基于CCD摄像机的火灾图像自动识别技术研究

２０１１年３月第１期

森林防火

ＦＯＲＥＳＴＦＩＲＥＰＲＥＶＥＮＴｌＯＮ

Ｍａｒｃｈ２０”

ＮＯ．１

基于ＣＣＤ摄像机的火灾图像自动识别技术研究

崔媛媛，郑晖

（江西省华宇软件开发有限公司，南昌３３００２６）

摘要：介绍了森林防火视频监测系统的总体构成，分析了火灾自动识别的检测算法。根据火和烟的颜色、颜色

分布、圆形度、矩形度等特征，实现了火灾图像的自动识另ｑ、报警、定位等功能。经过实践检验，该系统的火灾图像自动识别算法的环境抗干扰能力强，识别率高，识别速度快，在火灾监测实际工程应用中有广泛的前景。

关键词：火灾图像；火灾识别；火灾定位；神经网络中图分类号：Ｓ７６２．３七

文献标识码：Ａ

全世界每年因为森林火灾造成的损失十分巨大，森林防火成为重要的研究课题。研究并建立一套采用先进技术手段的现代化森林防火系统，对于有效保护森林资源，改善生态环境有着重要意义。一个有效的火灾预防系统必须要解决两个问题：一是如何早期发现火情（起火点），并要准确定位。二是如何实现快速有效地调度指挥及时扑救。

森林防火视频监控系统是针对第一个问题进行研究的，它实现了对森林的实时监控，为森林火灾实时监测提供可靠的技术支持，以便及时发现火情并定位，为调度指挥提供依据。

省防火办地市防火办

僦控点

中譬勰卷红帆帐罂挚党政网内网中Ｊ啪频服务嚣

尉卜一册—喝蚝旃而

唧。罂瓣一匍磷霉匍一

视顿监控点

地市防火办中心视频服务器

图１森林防火视频监控系统

１

森林防火视频监控系统的组成

测森林范围广，一套设备难以实现整个区域的监

森林防火视频监控系统由前端视频监控点、

测功能，可在林区内安装多套监测设备。

网络传输是前端数字视频信号传输到森林防火指挥监控中心经由的通道，一般是２ＭＢ／Ｓ的专用网络，也可以经由ＩＰ网络传输到森林防火指挥

监控中心。

网络传输和各级防火指挥监控中心三大部分组成。图１是整个系统的组成框图。

前端视频监控点包括塔架、低照度全天候摄像机、可全方位控制的云台、视频服务器等设备。摄像机将采集到的视频信号传送到视频服务器，视频服务器将其转换为适合传输与处理的数字信号。通过调节摄像机的聚焦、变倍、光圈，以及对云台的左右旋转和上下俯仰控制，可以实现对森林不同区域的全方位、高清晰度的视频监测。如果监

收稿日期：２０１１—０２—２１

各级防火指挥监控中心包括县级、地市级及省级森林防火指挥监控中心。各级森林防火指挥监控中心实时监视各监控点的森林火灾情况，同时接收云台当前的状态参数，通过从视频监控设备实时采集的视频数据中抽取视频图像帧，并进

—．４（ｒ广

万方数据

第１期崔媛媛，等：基于ＣＣＤ摄像机的火灾图像自动识别技术研究２０１１年

行智能图像处理、林火识别软件的自动识别。如识别为火情，则系统标识出识别出的火焰，并发出声光报警提醒工作人员，同时将云台的参数信息传

送给ＧＩＳ系统，实现在三维地图上的火点定位。

系统主要功能包括视频图像采集、林火图像识别与报警、林火定位等功能。

（１）视频图像采集：系统通过网络向视频监控软件发送抓图命令，将视频监控设备传来的视频流换成指定的图像，以便进行火焰和烟的图像识别。

（２）林火图像识别与报警：这是林火识别系统检测火情的关键。根据火焰和烟的几何特征值，运

用数字图像处理方法和识别算法，判断是否有火

或有烟。这些几何特征主要有：颜色、颜色分布（颜色的一阶矩、二阶矩）、形状（周长、面积、圆形度、矩形度）、纹理特征等。

（３）林火定位：当监测到烟火后，系统锁定云台，将当前视频设备编号、云台参数等相关信息发

送给ＧＩＳ系统，实现三维定位。

２林火检测算法

系统的主要算法流程如图２所示。

图２林火识别系统的主要算法流程

万方数据

２．１

红黄色区域预判断

系统采用基于颜色的算法来检测图像的状态田。由于火的颜色一般呈现为红黄色，所以在火灾图像处理时先进行一次预判断。即判断该图像中是否有红黄色的区域，若没有红黄色的区域，就不再执行火焰处理的其他算法，直接转入下一步烟的识别中。这样就减少了做无用的图像处理，提高了识别效率。

２．２基于颜色的图像分割嘲

在对处理的图像进行红黄色区域预判断后，

如果有红黄色区域，则对原图像进行颜色分割，将

疑似火或烟提取出来，以便于下一步的特征提取。

原火灾图像是基于ＲＧＢ颜色空间的。ＧＲＢ颜色空间是一种针对硬件显示设备的空间模式，它的物理意义明确，但Ｒ、Ｇ、Ｂ各分量之间有很强的相关性，直接利用这些分量进行图像分割往往不能得到所需的效果。为了降低颜色空间中各特征量之间的相关性，使所选的特征空间更方便彩色图像的分割，实际中人们常将ＲＧＢ图像变换到其他的颜色空间中去。而比较接近人眼对颜色视觉感知的是ＨＬＳ（即色度、亮度、饱和度）空间模式，它具有突出的优势：光照明暗给物体颜色带来的直接影响就是亮度分量（￡），它和彩色信息无关；日和｜ｓ分量和人感受彩色的方式紧密相连，比较直观并符合人的视觉特性。因此采用此空间作为彩色图像分割的基础，会获得比较好的效果。

由ＲＧＢ到ＨＬＳ空间模式的转换关系用公式

（１）表示。

￡＝｝（ｎＧ柏）

舴一ｓ｛矗器裟鼢）

ｓ＝１一丽南丽［ｍｉｎ（Ｒ，Ｇ，Ｂ）］

本文采用基于ＨＬｓ空间模式的分割方法。多

次试验测得分割阈值如表１所示，其中Ｏ≤日≤

３６０，０≤５≤１００，Ｏ≤￡≤１００。满足阈值的是疑似火

—－４７—

或疑似烟。

第１期森林防火２０１１年

爱１疑似火或烟的分割阐僵

火的分割

烟的分割

Ｊ：ｆ１“６０１９０～２，吣工≥４０≥６０Ｓ

≥６０

≠０

其他

并Ｒ＞Ｇ蝴或扭一（Ｒ＋Ｇ）＞０

２．３各连通域的特征提取

对经过颜色分割后的图像进行各特征值的提取。

（１）颜色分布特征：颜色的一阶矩、二阶矩颜色矩是一种非常简单而有效的颜色特征，这种方法的数学基础在于图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此我们仅采用颜色的一阶矩（ｍｅ锄）、二阶矩（ｖ撕ａｎｃｅ）来表达图像的颜色分布。它们的定义为公式（２）和（３）。

舻号ｉ；只劬

（２）

厂——啊———————一

仉＝Ｖ专ｉ；（％彬

（３）：

式中，只ｉ一为彩色图像第ｉ个颜色通道中灰度为．ｊ的像素出现的概率；Ｎ为图像中的像素个数。

（２）圆形度

圆形度是用来表示物体边界复杂程度的。物体的形状越复杂，圆形度的值越大，圆形度的最小值为１，即圆形物体的圆形度。如相同面积的星形和圆形，星形的周长要比圆形的周长大，所以其圆形度也比圆形大。圆形度的公式为（４）。

舻者杀

（４）

式中：Ｌ是周长，为物体的边界长度，它可以通过遍历边界链码获得。垂直和水平的步幅为单位长度ｌ，对角步幅的长度为、／丁，按上述规则遍历边界链码，即可算出物体的周长。ｓ为面积，是通过统计所有疑似火焰或疑似烟的连通域的像素

点数获得的。

计算圆形度的具体步骤如下：

１）对颜色检测的结果采用操作数提取边界，—４Ｒ一

万方数据

提取边界链码，算出周长Ｌ。

２）计算图像中疑似火或烟的各连通域的面积，即计算颜色检测结果中每一个连通域中被置为目标像素点的像素总数Ｉｓ。

３）根据公式（４）计算圆形度。

（３）矩形度

矩形度用物体的面积Ａ，与其最小外接矩形

的面积Ａ。之比来表示翻，矩形度反映了物体对其最小外接矩形的充满程度。当物体为矩形时，矩形度最大，为ｌ。矩形度的公式表示为（５）。

Ｒ＝箸

（５）

／ｌ骨

从图像连通域每个像素点的一维坐标中比较，把得到相隔最远的两个点的距离确定为火焰区域的长轴，定义为外接最小矩形的长。根据长轴斜率遍历边界中的每一个像素点算出截距，得到最大截距和最小截距的两个边界点，算出这两点到长轴的距离之和，定义为火焰区域外接最小矩

形的宽。外接最小矩形的长与宽相乘，就得到最小外接矩形的面积。其中若长轴为垂直横坐标轴状态时，斜率要特殊考虑。

３测试结果与分析

采用三层ＢＰ神经网络【４作为火和烟识别的网络模型。将经过颜色分割后提取的火的特征值颜色的一阶矩、二阶矩、圆形度、矩形度作为火的输入向量，输入层为四个神经元、输出层为一个神经元、隐含结点个数为三，对输出做归一化，即输出的值在０—１之间。神经网络对输入数据进行分析

判断，识别出“有火”或“无火”。当输出端的值大于某个阈值（如０．８）时则判为“有火”，发出声光报警信号提醒工作人员，否则则转人烟的识别，烟的识别同样采用三层ＢＰ神经网络模型，识别方法与火

相似。

实验图像采集了不同地点、不同时刻、不同光照情况下，共１０００幅ｃＩＦ格式的林区图像，其中有火图像１００幅，有烟图像５０幅，识别结果如表

２所示。在Ｐｅｎｔｉｕｍ４处理器、２Ｇ内存的计算机上

第１期崔媛媛，等：基于ＣＣＤ摄像机的火灾图像自动识别技术研究２们１年

袭２实验结果

平均识别时间为３０ｍｓ／幅。从实验结果，我们可以看出，火的识别率为９５．２％，识别精度较高，基本能满足实际工程中的应用，而烟的识别率为８８％，识别精度低，仍需作进一步改进。

图３林火识别系统界面

图４

ＧＩＳ定位效果图

万方数据

图３给出了识别系统的主界面，当发生火情时在ＧＩＳ上的三维定位效果如图４所示。

４小结

火灾图像自动识别技术通过运用ＨＳＬ空间

的颜色分割，成功地将图像中疑似火焰或烟的区域提取出来，再通过几何特征将火焰或烟的类似物区别开来，提高了对林区火灾图像的判断精度，经济实用，在火灾监测实际工程应用中有广泛的

前景。

由于受实际条件的限制，摄像机随着云台不停转动，使得获取的图像背景是不断变化的，所以本文只对图像的静态特征进行了提取和识别，如果能将火焰的静态特征和动态特征有机地结合在一起，将可以进一步提高火灾图像的识别精度。

参考文献

【１】闫厚，倪金生．基于网络摄像机的森林火灾烟火自动

识别技术探讨叨．森林防火，２００７，（２）：２５—２８．

【２】李杰．基于数字图像处理的森林火灾识别方法研究【Ｄ】．

北京：北京林业大学，２００９．

【３】王柯，方陆明，付望萍．森林火灾图像几何特征提取识

别的算法研究［Ｊ】．浙江林业科技，２００９＇２９（６）：３８～４１．【４】余荣华．森林火灾图像自动识别系统的研究与实现【Ｄ】．

江西：南昌大学，２００８．

（责任编辑：韩焕金）