兩種火災(zāi)煙霧識(shí)別方法的研究

李娜 齊愛玲 賈澎濤

摘 要：接觸式火災(zāi)探測(cè)器在大空間和室外場(chǎng)景存在局限性，結(jié)合視頻監(jiān)控系統(tǒng)和數(shù)字圖像處理技術(shù)，進(jìn)行探測(cè)和預(yù)警成為火災(zāi)探測(cè)領(lǐng)域里的新研究方向。針對(duì)不同場(chǎng)景下煙霧識(shí)別算法的選擇問題，研究顏色統(tǒng)計(jì)特征和小波變換兩種方法在煙霧圖像識(shí)別中的應(yīng)用，分析算法的具體過程及其適用性?；馂?zāi)煙霧圖像包含豐富的顏色、紋理等特征參數(shù)，將煙霧圖像轉(zhuǎn)換為二值圖像，采用數(shù)字圖像處理的方法對(duì)煙霧的RGB顏色特征進(jìn)行統(tǒng)計(jì)，分析其顏色距離與人類視覺的關(guān)系，提取圖像中的煙霧點(diǎn)特征，識(shí)別是否有火災(zāi)煙霧生成以達(dá)到預(yù)警的目的。小波變換方法利用煙霧背景圖像紋理模糊即信號(hào)衰弱的特點(diǎn)，對(duì)目標(biāo)前景進(jìn)行提取。利用連續(xù)目標(biāo)圖像計(jì)算均值背景，通過與均值背景的對(duì)比，捕捉圖像信號(hào)衰減的連通區(qū)域，獲取煙霧圖像。通過實(shí)驗(yàn)，從圖像要求、煙霧對(duì)象、時(shí)間復(fù)雜度、適合場(chǎng)所幾方面得出顏色統(tǒng)計(jì)特征和小波變換方法在火災(zāi)煙霧識(shí)別中的性能比較。結(jié)果對(duì)不同場(chǎng)景下煙霧圖像識(shí)別方法的選擇有指導(dǎo)作用。

關(guān)鍵詞：火災(zāi)預(yù)警;煙霧檢測(cè);數(shù)字圖像處理;顏色特征;小波變換

中圖分類號(hào)：X 928;TP 391 ? ? ? ? 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1672-9315（2019）05-0898-07

Abstract：Contact fire detectors have limitations in large space and outdoor scenes，so combining video surveillance system with digital image processing technology to conduct fire detection and early warning has become a new research direction in the field of fire detection.Aiming at the selection of smoke recognition algorithms in different scenarios，this paper studies the application of color statistical features and wavelet transform in smoke image recognition，and analyzes its applicability through the specific process of the algorithm.Fire smoke image contains rich color，texture and other characteristic parameters.In the statistical method of color feature，smoke image is converted into binary image，and the RGB color feature of smoke is counted by digital image processing method.Then，the relationship between color distance and human vision is analyzed to extract smoke feature，and then the purpose of identifying whether there is fire smoke and early warning is achieved.Texture of fume background image is blurring，which is regarded as signal weakening，and this is used to extract target foreground in the method of wavelet transform.Mean background is calculated by using continuous target image.By comparing with mean background，the connected area of image signal attenuation is captured and smoke image is obtained.Through experiments，the performance indicators of color feature statistics and wavelet transform methods in fire smoke recognition are obtained from image requirements，smoke objects，time complexity and suitable places.The results will guide the selection of smoke image recognition methods in different scenarios.

Key words：fire early warning;smoke detection;digital image processing;color characteristics;wavelet transform

0 引 言

近期，山西、北京、四川等地連續(xù)發(fā)生森林火災(zāi)，成為輿論焦點(diǎn)，且多地火險(xiǎn)維持在“極度危險(xiǎn)”級(jí)別?；馂?zāi)嚴(yán)重危及生命安全，同時(shí)造成生態(tài)環(huán)境破壞等一系列損失。對(duì)火災(zāi)征兆進(jìn)行及時(shí)檢測(cè)，在火災(zāi)預(yù)警和中有著極其重要的意義?；馂?zāi)形成初期，大多數(shù)情況下沒有明顯的火焰信號(hào)，只有陰燃現(xiàn)象和大量的煙霧，所以煙霧探測(cè)可實(shí)現(xiàn)早期預(yù)警。通過視頻捕捉火災(zāi)前圖像進(jìn)行探測(cè)和預(yù)警成為火災(zāi)探測(cè)領(lǐng)域里的一個(gè)新研究方向，該方法克服了傳統(tǒng)火災(zāi)探測(cè)技術(shù)在大空間或室外場(chǎng)景應(yīng)用中的局限。

對(duì)于火災(zāi)產(chǎn)生的煙霧及其與煙霧顏色相近物體的準(zhǔn)確有效區(qū)分，成為火災(zāi)煙霧檢測(cè)的難點(diǎn)之一。煙霧的屬性信息，如：顏色、邊緣和梯度區(qū)分不明顯，這給檢測(cè)的進(jìn)行制造了障礙。特征的提取是準(zhǔn)確和快速進(jìn)行煙霧檢測(cè)的關(guān)鍵?；谔卣鼽c(diǎn)的火災(zāi)煙霧識(shí)別給這類問題提供了一個(gè)很好的解決方法。利用煙霧檢測(cè)算法，自動(dòng)識(shí)別煙霧圖形的特征，被應(yīng)用于公路隧道[1]、森林大火[2-3]、城市軌道交通[4]、艦船著火[5]等室外環(huán)境的火災(zāi)安全預(yù)防中。

1 火災(zāi)煙霧檢測(cè)的研究現(xiàn)狀

1.1 國(guó)內(nèi)外研究現(xiàn)狀

基于煙霧識(shí)別的火災(zāi)煙霧探測(cè)技術(shù)關(guān)鍵是提取煙霧和氣體特征。提取方法上主要有圖像識(shí)別[6]、顯著特征[7-9]、多特征融合[10]、深度神經(jīng)網(wǎng)絡(luò)[11]等。文獻(xiàn)[12]提出一種通過融合煙霧多個(gè)特征的方法來(lái)檢測(cè)識(shí)別早期林火煙霧。針對(duì)復(fù)雜場(chǎng)景煙霧特征提取，陳俊周等提出一種靜態(tài)和動(dòng)態(tài)特征結(jié)合的卷積神經(jīng)網(wǎng)絡(luò)視頻煙霧檢測(cè)框架[13]。王文朋等人基于圖像ImageNet數(shù)據(jù)集，利用VGG-16模型進(jìn)行同構(gòu)數(shù)據(jù)下的特征遷移，提出一種基于深度遷移學(xué)習(xí)的煙霧識(shí)別方法[14]。常用煙霧特征描述方法有：統(tǒng)計(jì)量特征、變換域特征、局部模式特征。

李誠(chéng)等人通過結(jié)合統(tǒng)計(jì)量特征和深度學(xué)習(xí)方法實(shí)現(xiàn)了視頻煙霧檢測(cè)[15]。在使用人工設(shè)計(jì)特征時(shí)采用較弱的閾值設(shè)置，實(shí)現(xiàn)了城鎮(zhèn)森林交界域煙霧的準(zhǔn)確識(shí)別。Shrivastava等人利用K均值聚類圖像分割算法，對(duì)靜態(tài)相機(jī)獲得的幀序列實(shí)現(xiàn)有效煙霧檢測(cè)[16]。

高豐偉等人結(jié)合傳統(tǒng)手動(dòng)提取方法和CNN自動(dòng)提取煙霧特征，與傳統(tǒng)的方法相比，該方法在煙霧準(zhǔn)確率和誤檢率上都有明顯的提高，同時(shí)對(duì)于光照和煙霧濃度的敏感度有降低[17]。姚太偉等人提出基于小波變換的森林視頻火災(zāi)煙霧檢測(cè)方法，使用幀間差分法和質(zhì)心算法提取疑似煙霧運(yùn)動(dòng)目標(biāo)區(qū)域，對(duì)提取的運(yùn)動(dòng)目標(biāo)前景區(qū)域和背景區(qū)域分別進(jìn)行小波能量特征提取與分析[18]。

蘭久強(qiáng)等人提出基于顏色和紋理特征的林火煙霧識(shí)別方法，使用顏色特征確定煙霧疑似區(qū)域，利用小波變換提取相關(guān)度特征，支持向量機(jī)進(jìn)行煙霧識(shí)別[19]。Jian等針對(duì)火災(zāi)煙霧檢測(cè)早期存在的問題，提出一種結(jié)合兩步分割和運(yùn)動(dòng)特征的煙霧可疑區(qū)域提取方法[20]。

1.2 現(xiàn)階段火災(zāi)煙霧檢測(cè)技術(shù)存在的問題

火災(zāi)探測(cè)研究雖然在煙霧檢測(cè)技術(shù)中一直有新的算法被提出，但還存在一些問題。因?yàn)闊熿F的不規(guī)則性和本身顏色的特殊性，傳統(tǒng)常用的方法根據(jù)煙霧特點(diǎn)進(jìn)行分割，再提取可疑目標(biāo)區(qū)域，但是煙霧通常情況下不是呈均勻分布，并且煙霧往往是由很多離散的小區(qū)域組成，在檢測(cè)過程中較為復(fù)雜，導(dǎo)致對(duì)煙霧區(qū)域不能明顯區(qū)分。

對(duì)于火災(zāi)探測(cè)和預(yù)警來(lái)說，如何提取火災(zāi)產(chǎn)生的煙霧特征是其重要的步驟之一，精確的特征能夠極大提高識(shí)別的準(zhǔn)確率和穩(wěn)定性。通過顏色統(tǒng)計(jì)特征和小波變換2種技術(shù)在煙霧特征檢測(cè)中的應(yīng)用，分析各自的特點(diǎn)并得出具體的場(chǎng)景適用性結(jié)論。

2 基于顏色統(tǒng)計(jì)特征的火焰煙霧識(shí)別

燃燒初期的煙霧通常是青灰色，其R，G，B三個(gè)顏色值基本相等，用α表示其相似程度，計(jì)算公式為α=max（|R-G|，|G-B|，|B-R|），最終的α范圍在0到20之間。HSI顏色模型中色度H的初期煙霧特征取值范圍為175°≤H≤185°，文中用H的取值范圍判別圖像中的煙霧區(qū)域。

2.1 選取基準(zhǔn)點(diǎn)

對(duì)于HSI模型選取色調(diào)分量H在175°≤H≤185°的像素點(diǎn)，計(jì)算α參數(shù)，如果α范圍在0到20之間，則將此像素點(diǎn)作為基準(zhǔn)點(diǎn)x.將圖像中其余α參數(shù)在0到20之間像素點(diǎn)與基準(zhǔn)點(diǎn)比較，若像素空間距離D≤0.2，認(rèn)為這個(gè)像素點(diǎn)與所設(shè)立的基準(zhǔn)點(diǎn)相似，對(duì)其進(jìn)行保留;當(dāng)D>0.2時(shí)，將對(duì)應(yīng)的像素點(diǎn)視作噪聲并置為白色。

煙霧識(shí)別根據(jù)HSI顏色距離與人類視覺的關(guān)系，分析提取圖像中的煙霧點(diǎn)，來(lái)判別是否有火焰產(chǎn)生。在檢測(cè)圖像的面積閾值過程中，需要將彩色圖像先轉(zhuǎn)換變?yōu)榛叶葓D像，之后確定一個(gè)值來(lái)進(jìn)行二值化處理。通過閾值比較，保留疑似煙霧區(qū)域，最后用挖空法得到煙霧區(qū)域輪廓，以達(dá)到識(shí)別火災(zāi)煙霧的目的。

3 基于小波變換的煙霧識(shí)別

煙霧的半透明性即背景的模糊性能夠較為準(zhǔn)確地反映其特征。煙霧的產(chǎn)生使背景的紋理變得模糊，在信號(hào)域上表現(xiàn)為信號(hào)衰弱，可通過小波變換進(jìn)行煙霧的識(shí)別。

3.1 均值背景

4 仿真實(shí)驗(yàn)

4.1 煙霧顏色特征檢測(cè)系統(tǒng)的實(shí)現(xiàn)

火災(zāi)煙霧識(shí)別由6部分組成，包括圖像讀取、彩色圖像灰度化、邊緣檢測(cè)、煙霧圖像的RGB值統(tǒng)計(jì)、煙霧檢測(cè)和主程序?qū)崿F(xiàn)。界面顯示如圖3所示。

利用人類視覺與空間顏色距離的關(guān)系，判斷所掃描像素點(diǎn)是否煙霧所在的像素點(diǎn)。通過下面的實(shí)驗(yàn)進(jìn)行煙霧顏色特征提取，使得準(zhǔn)確的煙霧檢測(cè)為火災(zāi)預(yù)警提供有利的前期指導(dǎo)，如圖4所示。

利用邊緣檢測(cè)對(duì)火災(zāi)圖像中亮度變化明顯的煙霧點(diǎn)進(jìn)行識(shí)別，不同灰度值的相鄰區(qū)域不連續(xù)。利用算子進(jìn)行煙霧的邊緣檢測(cè)，結(jié)果如圖5所示。

通過分析觸發(fā)探測(cè)器警報(bào)時(shí)的圖像RGB值，統(tǒng)計(jì)獲得基準(zhǔn)點(diǎn)計(jì)算量?；鶞?zhǔn)量分布如圖6所示。

對(duì)應(yīng)圖3中的fog1和fog12，煙霧顏色特征方法的識(shí)別效果如圖7所示。該算法計(jì)算復(fù)雜度較小，煙霧提取準(zhǔn)確。適合顏色較深的煙霧識(shí)別，顏色越深檢測(cè)越準(zhǔn)確，可通過調(diào)整RGB值的基準(zhǔn)范圍進(jìn)行泛化。

4.2 小波變換煙霧檢測(cè)的實(shí)現(xiàn)

在處理連續(xù)運(yùn)動(dòng)的目標(biāo)時(shí)，將運(yùn)動(dòng)中的目標(biāo)看作噪聲，通過連續(xù)幀的圖像累加平均來(lái)消除這種噪聲，利用運(yùn)動(dòng)中目標(biāo)圖像序列的平均獲得背景圖像，如圖8所示。

通過計(jì)算均值背景、截取視頻幀圖像、運(yùn)行主函數(shù)幾個(gè)過程，實(shí)現(xiàn)小波變換煙霧識(shí)別，結(jié)果如圖9所示。

從實(shí)驗(yàn)結(jié)果可以看出，基本檢測(cè)出煙霧部分，但是由于背景圖像抽取的效果或視頻本身的分辨率及抖動(dòng)等原因，導(dǎo)致檢測(cè)時(shí)對(duì)煙霧的識(shí)別不夠準(zhǔn)確。經(jīng)過多次實(shí)驗(yàn)，證明該方法能夠識(shí)別出煙霧，但跟視頻本身的分辨率、視頻拍攝時(shí)抖動(dòng)情況及煙霧的運(yùn)動(dòng)幅度有關(guān)系。

4.3 兩種算法比較

通過多次實(shí)驗(yàn)結(jié)果的比較，發(fā)現(xiàn)利用煙霧的顏色特征進(jìn)行識(shí)別的方法適用于較濃厚的煙霧，也就是顏色較深、濃度較高情況下煙霧識(shí)別較為準(zhǔn)確，適用于工廠、森林等情況下的煙霧識(shí)別。算法時(shí)間復(fù)雜度較低，運(yùn)算時(shí)間較快。

小波變換識(shí)別煙霧的方法適用于煙霧運(yùn)動(dòng)軌跡明顯、背景差異較大的情況下，適合街道、商場(chǎng)等煙霧運(yùn)動(dòng)特征明顯的區(qū)域。算法時(shí)間復(fù)雜度較顏色特征識(shí)別高，要求高清圖像，相應(yīng)的檢測(cè)時(shí)間也會(huì)變長(zhǎng)。兩種方法的具體比較見表1.

5 結(jié) 論

1）針對(duì)數(shù)字圖像處理的煙霧顏色特征識(shí)別，達(dá)到了識(shí)別檢測(cè)火災(zāi)的目的。

2）利用兩種方法的具體過程，進(jìn)行了煙霧檢測(cè)的對(duì)比分析。將彩色圖像轉(zhuǎn)化為灰度圖像并進(jìn)行二值化處理，在檢測(cè)圖像特征閾值的過程中，通過閾值比較，保留疑似煙霧區(qū)域，得到煙霧區(qū)域輪廓。小波變換通過捕捉均值背景圖像在信號(hào)域上的衰弱點(diǎn)來(lái)識(shí)別煙霧，在煙霧的特點(diǎn)上利用二維離散小波變換，對(duì)原始背景圖像的紋理進(jìn)行提取，判斷紋理趨向模糊的原因，從而對(duì)煙霧是否存在進(jìn)行檢測(cè)。最后得出了兩種方法不同的適用場(chǎng)景。

3）說明不同物質(zhì)燃燒的不同階段煙霧特征也會(huì)有所不同，文中只進(jìn)行了共性分析。關(guān)于不同物質(zhì)的分類煙霧特征研究，將作為進(jìn)一步研究的方向。

參考文獻(xiàn)（References）：

[1] 雷 丹.公路隧道視頻火災(zāi)煙霧檢測(cè)方法研究[D].大連：大連海事大學(xué)，2017.

LEI Dan.Research on video fire smoke detection method for highway tunnels[D].Dalian：Dalian Maritime University，2017.

[2]Yuan C，Liu Z，Zhang Y.Learning-based smoke detection for unmanned aerial vehicles applied to forest fire surveillance[J].Journal of Intelligent & Robotic Systems，2018，93：337-349.

[3]吳 楠.WebGIS與WSN的林區(qū)火險(xiǎn)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].西安科技大學(xué)學(xué)報(bào)，2014，34（2）：228-233.

WU Nan.Design of forest fire monitoring system based on WebGIS and WSN[J].Journal of Xi’an University of Science and Technology，2014，34（2）：228-233.

[4]劉亞儒.城市軌道交通車輛段火災(zāi)探測(cè)系統(tǒng)研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2016.

LIU Ya-ru.Research on fire detection system of urban rail transit depot[D].Hefei：China University of Science and Technology，2016.

[5]周泊龍，宋英磊，俞孟蕻.基于圖像處理的艦船火災(zāi)煙霧檢測(cè)技術(shù)研究[J].艦船科學(xué)技術(shù)，2016，38（9）：111-115.

ZHOU Po-long，SONG Ying-lei，YU Meng-jiao.Research on the technology of ship fire smoke detection based on image processing[J].Ship Science and Technology，2016，38（9）：111-115.

[6]陳詩(shī)涵，王建寶，廖 林，等.基于圖像識(shí)別的火災(zāi)煙霧探測(cè)方法和實(shí)現(xiàn)[J].工業(yè)控制計(jì)算機(jī)，2014，27（11）：22-24.

CHEN Shi-han，WANG Jian-bao，LIAO Lin，et al.Fire smoke detection method and implementation based on image recognition[J].Industrial Control Computer，2014，27（11）：22-24.

[7]Krstini D，Stipaniev D，Jakovevi T. Histogram-based smoke segmentation in forest fire detection system[J].Information Technology & Control，2015，38（3）：237-244.

[8]Deldjoo Y，Nazary F，F(xiàn)otouhi A M.A novel fuzzybased smoke detection system using dynamic and static smoke features[C]//Electrical Engineering，2015：729-733.

[9]Cai M. Intelligent video analysis-based forest fires smoke detection algorithms[C]//International Conference on Natural Computation，F(xiàn)uzzy Systems and Knowledge Discovery，2016：1504-1508.

[10]王媛彬.煤礦煙霧的計(jì)算機(jī)視覺檢測(cè)方法[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)，2016，35（11）：1230-1234.

WANG Yuan-bin.Computer vision detection method of coal mine smoke[J].Journal of Liaoning University of Engineering and Technology，2016，35（11）：1230-1234.

[11]Zhang Q X，Lin G H，Zhang Y M，et al.Wildland forest fire smoke detection based on faster R-CNN using synthetic smoke images[J].Procedia Engineering，2018，211：441-446.

[12]黎張斌，魏 維，何冰倩.基于多特征融合的早期野火煙霧檢測(cè)[J].成都信息工程大學(xué)學(xué)報(bào)，2018，33（4）：408-412.

LI Zhang-bin，WEI Wei，HE Bing-qian.Early detection of wildfire smoke based on multi-feature fusion[J].Journal of Chengdu University of Information Engineering，2018，33（4）：408-412.

[13]陳俊周，汪子杰，陳洪瀚，等.基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的視頻動(dòng)態(tài)煙霧檢測(cè)[J].電子科技大學(xué)學(xué)報(bào)，2016，45（6）：992-996.

CHEN Jun-zhou，WANG Zi-jie，CHEN Hong-han，et al.Video dynamic smoke detection based on cascaded convolution neural network[J].Journal of University of Electronic Science and Technology，2016，45（6）：992-996.

[14]王文朋，毛文濤，何建樑，等.基于深度遷移學(xué)習(xí)的煙霧識(shí)別方法[J].計(jì)算機(jī)應(yīng)用，2017，37（11）：3176-3181.

WANG Wen-peng，MAO Wen-tao，HE Jian-liang，et al.Smoke recognition method based on deep migration learning[J].Computer Applications，2017，37（11）：3176-3181.

[15]李 誠(chéng)，唐李洋，潘李偉.城鎮(zhèn)森林交界域視頻煙霧檢測(cè)算法[J].計(jì)算機(jī)工程，2018（1）：258-262.

LI Cheng，TANG Li-yang，PAN Li-wei.Video smoke detection algorithm for urban forest boundary[J].Computer Engineering，2018（1）：258-262.

[16]Shrivastava M，Matlani P.A smoke detection algorithm based on K-means segmentation[C]//International Conference on Audio，Language and Image Processing.IEEE，2017：301-305.

[17]高豐偉，魏 維，程 陽(yáng).野外早期火災(zāi)煙霧視頻檢測(cè)技術(shù)研究[J].成都信息工程大學(xué)學(xué)報(bào)，2018，33（5）：509-516.

GAO Feng-wei，WEI Wei，CHENG Yang.Research on video detection technology of early fire smoke in the field[J].Journal of Chengdu University of Information Engineering，2018，33（5）：509-516.

[18]姚太偉，王慧琴，胡 燕.基于小波變換和稀疏光流法的火災(zāi)煙霧檢測(cè)[J].計(jì)算機(jī)工程，2012，38（6）：204-206.

YAO Tai-wei，WANG Hui-qin，HU Yan.Fire smoke detection based on wavelet transform and sparse optical flow[J].Computer Engineering，2012，38（6）：204-206.

[19]蘭久強(qiáng)，劉金清，劉 引，等.基于顏色和紋理特征的林火煙霧識(shí)別[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2016，25（3）：101-106.

LAN Jiu-qiang，LIU Jin-qing，LIU Yin，et al.Forest fire smoke recognition based on color and texture features[J].Computer System Applications，2016，25（3）：101-106.

[20]Jian W，Wu K，Yu Z，et al.Smoke regions extraction based on two steps segmentation and motion detection in early fire[C]//MIPPR 2017：Pattern Recognition and Computer Vision，2018：70-77.