盧勝男，馮建利，段沛沛

（西安石油大學計算機學院，陜西西安 710065）

視頻火災識別方法研究綜述

盧勝男，馮建利，段沛沛

（西安石油大學計算機學院，陜西西安 710065）

火災發(fā)生時，其火焰和煙霧具有特有的靜態(tài)和動態(tài)特征，在分析總結火災圖像特征的基礎上，以火焰和煙霧特征為線索，介紹了火災提取和識別的典型方法，側(cè)重于分析各種特征在火災識別中的應用及所采用的算法，最后對未來視頻火災識別方法的發(fā)展方向做了展望。

火災識別;火焰檢測;煙霧檢測;特征融合

近年來，各類火災事故頻繁發(fā)生，給人類的生命安全和生活環(huán)境帶來巨大危害?；馂脑斐傻闹苯訐p失約為地震的5倍，而火災發(fā)生的頻度則居各種災難之首［1］。世界各國在防火、滅火上都投入了巨大的人力、物力，在提高傳統(tǒng)防火設備的同時，許多研究者們開始致力于研究如何及早地發(fā)現(xiàn)火災，將火災消滅在萌芽狀態(tài)［2－57］。

傳統(tǒng)的火災探測系統(tǒng)一般采用溫度或煙霧傳感器，當火災發(fā)生時，生成的煙、溫度和光等物理量達到一定數(shù)值時，發(fā)出報警信號［4］。這種探測系統(tǒng)被廣泛地應用于建筑物、隧道等的火災預警中，但在高大空間的火災報警中，上述方法并不能很好地適用。只有火災發(fā)展到一定程度，普通的感煙和感溫傳感器才能采集到火災發(fā)出的煙溫變化信息，所以很難滿足早期探測此類火災的要求。此外，如果環(huán)境條件惡劣，存在大量干擾，如灰塵、光、震動等，則容易導致探測噪聲增加甚至傳感器失靈［5］。

針對上述火災探測存在的問題，人們利用攝像機作為探測器，實時采集被監(jiān)控對象的連續(xù)圖像信息，通過智能識別技術由圖像序列直接探測火災信息，并進行報警、撲救等聯(lián)動處理。相對傳統(tǒng)方法，這種基于視頻圖像的探測方法具有探測范圍廣、響應時間短、可以實時監(jiān)控火情等優(yōu)勢，目前已經(jīng)引起國內(nèi)外專家學者的廣泛關注。

1 視頻圖像火災探測技術研究現(xiàn)狀

紅外攝像機由于能夠集中監(jiān)控火焰燃燒時的紅外輻射，從根本上排除某些干擾因素的影響，算法簡單，火焰的識別率高，很早就被應用于火災探測系統(tǒng)中。中國科學技術大學火災科學重點實驗室研制的“雙波段圖像型火災探測系統(tǒng)”利用紅外和彩色攝像機作為火災信息探測器件，有效地解決了大空間火災探測問題。但對于一些已經(jīng)具有完備視頻監(jiān)視系統(tǒng)的場合，額外安裝紅外攝像機，會增加成本。因此，采用現(xiàn)有的普通攝像頭獲得火災的圖像序列信息，利用數(shù)字圖像處理技術提取火災圖像深層次特征信息，由這些特征判斷火災是否發(fā)生是火災識別技術發(fā)展的必然趨勢，同時對火災識別的算法也提出了較高的要求。

針對基于可見光視頻圖像的火災探測，國內(nèi)外展開了積極的研究和開發(fā)，但成型的系統(tǒng)并不多，而且應用場合具有一定的局限性。Bosque公司研制的BSDS系統(tǒng)能夠準確地識別森林火災，并有效地區(qū)別其他目標的干擾，誤報率低。美國Notifier公司作為火災探測的龍頭企業(yè)，開發(fā)了基于視頻圖像的煙霧探測系統(tǒng)，還實現(xiàn)了報警形式的多樣化，如手機報警［6］。近期，中國科技大學技術對基于普通攝像頭的煙霧探測也開展了大量的研究工作，中科院自動化研究所、西安交通大學、華中科技大學等科研院所也對基于視頻的火災探測技術進行了廣泛的研究。

目前，火災科學研究仍然處于起步階段，火災發(fā)生的隨機多樣性使得火災探測尚沒有較為完整和權威的公開測試集，大多數(shù)研究者的測試視頻均來自互聯(lián)網(wǎng)或者自行錄制，因此，該項研究工作具有一定的困難和局限性。而且，由于視頻火災檢測技術應用場合的多樣性，很難開發(fā)出適用于所有場合的系統(tǒng)，國內(nèi)外對不同場合的適用算法做了大量的研究。本文在已有文獻的基礎上，對火災發(fā)生時火焰和煙霧的圖像特征、火焰和煙霧特征識別的方法進行了探討研究。

2 火焰和煙霧的圖像特征分析

火災在燃燒過程中，火焰和煙霧的面積、顏色、形狀和輻射強度等都在不斷地變化，其圖像特征種類多，變化無常，因此如果特征選擇不合理，很難獲得較好的識別準確性和魯棒性［10］。圖1分類描述了火焰和煙霧的可見光視覺特征。現(xiàn)有的檢測算法多是從火焰特征、煙霧特征或兩者特征融合來識別火災的。

圖1 火災可見光特征分類

3 火焰特征提取及識別

3.1 火焰顏色特征

對于火焰的顏色特征，通常是提取基于某種顏色模式的閾值范圍內(nèi)的像素，進而建立目標的靜態(tài)識別特征?；鹧娴纳释ǔ榧t色調(diào)，當火焰溫度變高時，火焰內(nèi)核會呈現(xiàn)亮白或淡藍，由內(nèi)向外隨溫度降低顏色由黃變橙、變紅。在灰度圖像中，可看出核心部分一般明顯比邊緣要亮。

根據(jù)火焰顏色特征，文獻［7］收集不同的火焰圖像，采用手動方法提取火焰區(qū)域，并創(chuàng)建一組火焰顏色的訓練集，根據(jù)該訓練集判斷被測像素是否為疑似火焰的像素點。該方法中，訓練集的優(yōu)劣直接影響系統(tǒng)判斷的準確性。文獻［8］對此進行了改進，通過對大量火災圖像的統(tǒng)計分析，在RGB色彩空間建立火焰的顏色模型，進而利用已建立的顏色模型進行火焰區(qū)域的提取。R，G，B信息相關性強，易受外界光照及攝像視角的影響，文獻［9］提出了一種基于模糊邏輯的火焰色彩特征分析方法，通過在YCbCr色彩空間對視頻幀中的每個像素點的色彩特征分析來提取火焰區(qū)域;文獻［10－12，15］則在HSI色彩空間通過對大量火災圖像的統(tǒng)計分析來建立火焰的色彩模型。Yamagishi等人提出一種基于HSV空間和神經(jīng)網(wǎng)絡的彩色圖像火焰檢測算法［13］。文獻［14］則在總結前人理論的基礎上，分別在RGB，HSV和YCbCr三個色彩空間上提取火焰顏色最典型的規(guī)則進行建模，這種方法能夠有效地減少由于圖像亮度變化而帶來的干擾。

顏色特征雖然特征顯著，計算簡單，而且對于旋轉(zhuǎn)、平移和尺度變換不敏感，但其抗干擾性差，不同燃燒材料的火焰顏色存在顯著的差異，因此，顏色特征只能作為火焰識別的輔助判據(jù)。

3.2 火焰靜態(tài)特征

火焰外觀具有非剛性特點，其形狀取決于可燃材料性質(zhì)、分布、燃燒程度以及與攝像機的相對距離等因素，故常規(guī)的形狀分析方法無法有效地描述火焰的形狀及其演化過程。目前研究多提取能夠描述火焰形狀的有關特征，如圓形度、曲率特征和質(zhì)心等。由于火焰的外形都是極不規(guī)則的，文獻［15－16］利用圓形度區(qū)分火焰和形狀規(guī)則程度高的干擾源（如煙頭、燈光等），在此基礎上，進一步分析特征進行火災的探測。文獻［17］經(jīng)實驗測得，當被測目標距攝像頭較遠時，火焰和干擾源的圓形度差別并不明顯，因此提出了一種火災尖角判據(jù)，計算尖角所在連通域面積和火焰面積的比值關系，根據(jù)先驗知識，判斷其為火焰尖角還是噪聲、毛刺引起的尖角［17］。在火焰發(fā)生早期，火焰尖角的數(shù)目比較少，這種尖角特性判據(jù)效果欠佳，因此，可以配合圓形度等判據(jù)一起使用，從而提高早期火災識別的準確率。文獻［14］提出一種基于角點形心軌跡的火焰特征提取方法，采用Harris角點［18］提取算子提取角點，由于火焰體現(xiàn)出宏觀穩(wěn)定、微觀混沌的特征，雖然火焰形心在燃燒過程中并非保持規(guī)律性移動，但在一段時間內(nèi)，其分布保持在一個相對集中的區(qū)域（如圖2a所示）;而干擾視頻的形心則分布在一個相對分散的區(qū)域（如圖2b所示），顯然，兩者的形心聚合度存在顯著區(qū)別，因此可以通過計算形心外接圓半徑r判斷是否含有火焰。

此外，火焰的紋理特征也是區(qū)別疑似目標的重要依據(jù)。文獻［19］采用空間灰度共生矩陣計算火焰的紋理特征信息——能量、熵、相關和慣性矩，這些統(tǒng)計特征可以較好地去除一些常見的干擾，提高報警的可靠性和準確性，降低系統(tǒng)的誤報率。

圖2 角點形心分布情況

3.3 火焰動態(tài)特征

由于火焰的顏色和靜態(tài)特征都是基于單幀圖像獲得的，若僅以顏色和靜態(tài)特征作為識別判據(jù)，則很容易造成誤判。因此，針對火焰的動態(tài)特征，利用視頻圖像幀間相關性，可以進一步提高目標識別的準確度。

火災發(fā)生后，火焰區(qū)域隨著火災的發(fā)展不斷蔓延擴大，火焰面積具有初始增長特征，如圖3所示，其增長速度可以有效排除某些凸現(xiàn)目標，如車燈等。文獻［26］利用可燃物火災早期的特征參數(shù)及線性度判斷是否滿足面積增大特征，但對于不同可燃物，該方法具有一定局限性。文獻［27］提取疑似火焰區(qū)域后，利用低頻重構得到面積變化趨勢線，將趨勢線中的第30幀火焰面積與第1幀火焰面積相除得到目標面積增長速率。雖然小波變換可以降低火焰閃動及其他噪聲的干擾，但小波變換計算復雜度高，這種方法不利于實時探測。此外，第1幀火焰面積往往較小，小波降噪后目標面積與真實面積差別較大，從而影響增長速率的準確性。文獻［28］則提出通過平均增速的方法濾除局部噪聲，從而得到了較為穩(wěn)定的面積增長特性。這種以面積連續(xù)增長為特性的判決方法，存在明顯的不足:當車燈等物體由遠及近運動或由熄滅到點亮時，其面積也是逐漸增大的。因此，面積判據(jù)要配合其他動態(tài)特征一起使用?；鹧婷娣e變化曲線如圖3所示。

圖3 火焰面積變化曲線

火焰的閃動表面看來是雜亂無章的，其實火焰信號的頻譜具有特定的規(guī)律［32］。許多研究者對多種不同材料的火災進行了測試實驗。文獻［29］經(jīng)過處理和分析得出:火焰的閃爍頻率分布在3～25 Hz之間，主要頻率在7～12 Hz范圍內(nèi)?；鹧骈W爍時表現(xiàn)為諸如形體、位置、高度、灰度等不同特征，對不同特征的測量采用了不同的提取方法。文獻［31］采用對火焰候選區(qū)域高度的變化特征的傅里葉功率譜檢測來判斷是否是火焰，文獻［28］和文獻［33］分別根據(jù)前后幀面積變化率和火焰邊緣尖角數(shù)變化判斷火焰的頻率。文獻［57］采用火焰顏色像素沿時間軸的一維傅里葉變換來度量此像素的強度值隨時間變化的劇烈程度來判斷火焰的閃爍頻率。此外，文獻［30］通過分析能量密度譜分析火焰的閃爍頻率，由于燈光的存在會影響能量密度譜的分布，因此這種方法難以準確獲得火焰的能量密度譜。火焰閃爍頻率作為火災的重要特性，可以顯著提高火災識別的準確性和可靠性，尤其是受到可燃物種類或距離等因素影響情況下，頻率特征尤為突出。

受到空氣流動和氣體羽流的卷吸特性影響，燃燒的火焰表現(xiàn)出不停振蕩的特性，使得其形狀變化具有無規(guī)律的特點，但空間分布和形狀變化來卻具有一定的相似性。文獻［35］提出利用圖像的相關性檢測森林火災，但由于其利用的相鄰兩幀圖像之間的相關性，這種方法不利于實際應用中的突變情況，會產(chǎn)生比較多的漏檢和虛警。文獻［36］對相關性檢測算法加以改進，將一段時間中各幀圖像和不斷更新的背景圖像做相關性分析，研究相關系數(shù)隨時間變換而產(chǎn)生的波動規(guī)律進行火災火焰的檢測，得到了比較明顯的檢測效果。此外，結構相似性也可體現(xiàn)圖像的相似性，文獻［4］通過統(tǒng)計相鄰幀同一可疑區(qū)域的輪廓相似度，判斷疑似火焰區(qū)域。

火焰是燃著的氣體或蒸汽的發(fā)熱、發(fā)光部分，其靜態(tài)和動態(tài)特征具有復雜多樣性，但它們共存互補、具有緊密的相關性。這為火焰特性的分析與建模造成了困難，因此只有對兩種特征綜合考慮，才可能全面有效地鑒別火災事件。

4 煙霧特征提取及識別

火災發(fā)生初期會產(chǎn)生大量煙霧，利用煙霧特征是實現(xiàn)早期火災識別的重要依據(jù)。但相對于火焰目標，煙霧目標的識別特征不夠顯著，且實際的煙霧探測受多種因素制約，如顏色相近的背景干擾;不同燃燒物質(zhì)所產(chǎn)生的煙霧顏色不同;煙霧外形不規(guī)則，其運動狀態(tài)難以描述;煙霧濃度由透明逐步發(fā)展到不透明，這些特點都不利于目標特征提?。?8］。

4.1 煙霧靜態(tài)特征

煙霧顏色作為煙霧的靜態(tài)特征，由于其本身多變，并且受背景光照影響較大，魯棒性較差。文獻［21］、文獻［20］分別在RGB和YCbCr色彩空間建立煙霧模型，該特征只能作為疑似煙霧區(qū)域識別的輔助判據(jù)。

擴散開的煙霧具有一種薄紗效果，可以對背景產(chǎn)生遮蔽和模糊，使背景的高頻細節(jié)信息產(chǎn)生衰減，而且無論煙霧發(fā)生位置距離攝像頭的遠近，這個特征都適用。文獻［34，37］認為煙霧區(qū)域其小波圖像的高頻能量具有衰減的特性，可利用該特性提取疑似煙霧區(qū)域。但這種方法僅適合背景復雜的情況，如果背景過于簡單平緩（如墻壁、天空等），煙霧本身可能就是高頻信息，所以，煙霧的出現(xiàn)反而會引起高頻能量的增加。此外，光照也能引起局部高頻能量減弱，因此，基于高頻能量衰減的煙霧目標提取及識別方法不具有魯棒性。

煙霧紋理具有較強的規(guī)律性，相對于圖像每個像素點灰度的變化特征，紋理變化特征穩(wěn)定性更高，即便在有風的情況下。文獻［49］在小波變換的基礎上，通過灰度共生矩陣提取火災煙霧的紋理特征，文獻［50］提出采用Gabor小波建立煙氣的特征模型，利用Gabor小波穩(wěn)定的紋理檢測性能提取豐富的煙霧紋理。煙霧紋理是圖像自身的一類特征，不受平移、旋轉(zhuǎn)和縮放等變換影響，具有較好的穩(wěn)定性，可以作為煙霧識別的重要依據(jù)。

4.2 煙霧動態(tài)特征

煙霧本身是一種具有擴散特性的氣體運動，運動狀態(tài)和形狀無時無刻不在發(fā)生變化，不僅如此，煙霧還具有飄散、閃爍等光學特征，其動態(tài)特征主要表現(xiàn)為形狀變化特征和頻率特征。

煙霧在上升飄散的過程中，其形狀會逐漸變化，外圍輪廓和邊界漸漸模糊，面積也逐步擴大。但煙霧發(fā)生源的位置是保持不變的，這是有別于其他運動物體的一個重要特征。文獻［28］提出利用煙霧擴散過程中的邊界復雜度、灰度和面積增長特性建立判決規(guī)則，以簡潔的算法實現(xiàn)煙霧像素的識別。文獻［42］認為煙霧滿足相對穩(wěn)定性，不會出現(xiàn)位置上的較大移動，因此提出根據(jù)位置穩(wěn)定性、邊緣信息模糊性和面積增長特性對煙霧進行識別。

煙霧產(chǎn)生后受到空氣熱漲和上升氣流的雙重作用，它的運動軌跡是自下而上的，這在橫向氣流較弱的情況下最為明顯。利用這個特點，文獻［40］提出通過光流法提取運動區(qū)域，進而計算其區(qū)域特征。但當煙霧處于透明狀態(tài)或探測環(huán)境比較復雜時，光流場基本方程的灰度守恒假設條件難以滿足，不能求解出正確的光流場，同時光流計算方法相當復雜，計算量巨大，不能滿足實時的要求。采用同樣的算法，文獻［44］則提出利用背景差分法提取疑似煙霧區(qū)域，并采用二維離散小波分析和光流法分別檢測疑似煙霧的背景模糊性和主方向角性，從而判斷和識別煙霧。光流法和小波分解的計算復雜度都比較大，不適于實時探測的場合。文獻［41］將圖像分割成若干個小塊，通過時間窗口統(tǒng)計各小塊的主運動方向及運動累計量，進而統(tǒng)計整個區(qū)域的主運動方向、運動累計量的均值和方差，從而識別煙霧。文獻［47］提出火災煙霧移動方向角累積模型，由該模型得到方向角直方圖，進而實現(xiàn)煙霧的識別，如圖4所示。由于煙霧運動軌跡受風力、被測空間結構影響較大，并不適合所有場合的煙霧目標提取和識別。

圖4 煙霧塊運動估計和主運動效果圖

類似于火焰的自相似特征，煙霧從其形狀變化，空間變化和空間分布來說具有一定統(tǒng)計意義下的自相似性。文獻［38］利用該特性，提出采用分形曲線的方法描述煙霧特征，實現(xiàn)森林煙霧運動特征的提取。同樣的，文獻［39］基于煙霧的自相似性，提出采用分形編碼分割煙霧目標區(qū)域，該技術通過像素位置的相對關系得到煙霧區(qū)域，實驗結果表明有明顯的背景混入，并且實時性有待提高。

與火焰識別方法類似，僅通過煙霧的靜態(tài)特征進行識別很容易導致誤判，而且煙霧的識別特征不夠顯著，只根據(jù)單一的動態(tài)特征進行識別，算法復雜度相對較高。因此，大多數(shù)文獻采用多個靜態(tài)特征和動態(tài)特征綜合判別的方法，通過模式識別技術判斷火災是否發(fā)生，從而降低了誤判率。

5 火災識別方法

火災識別是通過建立一定的數(shù)學模型，將火災特征作為模型的輸入信息進行分析和處理，進而判斷有無火災發(fā)生。由于火災是一種無控制的燃燒，其隨機性使得火災過程很難通過理想的數(shù)學模型來精確描述，因此，火災探測識別實際上是一個非常困難的決策過程。作為一種非數(shù)學模型的函數(shù)估計和動力學系統(tǒng)，神經(jīng)網(wǎng)絡和模糊系統(tǒng)在火災識別領域得到廣泛的研究和應用。文獻［43］利用前饋神經(jīng)網(wǎng)絡法進行煙霧識別，由背景估計和顏色特征確定的疑似煙霧區(qū)域，通過光流法計算目標區(qū)域的運動特性，以此作為神經(jīng)網(wǎng)絡的輸入。文獻［9］通過模糊系統(tǒng)建立火焰的顏色模型，比傳統(tǒng)啟發(fā)式判決方法效率及準確性更高。模糊系統(tǒng)擅長處理不確定的知識性信息，而神經(jīng)網(wǎng)絡具有很強的自學習能力，文獻［45］將兩者結合在一起，提出神經(jīng)模糊推理系統(tǒng)，通過煙霧飄動方向，周期飄動強度和周期逆向飄動強度等特征的正例和反例對系統(tǒng)進行訓練，充分發(fā)掘和描述各特征量之間的關系，增強系統(tǒng)的泛化能力。

由于火災實驗的視頻資源有限，很難采集完整、足夠的火災目標樣本，而且神經(jīng)網(wǎng)絡通常需要大量的數(shù)據(jù)來訓練，因此，能更好地解決小樣本問題的支持向量機在火災識別方面得到快速發(fā)展。文獻［46］提出根據(jù)煙霧密度分布和輪廓變化，采用支持向量機進行分類識別。文獻［53］將疑似煙霧區(qū)域的紋理特征作為支持向量機的輸入特征，對煙霧進行識別。文獻［51］針對支持向量機在數(shù)據(jù)量較大求解時間過長的問題，提出基于最小二乘支持向量機的視頻煙霧識別算法。對疑似煙霧區(qū)域進行二次分割，選取顏色、相關系數(shù)和面積變化率作為特征輸入量，由此降低輸入向量維數(shù)，縮短訓練時間，該算法具有較快的分類速度和識別準確率。

上述火災識別方法是基于火災的瞬時狀態(tài)特征作為最終判決結果的，并沒有考慮瞬時狀態(tài)的歷史信息。針對這個問題，文獻［52］提出基于隱形馬爾可夫模型的火焰識別方法，通過隱形馬爾可夫模型預測火焰的閃爍特征，以此區(qū)分顏色相近的非火焰目標，提高識別的準確性。

6 結束語

相比于傳統(tǒng)的溫度、煙度傳感器檢測方法，基于視頻的火災檢測更適合于解決戶外、高大空間火災探測問題。但受到光照變化、鏡頭遮擋、運動物體多變、目標數(shù)量多等問題的影響，火災檢測的準確性、實時性和魯棒性，無法同時滿足。目前，雖然檢測算法繁多，但期望出現(xiàn)一種通用的火災檢測算法適用于任何場合并不現(xiàn)實，所以，實際的解決方法往往是從特定的應用需求出發(fā)，開發(fā)或改進相應的算法，或者融合多種現(xiàn)有的算法，找尋最佳的解決方案。另一方面，火災是個小樣本事件，目前尚沒有較為完整和權威的公開測試集，大多數(shù)研究者的測試視頻均來自互聯(lián)網(wǎng)或者自行錄制，火災檢測算法存在較大的局限性，而且有些場合無法或難以進行火災實驗，因此必須尋求其他途徑來進行火災的研究。一種有效的方法就是利用計算機模擬，根據(jù)火災發(fā)生時火焰燃燒和煙氣流動狀態(tài)建立較為準確的數(shù)學模型，然后利用計算機圖像模擬火災發(fā)生時的情景。計算機模擬作為實驗模擬的重要補充，不僅可以彌補實驗模擬樣本不足的缺點，而且還可以指導實驗模擬，確定更科學、合理的實驗方案。此外，目前大多數(shù)公共場所和建筑空間都安裝有監(jiān)控攝像頭，這些專用的監(jiān)控系統(tǒng)，除了具有某些專用功能之外，加入火災探測功能，實現(xiàn)較為完備的解決方案，是火災探測技術向其他專業(yè)領域延伸的重要方式，也是火災探測產(chǎn)品的一個重要發(fā)展方向。

:

［1］公安部消防局編.中國火災統(tǒng)計年鑒［M］.北京:警官教育出版社，2002.

［2］程曉舫，王瑞芳，張維農(nóng)，等.火災探測的原理和方法（上）［J］.中國安全科學學報，1999，9（l）:24－29.

［3］程曉舫，王瑞芳，張維農(nóng)，等.火災探測的原理和方法（下）［J］.中國安全科學學報，1999，9（2）:1－5.

［4］嚴云洋，高尚兵，郭志波，等.基于視頻圖像的火災自動監(jiān)測［J］.計算機應用研究，2008，25（4）:1075－1078.

［5］王文豪，劉虎，嚴云洋.視頻火災識別的關鍵技術研究［J］.計算機仿真，2011，28（2）:304－307.

［6］Notifier Company.Video smoke detection［EB/OL］.［2012－05－15］.http://www.securityinfowatch.com/product/10216615/notifier－videosmoke－detection－vsd.

［7］PHILLIPS W，SHAH M，LOBO N.Flame recognition in video［J］.Pattern Recognition Letters，2002（23）:319－327.

［8］CELIK T，DEMIREL H，OZKARAMANLI H，et al.Fire detection in video sequences using statistical color model［J］.Journal of Visual Communication and Image Representation，2007，18（2）:176－185.

［9］CELIK T，OZKARAMANLI H，DEMIREL H.Fire pixel classification using fuzzy logic and statistical color model［C］//Proc.International Conference on Acoustics，Speech，and Signal Processing.Honolu－lu，Hawaii，USA:ICASSP，2007:1205－1208.

［10］CELIK T，DEMIREL H.Fire detection in video sequences using a generic color model［J］.Fire Safety Journal，2008（44）:147－158.

［11］HORNG W，PENG J，CHEN C.A new image－based real－time flame detection method using color analysis［C］//Proc.2005 IEEE International Conference on Networking，Sensing and Control.［S.l.］:IEEE Press，2005:100－105.

［12］LU T，PENG C，HORNG W，et al.Flame feature model development and its application to flame detection［C］//Proc.the First International Conference on Innovative Computing，Information and Control.［S.l.］:IEEE Press，2006:256－259.

［13］TOREYIN B U，CETIN A E.Online detection of fire in video［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition.Minneapolis，USA:IEEE Press，2007:1－5.

［14］王瑩，李文輝.基于多特征融合的高精度視頻火焰檢測算法［J］.吉林大學學報:工學版，2010，40（3）:770－775.

［15］WANG Zhenhua，WANG Huiqin，WANG Yanni，et al.Fire detection in video［J］.World Science Technology Research and Development，2008，30（2）:161－164.

［16］郭慶，黃齊鳴，曾昭周.大空間早期火災的雙波段圖像探測技術研究［J］.兵工自動化，2008，27（8）:61－65.

［17］顧俊俊，趙敏，吳毅杰.早期火災火焰尖角計算算法的研究［J］.青島大學學報:工程技術版，2010，25（1）:24－26.

［18］HARRIS C，STEPHENS M.A combined corner and edge detector［C］//Proc.the Fourth Alvey Vision Conference.Manchester，UK:IEEE Press，1988:147－151.

［19］徐小軍，邵英，郭尚芬.基于灰度共生矩陣的火焰圖像紋理特征分析［J］.計算技術與自動化，26（4）:64－67.

［20］CELIK T，OZKARAMANLI H，DEMIREL H.Fire and smoke detection without sensors:image processing［EB/OL］.［2012－05－15］.http://libra.msra.cn/Publication/6720800/fire－and－smoke－detection－withoutsensors－image－processing－based－approach.

［21］鄭璐，陳俊周.基于運動和顏色的視頻煙霧檢測算法［J］.計算機工程與設計，2010，31（21）:4650－4652.

［22］陳曉娟，卜樂平，李其修.基于圖像處理的明火火災探測研究［J］.海軍工程大學學報，2007，19（3）:7－11.

［23］閆厚，倪金生.基于網(wǎng)絡攝像機的森林火災煙火自動識別技術探討［J］.森林防火，2007，9（2）:25－28.

［24］KWON O H，CHO S M，HWANG S M.Design and implementation of fire detection system［C］//Proc.Conference on Advanced Software Engineering ＆ Its Applications.［S.l.］:IEEE Press，2008:233－236.

［25］ASHFAQUR R，MANZUR M.Detection of multiple dynamic textures using feature space mapping［J］.IEEE Transactions on Circuits and Systems for Video Technology，2008，19（5）:766－771.

［26］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，2007，26（4）:417－420.

［27］CHEN T H，WU P H，CHIOU Y C.An early fire detection method based on image processing［C］//Proc.the IEEE Conference on Image Processing.Singapore:IEEE Press，2004:1707－1710.

［28］CHEN T H，YIN Y H，HUANG S F，et al.The smoke detection for early fire－alarming system base on video processing［C］//Proc.the International Conference on Intelligent Information Hiding and Multimedia Signal Processing.Pasadena，CA，USA:［s.n.］，2006:427－430.

［29］安志偉，袁宏永，屈玉貴.數(shù)據(jù)采集在火焰閃爍頻率的測量研究及分析中的應用［J］.火災科學，2000，9（2）:43－47.

［30］LI Jin，F(xiàn)ONG N K.The motion analysis of fire video images based on moment features and flikers frequency［J］.Journal of Marine Science and Application，2004，3（1）:81－86.

［31］ZHANG Jinhua，ZHUANG Jian，DU Haifeng.A new flame detection method using probability model［C］//Proc.International Conference on Computational Intelligence and Security.Guangzhou，China:［s.n.］，2006:1614－1617.

［32］劉強.基于多信息融合的火焰檢測［J］.電視技術，2012，36（1）:126－128.

［33］TOREYIN B U，DEDEOGLU Y，GETIN A E.Realtime fire and flame detection in video［C］//Proc.International Conference on Acoustics Speech，and Signal Processing.Philadelphia，USA:［s.n.］，2005:669－672.

［34］TOREYIN B U，DEDEOGLU Y，CETIN A E.Wavelet based real－time smoke detection in video［C］//Proc.13th European Signal Conference.Antalya，Turkey:［s.n.］，2005:4－8.

［35］OLLERO A，ARRUE B C，MARTINEZ J R，et al.Techniques for reducing false alarms in infrared forest－fire automatic detection systems［J］.Control Engineering Practice，1999，7（2）:121－131.

［36］沈詩林，于春雨，袁非牛，等.一種基于視頻圖像相關性的火災火焰識別方法［J］.安全與環(huán)境學報，2007，7（6）:96－99.

［37］TOREYIN B U，DEDEOGLU Y，CETIN A E.Contourbased smoke detection in video using wavelets［EB/OL］.［2012－09－25］.http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.105.3515.

［38］GUILLEMANT P，VICENTE J.Realtime identification of smoke images by clustering based motions on a fractal curve with a temporal embeddingmethods［J］.Optical Engineering，2001，40（4）:554－563.

［39］NOBUYUKI F，KENJI T.Extraction of a smoke region using fractal coding［C］//Proc.International Symposium on Communication and Information Technologies.［S.l.］:IEEE Press，2004:659－662.

［40］GOMEZ R F，ARRUE B C，OLLERO A.Smoke monitoring and measurement using image processing:application to forest fires［EB/OL］.［2012－09－25］.http://adsabs.harvard.edu/abs/2003SPIE.5094.404G.

［41］袁非牛，張永明，劉士興，等.基于累積量和主運動方向的視頻煙霧檢測方法［J］.中國圖象圖形學報，2008，13（4）:808－813.

［42］王欣剛，魏崢，劉東昌，等.基于煙霧動態(tài)特征分析的實時火災檢測［J］.計算機技術與發(fā)展，2008，18（11）:9－12.

［43］YU Chunyu，F(xiàn)ANG Jun，WANG Jinjun，et al.Video fire smoke detection using motion and color features［J］.Fire Technology，2010，46（3）:651－663.

［44］練秋生，李黨.融合多種特征的煙霧圖像檢測算法［J］.光學技術，2009，35（4）:523－528.

［45］王濤，劉淵，謝振平.一種基于飄動性分析的視頻煙霧檢測新方法［J］.電子與信息學報，2011，33（5）:1024－1029.

［46］YANG Jing，CHEN Feng，ZHANG Weidong.Visual－based smoke detection using support vector machine［C］//Proc.Fourth International Conference on Natural Computation.Jinan，China:［s.n.］，2008:301－305.

［47］YUAN Feiniu.A fast accumulative motion orientation model based on integral image for video smoke detection［J］.Pattern Recognition Letters，2008，29（7）:925－932.

［48］PAULO V，EBROUL I.A probabilistic approach for vision－based fire detection in videos［J］.IEEE Transactions on Circuits and Systems for Video Techonology，2010，20（5）:721－731.

［49］CUI Yu，DONG Hua，ZHOU Enze.An early fire detection method based on smoke texture analysis and discrimination［C］//Proc.2008 Congress on Image and Signal Processing.Sanya，China:［s.n.］，2008:95－99.

［50］吳章憲，楊國田，劉向杰，等.基于Gabor小波的火災煙氣識別新方法［J］.儀器儀表學報，2010，31（1）:1－7.

［51］賈潔，王慧琴，胡艷，等.基于最小二乘支持向量機的火災煙霧識別算法［J］.計算機工程，2012，38（2）:272－275.

［52］TOREYIN B U，DEDEOGLU Y，GETIN A E.Flame detection in video using hidden Markov models［C］//Proc.IEEE International Conference on Image Processing.［S.l.］:IEEE Press，2005:1230－1233.

［53］HIDENOTI M，AKIHIRO N，F(xiàn)UJIO K.A new approach for smoke detection with texture analysis and support vector machine［C］//Proc.2010 IEEE International Symposium on Industrial Electronics.［S.l.］:IEEE Press，2010:1550－1554.

［54］徐仕玲.野外火災的圖像識別方法研究［D］.南京:南京航空航天大學，2008.

［55］侯杰.基于視頻圖像的高大空間建筑火災探測研究［D］.北京:清華大學，2010.

［56］齊懷琴，徐剛，王娜.基于視頻圖像的森林火災識別算法研究［J］.電視技術，2010，34（9）:116－118.

［57］謝迪，童若鋒，唐敏，等.具有高區(qū)分度的視頻火焰檢測方法［J］.浙江大學學報，2012，46（2）:1－7.

Survey of Fire Recognition Methods Research Based on Video

LU Shengnan，F(xiàn)ENG Jianli，DUAN Peipei

（College of Computer，Xi'an Shiyou University，Xi'an 710065，China）

The flames and smoke had its unique static and dynamic characteristics in the event of fire.Based on the analysis of fire image features，the typical methods of fire extraction and recognition are introduced according to the flame and smoke characteristics，which focuses on the analysis of various characteristics in the identification of fire and the algorithms used.Finally，the future development direction of the video fire detection method is reviewed.

fire recognition;flame detection;smoke detection;feature fusion

TP391.41

A

【本文獻信息】盧勝男，馮建利，段沛沛.視頻火災識別方法研究綜述［J］.電視技術，2013，37（3）.

陜西省重點工業(yè)攻關項目（2011K06－32）;西安石油大學青年科技創(chuàng)新基金項目（2011QN009）

盧勝男（1982— ），女，講師，主研圖像處理與模式識別。

責任編輯:任健男

2012－09－21