基于模式識別的火災煙霧探測中抗水霧干擾研究

王俊然，劉智，劉藝，夏巖

（1.長春理工大學 電子信息工程學院，長春 130022；2.長春理工大學 研究生院，長春 130022；3.長春理工大學 空間光電技術研究所，長春 130022）

基于模式識別的火災煙霧探測中抗水霧干擾研究

王俊然1，劉智2，劉藝3，夏巖1

（1.長春理工大學 電子信息工程學院，長春 130022；2.長春理工大學 研究生院，長春 130022；3.長春理工大學 空間光電技術研究所，長春 130022）

水霧與火災煙霧在顏色、形態以及面積擴散等方面均具有相似性，容易對基于圖像識別的火災探測技術形成干擾。在同一地點及環境下使用監控系統錄制火災煙霧和水霧的真實視頻，從運動方向特征和紋理特征著手進行分析，并利用支持向量機（support vector machine，SVM）對視頻進行火災煙霧和水霧的識別。實驗結果表明，火災煙霧與水霧在運動方向特征及紋理特征中熵和對比度上有明顯差異，火災煙霧識別時使用運動方向特征及紋理特征既能準確的識別出火災煙霧，又能極大減小疑似煙霧目標帶來的干擾。

煙霧識別；運動方向特征；紋理特征；支持向量機；

隨著視頻圖像技術運用到各種領域［1-2］，基于圖像模式識別的火災探測技術在近年來得到了眾多研究者的重視并快速發展，逐漸代替了基于傳感器的傳統火災探測方式。基于圖像模式識別的火災探測技術以計算機技術為核心，并結合了圖像處理技術和模式識別技術，可對發生初期的火災進行有效探測和識別。相比傳統的火災探測器其監控距離更大，使用范圍更廣，為人們對火災進行及時準確的探測提供了新的方法，并提高了災情探測和預警的反應速度和有效性。

當對災情進行探測和預警時，主要使用火災煙霧的特征進行判斷。但是，在復雜多樣的空間環境中［3］，有諸多疑似煙霧的干擾因素存在，這些干擾因素的存在嚴重影響了基于圖像模式識別的火災探測技術對火情探測和預警的準確率，而視頻中水霧的存在最具干擾性，無論從顏色，還是在形態上都與煙霧相似。本文通過對相同場景下的火災煙霧與水霧的運動方向特征和紋理特征進行對比，分析相同場景下火災煙霧與水霧間的差異性，并利用支持向量機對視頻序列進行分類識別，提高了基于圖像模式識別的火災探測技術的準確性［4］。

1 視頻圖像的特征分析理論

1.1 視頻圖像的運動方向特征分析理論

運動方向特征可以描繪視頻圖像中的運動物體的方向趨勢［5-6］。對于視頻圖像的運動特征常用塊匹配法。如圖1所示，首先將一副圖像平均分為M×N個子塊，子塊相互不重疊。通過每個子塊內的像素點做相等的平移運動，當前幀的N×N的分塊，在下一幀中對應的分塊，并在其一個大小為(N+2a)×(N+2a)的鄰域窗口內搜索比較，找到最佳匹配，從而得到當前塊的代替位置。當前子塊與匹配塊在二維平面上的位移即為運動估計得到的運動矢量。通過這種方法，即可得到每個子塊的運動方向。

圖1 塊匹配法

圖2 平面的8個方向

為了有效的將運動方向特征進行表述，如圖2所示，將一個平面分為8個運動方向，且每段運動方向對應一個數值。0°到45°對應1，45°到90°對應2，90°到135°對應3，135°到180°對應4，180°到225°對應5，225°到270°對應6，270°到315°對應7，315°到0°對應8。

1.2 視頻圖像的紋理特征分析理論

在對紋理特性進行描素時，使用灰度共生矩陣來描繪火災煙霧其紋理特征［8］。灰度共生矩陣是關于圖像像素之間角度和距離的矩陣函數，通過計算圖像上具有一定角度和一定距離的兩點灰度值之間的相關性，反應圖像像素之間的空間關系。設灰度圖像上一點(x,y)的灰度值為δ1，偏移它一定角度和距離的另一點(x +a,y+b)的灰度值為δ2，兩點之間便形成一個灰度值對(δ1,δ2)，令點(X ,Y)在圖像上逐步移動，直到遍歷整個圖像，則該點與偏移它固定角度和距離的另一點(x +a,y+b)會得到各種不同的灰度值對。灰度共生矩陣即統計灰度值對(δ1,δ2)出現的次數。滿足如下公式：

其中，W表示該圖像的寬度，H表示高度，i和j的含義為某一個灰度值，#表示個數，G(i ,j)即表示灰度對(i ,j)在圖像中出現的次數。通常，為了計算便捷一般會把一個圖像分為8個灰度級，用公式表示為：

由此，可以將共生矩陣化簡為一個8×8大小的矩陣，對計算的復雜度進行了簡化，提升了煙霧探測的效率，并保存了圖像的紋理信息。像素之間的位移(a,b)有兩個參數，分別為角度和距離。本文選取的角度為0°，45°，90°，135°，距離要根據紋理周期分布的特征來選取，本文選取較大距離表示粗紋理，選取較小距離表示細紋理。

當采用灰度共生矩陣對視頻圖像進行紋理特征描述時，有兩個標度信息，即對比度和熵。

（1）對比度，即慣性矩，描述一幅圖像的清晰程度和紋理溝紋的深淺程度。若對比度較大，那么圖像呈現出的紋理溝紋相對較深，紋理特征非常明顯；反之，若對比度較小，即圖像的灰度均勻分布，紋理溝紋很淺，難以辨認。其數學表達式為：

（2）熵，即一種在圖像中所包含信息量的度量，且紋理信息即為圖像信息的其中之一。當灰度共生矩陣中所有的元素都具有較為明顯的隨機性時，認為此時圖像中具有相對清晰的紋理特征，熵的值比較大；當圖像中不存在較為明顯的紋理信息時候，熵的值較小。其數學表達式為：

2 煙霧與水霧的特征對比實驗及分析

2.1 煙霧與水霧的運動方向特征對比

為了保證實驗的準確性，選擇同一背景，在不受風力的作用時，進行視頻錄制。圖3為截取錄制的視頻圖像并標出了煙霧與水霧的總體運動趨勢。其中，圖3（a）表示煙霧的整體運動方向，圖3（b）為加濕器產生水霧的整體運動方向。由圖可直接看出，在可燃燒過程中，由于熱氣流會使顆粒粒子向上運動，所以煙霧的運動方向是向上運動的；水霧的產生是因水分子的擴散，在空氣中逐漸形成小水滴，在空氣中懸浮，由于其密度較大在重力作用下逐漸下落，當在不受干擾時，水霧的運動方向特征與其水滴密度相關。

圖3 煙霧運動方向和水霧運動方向

在進行運動方向特征計算時，使用塊狀匹配法，匹配準則為MAD。在對多段視頻中的煙霧和水霧的運動方向進行計算后，得到計算結果，圖4為多段煙霧和水霧在平面8個方向的平均運動方向比例。

圖4 煙霧和水霧的平均運動方向比例

由圖4可知，水霧的運動方向分布比較集中，其中編碼3即向上運動的塊數最多，占總數比的0.3，編碼為1、2、4、5的塊數，即運動方向為右、右上方，左上方和左的分布相差不大，約占總數比的0.55，而左下方、正下、右下方約占中塊數的0.15。而水霧的運動方向分布相對均勻，圖像中編碼為6、7、8的塊數，即運動方向為左下方、正下、右下方約占總數比的0.43，而圖像中編碼為2、3、4的塊數，即運動方向為右上方、正上、左上方約占總數比的0.35。

由此可以看出，煙霧的運動方向為整體向上，而水霧的運動方向為先集中向上，然后在空氣中逐漸擴散，沉降，其運動方向是向下的，與特征分析結果一致。所以，通過運動方向特征可以將視頻圖像中煙霧與水霧進行區分。

2.2 煙霧與水霧的紋理特征分析與對比

觀察圖3中火災煙霧與水霧的紋理，會發現煙霧的紋理更加顯著，而水霧的紋理模糊，在提取多段視頻中的煙霧區域和水霧區域，分別計算其角度為0°，45°，90°，135°的熵、對比度值，部分數據如表1所示，圖表中的值為4個角度的平均值。

表1 煙霧與水霧的紋理特征數據

由上表可知，煙霧與水霧在熵和對比度上具有明顯的不同。通過視覺效果可以描素為：由于可燃物燃燒時會產生各種固體顆粒，在視頻圖像中其具有明顯的較多、較深的紋理特征，而水霧由水蒸氣凝結而成，無論是加濕器產生的水霧，或燒開的水產生的水蒸氣，都會在空氣中迅速的沉降，消散，其中加濕器產生的水霧的紋理少，溝紋淺，而水蒸氣的紋理特征在視頻圖像中更不明顯，因此通過使用運動方向特征和紋理特征中的熵和對比度，可以將火災煙霧與水霧有效區分。

3 支持向量機（SVM）的煙霧與水霧判斷實驗及結果分析

SVM是建立在統計學習理論的VC維理論和結構風險最小原理基礎上［9-10］，根據有限的樣本信息在模型的復雜性（即對特定訓練樣本的學習精度）和學習能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折中，以求獲得最好的推廣能力［11-12］。

3.1 支持向量機（SVM）的煙霧與水霧判別實驗

本文對錄制的煙霧視頻和水霧視頻進行裁剪，使用超過100幀的80段視頻制作視頻庫。其中，50段視頻用于樣本訓練，另外30段視頻進行煙霧和水霧的手工標記，用于測試，并將煙霧定義為1，水霧定義為-1。提取煙霧視頻與水霧的視頻的運動方向特征和紋理特征中的熵、對比度，表示為：其中，核函數選擇為徑向基核函數，選取了不同的核函數半徑g和懲罰系數C進行驗證，根據提前標記的標簽，其識別準確率為正確的分類數與測試樣本總數的比，實驗重復10次。

3.2 實驗結果與分析

表2為基于煙霧與水霧的運動方向特征和紋理特征的理論分析及對比，利用支持向量機進行煙霧與水霧判斷的實驗結果。

表2 支持向量機判斷煙霧與水霧測試結果

由上表可知，由于樣本中噪聲較小，核函數半徑和懲罰因子對分類準確率影響不大，在10次實驗中，平均識別的準確率為98.31%。實驗結果證明了使用運動方向特征和紋理特征對煙霧和水霧的識別上確實有效，運動方向特征和紋理特征能夠作為區分火災煙霧與水霧的特征向量。本文選取的火災煙霧特征具有很強的抗干擾性，為火災煙霧的識別打下了良好的基礎。

4 結論

為了減少基于圖像識別模式的火災探測時水霧對火災煙霧的干擾，本文從視頻圖像的運動方向特征以及紋理特征進行理論分析，并錄制大量火災煙霧與水霧的視頻圖像，并使用支持向量機（SVM）對視頻圖像進行分類識別。識別結果表明，雖然火災煙霧與水霧在顏色特征、形態特征以及面積增長特征上具有極大的相似性，但是在運動方向特征及紋理特征中的熵和對比度上，二者具有較為明顯的差異，運動方向特征及紋理特征能夠作為判別火災煙霧和水霧的重要參考標準。支持向量機（SVM）的識別結果進一步證明了使用運動方向特征和紋理特征區分火災煙霧和水霧有效性。本文結論為提高火災識別的準確率，減小由疑似煙霧目標帶來的誤判率提供了幫助。

［1]Rafiee A，Dianat R，Jamshidi M，et al. Fire and smokedetection using wavelet analysis and disorder character?istics［C］//Computer Research and Development（IC?CRD），2011 3rd International Conference on. IEEE，2011，3：262-265.

［2］ Calderara S，Piccinini P，Cucchiara R. Smoke detectionin video surveillance：a MoG model in the wavelet do?main［C］//International conference on computer visionsystems. Springer Berlin Heidelberg，2008：119-128.

［3]Rafiee基于遺傳算法優化的模糊神經網絡在智能樓宇火災探測中的應用［J］.長春理工大學學報：自然科學版，2008，31（2）：108-111.

［4]王俊然.基于煙霧圖像識別的火災探測研究［D］.長春：長春理工大學，2017.

［5]Tung T X，Kim J M.An effective four-stage smokedetection algorithm using video images for early firealarm systems［J］.Fire Safety Journal，2011，46（5）：276-282.

［6]Nguyen T K T，Kim J M.Multistage optical smoke de?tection approach for smoke alarm systems［J］.Optical Engineering，2013，52（5）：532-543.

［7]Jia Y，Yuan J，Wang J，et al.A saliency-based method for early smoke detection in video sequences［J］.FireTechnology，2016，52（5）：1271-1292.

［8]Fujiwara N，Terada K.Extraction of a smoke region us?ing fractal coding［C］//Communications and Informa?tion Technology，2004.ISCIT 2004.IEEE Internation?al Symposium on.IEEE，2004，2：659-662.

［9]李新.支持向量機的核方法及其多核聚類算法的研究［D］.青島：中國海洋大學，2010.

［10]閆超.基于SVM的中文文本自動分類系統的研究與實現［D］.太原：太原理工大學，2010.

［11]黃耀雄.基于ARM和OpenCV的火災煙霧識別研究［D］.太原：太原理工大學，2015.

Study on Water Mist Interference in Fire Smoke Detection Based on Pattern Recognition

WANG Junran1，LIU Zhi2，LIU Yi3，XIA Yan1
（1.School of Electronics and Information Engineering，Changchun University of Science and Technology，Changchun 130022；2.Graduate College，Changchun University of Science and Technology，Changchun 130022；3.Institute of Space Optoelectronic Technology，Changchun University of Science and Technology，Changchun 130022）

Water mist and smoke in color，shape and area of diffusion were similar and easy to be detected by image recognition technology based on the formation of fire disturbance。In this paper，the real video monitoring system of fire smoke and water mist was recorded in the same location and environment，the direction of motion features and texture features are analyzed，and the support vector machine of fire smoke and water mist on video recognition is used.The experimental results show that the fire smoke and water mist in the direction of motion features and texture features of entropy and contrast have obvious difference，which the fire smoke can accurately be identified and the interference brought by suspected of smoke target can greatly be reduced.

smoke identification；movement direction characteristic；texture feature；support vector machine

O245

A

1672-9870（2017）02-0094-04