基于視覺特征的火焰探測技術

顧立春 汪興 侯其立

摘要：機器視覺的識別算法在火災識別領域取得了一些成就，但是由于穩定性等問題并沒能取代傳統感溫感煙探測器的地位。而煙溫傳感器需要在火災發展到一定的規模才能實現預警，這時可能已經造成了極大的人身危害和財產損失。文章提出了一種基于多特征融合的視頻圖像火災探測技術。基于視頻火焰的顏色、形狀、邊緣和運動擴散等特征，對火災進行綜合研判，在早期實現對火災的預警。在各類數據集測試的過程中，多融合的探測算法對火焰有較高的識別率，且有效排除了燈光、環境光影擾動等干擾。

關鍵詞：HSI/RGB/YcbCr;顏色空間;Canny邊緣;圓形度;紋理特征

中圖分類號：TP391? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）22-0005-03

1 概述

火災是當前社會中突發頻率較高且危害重大的災害，每年全世界火災造成了大量的人員傷亡和財產損失，因此火災的探測和預防成為全社會關注的話題。燃燒會產生煙霧和火焰，通常以煙霧、熱、光、熱輻射、聲音等特征呈現，因此火災的探測技術也是主要基于伴隨火災發生過程一系列現象的研究。早期的火災識別和探測方法有感光探測、感煙探測、感溫探測、氣體探測和復合探測等方式，其中煙感、溫感技術較為成熟，也成為當前社會廣泛應用的方法。但是隨著現在建筑結構越來越復雜，類型越來越多，上述的各種探測器采集數據容易受到空間大小、空間復雜結構、氣流速度、粉塵等多種因素的影響，難以做到準確及時的早期預警。而火災的有效防止撲救時間一般都在早期，當火災一旦大規模發生，目前的手段很難有效降低危害。

近些年，隨著計算機圖像處理技術的發展，圖像檢測技術已經逐步應用到了各類災害的預防和探測中。視頻圖像火災探測器通過圖像識別、模式匹配對火災圖像特征進行分析提取，達到識別早期火災的目的。與傳統的探測器相比，圖像型火災探測器具有以下優點：

1） 利用圖像探測，不需要火災發生到一定規模，可以在早期及時發現火災;

2） 不受空間、建筑結構等影響，只要圖像覆蓋區域，均能實現實時探測;

3） 火災的回溯，一般視頻數據會保存在存儲數據庫，方便人們查詢檢索，還原火災過程;

4） 利用火焰或者煙霧圖像特征進行識別，不需要像傳統火災探測器通過火焰的煙塵、氣體或熱輻射等有害產物進行識別;且消防控制室人員可以通過視頻圖像直接確認火災現場的情況。

視頻圖像處理中，圖像通常分為前景和背景部分，利用圖像分割技術提取出圖像中的感興趣區域，火焰區域的分割效果直接影響后續特征提取和火焰識別。目前火焰探測的主要方法有基于火焰顏色特征，火焰紋理特征和形狀，動態特征和能量信息等識別算法。Chen[1]等利用圖像的顏色特征，基于HSV顏色空間建立了高斯混合模型，分析提取火焰特征區域的運動信息，進行ROI區域的圖像分割，實現了較好的火焰識別效果。Celik[2]等采用RGB的顏色空間特征，利用統計學數據建立高斯分布的統計模型，再通過圖像幀間差分和背景減除提取火焰的ROI區域，運算速度快且在試驗的數據集上到了99%的識別率。Phillips[3]等手工提取出圖像的火焰疑似區域，利用火焰RGB顏色空間，計算顏色通道直方圖的分布并與設定閾值比較，最終確定火焰的區域。Healey[4]等最先利用了圖像的火焰顏色信息與火焰形狀相結合的方式，利用顏色信息提取出火焰的輪廓特征，為后面火焰的形狀和紋理特征識別提供了方向。Jiang[5]等使用了圖像處理的自適應Canny邊緣檢測算子分割出火焰特征的邊緣信息，提取出ROI區域，然后結合了火焰的物理特性包括邊緣輪廓的圓形度、面積和周長等，有效識別出圖像的火焰區域。Toreyin [6]等采用了多特征融合的識別方法，顏色空間和運動檢測的方法確定疑似火焰區域，再通過小波變換計算出火焰的邊緣能量特征，利用提取的火焰區域顏色 R 通道分量小波系數的變化來表征火焰的閃爍規律，達到了95%以上的識別率。Celik [7]等提出了將圖像轉換到顏色空間CIE L*a*b，利用前景背景減除確定火焰的疑似區域，再通過幀間差分得到火焰的運動變化特征，通過數據統計的方式，用顏色空間CIE閾值的判別式確定火焰位置，該算法在大量的實驗數據集上均得到了良好的效果。基于圖像的火災探測技術也在多種場合得到應用和推廣[8-9]。

綜上，目前這些算法在特定的數據集上都取得了較好的識別結果，但不同的算法機理各異，使用場景也不同，因此火災探測系統的穩定性受到很大的考驗。實際應用中為了防止漏報，常常對選取的火焰特征參數采用降低閾值的方法，又導致了誤報率的上升。本文采用了多特征融合特征識別圖像中的火焰信息，將圖像依據背景和火災類型進行分類識別，取得了良好的效果。

2 多特征融合的火焰探測

火災早期階段，一般火焰從無到有，圖像在顏色空間、面積與周長比、邊緣變化、整體運動等方面有一定的規律。本文通過提取火焰的這些特征并設定閾值，滿足多特征的判別規則時我們判斷為火焰，并與其他干擾圖像區分開來。

2.1 顏色特征

最為常見的顏色空間是RGB，也就是自然界的三基色，目前幾乎所有的顯示設備和圖像都采用RGB三基色。它的優點是顯示直觀，肉眼可以清晰分辨，但是三基色的相關性在復雜背景的情況下，很容易出現誤識別。HSI顏色空間同樣符合人的色彩判斷，并且亮度與色調獨立符合火焰的高亮度特性，色度可直接用于顏色的區別，但是在圖像低飽和度下有識別不穩定的情況。YCbCr同樣將色彩的亮度信息進行了分離，三通道信息與三基色的原理一致，但是識別效果更好，復雜度略高。CIE lab可直接進行色彩比較，并分離了色彩和亮度信息，與HSI類似有不穩定特點。火焰在不同顏色空間下特征取值如表1所示。

上面的顏色空間在不同的數據集上有各自的優勢，但是針對不同類別的火焰圖像和常見干擾圖像，各顏色空間有一定的差異。本文通過4種顏色空間的綜合比對效果，對不同顏色空間的參數設定不同的權重閾值進行火焰識別。

2.2 邊緣特征

圖像的邊緣提取基于圖像像素的微分算子，包括一階梯度、二階拉普拉斯算子等。圖像的運算就是得到圖像中各相鄰像素的特征變化程度，一般的邊緣提取特征取灰度值。灰度值變化劇烈的計算微分后的圖像值較大，反之較小，在通過一階二階運算之后得到了灰度值變化大的區域，筆者認為是圖像的局部特征邊緣，得到的圖像也就是邊緣圖像。

最常用的是Canny邊緣檢測，邊緣檢測的過程：首先對圖像進行高斯濾波處理，濾除噪聲得到平滑圖像。

[Gx，y=fx，y*e-x2+y22δ2]? ? ? ? ? ? ? （1）

其中，f為原圖像，G為高斯卷積濾波后的圖像。

再對圖像G計算局部梯度g（x，y） 和邊緣方向α（x，y） 。

[gx，y=（G2x+G2y）12]? ? ? ? ? ? （2）

[αx，y=tan-1（Gx/Gy）]? ? ? ? ? ? （3）

其中，[Gx和Gy]使用sobel算子。

根據上述公式得到圖像計算灰度不為0的像素點，并計算鄰域的值，將相鄰的像素點連接起來，并不斷重復這個過程，最后得到圖像中所有的邊緣信息。

另外，火焰的燃燒變化過程中，對原視頻序列產生了背景的改變，圖像中增加了火焰的紋理特征。筆者利用小波變換，圖像背景的邊緣高頻信息降低，低頻信息增加，而隨著火焰的擴散變化，圖像邊緣高頻低頻信息也呈現一定規律的變化。這種圖像紋理的特征變化也作為火焰判別的一個特征參數信息。

2.3 形狀特征

圓形度是描述圖形或圖像的不規則程度一個數學表達，其定義為：

[circularity=4π*AL]? ? ? ? ? ? ?（4）

其中A為圖形的面積，L為圖形區域的邊緣周長。根據數學經驗，正方形的圓形度為0.79，等邊三角形為0.6，圖形越不規則圓形度的值越小。在疑似圖形中，如車燈、飄揚的紅旗等圓形度相對較大，火災發生時火焰形狀不受控，依據上面的邊緣提取情況，圓形度的值通常低于0.3，筆者可以標記為重點ROI區域。

火焰還有尖角特征，火焰的邊緣劇烈抖動是其一個重要表現，且會跳動無規則。對比光源，亮紅色物體，反光等一般不會出現尖角跳動現象。尖角識別是通過火焰的頂部三角形和頂點判定。

2.4 運動趨勢

火焰的閃爍頻率約為8 Hz～12Hz，且這種頻率與燃燒類型、空間大小、環境溫度風速等關聯不大，因此可作為火焰判定的一個重要特征。

火災的發生時，一般在火災早期是相對較微弱的火焰，常伴隨一定的煙霧，然后火焰慢慢蔓延，火勢逐漸增大，火焰的面積也逐漸擴大。火災初期，火焰面積逐幀增大，是最顯著的一個特征。在火災發生時，伴隨著可燃物的燃燒殆盡和周圍其他物質的燃燒，火焰的位置會發生一定的變化，并且室外有風的環境，火焰的中心位置通常沿著一個方向不斷變化。火災時火焰在整體移動的過程中是連續變化的，一般不會發生跳變，根據該特征可排除一些固定的疑似區域。

2.5 算法識別結果

筆者選取室內、室外、燈光、森林火災等環境對算法進行了測試，依據場景和火災類型的不同，多火焰特征參數做了適當的調整。用上述圖像特征提取算法判斷出火焰的疑似區域，再加以適當權重，綜合評判火焰的位置。

實驗室的棉條燃燒和燈光干擾試驗，如圖1所示。圖1（a） 實驗室棉條燃燒由于高溫火焰呈現亮白色，依據其邊緣、頻率、運動區特征兩團火焰得到了有效識別，并排除了遠處的一個燈光反射干擾，但是離火焰較近的燈光由于火焰的運動特性會形成連通區域，識別的火焰面積有了一定范圍的擴大;而圖1（b） 晚間路燈和車燈，通過多特征的參數對比，算法實現了有效的屏蔽。

森林火災采用公開數據集的測試數據，如圖2所示，算法對林火識別較為準確，下方個別區域由于樹木的遮擋，火焰特征不滿足閾值要求，為了算法的穩定性，不產生過多誤報，過小的火焰區域未判定為火焰區域。

室外環境同樣采用了公開數據集的火焰圖像，其中圖3（a） 白色圍墻存在火焰的運動和反光等干擾，后方公路由于樹木和天空的光影擾動，利用顏色特征容易出現誤報。我們采用火焰的邊緣運動特征和運動特性有效排除干擾，對火焰區域實現了準確識別;圖3（b）火焰區域較小，但是整體視頻畫面擾動較少，算法采用顏色和形狀的圖像特征，并使用了紋理高頻能量的信息識別火焰區域。

3 結論

綜上所述，筆者采用了多特征融合的視頻處理算法實現對火災火焰特征的識別。根據使用的公開數據集和設計的實驗數據，算法在大空間，室外有光影等干擾，各類燈光干擾、森林火災等環境下均有不錯的識別率。但是隨著場景的變化，算法的特征參數需要自適應調整，算法的魯棒性需要進一步提升。

參考文獻：

[1]Chen Lianghua， Huang Weicheng. Fire Detection Using Spatial-temporal Analysis[J].Lecture Notes in Engineering & Computer Science，2013（3）： 1-4.

[2] Celik T，Demirel H，Ozkaramanli H，et al.Fire detection using statistical color model in video sequences[J].Journal of Visual Communication and Image Representation，2007，18（2）：176-185.

[3] Phillips W，Shah M，da Vitoria Lobo N.Flame recognition in video[C]//Proceedings Fifth IEEE Workshop on Applications of Computer Vision.Palm Springs，CA，USA.IEEE，2000：224-229.

[4] Healey G，Slater D，Lin T，et al.A system for real-time fire detection[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.New York，NY，USA.IEEE，1993：605-606.

[5] Jiang Q，Wang Q.Large space fire image processing of improving canny edge detector based on adaptive smoothing[C]//2010 International Conference on Innovative Computing and Communication and 2010 Asia-Pacific Conference on Information Technology and Ocean Engineering.Macao，China.IEEE，2010：264-267.

[6] T?reyin B U，Dedeo?lu Y，Güdükbay U，et al.Computer vision based method for real-time fire and flame detection[J].Pattern Recognition Letters，2006，27（1）：49-58.

[7] Celik T.Fast and efficient method for fire detection using image processing[J].ETRI Journal，2010，32（6）：881-890.

[8] 周璟軍.城市道路隧道點型紅外火焰與圖像型火災探測比較分析[J].交通科技，2020（6）：128-129，134.

[9] 杜志偉.基于紅外圖像動態特征的早期火焰探測方法研究[D].天津：天津大學，2019.

【通聯編輯：唐一東】