余霞 丁谢镔 周毅

(1.中国人民解放军73881部队,福建福州 350003;2.福建省福州市公安消防支队,福建福州 350001;3.福州大学数学与计算机学院,福建福州 350003)

图像型火焰探测技术探讨

余霞1丁谢镔2周毅3

(1.中国人民解放军73881部队,福建福州 350003;2.福建省福州市公安消防支队,福建福州 350001;3.福州大学数学与计算机学院,福建福州 350003)

基于图像处理的火焰识别技术是图像型火灾探测器不可或缺的一部分,深入研究该技术对于提高图火探器的实时性和可靠性有重要作用。本文从图像样本采集、火焰图像预处理、火焰图像特征选择和火焰图像模式识别算法或模型四个方面,对国内外学者的研究进展分别进行具体介绍、总结,并提出了现阶段在火焰图像识别方面研究的不足和值得改进之处。

图像处理 火焰图像 火灾探测 模式识别

火灾给人类的生命及财产安全带来了极大的危害。特别是当部队内部的物资仓库、电脑机房、档案室等要害部位失火,若不能第一时间发现,极易小火酿大灾,造成不可挽回的损失。这在国内外军队屡见不鲜。2002年,印度北部拉贾斯坦邦一军火库失火并引发爆炸,大火烧毁1000余吨弹药、70辆军车,并导致2人死亡、8人受伤;2008年,美空军一地下核导弹发射井工作室失火,造成至少100万美元的损失;2009年,隶属俄军总参谋部情报总局的一支特种部队指挥部所在建筑发生火灾,导致5名俄罗斯军人死亡,7人受伤,焚毁大批军方机密资料。

因此如何有效地利用电子设备进行火灾探测,以便及时将火情消灭在萌芽状态,一直是人类所积极探索的问题。感温式、感烟式、感光式、可燃气体探测、复合式火灾探测等传统火灾探测技术,在保护生命、财产安全等方面做出了不小的贡献。但其在灵敏度和可靠性方面尚需提高。新型的特种火灾探测技术解决了传统型火灾探测技术无法解决的难题,在火灾预警方面有历史性的突破。基于图像处理的火焰识别技术正是其中的一种。

要实现图像型火焰探测,主要有四个步骤:(1)图像样本采集——获得含有火焰的图像;(2)火焰图像预处理及切割——将火焰从图像中切割出来;(3)图像特征数据提取——测量、计算火焰图像各项特征的值;(4)火焰图像模式识别——通过算法或数学模型判定是否为火焰。笔者分别从这四个部分对国内外学者的研究进展分别进行具体介绍,并提出研究现状存在的问题及值得改进之处。

1 待分析图像样本的采集

1.1 火焰图像采集

在大量火焰图像识别技术的研究中,各研究者对用于分析的火焰图像样本的获得方式、数量大小各异,火焰种类和拍摄角度的选择不尽相同。美国犹他州州立大学康涅狄格学院Jessica Ebert等采用在室外开放空间近距离拍摄的燃烧木堆垛和起火纸箱用于分析[1]。曲阜师范大学电气信息与自动化学院的史丽红使用两张锅炉炉膛火图片作为研究对象[2]。近年来与之相关的多篇文献中,对用于分析的图像样本的获得方式、数量大小、火焰种类等同样没有定式,选择的随意性较大[3-6]。

1.2 干扰源图像采集

通过统计涉及火焰识别的文献,干扰源主要可以分为两大类[3-6]:生活中类似火焰特征的非火物体,以及受控的火焰。具体有:(1)生活中类似火焰特征的非火物体具体有:固定照明灯具(包括持续和闪烁),手电筒,阳光,飘动的窗帘和旗帜,车灯(包括持续和闪烁状态),闪烁的警车灯,波动液体表面对强光的反射,印有火焰图像的画,电焊,气割,闪电,红色塑料袋。(2)受控的火焰具体有:蜡烛(包括无风和有风状态),正常燃烧的炉灶燃气火,烟头,打火机。

2 火焰图像预处理及切割

2.1 火焰图像预处理

图像预处理是指对处于最低抽象层次的图像所进行的操作,这时所处理的输入和输出都是灰度图像。同样,火焰图像识别的图像预处理内容同样由其自身的特点来决定。考虑到火焰图像识别要求实时性的特点,在预处理时不适宜对图像做过多复杂的运算和处理。火焰图像识别文献中采用的图像预处理方式可以分为三类[3-6]——消除背景、图像增强、图像去噪,采用的具体方法为如下:

(1)消除背景主要采用的方法是:采用减去基准图像来消除背景;(2)图像增强主要采用的方法有:在HSV色彩空间中调整图像亮度进行图像增强,基于图像红色分量进行灰度化,突出火焰部分等;(3)图像去噪主要采用的方法有:采用3×3模板进行高斯滤波去噪,采用3×3模板进行中值滤波,采用5×5模板进行中值滤波,采用提取图像骨架的方式对图像进行细化,基于小波变换的阈值去噪等。(4)也有一些文献没有对图像样本进行预处理。

2.2 火焰图像切割

图像分割是由图像处理进到图像分析的关键步骤,也是一种基本的计算机视觉技术。通常情况下,待处理的火焰目标区域有限。若在整幅图像上处理,则有大量的无用运算在图像背景区域执行并耗时,因此对图像进行火焰目标分割提取,减小图像处理数据量,是提高实时性的一个重要途径。

涉及火焰识别的文献中用到火焰图像切割方法可笼统分为四种[3-6]:阈值法;边缘检测法;基于区域的分割;基于色彩的分割。采用到的具体方法如下:

(1)阈值法:Otsu阈值算法;固定阈值法;迭代阈值法;最大熵阈值法;应用先验知识的双阈值分割;基于Otsu阈值算法的连通区域面积阈值化算法等。(2)边缘检测法:拉普拉斯微分算子边缘检测;Sobel算子边缘检测;提升小波算法边缘检测。(3)基于区域的分割:形态学处理;引入热力学原理,模拟“晶体结晶”的动态过程设计了新算法;区域生长法;形态小波流域分割算法。(4)基于色彩的分割方法:基于HIS色彩空间的色彩聚类切割;基于Cr、Cb色彩空间先验判别公式的固定阈值切割法(判别公式通过实验拟合得到);基于RGB色彩空间先验判别公式的固定阈值切割法等。

3 火焰图像特征

选择正确有效、能较好与干扰源图像相区分的火焰图像特征,是火焰图像识别的关键一环。笔者对涉及火焰识别的文献中所选择的火焰图像特征进行了汇总,大致可分三类[3-6]:颜色特征、几何形状特征、动态特征。具体如下:

颜色特征:火焰色彩分量的先验判别函数关系式;HIS色彩空间H分量的一阶颜色矩;相邻帧图像可疑火焰区域颜色的欧氏距离;红色饱和度与亮度的关系。

几何形状特征:火焰尖角;圆形度;火焰差分图像的形态变化(通过外接矩形四边的移动情况来衡量);相邻帧图像可疑火焰区域形状的相似度;分形维数;火焰长度;偏心率;将图像小波分解后的水平分量、垂直分量、对焦分量作为特征向量。

动态特征:相邻帧图像可疑火焰区域的面积变化;闪烁频率;质心位置的移动,同时对数据进行归一化处理;相邻帧图像可疑火焰区域外接矩形的差分面积变化;火焰外焰飘动的轨迹图。

4 火焰图像模式识别算法或模型

采用恰当的算法或模型根据提取的火焰图像特征对火焰进行模式识别,是图像型火焰识别的最后一个环节。由该环节来对未知图像是否有火给出判断。根据火焰图像的特点以及识别系统对实时性、准确度的要求,火焰识别文献采用了多种识别方法。具体有[3-6]:

(1)直接由选定的图像特征阈值或函数关系进行筛选;(2)给每个特征值设定权重,并将对应区域的权值求和,和值最大的即为火焰;(3)BP神经网络;(4)以距离测度进行聚类分析;(5)通过改进K-Means聚类方法,提出一种基于灰关联度聚类检索算法来检索火焰图像;(6)贝叶斯决策方法;(7)利用图像相关性来建模探测火灾的发生:每隔一定的时间重新设置背景图像,然后利用其后各帧图像和背景图像作相关性分析;并研究火焰的R,G,B三基色的组成成分随时间变化时对图像的相关性的影响。

5 结论及展望

综上所述,现阶段在火焰图像识别方面的研究虽已获得较大进展,但仍存在以下几点不足和值得改进之处:

(1)对待分析图像样本的采集随意性较大,与实际火灾情况不符。采集图像样本应尽量贴近实际情况,这样才能增强分析结果的有效性,更具有说服力。比如选择对相关规范、标准中规定的试验火进行采集。

(2)单篇文献采用的干扰源往往只是上述集合中的一种或几种,分析的广泛性不强;未从具体特征数据的相异性对火灾火焰和干扰源进行量化对比分析。应结合多种干扰源与火焰进行分析比对。

(3)在火焰图像预处理、火焰图像切割方面,单篇文献尝试的算法、模型较少;大多没有对比选优,均为直接采用某种方法,仅证实了该方法的可行性;有进行方法对比的文献仅在少数几种方法间对比,且多依靠主观观察判断得出处理结果的优劣,说服力不强。可对多种算法和模型进行联合对比,并量化对比结果进行选优。

(4)选取的火焰图像特征没有与干扰源图像的相应特征进行量化对比。可对所选特征的识别有效性和对干扰源区分性大小进行量化分析,由此筛选出有效特征。

(5)火焰识别文献中,BP神经网络和直接由选定的图像特征阈值或函数关系进行筛选这两种方法,使用率较高。但就单一文献来说,在识别程序的选用方面,识别方法较为单一,没有作横向量化对比,未知其采用方法的识别性能在满足火焰识别实时性和准确性方面是否最优,还需进行进一步的比较。

[1]Jessica Ebert,Jennie Shipley.Computer vision based method for fire detection in color videos[J].Pattern Recognition Letters.2006,1(27):49-58.

[2]史丽红.基于小波变换的火焰图像检测[J].计算机技术及应用,2009,2:37-38.

[3]程鑫.图像型火灾火焰探测报警系统[D],中国江苏南京:东南大学,2005.6.

[4]陈莹.大空间图像型火灾探测和自动灭火技术的研究[D],中国天津:天津大学电气与自动化工程学院,2006.1.

[5]Damir Krstini,Darko Stipaniev,Toni Jakovevi.Histogram-Based Smoke Segmentation In Forest Fire Detection System[J].Information Technology And Control,2009(38)3:237-244.

[6]Xiaofang Cheng,Jianhua Wu,Xin Yuan.Principles for a video fire detection system[J].Fire Safety Journal,1999(33)1:57-69.

余霞(1988-),女,助理工程师,主要从事部队信息通信自动化工作。