基于图像处理的智能建筑中火灾探测技术研究

摘要：火灾探测系统是智能建筑系统中一个重要部分。而如何准确的判别火灾火焰，是图像型火灾探测技术的关键部分。针对火灾火焰亮度及颜色特点，结合图像相减方法和饱和度、平均亮度方法来提取火焰，可以很好的减小背景噪声的干扰。同时针对早期火灾火焰在时间上的发展性和跳动性，采用了面积变化和尖角判据，很好的减少了误报和漏报，大大提高了火灾判别的可靠性及准确性。

关键词：智能建筑；图像处理；火灾探测；饱和度；尖角

中图分类号：TP391文献标识码：A文章编号：1009-3044(2008)34-1911-02

Research on the Technology of Fire Detection Based on Image Processing in Intelligent Building

ZHAO Yang

(School of Electronics and Information Engineering, Anhui University of Achitecturre, Hefei 230022, China)

Abstract: Fire detection system is the major part of intelligent building system. How to judge the fire flame is the key of image-type fire detecting technology. According to character of luminance and color of fire flame, combining the method of image subtract and saturation, and average luminance to extract the flame, it is quite good to reduce the noise disturb from background. Focus on the developmental characteristic and jumping characteristic at timing of early fire flame,using the area change and sharping corner judging,which reduce the fails alarming and leak alarming, it highly improves the reliability and accuracy of fire detecting.

Key words: intelligent building; image processing; fire detection; saturation; sharping corner

1 引言

火灾探测系统是智能建筑中一个重要部分，图像型火灾探测技术以计算机为核心，结合光电成像技术、计算机图像处理技术，具有非接触式探测、高智能、强灵敏的特征而不受空间高度、气流速度、热障、易爆、有毒等环境条件的限制，能够及时探测到早期的火焰和产生的烟雾，达到尽早疏散人员、保护人身财产安全，成为在室内大空间和室外开放大空间进行火灾探测的有效手段。

针对日常生产和生活中发生的火灾，对其火焰图像进行分析，找到识别的方法。针对火灾火焰亮度特点，结合图像相减方法和饱和度、亮度方法来提取火焰，可以很好的减小背景噪声的干扰。同时利用火灾火焰在时间上的发展性和跳动性这一特征，采用了面积变化判据和尖角判据。

2 火焰提取

在图像型火灾探测系统中，现场图像背景的干扰可以说是造成最终产生误报的一个重要因素。所以能否能从现场图像中准确地提取出火焰图像就显得尤为重要。

图像中的颜色可以用R（红色）、G（绿色）、B（蓝色）三色分量来表示，假设所采集图像中总共的像素点数为 ，其中任意一点 的颜色可表示为Cn(Rn,Gn,Bn)。

其红色饱和度为：Rb=Rn/(Rn+Gn+Bn)

平均亮度为：L=0.22 Rn+0.587Gn0.114Bn

火灾火焰给人的感觉是亮度高且颜色偏红，这两点体现在平均亮度和红色饱和度上[1]。通过大量的实验发现，当某一点的平均亮度大于150和红色饱和度大于0.34时可以把其判为疑似火焰点。即满足：

0.22 Rn+0.587Gn0.114Bn>150Rn/(Rn+Gn+Bn)>0.35

图1显示了利用这种方法提取火焰的效果。a 图为被监控现场的模版图像；b 图为现场发生火灾后的图像；c 图为图片相减结合红色饱和度和平均亮度的方法提取到的火焰图像。

从以上对模拟现场火灾图像的处理结果图片可以知道，该方法可以大大地减少背景干扰[2]，从而为后续的火焰识别提供了很好的火焰图像。

3火灾火焰识别

3.1 火焰图像预处理

火焰图像中火焰区域和背景区域表现出不同的灰度值，为了节约存储空间，便于计算机存储和处理，同时去除大量的无用信息，为火焰特征的提取和匹配作准备[3]。对提取到的图像进行二值化处理。

二值化的阈值选取主要分为整体阈值法、局部阈值法和动态阈值法三类。针对提取到的图像是背景为黑色前景为火焰的特点，可以选择固定阈值法。

■

图2 连续采集的四幅火焰图像 图3 二值化处理后的图像

由于需要对火焰的边界做分析，而火焰图像中存在很多孤立的点，且轮廓上可能有很大的凹陷或凸起，这对后续的轮廓跟踪、边界分析造成很大的障碍，所以对二值化后的图像进行中值滤波。

由于火焰可能具有较长的轮廓线，所以采用方形窗口，但窗口又不能太大。否则容易削除尖角部分。这里采用的是3×3方形窗口来进行中值滤波[4]。

如图4两幅图为滤波效果对比。

3.2 面积特征提取

早期的火灾火焰是一种不稳定且不断发展的火焰，具有时间上的发展性。其特征信息主要集中于火焰图像的动态变化上，其中很重要的一点就是火焰面积的不断增大。因此采用比较相邻两幅图像中的火焰面积大小和研究连续若干幅图像中火焰面积变化情况的方法获得火焰图像面积变化特征。

研究图3连续四幅图像中火焰面积平均值变化，首先分别计算出前两幅图像图像中火焰面积的平均值，再依次计算出前三幅和所有四幅图像的火焰面积平均值，所得到的三个平均值之间的关系。

设连续采集到的四幅图像中火焰区域的面积为A1、A2、A3、A4，则相邻两幅图像面积的变化量为：

An=Ai+1-Ai i=1,2,3

前j(j=2,3,4)幅图像中火焰面积平均值为：

■i=1,2,3,4

将图3中四幅图像的像素点数分别代入上式，得：An1=1691；An2=394；An3=1047；Am1=8202；Am2=8615；Am3=9083。

失控火焰的Ani值在早期火灾发生时都是大于零的，Ami的值变化较大且总是Am3>Am2>Am1。而稳定火焰Ani的值可能大于零也可能小于零，Ami的值变化很小且不满足Am3>Am2>Am1[5]。

综上，可以根据早期火灾火焰图像的面积变化特性来识别出稳定火焰和失控火焰，进而去除掉固定的稳定光源的干扰。