件3 AND条件2）

　　{满足烟雾颜色条件}

　　ELSE{不满足烟雾颜色条件}

　　通过颜色特征可以初步辨识出K-means聚类算法输出的子图像中的火焰子图像和烟雾子图像。

4 疑似区域特征提取

　　通过上述的过程并不能十分确定有无火灾的发生，原因：(1)K-means聚类算法对彩色图像的分割是根据颜色近似度进行分割的，所以在分割过程中目标可能会受到颜色相近物体的干扰；(2)火焰和烟雾的颜色特征并不是可唯一标识的、稳定的特征。所以要得到准确的监测结果，还要对疑似区域进行进一步的分析。

　　4.1 面积变化率分析

　　火灾在燃烧过程中，在热量的驱使下，燃烧面积在不断地增加。通过计算疑似火焰区域和疑似烟雾区域中的相对面积变化率来衡量火焰和烟雾的形体变化，如下式所示：

　　其中A1、A2分别表示相邻两帧疑似火灾区域的面积，A12表示相邻两帧疑似火灾区域A1、A2的面积变化率。对于火焰，AT1<A12<AT2成立，由于火焰和烟雾面积不可能是完全不变或是突变的，所以存在上下阈值AT1和AT2。通过计算火焰面积变化率，可以排除固定干扰源，如太阳、白炽灯等。通过计算烟雾面积变化率，可以排除人影等的干扰。

　　4.2 边界闪烁频率分析

　　火焰和烟雾边界具有闪烁特性，然而对于绝大部分非疑似区域的运动物体，边界并不存在闪烁特性。因此，可以通过计算疑似区域边界闪烁频率作为火灾监测的一个特征值。在有疑似区域图像的边界取若干像素点，在下一帧疑似区域图像中对这些点进行跟踪、统计。将边界像素在属于疑似区域和不属于疑似区域之间变化的次数除以2视为该像素的闪烁频率f。定义疑似图像的平均闪烁频率为：

　　式中：M是被统计疑似区域边界点的个数。fm为第m个边界点的闪烁频率。通过计算闪烁频率可以排除一些固定干扰或闪烁频率变化不同于火灾闪烁频率的干扰，如晚上由远及近的车灯对火焰的干扰。

5 实验仿真及结果

　　实验所涉及到的火灾视频部分取自于Bilkent大学机器视觉研究（http：//signal.ee.bilkent.edu.tr/VisiFire）和美国国家标准技术研究院建筑与火灾研究实验室(http：//www.fire.nist.gov/tree.fire. htm)，其余取自互联网。仿真实验在MATLAB中进行，仿真步骤如下：先对图像进行聚类分割和颜色特征辨识，再进行特征提取，最终将提取的数据输入RBF神经网络进行判断。如表1所示，选取 1、2组实验数据作为RBF神经网络的训练样本。

　　K-means聚类分割及颜色特征辨识输出结果如图2、图3所示。图2(a)和图3(a)为场景1和场景2经一定的采样频率采集到的原始图像。首先进行聚类分割，然后通过颜色模型辨识出疑似火焰区域。从输出的疑似火焰区域可以看出，疑似火焰区域在RGB颜色模型中各通道的值符合火焰颜色特征。

　　但是为了排除太阳光或灯光对于火焰的干扰和人影或云团对烟雾的干扰，选择面积变化率和闪烁频率作为RBF神经网络的输入量，通过神经网络的训练来判断是否为火灾图像。

　　选取表1中的后3组视频作为测试样本数据，每组视频分别取1帧图像的特征数据来检验RBF神经网络的识别能力，当火焰的面积变化率和闪烁频率符合正常范围（面积变化率在0.1～0.4[5]之间，闪烁频率在8～12 Hz[6]之间），或烟雾的面积变化率和闪烁频率符合正常范围（面积变化在0.1～0.4[7]，闪烁频率在1～3 Hz[8]之间），RBF输出值大于0.6则认为有火灾发生。其中RBF的输出由火焰和烟雾两部分决定，两者中有一个或两者皆符合正常范围则判断有火灾发生，其他情况认为无火灾发生，实验结果如表2所示。

　　从实验过程来看，本文中的辨识方法使用的步骤少且简单。从实验结果可以看出，该方法可以有效地辨识出森林火灾的发生。

6 结束语

　　本文首先建立了森林火灾辨识模型，实现根据颜色特征对经过聚类分割输出图像的辨识，得到疑似火焰区域和疑似烟雾区域。然后对图像中的疑似区域进行特征提取，得到其面积变化率和闪烁频率，通过RBF神经网络进行判断，从而使算法的有效性和可靠性得到了提高。本文对不同条件下的多种复杂场景进行火焰和烟雾识别实验，仿真结果表明，采用聚类算法的火灾辨识方法能够有效地检测出森林火灾的发生，从而有效降低森林火灾的破坏程度。

　　参考文献

　　[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] 胡广平，周华强．基于Lab空间的图像全息数字水印算法[J]．电子技术应用，2014，40（4）：59-62．

　　[5] 邹婷，王慧琴，胡燕，等．基于小波变换和支持向量机的火灾识别算法[J]．计算机工程与应用，2013，49（14）：250-253．

　　[6] 程鑫，王大川，尹东良．图像型火灾火焰探测原理[J]．火灾科学，2005，14（4）：239-245．

　　[7] 贾洁，王慧琴，胡燕，等．基于最小二乘支持向量机的火灾烟雾识别算法[J]．计算机工程与应用，2012，2（38）：272-275．

　　[8] 吴爱国，杜春燕，李明．基于混合高斯模型与小波变换的火灾烟雾探测方法[J]．仪器仪表学报，2008，29（8）：1622-1626．