楊 婷， 趙楊輝

(內(nèi)蒙古電力(集團(tuán))有限責(zé)任公司 阿拉善供電分公司， 內(nèi)蒙古 阿拉善 750306)

0 引 言

傳統(tǒng)感溫感煙類(lèi)型火災(zāi)報(bào)警器由于其參考數(shù)據(jù)單一、反應(yīng)滯后、誤報(bào)漏報(bào)等缺陷，不能滿(mǎn)足日益增長(zhǎng)的安全需求[1]。如何使傳感數(shù)據(jù)在達(dá)到設(shè)定閾值前就觸發(fā)報(bào)警，又不會(huì)降低準(zhǔn)確率，提前發(fā)現(xiàn)火災(zāi)隱患，成為近幾年火災(zāi)防治的熱點(diǎn)研究方向。

計(jì)算機(jī)視覺(jué)技術(shù)在火災(zāi)識(shí)別領(lǐng)域已有一定的研究。其中，Hong等[2]將顏色判別技術(shù)運(yùn)用在火災(zāi)識(shí)別技術(shù)中，可以精準(zhǔn)區(qū)分目標(biāo)區(qū)域，但是當(dāng)存在相近顏色物體時(shí)會(huì)誤報(bào)。王欣剛等[3]提出了運(yùn)動(dòng)檢測(cè)手段實(shí)時(shí)分析目標(biāo)區(qū)域，利用小波分析法判斷煙霧特征，該方法精度較高，可以實(shí)時(shí)捕捉火焰性征，但是計(jì)算量較大，實(shí)時(shí)性不強(qiáng)。Yang等[4]利用BP神經(jīng)網(wǎng)絡(luò)和SVM支持向量機(jī)識(shí)別火災(zāi)，該方法環(huán)境適應(yīng)性強(qiáng)，但是訓(xùn)練成本高，不夠精簡(jiǎn)，設(shè)備移植率低。

針對(duì)上述問(wèn)題，筆者提出一種內(nèi)核精簡(jiǎn)，應(yīng)用廣泛的團(tuán)塊標(biāo)記火焰識(shí)別算法，該算法通過(guò)圖像預(yù)處理降低像素復(fù)雜度，基于團(tuán)塊標(biāo)記快速鎖定目標(biāo)區(qū)域，利用火焰顏色特征對(duì)目標(biāo)區(qū)域進(jìn)行復(fù)核校驗(yàn)，確認(rèn)火災(zāi)是否發(fā)生。

1 火災(zāi)檢測(cè)報(bào)警流程

文中基于Linux操作系統(tǒng)，通過(guò)QT開(kāi)發(fā)平臺(tái)，搭載OpenCV視覺(jué)函數(shù)庫(kù)編寫(xiě)火災(zāi)識(shí)別算法。硬件平臺(tái)以監(jiān)控設(shè)備為核心，利用室外攝像頭將視頻流采集到監(jiān)控主機(jī)，通過(guò)火災(zāi)識(shí)別算法完成對(duì)現(xiàn)場(chǎng)區(qū)域的分析[5]。

火災(zāi)識(shí)別算法以團(tuán)塊標(biāo)記實(shí)現(xiàn)火焰部分的識(shí)別與定位[6-8]，通過(guò)圖像預(yù)處理降低計(jì)算量，提高檢測(cè)實(shí)時(shí)性；通過(guò)特征匹配提高準(zhǔn)確率，減少誤報(bào)警數(shù)量?；馂?zāi)檢測(cè)報(bào)警流程如圖1所示。

圖1 火災(zāi)檢測(cè)報(bào)警流程Fig. 1 Fire detection process

2 圖像預(yù)處理

針對(duì)視頻監(jiān)控設(shè)計(jì)一套火災(zāi)識(shí)別算法，預(yù)處理采集圖像，通過(guò)團(tuán)塊標(biāo)記完成火焰的定位，利用火焰特征判別圖像。

2.1 灰度化

視頻監(jiān)控系統(tǒng)采集的圖像為彩色圖像，直接進(jìn)行火焰識(shí)別計(jì)算量較大，影響火焰識(shí)別的實(shí)時(shí)性，因此，需要對(duì)圖像進(jìn)行灰度化。

彩色圖像采用R、G、B三個(gè)向量表達(dá)顏色信息，每個(gè)分量取值范圍為0～255，每個(gè)像素點(diǎn)可以表達(dá)2 553種顏色信息。而視頻采集單幅圖像分辨率為640×480，需要簡(jiǎn)化圖像提高計(jì)算實(shí)時(shí)性。

首先對(duì)三個(gè)向量求均值，然后將此均值作為該圖像的唯一向量，將RGB顏色信息轉(zhuǎn)換為YUV，其中U、V代表顏色信息，Y代表亮度信息，兩者互不相關(guān)。將唯一向量信息賦值給Y，忽略U、V，僅保留采集圖像的亮度信息。Y與RGB的關(guān)系式為

Y=0.3R+0.59G+0.11B。

轉(zhuǎn)換后采集圖像變?yōu)榛叶葓D像，降低了實(shí)時(shí)分析的計(jì)算量，為后續(xù)二值化處理提供條件，火焰圖像灰度化的轉(zhuǎn)換效果如圖2所示。

圖2 灰度化火焰圖像Fig. 2 Grayscale flame image

2.2 二值化

發(fā)生火災(zāi)時(shí)，火焰的亮度較圖像中其它物體高，根據(jù)這個(gè)特性，可以將火焰與背景分離出來(lái)。為了識(shí)別火焰區(qū)域，需要對(duì)Y設(shè)定一個(gè)亮度閾值T0，高于T0的部分判別為火焰區(qū)域，并將此區(qū)域全部像素點(diǎn)的亮度值置頂，設(shè)為255；低于T0的部分判別為背景區(qū)域，并將此區(qū)域全部像素點(diǎn)的亮度值置零，設(shè)為0，然后灰度圖像轉(zhuǎn)換為黑白圖像，進(jìn)一步降低圖像處理的計(jì)算量。

2.3 最優(yōu)閾值選取

為防止誤判火災(zāi)情況的發(fā)生，需要根據(jù)火焰的亮度特性設(shè)定閾值T0，經(jīng)過(guò)大量實(shí)驗(yàn)對(duì)比，將T0設(shè)置為100，當(dāng)圖像灰度值超過(guò)75時(shí)，判斷有疑似火焰發(fā)生。

為了準(zhǔn)確分離火焰與背景信息，需要根據(jù)采集圖像的灰度值分布計(jì)算更加合適的閾值。根據(jù)初始閾值100，將圖像分割成兩部分區(qū)域，對(duì)兩部分區(qū)域的灰度值分別求得均值L1和H1，再分別對(duì)兩個(gè)均值求均值，得到新的閾值T1，反復(fù)N次得到Tn，根據(jù)Tn分離圖像，就可以將明顯區(qū)別于其它區(qū)域的灰度集合篩選出來(lái)，這就是利用迭代均值法選取最優(yōu)閾值的過(guò)程，公式如下所示。

隨著迭代次數(shù)的增大，當(dāng)|Tn-Tn-1|足夠小時(shí)，Tn就無(wú)限逼近最優(yōu)閾值。出于對(duì)系統(tǒng)實(shí)時(shí)性的考慮，經(jīng)過(guò)大量實(shí)驗(yàn)比對(duì)，將迭代次數(shù)設(shè)定為3次。若最終迭代結(jié)果T3≤100，則判定區(qū)域內(nèi)未發(fā)生火災(zāi)，排除采集圖片，繼續(xù)對(duì)下一幀采集圖片進(jìn)行預(yù)處理；如果最終結(jié)果T3≥100，則判斷該區(qū)域可能發(fā)生火災(zāi)，并將該圖像作二值化分割處理。最優(yōu)閾值二值化分割效果如圖3所示。

圖3 火焰二值化分割效果示意Fig. 3 Schematic of flame binary segmentation effect

3 團(tuán)塊標(biāo)記

3.1 第一次團(tuán)塊標(biāo)記

根據(jù)二值化圖像信息，統(tǒng)計(jì)圖像中每一片相連的白色區(qū)域，分別標(biāo)記，完成第一次團(tuán)塊標(biāo)記。通過(guò)標(biāo)記，可以實(shí)現(xiàn)對(duì)每一片白色區(qū)域面積的計(jì)算。

以像素陣列的(1，1)為起點(diǎn)對(duì)采集圖像從左到右、自上至下進(jìn)行掃描，示意圖如4所示。

圖4 第一次團(tuán)塊標(biāo)記掃描原理Fig. 4 Scanning principle of first lump mark

從(1，1)開(kāi)始向右掃描至(1，14)；發(fā)現(xiàn)(1，2)至(1，6)與(1，10)至(1，13)兩片白色連續(xù)區(qū)域，并分別標(biāo)記團(tuán)塊1與團(tuán)塊2；完成第1行的掃描后，跳轉(zhuǎn)到(2，1)，開(kāi)始對(duì)第2行進(jìn)行掃描；在第2行發(fā)現(xiàn)(2，6)至(2，7)與(2，9)至(2，10)兩片白色連續(xù)區(qū)域，由于(2，6)至(2，7)與(1，2)至(1，6)相連，因此，該區(qū)域仍標(biāo)記為團(tuán)塊1；(2，9)至(2，10)與(1，10)至(1，13)相連，該區(qū)域仍標(biāo)記為團(tuán)塊2。

完成第2行的掃描后，跳轉(zhuǎn)到(3，1)，開(kāi)始對(duì)第3行進(jìn)行掃描；在第3行發(fā)現(xiàn)(3，2)至(3，4)與(3，7)至(3，8)兩片白色連續(xù)區(qū)域，由于(3，2)至(3，4)不與上述任何區(qū)域相連，因此，該區(qū)域標(biāo)記為團(tuán)塊3；(3，7)至(3，8)與(2，6)至(2，7)、(2，9)至(2，10)同時(shí)相連，此時(shí)該區(qū)域標(biāo)記為序號(hào)較小的一方，并在團(tuán)塊2與團(tuán)塊1之間建立等價(jià)組合。最終將等價(jià)組合合并為一個(gè)團(tuán)塊，并標(biāo)記為集合中的最小序號(hào)，重新排序得到采集圖像標(biāo)記團(tuán)塊的統(tǒng)計(jì)和分析。

3.2 團(tuán)塊篩選

為了提高火災(zāi)識(shí)別精度，防止燈光等干擾因素引起火災(zāi)誤報(bào)警，將面積較小的團(tuán)塊進(jìn)行刪除。第一次團(tuán)塊標(biāo)記的過(guò)程中同時(shí)記錄了每個(gè)團(tuán)塊的像素點(diǎn)個(gè)數(shù)，通過(guò)大量實(shí)驗(yàn)比對(duì)設(shè)定一個(gè)面積閾值100，低于閾值的作為干擾信息進(jìn)行刪除。圖5是篩選后的火焰區(qū)域。

圖5 篩選后的火焰區(qū)域Fig. 5 Flame area after screening

3.3 團(tuán)塊填充

團(tuán)塊填充的目的是將目標(biāo)區(qū)域中的氣泡進(jìn)行填充，從而更好地對(duì)目標(biāo)區(qū)域的形狀特性進(jìn)行分析和判別。

創(chuàng)建一個(gè)5×5像素點(diǎn)集掃描圖像，并且該掃描體的像素點(diǎn)灰度值都為255；掃描方式與第一次團(tuán)塊標(biāo)記類(lèi)似，從第1～5行開(kāi)始掃描，每5列為1步長(zhǎng)，完成后，再?gòu)牡?～10行開(kāi)始掃描，以此類(lèi)推。

掃描過(guò)程中，掃描體與被掃描區(qū)域的像素點(diǎn)灰度值進(jìn)行與計(jì)算，如果計(jì)算結(jié)果都為0或1，那么繼續(xù)掃描下一區(qū)域；若果計(jì)算結(jié)果同時(shí)包含1和0，那么將被掃描區(qū)域的像素點(diǎn)值全部置255，實(shí)現(xiàn)目標(biāo)區(qū)域氣泡的填充及膨脹。

為了腐蝕膨脹的區(qū)域，需要進(jìn)行第二次掃描然后進(jìn)行第二次掃描，如果計(jì)算結(jié)果都為0或1，那么繼續(xù)掃描下一區(qū)域；若果計(jì)算結(jié)果同時(shí)包含1和0，那么將被掃描區(qū)域的像素點(diǎn)值全部置0，實(shí)現(xiàn)目標(biāo)區(qū)域膨脹部分的腐蝕。團(tuán)塊填充后的效果如圖6所示。

圖6 團(tuán)塊填充效果Fig. 6 Effect picture of block filling

3.4 第二次團(tuán)塊標(biāo)記

第二次團(tuán)塊標(biāo)記采用目標(biāo)區(qū)域輪廓追蹤法進(jìn)行掃描，輪廓追蹤可以快捷獲取區(qū)域的形狀特性。輪廓追蹤法的原理如圖7所示。

圖7 輪廓標(biāo)記Fig. 7 Outline marking

掃描指針P抵達(dá)目標(biāo)區(qū)域后，對(duì)第一個(gè)像素點(diǎn)標(biāo)記A，開(kāi)啟輪廓追蹤模式，通過(guò)鄰近8個(gè)像素點(diǎn)灰度判別前進(jìn)方向。判別過(guò)程如下：從標(biāo)記點(diǎn)右側(cè)像素點(diǎn)開(kāi)始按照0～7順時(shí)針編號(hào)；從0號(hào)點(diǎn)開(kāi)始，按照0→1→2→3→4→5→6→7→0的順序進(jìn)行判別，當(dāng)灰度值出現(xiàn)0→255的跳變時(shí)，且該255的像素點(diǎn)未被標(biāo)記，則該255的像素點(diǎn)就是指針P下一步前進(jìn)的方向，并中止鄰域像素點(diǎn)的判別過(guò)程；指針P前進(jìn)到下一跳像素點(diǎn)，并標(biāo)記A，并重復(fù)上一過(guò)程，直至判別過(guò)程中出現(xiàn)了兩個(gè)被標(biāo)記的點(diǎn)，說(shuō)明指針已回到起點(diǎn)，完成輪廓追蹤。

掃描方式與第一次團(tuán)塊標(biāo)記相同，抵達(dá)目標(biāo)區(qū)域時(shí)，中斷掃描，開(kāi)啟輪廓追蹤模式。追蹤方法利用鄰域像素灰度值比對(duì)的方法進(jìn)行，原理如圖8所示。

圖8 輪廓追蹤判別Fig. 8 Contour tracing discriminant

完成輪廓追蹤后，重新開(kāi)啟掃描過(guò)程，當(dāng)遇到像素點(diǎn)A時(shí)繼續(xù)掃描，且之后掃描的像素點(diǎn)全部標(biāo)記A，直至遇到另一個(gè)像素點(diǎn)A，標(biāo)記結(jié)束。標(biāo)記過(guò)程示意如圖9所示。

圖9 掃描標(biāo)記示意Fig. 9 Schematic of scanning mark

紅色標(biāo)記為輪廓標(biāo)記，白色標(biāo)記為掃描標(biāo)記，圖像中其余團(tuán)塊按照B，C，…依次標(biāo)記，最終通過(guò)第二次團(tuán)塊標(biāo)記獲取各目標(biāo)區(qū)域的幾何中心以及面積，并選用合適的框體進(jìn)行火災(zāi)定位。效果示意圖如圖10所示。

圖10 火災(zāi)定位Fig. 10 Fire location

4 顏色算法設(shè)計(jì)

為了提高火災(zāi)識(shí)別的快速性和準(zhǔn)確性，在團(tuán)塊標(biāo)記的基礎(chǔ)上提取特征，并與火焰模板進(jìn)行比對(duì)，通過(guò)OpenCV進(jìn)行大量特征識(shí)別訓(xùn)練[9]，從而增強(qiáng)智能識(shí)別火災(zāi)的能力[10]。

4.1 特征提取

利用團(tuán)塊標(biāo)記法對(duì)疑似火焰區(qū)域初步定位后，文中框選彩色圖像，截取選中部分作為特征區(qū)域進(jìn)行下一步顏色判別，提取結(jié)果如圖11所示。

圖11 火焰特征提取示意Fig. 11 Schematic of flame feature extraction

4.2 顏色判別

為提高團(tuán)塊標(biāo)記法準(zhǔn)確性，根據(jù)火焰的顏色特性[9]，選用火焰顏色模板進(jìn)行比對(duì)訓(xùn)練，二次判定疑似火焰區(qū)域，顏色模板色卡如圖12所示。

圖12 火焰顏色模板色卡Fig. 12 Flame color template color card

模板色卡對(duì)應(yīng)的RGB值如表1所示。

表1 火焰顏色RGB值

首先，將提取的特征區(qū)域分成若干等面積小區(qū)域，每個(gè)小區(qū)域求出一個(gè)色度均值，然后，利用每個(gè)色度均值與模板色值一一比對(duì)，分析色度匹配誤差、匹配成功率以及火災(zāi)識(shí)別率，接著，通過(guò)OpenCV庫(kù)對(duì)大量實(shí)驗(yàn)圖像的色度識(shí)別進(jìn)行訓(xùn)練，最終,得出色度匹配誤差為±5%，匹配成功率70%以上時(shí)，火災(zāi)識(shí)別成功率可達(dá)到95.6%，較傳統(tǒng)視覺(jué)算法提升15.7%，訓(xùn)練過(guò)程如圖13所示。

圖13 火焰顏色訓(xùn)練過(guò)程Fig. 13 Flame color training process

4.3 火災(zāi)識(shí)別檢測(cè)

根據(jù)團(tuán)塊識(shí)別算法和火焰特征訓(xùn)練，通過(guò)大量實(shí)驗(yàn)，實(shí)現(xiàn)火災(zāi)圖像檢測(cè)算法的應(yīng)用，平均一整套判別過(guò)程耗時(shí)約為0.5 s，較傳統(tǒng)視覺(jué)算法縮短83.6%。圖14是火災(zāi)圖像的識(shí)別結(jié)果，通過(guò)綠色框體標(biāo)記火災(zāi)區(qū)域。

圖14 火災(zāi)檢測(cè)效果Fig. 14 Fire detection effect

5 結(jié) 論

文中提出了一種基于團(tuán)塊標(biāo)記的火災(zāi)識(shí)別算法，考慮算法的獨(dú)立性，采用程序移植，實(shí)現(xiàn)攝像頭分布式火災(zāi)判別，構(gòu)建了精簡(jiǎn)的火災(zāi)識(shí)別網(wǎng)絡(luò)。實(shí)驗(yàn)證明，該算法有較強(qiáng)的實(shí)時(shí)性，平均判別時(shí)間約為0.5 s，同時(shí)，具有較高的精準(zhǔn)度，實(shí)測(cè)準(zhǔn)確率達(dá)95.6%。