基于視頻圖像的公路隧道火災煙霧檢測

鄧實強，丁 浩，楊 孟，劉 帥，陳建忠

(1.重慶交通大學土木工程學院，重慶 400074；2.招商局重慶交通科研設計院有限公司，重慶 400067)

0 引言

隨著我國公路建設的完善，公路工程已從大規模建設階段轉向運營養護階段。目前，我國是世界上公路隧道發展最快、數量最多、形式最復雜的國家，截至2019年底，我國進入運營養護階段的隧道已有19 067處、18 966.6 km，且每年以10%左右的速度增長[1]。由于公路隧道空間小、封閉性強，使得隧道發生火災事故時，火災趨勢與規模發展迅速，將威脅隧道內行車人員生命財產安全，而且會對隧道設施設備以及結構造成破壞，嚴重影響隧道運營[2]。現階段隧道火災災情獲取主要依靠消防隊員到達現場后抵近偵察，一方面會威脅偵查人員的安全；另一方面，災情信息獲取不及時，不利于現場指揮快速決策，導致救援隊伍和裝備調度滯后，可能引發二次災害，造成更大的傷亡和損失。為保障公路隧道運營安全，有必要對隧道火災煙霧發生進行識別、報警、監測。

傳統感煙探測器檢測原理是當周圍空氣中的煙霧體積分數達到預設的報警值時啟動報警[3]。然而在隧道內，由于早期煙霧的擴散速度慢，加之空氣流動對煙霧粒子體積分數的稀釋，當煙霧經過一定時間到達探測器時，體積分數低于報警閾值導致漏報，而此時火勢可能已經無法控制；且當隧道環境出現嚴重霧霾或者濕度較大情況時，空氣中顆粒物體積分數超過閾值，則也可能造成誤報。因此，傳統感煙探測器易受多種因素影響，不利于隧道火災煙霧的有效探測，且探測器僅有報警功能，無法得知煙霧后續擴散情況。視頻圖像型煙霧檢測技術能夠克服傳統感煙探測器存在的問題并實現功能擴展，能更為準確、快速地檢測煙霧即識別報警并獲得實時煙霧擴散情況。

對于視頻火災煙霧識別檢測，國內外相關學者已有諸多研究并應用于不同場景。劉愷等[4]在YUV色彩空間中分割出疑似煙霧區域，通過均勻局部二值模式和離散小波變換提取出煙霧圖像紋理特征，輸入至AdaBoost分類器進行煙霧圖像識別分類，但當煙霧較少和體積分數較小時，系統無法快速識別。殷夢霞等[5]基于改進的三幀差分法分割疑似煙霧區域，然后提取煙霧圖像的顏色、紋理、能量等特征，利用支持向量機訓練識別模型實現煙霧檢測，但如果存在緩慢移動汽車、飄動樹葉等干擾可能造成漏報區域。Ding等[6]提出了一種在單幀視頻序列圖像中的煙霧檢測方法，用于大空間和復雜場景下的森林火災檢測，根據光譜特征，通過支持向量機(SVM)對超像素塊進行分類，但由于特征較少，使得煙霧檢測的準確性較低，可作為監視森林火災的輔助手段。王媛彬[7]在煤礦場景下進行煙霧識別檢測研究，提出了基于模糊邏輯的圖像增強方法，緩解礦井下照度低和光照不均對視頻圖像的干擾；再利用支持向量機對高斯混合模型提取出的煙霧區域周長面積比、面積隨機性和漂移特性等特征進行識別分類，但由于礦井下光照以及存在太多疑似煙霧區域的干擾，始終導致誤檢率較高。Park等[8]利用煙霧生成器創建了一系列場景的數據集后，使用局部二進制模式描述符提取特征向量，輸入到支持向量機分類器中進行模型訓練，并將該煙霧檢測方法應用至船舶機艙場景中；然而，如果背景和煙霧之間灰度值差低于運動檢測的閾值，則系統無法檢測到煙霧。

由于隧道的復雜性和環境因素的不確定性，已有研究中基于視頻圖像的隧道火災煙霧檢測仍然面臨著巨大的挑戰。雷丹[9]以自行拍攝的實際公路隧道內模擬火災煙霧的視頻為基礎，提取煙霧高斯金字塔圖像下的局部二值模式、圓形度、平均梯度和閃爍頻率等特征作為優化后的支持向量機C-SVC的輸入向量進行煙霧識別，同樣在識別檢測過程中，如果煙霧面積較小或者稀薄時，會導致圖像特征區分不明顯而出現漏報問題。朱國興[10]用T-S模型模糊神經網絡融合煙霧紋理特征的分類方法，對變化不同光照條件的隧道火災視頻進行檢測，但只針對灰白、淡藍和淺黃顏色的煙霧進行研究，需要進一步研究提高通用性。不同于傳統的單一分類器檢測，龐鳳蘭等[11]同時采用支持向量機和BP神經網絡進行煙霧分類，然后利用D-S 證據理論對2個證據體進行融合，得到最終煙霧檢測結果，但2個分類器僅分別輸入一項特征進行識別，在隧道環境中準確性不高。楊孟拓[12]提出基于統計直方圖法的改進方法提取背景，并采用基于塊穩定性的背景更新算法，該背景提取更新方法不同于常用背景提取更新算法，能夠解決光線變化問題，但由于樣本有限，隧道火災視頻和模擬視頻樣本較少，算法的準確性需要進一步測試。

現階段，火災煙霧識別的相關研究主要基于網絡共享數據集，這些煙霧圖像背景單一，動態信息變化較少，而隧道內煙霧變化會影響燈具的照明效果，使得隧道內光環境發生變化；同時，隧道內火災發生情況復雜，煙霧顏色多樣，導致研究算法有局限性，無法應用于實際隧道環境。因此，本文建立了公路隧道模擬火災煙霧以及真實隧道煙霧樣本庫，根據隧道火災煙霧顏色信息、紋理信息、形態學信息對隧道煙霧進行識別，構建隧道煙霧識別模型，實現對隧道煙霧動態識別。

本文基于改進Vibe算法提取的運動區域在YUV顏色空間中通過濾色規則進行疑似煙霧區域分割，然后重點研究疑似煙霧區域煙霧的顏色、紋理特征，計算煙霧的顏色矩、提取煙霧的均勻局部二值模式(ULBP)、灰度共生矩陣(GLCM)，利用多種機器學習分類器BP神經網絡、支持向量機、隨機森林進行模型訓練，區分煙霧和非煙霧，完成煙霧識別。分析結果選取最優算法，并通過錄制的模擬隧道火災煙霧監控視頻以及某隧道火災視頻進行試驗測試，驗證檢測方法準確率。

1 隧道煙霧識別模型

本文隧道火災煙霧識別檢測流程如圖1所示。

圖1 視頻煙霧檢測流程

1.1 運動區域提取

針對隧道火災煙霧向上運動沿拱頂前后擴散的特點與固定交通監控攝像機的關系，采用靜態背景下的運動目標檢測方法提取運動區域。Vibe算法速度快、計算量小，而且對噪聲有一定的魯棒性，檢測區域更為完整，能夠直接運用于交通行業監控視頻的處理中，兼具準確性與時效性[13]。

但原始Vibe算法在進行運動區域提取時存在以下問題：

1)當煙霧擴散遮擋住燈具時，導致路面投射陰影區的顏色值與背景相差較大，路面投影陰影區被誤檢為運動目標；由于照明顏色與煙霧顏色相近，將前景誤判為背景，產生空洞導致運動區域不完整。

2)由于隧道空間狹長，當場景光照有明顯變化時，同樣也會造成運動區域誤檢，將大面積的背景誤判成前景，同時會出現較多噪聲。

3)算法更新過快，有時起始煙霧運動緩慢，會將煙霧區域吸收為背景，導致檢測不到煙霧；算法更新過慢，則會留下陰影。

針對原始Vibe算法存在的問題，對算法進行一定程度的改進，使其更好地應用于隧道環境煙霧運動區域提取，本文采用的改進方案如下。

1.1.1 擴大采樣范圍

使用5×5鄰域建模，將采樣范圍從8鄰域擴展到24鄰域。擴大采樣范圍能避免一個像素被多次采樣，提高初始模型的質量。

1.1.2 增加動態閾值

原始Vibe算法是通過計算當前像素與樣本集中各個像素點之間的歐氏距離D進行前景和背景分割。歐氏空間中像素分類如圖2所示。

圖2 歐氏空間中像素分類

圖2所示歐式空間中，Px為當前點P(i,j)的像素值；以Px為圓心，R為預先設定的半徑參數以篩選近似樣本數量；P1、P2、…、Pn為樣本集Px中的像素值。統計D(x)={d1,d2,…,dn}中樣本距離小于R的點個數count，count為當前像素點的近似樣本數，然后用閾值T進行背景劃分；如果count個數大于閾值T，則認為當前點P(i,j)為背景，否則為前景，用式(1)表示：

(1)

(2)

因此，可適當調整R和T的值來改變模型的靈敏度。原始Vibe算法試驗中R=20，T=2，n=20。

原始算法選擇固定半徑參數R進行像素分類，會導致對背景或光照變化的檢測效果不佳，前景會出現較多噪聲。因此，將其調整為動態閾值，隨著場景的變化而作自適應調整，增強算法魯棒性。本文提出的調整動態閾值方法如下：

首先，取每個像素點到背景樣本集的平均距離meanD(x,y)，meanD(x,y)越大說明當前背景越復雜, 則R需取較大的值, 反之則需取較小值。給定一個參數β，根據背景變化調試為合適的值，取βmeanD(x,y)為閾值判斷標準。動態閾值計算如下：

(3)

式中：r為初始半徑參數；α1、α2、β為固定參數，通過參數調試得到合適閾值，使背景更新更加平滑，本文取α1=0.5,α2=0.2,β=4。

1.1.3 縮小時間采樣因子

原始算法采用比較保守的背景模型更新機制，為了防止緩慢擴散的煙霧被誤認為是背景，造成前景目標的空洞與不完整，調整時間采樣因子φ，放慢背景模型的更新速率。本文取φ=5，算法其余參數不做修改。

模擬隧道火災煙霧視頻運動區域檢測結果如圖3所示。通過OpenCV 中使用概率前景估計算法的BackgroundSubtractorGMG，基于自適應混合高斯背景建模的背景減除法的BackgroundSubtractorMOG、BackgroundSubtractorMOG2以及原始Vibe算法和改進Vibe效果圖對比得出，原始的Vibe算法本身檢測效果優于其他3種算法模型；本文改進的Vibe算法使得提取的煙霧運動區域更加完整，噪聲更少，獲得了較好的檢測結果。

(a)檢測第36幀圖像 (b)GMG算法二值效果圖

雖然改進Vibe算法檢測煙霧運動區域提取煙霧區域較為完整，但依然無法完全消除噪聲以及空洞和殘缺，可進一步利用膨脹、腐蝕、開運算與閉運算等形態學處理操作，去除未消除的小區域陰影像素點及噪聲點，提取出完整的運動目標。掩膜效果如圖4所示。

(a)形態學處理后圖像 (b)掩膜后運動區域

通過運動檢測方法提取出的運動區域不僅包括煙霧擴散區域，還可能包括運動的車輛、正在疏散的人員等。因此，需要對運動區域進一步分割，以得到更加準確的煙霧運動區域。

1.2 疑似煙霧區域分割

雖然運動區域提取確定了火災煙霧區域，但從圖4看出，這些區域中存在顏色與煙霧區別較大的非煙運動區域(如穿著熒光安全服人員)，直接在此結果上進行特征提取、識別會耗費大量時間，影響檢測的時效性。因此，對運動區域進一步進行顏色分割，濾除顏色上與煙霧區別較大的非煙霧干擾。在隧道環境內，燈光干擾較大，而視頻圖像從RGB色彩空間模型轉換到YUV 色彩空間模型中，顏色信息不會受照明亮度變化影響，因此可利用YUV色彩空間進行顏色分割。YUV色彩空間如圖5所示。

(a)RGB圖像 (b)YUV圖像 (c)Y分量 (d)U分量 (e)V分量

提出一種基于YUV色彩空間的疑似煙霧區域分割模型：

(4)

式中：Ut、Vt為在YUV色彩空間中像素點j在t時刻的U、V分量值；用Tmax、Tmin閾值分割出煙霧圖像，取值在Tmin～Tmax即判斷為煙霧圖像，本文取Tmax=128、Tmin=30。

基于YUV色彩空間分割后的疑似煙霧區域如圖6所示。在YUV色彩空間使用濾色分割疑似煙霧區域后，雖然可以消除大部分顏色與煙霧差異較大運動區域干擾，但仍然可能存在極少類似煙霧顏色的運動區域。應從煙霧圖像更本質的特征出發進行深入分析，以確定其是真實煙霧還是類似煙霧。

(a)運動區域 (b)濾色后的圖像

1.3 特征分析提取

煙霧具有色彩、紋理、運動、擴散等多種特征，本文選取顏色矩、均勻局部二值模式(ULBP)、灰度共生矩陣(GLCM)作為煙霧識別的特征判據。

1.3.1 顏色特征值提取

煙霧顏色作為最基本的圖像特征信息，通常可作為復雜識別系統的一小部分[14]。顏色的一階矩μi(均值)、二階矩σi(方差)和三階矩si(斜度)可以描述圖像顏色分布，數學表達見式(5)[15]。顏色矩與顏色直方圖相比簡單高效，而且無需對特征進行向量化。

(5)

式中：pi,j為YUV圖像中第j個像素點i通道分量值；N為疑似煙霧區域內像素總數。

在YUV顏色空間中分離出Y、U、V3通道，可提取9維顏色矩向量。

1.3.2 紋理特征值提取

紋理是物體表面共有的內在特征，與基于像素點的顏色特征不同，紋理特征統計計算圖像區域內的多個像素點，被定義為一個區域內的屬性[16]。圖像的全局紋理可通過局部紋理體現。許多研究表明，通過紋理特征識別煙霧圖像能夠取得較好的效果，可見紋理特征是煙霧圖像的重要特征之一[17]。因此，在隧道復雜環境中通過紋理特征識別煙霧具有明顯優勢。煙霧紋理特征提取中，局部二值模式(LBP)、灰度共生矩陣(GLCM)應用最為廣泛。

1.3.2.1 均勻局部二值模式(ULBP)

局部二值模式(LBP)是由Ojala等[18]提出的一種通過比較像素與其領域像素灰度值得到該像素模式值，并用像素模式值統計直方圖對圖像紋理特征進行描述的灰度紋理算子。局部二值模式LBP算法計算公式如下：

(6)

式中：gc為像素點的灰度值；gP為鄰域內像素點的灰度值；P為鄰城像素點的數目。

在原始LBP算法中，3×3領域內通過灰度值比較，可提取出8位二進制數(再轉換十進制數)得到28=256種模式，即得到該領域中心點的LBP值，并用這個值來反映該局部區域的紋理信息。

由式(6)可以看出，LBP的值僅與兩相鄰像素點灰度值的相對大小有關，因此，在隧道火災發生，煙霧遮擋燈光造成各像素點灰度值發生變化時，中心點像素與其鄰域像素灰度值的相對大小是不變的，所以LBP對光照變化具有較好的魯棒性，可以很好地緩解亮度變化的影響。

為了減少編碼組合模式過多帶來的統計計算難度，Ojala等[8]又提出采用“等價模式”對編碼組合進行降維，提高后續圖像識別分類效率。均勻局部二值模式ULBP直方圖中U值計算如下:

ULBPj(P,R)=|s(gP-1,gc)-s(g0,gc)|+

(7)

ULBP的U值表示LBP模式中相鄰的2個0/1或1/0傳輸的二進制值的個數，因此，U值可以反映局部結構的均勻性，U值越大，說明結構趨于不均勻，變化頻率越高[19]。當P=8、R=1時，ULBP共有59種模式，包含58種均勻模式和1種非均勻模式，并將直方圖中相同U值數量作為對應模式的特征值。圖7示出煙霧圖像和非煙霧圖像的ULBP中模式的概率分布。

(a)煙霧等價局部二值模式值

1.3.2.2 灰度共生矩陣(GLCM)

灰度共生矩陣法(GLCM)定義為從灰度為i的像素點出發，距離為(dx,dy)的另一個像素點的灰度為j的概率，即灰度圖像中某種形狀的像素對在全圖中出現的次數。計算公式如下：

p(i,j|d,θ)=#{(x,y)|f(x,y)=i,f(x+dx,y+dy)=j;

x,y=0,1,2,…,N-1}。

(8)

式中：d為用像素數量表示的相對距離；θ一般考慮4個方向，分別為0°、45°、90°、135°；#為集合；i，j= 0,1,2,…,L-1；(x,y)為圖像中的像素坐標,L為圖像灰度級的數目。

灰度共生矩陣能反映圖像灰度關于方向、相鄰間隔、變化幅度等綜合信息，但并不能直接提供區別紋理的特征，因此，需要在灰度共生矩陣的基礎上提取出用來能夠定量描述紋理特征的統計參數。Haralick[20]于1973年提出14種紋理特征參數，部分統計參數見表1。煙霧圖像和非煙霧圖像(灰色路面)各灰度矩陣(GLCM)的統計參數分別如圖8和圖9所示。

表1 表征灰度矩陣(GLCM)的統計參數

(a)原始圖像 (b)均值 (c)標準差 (d)對比度

(a)原始圖像 (b)均值 (c)標準差 (d)對比度

本文提取關于對比度、標準差、同質度、能量、相關性、角二階距6個灰度共生矩陣統計參數4個方向共24個特征向量，見表2。

表2 煙霧與非煙霧灰度共生矩陣參數的比較

得到圖像顏色矩、ULBP 和GLCM紋理特征后提取出特征向量，便可以利用機器學習算法進行分類識別。

1.4 煙霧識別

煙霧識別即煙霧與非煙霧分類(二分類)，在機器學習中，最常見的問題就是分類問題，能夠完成分類任務的算法通常被稱為分類器(classifier)。支持向量機、BP神經網絡和隨機森林都是常用的監督機器學習分類器。由于隧道內環境的特殊性，采用以下3種分類器進行分析對比研究。

1)BP神經網絡是用誤差反向傳播算法訓練的多層前饋網絡，學習過程包括信號正向傳播和誤差反向傳播，學習過程循環往復，各層權值不斷調整即網絡訓練過程[21]。這一過程持續進行，直到網絡輸出的誤差減少到可接受的水平或到預定的學習次數。

2)支持向量機(SVM)[22]的核心思想是尋找一個最優超平面,將2類樣本數據分割于平面兩側，同時盡可能使得距離該平面最近2類樣本之間的距離最大化，分割就會具有較高的可信度，并且對輸入的新樣本數據具有良好的泛化能力即預測能力。

3)隨機森林由多個決策樹組成。要將一個輸入樣本進行分類，需要將輸入樣本輸入到每棵樹中進行分類。每棵決策樹都是一個分類器，對于一個輸入樣本，N棵樹有N個分類結果。隨機森林將所有分類投票結果進行整合，將投票最多的類別作為最終輸出[23]。

2 試驗結果與分析

以G50S滬渝南線羊鹿山特長公路隧道模擬火災煙霧試驗監控視頻為基礎。試驗場景1、2分別將火源點布置在7#車行橫洞處和8#人行橫洞處，如圖10所示。在8#人行橫洞處與8#車行橫洞處中間為車輛區域，其中包含一輛大客車以遮擋監控視線。場景火源均選用酒精火、油盤火、木質作為燃燒材料。模擬煙霧發生器由發煙腔和導煙筒組成，側壁為單開門，放置煙餅，煙餅可產生白色、低殘留物的氣體。

圖10 試驗場景布置情況

從ZK31+492開始,間隔150 m布置1組4臺攝像機，共5組攝像機，如圖11所示。試驗場景1火源點位于ZK31+222處，距離A-1攝像機270 m，攝像機全部可用；試驗場景2位于A-2和A-3攝像機下方，可用攝像機為其上方以及后方不同距離的攝像機。場景1可得較遠距離完整起煙過程、煙霧漫延至車輛區域以及后方等長距離煙霧擴散的視頻圖像；場景2可得到包含近距離完整起煙過程、近距離車輛遮擋、近距離交通信號燈干擾、近距離煙霧全覆蓋攝像機以及煙霧沿拱頂漫延過程等多類型視頻圖像。

(a) (b)

系統算法搭配環境為win10操作系統，pycharm操作平臺python3.8.4和opencv3。從錄制的隧道火災煙霧試驗視頻中選取不同位置攝像機的監控視頻圖像。共有大小為100×100煙霧圖元940張、非煙霧圖元898張。每張樣本圖元將提取9個顏色矩特征、59 個均勻局部二值模式、24個灰度共生矩陣統計參數特征共計92個特征向量并輸入分類器中訓練獲取分類模型。

2.1 煙霧分類模型評價

在機器學習分類器完成煙霧識別分類后，需要對效果進行評價。本文引入混淆矩陣對支持向量機(SVM)、BP神經網絡、隨機森林3種分類器模型準確性進行分析研究。混淆矩陣能夠直觀反映分類器模型煙霧識別情況，體現分類模型的煙霧識別分類準確性，在混淆矩陣基礎上得到準確率、精確率、召回率以及F1值對分類準確性進行描述。混淆矩陣如表3所示。

表3 混淆矩陣

1)準確率Acc。描述煙霧分類模型總體分類準確程度，其表達式為：

(9)

2)精確度Prec。描述煙霧分類模型分類結果中分類正確的百分比，其表達式為:

(10)

3)召回率Rec。描述煙霧分類模型分類為正的正樣本數和總正樣本數的百分比，其表達式為:

(11)

4)F值。被定義為精確度Prec與召回率Rec的調和平均數，體現了分類決策模型的穩定性，其表達式為：

(12)

2.2 試驗結果分析

表4—6分別為SVM算法、BP神經網絡和隨機森林3種分類器混淆矩陣結果。

表4 SVM算法混淆矩陣結果

表5 BP神經網絡混淆矩陣結果

表6 隨機森林混淆矩陣結果

共對275張疑似煙霧圖像進行測試，通過得到的混淆矩陣結果進一步計算分類器的準確率、精確率、召回率以及F1值，結果如表7和圖12所示。表中數字代表含義參照表3。

表7 各分類器評價指標

根據圖12機器學習分類算法的評價指標平均值對比可知，BP神經網絡與隨機森林的準確率、精確度、召回率、F1值均優于支持向量機(SVM)；BP神經網絡的準確率、精確度、F1值略高于隨機森林，召回率指標略低于隨機森林。

圖12 分類算法評價指標平均值對比

分類器視頻圖像檢測結果見表8。由表可知：情形1煙霧小而稀薄且與背景融合時，3種分類器均無法識別；情形2煙霧較小時，BP神經網絡與隨機森林能夠識別，但支持向量機無法識別；情形3盡管煙霧較大，但由于交通指示燈影響，造成僅支持向量機無法識別。通過對支持向量機特點分析可知，支持向量機在小樣本訓練集上能夠得到比其他算法好很多的結果，但如果樣本圖像特征數較多時(本文92個特征值)表現很差。從支持向量機核心思想上分析也可得知，特征數據過多，支持向量機很難尋找到一個最優超平面將兩類樣本數據分割于平面兩側，分割可信度不夠，泛化能力不足。BP神經網絡模型相對隨機森林模型具有高度自學習和自適應和較好的泛化能力。

表8 分類器視頻圖像檢測結果

綜上，本文采用BP神經網絡分類算法構建隧道火災煙霧識別分類模型。采用訓練好的BP神經網絡分類算法對模擬隧道火災煙霧以及某實際隧道火災煙霧視頻進行測試試驗。

視頻1、2、3為試驗模擬隧道火災煙霧監控視頻，都位于交通信號燈下，煙霧顏色可能改變；視頻4、5為某真實隧道車輛火災監控視頻；視頻6為某小空間光照直射船艙煙霧視頻，來源于網絡。視頻樣本示例及部分檢測效果如圖13所示，視頻樣本檢測結果見表9。具體分析如下：

表9 煙霧視頻檢測結果

(a) (b)

視頻1為初始煙霧檢測，前幾幀由于煙霧稀薄，顏色與背景墻面融合導致漏報，從視頻第5幀開始成功檢測，識別率為99.6%；視頻2、3由于監控攝像機與煙霧位置關系，檢測效果最佳，識別率為100%；視頻4為某真實隧道火災發生后部分截取視頻，黑煙已經開始快速擴散，模型識別數據集中添加黑煙數據集，所以系統可有效檢測黑煙，監測其擴散范圍位置，識別率為100%；視頻5由于隧道襯砌輪廓顏色與煙霧灰色煙霧極其相近，加之燈光影響使得煙霧特征在環境中不夠顯著，造成誤檢和漏報，識別率為80.2%；由于光照影響容易造成誤檢，單獨驗證本文算法對光照影響效果，視頻6前5幀沒有檢測到煙霧，同時第2幀到第5幀造成誤檢，共有誤檢45幀，識別率96.4%，有煙霧存在同時造成誤檢。綜上，在隧道環境中，當初始擴散的稀薄煙霧以及燈光影響下的煙霧檢測會出現漏檢問題，同時監控攝像機與火災煙霧發生相對位置關系對煙霧識別檢測有著一定影響。試驗結果表明，本文方法能夠滿足隧道正常運營情況下煙霧識別，有效排除干擾源，滿足時效性要求，同時能夠監測煙霧擴散后范圍。

3 結論與建議

本文提出了一種有效的基于監控視頻圖像的公路隧道煙霧檢測方法。結合改進Vibe算法和YUV色彩空間濾色規矩分割出完整煙霧區域，以提高檢測效率；使用顏色矩、局部均勻二值模式和灰度共生矩陣提取的特征向量能有效表達煙霧的本質特征；分析選出的BP神經網絡分類器算法能較好地區分煙霧與非煙霧。測試試驗結果表明：該方法在隧道發生火災時具有較高的檢測效率，相對于傳統煙霧探測器，檢測范圍更廣、報警更及時。

1)隧道火災發生初期，由于溫差和壓差使得煙霧首先從著火點(產煙點)向上擴散，在向上擴散的過程中，其邊緣不斷變化，呈現出不規則的輪廓。同時，煙霧受到熱氣流和隧道通風影響，在擴散時煙霧體積分數時刻變化導致圖像像素值不斷變化，增加運動區域提取難度。針對隧道火災初期煙霧擴散和圖像像素值變化等特點，給出一種基于動態閾值的改進Vibe算法，用于運動區域提取。試驗結果表明：同MOG2等算法比較，該算法一定程度上減少了隧道環境影響，能提取更加完整的煙霧運動區域，同時能夠減少噪聲干擾，獲得了較好的檢測結果。

2)顏色是煙霧基礎和重要的圖像特征。在隧道火災初期，煙霧主要呈現為灰白色，在 YUV 顏色空間中，顏色信息不受照明亮度變化影響。因此，給出一種基于YUV色彩空間顏色信息的公路隧道火災煙霧分割模型，能夠有效濾出大量非煙區域。分割出的疑似煙霧區域較完整、邊緣清晰，且對光照有較好魯棒性。

由于公路隧道內照明燈具類型、顯色指數不同，未來可針對具體照明燈具不同影響進行試驗研究，不斷完善煙霧檢測系統，并考慮將煙霧檢測與火焰檢測方法相結合，進一步提高早期火災檢測正確率與時效性。本文制作的隧道火災煙霧視頻圖像數據集，可作為研究實際隧道煙霧識別模型可靠的樣本庫。同時，未來可不斷完善和豐富檢測系統以獲得隧道火災發生后的煙氣擴散情況，為應急救援決策提供精準信息，讓煙霧識別檢測在隧道火災發生后疏散救援工作中發揮作用，使監控視頻煙霧檢測更具意義和應用價值。