基于小波分析的地鐵視頻火災邊緣檢測方法

郭國防，陳小輝，劉盼芝

(1.陜西重型汽車有限公司;2.中交公路規劃設計院有限公司;3.長安大學電子與控制工程學院)

這說明方向小波變換值的平方與函數平滑后的梯度模值的平方成正比。于是，可利用求方向小波變換值來代替求梯度模值。采用方向小波變換進行圖像邊緣檢測時，由于梯度值與函數小波變換值的聯系，可沿小波變換方向尋找極大值，不需要計算梯度方向及梯度模值。

基于小波分析的地鐵視頻火災邊緣檢測方法

郭國防1，陳小輝2，劉盼芝3

(1.陜西重型汽車有限公司;2.中交公路規劃設計院有限公司;3.長安大學電子與控制工程學院)

地鐵由于其特定的運行環境，發生火災事故時，傷亡大、損失嚴重。通過數字圖像技術處理視頻圖像，判定是否發生火災早期火災預警的重要手段。準確、高效地識別火災的輪廓是其中的一個重點。本文針對視頻火災檢測，本方法首先采用加權均值濾波方法去除圖像中的噪聲，再利用方向可調的小波變換方法，對火災圖像進行邊緣檢測，成功提取出火焰輪廓，以實現火災的識別和報警。通過對火焰圖像采取標準小波方法和該方法進行邊緣檢測，結果表明本文提出的方法可以提取火焰輪廓更多的細節信息，并且很好的避免了圖像邊緣模糊化現象。

地鐵;視頻火災檢測;加權均值濾波;多方向小波變換

地鐵被譽為城市交通運輸工具中的“綠色交通”，與城市中其他的交通工具相比具有便利、快捷、載客量大的特點。地鐵已成為世界各國大型城市解決交通擁擠問題的首選交通工具。但是，由于其特定的運行環境，地下鐵道是構筑于地下的大容量軌道交通系統，由于其運營環境和乘客構成的特殊性，疏散路線單一，環境陌生，一旦發生火災等事故，群死群傷的可能性極大，帶來的財產損失不可估量，而長期的恢復會給出行的民眾帶來不便。從世界地鐵100多年事故教訓來看，地鐵災害中發生頻率最高和造成危害損失最大的就是火災。

目前，火災檢測技術多數是基于離子檢測、溫度檢測、相對濕度的檢測、空氣通明度的檢測，此外還有傳統的紫外線和紅外線的火災檢測器。相對于傳統的檢測設備，視頻圖像處理技術具有直觀主動的探測能力，對于空間場所的普遍適用性，以及遠程實時的在線快速反應與離線分析能力。目前，視頻火焰檢測系統主要應用于火災報警和消防任務，監測對象主要是正在燃燒的可見火焰或燃燒產生的煙霧。通過對控制區域的實時監測，可在火災發生的最初階段做出迅速的反應，并進行實時分析和后處理，可以大大縮短預警時間，有利于實現火災的早期預報和控制。

為了解決高大空間和室外等特殊場合的火災檢測，許多學者正致力于研究圖像火災檢測。Yamagishi等人提出了一種彩色攝像機的火焰檢測算法。Noda等人提出了一種基于圖像處理的隧道火災檢測技術。為了降低成本，他們利用了隧道已有的黑白閉路電視監控系統硬件，因此只能使用灰度圖像。Phillips等人提出一種視頻影像火焰檢測技術。袁宏永等人討論了基于圖像的火災檢測技術，分別研究了雙波段火災檢測和基于光截面的紅外火災檢測技術。對視頻火焰檢測也進行了相關研究。

1 小波分析方法

在圖像處理中，圖像中的大部分信息集中在低頻和中頻部分，圖像的邊緣和噪聲對應于高頻部分，因此就需要多尺度的邊緣檢測。而小波變換具有天然的多尺度特征，通過伸縮平移對信號進行細化分析，達到高頻處時間細分，低頻處頻率細分。所以，小波變換非常適合復雜圖像的邊緣檢測。

圖像的方向性(如邊緣)、紋理方向性是圖像的一種重要特征，在圖像分析和處理中具有重要意義。方向可調小波邊緣檢測是應用圖像灰度值突變處為邊緣這一特性，對圖像的邊緣進行提取。一般的二維小波變換只能描述出圖像的方向性，在二維空間中定義了方向小波變換。方向小波不僅保持了傳統小波變換的良好的時頻局部化的分析能力，還具有良好的方向分析能力。它能反映出圖像在不同分辨率上沿任一方向的變化情形，充分體現了圖像的方向屬性。任意方向小波變換定義為

這說明方向小波變換值的平方與函數平滑后的梯度模值的平方成正比。于是，可利用求方向小波變換值來代替求梯度模值。采用方向小波變換進行圖像邊緣檢測時，由于梯度值與函數小波變換值的聯系，可沿小波變換方向尋找極大值，不需要計算梯度方向及梯度模值。

由于圖像噪聲的影響，鄰域間的相關性相對較低，以至于方向濾波器不能準確的定位像素(x，y)點邊界狀態。由于圖像邊界方向的任意性，計算多個方向小波變換響應以搜索所有可能方向的圖像邊界，變換窗口為5×5。最終的邊緣檢測結果是多個方向濾波圖像的均值。

2 小波分析在火災圖像邊緣檢測中的應用

2.1 火災的視頻圖像特征

形狀特征是圖像表達和檢索中的一個重要的特征。通常，形狀特征有兩種表示方法:一種用輪廓特征表示，一種用區域特征表示。前者只用到物體的外邊界，而后者則關系到整個區域。用于描述這兩類形狀特征的最典型方法分別是傅里葉描述符和形狀無關矩。火災火焰的形狀特征通常用傅里葉描述子、八方向鏈碼及鏈碼差、火焰區域邊緣的尖角來表示。

在早期火災階段，由于火焰從無到有，是一個發生發展的過程，這個階段火焰的圖像特征就更加明顯。早期的火災火焰是不穩定的，不同時刻火焰的形狀、面積和輻射強度等都在變化，抓住火災火焰這些特點可以為火災的識別打下良好的基礎。

2.2 視頻圖像預處理

抽取視頻序列圖像，對其進行預處理，去除圖像中噪聲，提高后續算法的檢測性能，降低虛警概率，采用加權移動均值方法對圖像進行預處理，包括以下步驟。

(1)獲取圖像的各個像素數據;

(2)對部分樣本進行學習，獲取其垂直、水平、交叉4個方向的加權權值;

(3)針對每一個像素，分別計算其垂直、水平、交叉4個方向的加權均值;

(4)求取上述4個方向的平均灰度值的平均值作為此像素新的灰度值。通過此方法來有效地去除噪聲信息，同時盡可能保留好邊緣特征信息。

2.3 圖像變換彩色——黑白

采用雙三次內插法重構圖像，將圖像轉換為強度值(灰度圖)，便于后續步驟的實施。

2.4 幀間差分法獲取運動區域提取

運動檢測的目的是從圖像序列中將運動所導致的變化區域提取出來。目前，常用的運動區域檢測方法主要有以下幾種:背景減除法、幀間差分法和光流法。背景減除法能夠得到運動區域比較完整的信息。但是，背景選取和更新算法的恰當與否直接影響最后的檢測結果，且背景易受到外界(比如照明)干擾。幀間差分法計算簡單且能夠快速地檢測出運動區域，但不能提取出完整的運動區域，在運動實體內部易產生“空洞”現象。光流法能檢測出獨立的運動區域，甚至在攝像機運動的情況下也能檢測出運動目標，但是，計算光流場的大多數方法相當復雜，運算量大，不能滿足實時性的要求，對噪聲極為敏感，精度受限于遮擋問題和孔徑問題。因為本文主要針對地下空間中的火災檢測，受外界照明條件限制，通過比較，本文采用了幀間差分法來提取火災運動區域，并采用形態學處理方法腐蝕和膨脹來消除空洞。

2.5 小波分析獲取邊緣

在獲取視頻序列中可能的火災圖像區域后，為了進一步確定火災，采用第二部分所述方法來獲取火災邊緣，主要步驟如下。

(1)由式(1)對圖像進行多方向的可操縱小波變換。(2)對A的結果進行平均;對平均結果進行閾值處理。數值實例實驗結果

下面以從某次火災圖像中截取的圖像作為實驗對象，進行分析。圖1為火焰圖像的灰度圖。

圖1 火焰圖像灰度圖

圖2 無噪聲時標準小波和本文方法邊緣檢測結果

對于沒有噪聲的圖像，其處理結果見圖2，其中a)圖為標準的小波算法得到的火焰輪廓圖，b)圖為本文提出的算法得到的火焰輪廓圖。可以看出，利用小波變換提取出的火焰輪廓，邊緣細節少，輪廓清晰度可識別性較弱。采用本文方法提取的火焰具有很清晰的邊緣輪廓，細節豐富。這是因為本文提出的方法在多個方向上進行邊緣檢測。而標準小波分析只是從兩個方向(即水平和垂直方向)檢測邊緣，當邊緣檢測算子的方向與邊緣切線方向差別不大時，可檢測到完整的邊緣;當邊緣檢測算子的方向與邊緣法線方向近似時則檢測到的邊緣很不完整。從邊緣檢測的完整性來看，多方向邊緣檢測可得到更多互補的邊緣信息，它的檢測結果優于單方向邊緣檢測結果。

圖3 高斯噪聲時標準和方向可調小波邊緣檢測結果

圖4 椒鹽噪聲時標準和方向可調小波邊緣檢測結果

圖3和圖4分別是原始圖像中含有高斯噪聲和椒鹽噪聲情況下，兩種方法的邊緣提取結果。可以看出，本文方法提取的火災邊緣細節較多，邊緣線更細，受噪聲的影響不大，具有較好的適應性。不過，本方法在保留絕大部分邊緣的同時，仍存部分不連續的邊緣信息，以后擬從此方面著手，消除虛假邊緣。

4 結束語

本文針對視頻火災檢測問題，對火災邊緣輪廓檢測進行了研究。本文提出了結合圖像中各像素的灰度值的統計信息去除圖像中噪聲，并對圖像進行多個方向的小波變換方法，對火災圖像進行邊緣檢測。通過對火焰圖像采取標準小波方法和該方法進行邊緣檢測，結果表明本文提出的方法可以提取火焰輪廓更多的細節信息，并且很好的避免了圖像邊緣模糊化現象。在計算效率方面，由于方向性小波基中引入了方向因子，導致計算復雜度的增加，因此研究快速實用的變換是該領域面臨的一個挑戰。

［1］YAMAGISHI H，YAMAGUCHI J.Fire flame detection algorithm using a color camera［C］.In:Proceedings of 1999 International Symposium on Micromechatronics and Human Science［C］，Nagoya，Japan，1999:255-260.

［2］YAMAGISHI H，YAMAGUCHI J.A contour fluctuation data processing method for fire flame detection using a color camera［C］.In:Proceedings of IEEE 26th Annual Conference on IECON of the industrial Electronics Society［C］，Nagoya，Japan，2000:824-829.

［3］NODA S，UEDA K.Fire detection in tunnels using an image processing method［C］.In:Proceedings of Vehicle Navigation and Information Systems Conference［C］，Yokohama，Japan，1994:57-62.

［4］PHILLIPS IIIW，SHAH M，DA Vitoria LoboN.Flame recognition in video［C］.In:proceedings of Fifth IEEE Workshop of Applications of Computer Vision［C］，California，USA，2000:224-229.

［5］盧結成，吳龍標，宋衛國.一種火災圖像檢測系統的研究［J］.儀器儀表學報，2001，22(4):437-440.

［6］王成儒，顧廣華.一種采用背景統計技術的視頻對象分割算法［J］.光電工程，2004，31(8):57-60.

［7］李剛，邱尚斌，林凌，曾銳利.基于背景差法和幀間差法的運動目標檢測方法［J］.儀器儀表學報，2006，27(8):961-964.

［8］賈振堂，李生平，賀貴明，田惠.一種基于運動邊緣檢測的視頻對象分割新算法［J］.計算機研究與發展，2003，40(5):684-689.

［9］魏志強，紀筱鵬，馮業偉.基于自適應背景圖像更新的運動目標檢測［J］.電子學報，2005，33(12):2661-2664.

［10］ ARALT-T.T，NILSEN-AR.Automatic fire detection in road traffic tunnels.Tunnelling and Underground Space Technology［J］.2009，24(1):75-83.

［11］ BYOUNG C K，CHEONG K H，NAM J Y.Fire detection based on vision sensor and support vector machines［J］.Fire Safety Journal，2009，44(1):322-329.

［12］ YU Chunyu，FANG Jun，WANG Jinjun，ZHANG Yongming，State Key.Video fire smoke detection using motion and color features［J］.Fire technology，2010，(46):651-663.

［13］ YUAN Wei，YU Chunyu，ZHANG Yongming.Based on wavelet transformation fire smoke detection method［C］.IEEE The 9th International.Conference on Electronic Measurement ＆ Instruments ICEMI’2009.

TP391

C

1008-3383(2013)03-0103-02

2012-09-16

郭國防(1981-)，男，工程師，研究方向:機械電子、信息融合;陳小輝(1981-)，男，工程師，研究方向:交通信號檢測、智能信息處理;劉盼芝(1980-)，女，河北廊坊人，講師，博士，研究方向:智能信息處理、信號檢測、分布式檢測和信息融合技術研究。

國家自然科學基金:基于先驗知識的分布式恒虛警率檢測算法研究(41101357)全稱(基金項目號);中央高校科研業務經費(CHD2010JC109，CHD2011TD018)長安大學重點實驗室資助。