兩種火災煙霧識別方法的研究

李 娜，齊愛玲，賈澎濤，龔尚福

(西安科技大學 計算機科學與技術學院，陜西 西安 710054)

0 引 言

近期，山西、北京、四川等地連續發生森林火災，成為輿論焦點，且多地火險維持在“極度危險”級別?；馂膰乐匚＜吧踩瑫r造成生態環境破壞等一系列損失。對火災征兆進行及時檢測，在火災預警和中有著極其重要的意義?；馂男纬沙跗?，大多數情況下沒有明顯的火焰信號，只有陰燃現象和大量的煙霧，所以煙霧探測可實現早期預警。通過視頻捕捉火災前圖像進行探測和預警成為火災探測領域里的一個新研究方向，該方法克服了傳統火災探測技術在大空間或室外場景應用中的局限。

對于火災產生的煙霧及其與煙霧顏色相近物體的準確有效區分，成為火災煙霧檢測的難點之一。煙霧的屬性信息，如：顏色、邊緣和梯度區分不明顯，這給檢測的進行制造了障礙。特征的提取是準確和快速進行煙霧檢測的關鍵?；谔卣鼽c的火災煙霧識別給這類問題提供了一個很好的解決方法。利用煙霧檢測算法，自動識別煙霧圖形的特征，被應用于公路隧道[1]、森林大火[2-3]、城市軌道交通[4]、艦船著火[5]等室外環境的火災安全預防中。

1 火災煙霧檢測的研究現狀

1.1 國內外研究現狀

基于煙霧識別的火災煙霧探測技術關鍵是提取煙霧和氣體特征。提取方法上主要有圖像識別[6]、顯著特征[7-9]、多特征融合[10]、深度神經網絡[11]等。文獻[12]提出一種通過融合煙霧多個特征的方法來檢測識別早期林火煙霧。針對復雜場景煙霧特征提取，陳俊周等提出一種靜態和動態特征結合的卷積神經網絡視頻煙霧檢測框架[13]。王文朋等人基于圖像ImageNet數據集，利用VGG-16模型進行同構數據下的特征遷移，提出一種基于深度遷移學習的煙霧識別方法[14]。常用煙霧特征描述方法有：統計量特征、變換域特征、局部模式特征。

李誠等人通過結合統計量特征和深度學習方法實現了視頻煙霧檢測[15]。在使用人工設計特征時采用較弱的閾值設置，實現了城鎮森林交界域煙霧的準確識別。Shrivastava等人利用K均值聚類圖像分割算法，對靜態相機獲得的幀序列實現有效煙霧檢測[16]。

高豐偉等人結合傳統手動提取方法和CNN自動提取煙霧特征，與傳統的方法相比，該方法在煙霧準確率和誤檢率上都有明顯的提高，同時對于光照和煙霧濃度的敏感度有降低[17]。姚太偉等人提出基于小波變換的森林視頻火災煙霧檢測方法，使用幀間差分法和質心算法提取疑似煙霧運動目標區域，對提取的運動目標前景區域和背景區域分別進行小波能量特征提取與分析[18]。

蘭久強等人提出基于顏色和紋理特征的林火煙霧識別方法，使用顏色特征確定煙霧疑似區域，利用小波變換提取相關度特征，支持向量機進行煙霧識別[19]。Jian等針對火災煙霧檢測早期存在的問題，提出一種結合兩步分割和運動特征的煙霧可疑區域提取方法[20]。

1.2 現階段火災煙霧檢測技術存在的問題

火災探測研究雖然在煙霧檢測技術中一直有新的算法被提出，但還存在一些問題。因為煙霧的不規則性和本身顏色的特殊性，傳統常用的方法根據煙霧特點進行分割，再提取可疑目標區域，但是煙霧通常情況下不是呈均勻分布，并且煙霧往往是由很多離散的小區域組成，在檢測過程中較為復雜，導致對煙霧區域不能明顯區分。

對于火災探測和預警來說，如何提取火災產生的煙霧特征是其重要的步驟之一，精確的特征能夠極大提高識別的準確率和穩定性。通過顏色統計特征和小波變換2種技術在煙霧特征檢測中的應用，分析各自的特點并得出具體的場景適用性結論。

2 基于顏色統計特征的火焰煙霧識別

燃燒初期的煙霧通常是青灰色，其R，G，B三個顏色值基本相等，用α表示其相似程度，計算公式為α=max(|R-G|，|G-B|，|B-R|)，最終的α范圍在0到20之間。HSI顏色模型中色度H的初期煙霧特征取值范圍為175°≤H≤185°，文中用H的取值范圍判別圖像中的煙霧區域。

2.1 選取基準點

對于HSI模型選取色調分量H在175°≤H≤185°的像素點，計算α參數，如果α范圍在0到20之間，則將此像素點作為基準點x.將圖像中其余α參數在0到20之間像素點與基準點比較，若像素空間距離D≤0.2，認為這個像素點與所設立的基準點相似，對其進行保留；當D>0.2時，將對應的像素點視作噪聲并置為白色。

在RGB模型中基準點x歸一化得到(MR，MG，MB)，見式(1)

(1)

基于HSI模型，基準點x計算見式(2)

(2)

式(2)中 min(MR,MG,MB)是像素點歸一化后的最小值，max(MR,MG,MB)則是像素點歸一化后的最大值。式(2)中H0的計算見式(3)

H0=

(3)

2.2 計算空間距離

在煙霧顏色模型中，需要將滿足α參數在0到20條件下的像素點與基準點做比較。設像素點y滿足要求，其中HSI模型三分量值分別為h，s，i，設x，y兩點的空間距離為D，則有式(4)

(4)

式(4)中，V1，V2，V3的計算見式(5)

V1=(1-i)2

V2=S×cosH-s×cosh×(S×cosH-s×cosh)

V3=S×cosH-s×sinh×(S×cosH-s×cosh)

(5)

2.3 煙霧模型算法

利用人類視覺與HSI顏色空間距離的關系，通過計算所需要的像素點與事先確定的基準像素點之間的距離，判斷像素點是不是煙霧點?；跓熿F顏色特征的數字圖像處理系統總體流程如圖1所示。

圖1 顏色統計特征方法流程Fig.1 Flow chart of color statistical feature method

煙霧識別根據HSI顏色距離與人類視覺的關系，分析提取圖像中的煙霧點，來判別是否有火焰產生。在檢測圖像的面積閾值過程中，需要將彩色圖像先轉換變為灰度圖像，之后確定一個值來進行二值化處理。通過閾值比較，保留疑似煙霧區域，最后用挖空法得到煙霧區域輪廓，以達到識別火災煙霧的目的。

3 基于小波變換的煙霧識別

煙霧的半透明性即背景的模糊性能夠較為準確地反映其特征。煙霧的產生使背景的紋理變得模糊，在信號域上表現為信號衰弱，可通過小波變換進行煙霧的識別。

3.1 均值背景

均值背景在處理連續運動的目標時，將運動中的目標看作噪聲，通過連續幀的圖像累加平均來消除這種噪聲，也就是利用運動中目標圖像序列的平均獲得背景圖像，具體計算見式(6)

(6)

式中x和y為橫縱坐標；Background為均值背景；img為連續目標圖像；n為圖像序列值。均值背景需讀取連續幀圖像并通過累加平均得到，在這個過程中，使用三維矩陣mat(x，y，k)存儲每個幀的灰度值，其中k是固定值，可以是整個視頻，也可以是固定時間段內的圖像序列。

3.2 小波變換煙霧檢測

煙霧通常會遮擋其他物體，物體的背景在空間域中趨于模糊，煙霧圖像表現為高頻信號，非煙霧圖像將背景圖像完全遮擋。根據這一特性，利用二維離散小波變換提取背景紋理，對紋理變得模糊的特征進行判別，最后實現煙霧檢測。

二維離散小波變換分為4部分：低頻分量子圖和3個高頻分量子圖，其中，3個高頻分量子圖包含水平方向、垂直方向和對角方向的紋理信息。當圖像中出現煙霧時，通常會降低3個高頻量子圖的能量值。

設Wn(x，y)表示由3幅高頻分量子圖的能量值之和構成的復合圖像，則有式(7)

Wn(x,y)=|LHn(x,y)|2+|HLn(x,y)|2+|HHn(x,y)|2

(7)

LH，HL，HH分別為3個高頻分量子圖垂直方向、水平方向和對角方向的能量值。將復合圖像分解成大小為(K1，K2)的子塊，第i個圖像子塊的能量ei(l1，l2)為

(8)

式中Ri為復合圖像Wn(x，y)中大小為(K1，K2)的第i個子塊；(l1，l2)為能量子塊在復合圖像中的相應位置。

將處理后圖像的高能量部分與原圖像相同區域內的高能量部分進行對比，如果(l1，l2)處的子塊能量值ei(l1，l2)被降低，則判斷這一部分圖像紋理或邊緣模糊，圖像的對應區域出現煙霧。

為了提高識別率，設閾值T1與T2為0.6與0，如果圖像中出現煙霧導致小波高頻能量減少，則ei(l1，l2)應滿足式(9)

T2×ei(l1,l2)

(9)

式中ei(l1，l2)為由背景圖像構成的復合圖像在(l1，l2)處的子塊能量值。將滿足式(9)的能量子塊內的像素值設置為0，即HL(l1，l2)=0，LH(l1，l2)=0，HH(l1，l2)=0，CA(l1，l2)=0，CA為低頻分量值。然后再通過小波反變換還原出原圖像，此時原圖像缺失了被識別為煙霧區域的像素值，接著通過構造圖像的二值圖取反補全空洞，最大連通區域即為煙霧區域。小波變換煙霧識別的具體流程如圖2所示。

圖2 小波變換煙霧識別流程Fig.2 Flow chart of smoke recognition based on wavelet transform

4 仿真實驗

4.1 煙霧顏色特征檢測系統的實現

火災煙霧識別由6部分組成，包括圖像讀取、彩色圖像灰度化、邊緣檢測、煙霧圖像的RGB值統計、煙霧檢測和主程序實現。界面顯示如圖3所示。

圖3 煙霧檢測圖像選取Fig.3 Selection of smoke detection image

利用人類視覺與空間顏色距離的關系，判斷所掃描像素點是否煙霧所在的像素點。通過下面的實驗進行煙霧顏色特征提取，使得準確的煙霧檢測為火災預警提供有利的前期指導，如圖4所示。

圖4 煙霧顏色特征提取Fig.4 Extraction of smoke color features

利用邊緣檢測對火災圖像中亮度變化明顯的煙霧點進行識別，不同灰度值的相鄰區域不連續。利用算子進行煙霧的邊緣檢測，結果如圖5所示。

圖5 煙霧的邊緣檢測結果Fig.5 Edge detection of smoke

通過分析觸發探測器警報時的圖像RGB值，統計獲得基準點計算量?；鶞柿糠植既鐖D6所示。

對應圖3中的fog1和fog12，煙霧顏色特征方法的識別效果如圖7所示。該算法計算復雜度較小，煙霧提取準確。適合顏色較深的煙霧識別，顏色越深檢測越準確，可通過調整RGB值的基準范圍進行泛化。

4.2 小波變換煙霧檢測的實現

在處理連續運動的目標時，將運動中的目標看作噪聲，通過連續幀的圖像累加平均來消除這種噪聲，利用運動中目標圖像序列的平均獲得背景圖像，如圖8所示。

通過計算均值背景、截取視頻幀圖像、運行主函數幾個過程，實現小波變換煙霧識別，結果如圖9所示。

圖6 RGB的基準量分布Fig.6 Baseline distribution of RGB

圖7 提取的煙霧圖像Fig.7 Extraction of smoke image

圖8 煙霧場景及均值背景Fig.8 Smoke scene and mean background

從實驗結果可以看出，基本檢測出煙霧部分，但是由于背景圖像抽取的效果或視頻本身的分辨率及抖動等原因，導致檢測時對煙霧的識別不夠準確。經過多次實驗，證明該方法能夠識別出煙霧，但跟視頻本身的分辨率、視頻拍攝時抖動情況及煙霧的運動幅度有關系。

4.3 兩種算法比較

通過多次實驗結果的比較，發現利用煙霧的顏色特征進行識別的方法適用于較濃厚的煙霧，也就是顏色較深、濃度較高情況下煙霧識別較為準確，適用于工廠、森林等情況下的煙霧識別。算法時間復雜度較低，運算時間較快。

圖9 煙霧識別結果Fig.9 Smoke recognition results

小波變換識別煙霧的方法適用于煙霧運動軌跡明顯、背景差異較大的情況下，適合街道、商場等煙霧運動特征明顯的區域。算法時間復雜度較顏色特征識別高，要求高清圖像，相應的檢測時間也會變長。兩種方法的具體比較見表1.

表1 兩種識別方法比較

5 結 論

1)針對數字圖像處理的煙霧顏色特征識別，達到了識別檢測火災的目的。

2)利用兩種方法的具體過程，進行了煙霧檢測的對比分析。將彩色圖像轉化為灰度圖像并進行二值化處理，在檢測圖像特征閾值的過程中，通過閾值比較，保留疑似煙霧區域，得到煙霧區域輪廓。小波變換通過捕捉均值背景圖像在信號域上的衰弱點來識別煙霧，在煙霧的特點上利用二維離散小波變換，對原始背景圖像的紋理進行提取，判斷紋理趨向模糊的原因，從而對煙霧是否存在進行檢測。最后得出了兩種方法不同的適用場景。

3)說明不同物質燃燒的不同階段煙霧特征也會有所不同，文中只進行了共性分析。關于不同物質的分類煙霧特征研究，將作為進一步研究的方向。