一種基于視頻的隧道火災檢測算法

龐鳳蘭， 宋煥生， 聞 江， 孫麗婷

（1. 長安大學 信息工程學院， 陜西 西安 710064；2. 陜西省道路交通智能檢測與裝備工程技術研究中心，陜西 西安 710064）

交通視頻檢測中隧道火災檢測是一個至關重要的主題。實時、準確、低漏報是隧道火災檢測中需要解決的關鍵問題[1]。 目前國內交通隧道火災檢測主要由安裝于隧道中的感溫、感光、感煙、復合等探測器完成，按照一定的密度在隧道中鋪設指定數量的感溫、感光、感煙等探測器[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足夠數量的探測器。 同時，監于傳統的感溫、感光、感煙等探測器自身檢測準確度和靈敏度有限，且易受隧道中粉塵、氣流等環境干擾的影響[2]，只有當隧道中的火焰很明顯或者煙霧足夠濃時才報警[2]，這樣就失去了火災實時檢測報警的作用。

目前， 國內外針對于圖像視頻類的火災檢測已經開展了廣泛研究。 陳曉等進行了火焰顏色和空間區域結構特性等靜態光譜特性的檢測技術研究， 從灰度化的圖像中提取出火焰的形狀，通過計算火焰區域的圓形度、面積等參數來識別火災[3]。 Chen 等利用火焰的顏色、位移和振動特性來對火焰進行識別[4]；Ha 等結合Lab 色彩空間的色彩和火流的運動矢量來檢測火災[5]。 這些方法雖然可以提取出火焰區域，但是不能可靠排除干擾，精確性不高。 火災發生的初期可能只有煙霧而沒有明火，這種情況下如果能及時檢測出煙霧，則會避免火災的發生。

本文針對人們日益關注的公路隧道安全問題，提出了新的火災檢測算法。 通過安裝在隧道頂部上方的攝像機采集交通視頻圖像， 應用計算機圖像處理技術處理視頻圖像數據，能夠準確的提取出火焰及煙霧區域，而且檢測速度快。 對于火焰首先采用改進的統計直方圖法提取置信度高的背景，再運用形態學方法和連通域標記法[6]對用背景差法得到的運動目標進行處理。 最后依據高亮度與穩定度特性[7]、火焰面積擴散特性、振蕩特性結合提取得到精確的火焰檢測結果。 對于煙霧疑似區域首先由于其早期的運動方向通常是自下而上的，可通過判斷其主運動方向是否與預設條件相符，同時結合煙霧紋理特征，著重對隧道頂部區域進行檢測，最后利用BP 神經網絡和D_S 證據理論進行數據融合， 可進一步降低系統的誤報率。

1 利用改進的統計直方圖法提取背景

根據直方圖的最大值周圍的能量分布把直方圖分為兩類，一類為單峰，此時把單峰峰值作為背景值。 另一類為多峰，選擇置信度最高的峰值作為背景值。

1.1 改進的灰度直方圖算法描述

算法思路：對灰度直方圖進行統計，查找出頻數最大的點C。計算該點周圍ε 鄰域內包含的能量大小E，如果E 超過整個直方圖總能量的2/3，認為該點的置信度高，將對應灰度值作為背景灰度值；否則認為該點的置信度較低，接著在該點ε 范圍之外繼續查找另一個頻數最大的點D，作為第二個峰值點。 計算D 點周圍ε 鄰域內包含的能量大小E′，將其與C 點的能量E 進行比較，最終取能量數值大的點所對應的灰度值作為背景灰度值。 如果有3 個或者3 個以上的峰值點，則依據上述方法依次比較，將能量最大的峰值點的值作為背景灰度值。 具體步驟如下：

1）讀取N 幀圖像，對圖像中的每個像素點進行灰度直方圖統計，并找出頻數出現最大的點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，Fi（x，y）表示圖像序列中第i 幀圖像像素（x，y）的灰度值。

2）計算C 點ε 鄰域內包括的能量大小E：

若E＞N*2/3，則B（x，y）=kMax，否則執行步驟3）。

3）在點C 的ε 鄰域之外查找頻數最大的點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）然后計算D 點ε 鄰域內包括的能量大小E′：

若E＞E′，則B（x，y）=kMax，否則B（x，y）=k2nd。

1.2 背景提取方法實驗比較

普通背景提取與改進的灰度直方圖背景提取結果如圖1所示。

圖1 普通背景提取與改進的統計直方圖法提取的背景Fig. 1 General background extraction and improved histogram extraction background

2 火焰檢測與提取

2.1 火焰高亮度特征與振蕩特性結合

本文采用基于火焰高亮度特性[7]與穩定性相結合的火焰區域提取方法。 主要處理經過連通域標記的目標圖像，通過計算每個連通域所包含的目標塊的灰度平均值，然后利用設定閾值來對每個連通域進行檢測，以排除干擾目標。 該方法能夠排除很大一部分干擾目標，再結合火焰振蕩特性，能夠更精確的檢測出火焰目標。

采用T 來表示連通域的個數，Label（n）表示塊n（c，r）的連通域標記結果， 同時也是該塊所在的連通域標號，Fn（x，y）表示塊n（c，r）對應的圖像數據，對于某－個連通域t（t∈[0，T－1]），其所包括的目標塊灰度總和為：

目標塊灰度平均值AverGrayt：

其中areat 表示特征結構體的面積參數，同時也可表示連通域包括的目標塊個數。

依據目標塊灰度平均值AverGrayt 的大小， 來對該連通域是否為火焰區域進行判斷。 設定一個閾值Thfire，如果目標塊灰度平均值AverGrayt 小于該閾值Thfire，那么表示該連通域可能為車輛、行人等干擾目標，否則證實該連通域為火焰區域。 用MFt 來表示連通域t 是否為干擾目標，則：

已判斷為火焰區域的連通域，保留下來，以待后期的分析處理。 對于已區分為干擾目標的連通域，應該刪除，減少后期分析的樣本量。 刪除連通域就是把該連通域內所有塊的標號置為零，同時該標號后面的所有標號都減小1，連通域的個數T 也減小1。 同時將該連通域內所有塊的二值化標記結果BM（c，r）置為0，公式表示如下：

算法過程總結如下：

1）依據式（7）和（8）計算每個連通域的灰度平均值Aver Grayt；

2）判斷灰度平均值的大小，如果AverGrayt＜Thfire，把該連通域標號置為零，并將該標號后面的所有標號都減1，連通域個數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定特性，其灰度值通常都在200 以上。因此本文將閾值Thfire 設為225。火焰提取結果對比如圖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， 使得系統檢測性能遠遠優于傳統的火焰檢測方法， 能夠更好的將火焰與干擾目標區分開，使火焰提取精確度更高，提取結果可靠性大大增加。

首先獲取到每幀火焰區域面積，對于每連續三幀圖像，我們采用對每兩幀圖像區域面積進行差值然后再相乘的方法[7]，最終計算出DP 的值，公式表示為：

給提取得到的火焰區域都設定一個計數器SC，用來統計該區域的閃爍幀數。 如果DP 的值小于－100，就說明公式中的兩個面積差值剛好一正一負，證明該區域當前時刻存在閃爍，此時計數器加1，公式如下：

3 煙霧檢測與提取

3.1 灰度共生矩陣（GLCM）

灰度共生矩陣是針對存在一定間距的兩像素就它們之間是否存在一種灰度關系進行研究分析，我們用它可以進行目標紋理特征描述。 假設圖像中存在某一個像素點（x，y），其灰度值為I1，那么從該點開始，沿方向θ 位移距離d 的像素點（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，則對應灰度共生矩陣的表達式為：

P 矩陣是歸一化后的結果， 其中其維數與圖像灰度級數相對應。 方向θ 在二維平面坐標系中，就是表示與X 軸的夾角，包括0°，45°，90°和135° 4 個角度。

紋理特征比較如表1 所示。

由表1 中數據對比可以得出：煙霧的均勻性最大，對比度最小；車輛的對比度和能量最大，均勻性最小；煙霧和火焰的能量差別不大。 此方法進一步將煙霧與其他特征區別開，更利于煙霧的精確提取。

表1 目標紋理特征比較Tab. 1 Target texture feature comparison

3.2 煙霧主運動方向

本文中將煙霧疑似區域劃分成N 個m*n 的小塊， 采用運動矢量法對每個m*n 的小塊進行運動方向估計，接著得到每個小塊的運動累積方向，也就是該小塊主運動趨勢，依據該方法最終提取出整個煙霧疑似區域的主運動方向。

本文針對8 鄰域的8 個方向進行了相似搜索匹配，將絕對誤差和最小作為匹配準則，也就是SAD 值最小準則。 絕對值差求和公式為:

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 數據融合判斷

與傳統的運用單一分類器相比， 本文根據BP 神經網絡和D_S 證據理論，依靠信息融合對隧道火焰及煙霧特征進行綜合檢測識別。 本文依托Support Vector Machine（支持向量機）和Back Propagation Neural Network（BP 神經網絡）進行基本可信度分配，首先構建兩個證據體，然后采用D_S 證據理論對已有的兩個證據體進行融合，從而得到精確度更高的火災及煙霧檢測結果。 數據融合流程圖和火災煙霧最終檢測結果分別如圖3 和圖4 所示。

圖3 數據融合流程圖Fig. 3 Data fusion flowchart

圖4 火災煙霧最終檢測結果Fig. 4 Fire and smoke final test results

5 各種檢測方法效果比較

各種火災及煙霧檢測方法性能比較如圖5 所示。

從實驗結果看出，該方法對火焰和煙霧檢測都是精確度高且穩定的，尤其是對于隧道這種特殊環境中的圖像，效果顯著。 同時該方法提高了火災圖像識別的可靠性，具有實時性好、抗干擾性強、可視化和成本低等優點。

圖5 火災煙霧檢測方法比較Fig. 5 Comparison of fire and smoke detection methods

6 結 論

本文針對交通隧道火災及煙霧檢測提出了新的算法，首先采用背景差法將疑似火焰運動目標檢測出來，然后應用形態學方法結合連通域標記法進一步提取火焰疑似區域，再結合火焰高亮度及振蕩等特性確定出較精確的火焰區域。 對于煙霧檢測最初也是利用背景差法將疑似煙霧運動目標檢測出來，接著采用紋理特性與主運動方向結合的方法進行煙霧識別。最后利用BP 神經網絡和D_S 證據理論進行數據融合，進一步得到實時、準確的檢測結果，同時該方法降低了火災探測系統的誤報率。

[1] 王少飛. 公路隧道火災事故調研報告[R]. 重慶招商局重慶交通科研設計院有限公司隧道建設與養護技術交通行業重點實驗室，2011.

[2] 關文婷. 基于視頻的公路隧道火焰檢測[D]. 大連: 大連海事大學，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動火源視頻火焰探測技術研究[D]. 合肥: 中國科學技術大學，2011.