基于图像的火焰识别

基于图像的火焰识别摘要：图像型火灾探测技术是以机器视觉为基础的新型火灾探测技术，它不会受到空间大小、环境恶劣等复杂因素的影响。本文的目的是通过在视频图像中提取信息来判断火灾的发生，这项研究在现实生活中有着很大的实际意义。本文主要通过针对复杂环境下采集到的火灾图像信息，对图像进行分析，采用中值滤波和图像锐化对图像进行预处理，消除掉火灾图像中参杂的噪声。之后采用一种两层组合的图像分割算法对图像进行分割，得到火焰的疑似区域。并在此基础上，对疑似区域的火焰特征进行分析，提取出火焰的面积变化值、圆形度及闪烁频率等特征，为之后的识别做准备。最后运用模糊神经网络建立火灾识别模型，将提取出的火焰特征作为输入量对火灾图像进行分类识别。仿真结果表明，该算法对不同场景的火灾识别具有较高的准确率。关键词:火焰图像;图像分割;特征提取;特征融合;模糊神经网络FlamerecognitionbasedonimageAbstract:Theimage-typefiredetectiontechnologyisanewdetectionmethod,whichbasedonthemachinevision.Itwillnotbesubjecttothecomplexfactorsofthespacesizeorthebadenvironments.Collectthefireimageinformationundercomplexenvironment.Analyzingtheimage,andusingthemedianfilteringandimagesharpeningtotheimagepre-processing,eliminatingthenoisemixesintheimageoffire.Withthetwo-tiercombinationofimagesegmentationalgorithmtosegmentationtheimage,inordertogetthesuspectedareaoftheflame.Onthisbasis,analysistheflamecharacteristicsofthesuspectedregion,toextracttheflameareachangevalues,round,andtheflickerfrequencycharacteristicsforIdentificationinpreparation.Finally,usingthefuzzyneuralnetworktoestablishthemodeloffiredetection,Flamecharacteristicswillbeextractedastheinput,inordertoclassificationofthefireimage.Thesimulationresultsshowthatthealgorithmondifferentscenariosoffiredetectionwithhighaccuracy.Keywords:flameimage;imagesegmentation;featureextraction;featurefusion;fuzzyneuralnetwork.1、基于视频图像的火焰识别问题1.1、如何进行火焰图像的预处理和分割？在实际环境中摄像头所处的位置是非常复杂的，一般采集到的图像都会受到天气、光线的变化、阴影、灯光以及随机噪声的影响，而使得图像质量降低监测难度加大。若要能够准确的提取火焰特征就先要对采集到的图像进行预处理，滤除掉图像中参杂的噪声并且利用分割技术找出图像中的火焰目标区域，然后根据目标区域中的火焰特征进行实时的火焰目标识别。这对于基于机器视觉的视频火焰探测技术，是十分重要的。通常大部分情况下采集到的图像都会因为光线太暗、曝光、不足以及噪声太多等缺陷显得不是很完美，影响到火焰的识别。因为无论从客观环境影响或是主观人为因素影响等，我们采集到的图像质量往往没有人们想象的那么满意。例如，因为轮廓过于鲜明使得图像中的物体显得不协调，并且依照被检测物的形状、大小的要求，采集到的图像边缘处产生模糊，而且图像中出现一些不知来源的黑点或白点，更为严重的会出现图像出现失真或者变形等。综上所述，当监测火灾的过程中，检测结果会受到很多复杂环境的影响，所以我们要对火焰图像进行一系列的预处理，使得图像能够更用以提取特征，从而分辨出火灾情况。1.2，怎样提取火焰图像的特征提取？在火灾检测系统中，火灾图像中火焰的特征提取的正确与否，对随后的火灾判断起着决定性作用，是重要的组成部分。对检测目标进行火焰的特征提取，它是对火焰识别的重要前提。主要是对火灾图像进行预处理和分割后，通过在火焰目标区域对火焰特征进行提取，进而以某种规则将提取出的特征进行结合，为火灾判断做好准备。1.3，怎样进行火灾火焰的识别？为了对一事物进行综合评估进而进行判断，需以一定的方法将从计算机获得的直观信息进行综合分析，这种处理信息的技术就是数据融合。而多特征融合就是将同一种事物从不同方面进行信息提取，利用计算机将这些信息以一定的准则进行综合分析，进而准确认识这一事物，多个信息的综合分析比单个信息的独自分析更能全面的了解判断同一事物对采集到的火灾图像进行预处理，并提取火焰图像的静态和动态特征进行分析，将提取出的特征进行融合处理，判断其是否发生火灾。一个较好的火灾识别系统若能够对火灾现场实时监测，必须具备较强的抗干扰能力、较快的反应与检测速度、较准确的识别结果，具有较高的智能化。在本论文中，在对火灾图像进行预处理、分割及特征提取后，设计了一种适合大空间及恶劣环境下的基于多特征融合的火灾火焰识别算法，并在实验中得到实现。2、基于视频图像的火焰识别的实现2.1、火焰图像预处理对火焰图像的预处理主要包括对图像的去噪和锐化从而使图像变得平滑清晰。2.1.1、对火焰图像进行去噪处理因为在采集到的图片中参杂着如灯光、太阳光等一些干扰物，或者因为在恶劣环境下摄像头的角度或是灰尘浓度高等使得图片不清晰，因此获取的火灾图像或多或少的会引入多种噪声，而这些噪声对后面的图像分割和特征提取有很大的影响，进而使得火灾不能得到正确判断。因此，火灾图像的去噪处理是火灾图像预处理的一项重要任务。中值滤波(Medianfiltering)是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术。中值的定义如下：y=Med{𝑥1,𝑥2,𝑥3…..𝑥𝑛}={𝑥𝑖(𝑛+12)𝑛是奇数12[𝑥𝑖(𝑛2)+𝑥𝑖(𝑛2+1)]𝑛是偶数Y称为序列x的中值。所谓窗口，就是一个点的特定长度或形状的邻域，当滤波器是一维时，移动窗口的长度一般都是奇数，在每个时刻内对窗口内的所有观测值按照其数值大小来进行排列，而中值滤波器的输出值就是中间位置的观测值。在二维中值滤波器中，可以利用某种形式的二维窗口，数字图像各点的灰度值设为{𝑥𝑖,𝑗(𝑖,𝑗)∈𝐼2},w为滤波窗口，则定义二维中值滤波为:𝑦𝑖,𝑗=𝑀𝑒𝑑{𝑥(𝑖+𝑎),(𝑗+𝑏)(𝑎,𝑏)∈𝐴,(𝑖,𝑗)∈𝐼2中值滤波去噪的处理方法主要是找出窗口中各个点的中值，然后对窗口的中心值进行修改，替换为个点的中值，这样图像就会变得平滑，从而对图像完成去噪。邻域像素点的中间值与周围像素灰度值差别较大的像素值，即极限像素值的敏感度不是很强，相对于均值滤波的敏感度小，这样一些孤立的噪声点就可以被消除。一般二维中值滤波器的窗口有:方形、线形、圆形、十字形棱形等等，而若选择不同的滤波窗口就会有不同的滤波效果。不过已经有实验证明，一维中值滤波器没有二维中值滤波器抑制噪声的效果好。因为当滤波窗口采为方形时，图像中特定区域的形状不会受到影响，所以在本节中采用方形窗口的中值滤波方法。通常来说，若是选择了过大的窗口，虽然很好的抑制了噪声，但由于有较强的平均化处理，处理结果明显出现图像边缘模糊、细节不明显的情况。本文对中值滤波分别采用3x3和5x5模板进行火灾图像滤波处理，实验结果可以看出，窗口越大，边缘细节越模糊。2.1.2、图像锐化处理火灾图像经过中值滤波处理后会使图像的轮廓模糊、边界不明显，而图像的轮廓在后续的特征提取中非常重要，而通过对图像进行锐化处理，可以将图像的边缘变得清晰。从频谱的角度来看，图像的边缘和轮廓具有灰度突变的特征，对应着高频分量，因此图像锐化滤波器可以使用高通滤波器，使高频分量顺利通过，提升火灾图像的边缘质量，使火焰区域边缘线条变得清晰。频率域内常用的高通滤波器有四种[[21]，即理想高通滤波器、巴特沃斯高通滤波器、指数高通滤波器和梯形高通滤波器。本章采用指数高通滤波器(exponentialhighpassfilter,EHPF)来实现。指数高通滤波器的传递函数为：H(u,v)=𝑒−[𝐷0𝐼𝐷(𝑢,𝑣)]𝑛式中:n决定指数函数的衰减率。根据以上分析的图像预处理和分割算法进行实验，下面是对同一火灾火焰图像分别进行预处理和分割后的实验结果，如图所示:实验结果表明，原图经过中值滤波处理后，噪声受到很好的抑制图像轮廓得到很大的改善，边缘变的清晰。经过图像的中值滤波及锐化处理后，火灾图像的边缘变得清晰，为下来的图像分割做好准备。2.1.3、火焰图像分割差分法也称为差影图法，它的主要原理是在采集到的视频图像中，首先选取一帧静止图像作为背景帧图像，因此在判断图像中是否含有火灾图像，就可以利用当前帧的像素减去之前所选的背景帧图像的像素，此方法是一种常用于检测运动物体和图像变化区域的处理方法。设定阈值T，当相减后的图像中某一像素的差值大于阈值T时，就认为该像素是前景像素(运动目标)，小于T时认为是背景像素。首先从监控视频中按一定的采样速率抽取帧图像。设帧图像序列为𝑀𝑖(𝑥,𝑦)。的取值1~m,m为连续序列图像的帧数，(x,y)为图像中各像素的坐标。选取一帧无火图像作为基准图像，对于图像序列的当前帧有：∆𝑀𝑖(𝑥,𝑦)=𝑀𝑖(𝑥,𝑦)−𝑀0(𝑥,𝑦)式中𝑀𝑖(𝑥,𝑦)为当前需处理帧，𝑀0(𝑥,𝑦)为基准帧。经过差分运算后得到的就是背景相对简单的差值图像，其中包含有位置相对变化的火焰疑似区域。然后设定闽值进行闽值分割，得到二值图像。下面是对不同场景数幅火灾图片进行阈值分割实验。原图像分割后的图像在实际的火灾监测中，可能获取的图像未定义背景图像，这时可以将前后两帧相邻的图像进行差分，这样虽然会使两帧之间重叠的火焰区域滤除掉，但从整体来看绝大部分的火焰区域还是会保留下来，不会影响后续特征提取。2.2、火焰特征值的提取在火灾检测系统中，火灾图像中火焰的特征提取的正确与否，对随后的火灾判断起着决定性作用，是重要的组成部分。根据一般火灾发生的状况，一般都表现为火灾火焰是从无到有，并且持续不断变化发展。通过对火灾初期火焰图像的研究，其主要表现为以下几个特征:火焰面积增大、边缘抖动、形状不规则、位置基本稳定等等。本文主要提取的火焰特征值是火焰的面积变化、形状特性、频闪特性。2.2.1、火焰面积变化特征火灾火焰的面积变化包括面积正的增长和负的增长，无论是面积变大还是变小都属于火焰面积的增长。火焰在一定时间内的面积增长率可以根据当前帧的整体火焰像素数目和这段确定的时间后的另外一帧火焰图像的像素数目的差来计算，结果可作为下一步识别火灾火焰的依据。利用计算火焰区域的区域增长率来表达火灾火焰的面积增长率，而火焰区域增长率又可以用图像区域中的像素变化率来表示。设𝑌𝑖为第𝑡𝑖时刻目标区域的像素总值，则𝑌𝑖+1为第𝑡𝑖+1时刻的像素总值，在连续的视频中，时间的划分是以前后帧数来计算的，因此，第i帧的目标区域像素总值可设为𝑌𝑖，则第i+1帧的像素总值为𝑌𝑖+1，而令第i帧的区域面积为𝑆𝑖，第i+1帧区域面积为𝑆𝑖+1。因此，下式表示的是在连续视频帧中火焰的面积变化率:∆B=𝑑𝑌𝑑𝑖=𝑌𝑖+1−𝑌𝑖(𝑖+�