基于独立成分分析和支持向量机的图像型火灾探测

摘 要:图像型火灾探测具有非接触性、反应快等优点,可有效解决大空间火灾探测难题,是火灾探测新的研究方向,其核心问题是火焰和干扰物的分类识别。常用方法是提取火焰在图像上表现的单个或某几个特征信息作为识别依据,需要设置大量经验阈值,识别率常因特征选择不合适而受到影响。通过对火焰整体特性的研究,提出了基于独立成分分析和支持向量机的火焰探测方法。首先在RGB空间建立颜色模型对连续数帧火灾图像预处理,并进行频闪特性和模糊聚类分析提取疑似目标区域,根据独立成分分析线性变换一对一和可逆性估计出基函数描述火焰图像特征,最后用支持向量机模型实现火灾探测。实验结果表明,该方法提高了图像型火灾探测精度和速度,可适用于多种火灾探测场景。

关键词:图像型火灾探测;独立成分分析;支持向量机;模糊聚类;归一化

中图分类号: TP181;TP391.9 文献标志码:A

Image fire detection based on

independent component analysis and support vector machine

HU Yan1,2*, WANG Huiqin1,2, MA Zongfang2, LIANG Junshan2

(

1.School of Management, Xian University of Architecture and Technology, Xian Shaanxi 710055, China;

2.School of Information and Control Engineering, Xian University of Architecture and Technology, Xian Shaanxi 710055, China

)

Abstract:

Imagebased fire detection can effectively solve the problems of large space fire detection contactlessly and rapidly. It is a new research direction in fire detection. Its essential issue is the classification of flames and disruptors. The ordinary detection methods are to extract one or a few characteristics of the flame in the image as a basis for identification. The disadvantages are to need a large number of experiential thresholds and the lower recognition rate by the inappropriate feature selection. Considering the entire characteristics of fire flame, a flame detection method based on Independent Component Analysis (ICA) and Support Vector Machine (SVM) was proposed. Firstly, a series of frames were preprocessed in RGB space. And suspected target areas were extracted depending on the flickering feature and fuzzy clustering analysis. Then the flame image features were described with ICA. Finally, SVM model was used in order to achieve flame recognition. The experimental result shows that the proposed method improves the accuracy and speed of image fire detection in a variety of fire detection environments.

Key words:

image fire detection; Independent Component Analysis (ICA); Support Vector Machine (SVM); fuzzy clustering; normalization

0 引言

近年来,随着经济的发展和城市化进程加快,大空间等高层建筑不断出现,带来了实用美观、通透性和采光性好的同时,也带来了新的消防隐患。快速准确地实现大空间火灾探测成为研究的热点问题。图像型火灾探测利用数字图像处理技术,通过分析火灾发生时火焰和烟雾图像特征实现火灾的自动探测,具有非接触的特点,不受空间高度、气流速度和粉尘等的影响,可有效解决大空间火灾探测的难题。从图像特征角度看,火焰相对于烟雾更加明显和稳定,更易建模形成判据,实现火灾的早期预警。文献[1]利用最优阈值搜寻法在图像分割的基础上提取特征向量,作为改进小脑模型神经网络(Cereballar Model Articulation Controller, CMAC)的输入,实现森林火焰检测，但是，该方法实时性较差,容易陷入局部极小点；文献[2]提出了一种基于亮度与火焰边缘区域颜色分布的火焰检测方法，该方法缺乏对火焰动态特征的研究,难以区别颜色相近的目标；文献[3]利用火焰圆形度、矩形度、平均密度和偏心度4个几何特征的有效组合实现对野外森林环境下早期烟火探测，但是，由于火焰形态的多变和不确定性,算法抗干扰性差；文献[4]利用模糊逻辑模型提取火焰区域,并根据火焰像素色彩值进行识别，但没有考虑到火焰区域的颜色分布特征,难以适合复杂背景下火灾探测。

独立成分分析(Independent Component Analysis, ICA)源于盲源信号分离,是基于信号的高阶统计特性的分析方法,它更全面地考虑信号的概率密度函数的统计独立性,经过ICA分解出的各个分量之间是相互独立的[5]，目前已成功地应用于语音信号分析、金融数据分析、特征提取等领域。本文将独立成分分析应用于火焰整体特征提取,并结合支持向量机具有处理信息不足的小样本问题的能力,实现火灾检测,克服了现有探测算法中提取火灾图像单个特征或其组合作为识别依据有效性差的缺陷,提高了火灾识别的准确性和实时性。

1 火灾图像预处理和特征提取

基于独立成分分析和支持向量机的大空间火灾识别算法首先对采集的视频图像定位疑似火焰区域,并进行归一化处理,然后用独立成分分析变换提取火焰图像整体特征作为输入向量训练支持向量机(Support Vector Machine, SVM)模型,直到满足模型精度要求,最后用测试样本检测算法的性能。算法流程如图1所示。