大空間環境下初期火災快速識別算法研究

烏日汗

大空間環境下初期火災快速識別算法研究

烏日汗

(呼和浩特市消防支隊，內蒙古 呼和浩特 010010)

提出了一種大空間環境下火焰圖像快速識別的算法。通過建立背景的統計特性模型確定了目標捕獲的方法,通過初期火災的發展規律得出了識別火焰顏色和形狀特征的基本算法，利用模式識別算法給出了識別目標是否為火焰的算法。測試結果表明，該算法可以快速捕獲和識別火焰圖像，且誤判率很低，能夠作為大空間建筑初期火災預警的依據。

大空間；火焰圖像；模式識別；特征提取；火災探測

0 引言

隨著我國城市化進程的快速發展，城市規模越來越大，城市建筑的高度、尺度和功能越來越高大、復雜。商場、圖書館、大型物流倉庫、展覽中心、體育館、車站、航空港等大空間建筑也層出不窮。此類建筑一旦發生火災，火勢發展迅猛，蔓延速度快，建筑物內的人員疏散比較困難，這對人員生命財產安全具有極大威脅。對于大空間建筑，火情發現越早，火勢蔓延的可能性越小，造成的損失也就越小。因此，大空間建筑火災的早期預警也成為消防領域研究的一個重要課題。

目前，應用于大空間建筑的火災報警系統由多維火災探測器組成，其中的主要組成部分是圖像型探測器以及分布在各區的感溫、感煙、感光、可燃氣體探測器。圖像型火災探測器則通過對視頻圖像的識別來判斷有無火災發生。為了降低誤報率，圖像型火災探測器通常要與其他類型的探測器配合使用。感煙型火災探測器利用傳感器對懸浮在其周圍空氣中的燃燒和熱解產生的煙霧氣溶膠進行采樣檢測，當檢測到該區域的煙霧顆粒濃度超過閾值時立即發出火災報警信號。感溫型火災探測器是對周圍空氣的溫度進行定時采樣，一旦發現該區域的溫度在短時間內劇烈升高并超過一定范圍時便發出火災報警信號。感光型火災探測器通過檢測火焰的光譜、強度、閃爍頻率以及不可見的紫外線或紅外線輻射來發出報警。可燃氣體探測器對可燃氣體進行采樣，判斷是否發生火災。在大空間建筑中，由于高度高(一般凈空都會超過6 m)，感溫、感煙、感光等火災探測器的靈敏度受到了很大影響。這些探測器往往在火災發生到一定規模時才達到閾值報警，這對于及時發現火情是很不利的。因此，在大空間火災監控中，這些探測器通常是作為圖像型火災探測器的輔助探測器。

圖像型火災探測器的主要技術是圖像識別技術，這是一種基于模式識別技術的圖像識別。這類探測器利用監控攝像頭對現場進行實時圖像采集，將采集的視頻圖像信號經圖像采集卡轉換成數字圖像輸入到計算機，再利用數字圖像處理和模式識別技術并結合火災火焰的靜態和動態特征，對火災圖像進行綜合判斷識別，發出報警信號，在監視器上標識出火焰出現的具體位置[1]。這類探測器具有空間適用性高、環境適用性好、處理速度快、抗干擾能力強、實時報警、遠程監控、探測可靠性高、信息豐富直觀等特點。目前。圖像型火災探測技術已廣泛應用于各種室內大空間場所。

大空間建筑要求圖像型火災探測器具有更快的響應速度和更高的準確性，一方面準確識別早期火災，另一方面是減少誤報率。快速響應要求識別速度快，低誤報率要求識別準確性高。這就需要有高效準確的識別算法作為支撐。為此，提出了一種基于火焰特征的快速識別算法。該算法一方面通過提取圖像特征來減少運算量，提高運算速度，另一方面通過建立火災圖像數據庫實現精確比對，以降低誤報率。

1 基于火焰特征的識別算法

1.1 算法基本構成

基于火焰特征的識別算法包括目標捕獲、噪聲清除、特征提取和圖像識別等算法，如圖1所示。目標捕獲算法用于跟蹤大空間攝像機所采集的視頻流中發生變化的幀和區域，捕獲目標區域。噪聲清除算法利用圖像處理技術對確定的圖像進行濾波處理，清除其中的噪聲或干擾信息。特征提取則是從濾波后的圖像中提取出具有代表性的特性，作為識別的因素。目標識別算法則根據所提取的特征與數據庫內采集到的標準圖像特征進行比較，確定當前目標是否屬于火焰。火焰識別是一種多特征綜合識別過程，依靠單一特征識別往往會出現誤識別，導致誤報或漏報。本文采用火焰顏色和形狀綜合識別以提高識別的準確性。識別過程中，為了提高算法的識別速度，首先采用背景消除的方法將區別于火焰區域的背景消除，由于初期火災的火焰一般比較小，故可以在攝像頭攝取圖像較小的范圍內捕獲火焰，進而提取目標區域的顏色特征和形狀特征，通過識別算法判定捕獲的目標是否為火焰。

圖1 基于火焰特征的識別算法

1.2 目標捕獲算法

一般情況下，大空間建筑內的攝像機處于靜止狀態，所監控場景中多數物體在視頻圖像序列中為靜止狀態，而火焰或其他活動體則呈現運動特征。為了實現對視頻圖像的分析，首先需要對視頻圖像序列中的運動區域進行分割，以獲取有助于識別的目標區域。本文采用幀間取差法捕獲目標，利用相鄰兩幀圖像之間的差別來判斷目標是否為動態目標。如果是動態目標，則需要進行分析，否則就繼續監測。在目標捕獲過程中，為了減小計算量，采用背景消除法清除圖像背景，突出圖像的前景，并以此作為分析的對象。這樣大大減少了圖像數據的計算量，有助于火焰的快速識別。綜合考慮處理速度和算法性能及應用場合等因素，選擇背景消除法作為檢測運動目標的方法。通過將背景設定為混合高斯模型，可以準確、快速確定運動目標。實測表明該方法能較好地檢測出包括火焰在內的運動目標。

1.2.1 背景消除算法

背景消除方法是利用背景的參數模型來近似估計背景的像素值，將當前幀與背景模型做差分運算來得到前景，若像素區別較大則被認為是前景像素，反之，則認為是背景像素。具體過程是：假設Bi(x,y)、Ii(x,y)分別代表第i幀圖像中像素點(x,y)的背景像素值和當前圖像的像素值，那么下式就是用來估計此位置下一幀的像素值Bi+1(x,y)：

式中，參數a的取值范圍為0到1。運動像素通過當前圖像和背景圖像使用基于閾值的差分來實現，然后將運動像素通過二維連通算法連接成團塊，這樣就提取到了前景區域。

1.2.2 背景模型的建立

背景模型采用混合高斯背景模型[2]，該模型使用K個高斯分布來表征圖像中各個像素點的特征，多個分布能自適應的學習背景，并通過調整各自的權值來控制其在混合高斯背景模型中所占比重。在新一幀圖像獲得后更新混合高斯背景模型，然后用當前圖像中每個像素點與混合高斯背景模型進行匹配，如果匹配成功則判定該像素點為背景點，匹配不成功則為前景點。背景模型學習過程如圖2所示。

由于場景中存在運動目標或其他干擾噪聲，因此建立的背景圖像中存在一些非背景像素點，用這類像素建立的高斯分布模型應該被去除。假設這些運動目標噪聲在場景區域中不會長時間停留在某一位置上，這樣與其相對應的高斯模型的權值和優先級就非常小。將K個高斯分布按照權值大小依次排列，則前B個高斯分布便可以作為背景模型，B的定義為：

圖2 背景建模過程流程圖

式中，ωj,xy表示第j個高斯分布的權值；M為設定的閾值，表示能真正反映背景的像素占總像素的最小權重，若M取值較小，便為單高斯分布背景模型，若M取值較大，便為混合高斯分布背景模型。

將每一幅視頻圖像的每一像素點與該像素點對應的混合高斯背景模型的各個高斯分布進行比較，若有|z-μj,xy|<2.5σ，則該點屬于背景，否則屬于前景，其中μj,xy表示第j個高斯分布的均值，σ為圖像的整體方差。

1.3 火焰的特征提取算法

火焰特征的提取是在確定火焰區域之后進行，如果圖像中出現了變化的前景，則將其認定為目標。算法針對目標進行特征提取，這樣可大大降低計算量，也便于快速識別。為確定目標是否為火焰，需要建立火焰的特征模型，本文采用顏色和形狀兩個方面的火焰特征。之所以這樣選擇火焰特征，是因為火焰具有強烈的視覺特征，其顏色和形狀是最為突出的特征，可以作為火焰識別的重要判據。雖然不同的材料燃燒火焰顏色不同，但在一般情況下，火焰圖像的顏色和灰度級呈一定的分布規律[3]。

1.3.1 火焰的顏色特征

通過將圖像變換為HSI空間內的數字矩陣對火焰顏色進行建模。在HSI空間，分別用圖形色調、飽和度與亮度來描述一個像素點，這種描述方法與RGB空間中用紅、綠、藍三基色的亮度值來描述圖像的方法不同。文獻[4]給出了火焰像素點應具備的條件為：

式中，H(x,y)、S(x,y)、I(x,y)分別表示像素點(x,y)的色調、飽和度與亮度。式(3)中的數據是基于大量的統計和比較的結果。

由式(3)可知，火焰的像素點在色調、飽和度與亮度方面同時滿足上述條件。因此，在提取目標圖像的特征時，首先提取的是這三個方面的特征。但是，從實際情況看，大空間圖像型火災探測器經常受到類似于火焰的目標的干擾。如果只從上述三個特性來判定火焰，顯然是不充分的。寬松的判定條件往往會造成大概率誤判，因此還需要另外提取火焰形狀方面的特征。

1.3.2 火焰的形狀特征

為建立火焰的形狀特征，觀測了火焰視頻中將近2 000幀圖像中的火焰形狀。通過觀察和匯總得出的結論是，初期火的火焰面積隨著時間逐漸變大。火焰面積變化速率可以用式(4)表示：

為了捕獲相鄰幀之間火焰面積的變化，采用Kendall-τ檢測器。Kendall-τ趨勢算法表達式為：

式中，x(t)為輸入信號，代表火焰目標區域中包含的像素點數目；u(x)是單位躍階函數；ε是試驗確定的誤差閾值；N為觀測數據的窗口長度。

火焰的形狀呈現有規則的跳動性銳角分布，且隨著火焰的逐漸增大，相比于周圍環境的圖像和干擾因素，其銳角數量是變化的，數量也越來越多。通過觀測銳角數量的變化情況，也可以判定出目標的屬性。

1.4 目標識別算法

目標識別算法利用的是模糊判決法。根據目標圖像的綜合特征與特征庫中的火焰特征之間的相似程度來判定目標是否為火焰。目標的綜合特征可以表示為一個五元函數S(h,s,i,ΔA,Δa)，其中h、s、i為目標區域內像素點的色調、飽和度與亮度的平均值，ΔA為目標區域的面積變化，Δa為目標區域內銳角的數量變化。為了進行比較和判決，需要確定一個合理的閾值ST。當目標與標準特征之間的差值位于閾值之內時，將目標判定為火焰，否則將其判定為非火焰或者干擾。根據文獻[5]的試驗方法，對2 000幅圖像進行了計算和觀測，得到了閾值的統計結果。

2 測試結果

利用上述算法，對2 000幅圖像進行了測試，圖像采集自2 min的視頻。實際目標分別為木條火、紙張火、紅色彩帶、手電筒。表1分別列出了不同目標下h,s,i,ΔA,Δa五個元素的取值和判決結果。相似度閾值設定為0.8，經試驗統計，火焰面積變化ΔA,超過1 000，尖角數超過2時，則可判定為火焰。顯然，判決結果與實際情況是一致的，這說明所采用的算法可以對火焰進行判決。

表1 部分試驗結果

3 結束語

利用背景消除的方法確定監測圖像中的目標前景，以便減小計算量，提高算法的效率。背景模型采用的是混合高斯模型。圖像特征選取了色調、飽和度與亮度三個元素的平均值以及目標區域的面積變化和輪廓變化。利用大量的圖片對特征進行了統計，得出判定閾值。針對固定的目標，利用特征計算方法和判定閾值對目標進行了判決，判定結果顯示，采用本算法得出的結果與實際情況相符，且計算速度很快，符合監控現場實時監測的要求。

[1] 程鑫,王大川,尹東良.圖像型火災火焰探測原理[J].火災科學,2005,14(4):239-245.

[2] 孫宇臣,王自朝,葛寶臻.視頻火災探測系統現狀分析[J].消防科學與技術,2007,26(4):414-417.

[3] 袁非牛,廖光煊,張永明,等.計算機視覺火災探測中的特征提取[J].中國科技大學學報,2006,36(1):39-43.

[4] 楊俊,王潤生.基于視頻圖像分析的火燃檢測及其應用[J].電視技術,2006(8):92-96.

[5] 閆曉玲,王黎明,卜樂平.一種新的火焰面積增長趨勢算法[C]//中國自動化學會中南六省區自動化學會第28屆學術年會論文集.2010:387-389.

(責任編輯 馬 龍)

Research on Fast Identification Algorithm for Large Space Fires at Initial Phase

WU Rihan

(HohhotMunicipalFireBrigade,InnerMongoliaAutonomousRegion010010,China)

This paper proposes a fast identification algorithm for large space fires based on flame images. In our experiment, the method of object capturing is determined by the statistical property model of the background, the basic method to identify the flame color and shape is obtained from the development characteristics of the fire at initial phase, and an algorithm to determine whether the identified object is a flame or not is derived from the pattern recognition algorithm. The results of the experiment show that the algorithm proposed in this paper can swiftly capture and identify images of flame with low error probability, which can be used as a pre-warning criterion for large space fires at initial phase.

large space; fire image; pattern recognition; feature extraction; fire detection

2017-01-11

烏日汗(1991— )，女(蒙古族)，內蒙古通遼人，助理工程師。

D631.6

A

1008-2077(2017)04-0010-04