基于小波分析的地铁视频火灾边缘检测方法

郭国防，陈小辉，刘盼芝

(1.陕西重型汽车有限公司;2.中交公路规划设计院有限公司;3.长安大学电子与控制工程学院)

这说明方向小波变换值的平方与函数平滑后的梯度模值的平方成正比。于是，可利用求方向小波变换值来代替求梯度模值。采用方向小波变换进行图像边缘检测时，由于梯度值与函数小波变换值的联系，可沿小波变换方向寻找极大值，不需要计算梯度方向及梯度模值。

基于小波分析的地铁视频火灾边缘检测方法

郭国防1，陈小辉2，刘盼芝3

(1.陕西重型汽车有限公司;2.中交公路规划设计院有限公司;3.长安大学电子与控制工程学院)

地铁由于其特定的运行环境，发生火灾事故时，伤亡大、损失严重。通过数字图像技术处理视频图像，判定是否发生火灾早期火灾预警的重要手段。准确、高效地识别火灾的轮廓是其中的一个重点。本文针对视频火灾检测，本方法首先采用加权均值滤波方法去除图像中的噪声，再利用方向可调的小波变换方法，对火灾图像进行边缘检测，成功提取出火焰轮廓，以实现火灾的识别和报警。通过对火焰图像采取标准小波方法和该方法进行边缘检测，结果表明本文提出的方法可以提取火焰轮廓更多的细节信息，并且很好的避免了图像边缘模糊化现象。

地铁;视频火灾检测;加权均值滤波;多方向小波变换

地铁被誉为城市交通运输工具中的“绿色交通”，与城市中其他的交通工具相比具有便利、快捷、载客量大的特点。地铁已成为世界各国大型城市解决交通拥挤问题的首选交通工具。但是，由于其特定的运行环境，地下铁道是构筑于地下的大容量轨道交通系统，由于其运营环境和乘客构成的特殊性，疏散路线单一，环境陌生，一旦发生火灾等事故，群死群伤的可能性极大，带来的财产损失不可估量，而长期的恢复会给出行的民众带来不便。从世界地铁100多年事故教训来看，地铁灾害中发生频率最高和造成危害损失最大的就是火灾。

目前，火灾检测技术多数是基于离子检测、温度检测、相对湿度的检测、空气通明度的检测，此外还有传统的紫外线和红外线的火灾检测器。相对于传统的检测设备，视频图像处理技术具有直观主动的探测能力，对于空间场所的普遍适用性，以及远程实时的在线快速反应与离线分析能力。目前，视频火焰检测系统主要应用于火灾报警和消防任务，监测对象主要是正在燃烧的可见火焰或燃烧产生的烟雾。通过对控制区域的实时监测，可在火灾发生的最初阶段做出迅速的反应，并进行实时分析和后处理，可以大大缩短预警时间，有利于实现火灾的早期预报和控制。

为了解决高大空间和室外等特殊场合的火灾检测，许多学者正致力于研究图像火灾检测。Yamagishi等人提出了一种彩色摄像机的火焰检测算法。Noda等人提出了一种基于图像处理的隧道火灾检测技术。为了降低成本，他们利用了隧道已有的黑白闭路电视监控系统硬件，因此只能使用灰度图像。Phillips等人提出一种视频影像火焰检测技术。袁宏永等人讨论了基于图像的火灾检测技术，分别研究了双波段火灾检测和基于光截面的红外火灾检测技术。对视频火焰检测也进行了相关研究。

1 小波分析方法

在图像处理中，图像中的大部分信息集中在低频和中频部分，图像的边缘和噪声对应于高频部分，因此就需要多尺度的边缘检测。而小波变换具有天然的多尺度特征，通过伸缩平移对信号进行细化分析，达到高频处时间细分，低频处频率细分。所以，小波变换非常适合复杂图像的边缘检测。

图像的方向性(如边缘)、纹理方向性是图像的一种重要特征，在图像分析和处理中具有重要意义。方向可调小波边缘检测是应用图像灰度值突变处为边缘这一特性，对图像的边缘进行提取。一般的二维小波变换只能描述出图像的方向性，在二维空间中定义了方向小波变换。方向小波不仅保持了传统小波变换的良好的时频局部化的分析能力，还具有良好的方向分析能力。它能反映出图像在不同分辨率上沿任一方向的变化情形，充分体现了图像的方向属性。任意方向小波变换定义为

这说明方向小波变换值的平方与函数平滑后的梯度模值的平方成正比。于是，可利用求方向小波变换值来代替求梯度模值。采用方向小波变换进行图像边缘检测时，由于梯度值与函数小波变换值的联系，可沿小波变换方向寻找极大值，不需要计算梯度方向及梯度模值。

由于图像噪声的影响，邻域间的相关性相对较低，以至于方向滤波器不能准确的定位像素(x，y)点边界状态。由于图像边界方向的任意性，计算多个方向小波变换响应以搜索所有可能方向的图像边界，变换窗口为5×5。最终的边缘检测结果是多个方向滤波图像的均值。

2 小波分析在火灾图像边缘检测中的应用

2.1 火灾的视频图像特征

形状特征是图像表达和检索中的一个重要的特征。通常，形状特征有两种表示方法:一种用轮廓特征表示，一种用区域特征表示。前者只用到物体的外边界，而后者则关系到整个区域。用于描述这两类形状特征的最典型方法分别是傅里叶描述符和形状无关矩。火灾火焰的形状特征通常用傅里叶描述子、八方向链码及链码差、火焰区域边缘的尖角来表示。

在早期火灾阶段，由于火焰从无到有，是一个发生发展的过程，这个阶段火焰的图像特征就更加明显。早期的火灾火焰是不稳定的，不同时刻火焰的形状、面积和辐射强度等都在变化，抓住火灾火焰这些特点可以为火灾的识别打下良好的基础。

2.2 视频图像预处理

抽取视频序列图像，对其进行预处理，去除图像中噪声，提高后续算法的检测性能，降低虚警概率，采用加权移动均值方法对图像进行预处理，包括以下步骤。

(1)获取图像的各个像素数据;

(2)对部分样本进行学习，获取其垂直、水平、交叉4个方向的加权权值;

(3)针对每一个像素，分别计算其垂直、水平、交叉4个方向的加权均值;

(4)求取上述4个方向的平均灰度值的平均值作为此像素新的灰度值。通过此方法来有效地去除噪声信息，同时尽可能保留好边缘特征信息。

2.3 图像变换彩色——黑白

采用双三次内插法重构图像，将图像转换为强度值(灰度图)，便于后续步骤的实施。

2.4 帧间差分法获取运动区域提取

运动检测的目的是从图像序列中将运动所导致的变化区域提取出来。目前，常用的运动区域检测方法主要有以下几种:背景减除法、帧间差分法和光流法。背景减除法能够得到运动区域比较完整的信息。但是，背景选取和更新算法的恰当与否直接影响最后的检测结果，且背景易受到外界(比如照明)干扰。帧间差分法计算简单且能够快速地检测出运动区域，但不能提取出完整的运动区域，在运动实体内部易产生“空洞”现象。光流法能检测出独立的运动区域，甚至在摄像机运动的情况下也能检测出运动目标，但是，计算光流场的大多数方法相当复杂，运算量大，不能满足实时性的要求，对噪声极为敏感，精度受限于遮挡问题和孔径问题。因为本文主要针对地下空间中的火灾检测，受外界照明条件限制，通过比较，本文采用了帧间差分法来提取火灾运动区域，并采用形态学处理方法腐蚀和膨胀来消除空洞。

2.5 小波分析获取边缘

在获取视频序列中可能的火灾图像区域后，为了进一步确定火灾，采用第二部分所述方法来获取火灾边缘，主要步骤如下。

(1)由式(1)对图像进行多方向的可操纵小波变换。(2)对A的结果进行平均;对平均结果进行阈值处理。数值实例实验结果

下面以从某次火灾图像中截取的图像作为实验对象，进行分析。图1为火焰图像的灰度图。

图1 火焰图像灰度图

图2 无噪声时标准小波和本文方法边缘检测结果

对于没有噪声的图像，其处理结果见图2，其中a)图为标准的小波算法得到的火焰轮廓图，b)图为本文提出的算法得到的火焰轮廓图。可以看出，利用小波变换提取出的火焰轮廓，边缘细节少，轮廓清晰度可识别性较弱。采用本文方法提取的火焰具有很清晰的边缘轮廓，细节丰富。这是因为本文提出的方法在多个方向上进行边缘检测。而标准小波分析只是从两个方向(即水平和垂直方向)检测边缘，当边缘检测算子的方向与边缘切线方向差别不大时，可检测到完整的边缘;当边缘检测算子的方向与边缘法线方向近似时则检测到的边缘很不完整。从边缘检测的完整性来看，多方向边缘检测可得到更多互补的边缘信息，它的检测结果优于单方向边缘检测结果。

图3 高斯噪声时标准和方向可调小波边缘检测结果

图4 椒盐噪声时标准和方向可调小波边缘检测结果

图3和图4分别是原始图像中含有高斯噪声和椒盐噪声情况下，两种方法的边缘提取结果。可以看出，本文方法提取的火灾边缘细节较多，边缘线更细，受噪声的影响不大，具有较好的适应性。不过，本方法在保留绝大部分边缘的同时，仍存部分不连续的边缘信息，以后拟从此方面着手，消除虚假边缘。

4 结束语

本文针对视频火灾检测问题，对火灾边缘轮廓检测进行了研究。本文提出了结合图像中各像素的灰度值的统计信息去除图像中噪声，并对图像进行多个方向的小波变换方法，对火灾图像进行边缘检测。通过对火焰图像采取标准小波方法和该方法进行边缘检测，结果表明本文提出的方法可以提取火焰轮廓更多的细节信息，并且很好的避免了图像边缘模糊化现象。在计算效率方面，由于方向性小波基中引入了方向因子，导致计算复杂度的增加，因此研究快速实用的变换是该领域面临的一个挑战。

［1］YAMAGISHI H，YAMAGUCHI J.Fire flame detection algorithm using a color camera［C］.In:Proceedings of 1999 International Symposium on Micromechatronics and Human Science［C］，Nagoya，Japan，1999:255-260.

［2］YAMAGISHI H，YAMAGUCHI J.A contour fluctuation data processing method for fire flame detection using a color camera［C］.In:Proceedings of IEEE 26th Annual Conference on IECON of the industrial Electronics Society［C］，Nagoya，Japan，2000:824-829.

［3］NODA S，UEDA K.Fire detection in tunnels using an image processing method［C］.In:Proceedings of Vehicle Navigation and Information Systems Conference［C］，Yokohama，Japan，1994:57-62.

［4］PHILLIPS IIIW，SHAH M，DA Vitoria LoboN.Flame recognition in video［C］.In:proceedings of Fifth IEEE Workshop of Applications of Computer Vision［C］，California，USA，2000:224-229.

［5］卢结成，吴龙标，宋卫国.一种火灾图像检测系统的研究［J］.仪器仪表学报，2001，22(4):437-440.

［6］王成儒，顾广华.一种采用背景统计技术的视频对象分割算法［J］.光电工程，2004，31(8):57-60.

［7］李刚，邱尚斌，林凌，曾锐利.基于背景差法和帧间差法的运动目标检测方法［J］.仪器仪表学报，2006，27(8):961-964.

［8］贾振堂，李生平，贺贵明，田惠.一种基于运动边缘检测的视频对象分割新算法［J］.计算机研究与发展，2003，40(5):684-689.

［9］魏志强，纪筱鹏，冯业伟.基于自适应背景图像更新的运动目标检测［J］.电子学报，2005，33(12):2661-2664.

［10］ ARALT-T.T，NILSEN-AR.Automatic fire detection in road traffic tunnels.Tunnelling and Underground Space Technology［J］.2009，24(1):75-83.

［11］ BYOUNG C K，CHEONG K H，NAM J Y.Fire detection based on vision sensor and support vector machines［J］.Fire Safety Journal，2009，44(1):322-329.

［12］ YU Chunyu，FANG Jun，WANG Jinjun，ZHANG Yongming，State Key.Video fire smoke detection using motion and color features［J］.Fire technology，2010，(46):651-663.

［13］ YUAN Wei，YU Chunyu，ZHANG Yongming.Based on wavelet transformation fire smoke detection method［C］.IEEE The 9th International.Conference on Electronic Measurement ＆ Instruments ICEMI’2009.

TP391

C

1008-3383(2013)03-0103-02

2012-09-16

郭国防(1981-)，男，工程师，研究方向:机械电子、信息融合;陈小辉(1981-)，男，工程师，研究方向:交通信号检测、智能信息处理;刘盼芝(1980-)，女，河北廊坊人，讲师，博士，研究方向:智能信息处理、信号检测、分布式检测和信息融合技术研究。

国家自然科学基金:基于先验知识的分布式恒虚警率检测算法研究(41101357)全称(基金项目号);中央高校科研业务经费(CHD2010JC109，CHD2011TD018)长安大学重点实验室资助。