图像火灾探测

图像火灾探测（精选7篇）

图像火灾探测 篇1

第一代商用的视频图像检测(Video Image Detection,VID)火灾探测器出现在2000年左右,它在原有的辐射能量型火焰探测器基础上做出改进。VID使用黑白CCD获得火灾特征,而不是传统技术中使用的紫外或红外光谱传感器。传统的辐射能量火焰传感器可测量预先定义的单个或多个波长的能量总和,以此确定测量的信号是真实的火灾,或是错误特征干扰。然而,VID改变了算法,通过测量光强、颜色、形状、移动、闪烁频率和每帧图像时间的改变确定火灾。两年以后开发出可以检测烟雾的VID软件,宣称可以配合现有的安防摄像头,安装在客户现有的个人电脑上使用。但是随着摄像头技术的进步,分辨率增高,产生太多的附加数据,使现有的软件无法正常工作。另外,如果在黑暗环境下烟雾识别软件也无法工作。在以上技术的基础上,2005年出现第二代VID火灾探测器,它将火焰探测和烟雾探测结合起来,使用高感光或者内建红外光的摄像头,并使用数字信号处理器完成视频图像的处理和检测算法。2008年出现的最新一代VID火灾探测器,将火焰和烟雾的视频图像检测紧密结合,有效整合成一个产品。

1 视频图像检测火灾探测技术

基于视频图像检测技术的火灾探测器,包括一个常规彩色摄像头、一个红外摄像头,一个红外光源,图像俘获处理和数字信号处理器(DSP)。使用红外摄像头是为了增强探测器检测火焰并减少误报的能力。红外摄像头提供的图像中只能看到火焰和热源。红外光源使探测器能在黑暗的环境工作,特别是检测烟雾火。图1为探测器的结构示意图。

探测器可以将视野分为16个子区域,包括重要监控区域和非重要监控区域,重要区域可能存在的错误和干扰源或者火灾发生的可能性非常小。DSP中装载了智能图像识别和处理算法。首先输入来自常规彩色摄像头和红外摄像头的数字图像,然后通过数据滤波处理、背景学习和建模、物理特征分析、数据融合、报警可行性计算,最后输出。算法流程如图2所示。

VID系统有两种类型的报警输出——烟和火焰。火焰和烟信号的识别和处理是分离的。在探测中,一帧或多帧图像被放上疑似火焰或烟雾的标记。这些标记在视频屏幕监控器中被追踪并显示。DSP将量化和处理来自多张图像的烟雾和火焰特征。一旦烟雾和/或火焰特征的可能性超过预先设定限度,图像帧的颜色将从绿转红。然后,探测器发布火灾报警给本地火灾安全系统,同时VID火灾探测器上的报警灯也打开。

VID系统可作为独立的火灾探测器使用,视频处理和报警算法执行在探测器内完成。也可组成中心化检测系统,单个计算单元可连接和处理8个以上的摄像头信息。VID探测器会将烟和火灾的检测灵敏度分为5级,1级最高,5级最低,3级是VID探测器的默认灵敏度等级。灵敏度的等级可根据应用的环境调节。探测器摄像头的视野决定了在VID系统应用中的性能。可通过使用不同的透镜调节视野大小,默认设置是32°。

2 技术比较

现有5种火灾探测技术,包括:视频探测器、线型温度探测系统、火焰探测器、烟雾探测系统和点式探测器[3],其性能比较列于表1。

3 结束语

视频探测器结合了火焰探测器和烟雾探测系统的功能,基本可以取代后面4种技术。点式探测器主要是和火灾安全系统中的水喷淋头结合使用,探测对象包括温度、烟雾以及气体等。线型温度探测系统包括传统的基于电传感的感温电缆、新型的拉曼散射感温火灾报警系统(欧洲)和光纤光栅感温火灾报警系统(中国)。这些新型的基于光纤传感技术的火灾报警系统具有探测区域范围广、受环境影响小以及可靠性高等优点。VID火灾探测技术和其他技术比较起来有反应速度快,定位火灾的同时可监测火灾的发展。但是可靠性和有效性不确定,因为该技术受环境影响较大,如:镜头被污染及应用现场能见度低等。VID火灾探测技术可作为辅助手段配合感温火灾探测系统一起工作。

图像型火灾探测预处理方法综述 篇2

关键词：图像型火灾探测,预处理,火灾图像

火灾是人类常见的灾害之一。当前运用数字图像处理技术进行火灾的早期探测成为火灾预防及扑救的一个重要的研究方向。从20世纪70年代至今,图像型火灾探测的研究成果很多。通过文献调研,成果主要集中在火灾图像特征的选择和提取、火灾图像分割、多特征智能融合和火灾探测抗干扰测试等方面,关于火灾图像的预处理则没有专门的研究。然而,火灾图像的预处理在图像型火灾探测中却扮演着重要角色,它是后续火灾图像处理分析的基础,预处理结果的好坏间接地决定了图像型火灾探测效果的优劣。因此,笔者以当前图像型火灾探测研究成果为基础,综述不同应用环境下主要的火灾图像预处理方法,在此基础上通过对比各种预处理方法的优缺点,提出未来预处理方法的发展方向、应用以及图像型火灾探测系统研发的策略,从而为日后更好地研究及设计图像型火灾探测系统奠定基础。

1 预处理的定义

预处理一般的定义是在进行最后加工完善以前所进行的准备过程。具体在不同的行业或领域,会有不同的解释。在图像型火灾探测中,有关图像预处理的定义很多,代表性的有以下几种:

一是对摄像头在采集视频图像和视频压缩传输的过程中可能引入的噪声(如高斯噪声和脉冲噪声)以及编码过程中产生的块效应等的处理,还有滤除图像的高频干扰和图像增强手段的应用等操作。

二是对火灾中产生的对烟雾、火焰(红外或可见光)的识别形成的干扰(烟气,如水雾和汽车尾气等;稳定火焰,如蜡烛和有火烟头等;发光物体,如车灯和探照灯等)等的排除操作。

三是对视频图像有无火灾异常的预先分析和判断,它是对原图像序列与基准图像相减后的差值体现序列{δi(x,y)}进行二值化后的可疑火焰区域通过面积阀值法进行究竟是噪声区、火焰红外区域还是可疑的火焰区的判别。

四是对应用某种多图像特征智能融合方法(神经网路、支持向量机等)中,对信息的标准化和归一化处理。

从上述预处理的定义不难看出,其目的是噪声去除、干扰去除、异常判断和数据标准化等,服从于特定火灾探测的需要。笔者认为,预处理的定义以人们在研究中关注的焦点为前提。有的研究者关注火灾特征的提取,图像预处理则是通过对获得的图像进行一系列处理来达到图像特征计算所需的图像条件,这时预处理可能包括图像的滤波、阈值分割、二值化、边缘提取和种子填充等;有的研究者关注火灾图像分割,则图像分割前的一切图像处理操作,如对图像传输中噪声分析及处理则是预处理;有的研究者关注的是图像型火灾探测系统的设计及开发,则对视频图像有无火灾异常的预先处理和判断则为预处理。如果关注的是火灾图像特征的智能融合,则上述关注焦点中的预处理、图像分割以及分割目标的二值化连同特征提取,统称为预处理。

2 图像型火灾探测中主要使用的预处理方法

预处理的定义有多种,在具体的火灾探测应用研究中,所使用的预处理的方法也不一样。但从图像型火灾探测的效果和实时性两方面考虑,笔者倾向于预处理应仅包括在火灾图像分割前对火灾视频图像所做的各种处理。预处理操作不能太多,在火灾探测的整个生命周期中仅占小部分。笔者分别从红外图像、可见光图像(火焰和烟雾)探测等方面进行综述。

2.1 红外火灾图像探测中的预处理

火灾发生时阴燃、火羽流和火焰的红外辐射集中于850~2 000nm波段,在系统中采用带有红外滤镜的CCD摄像头探测火灾比较可靠,使该波段的红外辐射形成视频信号,其他波长的信号(如可见光)则被滤掉,同时阴燃和火羽流所产生的红外辐射的形状及动态特征与火焰相似,具有明显的可识别特征。因此,利用红外图像处理技术进行火灾探测具有明显的优势。

2.1.1 噪声去除

该预处理是为了去除或减弱图像帧中的噪声干扰,这样可以突出图像中火焰区域特征。由于多方面的来源,包括电和热的,一般视频会引入一些不必要的噪音,文献[5]通过预设阀值的方法消除了热辐射对视频造成的噪声干扰。但常用的去噪方法有均值滤波和中值滤波这两种方法,文献[6]针对矿井下湿度高、粉尘大和机电设备多电磁干扰大等问题,采用3×3的方形中值滤波进行图像平滑以达到去噪复原、消除孤立点和脉冲干扰的目的;文献[7]采用了图像平滑方法来滤除井下电磁信号形成的各种噪声,并用直方图均衡化增强了图像的对比度,提高了矿井下模糊图像的质量。这些图像预处理方法比较成熟,容易操作,但这是对整个图像而言,并无考虑图像中的各部分像素是否被污染,可能会破坏疑似火灾图像的一些重要细节。

2.1.2 非噪声干扰的排除

该预处理可以排除一些固定火焰或稳定光源的干扰,因为火灾中固定火焰或稳定光源的红外图像面积(热辐射形成)是稳定的,连续多帧图像一般无图像变化。鉴于此,文献[7,8]采用了对相邻图像进行减运算以检查两幅图像间是否有变化(见式(1)),从而排除干扰;对于这些干扰,也避免了对它们必要的复杂图像处理和判断。文献[9]采用和文献[4,7]相似的方法,但采用了连续若干帧图像与一个选定的基准图像p0(x,y)做减法运算。

式中:Δpi(x,y)表示比较的结果;pi(x,y)和pi-1(x,y)表示比较的两帧图像;‖表示逻辑或。

该方法操作简单,容易排除火灾探测中固定火焰或稳定光源的干扰,但|Δpi(x,y)|的阀值ε和基准图像p0(x,y)确定难有统一的标准,而且当有风吹动或其他因素(电源不稳定)干扰使得固定火焰或稳定光源发生动态变化时,则减法排除法难以发挥作用。

2.1.3 疑似火灾区域的预判

对应于前面预处理定义三,文献[1,2,10]等对每通道原图像序列{fi(x,y)}与基准图像{f0(x,y)}的差值体现序列{δi(x,y)}(公式(2)),运用直方图平滑法得到的二值化阀值进行二值化,并消除由不可测因素引入的孤立点得到后的图像{b'i(x,y)},对为1 的像素进行标记,得到{b'i(x,y)}中每帧中的可能火焰区域 Ωi的面积Si,Si分别通过与2个阀值fza和fzb做对比,实现对变化区域是到底是噪声点,还是火灾火焰区和可疑火焰区的判断。

该预处理算法简单,理论上可行,可以避免无用的后续的火灾分析和识别操作(例如图像分割、特征提取和融合、火灾判断),能提高火灾探测的实时性,原因是大部分的时间火灾探测现场是正常的情况,并没有火灾发生。但在现实中却存在2个重要的缺陷:一是公式(2)中基准图像{f0(x,y)}难以确定;二是fza和fzb也难以确定。重要的是缺陷二即使解决了,也往往是经验值,会导致基于该方法的火灾探测算法适用范围非常有限。

2.2 可见光火灾图像探测中的预处理

可见光图像包含的信息丰富,在火灾探测中具有得天独厚的优势。目前,国内几乎所有的公共场所和主要街道都已安装用于安保的普通摄像头,通过加装图像型火灾探测算法,无需额外硬件费用,只需软件升级,可实现可见光火焰的早期探测。在可见光火焰图像探测中,根据具体探测环境和条件,研究者运用的预处理手段多种多样。

2.2.1 图像格式变换

图像格式变换是火灾图像探测中重要预处理操作之一,主要有三种:

一是对监控视频图像数据进行采样后的YUV格式转换为24位RGB真彩色格式,如式(3)所示,这是后期在RGB空间分析及提取火灾颜色图像特征的需要。

二是RGB图像转换为灰度图像的灰度变换,如加权公式(4)所示,其重要目的是减少计算量。

式中:Gray(x,y)为灰度图像坐标(x,y)处的灰度值;R(x,y)、G(x,y)、B(x,y)分别为原图中坐标为处的R、G、B分量值。

三是为了改善图像的视觉效果,方便对图像特征提取和识别,将灰度图转化为RGB颜色空间的彩色图像。

2.2.2 图像对比度增强

不确定环境下火焰相关图像容易受到光照强度的干扰,直接对灰度图像进行处理效果不好,通过灰度均衡化技术对图像进行预处理能够使图像在灰度范围内能进行更大的拉伸。文献[10]通过线性灰度调整(见式(5))对视频图像进行了增强;文献[13]针对恶劣环境对火灾图像可能导致的图像模糊和存在一定程度的噪声问题,对图像进行了中值滤波以及基于拉普拉斯(Laplacian)模板的锐化增强手段;文献[14]针对回转窑烧结过程中烧成带状态的准确识别,在预处理阶段基于压缩Gabor滤波器组增强了具有不同纹理特性的物料区域和火焰区域的可分性;文献[8]在基于图像处理技术识别输电线路走廊烟火的预处理阶段选择对比度受限的自适应直方图做均衡化方法处理图像以增强视频图像;文献[11]对灰度值对应的直方图采用直方图均衡化技术消除不同环境光照对采集得到的每一帧的影响。

式中:变换后的图像g(x,y)灰度范围为[c,d];原图像f(x,y)灰度范围为[a,b]。

2.2.3 干扰的滤除

如前所述,基于可见光火焰图像探测中,视频图像也会有噪声问题。文献[8,10]针对烟火视频在数字化和传输中,会受到成像设备或外界随机信号干扰,致局部特征模糊,影响图像质量,采用滤波模板为3×3像素方形中值滤波法滤除图像的噪声信号,且不破坏烟火目标图像的边缘。文献[15]为抑制噪声,采用窗口大小为3×3的中值和高斯滤波器增强图像,保证了图像质量。由于中值和高斯滤波只是在每一帧图像内消除噪声的干扰,此外被监控现场可能还存在大量具有火焰、烟雾相近颜色的静止目标,这些虽然不是噪声,但它们的存在严重影响探测准确率的提高和系统性能。为了减少具有火焰、烟雾相近颜色的背景目标的干扰,还采用了混合高斯模型对背景进行建模。文献[13,16]应用背景消减法获得前景运动目标,从而消除那些静止背景目标的干扰。混合高斯模型和背景消减法是在帧间、时间序列上进行处理的,能够抑制大量具有火焰、烟雾相近颜色的背景目标的干扰,提取的前景运动目标是后续的特征提取、识别的基础。文献[11]针对在不同环境下不同设备采集到的视频图像在视觉感知上具有较大的差异性和采集过程中的噪声会对图像的质量造成影响,为避免对之后的处理造成很大的影响,在火灾检测的预处理阶段采用核函数大小为3×3的高斯模板来消除噪声点。

2.2.4 疑似火焰区域的预判

同红外火灾图像探测类似,可见光模式下,疑似火灾区域的快速预判有助于火灾探测实时性的提高,并减少不必要的重复的图像分析处理。目前,主要有两种方式进行预判:

一是可见光火灾图像灰度化后,为快速判断疑似火灾区域的有无,图像减法或面积阀值法常作为重要的火焰图像有无的预判方法。文献[10]采用图像减法(见式(2))实现了火灾疑似区域的快速预判,从而方便后续对图像特征提取和识别。

二是利用火焰的颜色特征(如基于特定区域颜色值范围)判断。当前有许多的火灾探测系统在预处理阶段使用颜色进行判断;文献[17]使用RGB颜色通道信息分别创建了消防的规则,在预处理步骤中使用了一个移动的检测算法。文献[12]根据火灾中火焰颜色以红色为主的事实,对视频流中的每帧视频图像进行基于有无红色区域的火灾预判(见式(6)),从而减少不必要的后续火焰判断处理。

式中:pi(x,y)为图像的RGB值;[R1,R2]为实验确定的火焰的红色阀值。当pi(x,y)∈[R1,R2],有可疑火焰,可进入下一步的火焰的判断;否则,则判定无火焰,进入下一帧图像预判。

该方法给研究者的启示是其他颜色的火焰的识别可以采取类似的方式,但环境中光照和日光变换难以使得类[R1,R2]的颜色区间取固定范围值。

除过上述各种预处理,实际上灰度图像的二值化也是重要的预处理操作,是几乎所有的图像型火灾探测中都必须面对的步骤,该问题的关键是寻求最优二值化阀值,当前已经很多的算法,笔者不再赘述。

2.3 烟雾探测的预处理

火灾发生时,烟雾一般优先于火焰产生,因此在火灾的早期探测中具有很好的发展潜力。此外,烟雾不容易被障碍物遮挡,所以基于烟雾图像的火灾探测具有火焰图像火灾探测所没有的优势。在烟雾火灾图像探测中,依据具体的探测环境和条件,研究者运用的预处理手段也是多种多样。

2.3.1 加速图像处理

为便于烟雾火灾视频分析,文献[18]在烟雾特征提取之前将灰度化后的火灾视频图像进行了分块标记,从而加速后续火灾视频分析。文献[19]为了准确提取图像中的烟雾区域,运用Matlab对林火报警图片进行剪切和直方图均衡化的预处理,剪切是为了从复杂的背景图像中初步提取出关键部分,去除不必要的图像区域,这样能够有效减少处理的数据量,提高处理速度。但是,如何确定不必要图像区域则无专门说明。

2.3.2 噪声滤除

文献[20]在基于灰度位平面和林火烟雾区域自适应相结合的方法识别林火烟雾中,在得到灰度位平面后提取信息之前,为了能够更准确地利用高位图像的信息,采用了均值滤波对灰度图像进行弱化低位信息以稳定或平滑高位信息的措施来对图像进行预处理。文献[21]在对烟雾、火焰和烟雾进行两级检测的预处理阶段将输入的每帧图像通过平滑滤波进行消除噪声。文献[3]在基于图像型的火灾烟雾监测中,针对光照强度、光线变化、摄像机或镜头参数和随机噪声等会降低所采集图像的质量并影响视频技术的应用,取5×5邻域内的点,排序后运用中值滤波去除其中的最大值、最小值后再用均值滤波方法取均值,从而较好地排除了随机噪声和脉冲噪声对当前像素的影响以实现对采集到的图像进行图像增强。

2.3.3 图像格式转换

文献[22]对平滑滤波后的烟雾、火焰和烟雾图像进行RGB彩色图像转换为灰度图像以进行后续分析处理。文献[21]针对火灾早期预警以及危险化学品气体泄漏的在线检测,采用四阶段的早期烟雾视频检测中的图像预处理,采用了F={ω1R+ω2G+ω3B|ωi∈[-n,n],i=1,2,3}线性组合来将彩色图像转换成灰度图,再进行识别处理,避免了常用的式(4)或(R+G+B)/3 线性组合会将完全不同的颜色值转变为相同的灰度值以及丢失图像颜色证据的弊端。

2.3.4 图像增强

文献[21]为了准确提取图像中的烟雾区域,运用Matlab对林火报警图片进行剪切和直方图均衡化的预处理,直方图均衡化是为了利用图像直方图调整图像的局部对比度,这样可以很好地拉伸灰度级,更好地区分了烟雾和非烟雾区域的灰度特征。

3 图像型火灾探测预处理技术的发展

综上,图像型火灾探测中运用的预处理技术是多种多样的,其技术的应用取决于具体火灾探测现场的需求。任何技术的发展的动力均来自于应用,预处理技术也不例外。因此,图像型火灾探测中预处理技术的发展一方面会随着数字图像技术发展,会出现一些新的图像处理技术运用到图像型火灾探测的预处理中;另一方面,在面临新的火灾探测问题(新环境、新条件和新需求)时,也会根据实际催生一些新的或变种(上述预处理的完善或某些技术的融合)的预处理技术。预处理技术并不局限于上述综述的技术,仍会随着图像处理技术的发展和图像型火灾探测智能化的要求而发展。

4 预处理应用及系统研发的策略

鉴于图像型火灾探测中不可预期因素(如噪声和干扰)很多,笔者认为任何一个火灾探测系统不可能包含所有的预处理机制,重要的原因包括如下几点:

(1)火灾探测系统的实时性要求不允许有过多的预处理操作;

(2)噪声及干扰的产生具有一定的原因和场景,因此不是所有的火灾探测环境都需要所有的噪声和干扰预处理处理操作。

鉴于上述原因,图像型火灾探测系统设计时的预处理策略如下:

(1)提供多个预处理选项,供用户根据情况选择;

(2)火灾探测系统设计时,通过参数化设计,把一些指标暴露出来。例如,一些精度指标、实时性指标和抗干扰指标(能够有效避免那些类型的干扰)可以由用户根据探测环境和要求进行自行设置或关闭,从而满足不同的探测需求,也避免了部分研究者对图像型火灾探测系统盲目追求普适性或通用性的研发误区。

笔者认为,图像型火灾探测系统其他模块的设计也应如此。关于整个探测系统,可以基于多工作流模式设计,一个工作流对应一种探测需求的技术集合(实际对应一个有特定探测需求的探测系统),工作流引擎依据应用需求可以自动唤醒对应的某个或某几个经组合的工作流模式运行的“多”图像型火灾探测系统。

5 结束语

图像火灾探测 篇3

王媛彬等提出了基于图像特征的火灾火焰识别方法, 首先选取火焰疑似区域, 再通过提取火焰纹理特征和形状特征对火焰图像进行分析、决策, 最终判断是否有火焰产生。Zhang等将概率分析方法引入到视频火焰探测中, 根据划分的方格区域内的RGB分布情况预选出疑似火焰区域, 然后根据连续两帧图像中可疑区域的面积大小变化情况实现最终的火焰检测。该方法具有较好的数学理论基础, 为视频火灾探测提供了一个很好的发展思路, 但忽略了很多火焰在图像上表现出的显著特征, 导致很多干扰无法得到有效排除, 实用性不强。

针对以上视频火灾探测方法的不足, 笔者将单帧图像中火焰在RGB和HSI空间的颜色模型和火焰的闪烁特性结合起来, 提出一种基于连续帧图像中区域面积变化的火灾探测方法。首先利用RGB-HSI颜色模型筛选出疑似火焰区域, 再结合区域跟踪算法和面积极大值统计计算出疑似火焰区域的闪烁频率, 并将该频率与火焰闪烁频率进行比较, 从而实现火灾探测。

1 疑似火焰区域的选取

疑似火焰区域的准确选取是火灾探测算法的基础, 笔者选择RGB-HSI颜色模型作为单帧图像中疑似火焰区域的选取工具。

1.1 RGB-HSI颜色模型

尽管因为火源和燃烧环境的不同, 火焰颜色有很多种, 但最初火焰的颜色为红色到黄色。该颜色范围在RGB颜色空间对应为R≥G>B。同时, 火焰是一个光源, 其在RGB图像中的主要分量R应该大于一个阈值RT, 在HSI颜色空间中的饱和度也应大于一个阈值。根据以上火焰颜色特性, Chen等推导出3个火焰图像决策规则来提取火焰图像, 如式 (1) 所示。

式中, RT、ST分别为R颜色分量、S颜色分量的阈值。关于火焰像素点的R值和S值之间的关系, 如图1所示。根据大量实验结果统计得到, ST和RT的取值范围分别在55~65和115~135之间。

1.2 疑似火焰区域的选取

为了检验上述颜色模型选取疑似火焰区域的准确性和可靠性, 笔者对含有几种常见干扰源的火焰图像进行了处理。从检测结果可以看出, RGB-HSI火焰颜色模型提取的区域轮廓非常清晰、准确, 而且对于疑似火焰区域基本不存在遗漏的情况, 很适合与动态特征结合进行火灾探测。因此, 选用该火焰颜色模型进行疑似火焰区域的选取。

2 连续帧图像中疑似火焰区域的面积变化

2.1 面积

面积可描述连通区域的大小, 经过图像分割获得的二值图像f (x, y) , 统计二值图像中像素点为1的像素点个数, 计算出火焰或者干扰图像的面积, 面积的计算公式如式 (2) 所示。

式中:Ωi为某个需要进行度量的连通区域;f (x, y) 为像素值。

2.2 连续帧图像间的区域跟踪算法

火焰的形状不规则, 其形态特征变化极易受自然环境的影响, 体现在连续帧图像上就是难以准确进行特征匹配。因此, 常见的视频跟踪算法, 如基于特征的跟踪算法、基于轮廓模型的跟踪算法以及基于预测的跟踪算法等在视频火焰探测上的使用效果并不理想。由于火焰的燃烧依赖于可燃物, 而常见的可燃物具有空间上的连续性, 可以认为, 在极短时间内 (以采样频率为30帧/s的普通监控摄像机为例, 连续10帧图像的时间间隔也才1/3s) 火焰在固定区域燃烧。针对上述火焰燃烧特性, 笔者提出了一种基于区域的跟踪算法, 并在MATLAB平台上予以实现。

(1) 使用bwlabel函数分别对当前帧图像It和前一帧图像It-1进行区域分割, 如式 (3) 、式 (4) 。

(2) 将当前帧图像It对前一帧图像It-1做差, 得到运动图像Mt。

(3) 遍历St中各区域, 统计对应位置Mt图像中值为1的像素点个数Ni (i为区域标记) ;若Ni>0, 则进入步骤 (4) ;否则继续搜索第i+1区域, 直到遍历结束。

(4) 计算当前帧图像第i区域的质心坐标[Xit, Yit]和前一帧标记图像St-1各区域的质心坐标[Xjt-1, Yjt-1] (j=1, 2, …, Numt-1) , 计算当前帧图像第i区域与前一帧图像各区域质心坐标的像素距离, 如式 (5) 所示。

(5) 因火焰在短时间内在燃烧区域较为固定, 故可认为质心坐标最相近的两区域为相邻两帧图像中同一可疑区域的对应区域, 即若Dti, k=min (Dti, j|j=1, 2, …, Numt-1) , 则认为Sit和Skt-1为相邻帧图像中的对应区域。

(6) 通过连续标记实现多帧跟踪。

2.3 疑似火焰区域面积变化

为了研究连续帧间火焰面积的变化规律, 笔者选择了几种常见标准火和干扰源的视频进行分析。面积的选取是基于上节中所述的RGB-HSI颜色模型提取的, 实验火在大小为33cm×33cm的正方形油盘内燃烧, 摄像机采样频率为30帧/s。实验结果如图2所示。

从图2的面积变化情况可以看到, 相比于干扰源, 火焰的面积变化频率要快, 而且在一定时间段内呈现出围绕平均值上下抖动的特性。因此, 可以通过统计该时间段内面积达到极大值的个数来计算其闪烁频率。

2.4 识别模型的建立

设对于N帧连续图像中, 疑似火焰区域面积达到的极大值个数为k, 则可计算该面积的闪烁频率F, 如式 (6) 所示。

为了排除噪声干扰以及非火干扰源的无规则跳动, 需加入两个限制条件。

(1) 相邻的极大值和极小值之差需大于面积平均值的百分之一, 如式 (7) 所示。

(2) 相邻的极大值和极小值必须位于平均值的两侧, 见式 (8) 所示。

分析样本的面积闪烁频率, 如表1所示。

由表1可知, 火焰区域面积的闪烁频率要远大于干扰源, 这是因为火焰本身的闪烁频率主要在7~12 Hz范围内, 而常见的干扰源的闪烁频率要远小于该频率。因此, 可以将此作为剔除干扰源的判据。

3 实验与分析

为了验证本文提出的火焰识别方法的有效性和适应性, 论文对不同类型火焰和干扰视频进行了检测 (识别频率阈值设为5Hz) 。具体做法为:先读入连续90帧 (3s) 图像, 然后对这90帧图像进行跟踪并分析面积变化情况计算出闪烁频率, 实现判别, 如果面积变化情况满足识别模型, 则报警并记录检测的反应时间和框图显示;如果不满足识别模型, 则继续下一帧图像, 从第2帧到第91帧重新判别。

3.1 酒精火实验

实验火在大小为33cm×33cm的正方形油盘内燃烧, 摄像机采样频率为30帧/s, 图像分辨率为320×240。

由于该组实验的火焰视频属于无干扰的标准火, 所以检测效率非常高, 前90帧图像就满足了识别要求, MATLAB实验平台上的反应时间仅为2.309 767s, 完全满足标准报警时间要求。

3.2 远距离强光背景下的火焰检测

实验在空旷厂房中进行, 采用煤油和汽油按2∶1比例混合油作为火源, 油盘大小为33cm×33cm, 探测距离为15m, 图像分辨率为1 280×720。现场存在较强自然背景光、白色塑胶管等干扰。

因为该实验视频图像分辨率高, 而且从图2 (b) 看出疑似火焰区域较多, 场景复杂, 所以第95帧时才实现探测, 反应时间为8.061 442s, 依然准确检测出了火焰区域, 并达到了火灾报警时间要求。

4 结论

根据火焰的闪烁特性, 提出了一种基于连续帧图像面积变化的火焰识别方法, 该方法具有简单、快速、适应性强等优点, 能排除多种非火干扰源影响。根据火焰的运动特性提出了一种基于区域的跟踪算法, 并通过不同的火焰视频验证了识别方法的有效性和鲁棒性。这种利用普通摄像头采集的视频信号进行火灾图像识别的方法, 具有较高的实用价值。

参考文献

[1]ROB B.Sensor for fire detection[J].Sensor Review, 2013, 33 (2) :99-103.

[2]荣建忠.基于多特征的火焰图像探测研究及实现[D].合肥:中国科学技术大学, 2012.

[3]王媛彬, 马宪民.基于图像特征的火灾火焰识别方法[J].消防科学与技术, 2012, 31 (2) :126-128.

[4]楼波, 徐毅, 林振冠.圆周运动下移动火源扩散火焰的图像特征分析[J].燃烧科学与技术, 2013, 1 (19) :60-67.

[5]吴茜茵, 严云洋, 杜静, 等.多特征融合的火焰检测算法[J].智能系统学报, 2015, 2 (10) :1-8.

[6]李彤.智能视频监控下的多目标跟踪技术研究[D].合肥:中国科学技术大学, 2013.

图像火灾探测 篇4

在图像型火灾探测技术中, 数字图像处理是核心。将视频转换为图像之后, 首先进行预处理, 如滤波等, 然后对图像进行分割即将图像中的目标与背景进行分离, 以找出目标对象, 再提取目标的各种特征, 最后根据提取的特征对目标进行分析以判断该目标是火灾现象还是疑似火灾现象或是非火灾现象。根据火灾发生过程中的物理特征有火焰、烟气和燃烧音, 图像型火灾探测技术主要是研究火焰和烟雾的特征。文章着重讨论了火灾火焰的探测算法以及图像型火灾探测技术难点和发展方向。

1 基于图像的火焰探测

火灾火焰一般具有较为明显的视觉特性:火焰颜色、亮光、闪烁和外形变化等。图像型火灾探测研究最早开始于对火焰的检测, 目前已经提出多种基于图像的火灾火焰检测算法。

1.1 火焰静态特征提取

静态特征主要体现在颜色、内部结构和外部轮廓。火焰颜色在不同彩色空间如RGB、HSV或HIS、YUV中具有特定的分布特性, 在火焰区域内部还具有持续的层次性变化;同时燃烧使火焰区域始终处于持续的变化中, 这决定了其结构的复杂性及其特有的纹理、轮廓等特性。

(1) 颜色特征。颜色是火焰最显著的特性, 也是火焰探测算法中最常用的信息。有些研究者是基于RGB色彩模型进行火灾分析。Phillips等选择许多火焰图像和人工分割的模板图像进行训练, 然后采用高斯平滑的方式生成火焰色彩直方图。根据选定的阈值生成火焰色彩的布尔检测函数。该方法增强了对不同场景的适应能力, 但计算复杂, 难以满足实时性要求。T.Ono等专门针对隧道中的车辆火灾, 首先利用背景差分法提取前景区域, 然后计算该区域像素R通道和G通道颜色的特征值, 最后利用神经网络判断是否为火焰像素。

但火焰颜色分析时常用的RGB模型不能很好反映人眼视觉感知, 所以在一些的研究中, 将RGB模型转换为适合人眼视觉的HSI模型, 再依据火焰颜色区域的色调和饱和度的连续变化来分割火焰区域。Homg等在HSI空间利用分解法提取火焰颜色区域, 通过序列差分和颜色掩模滤除具有火焰颜色的其他运动目标或火光反射区。有的文献通过实验总结出火焰H、I、S像素分别满足的条件, 再逐个像素处理将火焰区域从背景图像中分割出来。也有的文献通过大量实验给出了R通道的亮度和饱和度判据来判断火焰像素的真实性, 也有的研究综合运用这两种颜色判据来进行火焰区域的判断。Liu等用光谱和结构模型来提取火焰的候选区域, 选择疑似焰核的高亮部分作为种子, 沿梯度方向生长, 将火焰HSV高斯混合模型概率较高的邻域像素引入区域, 再用阈值校验区域边缘上具有内部颜色的像素比例, 滤除接近纯色的区域。文献中提出在不同色彩空间实现的约束具有一定的互补性, 利用粗糙集理论将HSI规则约束、RGB规则约束、火焰区域的色彩分布特征和闪烁特征分别看作不同的划分, 最后通过综合划分集合得到火焰区域。

Çelik等提出了一种基于模糊逻辑的火焰色彩特征分析方法, 通过在YUV色彩空间对视频帧中每个象素点的色彩特征分析来提取火焰区域, 但如何准确建立基于色彩特征的火焰模型成为提高火焰区域提取准确度的关键。G.Marbach在YUV空间通过分析火焰信息的时空变化, 来初步判定火焰区域, 然后提取该区域的亮度、频率幅值、饱和像素点个数等特征值来进一步判断是否该区域像素为火焰像素。文献中利用YUV颜色模型中标出高亮度区域作为疑似火焰焰心区域, 再通过帧差法和离散分数布朗随机场模型进行早期火灾的判断。

(2) 轮廓特征。Yamagishi等采用边缘算子和极坐标变换提取区域轮廓。Liu等用傅里叶系数描述提取的疑似区域边缘轮廓。同时构建环状嵌套的火焰区域结构模型, 以一维傅里叶系数描述其区域的二维轮廓。文献中运用迭代阈值方法选取阈值, 把灰度图像转化为二值图像, 依据集合论的知识对连通区域进行运算, 再依据面积阈值去除噪声, 提取目标轮廓。沈诗林等提出利用运动图像的质心到边缘的距离来描述火焰的轮廓;Xie等认为Canny边缘检测算法得到的边缘不连续, 而傅里叶描述子应用于小区域会引入噪声, 因此, 提出采用形态学结合深度优先搜索的方法来确定火焰的轮廓。许宏科等用数字图像形态学中的重构提取火焰亮度信息, 再用腐蚀和膨胀来有效地提取火焰边缘并进行火焰区域边界跟踪, 最后通过主成分分析法对颜色分布特征进行降维处理得到RGB的特征值, 送入神经网络进行火灾识别。

(3) 纹理和能量特征。Toreyin等人通过疑似区域的离散小波变换, 计算疑似区域高频能量与相对应背景区域图像的能量比值进行检测。袁非牛等人利用混合高斯模型进行背景建模后, 用背景差法获得前景运动目标, 采用灰度共生矩阵的5个统计量:主对角线惯性矩、熵、逆差矩、灰度相关、能量来描述火焰纹理特征。陈晓娟提出用空间灰度层共现矩阵方法计算火灾图像纹理特征信息即能量、熵、相关、惯性矩, 用其来表示现场环境状况。

尽管火焰静态特征较丰富, 但却无法表达火灾燃烧的状态和过程变化的信息, 单一依据静态特征作为火灾判断的依据容易导致误判或漏报。

1.2 火焰的动态特征提取

相对于静态特征, 火焰的动态特征更显著也更复杂, 不同于一般目标的刚体运动或柔性扭曲, 火焰运动具有随机性、层次性和时频性, 主要表现为火焰边缘的抖动、火焰的蔓延或面积的变化和火焰的频闪等特性。

(1) 火焰边缘抖动特性。火灾火焰的边缘具有抖动特性, 而其他高温物体, 灯光及稳定火焰的边缘比较稳定, 因此, 利用边缘检测和边缘搜索算法提取火焰边缘, 根据其形状、尖角等来判断其边缘的时空变化特性。Yamagishi等在提取区域轮廓后, 通过二维傅立叶变化来描述轮廓时空波动的频率分布情况, 最后利用人工神经网络进行火灾识别。吴龙标等认为仅用面积判据容易误判, 提出以尖角数目的变化来反映边缘抖动, 联合这两种判据可减少误报和漏报。汪锦等认为以边界的尖点作为火灾判据能有效识别近距离火焰目标, 而对于远距离较小的火点, 其边界轮廓较平滑, 难以检测其尖点。因此提出以火焰成像高度作为动态特征量, 分析采样时间内物体高度变化, 并在灰度空间分析火焰的灰度分布, 用模糊隶属度法计算物体对于“火焰”的隶属度, 以达到火焰的提取、识别、定位。沈诗林等提出利用傅立叶描述子来度量火焰轮廓随时间变化的时空特征, 具有平移、旋转和尺度不变性, 最后采用距离模型来度量相邻两帧运动图像轮廓变化的幅度, 此算法简单, 计算复杂度低。韩斌等根据火焰的燃烧特性, 选取相邻帧边界矩不变量的差值来描述火焰的动态特征, 再利用支持向量机对火焰和疑似火焰目标样本进行分类检测, 该算法具有较低的虚警率和较强的抗干扰性能。

(2) 火焰的闪烁特性。火焰闪烁具有特定的频谱, 是火灾火焰的重要特性。Phillips等用帧间像素的亮度差分来计算火焰的连续闪动, 为削弱全局运动的误导, 还要减去非火焰颜色的像素微分。Liu等在提取火焰区域和轮廓后, 通过帧间前向估计获得各区域的自回归 (AR) 模型参数, 再用AR模型去估计火焰边缘运动的随机特性。袁非牛等提出采用规格化的傅里叶描述子表述的轮廓距离模型来度量轮廓脉动特征。但用傅里叶变换最大的问题是火焰闪烁不单纯是正弦的而是随机的, 因此很难检测出FFT的峰值, 另外傅里叶变换不带有时间信息。Toreyin在2005年提出利用Markov模型提取火焰闪烁信息, 再分析火焰和非火焰颜色时空变化特征。Dedeoglu N等对火焰区域颜色变化进行小波变换提取火焰闪烁信息, 结合火焰区域边缘的不规则性和火焰区域的增长特征, 实现视频火焰探测。但是这种方法难以区分火焰闪烁和车灯闪烁, 而且计算量大不利于实时检测。Toreyin等在2006年提出利用时空小波变换提取闪烁特征和边缘模糊特征。程鑫等分析火焰闪烁频率、亮度时变特性, 并使用图像的小块分割算法和外形判断的方法排除一些外界因素的干扰。张进华等发现火焰闪烁时火焰高度的变化规律, 将火焰高度的变化作为火焰识别的动态特征量。

(3) 火焰蔓延特性。火灾发生时, 若燃烧失去控制, 一个显著的特征是火开始蔓延, 表现在图像上即是火灾的面积开始扩大。当火灾增长的速率超过一定值或持续增长时, 可认为有火灾存在的可能。Chen等提出了一种二阶决策机制, 先用颜色特征检测火焰的存在, 再判断火焰的蔓延或小尖状态以此来识别火灾。Huang等利用火焰像素的增长和火焰质心的不变性来进一步确认火灾区域。Horng等则在提取出的火焰轮廓中通过计算其白色像素和总像素的比值来估计火焰燃烧的程度。Xie等采用面积变化率及面积相对变化作为火焰动态特征, 可以消除车灯闪烁的影响。王振华在利用背景差法和HIS颜色模型取得火焰目标后, 计算其圆形度, 再利用小波变换用近似分量表示面积的变化, 用细节分量表示闪烁频率, 通过实验确定阈值, 最后利用类似投票的方式来进行火灾识别。

火焰的静态和动态特征都比较显著, 也都具有复杂多样性, 且共存互补, 存在紧密的相关性, 这对火焰特性的分析与建模构成了不少困难, 必须对两者综合考虑才能全面有效地识别火灾事件。所以很多的研究 (包括上述各参考文献) 中是将颜色、结构和运动特征结合起来火灾火焰的判断和识别。史海山等对边缘检测之后的二值图像进行边界跟踪, 可得到一个八方向的边界链码的封闭图形, 通过取阈值后统计图像的亮点数得到区域面积;通过计算像素点之间的位置关系得到形体变化特性;统计不同灰度级的像素点在空间的分布规律得到分层变化;通过寻找此图像中心点位置与上帧图形的位置变化得到整体移动特性。最后将提取的几个特征利用遗传算法和神经网络进行分类识别。

2 图像型火灾探测技术研究难点和发展方向

尽管近年来基于图像的火灾探测能力得到了大大的提高和完善, 但是就整体而言, 它仍处于一个较基础的研究阶段, 面临着不少的问题和难点, 有待于进一步的研究和探索。

2.1 研究难点

(1) 各种环境条件探测灵敏度与可靠性的矛盾。发生火灾的场所和条件是各种各样的, 单纯静态的环境并不多, 而在动态环境条件下采集的图像序列很容易受到各种干扰, 如光照变化、背景混乱干扰、环境本身的条件如气流、温度等、摄像机与目标的距离、目标与环境颜色类似等, 尤其是环境条件比较复杂的地方, 想要做到实时快速准确的判断是比较困难的。

(2) 探测算法的选择。目前, 国内外学者提出的各种图像型火灾探测算法, 每个火灾检测方法都适用于不同的场景或特殊的状况, 而且不少的算法验证都是在实验室环境下进行的, 能不能在实际的环境中应用还有待研究。探测算法的复杂程度对火灾探测的实时性、系统的实现及其成本都有一定的影响。

2.2 发展方向

(1) 多传感器和多种特征的融合。在拍摄火灾图像时摄像机的正下方往往形成盲区, 可采用多个摄像机协同工作不仅能扩大监视的有效范围, 而且能提供多个角度的视频序列, 融合多个角度视频的信息可提供深度信息。或者利用摄像机和其他如气体浓度传感器、温度传感器等协同工作, 多传感器的使用关键在于多传感器信息之间高效融合。同时利用信息融合的方法进行火焰和烟雾各特征的决策融合, 应能有效提高火灾探测的有效性和鲁棒性。

(2) 探测算法的评价体系。现在视频火灾检测算法是研究人员自己建立的数据库测试评价的, 缺乏一个标准的测试库去评比不同算法之间的性能差异。而且以何种指标进行算法的评价, 也没有统一的标准。所以建立基于视频的火灾特征数据库, 以及针对测试库的算法评价标准, 将是一个发展的方向。

3 结论

图像型火灾探测是计算机视觉中视频信息挖掘问题, 不仅涉及图像静态特征的提取和处理, 还需要对时空序列的动态特征进行分析。图像型火灾探测相对于传统的火灾感测技术具有多方面的优越性。文章综述了图像型火焰和烟雾探测技术的最新研究进展, 同时对目前的难点和可能的发展方向做了阐述, 希望能对相关领域的研究者和工程技术人员有所帮助。

摘要：根据图像型火灾探测的原理以及火灾的视觉特征, 分析了火焰的静态特征、动态特征的提取及识别方法, 并对图像型火灾探测技术的热点难点进行讨论, 对未来的发展方向进行阐述和展望。

关键词：火灾图像,火焰探测,信息融合

参考文献

[1]陈涛, 袁宏永, 范维澄.火灾探测技术研究的展望[J].火灾科学, 2001 (4) :108-112.

[2]杨俊, 王润生.基于计算机视觉的视频火焰检测技术[J].中国图像图形学报, 2008 (7) :1222-1234.

[3]T.Celik, H.Demirel, H.Ozkaramanli, and M.Uyguroglu.Fire Detection using Statistical Color Model in Video Sequences[J].Journal of Visual Communication&Image Representation, 2007, 18:176-185.

[4]B.-M.Lee, Dongil Han.Real-Time Fire Detection Using Camera Sequence Image in Tunnel Environment[C].Proceedings of ICIC, 2007, 4681:1209-1220.

[5]Chen Jun, Du Yang, Wang Dong.An Early Fire Image Detection and Identification Algorithm Based on DFBIR Model[C].2009 World Congress on Computer Science and Information Engineering, 2009, 229-232.

[6]Homg Wenbing, Peng Jimwen, Chen Chih yuan.A new image based real-time flame detection method using color analysis[C].Proceedings of the 2005 IEEE International Conference on Networking, Sensing and Control New York:IEEE, 2005.

[7]Yamagishi H, Yamaguchi J.A contour fluctuation data processing method for fire flame detection using a color camera[C].IEEE 26th Annual Conference on IECON of the Industrial Electronics Society, Nagoya, Japan:2000, 824-829.

[8]Ping-He Huang, Jing-Yong Su, et al.A Fire-Alarming Method Based on Video Processing[J].Proceedings of the 2006 International Conference on Intelligent Information Hiding and Multimedia Signal Processing (IIH-MSP'06) .2006.359-364.

[9]Wen-Bing Horng, et al.A New Image-Based Real-Time Flame Detection Method Using Color Analysis[J].IEEE, 2005, 100-105.

图像火灾探测 篇5

火灾探测系统是智能建筑中一个重要部分，图像型火灾探测技术以计算机为核心，结合光电成像技术、计算机图像处理技术，具有非接触式探测、高智能、强灵敏的特征而不受空间高度、气流速度、热障、易爆、有毒等环境条件的限制，能够及时探测到早期的火焰和产生的烟雾，达到尽早疏散人员、保护人身财产安全，成为在室内大空间和室外开放大空间进行火灾探测的有效手段。

针对日常生产和生活中发生的火灾，对其火焰图像进行分析，找到识别的方法。针对火灾火焰亮度特点，结合图像相减方法和饱和度、亮度方法来提取火焰，可以很好的减小背景噪声的干扰。同时利用火灾火焰在时间上的发展性和跳动性这一特征，采用了面积变化判据和尖角判据。

2 火焰提取

在图像型火灾探测系统中，现场图像背景的干扰可以说是造成最终产生误报的一个重要因素。所以能否能从现场图像中准确地提取出火焰图像就显得尤为重要。

图像中的颜色可以用R(红色)、G(绿色)、B(蓝色)三色分量来表示，假设所采集图像中总共的像素点数为，其中任意一点的颜色可表示为Cn(Rn,Gn,Bn)。

其红色饱和度为：Rb=Rn/(Rn+Gn+Bn)

平均亮度为：L=0.22 Rn+0.587Gn0.114Bn

火灾火焰给人的感觉是亮度高且颜色偏红，这两点体现在平均亮度和红色饱和度上[1]。通过大量的实验发现，当某一点的平均亮度大于150和红色饱和度大于0.34时可以把其判为疑似火焰点。即满足：

图1显示了利用这种方法提取火焰的效果。a图为被监控现场的模版图像;b图为现场发生火灾后的图像;c图为图片相减结合红色饱和度和平均亮度的方法提取到的火焰图像。

从以上对模拟现场火灾图像的处理结果图片可以知道，该方法可以大大地减少背景干扰[2]，从而为后续的火焰识别提供了很好的火焰图像。

3 火灾火焰识别

3.1 火焰图像预处理

火焰图像中火焰区域和背景区域表现出不同的灰度值，为了节约存储空间，便于计算机存储和处理，同时去除大量的无用信息，为火焰特征的提取和匹配作准备[3]。对提取到的图像进行二值化处理。

二值化的阈值选取主要分为整体阈值法、局部阈值法和动态阈值法三类。针对提取到的图像是背景为黑色前景为火焰的特点，可以选择固定阈值法。

由于需要对火焰的边界做分析，而火焰图像中存在很多孤立的点，且轮廓上可能有很大的凹陷或凸起，这对后续的轮廓跟踪、边界分析造成很大的障碍，所以对二值化后的图像进行中值滤波。

由于火焰可能具有较长的轮廓线，所以采用方形窗口，但窗口又不能太大。否则容易削除尖角部分。这里采用的是3×3方形窗口来进行中值滤波[4]。

如图4两幅图为滤波效果对比。

3.2 面积特征提取

早期的火灾火焰是一种不稳定且不断发展的火焰，具有时间上的发展性。其特征信息主要集中于火焰图像的动态变化上，其中很重要的一点就是火焰面积的不断增大。因此采用比较相邻两幅图像中的火焰面积大小和研究连续若干幅图像中火焰面积变化情况的方法获得火焰图像面积变化特征。

研究图3连续四幅图像中火焰面积平均值变化，首先分别计算出前两幅图像图像中火焰面积的平均值，再依次计算出前三幅和所有四幅图像的火焰面积平均值，所得到的三个平均值之间的关系。

设连续采集到的四幅图像中火焰区域的面积为A1、A2、A3、A4，则相邻两幅图像面积的变化量为：

前j(j=2,3,4)幅图像中火焰面积平均值为：

将图3中四幅图像的像素点数分别代入上式，得：An1=1691;An2=394;An3=1047;Am1=8202;Am2=8615;Am3=9083。

失控火焰的Ani值在早期火灾发生时都是大于零的，Ami的值变化较大且总是Am3>Am2>Am1。而稳定火焰Ani的值可能大于零也可能小于零，Ami的值变化很小且不满足Am3>Am2>Am1[5]。

综上，可以根据早期火灾火焰图像的面积变化特性来识别出稳定火焰和失控火焰，进而去除掉固定的稳定光源的干扰。

3.3 尖角特征识别

不稳定火焰本身有很多尖角，火焰边缘抖动时一个明显的表现就是：火焰的尖角数目呈现无规则的跳动。而稳定光源的尖角数目虽然可能会有跳动，但跳动不大，基本固定在一定的范围内。基于边缘抖动是早期火灾火焰的重要特征，提出了尖角判据[6]。

火焰尖角识别的步骤为：

1)对火焰尖角来说，特征点首先是它的顶点。顶点是局部的极值点。尖角的顶点可能是多个点，但只有一个纵坐标上的极值点。

2)通过观察火焰的尖角，可以发现在一定的范围内，其大致的形状表现为不规则的三角。

3)火焰尖角的体态。火焰尖角给人的视觉效果是狭而长。这就要求尖角的体态要符合一定的标准。在判据(1)和(2)的基础上如果得到尖角的高度，就能判断出尖角是否狭长[7]。

4)判断疑似尖角点和它左右30个点是否连续。以证明它们是否是在同一区域。

通过以上的四条判据我们基本上可以识别出图像中的尖角。对提取出来的火焰图像，经过上述的二值化以及中值滤波处理后，即可进行尖角的识别，对连续几幅图像的尖角数进行统计，计算其尖角数目变化，通过设定其变化范围来识别稳定火焰和失控火焰[8]。

4 结论

结合图像相减方法和红色饱和度、平均亮度方法来提取火焰，可以很好的减小背景噪声的干扰。由于火灾火焰在时间上的发展性和跳动性，针对这两点提出了面积变化判据。对提取到的火焰图像进行去噪、滤波，而后提取出火焰轮廓图像，计算连续四帧失控火焰图像中火焰区域的面积以及尖角数目，做出比较，发现其变化规律。而稳定火焰则不具有相应的规律。对于采集到的一组图像，如满足火灾判断条件，则识别为发生火灾。

实验结果表明，自行设计的VB程序方法简单、实现快速，识别率能达到%以上，加以改进，完全可以满足智能建筑中火灾探测的需要。

参考文献

[1]李朝晖,张弘副.数字图像处理及应用[M].北京:机械工业出版社,2004:10-35.

[2]常太华,苏杰,田亮.一种基于DSP实现火焰检测的方法[J].华北电力大学学报,2002(4):30-32.

[3]吴炯,张秀宾,张峰,等.移动目标的快速识别算法[J].微计算机信息.2004(3):9-11.

[4]金华彪.基于数字图像处理的火灾探测技术[J].消防科学与技术,2002(3):46-47.

[5]焦丰娟,阎有运.基于DSP的炉膛火焰图像处理系统的研究[J].河南理工大学学报,2005(4):59-62.

[6]金华彪.数字图像处理在火灾探测技术邻域的应用[J].微型电脑应用,2003(19):5.

[7]Sage K,Young S,Security application of computer vision[J].IEEE Aerospace and Electronics Systems Magazine,1999(4):19-29.

图像火灾探测 篇6

关键词：图像型火灾探测器,消防,火灾报警,图像,地铁

0 引言

随着我国城市化进程的加速, 各地隧道及地铁建设也如火如荼。以沈阳为例, 继08年东北首条河下隧道—五爱隧道的开通, 10年沈阳迎来了东北首条地铁—沈阳地铁一号线的通车运营, 地铁二号线也即将在11年底开通。

与传统公路、大桥不同, 隧道和地铁处于地下空间, 结构复杂、人流密集。一旦发生火灾, 扑救相当困难, 往往会造成重大的人员伤亡和财产损失。例如05年7月6日, 法国巴黎北部辛普朗因地铁车厢电路短路发生火灾, 造成19人死亡;03年2月18日, 韩国大邱市地铁发生火灾事故, 造成至少126人死亡…我国地铁自1969年相继投入运行以来, 共发生火灾156起, 电气设备线路出现故障以及违章电焊操作是主要原因。

在发现火灾并开展灭火、疏散等一系列措施之中, 及时、准确地探测到火灾的发生是最至关重要的。

1 现有隧道及地铁火灾报警系统

在现有隧道和地铁火灾报警系统中, 应用最多的火灾探测器产品主要分为点型火焰探测器和线型感温火灾探测器两大类。点型火焰探测器根据光谱范围不同分为红外及紫外火焰探测器。原理都是通过检测火焰分布光谱判别是否存在着火点。应用在隧道中最大的问题是容易受到施工光源例如钠灯、汞灯和电焊弧的干扰而产生误报。线型感温火灾探测器包括缆式、空气管式和光纤感温探测器三种。其原理都是通过感受环境温度变化产生报警信号。应用在隧道及地铁中主要问题是无法在火灾发生初期进行有效报警。

2 图像型火灾探测器及其在隧道、地铁中应用优势

图像型火灾探测器利用计算机视觉、人工智能以及闭路电视监控技术, 通过视频图像来检测烟火。系统自动分析、识别视频图像内的火焰、烟雾, 产生告警信息, 在数秒内完成火灾探测及报警, 大大缩短了火灾告警时间。与传统火灾探测器产品相比, 图像型火灾探测器主要存在下面几点优势:

(1) 检测空间范围大。目前常规探测器中感烟探测器适合保护高度为12米及12米以下的空间。在大空间建筑内, 受空间高度和面积的影响, 加之大空间内热风压效应, 火灾形成的热气流和烟雾很难到达屋顶, 因此常规探测器不能及时感应动作, 等到探测器动作时火灾已经发展到一定规模。更重要的, 当火灾烟雾上升至13米-23米左右时开始形成烟层而不再上升, 当烟雾层集到一定厚度时开始下沉, 超过20米的高度使得红外光束型感烟探测器也失去作用。而图像型火灾探测器有效解决上述问题, 对100米监控视野范围内区域都能进行有效监控, 适合于大空间早期火灾检测使用。

(2) 抗干扰性强。传统红外及紫外火焰探测器在正常情况下, 受明火作业以及X射线、弧光等影响, 易被阳光或其他光源直接或间接照射产生误报。而图像型火灾探测器克服了以上探测器的缺点, 通过对火焰的热、色、形、光谱及运动特性的研究, 对火焰的彩色影像和近红外影像的进行识别报警, 不受上述环境干扰。

(3) 具备可视性。传统火灾探测器不管何种类型, 最后报警只能提供一些检测信息, 甚至只有开关量, 这样就丢失了大量火情现场信息。而图像型火灾探测器不仅能够完成火灾探测功能还可以提供火灾现场的实时视频图像, 供值守人员分析判断。远方控制中心人员不仅能够知道现场是否有火灾发生, 还可以知道目前火情状况、发展趋势、灭火系统状态等很多重要信息, 为人员疏散、营救工作做出最及时、最有效的判断。

(4) 定位快速准确性。现场火灾图像可以通过图像型火灾探测器实时回传至控制中心, 在大屏幕上显示。而且着火位置、着火时间等等都会在屏幕上明显标识, 这些标识一直会显示到火被扑灭为止。除此之外, 图像型火灾探测器还可以给灭火系统 (如水炮等) 快速准确地提供火焰坐标。

(5) 兼容性强。图像型火灾探测器能完全与现有消防系统融合, 可以和联动模块产生联动关系, 控制喷淋等灭火设备运作。除此之外, 探测器内部具有以太网模块, 可以直接把报警信息通过互联网发送到远端报警控制中心, 或者通过无线模块将图片发送到相关人员手机。

传统的火灾报警系统普遍采用485、CAN等比较成熟的现场工业控制总线, 这种总线的传输距离有很大限制。需要远程传输时必须添加独立的火灾远程传输监控器。图像型火灾探测器既有CAN和485工业总线传输稳定性, 又实现独立远距离传输性。即使报警主机异常, 也不影响远处报警控制中心监测。

3 结语

本文从隧道和地铁的消防特殊性着手, 首先讨论了现有火灾探测技术在上述环境中的应用并指出其局限性。作为对比, 介绍了图像型火灾探测器的基本原理并深入分析其在隧道和地铁环境中应用的优势。作为一种新型的特种火灾探测器, 图像型火灾探测器存在广泛的市场空间。

参考文献

[1]许峰, 董文辉, 徐放.浅谈隧道火灾自动报警系统的应用[J].消防科学与技术, 2008 (10)

图像火灾探测 篇7

它的设计原理是正常工作产生电弧 (工作电弧) 与故障产生电弧 (故障电弧) 均可产生电流信号或电流波形。经研究工作电弧的波形具有周期性或重复性特点, 并且可呈现为非正弦波形 (即不是正弦波形的形状) 。故障电弧具有非周期性或非重复性波形特点。电弧故障电气火灾探测器可通过持续监控电路的电压、电流波形, 通过使用检测电路来区分正常与异常电弧状态。一旦检测到异常的电弧状态, 探测器就会发出报警信号, 降低发生火灾的可能性。

故障电弧有两种基本类型——串型和并型。当串联载流负载电路被无意中断开时, 会发生串型电弧故障。电弧会在断开间隙处产生, 并且局部热量增加。而串型电弧的电流强度则受到负载量的限制。导致串型电弧故障的条件包括:连接器或接线的连接不良;线缆弯曲过度而导致的导线磨损或电缆外被夹伤致使导线断裂等。

而当火、地线间无意地形成导电通路时, 则会出现并型电弧故障。并型电弧仅受限于源故障电流和故障阻抗。接地电弧故障是并型电弧故障的另一种形式, 当火线与金属外壳接触时, 就会产生此类故障。

一般认为, 并型电弧故障比串型电弧故障更具危险性, 这是因为并型电弧故障会产生更多能量。通常并型电弧故障的峰值电流要高于传统类型断路器的标明额定值 (前者相当于短路电流, 后者是负荷电流) 。如果故障阻抗较低且故障电流充足, 则不会报警。