海計算模式下的森林火焰識別算法

王 全，趙涓涓

（太原理工大學 計算機科學與軟件學院，山西 太原030000）

0 引 言

近年來出現的海計算模式是預防森林火災的有效手段［1］。本文運用海計算模式和YcbCr色彩空間實現了森林火焰識別算法。

海計算模式強調前端物體可以進行一定的智能算法，而不完全依靠后臺的服務器。這種數據處理方式不僅節約了能耗，而且降低了經濟成本。海計算模式的定義請參見文獻 ［2］。

攝像頭捕獲的彩色圖片大都采用RGB 色彩空間處理。雖然RGB色彩空間適用于像素點分類，但其依賴光照的特性，使得區分火焰像素點的結果不穩定，而且，圖像像素點色度值的重要性在于對火焰顏色進行建模，但運用RGB色彩空間無法使像素值轉化為亮度值和色度值，從而不能對火焰顏色建模。在火焰檢測過程中，算法對火焰像素點的檢測魯棒性要求較高，所以需要將RGB色彩空間轉換成一個可以區分像素點亮度值和色度值的色彩空間。

YCbCr色彩空間可以良好區分亮度和色度。YCbCr的定義請參見文獻 ［3］。運用YCbCr色彩空間進行建模，可以較準確提取出可見光圖像中的疑似火焰區域。

火焰燃燒頻率，是反應火焰特點的一個重要因素。火焰燃燒頻率有其特有的規律，檢測火災燃燒的頻譜特性對森林防火有著至關重要的作用。如果可以得到火焰燃燒的頻譜特性，就可以利用火焰的頻率來判斷森林火災是否發生。

本文結合海計算模式中未知場景的適應性，信息處理的實時性，網絡前端的智能性，資源能耗的節省性等優點，將視頻檢測算法植入到海計算模式的前端傳感器節點，避免了將大量的數據發送到后臺，使森林視頻火焰判斷在海計算模式的前端就可以完成，節省了大量的能耗與帶寬。實驗結果表明，采用這種方式來監測火焰、預警森林火災較為有效。

1 相關工作

海計算模式由中國科學院江綿恒副院長在中國國科學院戰略高技術十二五規劃研討會上提出。海計算模式的特點請參見文獻 ［4］。

海計算模式特別適用于對系統的實時性、準確性要求較高的場景，這些場景往往很難通過 “分布式信息采集→云計算平臺→反饋控制”這種架構來完成監測功能。而借助海計算模式則可以充分挖掘終端節點的計算資源，并實現智能實時感知和精確控制。海計算模式的應用請參見文獻 ［5］。

在運用視頻檢測來實現火焰識別的方法中，張進華等［6］根據燃燒過程中火焰的物理特性，結合火焰的靜態和動態特征，設計了一種多特征融合的火焰識別算法，基于信任度模型快速判別是否存在火焰；陳建新等［7］利用二維投影技術并結合火災的亮度變化率快速提取火焰疑似區域；李文輝等［8］根據紅外圖像RGB空間的色彩分布特點以及減聚類和模糊C均值聚類相融合的方式建立神經網絡分類器來判斷火焰是否存在；Stadler等［9］通過對火焰的高度、大小和亮度的差異特性建立分類器來檢測火焰；Habiboglu Y H 等［10］結合圖像特征向量并利用SVM 產生fire－coloured區域，然后運用輪廓的規則度，空間能源、閃爍和時空的能量變化率來檢測火焰；Verstockt S等［11］通過檢測煙霧、可見光、紅外光譜范圍以及火焰疑似區域的規模和增長率，并建立video－driven模型來判斷火焰是否存在。

以往大部分森林防火方法存在的問題有：①在森林防火的無線傳感網中，前端節點持續向后臺發送圖像會大量占用網絡帶寬，其造成的網絡延時會削弱檢測系統的實時性；②在視頻火焰檢測的算法中，大部分過多依靠其顏色特征得出結論，這導致檢測易受陽光，干擾物等的影響，從而導致誤檢率較高。

本文提出的算法在保證準確率的情況下，較明顯提高了算法檢測的效率。

2 海計算模式下的森林防火思想

將海計算模式運用到森林防火算法中，其優點就是在傳感端進行數據的收集與分析。森林防火系統的智能前端，搭載有外置攝像頭，該攝像頭可以捕捉較大范圍的森林區域，當攝像頭捕獲圖像后，內置于傳感節點微處理器的算法會對圖像進行分析，然后判斷是否存在火焰，如果存在火焰，則傳感端通過串口發送火焰警報給匯聚節點，匯聚節點會立即通知工作人員采取相應措施來滅火。

3 算法具體描述

圖像所占存儲空間較大，加之傳統的具有視頻檢測功能的森林防火系統是把采集到的每張圖片都發送給匯聚節點［12］，這不僅導致了網絡帶寬被圖像傳輸大量占用，而且影響了其它信息例如溫度信息和濕度信息等的發送。以上缺陷使得森林火災視頻監控方法并未得到普及。

針對以上問題，本算法把數據處理交付給前端結點，這使得視頻檢測可以大范圍運用到無線傳感網絡覆蓋的范圍內。算法結合YCbCr色彩空間和火焰頻率來分析火焰視頻，使得檢測準確率大幅提高。本算法的流程如圖1所示。

圖1 算法流程

3.1 提取疑似火焰區域

（1）將RGB色彩空間轉換到YCbCr色彩空間攝像機捕獲的圖片是RGB色彩空間的，RGB色彩空間在預防森林火災中存在缺陷，即亮度對實驗結果的影響較大，容易造成誤判。而YCbCr色彩空間消除了亮度對實驗結果的影響。將RGB色彩空間轉化到YCbCr色彩空間，運用的公式如下

式中：Y——亮度，Cr——RGB 輸入信號紅色部分與RGB信號亮度值之差，Cb——RGB 輸入信號藍色部分與RGB信號亮度值之差。

（2）求Cr，Cb的概率分布函數森林火焰的Cr的概率密度分布曲線如圖2所示。

圖2 Cr的概率分布

森林火焰的Cb的概率分布曲線如圖3所示。

圖3 Cb的概率分布

由圖2、圖3可知，Cr，Cb的概率分布與正態分布非常接近。可以認為火焰圖像中每一像素點在其Cr，Cb空間中服從正態分布，從而得到分布函數

檢測圖像中一點是否是火焰點的依據是將該像素點的Cr，Cb分量代入上述公式中，得出的結果與閾值T進行比較。

為了得到閾值T，本文收集了173 個火焰樣本和185個無火樣本進行測試，原則上使95%的有火像素點滿足該篩選條件，。最終，得出的閾值T 為0.43。

此步驟得到的結果如圖4（b）所示（圖4（a）為源圖像）。

圖4 算法處理效果

用以上的方法對森林火焰圖片進行處理，雖然得出的結果已經濾除了絕大部分環境因素，但是仍有許多噪點，這是由于這些噪點的色差和亮度與火焰很接近造成的。但是，這些點的顏色與火焰有很大差別。所以，我們通過顏色的不同來去除噪點。

HSV色彩空間符合人類的視覺系統，與人類視覺對事物的理解大體一致。RGB色彩空間轉換到HSV空間的公式如下

式中：H——色相，S——飽和度，V——色調。

相似距離是指兩個像素點的色調的接近程度。火焰的紅色分量的色調在0－26°，我們根據這一知識來過濾不符合此條件的點。相似距離的檢測過程：

1）逐個遍歷圖像中的像素點，計算每個像素點的色調（也就是V 的值）。如果遍歷到的像素點紅色色調屬于0－26°，則將其作為基準點B，再根據上述公式計算出該像素點各個分量的值。

2）掃描下一個像素點，按照1）的條件，來篩選像素點P，同時計算已篩選出像素點的各分量值。

3）利用顏色對的相似距離來進行篩選，相似距離公式為

式中：VB、VP——B點與P點的色調值，SB、SP——B 點與P點的飽和度，HB、HP——B點與P點的色相值。

按照人的視覺特征，當HSV 顏色對的相似距離大于小于2.7，人會認為他們是相似的；當距離大于5.3，人的視覺系統會將他視為具有顯著的差異性。

4）當P與B的相似距離小于2.7時，將P作為火焰點保留，其余的則去除不要。

5）以P 為基準點，重復2）到4）的步驟，直至將圖像中所有的像素點全部遍歷完畢。

結果如圖4 （c）所示。

（3）運用中值濾波濾除邊緣噪點：圖4中的大部分噪點已經濾除，但邊緣有些噪點仍然存在，所以對這些噪點進行中值濾波。方法是，在提取火焰疑似區域的最初步驟，進行如下計算：當某一像素點f（Cr，Cb）滿足閾值要求，被視為火焰點時，計算出改點3＊3鄰域的另外8個點的f（Cr，Cb）值，把這9個點的f（Cr，Cb）按照從大到小排序，取該序列中間值為改點的f（Cr，Cb）值。將9個點的f值以從大到小的順序排列，如式（6）所示。其中，取f4為該點的f（Cr，Cb）值

改進后的效果圖如4 （d）所示。結果基本上濾除了邊緣附近的噪點，圖像更加清晰。

3.2 通過圖像序列求火焰頻率

由于森林火焰中的設備監控用到的是視頻監控，我們對視頻得到的多幀圖像進行火焰頻率的計算，同時利用得到的火焰頻率值進行火焰的進一步判斷。

視頻捕獲到的實際是具有時間順序的一系列圖片。我們對這一系列的圖片每張圖片都進行上述的火焰疑似區域提取。我們將具有疑似區域的第一張圖片作為參考圖片，后續圖片與參考圖片的相關性系數則會隨著時間的變化而變化。然后我們將此信號進行傅里葉轉換之后，就可以得到該信號的頻域圖，從而得知森林火焰的頻率。

相關性系數：圖像具有時間相關性和空間相關性。一幅圖像由若干像素點構成。一個像素點通常與它周圍像素點在色差和飽和度方面有著一定的聯系，這種聯系稱之為圖像的空間相關性。在一個圖像序列中，前一幀與后一幀也存在一定的聯系，這種聯系稱之為圖像的時間相關性。本文的方法基于圖像的時間相關性提出。

假定在一個圖像序列中，相鄰兩幀的圖像分別為P1（m，n）和P2（m，n），P1與P2的相關性系數R 定義為

式中：m，n分別代表圖像的行數和列數，珚P1、珚P2分別代表圖像P1、P2的平均像素值。而對于兩幀灰度圖像P1（m，n，k）與P2（m，n，k），其相關性系數Rk定義為

式中：k——圖像的HSV 色彩空間的分量。K ＝1，2，3時，對應的Rk分別表示兩幀圖像色相，飽和度和色調的相關性系數。下文中分別記為Rh，Rs，Rv。

本文用離散傅里葉變換將相關性系數的序列R（k）的時域圖轉換為頻域圖。轉換公式如下所示

其逆變換為

上述得出的R，Rh，Rs和Rv時域圖，經上述公式分別對應轉換成頻域圖。如圖5～圖8所示。

圖5 Rh時域圖與頻域

由圖6～圖8可知，HSV 色彩空間三分量的相關性系數的主頻率非常接近。經173張森林火焰圖片統計，按此方法得出的森林火焰的頻率閾值為1.62Hz。

算法通過對視頻的一系列幀中每一幀進行火焰疑似區域的提取，然后把相鄰兩幀作為研究對象，通過對其相關性系數的時域圖的離散傅里葉轉換，得到頻域圖，從而得出其頻率，將得出的頻率與1.62 Hz作比較，如果結果與1.62Hz相差不超過0.2 Hz，則認為有火焰，把報警信息發送給匯聚節點；若結果與1.62 Hz相差大于0.2 Hz，則算法判定無火焰，不發送警報信息。

圖6 Rs時域圖與頻域

圖7 Rv時域圖與頻域

4 實驗環境

圖8 R 時域圖與頻域

本實驗基于簡化的無線網絡實現，實驗的設備主要包括5類傳感器和1類監控器：監視監控器 （配透霧鏡頭），光亮度傳感器，溫度傳感器，濕度傳感器，火焰傳感器，大氣壓力傳感器。上述傳感器和監控器 （每類1個）都集成在傳感端節點上。傳感端節點的主體部分由電源、微處理芯片和無線通信模塊構成。

5 實驗結果分析

本實驗通過分析森林視頻 （有火視頻、無火視頻、有干擾物的視頻）來檢驗算法準確率和耗時。

（1）不同環境因素下算法的準確率比較：在森林中的環境因素較多，影響火焰檢測算法準確性的因素主要有3個：風速、陽光照度和飛鳥 （干擾物）。每一種環境因素下，我們進行實驗的次數均為100，定義準確率為：準確率＝100次實驗中準確檢測的次數／100。

由表1可知，當風速很大時，枝葉擺幅加大（算法易將其與火焰的火苗增長相混淆），但本算法在此情況下準確率仍然穩定。當陽光的照度很強時，（較高的照度易與火焰的高亮度相混淆）本算法的準確性仍然穩定。當飛鳥的個數增多時（干擾物會影響判斷結果），本算法的誤報率仍然較低。

表1 算法在不同環境因素下準確率比較

（2）算法的耗時比較：由于耗時的多少是度量無線傳感器網絡好壞的重要的一環，所以我們把本文提出的基于海計算模式下的森林火焰識別算法的能耗與未采用海計算模式的森林火焰識別算法進行比較，見表2。

由表2可知，采用了海計算模式的算法與未采用海計算模式的算法相比，耗時大大減少，這有利于更好地實現森林火焰檢測的實時性。

表2 算法在不同幀數下耗時比較

6 結束語

本文提出的火焰檢測算法引用了海計算模式、YCrCb色彩空間以及相關性參數，解決了部分傳統森林防火檢測算法的低效率和高能耗問題，對圖像中火焰區域的檢測與識別起到了顯著的作用。本算法依然有可以改進的地方，例如，如何進一步降低算法的漏報率，如何進一步降低算法的耗時以及如何進一步提高算法的效率等問題將會是以后研究的重點。

［1］Avila－Flores D，Pompa－Garcia M，Antonio－Nemiga X，et al.Driving factors for forest fire occurrence in durango state of mexico：A geospatial perspective ［J］.Chinese Geographical Science，2010，20 （6）：491－497.

［2］Chen Z，Wang H，Liu Y，et al.A context－aware routing protocol on internet of things based on sea computing model［J］.Journal of Computers，2012，7 （1）：96－105.

［3］Naumowicz M，Melosik M，Katarzynski P，et al.Automation of CMOS technology migration illustrated by RGB to YCrCb analogue converter ［J］.Opto－Electronics Review，2013，21（3）：326－331.

［4］Kim W，Diko M，Rawson K.Network motif detection：Algorithms，parallel and cloud computing，and related tools ［J］.Tsinghua Science and Technology，2013，18 （5）：469－489.

［5］SUN Ninghui，XU Zhiwei，LI Guojie.Sea computing：New computing model for the Internet of things ［J］.China Computer Federation，2010，6 （7）：52－57 （in Chinese）.［孫凝暉，徐志偉，李國杰.海計算：物聯網的新型計算模型［J］.中國計算機學會通訊，201，6 （7）：52－57.］

［6］ZHANG Jinhua，LI Ting，WANG Sun’an，et al.An early detection algorithm for small flame based on vision system with variant field of view ［J］.Journal of Xi’an Jiaotong University，2012，46 （10）：29－35 （in Chinese）. ［張進華，李婷，王孫安，等.可變視場下的火災探測算法 ［J］.西安交通大學學報，2012，46 （10）：29－35.］

［7］CHEN Jianxin，LIU Qing，CHEN Jia.Algorithm to predict high way tunnel fire based on video data ［J］.Transactions of Beijing Institute of Technology，2012，32 （6）：596－601 （in Chinese）.［陳建新，劉青，陳佳.基于視頻數據的公路隧道火災預警算法［J］.北京理工大學學報，2012，32 （6）：596－601.］

［8］LI Wenhui，WANG Ying，ZHAO Ruilin，et al.Fire detection with day－night infrared camera［J］.Jouranl of Hunan University（Natural Sciences），2012，39 （8）：73－80 （in Chinese）. ［李文輝，王瑩，趙瑞霖，等.使用日夜兩用型紅外攝像機進行火焰檢測［J］.湖南大學學報：自然科學版，2012，39（8）：73－80.］

［9］Stadler A，Windisch T，Diepold K.Comparison of intensity flickering features for video based flame detection algorithms［J］.Fire Safety Journal，2014，66：1－7.

［10］Habiboglu YH，Gunay O，Dietin AE.Covariance matrixbased fire and flame detection method in video ［J］.Machine Vision and Applications，2012，23 （6）：1103－1113.

［11］Verstockt S，Tilley N，Merci B，et al.Future directions for video fire detection ［C］／／10th International Symposium on Fire Safety Science.International Association for Fire Safety Science，2011：529－542.

［12］QIAN Zhihong，WANG Yijun.Internet of things－oriented wireless sensor networks review ［J］.Journal of Electronics＆Information Technology，2013，35 （1）：215－227 （in Chinese）.［錢志鴻，王義君.面向物聯網的無線傳感器網絡綜述 ［J］.電子與信息學報，2013，35 （1）：215－227.］