一種基于視頻的隧道火災(zāi)檢測(cè)算法

龐鳳蘭， 宋煥生， 聞 江， 孫麗婷

（1. 長(zhǎng)安大學(xué) 信息工程學(xué)院， 陜西 西安 710064；2. 陜西省道路交通智能檢測(cè)與裝備工程技術(shù)研究中心，陜西 西安 710064）

交通視頻檢測(cè)中隧道火災(zāi)檢測(cè)是一個(gè)至關(guān)重要的主題。實(shí)時(shí)、準(zhǔn)確、低漏報(bào)是隧道火災(zāi)檢測(cè)中需要解決的關(guān)鍵問(wèn)題[1]。 目前國(guó)內(nèi)交通隧道火災(zāi)檢測(cè)主要由安裝于隧道中的感溫、感光、感煙、復(fù)合等探測(cè)器完成，按照一定的密度在隧道中鋪設(shè)指定數(shù)量的感溫、感光、感煙等探測(cè)器[2]。 但是，由于隧道中的跨度空間大，因此必須按隧道安全需求鋪設(shè)足夠數(shù)量的探測(cè)器。 同時(shí)，監(jiān)于傳統(tǒng)的感溫、感光、感煙等探測(cè)器自身檢測(cè)準(zhǔn)確度和靈敏度有限，且易受隧道中粉塵、氣流等環(huán)境干擾的影響[2]，只有當(dāng)隧道中的火焰很明顯或者煙霧足夠濃時(shí)才報(bào)警[2]，這樣就失去了火災(zāi)實(shí)時(shí)檢測(cè)報(bào)警的作用。

目前， 國(guó)內(nèi)外針對(duì)于圖像視頻類(lèi)的火災(zāi)檢測(cè)已經(jīng)開(kāi)展了廣泛研究。 陳曉等進(jìn)行了火焰顏色和空間區(qū)域結(jié)構(gòu)特性等靜態(tài)光譜特性的檢測(cè)技術(shù)研究， 從灰度化的圖像中提取出火焰的形狀，通過(guò)計(jì)算火焰區(qū)域的圓形度、面積等參數(shù)來(lái)識(shí)別火災(zāi)[3]。 Chen 等利用火焰的顏色、位移和振動(dòng)特性來(lái)對(duì)火焰進(jìn)行識(shí)別[4]；Ha 等結(jié)合Lab 色彩空間的色彩和火流的運(yùn)動(dòng)矢量來(lái)檢測(cè)火災(zāi)[5]。 這些方法雖然可以提取出火焰區(qū)域，但是不能可靠排除干擾，精確性不高。 火災(zāi)發(fā)生的初期可能只有煙霧而沒(méi)有明火，這種情況下如果能及時(shí)檢測(cè)出煙霧，則會(huì)避免火災(zāi)的發(fā)生。

本文針對(duì)人們?nèi)找骊P(guān)注的公路隧道安全問(wèn)題，提出了新的火災(zāi)檢測(cè)算法。 通過(guò)安裝在隧道頂部上方的攝像機(jī)采集交通視頻圖像， 應(yīng)用計(jì)算機(jī)圖像處理技術(shù)處理視頻圖像數(shù)據(jù)，能夠準(zhǔn)確的提取出火焰及煙霧區(qū)域，而且檢測(cè)速度快。 對(duì)于火焰首先采用改進(jìn)的統(tǒng)計(jì)直方圖法提取置信度高的背景，再運(yùn)用形態(tài)學(xué)方法和連通域標(biāo)記法[6]對(duì)用背景差法得到的運(yùn)動(dòng)目標(biāo)進(jìn)行處理。 最后依據(jù)高亮度與穩(wěn)定度特性[7]、火焰面積擴(kuò)散特性、振蕩特性結(jié)合提取得到精確的火焰檢測(cè)結(jié)果。 對(duì)于煙霧疑似區(qū)域首先由于其早期的運(yùn)動(dòng)方向通常是自下而上的，可通過(guò)判斷其主運(yùn)動(dòng)方向是否與預(yù)設(shè)條件相符，同時(shí)結(jié)合煙霧紋理特征，著重對(duì)隧道頂部區(qū)域進(jìn)行檢測(cè)，最后利用BP 神經(jīng)網(wǎng)絡(luò)和D_S 證據(jù)理論進(jìn)行數(shù)據(jù)融合， 可進(jìn)一步降低系統(tǒng)的誤報(bào)率。

1 利用改進(jìn)的統(tǒng)計(jì)直方圖法提取背景

根據(jù)直方圖的最大值周?chē)哪芰糠植及阎狈綀D分為兩類(lèi)，一類(lèi)為單峰，此時(shí)把單峰峰值作為背景值。 另一類(lèi)為多峰，選擇置信度最高的峰值作為背景值。

1.1 改進(jìn)的灰度直方圖算法描述

算法思路：對(duì)灰度直方圖進(jìn)行統(tǒng)計(jì)，查找出頻數(shù)最大的點(diǎn)C。計(jì)算該點(diǎn)周?chē)?鄰域內(nèi)包含的能量大小E，如果E 超過(guò)整個(gè)直方圖總能量的2/3，認(rèn)為該點(diǎn)的置信度高，將對(duì)應(yīng)灰度值作為背景灰度值；否則認(rèn)為該點(diǎn)的置信度較低，接著在該點(diǎn)ε 范圍之外繼續(xù)查找另一個(gè)頻數(shù)最大的點(diǎn)D，作為第二個(gè)峰值點(diǎn)。 計(jì)算D 點(diǎn)周?chē)?鄰域內(nèi)包含的能量大小E′，將其與C 點(diǎn)的能量E 進(jìn)行比較，最終取能量數(shù)值大的點(diǎn)所對(duì)應(yīng)的灰度值作為背景灰度值。 如果有3 個(gè)或者3 個(gè)以上的峰值點(diǎn)，則依據(jù)上述方法依次比較，將能量最大的峰值點(diǎn)的值作為背景灰度值。 具體步驟如下：

1）讀取N 幀圖像，對(duì)圖像中的每個(gè)像素點(diǎn)進(jìn)行灰度直方圖統(tǒng)計(jì)，并找出頻數(shù)出現(xiàn)最大的點(diǎn)C：

其中：P（x，y，k）表示N 幀圖像序列中像素（x，y）的灰度值為k 的頻數(shù)，F(xiàn)i（x，y）表示圖像序列中第i 幀圖像像素（x，y）的灰度值。

2）計(jì)算C 點(diǎn)ε 鄰域內(nèi)包括的能量大小E：

若E＞N*2/3，則B（x，y）=kMax，否則執(zhí)行步驟3）。

3）在點(diǎn)C 的ε 鄰域之外查找頻數(shù)最大的點(diǎn)D，公式為：

S（x，y）=k2nd，if P（x，y，k2nd）=Max（P（x，y，k））

k∈[0，255]且k?[kMax－ε，kMax+ε] （4）然后計(jì)算D 點(diǎn)ε 鄰域內(nèi)包括的能量大小E′：

若E＞E′，則B（x，y）=kMax，否則B（x，y）=k2nd。

1.2 背景提取方法實(shí)驗(yàn)比較

普通背景提取與改進(jìn)的灰度直方圖背景提取結(jié)果如圖1所示。

圖1 普通背景提取與改進(jìn)的統(tǒng)計(jì)直方圖法提取的背景Fig. 1 General background extraction and improved histogram extraction background

2 火焰檢測(cè)與提取

2.1 火焰高亮度特征與振蕩特性結(jié)合

本文采用基于火焰高亮度特性[7]與穩(wěn)定性相結(jié)合的火焰區(qū)域提取方法。 主要處理經(jīng)過(guò)連通域標(biāo)記的目標(biāo)圖像，通過(guò)計(jì)算每個(gè)連通域所包含的目標(biāo)塊的灰度平均值，然后利用設(shè)定閾值來(lái)對(duì)每個(gè)連通域進(jìn)行檢測(cè)，以排除干擾目標(biāo)。 該方法能夠排除很大一部分干擾目標(biāo)，再結(jié)合火焰振蕩特性，能夠更精確的檢測(cè)出火焰目標(biāo)。

采用T 來(lái)表示連通域的個(gè)數(shù)，Label（n）表示塊n（c，r）的連通域標(biāo)記結(jié)果， 同時(shí)也是該塊所在的連通域標(biāo)號(hào)，F(xiàn)n（x，y）表示塊n（c，r）對(duì)應(yīng)的圖像數(shù)據(jù)，對(duì)于某－個(gè)連通域t（t∈[0，T－1]），其所包括的目標(biāo)塊灰度總和為：

目標(biāo)塊灰度平均值A(chǔ)verGrayt：

其中areat 表示特征結(jié)構(gòu)體的面積參數(shù)，同時(shí)也可表示連通域包括的目標(biāo)塊個(gè)數(shù)。

依據(jù)目標(biāo)塊灰度平均值A(chǔ)verGrayt 的大小， 來(lái)對(duì)該連通域是否為火焰區(qū)域進(jìn)行判斷。 設(shè)定一個(gè)閾值Thfire，如果目標(biāo)塊灰度平均值A(chǔ)verGrayt 小于該閾值Thfire，那么表示該連通域可能為車(chē)輛、行人等干擾目標(biāo)，否則證實(shí)該連通域?yàn)榛鹧鎱^(qū)域。 用MFt 來(lái)表示連通域t 是否為干擾目標(biāo)，則：

已判斷為火焰區(qū)域的連通域，保留下來(lái)，以待后期的分析處理。 對(duì)于已區(qū)分為干擾目標(biāo)的連通域，應(yīng)該刪除，減少后期分析的樣本量。 刪除連通域就是把該連通域內(nèi)所有塊的標(biāo)號(hào)置為零，同時(shí)該標(biāo)號(hào)后面的所有標(biāo)號(hào)都減小1，連通域的個(gè)數(shù)T 也減小1。 同時(shí)將該連通域內(nèi)所有塊的二值化標(biāo)記結(jié)果BM（c，r）置為0，公式表示如下：

算法過(guò)程總結(jié)如下：

1）依據(jù)式（7）和（8）計(jì)算每個(gè)連通域的灰度平均值A(chǔ)ver Grayt；

2）判斷灰度平均值的大小，如果AverGrayt＜Thfire，把該連通域標(biāo)號(hào)置為零，并將該標(biāo)號(hào)后面的所有標(biāo)號(hào)都減1，連通域個(gè)數(shù)T 也減1；否則不做處理，保留該連通域。

火焰具有高亮度和穩(wěn)定特性，其灰度值通常都在200 以上。因此本文將閾值Thfire 設(shè)為225。火焰提取結(jié)果對(duì)比如圖2 所示。

2.2 火焰振蕩特性

圖2 普通火焰提取與本文方法提取結(jié)果Fig. 2 General flame extraction results contrast with the results of this method to extract

本文加入了火焰振蕩頻率特性分析檢測(cè)， 使得系統(tǒng)檢測(cè)性能遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)的火焰檢測(cè)方法， 能夠更好的將火焰與干擾目標(biāo)區(qū)分開(kāi)，使火焰提取精確度更高，提取結(jié)果可靠性大大增加。

首先獲取到每幀火焰區(qū)域面積，對(duì)于每連續(xù)三幀圖像，我們采用對(duì)每?jī)蓭瑘D像區(qū)域面積進(jìn)行差值然后再相乘的方法[7]，最終計(jì)算出DP 的值，公式表示為：

給提取得到的火焰區(qū)域都設(shè)定一個(gè)計(jì)數(shù)器SC，用來(lái)統(tǒng)計(jì)該區(qū)域的閃爍幀數(shù)。 如果DP 的值小于－100，就說(shuō)明公式中的兩個(gè)面積差值剛好一正一負(fù)，證明該區(qū)域當(dāng)前時(shí)刻存在閃爍，此時(shí)計(jì)數(shù)器加1，公式如下：

3 煙霧檢測(cè)與提取

3.1 灰度共生矩陣（GLCM）

灰度共生矩陣是針對(duì)存在一定間距的兩像素就它們之間是否存在一種灰度關(guān)系進(jìn)行研究分析，我們用它可以進(jìn)行目標(biāo)紋理特征描述。 假設(shè)圖像中存在某一個(gè)像素點(diǎn)（x，y），其灰度值為I1，那么從該點(diǎn)開(kāi)始，沿方向θ 位移距離d 的像素點(diǎn)（x′，y′）的灰度值為I2的概率被定義為灰度共生矩陣P（I1，I2，d，θ）。 如果一幅圖像大小為M*N，則對(duì)應(yīng)灰度共生矩陣的表達(dá)式為：

P 矩陣是歸一化后的結(jié)果， 其中其維數(shù)與圖像灰度級(jí)數(shù)相對(duì)應(yīng)。 方向θ 在二維平面坐標(biāo)系中，就是表示與X 軸的夾角，包括0°，45°，90°和135° 4 個(gè)角度。

紋理特征比較如表1 所示。

由表1 中數(shù)據(jù)對(duì)比可以得出：煙霧的均勻性最大，對(duì)比度最小；車(chē)輛的對(duì)比度和能量最大，均勻性最?。粺熿F和火焰的能量差別不大。 此方法進(jìn)一步將煙霧與其他特征區(qū)別開(kāi)，更利于煙霧的精確提取。

表1 目標(biāo)紋理特征比較Tab. 1 Target texture feature comparison

3.2 煙霧主運(yùn)動(dòng)方向

本文中將煙霧疑似區(qū)域劃分成N 個(gè)m*n 的小塊， 采用運(yùn)動(dòng)矢量法對(duì)每個(gè)m*n 的小塊進(jìn)行運(yùn)動(dòng)方向估計(jì)，接著得到每個(gè)小塊的運(yùn)動(dòng)累積方向，也就是該小塊主運(yùn)動(dòng)趨勢(shì)，依據(jù)該方法最終提取出整個(gè)煙霧疑似區(qū)域的主運(yùn)動(dòng)方向。

本文針對(duì)8 鄰域的8 個(gè)方向進(jìn)行了相似搜索匹配，將絕對(duì)誤差和最小作為匹配準(zhǔn)則，也就是SAD 值最小準(zhǔn)則。 絕對(duì)值差求和公式為:

f（i，j）表示待匹配（i，j）模塊處的像素灰度值，g（i，j）表示模板中（i，j）處的像素灰度。

4 數(shù)據(jù)融合判斷

與傳統(tǒng)的運(yùn)用單一分類(lèi)器相比， 本文根據(jù)BP 神經(jīng)網(wǎng)絡(luò)和D_S 證據(jù)理論，依靠信息融合對(duì)隧道火焰及煙霧特征進(jìn)行綜合檢測(cè)識(shí)別。 本文依托Support Vector Machine（支持向量機(jī)）和Back Propagation Neural Network（BP 神經(jīng)網(wǎng)絡(luò)）進(jìn)行基本可信度分配，首先構(gòu)建兩個(gè)證據(jù)體，然后采用D_S 證據(jù)理論對(duì)已有的兩個(gè)證據(jù)體進(jìn)行融合，從而得到精確度更高的火災(zāi)及煙霧檢測(cè)結(jié)果。 數(shù)據(jù)融合流程圖和火災(zāi)煙霧最終檢測(cè)結(jié)果分別如圖3 和圖4 所示。

圖3 數(shù)據(jù)融合流程圖Fig. 3 Data fusion flowchart

圖4 火災(zāi)煙霧最終檢測(cè)結(jié)果Fig. 4 Fire and smoke final test results

5 各種檢測(cè)方法效果比較

各種火災(zāi)及煙霧檢測(cè)方法性能比較如圖5 所示。

從實(shí)驗(yàn)結(jié)果看出，該方法對(duì)火焰和煙霧檢測(cè)都是精確度高且穩(wěn)定的，尤其是對(duì)于隧道這種特殊環(huán)境中的圖像，效果顯著。 同時(shí)該方法提高了火災(zāi)圖像識(shí)別的可靠性，具有實(shí)時(shí)性好、抗干擾性強(qiáng)、可視化和成本低等優(yōu)點(diǎn)。

圖5 火災(zāi)煙霧檢測(cè)方法比較Fig. 5 Comparison of fire and smoke detection methods

6 結(jié) 論

本文針對(duì)交通隧道火災(zāi)及煙霧檢測(cè)提出了新的算法，首先采用背景差法將疑似火焰運(yùn)動(dòng)目標(biāo)檢測(cè)出來(lái)，然后應(yīng)用形態(tài)學(xué)方法結(jié)合連通域標(biāo)記法進(jìn)一步提取火焰疑似區(qū)域，再結(jié)合火焰高亮度及振蕩等特性確定出較精確的火焰區(qū)域。 對(duì)于煙霧檢測(cè)最初也是利用背景差法將疑似煙霧運(yùn)動(dòng)目標(biāo)檢測(cè)出來(lái)，接著采用紋理特性與主運(yùn)動(dòng)方向結(jié)合的方法進(jìn)行煙霧識(shí)別。最后利用BP 神經(jīng)網(wǎng)絡(luò)和D_S 證據(jù)理論進(jìn)行數(shù)據(jù)融合，進(jìn)一步得到實(shí)時(shí)、準(zhǔn)確的檢測(cè)結(jié)果，同時(shí)該方法降低了火災(zāi)探測(cè)系統(tǒng)的誤報(bào)率。

[1] 王少飛. 公路隧道火災(zāi)事故調(diào)研報(bào)告[R]. 重慶招商局重慶交通科研設(shè)計(jì)院有限公司隧道建設(shè)與養(yǎng)護(hù)技術(shù)交通行業(yè)重點(diǎn)實(shí)驗(yàn)室，2011.

[2] 關(guān)文婷. 基于視頻的公路隧道火焰檢測(cè)[D]. 大連: 大連海事大學(xué)，2012.

[3] ZANG Guang-ming，HUANG Chen-jie，WANG Ya-mei. Multicriterion identification technology of fire with video and ITS application [J]. Computer Applications and Software， 2013，30（2）:65-67

[4] Dogan Resit，Karsligil M. Elif. Fire detection using color and motion features in video sequences [C]//IEEE 18th Signal Processing and Communications Applications Conference，2010:451-454.

[5] Dongil Han，Byoungmoo Lee. Flame and smoke detection method for early real-time detection of a tunnel fire [J]. Fire Safety Journal，2009，44（7）:951-961

[6] CHEN Juan，HE Ya-ping，WANG Jian. Multi-feature fusion based fast video flame detection[J]. Building and Environment，2010，45（5）:1113-1122.

[7] 李瑩. 基于圖像特征的隧道運(yùn)動(dòng)火源視頻火焰探測(cè)技術(shù)研究[D]. 合肥: 中國(guó)科學(xué)技術(shù)大學(xué)，2011.