基于顏色與運動特征的變電站實時煙霧檢測

宋 偉，王玉平，張文杰，張家齊，鄭彥寧，吳高林

(1.國網(wǎng)重慶市電力公司 電力科學研究院，重慶401123;2.重慶大學 自動化學院，重慶404100;3.哈爾濱工業(yè)大學 深圳研究生院，廣東 深圳518055)

0 引 言

變電站內(nèi)有變壓器、電容器、高壓開關(guān)等易燃易爆器件，電磁干擾性強，容易發(fā)生火災。站內(nèi)的火災防護直接影響變電站能否安全運行。

近年來，基于視頻圖像處理的煙霧檢測被廣泛用于火災檢測中，不同的煙霧檢測算法被不斷提出。Gomez－Rodriguez F 等人用光流法提取運動區(qū)域，然后結(jié)合煙霧的運動特性利用小波法檢測煙霧［1］。Celik T 通過統(tǒng)計煙霧顏色特征，建立煙霧顏色模型識別煙霧［2］，算法選取特征不足，適用于煙霧檢測的預處理。Chen T 等人先利用煙霧的顏色模型檢測出疑似煙霧區(qū)域，再利用幀差法提取煙霧區(qū)域［3］。陳天炎等人通過研究火焰圖像在YCbCr 空間各分量值之間的關(guān)系，建立火焰顏色空間模型，實現(xiàn)火災火焰檢測［4］。T?reyin B Ugur 等人利用小波變換分析圖像的高頻特性，實現(xiàn)了彩色圖像的近距離煙霧視頻檢測［5］，該算法復雜度高，不能滿足變電站煙霧檢測快速性要求。

本文結(jié)合煙霧顏色特征和運動特性提出一種基于視頻圖像處理的實時火災煙霧識別算法，實驗結(jié)果表明:該檢測算法能夠檢測到不同場景中的煙霧，可以應用于變電站場景煙霧檢測。

1 煙霧識別過程

煙霧的具體識別過程如圖1 所示。

圖1 煙霧檢測過程示意圖Fig 1 Diagram of smoke detection process

首先，獲取視頻圖像，利用改進的ViBe 算法檢測視頻中的運動區(qū)域;然后，將滿足煙霧顏色特征的運動區(qū)域標記為疑似煙霧區(qū)域;最后，對疑似煙霧區(qū)域進行跟蹤，計算其面積和質(zhì)心位置變化，通過對比已知的煙霧運動特性，確定煙霧區(qū)域。

2 運動區(qū)域檢測

為滿足煙霧檢測的實時性要求，本節(jié)對Olivier Barnich和Marc Van Droogenbroeck 提出的ViBe 算法［6，7］進行改進，用改進的ViBe 算法實現(xiàn)運動區(qū)域檢測。檢測過程主要分為3 個階段:背景模型初始化、像素的分類過程和背景更新。在背景模型初始化階段，利用前3 幀圖像對背景模型進行初始化，每一幀隨機提取4 個鄰域樣本像素和1 個當前位置像素。在運動區(qū)域檢測階段，為提高算法對光照變化的魯棒性，將視頻圖像從RGB 空間轉(zhuǎn)換到HSI 空間，通過計算視頻圖像中各像素的亮度變化確定運動目標。為去除運動目標中的噪聲點和空洞，對檢測到的運動目標進行形態(tài)學開運算處理，剔除面積較小的無效檢測區(qū)域，然后采用形態(tài)學閉運算填補運動區(qū)域中的空洞［8］。變電站監(jiān)控場景中背景相對穩(wěn)定，在背景更新階段主要考慮算法對光照變化的魯棒性。為此，統(tǒng)計不同時間段的全局光照變化，并據(jù)此求取動態(tài)閾值r，這種根據(jù)先驗知識的調(diào)整策略更具魯棒性。

圖2 為ViBe 算法和本文方法的運動區(qū)域檢測結(jié)果，實驗表明:改進后的算法對光照變化和動態(tài)背景有很好的魯棒性，檢測到的運動區(qū)域完整，準確。

圖2 ViBe 算法與本文算法運動區(qū)域檢測結(jié)果Fig 2 Results of moving region detection using ViBe and the improved algorithms

3 疑似煙霧區(qū)域的確定

3.1 煙霧顏色特征

這里對含有不同顏色和濃度煙霧的圖像進行取樣，通過分析煙霧區(qū)域的R，G，B 均值建立RGB 空間煙霧顏色特征模型。圖3 為部分采樣圖像，表1 給出圖3 各樣本中煙霧圖像的R，G，B 統(tǒng)計均值。

圖3 部分采樣圖像樣本Fig 3 Part of sampling images

表1 RGB 空間煙霧圖像采樣值Tab 1 Sampling values of smoke image in RGB space

表1 說明煙霧區(qū)域中R，G，B 值相似，本文煙霧顏色特征模型用式(1)表示

δ 為取值較小的常量，這里取15≤δ≤25。

3.2 疑似煙霧區(qū)域確定

RGB 顏色空間常用于顯示系統(tǒng)，不適于圖像分割和分析，第1 節(jié)將視頻圖像轉(zhuǎn)換到HIS 空間進行運動區(qū)域提取，本節(jié)將求取煙霧在HSI 空間的顏色特征表達。

本文提出的煙霧檢測針對火災發(fā)生初期，此時煙霧呈灰白色或灰色，在RGB 空間中表現(xiàn)為110≤G≤220，在HSI顏色空間表現(xiàn)為飽和度，即S 值很低［9］。將煙霧圖像在RGB 空間中的顏色模型轉(zhuǎn)換到HSI 空間中，得到煙霧圖像在HSI 顏色空間的特征模型，用式(2)表示

式中 Si(x，y)，Simax(x，y)分別為第i 幀圖像中運動區(qū)域在HSI 顏色空間的平均飽和度和最大飽和度，本文算法中Simax(x，y)取值為0.13。

將視頻幀中飽和度滿足式(2)的區(qū)域標記為疑似煙霧區(qū)域。

4 煙霧區(qū)域檢測

火災發(fā)生早期，受空氣流動影響，煙霧不斷擴散，并不定向移動，表現(xiàn)出的圖像特征是煙霧面積不斷增長、質(zhì)心位置波動變化。本節(jié)利用煙霧的擴散性和連續(xù)移動特性對煙霧疑似區(qū)域進行檢測，確定煙霧區(qū)域。

4.1 煙霧面積增長特性

燃燒初期，短時間內(nèi)煙霧面積不斷增大，隨后由于已有煙霧不停擴散，會使煙霧面積增長不明顯［10］。

與煙霧顏色相近物體朝著攝像機運動時也會造成面積不斷增長的假象，對煙霧檢測造成干擾［11］，對此分別統(tǒng)計了測試視頻中朝攝像機移動的行人和煙霧的面積，并分別逐幀、隔幀取樣，結(jié)果如表2 所示，區(qū)域面積均用像素總數(shù)表示。

表2 測試視頻中煙霧和行人面積統(tǒng)計Tab 2 Statistics of area of smoke and pedestrian in test video

實驗結(jié)果表明，煙霧面積變化不是單調(diào)的，具有一定的波動性。人朝攝像機移動時，檢測到的行人圖像面積單調(diào)遞增。

分別計算第i 幀圖像疑似煙霧區(qū)域Zi(n)的面積Pi(n)和第i+2 幀對應區(qū)域的面積Pi+2(n)，二者之差ΔPi(n)表示煙霧的增長，如式(3)

實驗表明，早期煙霧面積變化滿足式(4)

ΔPi(n)連續(xù)2 次滿足式(4)時，繼續(xù)下一步檢測;若不滿足，則丟棄該模塊。

4.2 煙霧移動特性

煙霧受自身密度和氣流影響，會不斷向四周擴散，此時煙霧的移動方向不確定，但主運動方向向上。

本節(jié)利用煙霧向上擴散的特性，通過疑似煙霧區(qū)域質(zhì)心位置變化識別煙霧區(qū)域。煙霧區(qū)域質(zhì)心位置和質(zhì)心位置變化率分別表示為

式中 (Xi(n)，Yi(n))，(Xi+2(n)，Yi+2(n))分別為第i 幀和第i+2 幀圖像中疑似煙霧區(qū)域Zi(n)的質(zhì)心坐標。Vx，Vy分別為質(zhì)心在水平方向和垂直方向的相對移動速率。分別為2 幀圖像中X 方向、Y 方向像素和的平均值，用公式(7)表示為

煙霧連續(xù)移動，表現(xiàn)為煙霧圖像的質(zhì)心變化緩慢，用式(8)表示為

式中 V1，V2分別是Vx，Vy取值上下限，本文取V1=1.27，V2=－0.83。如果疑似區(qū)域質(zhì)心移動速率不滿足式(8)，則可以作為干擾源予以排除。

5 實驗結(jié)果分析

由于變電站不允許煙火實驗，理想的實驗視頻數(shù)據(jù)較難獲取。本文針對兩種典型場景對提出的算法進行了測試。場景一為類似變電站環(huán)境，視頻中的煙霧源距相機100 m 左右，拍攝時有較大的風，場景中白色塑料紙被風吹動，圖4 為場景一測試視頻中第37 幀檢測結(jié)果。場景二為野外大空間森林環(huán)境，視頻中的煙霧源在遠處5 km 左右的樹林中，拍攝時場景中的樹木隨風擺動，光照有變化，圖5為場景二測試視頻中第80 幀檢測結(jié)果。

圖4 場景一測試實驗Fig 4 Results of tests in scene 1

圖5 場景二測試實驗Fig 5 Results of tests in scene 2

圖4(a)、圖5(a)是加入顏色特征后的運動目標檢測結(jié)果，圖4(a)中矩形區(qū)域是誤檢的白色塑料紙，圖4(b)、圖5(b)是添加運動特征后的最終檢測結(jié)果，圖中曲線是檢測到的煙霧邊界，矩形區(qū)域區(qū)域為標注的煙霧區(qū)。

圖4 說明該算法能檢測到早期低濃度煙霧，由圖5 可以看出:本文算法對樹枝晃動和光照變化的影響具有較好的魯棒性，并能夠檢測到遠距離煙霧。

為驗證本文算法的實時性，用本文算法和煙霧檢測中常用的基于小波分析的多特征融合法(方法1)分別檢測場景一下采集的視頻中的煙霧，結(jié)果如表3 所示。

表3 算法運行速度測試Tab 3 Algorithm running speed test

表3 顯示本文算法快速高效，滿足變電站煙霧檢測實時性要求。

6 結(jié) 論

本文針對變電站環(huán)境提出一種基于顏色與運動特征的變電站實時煙霧檢測算法。首先用改進的ViBe 算法提取監(jiān)控視頻中的運動區(qū)域，再利用煙霧的顏色特征結(jié)合煙霧的面積增長特性和移動特性快速、準確地識別出煙霧區(qū)域。實驗結(jié)果表明:本文算法能夠檢測到類似變電站場景中不同濃度的煙霧，對遠距離煙霧也能夠快速識別，滿足變電站煙霧檢測快速性、準確性要求，能夠用于變電站智能視頻煙霧檢測中。

由于變電站環(huán)境特殊，不能夠在變電站進行實驗，后續(xù)還需對實驗環(huán)境進行改良，盡可能模擬變電站環(huán)境進行實驗。

［1］ Gomez－Rodriguez F，Arrue B C，Ollero Robotics A.Smoke monitoring and measurement using image processing，application to forest fires［C］∥Proceedings of Automatic Target Recognition XIII，SPIE，Orlando，F(xiàn)L，USA，2003:404－411.

［2］ Celik T，Demirel H，Ozkaramanli H，et al.Fire detection in video sequences using statistical color model［C］∥International Conference on Acoustics，Speech，and Signal Processing，2006:213－216.

［3］ Chen T，Wu P，Chiou Y.An early fire－detection method based on image processing［C］∥Proceeding of IEEE International Conference on Image Processing，2004:1707－1710.

［4］ 陳天炎，曾思通，吳海彬.基于YCbCr 顏色空間的火焰圖像分割方法［J］.傳感器與微系統(tǒng)，2011，30(10):62－64.

［5］ T?reyin B Ugur，Yigithan Dedeoglu，Cetin A Enis.Wavelet－based real time smoke detection in video［C］∥Proceeding of the 13th European Signal Processing Conference，Antalya，Turkey，2005:4－8.

［6］ Barnich O，Van Droogenbroeck M.ViBe:A powerful random technique to estimate the background in video sequences［C］∥Proceedings of ICASSP 2009，Taipei:IEEE Computer Society，2009:945－948.

［7］ Barnich O，Van Droogenbroeck M.ViBe:An universal background subtraction algorithm for video sequences［J］.IEEE Transactions on Image Processing，2011，20(6):1709－1724.

［8］ 景美麗.無人值守變電站中智能視頻監(jiān)控的技術(shù)研究［D］.保定:華北電力大學，2012.

［9］ Turgay ?elik，Hüseyin ?zkaramanl，Hasan Demirel.Fire and smoke detection without sensors:Image processing－based approach［C］∥15th European Signal Processing Conference，EUSIPCO 2007，Poznan，Poland，2007:3－7.

［10］Torey in B U，Dedeoglu Y，Cetin A E.Contour－based smoke detection in video using wavelets［C］∥14th European Signal Processing Conference，EUSIPCO 2006，F(xiàn)lorence，Italy，2006:123－128.

［11］劉晰雨.基于視頻特征的火災火焰識別算法［D］.西安:西安電子科技大學，2009.