摘  要： 針對目前火災探測方面的不足,，提出了基于支持向量機的火災探測技術?；贖SI顏色模型提取出火災火焰疑似區(qū)域,，在圖像處理技術基礎上獲得早期火災火焰的五個主要特征，采用支持向量機技術進行火災識別,。Matlab仿真實驗證明,，基于支持向量機的火災探測技術識別率高，克服了神經(jīng)網(wǎng)絡過學習,、容易陷入局部極小點等不足,。該技術的研究在火災探測領域具有重要的理論意義和實用價值。
關鍵詞： 圖像分割,；支持向量機,；特征提取；火災識別

    火災帶給人類的損失是巨大的,，若能在火災發(fā)生初期就進行識別報警,，則可以極大地降低損失。傳統(tǒng)的感溫感煙式火災探測技術容易受環(huán)境因素（如空間高度和廣度,、空氣流速,、粉塵、濕度等）的影響,，誤報率高,。而圖像型火災探測具有非接觸式探測的特點，成為近年來火災探測技術新的研究領域?，F(xiàn)有的圖像型火災探測技術[1]大多基于模糊神經(jīng)網(wǎng)路,、BP神經(jīng)網(wǎng)絡等算法。由于神經(jīng)網(wǎng)路算法存在過學習,、收斂速度慢且易陷入局部極小點等缺陷,，降低了火災探測的靈敏度與穩(wěn)定性。而支持向量機SVM[2]（Support Vector Machine）采用結構風險最小化原理兼顧訓練誤差和泛化能力,，能較好地解決小樣本,、非線性、高維數(shù)和局部極小點等實際問題,，成為機器學習領域的一個研究熱點,，并在字符識別、圖像分類、遙感圖像分析等領域得到了成功的應用,。
    本文在數(shù)字圖像處理基礎上,，將SVM應用于火災探測中，通過仿真實驗可以看出,，該技術克服了以往火災探測技術的缺陷, 具有較高的識別率,。
1 基于HSI顏色模型的彩色圖像分割
    彩色圖像的色彩信息非常豐富，可以作為圖像分析處理的重要依據(jù)和條件,。本文研究的是具有鮮明顏色特征的火災火焰圖像,，基于彩色圖像的分析處理更是正確識別火災的關鍵所在。因此,，在圖像灰度化之前,，應該對彩色圖像進行分割，以便更好地劃分火焰區(qū)域與背景區(qū)域,。本文采用基于HSI顏色模型提取火災火焰疑似區(qū)域,。
    HSI顏色模型[3，4]是圖像處理中比較常用的顏色模型,，其中H,、S、I分別表示色調,、飽和度,、亮度或強度。HSI顏色模型在接近人眼對景物的認知方面優(yōu)于RGB模型,，因而它更符合人描述和解釋顏色的方式,。其中色調H反應了該顏色最接近的光譜波長。定義0°為紅色,、120°為綠色,、240°為藍色，240°～300°范圍內是人類可見的非光譜色（紫色）,。大量實驗研究表明,，火災火焰顏色大都分布在紅色和黃色范圍內，且飽和度S較高,。在HSI顏色模型里,，紅色和黃色色調在0°～60°之間。通過多次反復實驗,，本文選取0°<H<60°,，S>0.6為參考值提取火災火焰疑似區(qū)域，得到了較好的效果,。
    本文通過視頻采集卡得到的是RGB圖像,，故先要進行RGB 到HSI空間轉換,，轉換公式如下：
H分量：

    本文采用的基于HSI火災火焰彩色圖像分割的算法步驟為：
    (1)利用公式，計算每個像素點的H,、S,、I值；
    (2)根據(jù)每個像素點的RGB值確定H的最終值,；
    (3)將H、S值在設定閾值范圍內的像素點保留,，其他像素點置為0,。
    疑似火焰區(qū)域提取出來后，對疑似區(qū)域進行灰度化,、二值化,、膨脹操作以及作邊緣檢測、中值濾波等處理,，為后續(xù)提取火災火焰特征打下堅實的基礎,。
2 火災火焰特征提取
    通過分析對比大量火災火焰與常見干擾的視頻圖像資料，本文選取火災火焰以下幾個特征[5,，6]：
    (1)火焰尖角數(shù)目：邊緣抖動是火災火焰的一個重要特征,。相比于常見的干擾物體（如蠟燭、照明燈,、電筒）,，不穩(wěn)定火焰邊緣抖動的一個明顯表現(xiàn)就是火焰尖角數(shù)多而且呈現(xiàn)出不規(guī)則變化。本文采用邊界鏈碼計算火焰尖角個數(shù),。
    (2)火焰圖像形狀的相似度：火災火焰相對于干擾物體具有形狀變化的無規(guī)律性,，但這種無規(guī)律性從空間分布來說具有一定程度的相似性。通過前后兩幅圖像區(qū)域的面積變化情況可計算出相鄰幀圖像的相似度,。連續(xù)幀變化圖像的相似度用下式表示：
  
    (3)火焰閃爍頻率：可燃物燃燒時產(chǎn)生的火焰通常是閃爍的,，這種閃爍具有一定的規(guī)律性。許多學者對不同尺寸,、不同形狀的房間進行了多種材料的火災試驗,，得出火焰閃爍頻率分布在3～25 Hz之間，主要頻率在8～13 Hz范圍內,。研究發(fā)現(xiàn),，相對于干擾物體，火焰閃爍頻率與距接收器件的距離無關,，環(huán)境變化對其影響也不大,，因此可以把火焰閃爍頻率作為判斷火災發(fā)生的判據(jù)?；鹧娴拈W爍特性在圖像中表現(xiàn)為圖像的灰度級直方圖隨時間的變化規(guī)律,，本文通過計算灰度直方圖的變化率來表征火焰的閃爍頻率。表1所示為火災火焰圖像序列與照明燈圖像序列的閃爍頻率的統(tǒng)計。

    (4)圓形度：圓形度表征了物體形狀的復雜程度,。根據(jù)火災火焰形狀不規(guī)整,，而大部分干擾源(如手電筒、白熾燈等)的形狀規(guī)整程度較高的特點,，本文使用圓形度概念作為火災判據(jù)之一,，而且火焰圓形度的測量受探測器安裝位置的影響不大。圓形度計算公式為：

其中ci為第i個圖元的圓形度,，Ai為第i個圖元的面積,，Li為第i個圖元的周長，n為圖元編號,。本文將圓形度除以4π,，使圓形度最小值為1，以便于觀測,。
    (5)火焰顏色特征：火災火焰的顏色與溫度相關,。隨著火焰焰心到外焰溫度的不斷升高，其顏色從白色到黃色再到紅色移動,，而燈光,、太陽光這類干擾源的顏色變化不明顯，在圖像中則表現(xiàn)為像素值的變化不明顯,，故可作為火災判據(jù),。實驗中用圖像像素方差值來反應這種變化。算法實現(xiàn)步驟如下：
    ①讀取圖像中疑似火焰的部分的像素值,；
    ②求出這組像素值的數(shù)學期望,；
    ③求出像素方差值。
3 基于支持向量機的火災識別
    支持向量機[2,，7]（SVM）是由Vapnik首先提出的,，其主要思想是：通過某種事先定義的非線性映射，將輸入向量映射到一個高維特征空間,，在這個空間中構成一個超平面作為決策曲面,，使得被識別的樣本中正例和反例之間的隔離邊緣最大化。它克服了神經(jīng)網(wǎng)絡學習過程中易過學習,、欠學習的缺點,，對于小樣本、高維數(shù),、非線性的分類問題效果顯著,。
    SVM是基于核函數(shù)的學習算法，其學習性能由核函數(shù)決定,。核函數(shù)的類型主要包括：
    
    采用不同的函數(shù)作為支持向量機的核函數(shù),，可以構造實現(xiàn)輸入空間不同類型的非線性決策面的支持向量機,。針對特定的實際問題，需要通過反復實驗來確定選擇核函數(shù)使SVM的學習性能最優(yōu),。
    基于SVM的火災識別,，包括以下幾個步驟：
    (1)對火災圖像進行疑似火焰區(qū)域檢測，提取疑似區(qū)域中的火災信息特征分量,；
    (2)通過提取的特征分量選定訓練樣本和測試樣本,；
    (3)選取合適的核函數(shù)和懲罰因子，利用訓練樣本建立SVM分類模型,；
    (4)將測試樣本輸入分類模型,，得到的分類準確率即為火災識別率。
    本文在Matlab平臺上安裝了libsvm-2.89工具箱,，利用工具箱和Matlab仿真函數(shù)進行仿真實驗。選用不同場景下采集到的火災火焰圖像150幅,，干擾圖像（包括照明燈,、蠟燭和電筒）150幅，構成300個樣本數(shù)據(jù)庫,。將火災圖像編號為1.1～1.150,，干擾圖像編號為2.1～2.150。首先利用圖像在HSI彩色空間的彩色信息分割得到火災火焰疑似區(qū)域,。圖1為實驗中火災火焰圖像的分割結果圖,。

    然后對疑似區(qū)域進行特征提取，得到300組特征分量,。部分樣本數(shù)據(jù)如表2所示,。實驗中，選取火災火焰圖像和干擾圖像各自前120幅作為訓練樣本,，剩余60幅作為測試樣本,，自定義火災圖像類別標簽為1，干擾圖像類別標簽為0,。

    為了比較不同核函數(shù)的性能,，分別采用線性核函數(shù)、多項式核函數(shù),、徑向基核函數(shù)和Sigmoid核函數(shù)訓練SVM,，建立SVM模型。最后將測試樣本輸入模型,，得出識別率,。識別結果如表3所示。

    由表3可得出,，利用徑向基核函數(shù)訓練的SVM分類器識別率最高,，達到了94.1%,。圖2所示為利用徑向基核函數(shù)訓練的SVM實驗結果圖，實驗中運用交叉驗證方法選擇最佳參數(shù)c與g(c為懲罰因子,，g為核函數(shù)參數(shù)),。
    本文還比較了BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡與SVM識別火災的算法,，如表4所示,。

    由表4比較得出，SVM識別火災效果最好,，這也證明了SVM對于小樣本,、非線性的問題效果顯著，克服了神經(jīng)網(wǎng)絡過學習,、陷入局部最小點等缺點,。
    基于SVM的火災探測技術克服了傳統(tǒng)火災探測算法的缺陷，提高了火災識別率,，可靠性高,，該技術的研究在火災探測領域中具有重要的理論意義和實用價值。
參考文獻
[1] 姚暢,，錢盛友.基于神經(jīng)網(wǎng)絡的多傳感器火災報警系統(tǒng)[J].計算機工程與應用,，2006，42(3)：219-221.
[2] 唐發(fā)明.基于統(tǒng)計學習的支持向量機算法研究[D].武漢：華中科技大學,，2005：16-27.
[3] 楊旭強,，馮勇，劉洪臣.一種基于HSI顏色模型的目標提取方法[J].光學技術,，2006,，32(2)：290-292.
[4] 劉亮亮.基于視頻監(jiān)控的火災圖像識別研究[D].保定：華北電力大學，2007：21-30.
[5] 李杰.基于數(shù)字圖像處理的森林火災識別方法研究[D].北京：北京林業(yè)大學,，2009：24-25.
[6] 周軍盈,，杜嘯曉.圖像識別技術在火災探測中的應用[J].消防科學與技術，2007,，25(4)：417-420.
[7] 肖靚.基于支持向量機的圖像分類研究[D].上海：同濟大學,，2006：49-54.