基于視覺的火災探測技術特征分析

劉 占

中國人民武裝警察部隊學院部隊管理系

基于視覺的火災探測技術特征分析

劉 占

中國人民武裝警察部隊學院部隊管理系

傳統煙控、溫控火災探測設備難以滿足大空間、野外火災監測要求，基于視頻的火災探測技術受到研究者廣泛關注。本文分析梳理了視頻火災檢測過程中的圖像特征，分別從煙霧、火焰現象的靜態特征和動態特征進行了介紹，探討了多特征融合的火災檢測技術，最后對視頻火災探測技術發展進行了總結和展望。

近年，火災事故頻發，成為威脅人類生命、財產安全的嚴重災害之一。火災發生時，如何快速有效探測到火災，將火災消除在萌芽狀態，從而減少人員和財產損失，成為城市化進程中消防工作的重點內容。

傳統火災探測設備多采用溫控或煙控傳感器探測裝置，監測目標為火災發生過程中伴隨產生的高溫、高煙霧現象。一般情況下，火災發生時會產生大量煙霧和明火，當煙霧濃度、空氣溫度超過傳感器設備設定閾值范圍，探測裝置被觸發報警。火災中，局部空間探測裝置離起火點越近，溫度越高，煙霧濃度越大，越容易被觸發報警。但火災發生位置和時間的不確定性，往往造成火源位置與探測裝置之間存在一定距離，只能待煙霧、溫度擴展到傳感器監測范圍內，并達到監控閾值才有可能觸發報警裝置，導致了火災預警存在一定時間延遲。在大空間、野外場景中，溫度、煙霧易擴散，難聚集，溫控、煙控探測設備更難獲得有效預警。此外，通過安裝密集、多點監測設備提高預警的策略則受成本、建筑物裝飾效果等限制，可操作性差。

針對傳統火災探測設備的不足，基于視頻圖像的火災探測技術成為國內外研究者廣泛關注的熱點問題之一。視頻圖像火災探測技術，利用攝像機裝置采集火災數字圖像視頻，通過數字圖像處理和人工智能算法對連續圖像序列中的火災信息特征進行提取、分析，從而實現火災的識別、預警和精確定位。與傳統的溫控、煙控技術相比，視頻圖像處理方法探測范圍廣泛、應用環境不受限制，同時可以對火情實時監控，為準確處置火災提供決策支持。

依據檢測圖像光波段的不同，視頻圖像火災檢測技術可分為不可見光檢測（主要為紅外光）和可見光檢測。紅外檢測設備針對火災中伴隨發生的熱輻射現象進行探測，可以實時地做出預警，識別算法簡單，準確率高，是被較早應用于火災探測的光學方法之一。與廣泛應用于各種場合的視頻監控設備相比，紅外設備成本較高，不適宜在大范圍內推廣。如何在普通視頻圖像中識別火災并預警，成為各國研究者的一項挑戰。本文在已有文獻基礎上，對可見光視頻火災發生過程中煙霧、火焰目標特征及檢測識別技術進行分析探討。

煙霧特征探測

火災初期往往產生大量煙霧，可作為判斷火災的重要特征依據。同時，實際火場中，煙霧顏色特征、形狀特征、運動特征都極易受光照、風速等外界環境影響，又給識別效果帶來很大干擾。

煙霧靜態特征

顏色特征是最容易被人眼視覺捕捉的特征之一，也是最直接、最先識別的特征。數字圖像處理中顏色特征也最先被用于目標識別，且有RGB、YCbCr、HSV等多種顏色空間表述形式。火災剛發生時，煙霧呈現出的顏色特征并不顯著，隨火勢變化、溫度升高，煙霧顏色變化由白色到灰黑色，繼而又到黑色。根據煙霧顏色特征變化，Celik等人建立了RGB、HSV等多種顏色空間的火災煙霧識別模型，但煙霧顏色在不同光照、亮度變化條件下，特征變化較大，且對比度低，易導致錯誤判斷。

與顏色特征相比較，煙霧紋理特征變化規律相對穩定。在空氣、煙霧分子不規則熱運動下，煙霧向四周擴散運動；有風情況下，煙霧依風向變化運動，運動特征規律穩定。煙霧紋理可通過統計目標區域運動方向相同像素點的累積量獲取紋理運動的角度分布（與動態特征相結合）；或通過提取煙霧紋理LBP特征進行訓練和識別。煙霧紋理分析具有對平移、旋轉的抗干擾性能，是火災煙霧識別的重要依據之一。

煙霧動態特征

與云、霧等相似目標相比，火災煙霧呈現出持續變化的動態特征明顯，體現在煙霧區域整體移動穩定，移動速度快；煙霧面積隨煙霧移動不斷變化、增加，閃爍頻率突出等。

煙霧的形成和擴散過程中，始終圍繞火源點為中心，雖易受風力影響發生擴散方向、速度的改變，但整體運動軌跡富有規律性。Kopilovic等人通過對煙霧運動視頻序列中不同幀目標運動規律的分析，利用光流法進行幀間差計算，提取了煙霧動態形狀特征，作為判斷火災煙霧的依據。然而，在遠距離、大空間視頻中（如森林火災），當煙霧較輕、相對透明狀態時，場景中前景、背景無法通過光流法分離，難以達到識別煙霧目標要求。袁非牛等提出將視頻圖像分割若干塊，檢索幀間相似的圖像塊，通過計算每個分塊運動的主方向和累積量確定整個煙霧區域運動的主方向。由于煙霧區域整體移動方向相對一致，具有較高的運動方向累積量，能夠被較準確識別。煙霧動態特征通過計算視頻幀圖像之間煙霧目標移位差獲取，并結合煙霧運動規律進行判斷。

煙霧擴散在空間分布上呈現出移動規律性和形狀自相似性，研究中，鮮有文獻僅通過煙霧靜態特征或動態特征進行目標識別，而多是結合靜態、動態特征綜合提取煙霧信息，通過機器學習、模式識別算法判斷是否發生火災。

火焰特征探測

火焰是燃燒過程產生的發光發熱現象，燃燒火焰狀態受燃燒物種類、數量、環境變化（如風速變化）等諸多因素制約，有很大的隨機性。同時，燃燒過程中，火焰的光譜亮度、色彩空間、紋理、輪廓，以及形狀結構、閃爍頻率等特征都呈現一定規律，為基于視覺的火焰探測提供了穩定的特征選擇。

火焰靜態特征

火焰靜態特征指單幀視頻圖像中火焰表現出的視覺特征，從光譜特性和空間結構上看，火焰靜態特征主要包括顏色特征、紋理特征，和形狀輪廓特征等。

火焰顏色特征

通常，火焰具有明顯的顏色特征，視頻圖像中火焰區域像素值偏紅色，亮度值高于非火焰區域。基于此特征，G. Healey提出了RGB空間火焰顏色約束條件關系：R>G>B，但實際應用中RGB空間分量值相關性強，對環境變化敏感。Turgay提出了YCrCb顏色空間提取火焰提取模型，如公式1所示。當（x，y）像素點Y、Cb、Cr分量都大于各自均值時，判斷該像素點為火焰；否則，判斷為非火焰。同時，Yamagishi等提出了在HSV空間進行火焰提取的顏色模型。

火焰顏色特征顯著，識別方法簡單，但顏色模型不具備抗干擾能力，識別效果極易受光照強度、背景等干擾，且不同種類燃燒物火焰顏色差異性大。各顏色空間火焰模型多被用作圖像預處理過程中疑似火焰區域圖像分割的依據。

火焰其他靜態特征

火焰紋理特征反映火焰圖像局部區域像素的空間分布、組合情況，局部像素按某種規律排列組合，呈現一定的復雜結構。定量描述紋理特征一般結合區域灰度共生矩陣進行，先計算火焰區域0o、45o、9o和135o四個方向的灰度共生矩陣，再以灰度共生矩陣為基礎提取反差、灰度相關、能量、逆差矩等特征向量，作為火焰區域的定量描述子。實驗表明，與靜止的燈光、燭光、手電筒光、晚霞等干擾紋理特征相比較，火焰紋理特征抖動幅度大，較易被識別；與晃動燈光紋理差別不大，容易被混淆（紋理與動態特征結合）。可見，紋理特征能有效區分開靜止的干擾物，但對運動變化中干擾物的區分還需與其他相關特征結合才可進行。

而火焰形狀輪廓特征與燃燒物種類、數量、分布，以及燃燒狀態等有關，且極不規則，難以用剛性方法描述。研究中，多采用圓形度、尖角統計等方法。仇國慶等采用公式2方法計算火焰圓形度，即取火焰區域邊界鏈碼長度為周長，火焰區域像素點數為面積；目標形狀越復雜，得到的圓形度值越。

高。實驗表明，非火焰干擾物體現出互不相同的圓形度，且圓形度穩定持續；而火焰的圓形度隨火勢發展不斷變化。

火焰尖角是火焰邊緣狹長的突起，表現為邊緣處”尖”和頂點（局部極值）。火焰一般有多個尖角，燃燒過程中，尖角的高度、寬度、數量都呈現出不規則性變化。隨火勢發展，火焰邊緣不停抖動，火焰尖角呈現一定頻率特征，而這是非火焰目標所不具備的。

也有研究通過提取火焰區域輪廓特征的傅里葉變換系數進行火焰識別，但鑒于火焰的非剛性外部特征，制約了其輪廓的提取，難以獲得高準確率結果。

靜態特征僅能描述單幅圖像中火焰體現的疑似特征，還不足以對各種干擾物進行有效區分，有很大的局限性；而且火焰區域面積、圓形度、尖角等特征只有與動態特征結合起來才更具識別能力。

火焰動態特征

火焰動態特征體現的是視頻序列幀間火焰變化規律，相鄰幀間火焰區域在面積、抖動頻率、形狀等方面都表現為一定的動態特征，可據之提高火焰目標識別的準確率。

燃燒過程中，火焰面積隨火勢和外界環境因素變化。火勢增大最直接的體現是火焰面積增大；燃燒物殆盡時，火勢漸小，火焰面積也縮小。當可燃物突然增多/減少、風力增加/減弱等情況下，火焰面積呈現忽大忽小，抖動變化現象。唐巖巖等采用火焰區域像素點數量統計描述火焰面積，并結合視頻序列幀間差計算火焰面積變化率。火焰面積并非單邊增大或單邊減小，而是隨火勢、時間跳動變化，這一閃爍的面積變化率是非火焰干擾物（燈光、晚霞等）不閃爍目標不具備的特征，可有效排除相關干擾目標。沈詩林等對視頻序列幀間火焰形狀、面積相關性進行了驗證，結果顯示火焰相關系數呈現劇烈震蕩，而非火焰相關性系數相對平滑。

火焰面積針對火焰區域進行統計，雖然幀間差分法或光流法分可有效提取動態火焰，但也容易受移動干擾目標影響，或受外界風力影響，造成提取不準確、火焰面積計算誤差，降低識別準確性。

燃燒過程，火焰不停抖動、閃爍，表現出一定的頻率特征。安志偉等經實驗統計分析得出了火焰閃爍頻率分布范圍：3～25Hz，和主要頻率分布范圍：7～12Hz；同時觀測到，火焰的閃爍頻率是火焰自身固有的一種頻率，與火焰大小、燃燒物種類等因素無關。由此得出，火焰閃爍頻率可作為判斷火災發生與否的重要特征。研究中，多根據視頻幀火焰區域像素點顏色變化頻率表示火焰頻率，或以火焰高度、寬度、面積、尖角等狀態變化率表示火焰頻率，作為火焰識別的重要依據，都取得了良好的識別效果。

同時，燃燒火焰不停跳動也表現為火焰形狀看似無規則、實則相關性的振蕩，具體體現在視頻序列幀圖像間火焰邊緣、形狀、面積變化、高度、寬度的相似性抖動。如統計每幀圖像中火焰靜態邊緣尖角數量，在視頻序列中可計算得到火焰尖角變化率；計算每幀圖像火焰輪廓傅里葉變換系數，在視頻序列中可統計出火焰輪廓變化率。可見，燃燒中火焰動態特征是其靜態特征在視頻序列幀的體現，提高火焰靜態特征描述的準確性也可以提高視頻序列間火焰動態特征的精度，提高火災識別效率。

燃燒過程中火焰的靜態特征、動態特征都比較顯著，二者同時存在、互為補充、緊密相關，是火災視頻探測中最重要的特征依據。靜態特征、動態特征融合使用，以顏色、紋理特征提取火焰靜態區域圖，在靜態圖像序列幀間提取動態特征，綜合二者得到火災判斷結果，可提高火災識別準確率。

多特征融合火災探測方法

煙霧和火焰是火災的顯著現象，其靜態特征和動態特征是對視頻序列中兩類現象具體描述，而探測方法是根據對視頻中圖像的信息描述判斷監測范圍內是否發生了火災的具體方案。

早期火焰檢測采用單一特征為依據，適用范圍有限，且錯誤率也較高。根據火災不同階段不同特征，融合煙霧、火焰的靜態和動態特征，將其有機結合起來，可以獲得更可靠、更準確判斷。如先通過顏色空間模型提取疑似火焰區域，再統計火焰區域動態頻率特征；如先通過幀間差獲取疑似移動煙霧目標，再通過多幀動態特征計算煙霧區域增長、移動特征。又如先對疑似火焰區域進行紋理、閃爍頻率、色彩的聯合測試，形成多維特征向量，再依據神經網絡技術進行結果的計算和判斷等。將火災不同階段多特征有機結合可以更及時、更準確對監控范圍內的火災情況作出響應，縮短火災預警時間，最大限度挽回損失。

總結語

視頻探測火災方法利用現有監控攝像設備，通過火災探測算法完成火災監測預警，便捷、實用，應用范圍廣，是火災探測發展的重要方向。同時，由于實際火場環境的多樣性、復雜性，較難實現適應所有環境的通用火災檢測算法。多特征融合技術綜合火災過程伴生煙霧、火焰現象的靜態、動態特征進行目標識別，提高了檢測效率，但如何降低算法復雜性，提高實時性，還有待進一步解決。

劉占，男，碩士，中國人民武裝警察部隊學院部隊管理系，主要研究方向為人工智能，機器學習。

項目名稱：武警學院中青年教師科研創新計劃課題（項目編號）：ZQNJS201553