原料儲運大空間環境下的早期火災快速識別算法研究

徐偉 丁松令 吳孚輝 沙萬里 陳衍

摘要：文章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。

關鍵詞：大空間;火焰圖像;模式識別;特征提取;火災探測

由于中國在工業智能化方面有了較快的發展速度，城市具備更大的規模，其中的建筑無論是尺寸、高度或其所具備的功能均得到了不小的提升，復雜程度也加大，像規模較大的物流倉庫之類的建筑，更是如雨后春筍一般崛起。由于這種建筑具備較大的空間，只要出現火災，就會迅速的蔓延開來，要想疏散處于建筑物當中的相關人員并不容易，因此在很大程度上威脅到了大家的生命財產安全。只有更早的發現存在于大空間建筑內的火情，才能夠使之蔓延幾率下降，進而降低因此而出現的損失。所以，關于大空間建筑出現火災情況的早起預警，也就演變成了消防方面十分關鍵的一個研究課題。

現階段，在大空間建筑進行運用的火災報警系統的具體構成部分是多維火災探測器，圖像型探測器、可燃氣體、感煙、感溫以及感光探測器共同構成了該探測器。就圖像型而言，其作用為識別視頻圖像，進而判斷出是不是出現了火災。為讓誤報率下降，一般情況下要將該類探測器跟另外一些探測器一起搭配運用。通過對傳感器加以利用，從而采樣檢測因為燃燒以及熱解而出現的煙霧氣溶膠，一旦某個區域當中具備超標的煙霧顆粒濃度，就會馬上將火災報警信號發出，這一方式便是感煙型火災探測器。通過定時采樣的方式檢查四周空氣溫度，只要這一區域范疇之中的溫度陡升，就馬上會將火災報警信號發出的便是感溫型火災探測器。對火焰所具備的光譜強度、具體的閃爍頻率、無法看到的紅外線或是紫外線輻射進行檢測，進而將警報發出的便是感光型火災探測器。實施可燃氣體采樣之后，確認是不是出現火災的便是可燃氣體探測器。因為大空間建筑具備不低的高度（往往會具備6m以上的凈空），會在一定程度上影響到感溫、感光以及感煙之類的火災探測器，使之不具備應有的靈敏度。此類探測器通常會等火災已經形成規模方會將報警信息發出，而如此一來，不利于控制具體的火情。所以當于大空間建筑內實施火災監測之際，上述探測器只能夠發揮出輔助作用。

以模式識別技術為基礎的便是圖像識別技術，該類技術運用于圖像型火災探測器內。其會對監控攝像頭加以利用，采集所有現場存在的實時圖像，然后對圖像采集卡加以利用，使此類信號完成轉換，變成具體的數字圖像，然后再往計算機內進行輸入，緊接著對模式識別以及數字圖像處理加以利用，將其與火災所具備的動態以及靜態方面的特點相結合，全方位識別火災，同時將相應的報警信號發出，將具體產生火焰的地方與監視器上進行標出。該探測器不僅有不錯的空間適用性，同時也有不錯的環境適用性，具備較快的處理速度以及不錯的抗干擾能力，而且能夠可靠的進行報警，能夠提供的信息相對而言比較直觀。現階段，該技術在各式各樣的大空間場所已經得到了具體的應用。

對于大空間建筑而言，其所運用的圖像型火災探測器，不管是精準度還是響應速度都需要提高，不僅能夠精準的對火災初始階段進行識別，還能夠盡可能讓誤報率下降。要想達到這一目的，所運用的識別算法就必須精準高效。針對該情況，本文將一種以火焰特征為基礎的快速識別算法提出。這一算法不僅可以對圖像特征的提取加以利用，盡可能讓運算速度得到提升，還能夠在將火災圖像數據庫構建完成后，使精確比對完成，進而讓具體的誤報率下降。

1? 基于火焰特征的識別算法

1.1? 算法基本構成

以火焰所具備的特征為基礎的識別算法涵蓋的種類有目標捕獲、圖像識別以及特征提取之類的具體算法，具體為圖1所呈現內容。對于大空間攝像機通過采集獲取的視頻流內出現了改變的幀以及區域，目標補貨算法可以實施跟蹤。通過對圖像處理技術加以利用，將已經確定的圖像利用濾波實施處理，將干擾或噪聲信息去除的方式便是噪聲清除算法。按照提取到的具體特征，將之跟標準圖像所具備的特征實施對比，將目標是不是為火焰確認下來的方式便是目標識別算法。識別火焰屬于綜合識別，具備數個特征，單純的利用某個特征實施識別，一般會存在誤識別的情況，以至于出現漏報或誤報。此篇文章所用的識別方式為綜合了火焰的形狀以及顏色，以此來讓其識別變得更為精準。進行識別之際，為讓算法有更高的識別速度，第一步通過對背景消除這一方式加以利用，把跟火焰存在差別的區域背景徹底消除干凈，因為初始階段火焰不具備太大的火焰，因此識別較為容易。

1.2? 目標捕獲算法

通常而言，攝像機在整個大空間建筑當中均是靜止的，故而所有通過監控獲取的物體所具備的視頻圖像均處于靜止狀態，但是火焰以及另外一些活動體，則不具備該特點。為讓分析視頻圖像的工作能夠完成，第一步得分割序列內所有的運動區域，從而將目標區域找出。本文在對目標進行捕捉時所用的方式是幀間取差法，對兩幀圖像是否存在不同之處加以利用，對目標是不是屬于動態目標進行判斷。假若屬于，那么便實施具體分析，若不屬于，則會選擇繼續監測。進行目標捕獲之際，為讓計算量不再龐大，通過對背景消除法加以利用，從而讓前景得到吐出，同時將之當成具體的對象進行分析。如此一來，便讓計算圖像數據的量變少，進而能更快的識別出火焰。在進行應用場合、處理速度以及具體算法性能等各個方面加以綜合考慮之后，對運動目標進行檢測所選的方式為背景消除法。在利用混合高斯模型對背景實施設定之后，能夠更為精準迅速的將運動目標確認下來。通過實測，意味著這一方式具備相應的實際意義。

1.2.1? 背景消除算法

對背景所具備的參數模型加以利用，通過估算的方式得出其所具備的像素值，這一方式便是背景消除法，該方式會利用差分運算，獲取前景，如果像素區具備不小的差距，則將之當成前景像素，如果不具備太大差距，就意味著其屬于背景像素。下列為過程：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）：

Bi+1（x，y）=（1-a） Bi（x，y） +aIi （x，y）（x，y）位置像素是靜止的;

= Bi（x，y）（x，y）位置屬于運動像素;

在上式內，0～1為參數a所具備的取值范疇。對當前以及背景圖像加以利用，同時利用以閾值為基礎的差分加以利用，便能夠獲取運動像素，緊接著將之利用二位聯通算法，使之形成團塊，如此便能夠將前景區域提取出來。

1.2.2? 背景模型的建立

文章將混合高斯背景模型加以運用，這一模型會對K個高斯分布加以利用，對圖像內所有像素點所具備的特征進行表征，同時利用對權值進行調整，便可將其于整個高斯背景模型內占據的比重調整好。當獲取新的圖像，就需要對模型進行更新，緊接著對已有的像素點加以利用，看其是否跟模型內的像素點相匹配，只要能夠成功，就意味著這一像素點屬于像素點，否則就屬于前景點。圖2所呈現內容為具體學習背景模型的過程。

由于場景中存在運動目標或其他干擾噪聲，所以所構建出來的背景圖像內，有部分不屬于背景像素點，所以通過此類像素所構建出來的高斯分布模型就得去掉。如若此類運動目標噪聲并沒有長期停留于整個場景區域內的固定位置，那么與之對應的優先級以及權值則不會太大。根據權值大小來排列好K個高斯分布，那么前面B個高斯分布就能夠當成背景模型B，下列是具體的定義：

B= min Σωj，xy>M

上式內ωj，xy代表的是第j個高斯分布所具備的具體權值;所設定好的閾值則用M進行表示，其代表著可以真實的對背景像素所占權重，如果M沒有太大的取值，就屬于高斯分布背景模型，反之，就屬于混合高斯分布背景模型。

1.3? 火焰的特征提取算法

將火焰區域完全確認，便能夠提取火焰特征，假若圖像內前進出現了改變，那么得把它當成目標。在提取特征之際，算法有具體的目標，如此一來，其計算量便會下降，同時識別速度也能夠得到提升。只有把火焰特征模型構建起來，才能對目標是不是屬于火焰進行確認，文章所用的火焰特征是形狀以及顏色。由于火焰所擁有的視覺特征較為強烈，形狀以及顏色均屬于比較突出的一個特點，故而做出上述選擇。盡管當材料存在差異之際，火焰的顏色也存在差異，不過通常而言，火焰圖像不管是灰度級或是顏色，均存在相應的分布規律。

1.3.1? 火焰的顏色特征

在構建火焰顏色的具體模型時，需要讓圖像發生改變，使之變成HSI空間當中存在的數字矩陣。空間之中對像素點進行描述時一般會選取亮度以及色調飽和度，該方式不同于RGB空間內所用的基于紅綠藍三種顏色的亮度值來對圖像進行描述的方式。文獻[4]給出了火焰像素點需擁有下列條件：

0

20

100

式中，H（x，y）、S（x，y）、I（x，y）所代表的是像素點（x，y）具備的色調飽和度以及亮度。在式（3）內所獲取的數據，均是以不少統計以及對比結果為基礎的。根據式（3）能夠發現，火焰像素點不管是色調飽和度抑或是亮度均能夠以上條件相符。所以，當對目標圖像所具備的特征進行提取之際，第一步對該類特征進行提取。不過，立足于具體情況可以發現，大空間圖像型火災探測器往往會存在一些跟火焰相似的目標出現干擾現象。假若僅利用上述特性對火焰實施判斷，明顯不具備十足的可靠性。當判定條件過于寬松，就可能會導致誤判的情況發生，所以也得對另外一些特征進行提取。

1.3.2? 火焰的形狀特征

為了把火焰所具備的形狀特征構建起來，對火焰視頻內大概2000幀圖像所具備的火焰形狀實施了具體的觀測。最終所獲結論為初始階段火焰所具備的面積會根據時間慢慢擴張。下式（4）便是計算火焰面積變化速率的具體公式：

為將相鄰幀所發生的火焰面積變化捕捉到，通過對Kendall-τ檢測器加以利用。以下為Kendall -τ趨勢算法具體的表達式：

x（t）為輸入信號，所表示的是火焰目標區域內具備多少像素點;單位躍階函數則用u（x）來進行表示;通過試驗之后，所確定下來的誤差閾值則用ε來進行表示;對數據進行觀測具體的窗口長度則用N來進行表示。

從形狀方面來看，火焰屬于跳動性的，而且具體的分部是銳角，擁有一定的規則，同時其增大之后，所擁有的銳角數量會漸漸增加。在對銳角數量所發生的改變進行觀測之后，同樣能夠對目標屬性實施具體判斷。

1.4? 目標識別算法

通常而言，對模糊判決法加以利用的便是目標識別算法。按照目標圖像所具備的綜合特征，將之跟特征庫內的實施對比，進而對目標是不是屬于火焰實施判斷。通過五原函數S（h，s，i，ΔA，Δa）能夠表示目標所具備的特征，在式子內，h、s、i所表示的是目標區域內，各個像素點所具備的平均亮度以及色調飽和度，ΔA則標志著目標區域所產生的面積方面的改變。為讓對比變得更為方便，必須將一個處于合理范疇之內的閾值ST確認下來，如若目標跟標準特征彼此出現的差值處于閾值范疇，便能做出火焰的判斷，如若不然則將之做出干擾的判斷。按照文獻[5]所用到的試驗方法計算以及觀測2000幅圖像，便能夠獲取最終統計的閾值結果。

2? 測試結果

通過對以上算法加以利用，測試所有的圖像，所有圖像均是來源于2分鐘視頻。表1中將目標不同之時h、s、i、ΔA、Δa五個元素具體的取值以及判決結果列出。通過試驗統計，當火焰面積出現1000尖角的改變時，可將之視作火焰。從結果來看，很明顯能夠對應實際情況，因此意味著該算法能夠判斷火焰。

3? 結語

通過對背景消除法加以運用，將監測圖像內的目標前進確認下來，從而讓計算量變小，最終讓算法具備更高的效率。所用的是混合高斯模型這一背景模型，所選擇的是亮度以及色調飽和度之類的圖像特征。通過對為數不少的圖片實施特征統計，最終對閾值進行判定。對于固定目標，通過判定閾值以及特征計算方式，最終所獲結果能夠看出，通過對這一算法加以利用，最終所獲結果能夠符合實際，同時計算速度能夠讓監控現場所需的實施監測得到滿足。

參考文獻：

[1]蘇祺，何昌原，張永平.基于BP神經網絡的早期火災圖像識別軟件[J].消防科學與技術，2019，38（12）：1723-1726.

[2]落巨貴.可視圖像早期火災報警系統在石化行業的應用測試探討[J].石油化工安全環保技術，2020，36（03）：34-37+66+7.

[3]金怡.可視圖像早期火災報警系統[J].消防技術與產品信息，2018，31（12）：84-86.

[4]王心瑜.圖像處理在火災檢測和消防報警中的應用研究[J].今日消防，2019，4（05）：22-23.

[5]趙強，徐小發，張洋，郭益錚，王青云.基于物聯網的遠程火災報警系統的設計[J].信息與電腦（理論版），2020，32（14）：114-116.

Research on rapid identification

algorithm for initial fire stage in Large

space of raw material storage and transportation

Xu Wei，Ding Songling，Wu Fuhui，Sha Wanli，Chen Yan

（Zhejiang zheneng Jiahua Power Generation Co.， Ltd.;Zhejiang Hepu Industrial Co.， Ltd.）

Abstract：This paper provides a new algorithm for identifying flame images in large space buildings. First， the program fetches target images by establishing a background characteristics model. Then， based on the fixed initial fire model， this algorithm can identify targets by their color and appearance. In the end， a final result will be given by its pattern recognition algorithm. The test results show that the algorithm can capture and recognize flame images quicklywith a low misjudgment rate， which can be used as the basis for early fire warning of large space buildings.

Keywords：largespace;flameimage;patternrecognition;characteristics fetching;fire detection