基于紅外熱成像的山火識別技術(shù)研究

余陽+趙海龍+韓來君

摘 要： 針對傳統(tǒng)火災(zāi)監(jiān)控系統(tǒng)監(jiān)控范圍小、靈敏度差、易受環(huán)境影響等問題，設(shè)計(jì)并實(shí)現(xiàn)了一套基于紅外熱成像處理技術(shù)的山火識別系統(tǒng)。該系統(tǒng)對紅外熱灰色圖像先后經(jīng)過預(yù)處理、疑似火災(zāi)區(qū)域的分割和平滑處理以及動靜態(tài)特征提取，同時結(jié)合煙霧溫度傳感器的輔助判斷，利用SVM和AdaBoost兩類分類器融合算法對森林火災(zāi)進(jìn)行監(jiān)控、識別和警報(bào)。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能對火災(zāi)火焰進(jìn)行有效識別，能為類似火災(zāi)監(jiān)控系統(tǒng)的開發(fā)及實(shí)現(xiàn)提供技術(shù)指導(dǎo)。

關(guān)鍵詞： 火災(zāi)監(jiān)控； 紅外熱圖像處理； SVM； AdaBoost

中圖分類號： TN911.73?34； TP393 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）24?0077?03

Abstract： Since the traditional fire monitoring system has the problems of small monitoring range and poor sensitivity， and is easily influenced by environment， a forest fire identification system based on infrared thermal image processing technology was designed and implemented. The system conducts the operations of preprocessing， suspected fire region segmentation， smoothing processing and static?dynamic feature extraction for the infrared gray images， and is combined with the assisted judgment of the smoke and temperature sensors. The algorithm fusing the SVM and AdaBoost classifiers is used to monitor and recognize the forest fire， and raise the alarm for it. The simulation and experiment results show that the system can identify the fire flame effectively， and provide the technical guidance for the development and implementation of the similar fire monitoring systems.

Keywords： fire monitoring； infrared thermal image processing； SVM； AdaBoost

傳統(tǒng)的自動監(jiān)測系統(tǒng)監(jiān)控面積小，傳感器靈敏度和監(jiān)控范圍容易受到限制，因此監(jiān)控效果差[1?3]。本文建立了一套用于監(jiān)測輸電走廊附近山林的火災(zāi)識別系統(tǒng)。該系統(tǒng)基于紅外熱成像處理技術(shù)，經(jīng)圖像增強(qiáng)、分割和提取疑似火災(zāi)區(qū)域的動靜態(tài)特征等圖像處理操作[4?5]，并結(jié)合現(xiàn)場布置的溫度、煙霧等傳感器節(jié)點(diǎn)監(jiān)測值的輔助判斷，再利用SVM和AdaBoost兩類分類器對火災(zāi)進(jìn)行識別，實(shí)際使用效果良好。

1 紅外熱像圖采集系統(tǒng)及預(yù)處理

1.1 系統(tǒng)設(shè)計(jì)

硬件系統(tǒng)如圖1所示。該系統(tǒng)主要涵蓋了電源管理、圖像采集以及無線傳輸?shù)饶K，硬件部分以鋼結(jié)構(gòu)固定在山中輸電走廊的鐵塔上。電源模塊使用了GH808太陽能控制器（IP67），可靠性高。

控制模塊負(fù)責(zé)控制系統(tǒng)的全方位運(yùn)行，包括采集圖像、溫度和煙霧值。紅外熱像圖采集模塊使用的是以非制冷多晶硅焦平面探測器為核心的紅外熱成像儀，該模塊負(fù)責(zé)采集分辨率為384×288的灰度圖像，灰度值（亮度）和實(shí)際熱量成正比。無線傳輸模塊利用3G網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行傳輸，以方便數(shù)據(jù)中心對監(jiān)控?cái)?shù)據(jù)的分析與處理。此外，本文系統(tǒng)還布置了溫度和煙霧傳感器（基于ZigBee技術(shù)）以提高對火災(zāi)的識別準(zhǔn)確率。

文中山火識別系統(tǒng)的核心為火災(zāi)識別算法，相關(guān)算法流程圖如圖2所示。

1.2 預(yù)處理

預(yù)處理過程主要是利用相關(guān)的降噪濾波技術(shù)對紅外熱像圖進(jìn)行處理[6]。本文選用的是適合紅外熱像圖的非線性中值濾波技術(shù)，該技術(shù)能在去噪的同時保證圖像邊緣清晰，從而保護(hù)火災(zāi)火焰區(qū)域的輪廓，效果見圖3。

2 紅外熱像圖分割和處理

2.1 分割算法

本文圖像的分割結(jié)合了閾值分割法和區(qū)域生長法[7?8]：前者包括Otus和雙峰法，分別用于火災(zāi)初期和燃燒期紅外熱像圖的識別操作；后者則是按照預(yù)先設(shè)定的生長準(zhǔn)則（針對區(qū)域灰度差相似準(zhǔn)則）將種子（像素點(diǎn)或子區(qū)域）組合成更大的生長區(qū)域。

圖像分割算法仿真結(jié)果如圖4所示。圖4（b）為火災(zāi)紅外熱像圖中的種子點(diǎn)（像素值大于設(shè)定閾值210），圖4（c）為相應(yīng)的經(jīng)過閾值測試的點(diǎn)，連接種子點(diǎn)像素生長即得到分割圖像見圖4（d）。

2.2 平滑處理

經(jīng)過上述紅外熱像圖分割操作即得到黑白二值圖像（黑色為非火災(zāi)區(qū)域），但會存在較小、不平滑且不連續(xù)的火焰區(qū)域及噪聲點(diǎn)，需要利用膨脹算法來解決。某集合M針對某二值化圖像代表的集合Y進(jìn)行膨脹運(yùn)算定義如下：

此外，本文還使用腐蝕算法來除去火災(zāi)區(qū)域邊界點(diǎn)和噪聲，其效果與膨脹相反。引入開操作來定義對某一圖像依次進(jìn)行腐蝕再膨脹運(yùn)算；閉操作定義為依次進(jìn)行膨脹再腐蝕運(yùn)算。經(jīng)過比較，最終選擇使用閉操作來對分割后的圖像進(jìn)行平滑處理。endprint

3 疑似火災(zāi)區(qū)域相關(guān)特征提取

3.1 靜態(tài)特征提取

疑似火災(zāi)區(qū)域的火焰具有周長、圓形度、面積、尖角數(shù)、邊界粗糙度等幾何特征，以這些特征作為標(biāo)準(zhǔn)即可對疑似火災(zāi)區(qū)域進(jìn)行初步判斷[9]。以面積特征為例，如圖5所示，即為火災(zāi)和干擾物視頻中提取出來的連續(xù)100幀圖像中每幀疑似火災(zāi)像素面積與幀數(shù)變化關(guān)系圖?？梢悦黠@看到，火災(zāi)燃燒造成火災(zāi)區(qū)域在每幀的劇烈波動。

此外，疑似火災(zāi)區(qū)域還具有直方圖、紋理等靜態(tài)特征。結(jié)合上述各項(xiàng)特征，可提高對疑似火災(zāi)區(qū)域的識別準(zhǔn)確度。

3.2 動態(tài)特征提取

靜態(tài)特征均是從視頻的每幀圖像上獲得的，若只是以此為判斷依據(jù)，容易將其與類似圖樣的非火災(zāi)目標(biāo)混淆。因此，本文以多張連續(xù)紅外熱像圖為研究目標(biāo)，獲取動態(tài)特征如火焰尖角個數(shù)變化、質(zhì)心位移和面積變化率等。同樣以面積為例，如圖6所示，即為面積變化率隨幀數(shù)變化的波動曲線。易知，火災(zāi)圖像的面積變化率波動劇烈，其他圖像較為平緩。因此，可將面積變化率作為火災(zāi)判斷的動態(tài)依據(jù)，排除固定干擾源的影響。

4 紅外熱像圖火災(zāi)模式識別仿真與實(shí)驗(yàn)

本文選用網(wǎng)絡(luò)數(shù)據(jù)和設(shè)備測得的實(shí)驗(yàn)數(shù)據(jù)作為圖像數(shù)據(jù)，并結(jié)合網(wǎng)絡(luò)上的相似場景設(shè)計(jì)了21組火災(zāi)模擬實(shí)驗(yàn)，包括有火災(zāi)的13個場景和無火災(zāi)的白熾燈、動物、蠟燭、高溫物體共4個無火災(zāi)場景。此外，文中還通過測試錯誤率以及ROC曲線來評估本系統(tǒng)的識別結(jié)果與真實(shí)數(shù)據(jù)是否吻合，借此判斷系統(tǒng)的識別效果。

山火識別過程中，本文以線性加權(quán)的方式對SVM和AdaBoost分類器進(jìn)行融合，從而提高該系統(tǒng)識別火災(zāi)的魯棒性和準(zhǔn)確性。融合示意圖如圖7所示，最終得到最佳系數(shù)下的公式為：

對融合后的分類器進(jìn)行仿真測試，得到的準(zhǔn)確率和ROC曲線如圖8、圖9所示。由此兩圖可知，融合后的分類器識別準(zhǔn)確率達(dá)到92.8%，曲線下的面積AUC達(dá)到0.93，其融合后性能得到了大幅提高。

現(xiàn)場安裝和軟件識別效果見圖10，軟件由C#語言在VS.Net平臺開發(fā)實(shí)現(xiàn)；算法采用C++語言在OpenCV計(jì)算機(jī)視覺庫基礎(chǔ)上開發(fā)完成。實(shí)際使用過程中，本系統(tǒng)成功識別了距熱紅外相機(jī)1 000 m外40 cm直徑的鐵罐內(nèi)點(diǎn)燃的可燃物，軟件界面中的紅色標(biāo)注隨鐵桶的移動而移動，且隨鐵桶的移走而消失，排除了噪聲干擾的可能，如圖10（c）所示。由此表明，本系統(tǒng)和算法具有一定的有效性與可靠性，能夠用于對山林火災(zāi)的識別及監(jiān)控操作。

5 結(jié) 語

針對傳統(tǒng)火災(zāi)監(jiān)控系統(tǒng)監(jiān)控范圍小、靈敏度差、易受環(huán)境影響等問題，本文基于紅外熱成像處理技術(shù)，設(shè)計(jì)并實(shí)現(xiàn)了一套山火識別系統(tǒng)。該系統(tǒng)通過對紅外熱灰色圖像的預(yù)處理、疑似火災(zāi)區(qū)域的分割和形態(tài)學(xué)處理以及動靜態(tài)特征提取，同時結(jié)合煙霧溫度傳感器的輔助判斷，利用SVM和AdaBoost分類器融合算法，對森林火災(zāi)進(jìn)行監(jiān)控與識別。仿真及實(shí)際實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能對火災(zāi)火焰進(jìn)行有效識別，具有一定的應(yīng)用前景。

參考文獻(xiàn)

[1] JIA J， LU S. A mission?oriented risk assessment methodology for naval vessel fire caused by non?contact explosions using Bayesian networks [J]. Procedia engineering， 2013， 62（7）： 573?580.

[2] 吳田，阮江軍，胡毅，等.500 kV輸電線路的山火擊穿特性及機(jī)制研究[J].中國電機(jī)工程學(xué)報(bào)，2011，31（34）：163?170.

[3] LIN Y K， YANG J N. A stochastic theory of fatigue crack propagation [J]. Aiaa Journal， 2012， 23（1）： 117?124.

[4] LETHAM B， RUDIN C， MCCORMICK T H， et al. Interpretable classifiers using rules and Bayesian analysis： Building a better stroke prediction model [J]. Annals of applied statistics， 2015， 9（3）： 1350?1371.

[5] 王文光.基于無線傳感器網(wǎng)絡(luò)的新型火災(zāi)探測節(jié)點(diǎn)研究[D].合肥：合肥工業(yè)大學(xué)，2010.

[6] 龔聲蓉，劉純平，王強(qiáng).數(shù)字圖像處理與分析[M].北京：清華大學(xué)出版社，2006.

[7] 章毓晉.圖像工程（中冊）：圖像分析[M].北京：清華大學(xué)出版社，2005.

[8] 賈永紅.數(shù)字圖像處理[M].2版.北京：武漢大學(xué)出版社，2010.

[9] ZHOU X L， YU F X， WEN Y C， et al. Early Fire detection based on flame contours in video [J]. Information technology journal， 2010， 9（5）： 899?908.endprint