牛 犇，包德堯

（金陵科技學院 電子信息工程學院 江蘇 南京 211169）

0 引言

火災一直是人類生產(chǎn)生活中危害最大的災害之一，在火災發(fā)生的初期對火苗進行有效檢測有助于預防火勢蔓延，防止災難性事故發(fā)生，具有重要的實際意義。近些年，隨著計算機視覺技術(shù)的快速發(fā)展，以光學傳感器為基礎(chǔ)監(jiān)測單元的視頻火苗檢測技術(shù)逐漸成為火災防控的重要手段。

基于計算機視覺技術(shù)的火苗檢測方法主要分為兩種，一是通過提取圖像中的火苗特征，使用分類算法對提取的特征進行分類，二是基于深度學習的火苗檢測算法。Foggia等[1]采用顏色、形態(tài)變化、運動來對各個區(qū)域進行判別，根據(jù)權(quán)重的投票策略進行綜合決策，該方法主要應用于固定的視覺系統(tǒng)。劉小虎等[2]采用改進的Soble邊緣檢測算法，選取顏色B分量的邊緣梯度作為判斷火焰和干擾圖像的依據(jù)。李巨虎等[3]在顏色特征的基礎(chǔ)上，提取圖像空域和頻域的紋理特征，該算法能夠提取火焰局部的微紋理信息，表現(xiàn)出更好的魯棒性。Khalil等[4]結(jié)合RGB和CIE Lab顏色模型，通過計算火焰的運動及增長趨勢判斷火災危害等級。Torabian等[5]提出一種RGB概率模型來分離每幀圖像中與火災區(qū)域顏色相似的運動區(qū)域，從候選區(qū)域中提取相關(guān)系數(shù)、互信息等時空特征，使用SVM分類器對候選區(qū)域進行分類。王彥朋等[6]提出了基于熵值加權(quán)支持向量機的火焰檢測方法。李欣健等[7]提出基于YOLO的火焰檢測方法，使用深度可分離卷積改進火焰檢測模型的網(wǎng)絡(luò)結(jié)構(gòu)，并使用多種數(shù)據(jù)增強技術(shù)與基于邊框的損失函數(shù)以提高精度。張弛等[8]提出一種基于改進混合高斯模型（GMM）和多特征融合的視頻火焰檢測算法。嚴忱等[9]提出了一種融合多級特征的視頻火焰檢測方法，針對下采樣分辨率變小導致丟失目標的問題，引入了反卷積模塊，并融合深層具有較強語義信息的特征和淺層具有較強細節(jié)信息的特征，從而有效提高了火焰的檢測率。與傳統(tǒng)手工提取特征的方法相比，深度學習在目標檢測領(lǐng)域具有抗干擾能力強、準確率高的優(yōu)點[10]，但對于設(shè)備的要求較高，不便于應用在嵌入式系統(tǒng)中。因此，本文采用HSV顏色空間，通過歐式距離與外接矩形中心點判斷火苗區(qū)域，對火苗的動態(tài)特征、靜態(tài)特征、紋理特征等進行多特征融合，從而實現(xiàn)有效的火苗檢測。

1 基于HSV顏色模型的多特征融合火苗檢測

通過嵌入式硬件設(shè)備控制攝像頭獲取到圖像，將獲取的第一幀圖像作為背景，獲取的后續(xù)幀圖像通過背景差分法，濾除非動態(tài)信息，得到動態(tài)變化的區(qū)域（如飄動的火苗），在HSV顏色模型下進行疑似火苗判別，判斷出當前幀圖像是否滿足有疑似火苗顏色的兩種顏色區(qū)域，且滿足設(shè)置的歐式距離；如果沒有，則更換背景。如果有，則將兩種顏色的區(qū)域進行相加，得到疑似火苗區(qū)域，并計算疑似火苗區(qū)域的紋理參數(shù)，將計算出的紋理參數(shù)送入已經(jīng)訓練好的支持向量機進行判定，若連續(xù)4幀判定為存在火苗，則蜂鳴器報警；否則繼續(xù)進行特征提取、特征融合及判定，尋找飄動的火苗。

火苗顏色HSV模型判別算法，如圖1所示。

圖1 火苗顏色HSV模型判別算法

輸入一幅圖像，利用表1所示的黃色與橙色的顏色數(shù)組分布范圍，對顏色區(qū)域去除噪聲點并填補顏色區(qū)域內(nèi)部空隙。若兩種顏色區(qū)域有一個不存在，則繼續(xù)檢測下一幅圖像。若都存在，則用外接矩形標記兩個顏色區(qū)域，得到外接矩形的中心點位置。利用歐式距離來衡量兩個外接矩形中心點位置的距離，若計算出的歐式距離滿足在一定范圍內(nèi)，則說明兩個顏色區(qū)域分別是火苗的一部分，將兩個顏色區(qū)域進行合并，得到疑似火苗顏色區(qū)域。

表1 HSV色彩空間下的顏色數(shù)組范圍

通過HSV顏色檢測，可以看出橙色能夠較好地檢測到火焰的邊緣區(qū)域，黃色可以較好地檢測到火焰的部分區(qū)域。白色雖然能檢測到火焰的中心區(qū)域，但只有在黑暗條件下，火焰才有白色區(qū)域產(chǎn)生。橙色和黃色進行顏色檢測區(qū)域位置信息拼接更容易得到火苗的整個樣貌，因此可結(jié)合其兩色的外接矩形中心點的歐式距離，以距離來衡量是否有火苗的產(chǎn)生。

1.1 火苗圖像預處理

當火災發(fā)生時，采集到的圖像中火苗區(qū)域在灰度圖像中十分顯著，圖像融合可以有效地降低圖像的對比度，火焰在灰度圖像中呈現(xiàn)出極為突出的亮度區(qū)域，對比度降低后相對中等強度的亮度區(qū)域會被削弱，從而使整個圖像偏暗。降低對比度可以有效減少顏色特征的誤檢率?；鹈鐖D像權(quán)值為0.2，純黑色圖像權(quán)值為0.8，圖像融合如式（1）所示。

其中src1是輸入的第一幅圖像，alpha是第一幅圖像的權(quán)重，src2是輸入的第二幅圖像，beta是第二幅圖像的權(quán)重。

1.2 歐式距離

設(shè)兩個像素點p（x，y）、q（s，t），兩點間的歐式距離如式（2）所示：

與（x，y）的距離小于等于某個值r的像素包含在以（x，y）為圓心，以r為半徑的圓平面內(nèi)。通常將歐式距離進行標準化，距離越大，表示個體間差異越大。歐式距離如圖2所示。

圖2 歐式距離

歐式距離的選取與實際設(shè)備獲取的圖片分辨率有一定的關(guān)系。高清攝像頭獲取的圖像能用更多的像素來顯示圖像，其外接矩形中心距離更大。由于訓練火苗圖像大多數(shù)為25×16，根據(jù)勾股定理，火苗圖像對角線不超過30像素。樹莓派獲取視頻每幀圖像大小為640×480，最后設(shè)定歐式距離在[0,30]，此距離為每幀圖像是否存在火苗的歐式距離條件。

1.3 基于SVM的火苗檢測分類器

基于支持向量機的訓練與檢測火苗過程如圖3所示。首先建立火苗的樣本庫，然后計算每一張火苗圖像的聯(lián)合概率矩陣參數(shù)，并利用支持向量機對訓練數(shù)據(jù)進行訓練，得到火苗與非火苗的分類模型。

圖3 支持向量機識別火苗流程圖

本文采用嵌入式硬件設(shè)備在室內(nèi)不同時間段拍攝火苗視頻，從所拍攝的視頻中選取火苗圖像，并在網(wǎng)絡(luò)上選取部分火苗圖像，共同構(gòu)成火苗樣本庫，火苗圖像統(tǒng)一歸一化為25×16，負樣本則是選取一些有顏色的疑似火苗圖像，如圖4所示。

圖4 部分訓練樣本圖像

圖4所示是用于訓練的部分樣本圖像，其中第一行是正樣本，第二行是負樣本。訓練集包括800張含有各種火苗形態(tài)的圖像作為正樣本，300張具有火苗類似顏色物體的圖像作為負樣本。核函數(shù)采用RBF，使用Libsvm得到的最優(yōu)參數(shù)gama為0.25。

2 實驗結(jié)果與分析

2.1 實驗環(huán)境與配置

為了驗證本文所提出的算法在火災初期對火苗進行實時檢測的效果，將本文的算法在嵌入式硬件設(shè)備上進行實驗，軟件使用Python 3和opencv4.5.0。其軟硬件配置如表2所示。

表2 樹莓派軟硬件配置

2.2 實驗數(shù)據(jù)集

火苗是燃燒物從起始燃燒期直到燃燒旺盛期的一個過渡過程。本實驗選擇的燃燒物是日常使用的面紙。使用嵌入式硬件設(shè)備進行實驗，控制攝像頭獲取測試視頻，室內(nèi)場景下拍攝，其視頻幀大小640×480，視頻幀率是30幀/秒。在實驗過程中，在不同時間段下拍攝了火苗視頻，并對這些視頻進行測試。表3所示為測試視頻的屬性描述。

表3 測試視頻屬性

2.3 火苗檢測結(jié)果分析

視頻1、視頻2、視頻3在不同光照條件下的火苗檢測效果，如圖5所示。

圖5 不同光照條件下的火苗檢測效果

從圖5可以看出，燃燒初始狀態(tài)的火苗可以被有效檢測出來，并用綠色矩形框進行實時標記。

從表4可以看出，在視頻1、視頻2、視頻3所示的不同光照條件下，本文所提出的算法對于面紙燃燒產(chǎn)生的火苗可以達到98%以上的檢測精度，并進行實時報警，從而有效防范火災的發(fā)生。

表4 火苗檢測準確率

4 結(jié)論

本文基于HSV顏色模型，提出了一種使用歐式距離與外接矩形中心點相結(jié)合的火苗區(qū)域判定算法。使用火苗的單一特征會造成大量的虛警和誤檢，本文結(jié)合火苗的運動特征、顏色特征和紋理特征進行特征融合，提高了火苗的檢測率，從最終在嵌入式硬件設(shè)備上的實驗結(jié)果可以看出，在室內(nèi)環(huán)境下，檢測到受到不同光照影響的火苗：在測試視頻上的平均檢測率達到了98%以上，并且檢測速度達到了30幀/秒，滿足實時性要求。但本文算法也存在一定不足，主要表現(xiàn)在場景中出現(xiàn)與火苗顏色相似度極高的目標會被誤檢為火苗，本文后續(xù)研究工作將從火苗的頻域特征及火苗燃燒趨勢等時空信息進一步提升火苗檢測算法性能。