基于視頻圖像的煤垛自燃檢測算法研究

吳 南，朱向東，高雅昆，李海濱

(1.燕山大學電氣工程學院，河北 秦皇島 066000；2.秦皇島港股份有限公司第九港務分公司)

0 引言

煤垛在運輸過程中發生自燃會造成巨大的經濟損失和環境污染，因此需要找到有效的方法來解決該問題。

自燃檢測通常采用檢測煙霧特征的方法來實現，目前煙霧檢測技術大多是用于室內場所的近距離感應裝置，主要通過檢測周圍環境中的顆粒、溫度、濕度和透明度等來進行煙霧檢測的，這些裝置往往安裝在被檢測對象附近，但是當這些傳感器離被檢測對象較遠時就很難實現實時檢測，所以并不適用于室外環境。國內外對室外的煙霧檢測技術的研究仍在初級階段，我國對于室外火災的檢測大多是通過檢測火焰來實現的。文獻[1]提出了一種基于火焰彩色空間的探測方法；文獻[2]提出基于群智能技術和Kemdoids聚類的火焰像素檢測方法；文獻[3]提出通過探測極端溫度來檢測火焰。但是一般煙霧會先于火焰產生，若能準確地檢測煙霧，可將火災扼殺在搖籃中。我國的煙霧檢測技術尚不成熟，文獻[4]采取改進的背景估計法并結合色彩判斷準則來識別煙霧，實驗結果表明，與單純的幀間差分法相比該方法有更好的抗干擾能力，但有時會將緩慢變化的煙霧當作背景。曹希峰等人提出基于小波分析的圖像型火災煙霧特征提取算法[6]，實驗結果表明，該算法具有抗干擾能力強的優點。鄭璐等人提出了引入歸一化的RGB空間進行煙霧識別的新思路，增加了算法的穩定性[7]，但是其閾值難以確定，不適用于本文研究的場景。

經過對大量國內外相關文獻的研究，本文針對國投曹妃甸港煤垛自燃的問題，提出一種基于視頻圖像的煙霧檢測算法。首先通過煙霧動態特征確定疑似煙霧區域；然后在疑似煙霧區域搜索煙霧靜態特征完成識別。實驗結果表明，和單純的幀間差分法和背景差分法相比，本文算法具有抗干擾能力強的優勢，有效地解決了煤垛自燃識別問題。圖1為本文煙霧檢測算法流程圖。

圖1 本文算法流程圖

1 基于煙霧動態特征的疑似煙霧區域提取

由于煙霧是緩慢變化的，所以當有煙霧出現時，視頻中每一幀圖像都不一樣，因此，煙霧識別工作的第一步是基于煙霧動態特征的疑似煙霧區域提取，如果能夠準確提取疑似煙霧區域就可以大大減小煙霧識別工作量，常見的疑似煙霧區域提取的方法，以及本文所使用的算法將在本章中作詳細介紹。

1.1 幀間差分法

幀間差分法即用當前圖像與前一幀圖像作差再將差分圖像二值化來獲得疑似煙霧區域的方法，其程序簡單易于實現，對光照等輕微場景變化不敏感，有良好的目標捕獲能力，穩定性較好[4]。其效果依賴選擇的時間間隔，對于運動速度較快的物體，選擇較小時間間隔；對于煙霧這類漸變且運動速度慢的物體，選擇較大時間間隔。幀間差分法公式如下：

其中Ik(x,y)為(x,y)處像素在當前幀圖像的像素值，Ik-1(x,y)為(x,y)處像素在前一幀圖像的像素值，T為閾值。Dk為將差分圖像二值化后的二值圖。

1.2 背景差分法

背景差分法即用當前圖像與背景圖像作差再將差分圖二值化來獲取疑似煙霧區域的方法，其原理及實現簡單，能得到較精確的煙霧目標信息，但受外界干擾較大[4]。背景差分法和傳統的背景更新公式為：

其中，Bk-1為前一幀背景圖像，Ik為當前幀圖像，Bk為當前幀背景，T為閾值，a為權重系數。

針對上述算法的缺陷，本文在背景更新公式中引入初始背景，這樣可以有效地濾除視頻中的干擾物[4]，也不會把緩慢變化的煙霧當作背景，改進后的背景更新公式為：

其中，Bk-1為前一幀背景，Ik為當前幀圖像。Bk為當前幀背景。a，b為權重系數，且a+b＜1。通過多次實驗，設置a=0.4，b=0.4使疑似煙霧區域提取效果達到最好。

1.3 結合幀間差分法和改進的背景差分法，提取疑似煙霧區域

針對傳統幀間差分法和背景差分法的缺點，本文提出結合幀間差分法與改進后的背景差分法來提取疑似煙霧區域[5]。算法主要為以下幾步：

⑴ 從初始幀開始，根據改進的背景更新算法計算每一幀背景圖像；

⑵ 將當前幀圖像與前一幀圖像和背景圖像分別作差，并將兩幅差分圖像二值化；

⑶ 將幀間差分圖和背景差分圖對應像素點的像素值進行與運算，得到一幅新的二值圖像，新圖像中白色區域為疑似煙霧區域。

圖2為疑似煙霧區域提取算法流程。

圖2 疑似煙霧區域提取流程

對疑似煙霧區域進行提取的實驗結果如表1所示。

表1 疑似煙霧區域提取實驗結果對比

2 基于煙霧靜態特征的煙霧判斷

從表1可知有時僅通過煙霧動態特征不能有效排除視頻中的干擾進而造成誤報，針對該問題，本文將在疑似煙霧區域搜索煙霧靜態特征完成識別。

2.1 基于煙霧模糊性特征的煙霧判斷

煙霧模糊性特征是指，當圖像中有煙霧存在時，被煙霧覆蓋部分的圖像區域中與高頻分量相對應的細節信息會發生明顯的衰減，圖像中的高頻分量大大減小。據此判斷疑似煙霧區域中是否可能有煙霧存在。

為了便于分析煙霧圖像中高頻分量變化情況，需要對圖像疑似煙霧區域進行一級二維離散小波變換，其原理如下：

設Φ(x,y)為二維尺度函數，其水平、垂直、對角三個方向二維離散小波函數分別為Ψv(x,y)、ΨH(x,y)、ΨD(x,y)[6]。計算公式如下：

因此一幅圖像經過一級二維離散小波變換后會得到四幅子圖，原圖像近似系數子圖LL1、細節系數矩陣的水平分量子圖HL1、垂直分量子圖LH1、對角分量子圖HH1[9]。其中，LL1為低頻分量子圖，HL1、LH1、HH1為高頻分量子圖，大小為原圖像四分之一。

由于二維離散小波變換只針對單通道數據圖像，需將RGB圖像轉化為灰度圖后再進行小波變換，然后將三幅高頻分量子圖疊加起來形成一幅復合高頻圖像[15]：

該圖像小波高頻能量值計算公式[9]為：

其中，m和n表示圖像長和寬，VE為小波高頻能量值。

煙霧模糊性特征識別煙霧算法如下：

If(S＞T)

{滿足煙霧條件}

Else

{不滿足煙霧條件}

其中，VE1是背景圖像疑似煙霧區域的小波高頻能量值，VE2是前景圖像疑似煙霧區域的小波高頻能量值，T為閾值。

在疑似煙霧區域中搜索煙霧模糊性特征進行識別的實驗結果如表2所示。

表2 基于煙霧模糊性特征的自燃檢測實驗數據

2.2 基于顏色特征的煙霧判斷

從表2中可知，有時根據煙霧模糊性特征并不能十分準確地將煙霧區域提取出來，所以當判斷疑似煙霧區域中可能有煙霧存在時還要根據煙霧顏色特征作最終判斷。

在起火初期煙霧主要為灰白色，煙霧區域像素點R、G、B三通道值較接近[7]，它們的差一般不超過5，且它們的均值一般在80-90內[9]。煙霧顏色特征判據如下：

條件1：C1-C2＜T1

條件2：T2＜I＜T3

條件3：R＜G

If{條件1}AND{條件2}AND{條件3}

{滿足煙霧條件}

Else

{不滿足煙霧條件}

其中，T1=5，T2=80，T3=90。

在可能有煙霧存在的區域中搜索煙霧顏色特征進行識別的結果如表3所示。

表3 基于煙霧顏色特征的自然檢測實驗數據

3 實驗結果分析

本文所研究的樣本，是從國投曹妃甸現場監控系統中獲得，包括10個煤垛的20個攝像頭數據，每個攝像頭的視頻信息時長為10天，錄制視頻容量為367.54GB，現場10個煤垛的20個攝像頭錄制視頻總容量約為7350GB，將這些樣本輸入到MATLAB平臺下進行編程分析，實驗結果如表4所示。

表4 實驗結果

4 結束語

煙霧檢測是近年才提出的，其研究還停留在初級階段。本文先通過煙霧動態特征來提取疑似煙霧區域；然后在疑似煙霧區域內搜索煙霧模糊性特征來判斷是否可能有煙霧存在；當判斷可能有煙霧存在時還需在可能有煙霧存在的區域搜索煙霧顏色特征，完成煙霧的識別。實驗結果表明，與傳統的幀間差分法和背景差分法相比，本文算法抗干擾能力較強并有效解決了煤垛自燃識別問題。但也存在一些不足，當由于天氣原因導致攝像頭劇烈晃動時便不能十分準確地進行煙霧識別，為此下階段重點研究深度學習等方法引入以解決此類問題。

參考文獻(References):

[1]Khatami A,Mirghasemi S,Khosravi A,et al.A New Color Space Based on K-Medoids Clustering for Fire Detection[C]// IEEE International Conference on Systems,Man,and Cybernetics.IEEE,2016:2755-2760

[2]Khatami A,Mirghasemi S,Khosravi A,et al.A New K-medoids Clustering and Swarm Intelligence Approach to FireFlameDetection[J].ExpertSystems with Applications,2017.68(C):69-80

[3]Dortch M D,Price L J,Wittman B A,et al.Fire detection system[J]. Optoelectronics Instrumentation & Data Processing,2016.45(2):140-145

[4]白書華,況明星.基于視頻流的林火煙霧運動目標檢測方法的研究[J].江西師范大學學報(自然版),2016.40(6):644-647

[5]熊英.基于背景和幀間差分法的運動目標提取[J].計算機時代,2014.3:38-41

[6]曹希鋒,梅真碩,張曦等.一種基于模糊特征的火災煙霧實時識別算法[J].消防科學與技術,2014.33(6):670-673

[7]鄭璐,陳俊周.基于運動和顏色的視頻煙霧檢測算法[J].計算機工程與設計,2010.31(21):4650-4652

[8]虞燕鳳.基于視頻圖像的火災煙霧檢測研究[D].大連海事大學,2013.

[9]馬玲,吳愛國.基于混合高斯模型及小波分析的煙霧特征提取分析[J].煤炭技術,2010.29(11):216-217

[10]肖林廠.基于視頻圖像的煙霧識別算法研究[D].吉林大學,2012.

[11]文澤波.基于視頻圖像特征提取的煙霧檢測算法研究[D].中國科學技術大學,2016.

[12]姜東海.基于圖像處理的火災煙霧識別技術研究[D].華中科技大學,2006.

[13]焦珂.基于圖像的火災煙霧識別算法研究[D].西華大學,2008.

[14]王娜娜.基于視頻的火災煙霧檢測算法研究[D].西安科技大學,2012.

[15]秦文政,馬莉.基于視覺顯著性和小波分析的煙霧檢測方法[J].杭州電子科技大學學報,2011.31(4):114-117