王 雨，陈淑荣

（上海海事大学 信息工程学院,上海 201306）

近年来，基于视频监控图像的火焰检测和识别成为一个新兴的热点[1-3]。为了克服传统火灾检测技术不稳定和误判率高的缺点，采用视频分析的火焰检测通常通过分析彩色视频输入信号的颜色、时间和空间变化进行火灾检测和预警，与传统火灾监控系统相比具有准确度高、成本低、使用范围广等优点。随着计算机模拟视觉的发展，利用人工神经网络的自学习和自适应能力对火焰的特征参数进行多特征融合[4]，能提高系统的稳定性与准确性。以往研究多采用BP神经网络[5]和基于梯度下降的非线性优化策略识别火焰，容易陷入局部最小问题，而不能求出全局最小值。

本文提出了一种基于火焰动态特征分析和神经网络模型的监控视频火焰检测方法，利用火焰图像序列的离心率、放射性（Solidity）、整体移动等特征信息，结合线性分类功能更强的学习向量量化(LVQ)神经网络训练并准确识别和分类可疑火焰,解决了传统BP神经网络火焰信息识别的缺陷。

1 可疑火焰动态特征提取

视频监控图像中的火焰检测需要提取火焰区别于其他物体的基本特征。火焰的动态特征最具特色也很复杂，表现为火焰闪烁、区域形变、边缘的随机运动和抖动等。本文特征提取的实验场景中的可疑火焰区域存在真实火焰和可疑干扰火焰，即蜡烛光和手电光。图1所示为监控视频录像中提取的一帧图像的灰度图像，从左到右包含蜡烛光、手电光和真实火焰,阈值分割后的图像如图2所示。……