基于多特征融合的視頻火災檢測方法

何愛龍 陳美娟

摘 要：相較于傳統(tǒng)單點傳感器檢測火災的方法，采用視頻檢測火災更快、更可靠，而且可以提供火災大小、增速等直觀的圖像信息。結(jié)合圖像處理技術(shù)，設(shè)計一種可以同時檢測火焰和煙霧的視頻火災檢測方法。首先，通過提取移動區(qū)域的方式，并利用改進的火災顏色模型提取出疑似火災區(qū)域;然后，選出抗干擾能力強的火災特征并對提取各特征的方法進行設(shè)計;最后，將火焰特征輸入支持向量機進行火焰判別，將煙霧各特征與閾值比較后的結(jié)果輸入可調(diào)節(jié)檢測靈敏度的邏輯運算器進行煙霧判別，結(jié)合火焰與煙霧判別結(jié)果決定是否進行火災預警。大量實驗結(jié)果表明，該方法不僅可以檢測明火，而且可以檢測陰燃火，在檢測準確率、誤報率及反應(yīng)時間上都有更好的表現(xiàn)。

關(guān)鍵詞：圖像處理;特征提取;多特征融合;火焰檢測;火災預警

DOI：10. 11907/rjdk. 192429 開放科學（資源服務(wù)）標識碼（OSID）：

中圖分類號：TP317.4 文獻標識碼：A 文章編號：1672-7800（2020）007-0198-06

Video Fire Detection Method Based on Multi-feature Fusion

HE Ai-long， CHEN Mei-juan

（College of Telecommunications & Information Engineering，

Nanjing University of Posts and Telecommunications， Nanjing 210003， China）

Abstract： Compared with the traditional method of detecting fires by point sensors， video fire detection holds the promise of detecting fire incidents more quickly and reliably， and can also provide intuitive image information such as fire size and growth. Combined with image processing technology， a video fire detection method is designed that can detect flame and smoke at the same time. Firstly， the suspected fire area is extracted by the moving region extraction and improved fire color model. Then， the fire characteristics with strong anti-interference ability are selected and the methods are designed for extracting each feature. Finally， the flame feature is input into the support vector machine and the result of comparing the characteristics of the smoke with the threshold is input into a logic operator that can adjust the sensitivity of smoke detection. Results of flame and smoke detection determine whether to perform the fire warning. A large number of experiments have been completed and the results show the proposed method can not only detect open flame， but also detect smoldering fire， and has better performance in detection accuracy， false alarm rate and reaction time.

Key Words： image processing; feature extraction; multi-feature fusion;flame detection; fire warning

0 引言

火災是威脅公眾安全與社會發(fā)展的主要災害之一，2014年的火災發(fā)生率是10年前的兩倍多[1]。然而，目前廣泛采用的火災檢測設(shè)備是具備感溫、感煙功能等較為傳統(tǒng)的傳感器，且只有傳感器周圍溫度或煙霧濃度達到一定閾值才會觸發(fā)警報，反應(yīng)較慢[2]。此外，這類傳感器在室外或倉庫、體育場等空曠場所易受空間及氣流影響，檢測效果不佳。隨著視頻監(jiān)控在大街小巷普及，以及計算機性能與圖像處理技術(shù)的迅猛發(fā)展，采用視頻檢測火災的方法不僅檢測速度更快，而且不會受到溫度、氣流等環(huán)境因素干擾，還可以減少傳感設(shè)備鋪設(shè)的額外成本[3]。

已有的視頻火災檢測方法以分析火焰顏色分布及各種動靜態(tài)特征為主。如Chen等[4]設(shè)計一種基于RGB的火災顏色模型，并結(jié)合火災增長率和變化無序度對火災圖像進行分析檢測;Chou等 [5] 根據(jù)YCbCr火焰顏色模型以及紋理、無序度特征進行火焰檢測;Wang等[6]結(jié)合RGB與火焰圖像連續(xù)幀的相似性進行火焰判別;Lei等[7]則根據(jù)火焰中心位置變化特征進行火災判別;Li等[8]對光流法進行改進，以降低計算量;Wahyono等[9]設(shè)計了一種可同時對多個通道火焰進行檢測的系統(tǒng)。

盡管很多方法的火焰檢測準確率較高，但常忽略了煙霧檢測。煙霧作為火災早期特征以及陰燃火的主要特征，對于火災及時檢測與預警起著關(guān)鍵作用。除具有較好的準確率外，很多方法難以兼顧非火災情況下的誤報率以及火災檢測反應(yīng)時間。因此，本文設(shè)計一種可同時檢測火焰與煙霧的方法，并且為了提高該方法的可靠性以及縮短反應(yīng)時間，做了以下工作：

（1）火災發(fā)生前，煙霧往往早于火焰出現(xiàn)。為了更快地檢測到火情，本文在火焰檢測基礎(chǔ)上加入煙霧檢測，該方法同時也適用于對陰燃火情形下的火災檢測。

（2）對圖像進行中值濾波去除噪聲后，采用基于運動歷史圖的方法提取視頻中的移動區(qū)域，以去除圖像中大部分無用像素，提升檢測速度。

（3）通過改進現(xiàn)有RBG顏色模型，分離亮度和顏色信息，在更多顏色空間及分量上對像素進行篩選，以提升像素篩選精確度，最后經(jīng)形態(tài)學閉運算去除噪聲后得到疑似火災區(qū)域。

（4）選擇抗干擾能力強的特征，并對提取這些特征的計算方法進行設(shè)計。

（5）通過支持向量機判斷圖像中是否存在火焰，同時將各煙霧特征與閾值比較結(jié)果輸入可調(diào)節(jié)煙霧檢測靈敏度的邏輯運算器，判斷圖像中是否存在煙霧，最后結(jié)合兩者檢測結(jié)果決定是否進行火災預警。

基于多特征融合的視頻火災檢測方法檢測流程如圖1所示。

1 疑似火災區(qū)域提取

獲取視頻圖像序列后，首先要提取出疑似火災區(qū)域，通過該步驟可達到提升圖像質(zhì)量、減少計算量、初步確定火災范圍的目的。

1.1 去噪預處理

受光線強度、光線變化、鏡頭參數(shù)及其它隨機噪聲的影響，導致攝像頭采集的圖像質(zhì)量降低。因此，在獲取圖像序列后，先對圖像進行去噪預處理，可以減少干擾、保留有用信息，更有利于圖像識別。本文采用的中值濾波[12]可以很好地消除椒鹽噪聲，并保留圖像邊緣信息，具體過程為：遍歷并計算初始圖像每個像素點的灰度值，然后計算每個像素點3×3鄰域內(nèi)灰度值的中值，以替代該像素原灰度值。

1.2 移動區(qū)域提取

改善視頻圖像質(zhì)量后，需要排除掉絕大部分無用像素，以減少計算量、提升檢測速度。火焰和煙霧受氣流影響，會一直處于運動狀態(tài)，所以可以只提取出圖像中發(fā)生變化的像素進行計算。其中，高斯混合模型（GMM）[13]被廣泛應(yīng)用于移動區(qū)域提取，而BRADSKI等[14]提出一種基于時限運動歷史圖的方法，可以簡便、快速地提取出運動區(qū)域。CHI等[15]在文獻[14]基礎(chǔ)上，結(jié)合對輪廓變化更加敏感的二值梯度圖作為歷史模板，并驗證了其提取效果優(yōu)于GMM，該方法主要計算過程如下：

（1）計算二值梯度圖BGI（x，y），計算方法如式（1）所示。

其中，BGIx（x，y）、BGIy（x，y）分別是對x軸與y軸方向梯度圖進行二值化處理后的圖像，而梯度圖由相應(yīng)灰度圖計算而來。

（2）計算梯度運動歷史圖GMHI（x，y），其可以記錄每個像素的運動歷史信息，具體方法如式（2）所示。

這里的t是當前時間，用幀表示，且只記錄最近T幀內(nèi)像素運動歷史信息。

（3）計算有效運動圖EMI（x，y），如式（3）所示。

其中，MAX（x，y）、MIN（x，y）分別是梯度運動歷史圖中像素點（x，y） m×m領(lǐng)域的最大和最小GMHI值，min、max為預先設(shè)置好的常量。當MAX（x，y）和MIN（x，y）的差值在min與max之間時，表示像素點（x，y）為運動的像素，否則為靜止的像素。因此，有效運動圖記錄了視頻中的移動區(qū)域。

1.3 火災顏色模型篩選

顏色是火災最重要的特征之一，在提取出的移動區(qū)域內(nèi)對像素進行火災顏色篩選，可排除絕大多數(shù)干擾，如行人等處于運動狀態(tài)但顏色不符的目標，以進一步縮小計算區(qū)域。這里分別對火焰和煙霧建立顏色模型，完成對各像素的篩選。

1.3.1 RGB-HSV-YCbCr火焰顏色模型

CHEN等[4]根據(jù)該特征建立基于RGB顏色空間的顏色模型對火焰顏色特征進行描述，但是RGB顏色空間中各通道相關(guān)性很強，不利于進行實驗分析與研究[16]，且顏色提取易受光強影響[17]，而YCbCr[18]可將顏色信息與亮度信息解耦。因此，本文在RGB與HSV顏色空間基礎(chǔ)上，結(jié)合YCbCr顏色空間為火焰建立更加可靠的顏色模型，模型中具體規(guī)則定義如下：

規(guī)則1：R（x，y） > RT

規(guī)則2：R（x，y） ≥ G（x，y） > B（x，y）

規(guī)則3：S（x，y） ≥ （255-R（x，y））*ST/RT

規(guī)則4：H1 < H（x，y） < H2， S1 < S（x，y） < S2，

V1 < V（x，y） < V2

規(guī)則5：Y（x，y） ≥ Cr（x，y） ≥ Cb（x，y）

規(guī)則6：Y（x，y） > Ymean， Cb（x，y） < Cbmean，

Cr（x，y） > Crmean

規(guī)則7：Cr（x，y）-Cb（x，y） ≥ λ

火焰早期溫度較低，顏色主要集中在紅、橙、黃三色區(qū)間分布，且紅色為主要分量，因此有規(guī)則1-規(guī)則3，而該特征在YCbCr顏色空間中體現(xiàn)為規(guī)則5-規(guī)則7。規(guī)則4則由實驗中火焰在HSV各分量上的分布特點得來。規(guī)則中，R（x，y）、G（x，y）、B（x，y）分別表示像素點（x，y）在RGB空間中的紅色、綠色、藍色分量，RT為紅色分量的閾值，H（x，y）、S（x，y）、V（x，y） 分別為像素點（x，y）在HSV顏色空間的色調(diào)、飽和度、亮度3個分量，ST表示當紅色分量為RT時對應(yīng)于HSV空間中飽和度的值。H1、H2、S1、S2、V1、V2是分別為色調(diào)、飽和度、亮度預先設(shè)置的閾值，Y（x，y）、Cb（x，y）、Cr（x，y）分別為像素點（x，y）在YCbCr空間中的亮度、紅色分量與藍色分量，λ為Cr（x，y）、Cb（x，y）兩個分量差值的非負閾值，Ymean、Cbmean、Crmean分別為當前圖像中所有像素在Y、Cb、Cr 3個分量上的均值。只有當像素同時滿足上述7個規(guī)則，該像素才會被認為符合火焰顏色特征。

1.3.2 RGB-HSV煙霧顏色模型

煙霧是早期火災及陰燃火的主要標志，常表現(xiàn)為灰色，因此RGB顏色空間中的R、G、B 3個分量值大致相等，亮度也在一定范圍內(nèi)。根據(jù)該特征，基于RGB與HSI顏色空間建立煙霧顏色模型，具體規(guī)則包括：

規(guī)則1：|R（x，y）-G（x，y）| ≤ δ1

規(guī)則2：|R（x，y）-B（x，y）| ≤ δ2

規(guī)則3：|G（x，y）-B（x，y）| ≤ δ3

規(guī)則4：L1 ≤ I（x，y） ≤ L2

其中，δ1、δ2、δ3為像素（x，y）在R、G、B 3個分量間絕對差值的閾值，I（x，y）為像素（x，y）在HSI中的亮度分量，L1、L2分別為煙霧像素在亮度變化上的上下限常量。

1.3.3 形態(tài)學處理

在經(jīng)過顏色模型篩選后的二值化圖像中存在許多噪點或其它一些干擾因素，因此需要對其進行形態(tài)學處理，以達到消除圖像中的噪聲與陰影、增強被提取特征的效果。本文采用先膨脹、再腐蝕的閉運算，可將小孔與小縫填平，得到平滑、較連續(xù)的疑似火災區(qū)域，包括疑似火焰區(qū)域和疑似煙霧區(qū)域。

2 火災特征提取分析

提取到疑似火災區(qū)域后，仍有可能存在一部分非火災干擾因素，如橘紅色的行車尾燈。因此，需要選擇抗干擾能力強的火災特征進行特征提取上的計算設(shè)計，通過提取出更多火焰和煙霧特征作進一步融合判斷，以提升火災檢測方法的可靠性。

2.1 火焰特征

2.1.1 邊緣復雜度

火焰邊緣各不相同且變化劇烈，其邊緣復雜程度與其它干擾物體有明顯不同，可作為一個區(qū)分其它物體的特征，定義如式（4）所示。

其中，E是當前幀疑似火焰區(qū)域平均邊緣復雜度，E越大表示邊緣復雜度越高;Pj是該幀第j個連續(xù)的疑似火焰區(qū)域相應(yīng)周長;Aj是該區(qū)域面積;k是該幀圖像中連續(xù)疑似火焰區(qū)域個數(shù)。其中，本文涉及到的周長與面積計算均用像素量表示。

2.1.2 隨機度

火焰從一幀變化到另一幀會保持一定隨機性，因此從統(tǒng)計連續(xù)兩幀間差值的角度表示該特征，計算方法如式（5）所示。

其中，At、At-1分別表示第t幀和t-1幀的候選區(qū)域面積，△A為連續(xù)兩幀候選區(qū)域的絕對面積差。

2.1.3 相似度

火焰在較短時間間隔內(nèi)會表現(xiàn)出一定相似性，相鄰兩幀間的火焰區(qū)域會在一定空間范圍內(nèi)變化，這是與其它移動光源或擁有相似顏色干擾物的不同之處，描述方法如式（6）所示。

其中，F(xiàn)t、Ft-1分別表示第t幀和t-1幀的疑似火焰區(qū)域，F(xiàn)t∩Ft-1為計算相鄰兩幀中疑似火焰區(qū)域的重合區(qū)域面積，F(xiàn)t∪Ft-1為計算相鄰兩幀中疑似火焰區(qū)域取并集后的區(qū)域面積。

2.1.4 抖動頻率

抖動頻率是火焰特征中可靠性高、抗干擾能力強、易描述的特征。抖動頻率檢測主要思路是統(tǒng)計一定周期內(nèi)相鄰兩幀的幀差結(jié)果，抖動頻率計算方法如式（7）、式（8）所示。

其中，T 是統(tǒng)計周期，Di（t）為第t幀疑似火焰區(qū)域中第i個像素的值，N為疑似火焰區(qū)域內(nèi)的像素量，pi為區(qū)域內(nèi)第i個像素在T幀內(nèi)像素值的累積差，p為抖動頻率。

2.2 煙霧特征

2.2.1 面積增長分析

煙霧出現(xiàn)后會不斷增多，因此煙霧區(qū)域的像素量會表現(xiàn)出增長的特性，計算方法如式（8）所示。

其中，T 是統(tǒng)計周期，St、St-1為第t幀與第t-1幀的疑似煙霧區(qū)域面積，g為平均增長率。只有當g在規(guī)定范圍gt內(nèi)，該特征分析輸出才為真，否則為假。

2.2.2 圓形度分析

圓形度描述了物體形狀復雜程度，當物體為圓形時，其圓形度最低，且值為1。物體形狀越復雜，其圓形度越大。圓形度計算公式如式（10）所示。

其中，Lt為第t幀中疑似煙霧區(qū)域周長，St為第t幀中疑似煙霧區(qū)域面積，只有圓形度c在設(shè)置范圍ct內(nèi)，該特征分析結(jié)果輸出才為真，否則為假。

2.2.3 位移度分析

煙霧出現(xiàn)后，其主體同樣會在一定空間范圍內(nèi)，兩幀間面積重合度較高。對于同一疑似目標區(qū)域在相鄰幀間的面積重合程度，如式（11）所示。

S（t，j）、S（t-1，j）分別表示第t與t-1幀中第j個連續(xù)的疑似煙霧區(qū)域面積，Sm表示包含這兩幀中第j個連續(xù)疑似煙霧區(qū)域的最小外接矩形面積。當d大于閾值dt時，該特征分析輸出為真。

3 火災判別

獲取火災特征后，將進一步判別疑似火災區(qū)域是否含有火焰或煙霧。當圖像中含有火焰或煙霧時，則判定視頻現(xiàn)場含有火情，并進行火災預警。

3.1 基于支持向量機的火焰判別

支持向量機[19]以系統(tǒng)結(jié)構(gòu)風險最小化為優(yōu)化目標，利用懲罰系數(shù)平衡模型的學習能力和推廣能力，將回歸問題轉(zhuǎn)化為二次規(guī)劃問題的分類模型。其克服了局部最優(yōu)的弊端，比其它分類器及神經(jīng)網(wǎng)絡(luò)檢測速度更快，而且在小樣本訓練集上能得到更好的檢測效果，泛化能力優(yōu)秀。因此，本文采用支持向量機對火焰圖像進行分類，并選擇徑向基（RBF）核函數(shù)[19]進行實現(xiàn)。

實現(xiàn)火焰判別具體步驟如下：①將提取到的特征組成特征向量并歸一化，即將特征值從較大范圍映射到[-1，1]，制作成訓練集和測試集;②利用一部分訓練樣本，采用網(wǎng)格搜索法和k折交叉驗證法[20]進行參數(shù)尋優(yōu)，在懲罰系數(shù)C∈[2-5，210]、核函數(shù)參數(shù)γ∈[2-10，25]范圍內(nèi)按步長1進行搜索，找到最好的支持向量機懲罰系數(shù)C及核函數(shù)參數(shù)γ;③通過獲取的C和γ，用訓練集進行訓練，建立支持向量機分類識別模型;④用測試集對該模型進行測試，獲取該分類模型的火焰分類結(jié)果。

3.2 基于閾值與可調(diào)靈敏度的煙霧判別

根據(jù)固定閾值判斷一個特征是否符合火災，往往不能廣泛適用于各場景變化，通過引入可調(diào)的特征判別靈敏度，以改善場景適用性問題。

將煙霧平均增長率、圓形度、位移度分別與其設(shè)定的閾值比較后得出的真假結(jié)果輸入邏輯運算器，從而判定圖像中是否含有煙霧。邏輯運算器可以靈活選用與、或、非等邏輯運算組合方式對3個結(jié)果進行組合計算。根據(jù)不同檢測場景，則采用不同運算組合調(diào)節(jié)煙霧檢測的靈敏度，增強算法泛化能力。例如：對于石化倉儲等高度敏感區(qū)域，可以使用或門，疑似煙霧區(qū)域有一個特征滿足條件即判斷含有煙霧;對于一般生產(chǎn)與生活區(qū)域，則需要至少任意兩個特征滿足，才判定圖像中含有煙霧;對于非敏感場所，可用與門對3個特征分析輸出結(jié)果進行邏輯運算，必須同時滿足3個特征條件才判斷含有煙霧。

4 實驗結(jié)果

4.1 實驗環(huán)境與參數(shù)

在配置為Win7操作系統(tǒng)、英特爾i5 CPU、4GB RAM的計算機上搭建實驗環(huán)境。在利用C++編程實現(xiàn)檢測方法的過程中采用了OpenCV2.4.11視覺庫、LIBSVM軟件包和gnuplot軟件。實驗所用視頻來自Bilkent大學火災視頻庫、NIST等[18]，其中包括訓練視頻36個，測試視頻18個，測試視頻中火災視頻與非火災視頻比例為5∶1。

通過對多個火災視頻進行實驗，確定了移動區(qū)域提取的參數(shù)n、min、max分別為10、0、10。然后通過分析視頻中火災區(qū)域在顏色模型中的各個分量以及煙霧各特征值分布情況，確定各特征參數(shù)數(shù)值如表1所示。最后，通過對支持向量機中的參數(shù)進行尋優(yōu)，確定了最佳懲罰系數(shù)C為0.5，以及核函數(shù)參數(shù)γ為0.008。

實驗中使用算法1[21]、算法2[22]與本文方法進行對比，其中本文方法在檢測各階段處理結(jié)果示例如圖2所示。圖2（a）是測試視頻中第一幀的原圖，圖2（b）和圖2（c）為二值化后的圖，其中，圖2 （b）中白色區(qū)域為移動區(qū)域，黑色為背景區(qū)域，而圖2 （c）中白色區(qū)域為提取出的疑似火災區(qū)域。最后，圖2（d）為該視頻被檢測出含有火焰，并用矩形框標定出火災區(qū)域。

4.2 評估指標

本實驗從可靠性和反應(yīng)時間兩方面評估火災檢測方法的性能，其中可靠性包括火災視頻檢測準確率與非火災視頻檢測誤報率，計算方法分別如式（13）、式（14）所示。

[準確率=檢測正確的幀數(shù)火災視頻總幀數(shù)×100% ] （12）

[誤報率=錯檢為火災的幀數(shù)非火災視頻總幀數(shù)×100% ] （13）

視頻火災檢測不僅需要很高的可靠性，檢測速度也很重要，檢測方法的火情反應(yīng)時間對火災預警起著關(guān)鍵作用。實驗中用各方法初次檢測出火災第一幀位置的速度表示檢測快慢，第一幀數(shù)值越小，說明檢測反應(yīng)時間越短。

（1）準確率。分別對編號為video1～5、video9、video10共7個火災視頻進行檢測，統(tǒng)計得到的準確率結(jié)果如表2所示。其中，由于video9和video10為陰燃火類型火災，即視頻中只有煙霧，而算法1只能識別火焰，所以未能檢測到火災存在。

（2）誤報率。利用算法1、算法2和本文方法對編號為video6～8共3個非火災視頻進行誤報率檢測，結(jié)果如表3所示，可見本文方法誤報率最低，且該數(shù)值均為零。

（3）反應(yīng)時間。實驗統(tǒng)計了本文方法針對火災視頻video9～18檢測出火災的第一幀位置，然后與視頻中火災出現(xiàn)的實際第一幀位置進行比對，并與在可靠性上表現(xiàn)較好的算法2進行比較。具體結(jié)果如表4所示。

實驗結(jié)果顯示，在可靠性方面，本文方法比算法1和算法2平均表現(xiàn)更好;在反應(yīng)時間方面，本文方法也比算法2總體花費時間更短，兼顧了檢測的可靠性與反應(yīng)時間。算法1使用較為傳統(tǒng)的模式識別方法，且只對火焰目標進行檢測，因此表現(xiàn)稍差，而算法2雖然能同時識別火焰和煙霧，但火焰和煙霧顏色模型只使用了易受干擾的RGB模型，在特征判別中使用的固定閾值判斷方法在普適性上較差。本文方法不僅采用了較為健全的圖像處理手段，對顏色模型、特征設(shè)計以及火災融合判斷方面也進行了相應(yīng)改進，獲得了更好的檢測效果。

5 結(jié)語

為了實現(xiàn)火災檢測，本文通過改進顏色模型以及移動區(qū)域提取與判別機制，在火焰檢測基礎(chǔ)上整合煙霧檢測，對視頻火災檢測準確率、誤報率及反應(yīng)時間方面進行了優(yōu)化。但考慮到火災自身以及環(huán)境的復雜性，在以后研究中將加入更多有效火災特征，同時將火焰和煙霧特征均作為支持向量機輸入，將兩類分類器改進為多類分類器，以進一步細分火災類型。為了達到更好的火災檢測及預警效果，也可考慮結(jié)合煙霧、溫度等類型傳感器，將其部署在因遮擋造成的視頻采集盲區(qū)，以提升整個監(jiān)控區(qū)域的火災預警可靠性與及時性。

參考文獻：

[1] IACOVO A D，VENETTACCI C，COLACE L，et al. PbS colloidal quantum dot visible-blind photodetector for early indoor fire detection[J].? IEEE Sensors Journal， 2017， 17（14）： 4454-4459.

[2] ZHOU X，YU F，WEN Y，et al. Early fire detection based on flame contours in video[J].? Information Technology Journal，2010，9（5）： 899-908.

[3] SEEBAMRUNGSAT J， PRAISING S， RIYAMONGKOL P. Fire detection in the buildings using image processing[C].? The Third ICT International Student Project Conference （ICT-ISPC），2014： 95-98.

[4] CHEN T， WU P， CHIOU Y. An early fire-detection method based on image processing[C].? International Conference on Image Processing， 2004： 1707-1710.

[5] CHOU K， PRASAD M， GUPTA D， et al. Block-based feature extraction model for early fire detection[C]. IEEE Symposium Series on Computational Intelligence， 2017： 1-8.

[6] WANG T， SHI L， YUAN P， et al. A new fire detection method based on flame color dispersion and similarity in consecutive frames[C].? 2017 Chinese Automation Congress， 2017： 151-156.

[7] LEI S， FANGFEI S， TENG W，et al. A new fire detection method based on the centroid variety of consecutive frames[C].? The 2nd? International Conference on Image， Vision and Computing （ICIVC）， 2017： 437-442.

[8] LI K， YANG Y. Fire detection algorithm based on CLG-TV optical flow model[C].? The 2nd IEEE International Conference on Computer and Communications，? 2016： 1381-1385.

[9] WAHYONO W， FILONENKO A， JO K. Designing interface and integration framework for multi-channels intelligent surveillance system[C]. The 9th International Conference on Human System Interactions， 2016： 311-315.

[10] FILONENKO A， HERNANDEZ D C， JO K. Smoke detection for static cameras[C].? International Conference on Frontiers of Computer Vision， 2015： 1-4.

[11] FILONENKO A， JO K. Visual surveillance with sensor network for accident detection[C]. 39th Annual Conference of the IEEE Industrial Electronics Society， 2013： 5516-5521.

[12] GUNAY O， TASDEMIR K， TOREYIN B U， et al. Fire detection in video using LMS based active learning[J].? Fire Technology， 2010， 46（3）： 551-577.

[13] STAUFFER C， GRIMSON W E L. Learning patterns of activity using real-time tracking[J].? IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）：? 747-757.

[14] BRADSKI G R， DAVIS J W. Motion segmentation and pose recognition with motion history gradients[J].? Machine Vision and Applications，200，？13（3）：238-244

[15] CHI R， LU Z， JI Q. Real-time multi-feature based fire flame detection in video[J].? IET Image Processing， 2017， 11（1）： 31-37.

[16] REINHARD E， ADHIKHMIN M， GOOCH B， et al. Color transfer between images[J].? IEEE Computer Graphics and Applications， 2002， 21（5）： 34-41.

[17] CELIK T， DEMIREL H. Fire detection in video sequences using a generic color model[J].? Fire Safety Journal，2009，44（2）：147-158.

[18] PHUNG S L， BOUZERDOUM A， CHAI D. A novel skin color model in YCBCR color space and its application to human face detection[C]. International Conference on Image Processing，2002： 289-292.

[19] YUANBIN W. Smoke recognition based on machine vision[C].? ? ? Xian International Symposium on Computer， Consumer and Control，2016.

[20] ZHANG Y， CHEN S， WAN Y. An intelligent algorithm based on grid searching and cross validation and its application in population analysis[C].? International Conference on Computational Intelligence and Natural Computing， 2009.

[21] XUAN TRUONG T， KIM J. Fire flame detection in video sequences using multi-stage pattern recognition techniques[J]. Engineering Applications of Artificial Intelligence， 2012， 25（7）： 1365-1372.

[22] QURESHI W S， EKPANYAPONG M， DAILEY M N， et al. Quickblaze： early fire detection using a combined video processing approach[J].? Fire Technology， 2016， 52（5）： 1293-1317.

（責任編輯：黃 健）