火焰的图像识别，主要围绕火焰的颜色特征、运动特征、几何特征与纹理特征来分析。这些特征可以用传统的算法计算，也可以交由卷积神经网络提取。本文将介绍火焰识别中上述四个特征的提取方法与决策方法，以及卷积神经网络方法。最后总结了基于图像的火焰识别目前存在的问题，并展望了可以尝试哪些新的方法。

火焰有着其独特的颜色特征。不同的燃烧材料会有不同的火焰颜色，在一般的火灾情景中，火焰像素点的颜色主要分布在橙黄色到白色之间。为了描述火焰像素点的颜色分布情况，可以建立一个统计学的模型，称之为火焰颜色模型。通过火焰颜色模型，可以将图像中颜色与火焰相似的区域提取出来。这是最为简单有效的提取火焰区域的方法。建立火焰颜色模型的方法有：

关于火焰像素点各分量间的规律，已有很多研究团队对其进行过研究。经过他们的统计与观察，在各个颜色空间均有提出对火焰像素点的识别规则。

图1.火焰图像与RGB空间规则的输出图像

RGB空间规则：

HSV颜色空间规则：

YCrCb颜色空间规则[1]：

基于规则的方法优点在于算法简单，图像处理速度快，缺点则因规则而异。实验中，RGB空间规则的缺点在于规则过于宽松，导致分割不准确。

    很容易想到使用一个机器学习分类器作为火焰颜色模型，如K-NN、朴素贝叶斯、或是神经网络等。文献[2]尝试了使用K-NN与朴素贝叶斯构建火焰颜色模型。

    除此以外，机器学习聚类算法也可以应用在构建火焰颜色模型上。如使用EM算法训练一个高斯混合模型[3]。

图2.（左）火焰像素点值在三维空间中的分布，（右）十个球形区域的中心为高斯分量的中心，球的半径代表其两倍标准差范围。

图3.从左到右依次为在RGB、HSV、YCrCb空间中，使用朴素贝叶斯建立的火焰颜色模型，在图1所示的图像上的响应。

但是，仅仅依靠颜色模型是不能完成对火焰识别工作的。因为火焰的颜色空间跨度很大，难免会与其他物体的颜色空间存在重合，比如橙黄色的灯、夕阳渲染的天空等，这些物体或物体的一部分符合火焰的颜色模型。

火焰的另一个特征是火焰的运动特征。由于空气的流动，火焰的整体轮廓会随着时间而改变，呈现一种抖动的状态。与此同时，燃烧过程中火焰的内部也存在着纹理的变化。也就是说，图像中火焰的像素值将存在一定的时间变化率，这个时间变化率的检测手段有：

    通过两帧直接相减来获取图像中像素值的变化。这是最简单的运动检测方法。但是这种方法容易受到噪声的干扰，帧间差法输出的图像也经常含有大量噪声。

一般的背景减法需要选取某一帧图像作为背景，由于这种方法容易受到光照变化等因素的干扰，在各文献中也很少使用。其改进方法——动态背景减法[4]，通过构建一个相对缓慢变化的背景，对干扰的鲁棒性更高，缺点是需要调整算法参数以得到其最优性能。

前景累积法[5]将图像的帧间差值不断累积起来，而其输出前景图像的各个像素值都处于一个缓慢减少的状态。故运行过程中，运动部分（前景）像素值不断增大，静止部分（背景）像素值不断变小直到0，设置一个阈值，当像素值超过阈值时，认为这个像素是运动的像素点，从而提取出运动区域。这种算法的抗干扰能力强，无需构造背景帧，计算方式简单，但是由于前景的累积需要一个过程，所以存在一定的时延。

3.高通滤波器[3]

    对某些像素点值进行监测，将这些像素点值的时间序列通过一个高通滤波器，观察滤波器的输出，即可判断像素点值时间变化率的大小。

图4.一个类似小波分解的滤波器组

    以上方法均是针对固定摄像机提出的，对于摄像机的运动，需要另外的运动补偿算法。

几何特征的分析一般应用于火焰模型与运动检测后。将火焰颜色模型或（与）运动检测提取出的图像区域作为输入，

轮廓粗糙度的描述为物体轮廓的周长与其凸壳周长之比。由于火焰的不规则性，绝大多数情况下，图像中火焰的轮廓都是凹的，其轮廓周长会比凸壳的周长更大。故可以设置一个阈值，当轮廓粗糙度高于某个阈值时，认为该区域可能是火焰区域。

图5.火焰轮廓与其凸壳

其中Ak表示区域的面积，Pk表示区域的周长，Ck表示区域的圆形度。

在相同的周长下，圆是面积最大的几何图形。若物体形状越接近圆形，则Ck越大，反之形状越复杂Ck越小，Ck的值在0和1之间。同样是由于火焰形状的不规则，可以设置一个阈值C（如1/2.56），当Ck