基于紅外熱成像的山火識別技術研究

余陽+趙海龍+韓來君

摘 要： 針對傳統火災監控系統監控范圍小、靈敏度差、易受環境影響等問題，設計并實現了一套基于紅外熱成像處理技術的山火識別系統。該系統對紅外熱灰色圖像先后經過預處理、疑似火災區域的分割和平滑處理以及動靜態特征提取，同時結合煙霧溫度傳感器的輔助判斷，利用SVM和AdaBoost兩類分類器融合算法對森林火災進行監控、識別和警報。實驗結果表明，該系統能對火災火焰進行有效識別，能為類似火災監控系統的開發及實現提供技術指導。

關鍵詞： 火災監控； 紅外熱圖像處理； SVM； AdaBoost

中圖分類號： TN911.73?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2017）24?0077?03

Abstract： Since the traditional fire monitoring system has the problems of small monitoring range and poor sensitivity， and is easily influenced by environment， a forest fire identification system based on infrared thermal image processing technology was designed and implemented. The system conducts the operations of preprocessing， suspected fire region segmentation， smoothing processing and static?dynamic feature extraction for the infrared gray images， and is combined with the assisted judgment of the smoke and temperature sensors. The algorithm fusing the SVM and AdaBoost classifiers is used to monitor and recognize the forest fire， and raise the alarm for it. The simulation and experiment results show that the system can identify the fire flame effectively， and provide the technical guidance for the development and implementation of the similar fire monitoring systems.

Keywords： fire monitoring； infrared thermal image processing； SVM； AdaBoost

傳統的自動監測系統監控面積小，傳感器靈敏度和監控范圍容易受到限制，因此監控效果差[1?3]。本文建立了一套用于監測輸電走廊附近山林的火災識別系統。該系統基于紅外熱成像處理技術，經圖像增強、分割和提取疑似火災區域的動靜態特征等圖像處理操作[4?5]，并結合現場布置的溫度、煙霧等傳感器節點監測值的輔助判斷，再利用SVM和AdaBoost兩類分類器對火災進行識別，實際使用效果良好。

1 紅外熱像圖采集系統及預處理

1.1 系統設計

硬件系統如圖1所示。該系統主要涵蓋了電源管理、圖像采集以及無線傳輸等模塊，硬件部分以鋼結構固定在山中輸電走廊的鐵塔上。電源模塊使用了GH808太陽能控制器（IP67），可靠性高。

控制模塊負責控制系統的全方位運行，包括采集圖像、溫度和煙霧值。紅外熱像圖采集模塊使用的是以非制冷多晶硅焦平面探測器為核心的紅外熱成像儀，該模塊負責采集分辨率為384×288的灰度圖像，灰度值（亮度）和實際熱量成正比。無線傳輸模塊利用3G網絡對數據進行傳輸，以方便數據中心對監控數據的分析與處理。此外，本文系統還布置了溫度和煙霧傳感器（基于ZigBee技術）以提高對火災的識別準確率。

文中山火識別系統的核心為火災識別算法，相關算法流程圖如圖2所示。

1.2 預處理

預處理過程主要是利用相關的降噪濾波技術對紅外熱像圖進行處理[6]。本文選用的是適合紅外熱像圖的非線性中值濾波技術，該技術能在去噪的同時保證圖像邊緣清晰，從而保護火災火焰區域的輪廓，效果見圖3。

2 紅外熱像圖分割和處理

2.1 分割算法

本文圖像的分割結合了閾值分割法和區域生長法[7?8]：前者包括Otus和雙峰法，分別用于火災初期和燃燒期紅外熱像圖的識別操作；后者則是按照預先設定的生長準則（針對區域灰度差相似準則）將種子（像素點或子區域）組合成更大的生長區域。

圖像分割算法仿真結果如圖4所示。圖4（b）為火災紅外熱像圖中的種子點（像素值大于設定閾值210），圖4（c）為相應的經過閾值測試的點，連接種子點像素生長即得到分割圖像見圖4（d）。

2.2 平滑處理

經過上述紅外熱像圖分割操作即得到黑白二值圖像（黑色為非火災區域），但會存在較小、不平滑且不連續的火焰區域及噪聲點，需要利用膨脹算法來解決。某集合M針對某二值化圖像代表的集合Y進行膨脹運算定義如下：

此外，本文還使用腐蝕算法來除去火災區域邊界點和噪聲，其效果與膨脹相反。引入開操作來定義對某一圖像依次進行腐蝕再膨脹運算；閉操作定義為依次進行膨脹再腐蝕運算。經過比較，最終選擇使用閉操作來對分割后的圖像進行平滑處理。endprint

3 疑似火災區域相關特征提取

3.1 靜態特征提取

疑似火災區域的火焰具有周長、圓形度、面積、尖角數、邊界粗糙度等幾何特征，以這些特征作為標準即可對疑似火災區域進行初步判斷[9]。以面積特征為例，如圖5所示，即為火災和干擾物視頻中提取出來的連續100幀圖像中每幀疑似火災像素面積與幀數變化關系圖。可以明顯看到，火災燃燒造成火災區域在每幀的劇烈波動。

此外，疑似火災區域還具有直方圖、紋理等靜態特征。結合上述各項特征，可提高對疑似火災區域的識別準確度。

3.2 動態特征提取

靜態特征均是從視頻的每幀圖像上獲得的，若只是以此為判斷依據，容易將其與類似圖樣的非火災目標混淆。因此，本文以多張連續紅外熱像圖為研究目標，獲取動態特征如火焰尖角個數變化、質心位移和面積變化率等。同樣以面積為例，如圖6所示，即為面積變化率隨幀數變化的波動曲線。易知，火災圖像的面積變化率波動劇烈，其他圖像較為平緩。因此，可將面積變化率作為火災判斷的動態依據，排除固定干擾源的影響。

4 紅外熱像圖火災模式識別仿真與實驗

本文選用網絡數據和設備測得的實驗數據作為圖像數據，并結合網絡上的相似場景設計了21組火災模擬實驗，包括有火災的13個場景和無火災的白熾燈、動物、蠟燭、高溫物體共4個無火災場景。此外，文中還通過測試錯誤率以及ROC曲線來評估本系統的識別結果與真實數據是否吻合，借此判斷系統的識別效果。

山火識別過程中，本文以線性加權的方式對SVM和AdaBoost分類器進行融合，從而提高該系統識別火災的魯棒性和準確性。融合示意圖如圖7所示，最終得到最佳系數下的公式為：

對融合后的分類器進行仿真測試，得到的準確率和ROC曲線如圖8、圖9所示。由此兩圖可知，融合后的分類器識別準確率達到92.8%，曲線下的面積AUC達到0.93，其融合后性能得到了大幅提高。

現場安裝和軟件識別效果見圖10，軟件由C#語言在VS.Net平臺開發實現；算法采用C++語言在OpenCV計算機視覺庫基礎上開發完成。實際使用過程中，本系統成功識別了距熱紅外相機1 000 m外40 cm直徑的鐵罐內點燃的可燃物，軟件界面中的紅色標注隨鐵桶的移動而移動，且隨鐵桶的移走而消失，排除了噪聲干擾的可能，如圖10（c）所示。由此表明，本系統和算法具有一定的有效性與可靠性，能夠用于對山林火災的識別及監控操作。

5 結 語

針對傳統火災監控系統監控范圍小、靈敏度差、易受環境影響等問題，本文基于紅外熱成像處理技術，設計并實現了一套山火識別系統。該系統通過對紅外熱灰色圖像的預處理、疑似火災區域的分割和形態學處理以及動靜態特征提取，同時結合煙霧溫度傳感器的輔助判斷，利用SVM和AdaBoost分類器融合算法，對森林火災進行監控與識別。仿真及實際實驗結果表明，該系統能對火災火焰進行有效識別，具有一定的應用前景。

參考文獻

[1] JIA J， LU S. A mission?oriented risk assessment methodology for naval vessel fire caused by non?contact explosions using Bayesian networks [J]. Procedia engineering， 2013， 62（7）： 573?580.

[2] 吳田，阮江軍，胡毅，等.500 kV輸電線路的山火擊穿特性及機制研究[J].中國電機工程學報，2011，31（34）：163?170.

[3] LIN Y K， YANG J N. A stochastic theory of fatigue crack propagation [J]. Aiaa Journal， 2012， 23（1）： 117?124.

[4] LETHAM B， RUDIN C， MCCORMICK T H， et al. Interpretable classifiers using rules and Bayesian analysis： Building a better stroke prediction model [J]. Annals of applied statistics， 2015， 9（3）： 1350?1371.

[5] 王文光.基于無線傳感器網絡的新型火災探測節點研究[D].合肥：合肥工業大學，2010.

[6] 龔聲蓉，劉純平，王強.數字圖像處理與分析[M].北京：清華大學出版社，2006.

[7] 章毓晉.圖像工程（中冊）：圖像分析[M].北京：清華大學出版社，2005.

[8] 賈永紅.數字圖像處理[M].2版.北京：武漢大學出版社，2010.

[9] ZHOU X L， YU F X， WEN Y C， et al. Early Fire detection based on flame contours in video [J]. Information technology journal， 2010， 9（5）： 899?908.endprint