基于多种特征的火灾烟雾检测算法.docVIP

基于多种特征的火灾烟雾检测算法 　　摘要： 本文提出了一种基于HSI空间和二维离散小波变换的图像型火灾烟雾探测方法。在HSI空间结合实际烟雾图像进行烟雾分割，并应用于火灾烟雾探测领域，能够实现有效的且实时性好的火灾预警功能。针对烟雾的相关系数、形状不规则性及半透明性的特征对可疑图元进行特征提取，最后综合各特征值进行烟雾判断。实验结果表明，与利用单一特征检测烟雾的算法相比,所提出的算法有效地提高了烟雾的识别率。 　　Abstract: This paper presents a new fire smoke detection method based on HSI model and wavelet transformation. The image segmentation based on HSI model is designed and validated with a real fire smoke image. The result of experiment indicates its validation and good real-time characteristic in terms of announcing fire alarm. Then the feature of the suspicious region is investigated, for characteristics of smoke, correlation coefficient, irregular shape and translucency. Finally, the characteristics of comprehensive smoke value judgments. Experimental results show, compared to the algorithm of detecting smoke using single property, the proposed method can improve the accuracy of smoke detection. 　　关键词： 特征提取；图像型；烟雾探测；离散小波变换 　　Key words: feature extraction；image；smoke detection；DWT 　　 中图分类号：G42文献标识码：A文章编号：1006-4311（2011）18-0191-02 　　0引言 　　随着钢结构等大空间建筑的普及，传统的气敏型、感温型、感烟型、感光型等火灾探测器无法解决灵敏度和高可靠性之间的矛盾，容易受到工作环境灰尘、静电、电磁等的干扰，常常发生火灾漏报和误报现象。为了尽早预防和避免大空间火灾事故的突发和蔓延，探究及时准确的火灾探测方法具有重大的现实意义。图像型火灾烟雾探测技术是利用摄像头对现场进行监视，通过早期火灾烟雾在图像上表现出的静态以及动态特征来探测火灾。近年来不少学者从不同角度研究了图像型火灾烟雾的识别问题。文献[1]根据烟雾纹理的特点,利用小波变换和BP神经网络相结合的方法，对火灾烟雾图像进行识别和分类。文献[2]以环境温度、烟雾浓度、CO含量作为系统输入，建立神经网络火灾探测器模型。这些烟雾识别算法均是利用人工神经网络和模糊逻辑技术对多传感器信号进行融合，实时性较差。本文提出的融合多种特征的烟雾检测算法,利用了烟雾自身的特征――半透明性、相关性、凸形特征,然后再根据联合判别准则,能够正确区分烟雾与非烟雾图像,克服了依靠单一特征检测烟雾图像的不足且具有良好的实时性。实验结果表明,该方法具有较高的识别率。 　　1基于HSI空间的烟雾可疑区域检测 　　首先将RGB彩色烟雾图像转换到HSI空间，并分别取出H，S，I分量。由于烟雾区域分别对应了高色调区和低亮度区，而饱和度分量不能明显的体现出烟雾和其他目标背景的区别，因此综合色调H和亮度I的双特征分布，利用最大类间方差法实现烟雾的粗分割；在此基础上，根据烟雾具有在较大范围内连通的特点，对粗分割烟雾区域中存在断裂、孔洞和分立的现象，利用形态学中用一定大小的结构元素进行目标填充，实现烟雾的细分割。最终的分割效果图如图1。 　　2烟雾的特征提取及烟雾判断 　　根据火灾发生初期烟雾在图像上表现出的动态和静态特征，本文选取了相关系数、半透明性和面积变化率三个特征作为火灾烟雾识别的依据。 　　2.1 相关系数火灾烟雾相对于其他常见的干扰物来说，具有形状变化的无规律性，但这种无规律性有一定的相似性，特别是对于间隔较短的连续图像，每幅连续帧图像的烟雾形状特性都有着一定程度的相似。因此,可以采用计算连续的帧与帧相似度的方法来描述这一特征。连续帧变化图像的相关系数的定义如式（