基于图像识别的火灾检测系统设计思路流程

Posted 2021-06-02 J哥。

【摘要】
火象征着人类文明，推动着人类文明的进步。对人来说，火是利弊同时存在的，当我们控制不住时会酿成火灾，会对我们造成巨大损失。传统感烟式传感器探测时间长，不能及时的将火灾信息传递给我们，并且检测精度低。因此，为了弥补传统的火灾检测系统的不足，降低火灾对我们的危害，要把对火灾的安全预防以及新型火灾检测系统的研究当做我们不懈追求的目标，成为我们前进的动力。
本文研究了火焰本身存在的物理特点，结合数字图像处理技术，完成了基于图像识别的火灾检测方法。详细考察了火焰产生的过程机理，并具体分析了火焰rgb的颜色特性。在此基础上，利用matlab进行了仿真，系统地验证了这些数学模型和辨识算法的有效性和准确性。本系统对火焰和烟雾进行了检测，检测系统的核心是数字图像处理单元软件，它可准确识别火焰和烟雾图像基本特征。其中需要对图像进行灰度化处理、图像二值化、直方图均衡化，还需进行图像分割操作，将图像中的背景与目标分离，并查找要处理的图像部分，在提取图像中的目标后，对目标进行分析，以确定该目标是早期火灾还是其他干扰。

关键词：火灾检测；图像处理；matlab；rgb颜色特征。

1.绪论
1.1研究背景
火是人类文明的象征。它可以危害人类，但同时也可以给人带来幸福。对人类来说，火是利弊共存的，它点亮了人类文明的进程；但同时火不在我的控制之下，它带给我们灾难。随着社会的不断进步和发展，煤气、天然气走进了千家万户，家庭火灾的发生率逐渐升高，造成的重大事故层出不穷，给我们生命的安全带来威胁，危害公众的财产安全，这不得不让我们警惕火灾的危害，因此，我们需要加强对火灾的研究，开发设计新型的火灾检测系统，应用于社会，降低火灾对我们造成的危害和损失。

1.2研究现状
火灾现场一般都会产生烟雾、火焰和有毒气体，环境温度也明显升高。在我们长期的火灾监测研究工作中，传统的火灾监测工具和方法主要是对火灾的副产品进行检测，经过长期的探索，在先辈们的努力下研究出了多种监测方法。根据火灾产生的烟雾研究出烟雾型火灾探测器，根据火灾产生的气体研究出气体型火灾探测器，根据火灾产生的温度变化研究出温度敏感型火灾探测器，以及根据其他类型的火灾探测器。近年来，出现了一种基于图像处理技术的火灾探测器，这些新型探测器的发明对人类预防火灾、减少火灾危害具有重要作用。

1.3研究的目的和意义
近年来，高新技术产业安全的快速发展和未来消防安全要求的日益严格，国内和国外发展了一种新的基于图像处理的方法。随着计算机和信息技术的飞速发展，国内外各从事软件研究和火灾报警设施的研究机构及其主要公司都在不断地研究火灾探测技术。为了解决实际情况，设计了一种图像型火灾探测器。图像检测速度快，图像信息更丰富直观，能够弥补传统的火灾检测系统的缺点。同时基于图像处理火灾检测技术的敏感元件与火灾现场间接接触，在相对恶劣的条件下可以使用。据了解，基于图像处理技术的火灾探测方法得到社会科研人员的重视，逐渐成为研究的主流。

2.方案及系统设计
2.1需求分析
1.准确性需求。保证系统能够通过一系列的图像处理成功识别出火灾区域，尽量减少对火情的误判，同时与火焰相似颜色的事物应避免被识别成火焰，减少其他干扰事物对活在判断的影响，能够准确地识别出火灾，提高系统的检测准确性。
2.实时性需求。要求系统能够在第一时间发现火灾，不能等到火灾扩大到一定程度才检测出来，因此我们可以对火灾初期可能产生的烟雾加入检测范围。在火灾发生初期及时发现火情是火灾检测系统的一个重要功能指标，越早发现，我们才能更加有效采取措施，降低火灾造成的影响。
3.可靠性需求。

2.2功能设计
2.2.1增强图像的处理
灰度转换：根据一定的目标条件，通过恒定的转换关系，改变原始图像各像素点灰度值的方法。该方法可以提高图像质量，计算机处理后，能给用户带来更加良好的显示效果。图像的灰度变换处理是图像增强处理技术中一种非常直接的空域图像处理方法，是图像显示软件和图像数字化软件的重要组成部分。
对独立像素点进行灰度转换，通过改变原始图像数据所占的灰度范围，让图像质量在视觉上发生变化。如果所选的灰度转换函数不同，则相同的图像转换的结果也不同。因此，灰度转换函数的选择应根据图像的性质和处理的目的来确定。选择准则是经过灰度转换后增加像素的动态范围，使图像的对比度扩大，图像变得更清晰、细腻、易于区分。本设计采用灰度转换来增强图像处理效果。
直方图均衡化：增加图像的全局对比度。通过这种方法，亮度或者像素值可以更好地分布在直方图上。这样可以在不影响整体对比度的情况下增强局部对比度，并通过有效地扩展公共亮度，实现直方图均衡化。

2.2.2对图像的形态学处理
图像形态学就是对图像进行形状上的相关操作处理，包括膨胀、腐蚀等较简单的方式以及开闭环相对复杂的处理方式。该设计可以有效地去除多个干扰，从而在不去除图像的情况下去除背景中的形态图像。
原理：首先定义一种结构单元，它的作用是用来与指定操作的结构进行相关的逻辑运算处理，是进行运算的最小单位，在待运算的二值区域区域中，截取出与结构单元同样大小的区域，不同位置的像素值执行其相应的逻辑运算，直至遍历整个二值区域。操作结构是输出图像的对应像素，结构单元的大小对逻辑运算的结果有较大的影响，因此结构大小要设置得合理；逻辑操作特性也能影响操作效果。
结构单元是二维平面，由黑色和白色点阵组成，一般黑色代表1，白色代表0。结构单元的中心点代表着图像处理像素的量级，中心点与其他二值域相应部分进行比较，如果都没有超过结构单元像素级，则该区域保留，并确定结构元素的值为1。
腐蚀操作要求结构单元与目标区域进行完全覆盖，保留结构单元的中心点覆盖位置，若是灰度图像处理时，是寻找结构元素中覆盖目标图像的最大值。一般经过腐蚀处理后得到的结果面积是小于原图像的。

2.2.3软件报警
软件报警就是对火灾检测的结果进行响应或者警示的作用，提高系统的及时性和实用性。在生活中很多地方都会用到报警处理，能够及时提醒我们对突发事件做出相应的对策，提高工作效率。
软件的报警处理主要依据的是图像的亮度或者灰度级变化，先运用亮度算法计算出原始没有火焰产生的图像亮度，并将其设置为亮度阈值，通过设定的亮度值与其他场景的图像计算出的亮度值进行比较，若大于亮度阈值则可能有火情发生；若小于亮度阈值则没有火情发生，由此判断检测场景中是否存在火情。例如，在监测的场景中，未发生火灾时，根据图像处理中计算平均亮度的函数，计算出原始的亮度值，这个值设定为检测阈值。在处理烟雾图像和火焰图像时，这些图像的亮度一般都是高于检测阈值的，因此我们对采集到的图像进行灰度化，像素值分析处理后，如果得到的平均亮度值高于检测阈值，则可以判断图像中存在火情，并且弹出报警窗口用于提示；低于检测阈值，则图像中不存在火情。
亮度计算：

B为计算得到的亮度值，A为原始图像。

2.3系统流程
原理：本文研究了基于图像识别的室内火灾探测系统的设计和关键技术。图像火灾探测系统主要在计算机上使用照相机监测现场。将采集到的视频信号作为数字图像采集到图像采集卡中，输入计算机，通过无线传输网络将这些数据传输到远程监控中心，利用基于火灾的特征颜色分析模型，采用火灾图像检测算法，判断是否生成火灾隐患。图像识别型火灾探测技术可以从图像的角度解决传统火灾探测技术在火灾探测过程中的损伤问题。

获取图像：对图像进行采集一般使用的是摄像头。在检测场景中安装摄像探头，可实现对图像的实时采集，把数据传输给软件处理系统进行后续的分析处理，这样可以保证对周围场景中产生的火情实时把控，避免出现漏报的情况。

图像预处理：图像特征提取前的关键是图像预处理。由于环境和图像采集设备的影响，输入计算机的图像一般存在各种误差，噪声较大，对比度和亮度不足。为了提高系统后期算法的运算效率，图像预处理需要对原始数字图像进行各种变换。首先，处理噪声，通常包括各种滤波、中值滤波和均值滤波（也称为线性滤波），均值滤波其中图像的每个像素被视为周围几个像素的平均结果。对图像中包含的噪声进行平均，其主要原理是利用图像的灰度连续性。中间滤波是基于统计理论得到的一种滤波方式。在去除噪声后，将输入图像转换成可以反算的数字化图像，进行图像分割处理。图像分割的目的是将原始图像的鉴别部分和非鉴别部分分开，在许多场景中，识别对象只是整个图像的一部分，在识别之前对鉴别区域进行分割。

图像特征：每幅图像都有其对应的特征，是图像识别中最重要的信息。不同类别的特征对应不同的图像，特征可以分为不同的等级，分为高等级特征和低等级特征，其中高等级特征又称为全局特征或结构特征，它们是相互关联的复杂特征，而且图像中的物体可以有效地辨别。低级特征也称为浅层特征，通常是图像中一些的比较简单大小信息或边缘的像素特征。低层特征包括颜色、纹理、形状、大小等，但这些特征的复杂度很低，且互不连通，可以用来直接识别图像。在特征提取过程中，需要使用特定的算法对特征进行过滤，在保留实际特征的同时消除不必要的特征。

图像识别：通过特征提取，将图像的所有信息转化为一系列特征向量，即识别图像的特征向量的过程。使用图像处理计算机视觉系统时，需要快速识别图像。必须将一个未知的图像与成千上万个数据库的图像进行匹配。当图像信息包含复杂的特征向量时，计算机对识别速度要求很高，整个过程对计算机硬件和软件都提出了很高的要求。目前，图像识别的一般方法有bines算法、神经网络方法、强化学习方法、模板匹配方法等。

2.4.2核心算法分析

一幅图像包含很多信息，既有无关的背景，也有感兴趣的对象，因此有必要对图像进行分割，并将与待识别对象密切相关的部分分离。后续处理与对象相关的部分，减少了计算量，同时也提高了检测速度。阈值化是最简单的图像分割处理，具有计算量小，计算速度快等优点。阈值包括全局阈值、中间阈值和局部阈值。

基于阈值的火灾图像分割算法:阈值分割法是区域分解算法中最简单的方法，其基本思想是将高于某一灰度级的像素划分成一个区域，低于某一灰度级的像素划分成另一个区域。分割效果的好坏直接取决于灰度的阈值选择，阈值的选择方法多种多样，直方图的阈值方法通过使用灰度直方图获得双峰或多峰，并选择峰之间的底端作为阈值来作为阈值。首先，搜索直方图的最大局部值和两者之间的最低点，并测试直方图的平坦度。实验表明，基于阈值的火灾图像算法适用于背景场景相对简单的情况，但火灾产生的环境一般比较复杂，且不发生在单一背景的情况下。因此，单独使用阈值分割算法时，检测精度有偏差，降低了检测精度。因此，可以根据其他方法对阈值法进行划分，更准确地划分火焰区域。

基于差分法的火灾图像分割:该方法常用于检测运动目标和图像变化区域。差分方法中包含两个概念，一个是前景运动图像，另一个是运动之外的图像也即是背景图像，我们需要对这两个部分分开进行检测，得到背景不会特别复杂的火灾图像。使用差分法进行分割，经过相关的实验研究，其得到的效果比起阈值分割要好一些，并且所得到的图像是简单的差分图像。在实际应用中，如果出现摄像机未捕捉到运动的事物，对两帧连续的图像要进行差分分割，用邻域差分能得到比较好的效果。其原理是在连续的图像序列中，对于不是相同时刻的两帧或多帧图像，它们在进行相同的坐标区分时，所展现出的像素灰度值是不相同的，色度值也会有些许变化，并通过阈值处理提取包含图像中运动信息的像素区域。由此我们可以通过图像的亮度或者色度来推断场景中是否存在运动事物，如果得到的监测结果显示亮度差别不大，则可以推断图像中不存在运动物体或目标；如果得到的检测结果显示像素的亮度值差别较大，则可以推断在监控场景中就存在着一个移动的对象，它是二进制处理的对象。

3.软件设计
3.1 方法和步骤
matlab提供了强大的数据处理功能。为了对火焰识别算法进行检验，根据火焰的视觉特性和火焰识别算法的原理，设计了检测方案，并通过对火焰识别算法的系统处理分析，对系统进行了独立处理。我们创建了一个m函数文件，用于验证实用性和可靠性。
检测方案为：
为了模拟火焰的算法，需要采集大量的图像文件。通过对这些真实火灾环境和干涉环境图像文件的仿真分析，提高了算法的“学习”能力，提高了算法模型的鲁棒性和可靠性。
其次，利用强大的matlab编程语言，建立了火焰颜色、滤波算法、形状分割、图像阈值、图像灰度、直方图均衡化等m函数文件。
第三，执行上述m个函数来分析执行结果。
第四，将所有模拟的m函数结合起来，生成一个火焰视频识别算法m.函数文件。

上图：首先打开matlab软件，找到相对应的文件夹，在命令行窗口中输入guide(注意必须小写)并点击回车；2.在上方菜单栏中点击guide按钮。选择新建gui选项，弹出的对话框中选择新建空白文件blank gui（default），点击OK则成功生成了一个gui文件。在上方点击保存按钮保存，注意保存的文件名必须以字母为开头，并且不能使用中文。

绘制用户需要的图形界面：用户可根据自己需要，在操作界面上添加自己想要的工具或者文字。
（matlab界面设计详细就不在详述了）

4.试验结果
4.1背景较暗的火焰图像

火焰图像进行灰度处理

图像进行直方图均衡化，增强图像的对比度

 

最终结果

4.2背景较亮的火焰图像

 

4.3背景较亮的烟雾场景

 

5.总结
首先探讨了传统的火灾检测系统，分析了国内外对图像型火灾检测系统的研究，然后介绍了图像处理火灾检测系统的原理。本设计系统通过图像采集设备，将采集到的图像传输到matlab软件系统中，经过图像灰度化、直方图均衡化、图像二值化、图像阈值分割以及图像的形态学处理等技术处理后，得到的就是检测结果的图像。
本系统具有以下几个特点：
图像处理火灾检测系统能够对烟雾和火焰都进行检测。在火灾产生的初期，明火还未出现，此时烟雾是会出现的，它也是火灾早期的特征之一，因此加入对烟雾的分析识别，有利于提高系统的准确性，进一步增强系统的实时性功能，更好地实现对初期火灾的识别。
图像识别的软件系统采用的是matlab。做图像处理的语言多种多样，但与matlab相比较还是稍逊一筹，例如c++工具，虽然也能完成对图像的处理，但是其需要的代码量庞大，过程较复杂，涉及到相当多的专业技能，对初学者很不友好。而matlab本生就是为了处理数据更加效率便捷，并且语法结构较简单，代码量较小，过程方便易懂。
结合图像的形态学处理进行检测。该技术对图像进行形状上的相关处理，在不去除图像的情况下，可以有效地去除多个干扰。