庞凤兰， 宋焕生， 闻 江， 孙丽婷

（1. 长安大学 信息工程学院， 陕西 西安 710064；2. 陕西省道路交通智能检测与装备工程技术研究中心，陕西 西安 710064）

交通视频检测中隧道火灾检测是一个至关重要的主题。实时、准确、低漏报是隧道火灾检测中需要解决的关键问题[1]。 目前国内交通隧道火灾检测主要由安装于隧道中的感温、感光、感烟、复合等探测器完成，按照一定的密度在隧道中铺设指定数量的感温、感光、感烟等探测器[2]。 但是，由于隧道中的跨度空间大，因此必须按隧道安全需求铺设足够数量的探测器。 同时，监于传统的感温、感光、感烟等探测器自身检测准确度和灵敏度有限，且易受隧道中粉尘、气流等环境干扰的影响[2]，只有当隧道中的火焰很明显或者烟雾足够浓时才报警[2]，这样就失去了火灾实时检测报警的作用。

目前， 国内外针对于图像视频类的火灾检测已经开展了广泛研究。 陈晓等进行了火焰颜色和空间区域结构特性等静态光谱特性的检测技术研究， 从灰度化的图像中提取出火焰的形状，通过计算火焰区域的圆形度、面积等参数来识别火灾[3]。 Chen 等利用火焰的颜色、位移和振动特性来对火焰进行识别[4]；Ha 等结合Lab 色彩空间的色彩和火流的运动矢量来检测火灾[5]。 这些方法虽然可以提取出火焰区域，但是不能可靠排除干扰，精确性不高。 火灾发生的初期可能只有烟雾而没有明火，这种情况下如果能及时检测出烟雾，则会避免火灾的发生。

本文针对人们日益关注的公路隧道安全问题，提出了新的火灾检测算法。 通过安装在隧道顶部上方的摄像机采集交通视频图像， 应用计算机图像处理技术处理视频图像数据，能够准确的提取出火焰及烟雾区域，而且检测速度快。 对于火焰首先采用改进的统计直方图法提取置信度高的背景，再运用形态学方法和连通域标记法[6]对用背景差法得到的运动目标进行处理。 最后依据高亮度与稳定度特性[7]、火焰面积扩散特性、振荡特性结合提取得到精确的火焰检测结果。 对于烟雾疑似区域首先由于其早期的运动方向通常是自下而上的，可通过判断其主运动方向是否与预设条件相符，同时结合烟雾纹理特征，着重对隧道顶部区域进行检测，最后利用BP 神经网络和D_S 证据理论进行数据融合， 可进一步降低系统的误报率。

1 利用改进的统计直方图法提取背景

根据直方图的最大值周围的能量分布把直方图分为两类，一类为单峰，此时把单峰峰值作为背景值。 另一类为多峰，选择置信度最高的峰值作为背景值。

1.1 改进的灰度直方图算法描述

算法思路：对灰度直方图进行统计，查找出频数最大的点C。计算该点周围ε 邻域内包含的能量大小E，如果E 超过整个直方图总能量的2/3，认为该点的置信度高，将对应灰度值作为背景灰度值；否则认为该点的置信度较低，接着在该点ε 范围之外继续查找另一个频数最大的点D，作为第二个峰值点。 计算D 点周围ε 邻域内包含的能量大小E′，将其与C 点的能量E 进行比较，最终取能量数值大的点所对应的灰度值作为背景灰度值。 如果有3 个或者3 个以上的峰值点，则依据上述方法依次比较，将能量最大的峰值点的值作为背景灰度值。 具体步骤如下：

1）读取N 帧图像，对图像中的每个像素点进行灰度直方图统计，并找出频数出现最大的点C：

其中：P（x，y，k）表示N 帧图像序列中像素（x，y）的灰度值为k 的频数，Fi（x，y）表示图像序列中第i 帧图像像素（x，y）的灰度值。

2）计算C 点ε 邻域内包括的能量大小E：

若E＞N*2/3，则B（x，y）=kMax，否则执行步骤3）。

3）在点C 的ε 邻域之外查找频数最大的点D，公式为：

S（x，y）=k2nd，if P（x，y，k2nd）=Max（P（x，y，k））

k∈[0，255]且k∉[kMax－ε，kMax+ε] （4）然后计算D 点ε 邻域内包括的能量大小E′：

若E＞E′，则B（x，y）=kMax，否则B（x，y）=k2nd。

1.2 背景提取方法实验比较

普通背景提取与改进的灰度直方图背景提取结果如图1所示。

图1 普通背景提取与改进的统计直方图法提取的背景Fig. 1 General background extraction and improved histogram extraction background

2 火焰检测与提取

2.1 火焰高亮度特征与振荡特性结合

本文采用基于火焰高亮度特性[7]与稳定性相结合的火焰区域提取方法。 主要处理经过连通域标记的目标图像，通过计算每个连通域所包含的目标块的灰度平均值，然后利用设定阈值来对每个连通域进行检测，以排除干扰目标。 该方法能够排除很大一部分干扰目标，再结合火焰振荡特性，能够更精确的检测出火焰目标。

采用T 来表示连通域的个数，Label（n）表示块n（c，r）的连通域标记结果， 同时也是该块所在的连通域标号，Fn（x，y）表示块n（c，r）对应的图像数据，对于某－个连通域t（t∈[0，T－1]），其所包括的目标块灰度总和为：

目标块灰度平均值AverGrayt：

其中areat 表示特征结构体的面积参数，同时也可表示连通域包括的目标块个数。

依据目标块灰度平均值AverGrayt 的大小， 来对该连通域是否为火焰区域进行判断。 设定一个阈值Thfire，如果目标块灰度平均值AverGrayt 小于该阈值Thfire，那么表示该连通域可能为车辆、行人等干扰目标，否则证实该连通域为火焰区域。 用MFt 来表示连通域t 是否为干扰目标，则：

已判断为火焰区域的连通域，保留下来，以待后期的分析处理。 对于已区分为干扰目标的连通域，应该删除，减少后期分析的样本量。 删除连通域就是把该连通域内所有块的标号置为零，同时该标号后面的所有标号都减小1，连通域的个数T 也减小1。 同时将该连通域内所有块的二值化标记结果BM（c，r）置为0，公式表示如下：

算法过程总结如下：

1）依据式（7）和（8）计算每个连通域的灰度平均值Aver Grayt；

2）判断灰度平均值的大小，如果AverGrayt＜Thfire，把该连通域标号置为零，并将该标号后面的所有标号都减1，连通域个数T 也减1；否则不做处理，保留该连通域。

火焰具有高亮度和稳定特性，其灰度值通常都在200 以上。因此本文将阈值Thfire 设为225。火焰提取结果对比如图2 所示。

2.2 火焰振荡特性

图2 普通火焰提取与本文方法提取结果Fig. 2 General flame extraction results contrast with the results of this method to extract

本文加入了火焰振荡频率特性分析检测， 使得系统检测性能远远优于传统的火焰检测方法， 能够更好的将火焰与干扰目标区分开，使火焰提取精确度更高，提取结果可靠性大大增加。

首先获取到每帧火焰区域面积，对于每连续三帧图像，我们采用对每两帧图像区域面积进行差值然后再相乘的方法[7]，最终计算出DP 的值，公式表示为：

给提取得到的火焰区域都设定一个计数器SC，用来统计该区域的闪烁帧数。 如果DP 的值小于－100，就说明公式中的两个面积差值刚好一正一负，证明该区域当前时刻存在闪烁，此时计数器加1，公式如下：

3 烟雾检测与提取

3.1 灰度共生矩阵（GLCM）

灰度共生矩阵是针对存在一定间距的两像素就它们之间是否存在一种灰度关系进行研究分析，我们用它可以进行目标纹理特征描述。 假设图像中存在某一个像素点（x，y），其灰度值为I1，那么从该点开始，沿方向θ 位移距离d 的像素点（x′，y′）的灰度值为I2的概率被定义为灰度共生矩阵P（I1，I2，d，θ）。 如果一幅图像大小为M*N，则对应灰度共生矩阵的表达式为：

P 矩阵是归一化后的结果， 其中其维数与图像灰度级数相对应。 方向θ 在二维平面坐标系中，就是表示与X 轴的夹角，包括0°，45°，90°和135° 4 个角度。

纹理特征比较如表1 所示。

由表1 中数据对比可以得出：烟雾的均匀性最大，对比度最小；车辆的对比度和能量最大，均匀性最小；烟雾和火焰的能量差别不大。 此方法进一步将烟雾与其他特征区别开，更利于烟雾的精确提取。

表1 目标纹理特征比较Tab. 1 Target texture feature comparison

3.2 烟雾主运动方向

本文中将烟雾疑似区域划分成N 个m*n 的小块， 采用运动矢量法对每个m*n 的小块进行运动方向估计，接着得到每个小块的运动累积方向，也就是该小块主运动趋势，依据该方法最终提取出整个烟雾疑似区域的主运动方向。

本文针对8 邻域的8 个方向进行了相似搜索匹配，将绝对误差和最小作为匹配准则，也就是SAD 值最小准则。 绝对值差求和公式为:

f（i，j）表示待匹配（i，j）模块处的像素灰度值，g（i，j）表示模板中（i，j）处的像素灰度。

4 数据融合判断

与传统的运用单一分类器相比， 本文根据BP 神经网络和D_S 证据理论，依靠信息融合对隧道火焰及烟雾特征进行综合检测识别。 本文依托Support Vector Machine（支持向量机）和Back Propagation Neural Network（BP 神经网络）进行基本可信度分配，首先构建两个证据体，然后采用D_S 证据理论对已有的两个证据体进行融合，从而得到精确度更高的火灾及烟雾检测结果。 数据融合流程图和火灾烟雾最终检测结果分别如图3 和图4 所示。

图3 数据融合流程图Fig. 3 Data fusion flowchart

图4 火灾烟雾最终检测结果Fig. 4 Fire and smoke final test results

5 各种检测方法效果比较

各种火灾及烟雾检测方法性能比较如图5 所示。

从实验结果看出，该方法对火焰和烟雾检测都是精确度高且稳定的，尤其是对于隧道这种特殊环境中的图像，效果显著。 同时该方法提高了火灾图像识别的可靠性，具有实时性好、抗干扰性强、可视化和成本低等优点。

图5 火灾烟雾检测方法比较Fig. 5 Comparison of fire and smoke detection methods

6 结 论

本文针对交通隧道火灾及烟雾检测提出了新的算法，首先采用背景差法将疑似火焰运动目标检测出来，然后应用形态学方法结合连通域标记法进一步提取火焰疑似区域，再结合火焰高亮度及振荡等特性确定出较精确的火焰区域。 对于烟雾检测最初也是利用背景差法将疑似烟雾运动目标检测出来，接着采用纹理特性与主运动方向结合的方法进行烟雾识别。最后利用BP 神经网络和D_S 证据理论进行数据融合，进一步得到实时、准确的检测结果，同时该方法降低了火灾探测系统的误报率。

[1] 王少飞. 公路隧道火灾事故调研报告[R]. 重庆招商局重庆交通科研设计院有限公司隧道建设与养护技术交通行业重点实验室，2011.

[2] 关文婷. 基于视频的公路隧道火焰检测[D]. 大连: 大连海事大学，2012.

[3] ZANG Guang-ming，HUANG Chen-jie，WANG Ya-mei. Multicriterion identification technology of fire with video and ITS application [J]. Computer Applications and Software， 2013，30（2）:65-67

[4] Dogan Resit，Karsligil M. Elif. Fire detection using color and motion features in video sequences [C]//IEEE 18th Signal Processing and Communications Applications Conference，2010:451-454.

[5] Dongil Han，Byoungmoo Lee. Flame and smoke detection method for early real-time detection of a tunnel fire [J]. Fire Safety Journal，2009，44（7）:951-961

[6] CHEN Juan，HE Ya-ping，WANG Jian. Multi-feature fusion based fast video flame detection[J]. Building and Environment，2010，45（5）:1113-1122.

[7] 李莹. 基于图像特征的隧道运动火源视频火焰探测技术研究[D]. 合肥: 中国科学技术大学，2011.