基于無人機視覺的森林火情預測

王 君，蒲 磊，黃 寧，陳楷升，梁薇薇，楊振威

(1.中山大學南方學院 電氣與計算機工程學院，廣東 廣州 510970；2.重慶郵電大學 自動化學院，重慶 400065)

0 引 言

森林火災是破壞森林最主要的災害，位居首位，森林火災的發生，直接危及林木、林下植物、土壤以及動物的生存，同時又使人類的生命財產和森林生態環境造成了巨大的危害。森林火災容易失去控制，隨著蔓延擴展，帶來危害和生命財產損失，有突發性強、破壞性大、過火面積大、救助困難等特點。所以，需要發現森林火情，及時發出報警，準確監控火場面積以及燃燒的植被種類。發現自己處在森林火場中，監控系統可以輔助救援決策，輔助向安全地帶迅速轉移[1-3]。基于機器視覺的無人機可用于發現森林火情，能對森林火災進行及時的預警與預測[4]。

隨著無人機技術的創新和普及，其精準、直觀的火場分析數據的特點，使無人機進行森林防火巡查成為趨勢[5]。該文針對單一提取顏色特征的誤檢測，綜合了顏色、尖角數、紋理等綜合特征進行檢測，過濾掉容易干擾結果的因素，并根據實時的火情，預測火勢蔓延的方向和位置，提升對特定區域識別火災情況的預判，為火情救援決策分析提供了依據。

1 森林火情分析

1.1 火焰特征分析

火災是一種復雜的燃燒現象，火焰是重要物理特征[6]。森林火災一般有比較明顯的可見視覺特征，如火焰的顏色、圓形度以及尖角數[7-8]等等。火焰顏色與煙霧是主要的識別要素，其顏色邊緣等特征也更為明顯。

森林火災的出現往往伴隨著煙霧和火焰[9-10]，煙霧因燃燒物的不同而不同。而火焰的顏色特征相對比較明顯，火焰的顏色在紅色到黃色范圍內變動[11-13]。可將尖角數作為是否為火焰的判據。因為穩定的光源尖角數可能會有跳動。火焰圖像中的尖角特征是局部極值點的頂點，在形態上表現為狹長、寬度偏小、高度偏高。

1.2 煙霧分析

森林火災的火焰燃燒時常常會伴隨著大量的煙霧，煙霧包含許多特征參數。森林火災的初期煙霧通常呈現的是青灰色，其煙霧圖像在RGB空間，三個顏色的基色數值非常接近，最大最小的數差通常小于某一值。

通過大量的實驗發現，火焰像素區域的紅色通道值大于綠色通道值，綠色通道值大于藍色通道值。可根據識別火情圖像，設定偏差為±5°。

此外，分析煙霧圖像的紋理特征，其與清晰的圖像有很大區別，這也表明了煙霧圖像的獨特特征[14]。紋理特征的分析方法一般有灰度差分統計法、灰度共生矩陣等。該文使用了角二階矩的統計量來提取紋理特征。其中，角二階矩的定義為：

(1)

式中，Ng表示圖像的灰度量化級，p(i,j)表示灰度共生矩陣。可知，角二階矩值較大表示粗糙紋理，較小則表示細密紋理。

2 森林防火監測系統設計

傳統的火災監測，一般利用火災探測器來實現。而對于森林中的連續區域，如果使用傳統的火災探測器，投入成本較大，維護成本高，而且區域定位不夠靈活，同時，探測器的感知范圍較窄。

為了提高感知的精準度，需要在比較短的距離就要安裝一個探測器，如此大的排布密度增加了火災探測的成本。因此，基于機器視覺的火災監控系統應運而生。

對于圖像型的火災監控系統，直接對火焰進行顏色識別的方法很方便，但其檢測的準確度不高。在環境復雜的情況下，極易受到各種因素的干擾[15]。

單一識別算法導致系統的抗擾動性能較差，降低了系統的識別率，直接影響到了火災的監測。作為監控系統，穩定性是一項重要的指標。

該系統結合火焰與煙霧多特征融合的識別，能極大地提高檢測準確度。為有效提高抗干擾能力，融合多種特點辨別方法將在未來的相關應用中越來越普及。

森林防火檢測系統的識別流程如圖1所示。

圖1 森林火災識別流程系統框圖

步驟總結如下：

(1)系統對實時拍攝到的視頻進行分幀處理，檢測當前圖像與相鄰幀的圖像之間的差異；

(2)結合火焰、煙霧特征提取，通過多特征融合，對獲得的圖像進行色彩、火焰尖角數、煙霧紋理驗證；

(3)分析火情，計算出火焰、煙霧的面積變化以及移動速度，并通過多項式擬合預測火情的趨勢，達到預警的效果。

2.1 火焰識別

圖像輸入系統后，為了排除干擾，增加系統的穩定性，需要對圖像進行預處理。圖像的預處理一般包括增強、濾波、細化幾個方面。該系統對感興趣的區域進行預處理，目的是得到預期的火焰圖像效果。

在對火焰圖像進行預處理后，下一步就是對RGB顏色分量的提取。將這些圖片中的火焰像素點顏色分布與強光高溫等干擾的像素點的顏色分布進行對比分析。通過實驗可得含有火焰的火災圖像的三原色分量滿足一定閾值，從而對火情疑似區域進行分割。

對于檢測森林火災顏色模型來說，還存在諸如夕陽渲染的天空、秋天的葉子顏色等外界因素的干擾。由于葉子的顏色在顏色上與火焰十分接近，所以還要提取尖角數特征加以輔助來判斷是否發生了火災。

將分割后的圖片使用Harris角點檢測算法進行尖角數的提取。對比干擾場景下與火情場景下的尖角數，而紅葉干擾場景下的尖角數數量較少，可以通過尖角數量特征輔助判斷火情。

2.2 煙霧識別

與火災檢測部分類似，輸入待檢測圖像以后，對其進行預處理，適當強化細節、去除噪聲、銳化邊緣并得到供后續識別的圖像信息。在對煙霧圖像進行預處理后，下一步就是對圖像進行HIS顏色空間轉換。

對包含煙霧的圖片和不包含煙霧的圖片進行分析，將這些圖片中的煙霧像素點色度與不含煙霧的色度進行對比。

在H分量直方圖中，可以看見含煙霧的圖像在0.5左右處分量值較大，而不含煙霧的圖像在0.5處的分量值較小，轉化為角度關系可知直方圖0.5左右處的H分量角度值大約在175°±185°區間范圍內。因此，采取H分量值為180°±5°作為煙霧的判定依據。如某張圖像滿足此閾值，則進行分隔提取操作。

單一地提取煙霧特征，可能存在誤判，不足以成為火災的判定條件，還需要同時提取煙霧疑似區域的紋理。綜合紋理特征進而判斷是否發生火災。

可以使用計算共生灰度矩陣，角二階矩值綜合特征來識別煙霧區域的紋理特征。分割煙霧區域后，可以首先計算共生矩陣。然后，通過共生矩陣計算對應的煙霧區域能量。

本系統中使用計算共生灰度矩陣角二階矩值的方法，識別了煙霧區域的紋理特征。并通過分割煙霧區域后，計算共生矩陣。通過共生矩陣計算對應的煙霧區域能量，如圖2所示。

圖2 煙霧能量曲線

可以看出，煙霧圖像區域的角二階矩值(能量)比較大，所以此方法作為判定煙霧是否存在的判據是合理的。本系統把能量閾值設定為0.65。如果輸入的圖像滿足此能量閾值，則判定為發生火災，并發出警報。

3 實驗結果與分析

無人機采集到的照片，信息量大，影響了計算效率，很多干擾影響了識別成功率，所以要先進行預處理去除無用信息再進行后續識別。預處理后得到關鍵特征信息。此外，系統進一步簡化圖片信息數據，得到感興趣區域(region of interest，ROI)。通過ROI處理，可以減少圖片總信息數據量。然后，進行圖像歸一化處理，使識別過程中，減少環境光亮對輸入圖像的影響。通過采集的森林圖像，可以快速識別火焰顏色特征并對火焰ROI區域進行分割，分割后的區域使用Harris角點算法計算尖角數，進一步確定火焰特征。對于煙霧特征的提取，也與上述方法類似。火焰與煙霧區域提取效果如圖3、圖4所示。

圖3 提取火焰圖像效果

圖4 提取煙霧圖像效果

確定為火焰和煙霧區域后，計算該區域的火焰和煙霧區域占整幅圖像的比例。實驗中將連續的7分鐘視頻等間隔采樣，取出7幀進行處理,其中實驗視頻的分辨率為1 280*720。將獲取到的7張火焰和煙霧ROI面積比例使用多項式進行曲線擬合操作，得到火焰和煙霧像素點面積增長曲線。火焰、煙霧區域的面積比例如表1所示。

表1 火焰、煙霧區域面積比例

續表1

通過多項式擬合得到的擬合曲線，可以預測出下一幀的火焰、煙霧面積。如需預測下幾幀的火焰或者煙霧面積變化趨勢，則需要添加實際的下一幀圖像來對擬合曲線參數進行修正，這樣得到的預測結果相對比較準確。

其中，圖5為火焰、煙霧面積擬合曲線圖。從實驗數據可以看出，對原始數據進行合適擬合后的曲線能大致表現火焰以及煙霧的變化趨勢，且通過擬合曲線得到預測第八幀數據(火焰像素點比例3.28%，煙霧像素點比例47.75%)與實際第八幀的數據(火焰像素點比例3.58%，煙霧像素點比例46.8%)，比較一致，火情面積持續增大，需要加強救援措施，如增加救援設備。因此在時間上，提前預警救援方向，并輔助救援決策。

圖5 過火面積、煙霧面積變化曲線

根據實際情況，研究發現，火勢蔓延主要與熱對流、熱輻射和熱傳導有關。熱對流是由于熱空氣上升，周圍冷空氣補充，在附近上方有對流煙柱，集聚了燃燒的主要能量。

在預熱階段，火源的引火，局部可燃物溫度上升，蒸發大量水汽，并伴隨產生大量煙霧。在可燃物呈現收縮和干燥，處于燃燒前的狀態。所以，在初期監控系統可以用煙霧預警為主。

在氣體燃燒階段，隨著可燃物的溫度急驟增加，有黃紅色火焰，這時監控系統以火焰識別為主，煙霧識別為輔。

在木炭燃燒階段，因為碳粒子燃燒，不容易見火焰，以煙霧并火焰的尖角點細化，增加火情判斷的敏感度，防止死灰復燃。

對于檢測運動的目標來說，重心位置是重要的特征。火焰以及煙霧的重心變化在一定程度上可以反映變化的趨勢。同樣的，計算得出的火焰和煙霧區域重心坐標也可以使用多項式進行曲線擬合，火焰和煙霧重心坐標的原始數據與擬合后的橫、縱坐標變化曲線分別如圖6、圖7所示。

圖6 火焰重心坐標變化曲線

圖7 煙霧重心坐標變化曲線

得出了預測幀與實際幀的火焰、煙霧重心坐標。通過擬合曲線可以預測下一幀的火焰的重心坐標(238,395)和煙霧的重心坐標(275,287)，與實際火焰的重心坐標(247,392)和煙霧的重心坐標(256,271)。最后通過坐標變化散點圖體現重心移動的方向性，如圖8所示。

圖8 火焰、煙霧坐標相對位置變化趨勢

雖然預測存在一定誤差，但在判斷火情發展趨勢的時候，為了使預測更加準確，同時結合火焰以及煙霧區域的重心坐標移動方向和面積變化，可以對下一幀的火焰區域進行預判，依次按時間遞推。提前發出預警，設定非安全區域，并用無人機機器視覺監控火場面積以及燃燒的植被。在森林火場的區域范圍中，監控系統可以輔助救援決策，輔助向安全地帶迅速轉移。

4 結束語

該文設計了基于圖像處理的森林防火檢測系統。針對單一的火焰識別技術容易受到環境的影響，提出了基于多特征識別相融合的識別系統。系統提取顏色特征、紋理特征以及能充分表明火焰存在的尖角數特征，通過多種特征的綜合識別，并分別在預熱階段、木炭燃燒階段，根據實際情況，調節各個特征的敏感度，從而判斷森林火災和火情預測。該系統采用多特征融合判斷方式，判斷的準確率較高，并且通過仿真表明，該系統能在很大程度上降低森林火災干擾因素的干擾，對復雜的森林環境也有很好的適應性。使用多項式擬合，能在一定程度上預測火災的趨勢，為搶險工作提供參考。