随着社会的进步和经济的发展，大空间建筑逐渐增多，大空间的公共安全尤其是火灾防治受到了更多的关注，因此大空间的火灾探测提出了更高的要求。针对图像特征的选择，不同研究者有不同的方法，目前还没有学者对视频火灾探测的形态特征的选择进行对比分析研究，本文针对视频火灾探测常用的形态特征进行对比分析，引入AdaBoost分类器进行图像特征的选择，AdaBoost是一种统计提升学习算法，其核心思想是针对一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来构成一个更强的最终分类器，在机器学习领域得到了广泛的应用[7]。本文对每个形态特征建立一个弱分类器，通过AdaBoost算法分析各分类器在强分类器中的权值即强分类器中的作用大小，从而判断出形态特征在视频火灾探测特征选择的优先顺序。
2图像形态特征
国内外已经对视频火灾探测技术开展了大量的研究，提出了许多火焰图像的特征，在视频火灾探测系统中通常遇到选择何种合适的图像特征的问题，选择合适的图像特征可以提高系统准确率，降低误报率，图像形态特征作为视频火灾探测中一类重要的特征，图像的形态特征包括面积、周长、圆形度、边界粗糙度、矩形度、尖角数、相似度、质心位移等。
2.1面积
面积是描述连通区域的大小，经过图像分割获得的二值图像，统计二值图像中像素点值为1的像素点个数，计算出火焰或者干扰图像的面积，面积的计算公式为[8]
(1)
式中：表示某个需要进行度量的连通区域；为二值图像像素值。
2.2周长
周长是计算连通区域边界的长度，边界相邻像素存在两种情况，一种情况是相邻像素并列即相邻像素位于同一列或者同一行，这种情况下的相邻像素的距离为1，另外一种情况是边界两相邻像素位于对角线上，这种情况下的相邻像素的距离为。边界周长计算公式为
(2)
式中表示连通区域边界上相邻像素点的坐标。
2.3圆形度
圆形度是用来描述事物边界的复杂度，与手电、日光灯、金属反光等形状相对规则的事物相比，火焰的形状不规则，通过圆形度排除规则的发亮物体的干扰。圆形度值最大为1，值越小说明物体越不规则。圆形度C的计算公式为[9]：
(3)
式中：为连通区域周长，为连通区域面积
2.4边界粗糙度
边界粗糙度可以表示火焰图像边界的复杂性，边界边界粗糙度采用连通区域的凸包周长与火焰周长的比值来描述，边界粗糙度的公式为[10]：
(4)
式中是连通区域凸包的周长，是连通区域的周长，凸包周长计算采用Barber等[11]提出的凸包快速求解算法。
2.5矩形度
矩形度表示连通区域与最小外接矩形的相似程度，矩形度R的公式定义为[12]：
(5)
式中：为包含物体所在区域的最小矩形面积，为疑似火焰区域面积。
2.6尖角数
火焰尖角在人类观察火焰中最明显的形态特征，火焰尖角的首要特征是顶点，尖角的顶点可以是多个，尖角的另一个特性是尖，给人的视觉效果是狭而长。在分割图像中，尖角是由一系列点组成的，令尖角中某一行的亮点数为，上一行的亮点数即为，突出尖角的可以控制上下两行的比值T确定[13]，即
(6)
统计经过图像分割获得的二值图像中满足狭而长特征的尖角个数。
2.7相似度
火焰的形状从单帧图像上看是不规则的，但从序列图像上观察，特别是间隔较短的连续帧图像，火焰具有一定的相似性，并且在一定范围内变化，与快速移动的光源和具有火焰颜色特征的干扰的运动具有明显的差别，因此可以将相似度作为火焰判别的一个依据[14]。相似度的计算公式为：
(7)
式中：表示第帧图像连通区域，表示第帧图像连通区域
2.8质心位移
质心定义为区域中像素坐标的平均值，质心本身不作为判据，它主要是用来求解位移，某区域各火焰像素的坐标为，其中，则第帧质心坐标可由式(10)求得。
(8)
质心位移：若当前帧重心为，前一帧重心，则当前帧位移为：
(9)
3特征选择与分类方法
本文用AdaBoost算法进行形态特征选择，AdaBoost算法是一种Boosting算法，Boosting也称增强学习或提升法，能够将预测度精度仅比随机猜度略高的弱分类器增强为预测精度高的强分类器[7]，Boosting过程中给每个弱分类器赋予一个权值，分类效果好则权值大，分类效果差则权值小，本文算法实现思路为：给每个形态特征建立一个弱分类器，每个弱分类器只通过一种形态特征对样本进行分类，在每轮训练中，从所有特征分类器中选出加权误差最小的弱分类器，其对应的特征即为本轮训练得到的弱分类器[13]。通过AdaBoost算法的训练，可以得到各特征弱分类器对样本分类误差的排序，并对各特征弱分类赋予权值，分类误差越小，弱分类器的AdaBoost权值越大。
3.1弱分类器设计
在实际数据统计过程中发现，火焰图像与干扰图像的形态特征值分布呈现图1所示形式，火焰与干扰分布有较明显的区别，其中P为正样本，N1、N2为负样本，所以本文提出分类的方法采用双阈值法，即选取正样本分布区间，特征值满足分布区间(）内的数值的样本认为是火焰，区间外的数值认为是干扰，则得到各个特征的弱分类器满足式（10）。