基于OpenCV的火災視頻識別方法探討

熊正，朱沛杰，左冠中

（1.東北林業大學，黑龍江 哈爾濱 150040；2.西北工業大學，陜西 西安 710129）

0 引言

科學技術的進步大大推進了火災預防和救援質量的提升，有效識別火災將會為及時、高效地防控火災提供巨大幫助。現階段，火災識別技術已經逐漸從感煙、感溫探測發展為火災圖像視頻探測，火災識別的高效性、準確性和實用性都得到了大幅提升。為進一步優化火災視頻識別方法，可將OpenCV融入其中。

1 OpenCV概述

OpenCV是一種由C++語言編寫，基于BSD許可發行的跨平臺計算機視覺與機器學習軟件庫，可以在Windows、Android、Mac OS等系統當中運行。目前，OpenCV已經被廣泛應用在多個領域當中，人機互動、人臉識別、機器視覺、運動追蹤和分析、動作識別、圖像分割等領域都可見其身影[1]。它具有強大的跨平臺性，屬于開源的開發工具，可以被免費應用在各個領域當中。

在實際應用環節，OpenCV有著運行速度快、開發目的明確、運行獨立性高、圖像視頻輸入輸出效率高且程序底層與高層開發包完善的特點。而且，利用OpenCV能夠為深度開發計算機視覺市場提供巨大輔助，它一直致力于成為標準API。應用OpenCV可以快速完成圖像數據的分配、釋放、復制和轉換；能夠快速獲取文件與攝像頭中的圖像或視頻并完成二者輸出；可以基于奇異值算法、解方程算法或矩陣積算法處理矩陣和向量；還能夠開展多元結構分析和數字圖像的基本處理，更能有效開展動物體圖像的追蹤分析與運動分割。總之，OpenCV與視頻監控領域的適配度極高，將其應用在火災視頻識別和監控領域，可以提高火焰圖像采集效率、優化火災視頻探測功能，完善火災視頻識別系統奠定基礎。

2 火焰圖像的采集和處理方法

火災發生后，燃燒過程會失控，這是導致火場情況危險而復雜的根本原因。火災發生伊始，火焰特征將會發生明顯變化，而識別和掌握變化規律就是實現火災視頻識別的有效方法。在實際作業環節，技術人員需要合理運行OpenCV，為提高火焰圖像采集和預處理效果奠定基礎。

2.1 圖像采集

技術人員可基于VC6.0開發平臺運行OpenCV，并依托于OpenCV與DirectShow的有機結合完成圖像采集。后者屬于流媒體處理的開發包，能夠實現高分辨率圖像采集，當攝像頭分辨率較高時采集到圖像分辨率也會相對較高。采集火焰圖像時，將快速完成圖像信號與數字信號的轉換，進而實現圖像信息的輸出和儲存，為有效檢測后續目標做好充足準備。

2.2 圖像預處理

火焰圖像預處理則屬于圖像處理前的準備性和輔助性工作，該項工作的主要目的是消除火焰圖像受到的噪聲污染、失真問題，從而讓圖像的可用性得到提升[2]。在此環節，最為主要操作有兩種，其一為圖像增強，其二為圖像復原。開展圖像預處理工作時，相關工作人員應該有效開展位圖與YCbCr圖之間的轉化、灰度化與二值化的調整和圖像的增強。比如，可基于分量法、平均值法、最大值法、加權平均值法開展彩色圖像的灰度化處理；以均值濾波、高斯平滑濾波、中值濾波等方法實現圖像增強。

3 基于OpenCV的火災視頻識別系統

為了真正地發揮基于OpenCV的火災視頻識別方法的價值，相關工作人員需要合理設計基于OpenCV的火災視頻識別系統。而且，在實踐工作中，不僅需明確系統開發設計的工具和運行環境要求，科學規劃系統的火災探測流程；更要明確運動目標檢測與火災圖像特征之間的關系和火災圖像的形態特征處理要點。

3.1 系統設計

設計基于OpenCV的火災視頻識別系統時，需要應用OpenCV、Microsoft Visual C++以及MATLAB等開發工具，并使其在Windows系統當中運行。為保證系統運行質量，還應該為該系統匹配超高分辨率和幀速率可達30幀/秒的USB2.0攝像頭，以及良好的運行環境。在設計環節，Microsoft Visual C++的應用，能進一步提升圖像處理效率，它與OpenCV的融合可以實現高質量的圖像采集、處理、可視化編程。而MATLAB的應用，則可以提升數值計算效率，讓系統的計算機算法更為優越。經過合理設計，基于OpenCV的火災視頻識別系統，在讀取視頻文件后將會完成如下操作：

第一，系統將會自動完成差影圖處理和視頻圖像變化預判操作；第二，在確定發生變化后，將基于視頻圖像的變化閾值，對其進行灰度化、二值化、去噪音處理和火焰面積分析；第三，經過上述分析，將基于火焰面積變化情況、火焰圖像色彩分析情況開展RGB色彩分布判斷和YCbCr火焰顏色與色彩分布判斷；第四，基于灰度梯度分布狀況以及火焰尖角分布情況判斷是否發生火災。

3.2 運動目標檢測算法

火災現場的情況十分復雜，在開展火災視頻檢測與識別的過程中將會受到多種因素干擾，所以有效檢測運動目標、消除背景干擾成為了提高檢測火焰準確度的必然要求[3]。在此環節，相關工作人員可以基于三種算法完成運動目標檢測。其一為幀間差分法；其二為背景圖像差分法；其三為光流法。在實際應用環節，前兩者適用于自然場景，而后者適用于運動的攝像機；三種算法中，幀間差法能夠快速完成運動目標檢測，但目標大多大于實際情況；背景圖像差分法可能高質量提取運動目標，但易受到外界環境干擾；而光流法則有利于獨立運動對象的檢測，但由于算法過于復雜所以并不適用于實際檢測。

3.3 火災圖像的形態特征處理要點

火災圖像的形態特征處理，是實現火災視頻識別的基礎，處理工作的有效性將會直接影響基于OpenCV的火災視頻識別系統運行質效。當火災發生時，現場的整體反應過程都極為復雜多變，所以火焰的視覺特征也會跟隨火場情況而發生變化，那么在掌握這些變化的規律以及節點后，火災檢測人員就能夠基于火焰圖像狀態合理判斷火災情況，進而對火災進行有效識別。為此，基于OpenCV的火災視頻識別系統設計人員應該設計出完善的算法，全面處理從火災現場采集到的視頻圖像，為真實、準確地判斷是否存在火災奠定基礎[4]。

3.3.1 差影圖處理

目前，求出差影圖是實現多圖像高效處理的常見準備方法。在處理差影圖的過程中，可以從直接差影圖和閾值差影圖兩個角度出發。實際上，求差影圖就等同于基于差分法求運動目標，十分有利于檢測圖像的變化情況。通常，攝像頭拍攝的環境圖像變化幾率極小，此時利用火災探測儀進行實時監控會造成資源浪費。但發生火災時，環境圖像必然出現變化，利用算法較小的差影圖來判斷變化情況既能夠保證火災檢測的及時性，又能夠避免資源浪費和設備損耗。

若圖像序列幀數整體以A來表示，并以（m，n）表示圖像的像素點坐標，ft（m，n）表示數字化圖像序列（t=1-A）。那么，大多數情況下A會大于2，而（m，n）∈整個圖像O。在此情況下，各個通道的圖像信號都有穩定的基準圖像，可用f0（m，n）來表示，則在公式△ft（m，n）=ft（m，n）-f0（m，n）當中，若結果為0則無火災，若結果非0則代表有火災，或圖像環境中進入了光源和高溫物體。在差影圖處理環節，還可以使用閾值差影圖。這種處理方法的重點就是取閾值，進而設定圖像變化標準，為準確判斷圖像變化情況做好準備。

3.3.2 真彩圖像灰度化

在處理火災圖像形態特征時，應該合理應用真彩圖像，也就是24位位圖圖像。在應用基于OpenCV的火災視頻識別系統時，應借助于OpenCV庫函數轉變真彩圖像的數據格式，從而有效分析YCbCr火焰的數據分布特性奠定基礎[5]。進行真彩圖像的灰度化處理時，必須有效轉化24位BMP圖的RGB值，從而實現真彩圖像到灰度圖像的轉變，讓灰度分布檢測工作能夠順利開展。

3.3.3 圖像去噪聲

去噪聲處理是火災圖像形態特征處理的必要性操作，主要方法是借由過濾器完成圖像過濾。所謂噪聲，并不是常規意義上的噪音，而是數字化圖像中的無用信息，有效去除這些信息可提高圖像的實用性和火災判斷精準性。在此環節，可基于高斯過濾器、均平過濾器清除噪聲。在OpenCV當中，均值濾波與中值濾波的主要函數存在差異，相關工作人員需要根據實際需要做好函數選擇[6]。

3.3.4 計算火焰面積

精確地計算火焰面積，對準確識別和判斷火災情況有著十分重要的意義。在實踐中，需完成圖像二值化處理，從而獲得二進制位圖，然后再對其進行精確剪取，進而為有效計算火焰面積提供依據。此時，0代表二值化圖像中的背景而1代表火焰，所以計算火焰面積可基于求和運算計算圖像矩陣。

3.3.5 識別火焰尖角

火焰尖角識別也必須基于二值化圖像來開展，通過這種護理能夠區分火焰和感染源，是基于OpenCV的火災視頻識別工作中不可或缺的部分。在實際應用環節，需要全面掃描預處理后的二值化圖像，并以圖像首行、首列和尾列為0。那么，當掃描出非0時，代表該行不屬于尖角的“尖”，需再次進行掃描。需要注意的是，若火焰存在尖角，則需要對其角度進行判斷從而進一步確定其是否為火焰的尖角，讓火災視頻識別結果更為可用。

4 結語

總而言之，基于OpenCV的火災視頻識別系統能夠有效完成火焰識別分析，從而大幅提升火災探測的及時性、準確性、實用性，將會為降低火災風險、提高環境安全奠定基礎。OpenCV技術應用，可精準捕獲火災場景視頻，更能依托于火焰圖像的有效處理，完成火災視頻識別系統編碼，進而為真正識別火災提供支持。