劉 飛，陳海鵬，吳冬華，徐 磊，劉曉華，譚華春

(1.南車青島四方機(jī)車車輛股份有限公司，山東青島266111;2.蘇州易程智能系統(tǒng)有限公司，江蘇蘇州215163;3.北京理工大學(xué)交通工程系，北京100081)

1 引言

隨著我國高速鐵路的快速發(fā)展，對(duì)列車安全的需要越來越迫切。為了解決列車的火災(zāi)預(yù)警問題，本文采用紅外熱像儀進(jìn)行識(shí)別探測(cè)［1］。

傳統(tǒng)的火災(zāi)檢測(cè)系統(tǒng)采用電子敏感元件收集的物理參量的不同主要分為四類:通過探測(cè)空氣中的顆粒物濃度來進(jìn)行檢測(cè);通過感應(yīng)溫度變化來進(jìn)行檢測(cè);通過感應(yīng)光的強(qiáng)弱變化來進(jìn)行檢測(cè);通過感應(yīng)空氣中特殊化學(xué)物質(zhì)的變化來檢測(cè)。但這些傳統(tǒng)的火災(zāi)檢測(cè)方式容易受到周圍環(huán)境的影響，如空氣中粉塵含量大的環(huán)境、光線變化復(fù)雜的環(huán)境等。而在火災(zāi)的燃燒產(chǎn)物煙、熱、光這三種物質(zhì)中，光傳播速度最快且不易受環(huán)境及空間尺寸的影響，以光作為信息源識(shí)別信號(hào)，可以實(shí)現(xiàn)最快速度報(bào)警［2］。而自然界中任何物體都會(huì)不停地向周圍空間輻射包括紅外波段在內(nèi)的電磁波，物體表面的溫度越高，紅外輻射能量就越多，紅外熱像儀就是利用這一特征，通過光電紅外探測(cè)器將物體發(fā)熱部分輻射的功率信號(hào)轉(zhuǎn)換成電信號(hào)后，成像裝置就可以一一對(duì)應(yīng)地模擬出物體表面溫度的空間分布，最后經(jīng)系統(tǒng)處理，形成圖像視頻信號(hào)［3］。并且針對(duì)列車車廂的火災(zāi)監(jiān)控，需要為事故調(diào)查提供詳盡的信息，同時(shí)需要檢測(cè)到較小形態(tài)的火焰［4］，盡快發(fā)出報(bào)警以保護(hù)車廂內(nèi)的探測(cè)設(shè)備，因此采用基于紅外熱像儀的煙火檢測(cè)，可以有效保護(hù)車廂內(nèi)的探測(cè)設(shè)施，提高火災(zāi)檢測(cè)的準(zhǔn)確率。

2 列車車廂應(yīng)用紅外熱像儀的鏡頭選擇

紅外熱像儀的鏡頭決定了采集到圖像的質(zhì)量及拍攝范圍等，針對(duì)車廂狹長環(huán)境下，主要需要考慮攝像頭的可覆蓋范圍及視場(chǎng)角等。考慮到動(dòng)車組車廂大約25 m，寬度約為3.3 m，高度3.9 m，本文紅外探測(cè)器采用Flir公司的25 μm tau2 324探測(cè)器，分辨率為320×256，在這種狹長的車廂兩邊架設(shè)探測(cè)器，可以使車廂整體能夠達(dá)到最佳探測(cè)效果，參考鏡頭參數(shù)，利用成像公式計(jì)算不同焦距紅外鏡頭的探測(cè)距離［5］:

其中，F(xiàn)表示鏡頭焦距;w為探測(cè)器圖像寬度;W為被攝物體寬度;L表示物體與鏡頭距離;θ為視場(chǎng)角度，所得結(jié)果如表1所示。

表1 紅外鏡頭不同距離的探測(cè)范圍對(duì)比

根據(jù)表1所知紅外鏡頭的視場(chǎng)角和不同距離的探測(cè)范圍，在12.5 m 處7.5 mm、13 mm、19 mm 均能覆蓋整個(gè)車廂，而25 mm未能完全探測(cè)全部車箱;為了使車內(nèi)12.5 m到25 m處探測(cè)效果最佳，在車廂兩側(cè)安裝兩個(gè)19 mm鏡頭的探測(cè)器最為理想，可以全面地覆蓋整個(gè)車廂。

3 紅外熱像儀的火焰檢測(cè)算法研究

紅外熱像儀是將物體發(fā)出的不可見紅外能量轉(zhuǎn)變?yōu)榭梢姷臒釄D像，相比于傳統(tǒng)的可見光攝像頭，可以將大量的干擾排除在外，采集到的亮度區(qū)必定是散發(fā)出紅外輻射的物體。火焰檢測(cè)算法大致分為3個(gè)步驟:①圖像預(yù)處理，②圖像分割，③圖像識(shí)別。

3.1 圖像預(yù)處理

針對(duì)動(dòng)車組列車車廂，實(shí)驗(yàn)?zāi)M了幾個(gè)常見的高溫物體，在不同距離進(jìn)行測(cè)試，然后再對(duì)14 bit Raw數(shù)據(jù)進(jìn)行圖像預(yù)處理，利用目標(biāo)與背景間的溫度差進(jìn)行火焰檢測(cè)。得到的目標(biāo)與背景的灰度級(jí)差，如表2所示。

實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，開水由于溫度較高，加上測(cè)量距離和水杯的輻射率不同的影響，導(dǎo)致測(cè)量的灰度級(jí)差會(huì)有比較大的影響。而對(duì)于4 m的物體，溫度每升高1℃，其熱像的灰度級(jí)會(huì)升高20左右。因此對(duì)于4 m開外比環(huán)境溫度高4000個(gè)灰度級(jí)的物體，溫度必然在200℃以上，可以判斷為火焰。由于火車上的物體輻射率都不相同，同樣溫度的不同物體，灰度級(jí)會(huì)有很大差別，因此類似于打火機(jī)火焰和開水就很難區(qū)分了，我們還需要進(jìn)一步處理。

表2 各高溫物體與背景的灰度級(jí)差

3.2 圖像分割

對(duì)于灰度級(jí)差介于500到4000的物體，由于測(cè)量距離、物體輻射率不同等因素，導(dǎo)致測(cè)量的溫度值并不符合實(shí)際值。所以為了區(qū)分開水等干擾源，需要我們對(duì)采集到的這部分圖像先進(jìn)行圖像分割。先用中值濾波法對(duì)原始紅外圖像數(shù)據(jù)進(jìn)行去噪，預(yù)處理后得到的圖像包含了背景噪聲、目標(biāo)和邊緣區(qū)域，需選取一個(gè)合適的閾值進(jìn)行“二值化”分割［6］。

首先進(jìn)行閾值分割，二值化的閾值選取非常關(guān)鍵，閾值過高，會(huì)造成變化區(qū)域缺損和碎化，反之會(huì)引入大量背景噪聲。這里我們采用統(tǒng)計(jì)分割的方法來自適應(yīng)求取分割閾值，其理論依據(jù)是預(yù)處理后圖像近似服從準(zhǔn)高斯分布［7］，隨機(jī)變量取均值三倍標(biāo)準(zhǔn)差鄰域之外的值的概率很小，而目標(biāo)灰度值一般較高，容易處于三倍甚至更高倍數(shù)標(biāo)準(zhǔn)差之外，因此分割門限一般取均值累加三倍或更高倍數(shù)標(biāo)準(zhǔn)差。統(tǒng)計(jì)分割方法可以表示為:

其中:

其中，M，N為圖像行數(shù)和列數(shù);μ為均值;σ為標(biāo)準(zhǔn)差;th為分割閾值;取κ=3。

3.3 火焰識(shí)別

圖像分割完后，通過觀察發(fā)現(xiàn)對(duì)于火焰目標(biāo)，其變化主要集中在上部，底部火焰相對(duì)穩(wěn)定。對(duì)于開水水杯等干擾物，整體變化都相對(duì)穩(wěn)定，如圖1所示。基于這樣的特征，我們采取了概率統(tǒng)計(jì)模型的判定算法。

圖1 水杯和火焰特征圖

對(duì)于概率模型［8］，特征量的選擇以及對(duì)應(yīng)權(quán)值的選取難以很好地量度，只能通過分析和經(jīng)驗(yàn)來設(shè)定。本文考慮三個(gè)特征量［9］:分散度、尖角數(shù)、高度變化。

分散度也稱為圓形度，它是一種面積形狀的測(cè)度。若圖像子集S的面積為A，周長為L，fC表示分散度，定義如下:

fA表示尖角數(shù)目［10］，定義如下:

其中，th定義為7～10;a，b為閾值，如果允許誤報(bào)，a可以選取較大值，a＞b;如果不允許誤報(bào)，b可以選取較小值，a＜b。

HN為疑似火焰序列的高度集合，假設(shè)對(duì)HN作離散余弦變換獲得余弦系數(shù)集合Ai。則高度變化特征函數(shù)fd(Ai)為:

其中，l為離散余弦變換的長度;Ai(k)為余弦變換系數(shù)。當(dāng)fd(Ai)值越大時(shí)，說明分量越大。

基于這三個(gè)特征量函數(shù)，定義基于高度變化的火焰判定概率模型為:

式中，a1，a2，a3為調(diào)整系數(shù)，a1+a2+a3=1.0。

3.4 實(shí)驗(yàn)結(jié)果分析

為了模擬高鐵內(nèi)狹長的監(jiān)控環(huán)境，本文采用樓道走廊作為實(shí)驗(yàn)環(huán)境，具體環(huán)境如圖2所示。

圖2 實(shí)驗(yàn)環(huán)境

針對(duì)車廂內(nèi)可能存在火源的煙頭、紙張和打火機(jī)及干擾較強(qiáng)的熱水杯，實(shí)驗(yàn)采集了不同距離下的此類圖像序列，并模擬了水杯及煙頭從遠(yuǎn)到近的變化。實(shí)驗(yàn)結(jié)果如圖3～圖6所示。

圖3 燃燒紙張檢測(cè)結(jié)果

圖4 打火機(jī)火焰檢測(cè)結(jié)果

圖5 熱水杯的檢測(cè)結(jié)果

圖6 煙頭檢測(cè)結(jié)果

從上述圖3、圖4和圖6的結(jié)果看出，本文提出的火焰檢測(cè)對(duì)讓燃燒的紙張、打火機(jī)火焰和煙頭都能迅速準(zhǔn)確地發(fā)出報(bào)警，報(bào)警率100%，但如圖5的熱水杯，會(huì)出現(xiàn)一定的誤檢情況，在錄制的983幀的視頻中，出現(xiàn)誤檢的幀數(shù)為5幀，說明熱水杯由于溫度及水汽擴(kuò)散形狀與真實(shí)火焰極為接近，雖然可以剔除掉大部分熱水杯的影響，但仍對(duì)基于紅外熱像儀的火焰檢測(cè)有一定的干擾，這是本文后續(xù)需要改進(jìn)的部分。

上述實(shí)驗(yàn)結(jié)果表明，本文提出的基于高度變化的火焰判定概率模型對(duì)檢測(cè)火焰非常有效，能夠排除掉大部分的干擾，并能在火焰出現(xiàn)1 s內(nèi)被檢測(cè)到，實(shí)時(shí)性強(qiáng)，檢測(cè)率高，對(duì)于車廂上火焰檢測(cè)具有很高的實(shí)用價(jià)值。

4 結(jié)論

針對(duì)車廂列車中火災(zāi)檢測(cè)需要快速報(bào)警并保護(hù)車內(nèi)設(shè)施的需求，本文采用紅外圖像作為處理圖像，可以遠(yuǎn)距離監(jiān)測(cè)車廂狀況，同時(shí)可以減少輻射光源的干擾和降低處理的復(fù)雜度。通過預(yù)先對(duì)輸入圖像進(jìn)行溫度判定，高于熱力學(xué)溫度的直接判定為火源，然后針對(duì)火焰和干擾源如開水等的特征分析，主要采用基于高斯分布的方法分割疑似火焰目標(biāo)，然后采用離散余弦來描述疑似火焰目標(biāo)高度的變化，最后構(gòu)建火警概率模型來判別火焰目標(biāo)，實(shí)現(xiàn)效果基本令人滿意。因此，采用紅外熱像儀安裝在車廂兩側(cè)，可以達(dá)到最快速度的火災(zāi)預(yù)警，相比其他的火災(zāi)預(yù)警設(shè)備有很強(qiáng)的優(yōu)勢(shì)。

［1］ LI Xiangdi，HUANG Ying，ZHANG Peiqing，et al.Infrared imaging system and application［J］.Laser ＆ Infrared，2014，44(3):229－234.(in Chinese)李相迪，黃英，張培晴，等.紅外成像系統(tǒng)及其應(yīng)用［J］.激光與紅外，2014，44(3):229－234.

［2］ YAN Wenhua.Application of infrared thermal imaging technology in the early fire detection in large space building［J］.Fire Protection Technology And Product Information，2011(8):33－35.(in Chinese)閆文華.紅外熱成像技術(shù)在大空間建筑火災(zāi)早期探測(cè)中的應(yīng)用［J］.消防技術(shù)與產(chǎn)品信息，2011(8):33－35.

［3］ LU Shengnan.A survey of video fire detection algorithm［J］.Television Technology，2013，37(3):179－184.(in Chinese)盧勝男.視頻火災(zāi)識(shí)別方法研究綜述［J］.電視技術(shù)，2013，37(3):179－184.

［4］ CHEN Xiaosi，CHENG Zhengdong，F(xiàn)AN Xiang，et al.Infrared small target detection based on kernel distance weighted k－nearest neighbor algorithm［J］.Laser＆ Infrared，2014，44(9):1060－1064.(in Chinese)陳曉斯，程正東，樊祥，等.基于核距離加權(quán)的 k－最近鄰紅外小目標(biāo)檢測(cè)［J］.激光與紅外，2014，44(9):1060－1064.

［5］ LI Fu，RUAN Ping，XU Guangzhou，et al.Integrated opto－mechanical－thermal analysis of infrared lens［J］.Journal of Applied Optics，2011，32(3):385－388.(in Chinese)李福，阮萍，徐廣州，等.紅外鏡頭的光機(jī)熱集成分析研究［J］.應(yīng)用光學(xué)，2011，32(3):385－388.

［6］ GAO Jing，SUN Jiyin，WU Kun，et al.Infrared target detection based on shape characteristics［J］.Laser ＆ Infrared，2013，43(1):49－53.(in Chinese)高晶，孫繼銀，吳昆，等.基于形狀特征的紅外目標(biāo)檢測(cè)方法［J］.激光與紅外，2013，43(1):49－53.

［7］ LIU HuiJing，LIU Hui，LIN Hong.Implementing fire detection based on machine vision and gaussian mixture model［J］.Process Automation Instrumentation，2012，33(3):60－62.(in Chinese)劉會(huì)景，劉輝，林宏.混合高斯模型和機(jī)器視頻的火災(zāi)檢測(cè)的實(shí)現(xiàn)［J］.自動(dòng)化儀表，2012，33(3):60－62.

［8］ WANG Yuanbin，MA Xianmin.Recognition of fire flame based on image futures［J］.Fire Science and Technology，2012(2):126－128.(in Chinese)王媛彬，馬憲民.基于圖像特征的火災(zāi)火焰識(shí)別方法［J］.消防科學(xué)與技術(shù)，2012(2):126－128.

［9］ XU Zhi，HAN Bin，SONG Jinghai，et al.Fire detection algorithm based on embedded system using infrared pictures［J］.Science Technology And Engineering，2008，8(1):96－100.(in Chinese)徐之，韓斌，宋敬海，等.基于嵌入式系統(tǒng)和紅外圖像的火焰檢測(cè)算法［J］.科學(xué)技術(shù)與工程，2008，8(1):96－100.

［10］ GU Junjun，ZHAO Min，WU Yijie.The calculation algorithm of flame sharp angle for early fire［J］.Journal Of Qingdao University:Engineering ＆ Technology Edition，2010，25(1):24－27.(in Chinese)顧俊俊，趙敏，吳毅杰.早期火災(zāi)火焰尖角計(jì)算算法的研究［J］.青島大學(xué)學(xué)報(bào):工程技術(shù)版，2010，25(1):24－27.