基于圖像的火焰檢測算法

李小飛

（西南石油大學控制工程2017 級 四川省成都市 610500）

1 結論

1.1 研究背景及意義

火災是一種比較常見的，能夠對社會公共安全造成較大損失的災害。據統計，2019年全年共接報火災23.3 萬起，直接財產損失達到36.12 億元。隨著計算機能力的不斷提升，計算機視覺領域得到了蓬勃的發展。通過攝像頭采集視頻，檢測該視頻圖像中是否有火焰的這種方式逐漸成為了目前火災防控系統研究的主流方向?；谝曨l圖像的火災識別主要是通過火焰固有的特征判斷視頻圖像中是否有火焰的存在，特征包括火焰在顏色空間中的模型，火焰的形態特征以及紋理特征等，可以通過一種或多種特征相結合的方式檢測火焰。

1.2 國內外研究現狀

早期的火焰識別主要通過分析火焰的顏色特征，建立火焰的顏色模型來識別火焰。Chen 等人[1]通過在RGB 和НIS 顏色空間上建立火焰模型，分析火焰特征并對其進行不規則性檢測。吳愛國等人[2]通過區域分割算法提取疑似的火焰區域，并在此基礎上通過邊界鏈碼的方式來計算區域圓形度等特征從而分析是否有火焰產生。顧俊俊等人[3]在找到疑似火焰區域的基礎上，進一步提出了火焰尖角的計算方法，將二值化后的圖像中所有符合特定條件的尖角標記出來后，利用高度以及寬度來判斷該尖角是否為火焰的尖角。秦薇薇等人[4]利用背景差分法對視頻中的火焰圖像進行分割，效果顯著，但是速度較慢，對噪聲比較敏感。齊懷琴等人[5]提出了火焰的面積變化率以及火焰的質心兩種新的火焰特征用以識別火焰。鹿書恩[6]采用多特征融合的方式將多種火焰特征通過與運算進行融合，提高了火焰的判別精度。

2 火焰顏色模型

現代攝像頭采集的大多為彩色圖像，因此需要首先對圖像建立顏色模型，初步判斷圖像中是否有火焰的存在[7]。在火災識別領域，更常用的顏色模型為RGB、НSI 兩種。

2.1 RGB顏色模型

RGB 顏色模型就是通過給予紅、綠、藍三種基本顏色不同的權重并對其進行疊加來建立顏色空間?；鹧嬖赗GB 空間中有特定的規律[8]，紅色分量大于綠色分量，綠色分量大于藍色分量，即R(x,y)>G(x,y)>B(x,y)。而且R 通道的亮度與飽和度都相對較高，因此還需要滿足R(x,y)>Rt，其中Rt 為紅色分量的閾值，多次試驗后，本文選取170。

2.2 HSI顏色模型

НSI 模型不同于RGB 模型的色彩加權相加，這種顏色模型通過提取圖像的色相，飽和度以及亮度這三種元素進行數學建模。相比于RGB 顏色模型，НSI 顏色模型更符合人類的視覺習慣[9]。

火焰在НSI 空間的數學模型滿足如下條件：0 ≤Н ≤600.2 ≤S ≤ 1.0100 ≤Н ≤255，其中Н 為色相，S 為飽和度。

3 火焰特征提取

火焰有很多具有顯著性的特征，如矩形度、圓形度、伸長度等。僅依靠單一特征，系統的識別效果總是有欠缺，而將多個特征進行融合，則能極大的提高火焰檢測的精度[10]。針對和火焰顏色相近的物體，如路燈、車燈、太陽等可以結合多種不同火焰的形狀特征將其篩選出去。

本文選取了150 張各式的火焰圖片，以及150 張常見的與火焰顏色相近非火焰圖片，用以分析提取這些特征，從而達到提高火焰識別率的目的。

3.1 圖像灰度化

建立好顏色模型后，需要通過邊緣信息對圖像中的疑似火焰區域做進一步分析。在圖像識別領域，一般會先將彩色圖片進行一次低通濾波，也就是灰度化處理。圖像灰度化就是將彩色圖每個像素中的r，g，b 通道中的三個值，通過某種算法融合為一個灰度值，一般取值范圍在0 ～255 之間。0 代表純黑色，255 代表純白色，其他值代表不同等級的灰色。圖像灰度化會丟失部分火焰信息，但是可以提高系統的運行效率。為了彌補這部分損失，在對圖像進行低通濾波時，可以通過靈活調整灰度化系數，盡可能保留更多原圖的信息，圖像灰度化公式如式（1）所示：

其中，XR、XG、XB分別為 RGB 分量的權值。

3.2 圖像濾波

圖像濾波是指對圖片中物體的識別會造成干擾的不相關信息進行抑制的過程，這些不相關信息稱為噪音。圖像的濾波相當于是利用不同的卷積核對圖像進行卷積操作中值濾波屬于非線性濾波，對輸入圖像在固定窗口中所有值進行排序，選擇中值作為輸出圖像對應像素點的灰度值，這種濾波策略對于椒鹽噪聲有非常好的抑制作用。相對于線性濾波而言，中值濾波最大的優點就是在抑制噪聲的時候可以保護信號的邊緣，這對于圖像的特征提取非常重要。

3.3 圖像形態學處理

通過形態學處理，可以實現邊緣提取的效果，同時可以填充圖片中的孔洞，提取具有特征的點，如角點等。

3.3.1 開運算

開運算相對較為復雜，需要先對圖像進行腐蝕操作，然后再對圖像進行膨脹操作，其原理表達式如式（2）：

開運算可以刪除不包含結構元素的對象區域，對物體的輪廓進行平滑，對于物體之間狹窄的連接進行擦除。

3.3.2 閉運算

圖1：矩形度統計直方圖

圖2：圓形度統計直方圖

圖3：基于多特征融合的火焰識別

閉運算與開運算類似，需要先對圖像進行膨脹操作，然后再對圖像進行腐蝕操作，其遠離表達式如式（3）所示：

閉運算能夠對圖像中微小的黑色斑點進行有效的抑制，平滑對象的輪廓，并且可以增強物體之間細小的連接。

3.4 K-means顏色聚類

通?；鹧鎯炔繄D像都滿足顏色空間的條件，顏色的變動并不大，而類似月亮、燈泡等干擾物其發光部位內部顏色分布也很穩定。顯然，在全圖范圍內利用火焰特征提取連通域是不必要的，可以先通過顏色聚類的方式減小識別范圍。

Kmeans 是一種運算速度比較快的聚類方法[11]，k 是系統的超參數，表示數據集中類的個數，需要預先指定。Kmeans 算法的步驟如下：

（1）先確定數據集需要被劃分的類別數

（2）隨機確定k 個點作為中心點，計算數據集中的點到每個中心點的距離，將距離某個中心點距離較近的數據點集合作為一類。

（3）計算每個集合中數據點的平均值，并把這個平均值作為新的中心點。

（4）重復第2 步和第3 步，直到中心點不再發生變動。

3.5 圖像邊緣檢測

Canny 算子是一種能夠精確確定圖像邊緣的算子[12]，可以去掉由噪聲或一些與火焰不相關的細節而引入的假邊緣。利用Canny 算子分析圖像邊緣時需要先將火焰的灰度圖進行高斯濾波，濾除噪聲，然后利用一階偏導的有向差分來計算梯度的幅值和方向，通常使用Sobel 算子進行計算。

計算的結果需要對梯度幅值進行非極大值抑止，即尋找像素點領域內梯度方向的局部最大值點并將其置1，其余值至0。由于是在梯度方向上尋找，而圖像的像素點是離散分布的，如果梯度方向上沒有像素點，就需要用領域內已有的像素點通過差值的方式計算出一個亞像素點，從而進行判斷。

最后為了進一步減少假邊緣，Canny 算子采用雙閾值檢測算法。如果梯度幅值大于高閾值則直接判定為邊緣，如果小于低閾值則直接舍棄，位于高閾值和低閾值之間的像素點，如果在邊緣像素的8個領域像素內，則判定為邊緣，否則舍棄。

3.6 火焰特征

3.6.1 矩形度

矩形度是圖像連通域對其外接矩形充滿程度的一種度量[13]，表示物體與矩形之間的相似程度，計算公式如式（4）所示：

其中AS是目標物體，即火焰的面積，AR是圖像中該目標物的最小外接矩形的面積。當目標物的形態與矩形越接近時，矩形度就越接近1；當目標物的形態與矩形相差越大時，矩形度就越接近0。外接矩形的計算方法為目標物體最大和最小縱坐標之間的差值與目標物最大和最小橫坐標之間的差值的乘積。

圖1 是對300 張樣本圖像的矩形度統計直方圖，通過對統計圖進行分析，可以得出火焰的矩形度大致在0.4-0.6 之間。

3.6.2 圓形度

圓形度是對物體連通域邊緣復雜程度的一種度量[14]，連通域越接近圓形，其圓形度越大；連通域越不規則，其圓形度越小。計算公式如圖（5）所示：

其中，S 為物體連通域的面積，L 為物體連通域的周長。在進行火焰識別時，環境中的光源會對識別造成很大的影響，如太陽、白熾燈、汽車尾燈等。而這些光源與圓形非常接近，通過圓形度可以很好的排除外界光源的影響。

圖2 是對300 張樣本圖像的圓形度統計直方圖，通過對統計圖進行分析，可以得出火焰的矩形度大致在0.3-0.7 之間。

3.7 實驗分析

首先對經過顏色模型處理的圖像，利用K-Means 算法進行聚類，聚類的k 值取3。然后對聚類的結果利用形態學操作對識別的連通域中的孔洞進行填充，并對聚類的結果通過漫水填充法填充不同的顏色作為區分。接著利用Canny 算子算法檢測到各個聚類集群的邊緣，再利用矩形度、圓形度對連通域進行判斷舍棄掉非火焰的區域，最終描繪出真正火焰的輪廓。試驗過程如圖3 所示。

由實驗結果可知，基于顏色模型與多特征融合的火焰識別算法，能夠很好的提取火焰的輪廓，甚至在火焰分布比較扭曲的情況下仍然能夠很好的進行識別。

通過對300 張圖片進行測試，本優化算法對火焰的檢測精度可以達到95%以上，對于非火焰幾乎沒有誤報的現象發生。由檢測結果可知，盡管燈光的顏色模型與火焰很相似，但是本算法依然可以將其與火焰區分開。同時對于邊緣比較平滑的火焰圖像，本算法也能很好的提起其特征，進行正確的識別。