低气压下火焰视频图像特征研究

贾 阳，林高华，徐 高，王进军，方 俊，张永明*

(1.西安邮电大学计算机学院, 西安, 710100;2.中国科学技术大学火灾科学国家重点实验室, 合肥, 230026)

低气压下火焰视频图像特征研究

贾 阳1，2，林高华2，徐 高2，王进军2，方 俊2，张永明2*

(1.西安邮电大学计算机学院, 西安, 710100;2.中国科学技术大学火灾科学国家重点实验室, 合肥, 230026)

为了进行非密封飞机机舱内视频火灾探测技术的研究，借助中国科学技术大学QR0-12步入式环境低气压试验舱开展低气压下(100 kPa，90 kPa，70 kPa，50 kPa和30 kPa)火焰视频图像特征研究。在实验舱中用正庚烷作为可燃物进行点火实验，拍摄火焰视频，研究低气压环境下火焰的颜色、空间变化、运动、相对稳定性、边缘粗糙度、相邻帧火焰区域面积变化率、面积重叠率、相关性特征。实验结果表明，火焰的颜色、空间变化特征不会随气压变化而变化；而火焰动态特征等都会因气压的不同而发生变化。因此，火焰的颜色和空间变化特征在低气压环境中仍可用于火焰区域分割和识别，而其他动态特征会随着气压发生变化，不能用常压下的方法来训练分类模型，但仍可以用以区别火焰和静止的疑似区域。

低压环境; 正庚烷火焰; 图像特征; 视频火灾探测

0 引言

随着民航事业高速发展，飞机作为一种快速、安全、可靠、经济、舒适的运输工具，成为沟通世界各地重要的交通工具。然而，航空事业的发展，使得航空运输量的涨幅明显，带动经济迅速发展是我们所乐见的，但航空运输量的增长也带来了事故量的增长，而事故量的不断增长却是我们无法接受的。火灾是引发飞机事故最危险的威胁之一。飞机上可燃、易燃物品聚集，而且具有特有的内部环境和飞行环境，发生火灾地点不定，一旦起火，火势往往发展迅猛，疏散和扑救都比较困难，易造成严重伤亡和重大经济损失。因此发展在飞机舱室这种特殊环境下特殊火灾的专用火灾探测技术成为关键。目前飞机上使用较多的火灾探测设备是传统的感烟、感温火灾探测器，但是这些传统的探测器本身存在一些客观或原理上的缺陷：探测器必须安装在起火点附近，否则将无法有效地探测到热灾害的发生；气体传感器长期接触存在粉尘等恶劣环境，传感器容易中毒失效；由于烟雾传播和温度上升均需要时间，基于烟雾接触和热温接触的探测器具有不可避免的时间延迟。而飞机舱内存在着较为完善的摄像监控设备，也建立了较为系统的监控中心，因此，在飞机中引入视频火灾探测技术，不仅是对现有设备价值的开发，利用价值的提高，更是对飞机火灾探测技术的革新。

飞机在高空中气压比地面低，因此需要在低压环境中进行相关研究。前人也做了一些低压下燃烧特性相关的研究[1-6]。但主要是从燃烧理论和火灾动力学的角度对燃料的燃烧特性进行研究，揭示低气压环境对燃料的燃烧速率、烟气组分、火焰温度等的影响规律。涂[7]结合流体力学和热力学理论，揭示气压对火焰图像如高度、色彩、脉动频率等的影响规律，但只有合肥、拉萨两地的数据。曾[5]对火焰颜色、高度、宽度、亮度以及结构等火焰形貌特征进行了研究，得出了这些特征和气压的相关关系。但这些特征并不是视频火灾探测中的主要特征。因此，本文从图像处理的角度对火焰的颜色、空间差异、动态特征、无序特征进行分析研究，旨在为低气压下的视频火灾探测技术的研究提供理论依据。目前，常用的地面火灾视频探测方法按照火焰分割，特征提取，特征识别的步骤进行。分割常用颜色分割和运动分割[8-10]等方法。常用的特征有火焰振荡、空间差异、混乱特征等[11]。极低气压环境中的火焰运动变得非常缓慢。因此，常用的运动分割、火焰动态特征等在低压条件下可能失去效用。本文首先在QR0-12步入式环境低气压试验舱开展了模拟实验，模拟不同海拔高度时非密封飞机机舱内部环境。拍摄低压环境下的火焰视频，然后对视频进行火焰颜色、空间变化、运动、相对稳定性、边缘粗糙度、相邻帧火焰区域面积变化率、面积重叠率、相关性特征等特征进行了统计分析，对特征数据进行分析，为飞机机舱低气压下火灾探测提供依据。

1 不同气压下火焰特征分析

1.1 实验设计

实验在非密闭受限空间内进行，低压舱是体积为3 m×2 m×2 m的可密闭舱室。低压舱结构示意图和实验设备布局如图1所示。低压舱系统由进气系统，抽气系统，管路系统和控制系统组成。舱体为密封低压舱。它由进气系统进气，抽气系统抽气，造成舱内压力减小，达到低压效果。抽气设备主要是真空泵，它由变频器控制抽气速率。不管是进气系统，抽气系统都由控制台来控制，通过控制进气速率与真空泵的频率来改变抽气速率，使舱内的压力达到预设值。

图1 QR0-12步入式环境低气压试验舱结构示意图和布局图Fig.1 Sketch and layout of the QR0-12 low air pressure cabin

实验中，气压需要和飞机所处环境基本保持一致。低压试验舱的气压选择100 kPa、70 kPa、60 kPa、50 kPa、30 kPa五个点进行模拟实验，分别对应海拔0 m，3000 m，4000 m，6000 m，9000 m左右的大气气压。在调节好气压后，用高清摄像机拍摄正庚烷燃烧火焰，作为视频分析的原始数据。

1.2 火焰颜色特征

颜色是火焰重要特征之一[12-14]。通过人眼观察，火焰颜色在不同气压下变化不大。本文用基于YUV颜色空间的颜色模型[15]进行不同气压下的火焰分割。得到的分割结果如图2所示。

图2 不同气压下火焰的颜色分割结果，第一行为原图，第二行为分割结果。从左到右依次是100 kPa、90 kPa、70 kPa、50 kPa、30 kPa下的正庚烷火焰，火盆为直径4 cm的铝制圆柱形火盆Fig.2 Segmentation result of the flame in different pressures. Original images in the first row. Segmentation results in the second row. From left to right, the pressure is 100, 90, 70, 50 and 30 kPa. N-heptane is in a cylindrical aluminum fire plate

从视频数据和相关研究来看，正庚烷燃料的火焰亮度较高，上述分割结果效果较好。根据式(1)对分割出的火焰区域亮度和颜色分量进行统计分析，

(1)

f为火焰区域，K为火焰区域像素总数，X表示亮度和红、绿、蓝分量。表1中的数值均为按照图2获得的火焰区域各颜色分量的像素统计平均结果。测试视频每个气压值有三段视频，视频帧速率为25帧/每秒，视频时长1分钟，总共有22500帧视频。

表1 不同气压下的火焰颜色统计数据

表1中各颜色分量在不同气压下均无太大变化，表明火焰颜色模型在多种气压条件下都适用，颜色特征可以用来进行低压环境中的火灾探测。

2.2 火焰空间差异特征

Qi和Ebert在文献[16]中提出绿色分量较之红色和蓝色分量更能表达火焰区域的颜色和背景区域的差异。因此绿色分量的标准差被作为火焰的一个特征。

绿色分量标准差值表明火焰的空间变化基本不会随着气压的变化而变化，高气压下的空间变化略高于低气压，因此该特征也适于多气压下的火焰探测。

2.3 火焰动态特征

文献[2-4]揭示了气压越高，火焰振荡的幅度就越大的规律。在气压极低时，火焰振荡幅度非常小。实验中，在0.3个大气压时人眼几乎难以发现火焰振荡。式2～式4是文献[5]中三个表示火焰动态特征的参量：相邻帧火焰区域的变化率v，相邻帧火焰区域的相关性ρ，相邻帧火焰区域的重叠度θ。

(2)

(3)

(4)

A表示亮度图像中的疑似火焰区域面积，i是帧编号，S(x,y)表示火焰区域(x,y)处的像素亮度值。

根据颜色模型对火焰部分进行颜色分割，计算出火焰特征参数，如图3所示。从图3看出，火焰动态特征分布范围都随着气压发生变化。在30 kPa和100 kPa条件下的火焰，变化率接近零值，而相关性和重叠率接近1，但数值在不断变化，表明火焰振荡微弱，但仍然在不断振荡：30 kPa和100 kPa时，火焰振幅均值分别为0.0054和0.006，频率均约为5.3 Hz；在70 kPa和90 kPa条件下的火焰出现一定程度的振荡，频率约为6.0 Hz；50 kPa时火焰振荡最强，振幅均值为0.19，频率约为6.0 Hz。

图3 (a)(b)(c)分别为不同气压下火焰面积变化率，火焰面积相关性和火焰面积重叠率Fig.3 (a)(b)(c) are area variation, correlation and overlap of flame under different pressures

上述数据表明，即使低气压下火焰振荡微弱，但仍保持不断的振荡，而且频率变化不大，而振幅出现较大变化。故振荡频率特征对于区分固定安装的灯和火焰仍然有效。

由于在极低的气压下，火焰运动微弱，若使用背景差分，火焰区域容易因为运动不明显而融入背景。帧间差分也会因运动过于微弱而检测不到目标。因此在该环境中运动前景目标检测也不适用。

2.4 火焰无序特征

火焰由于气流的作用会表现出无序性，用火焰的形心坐标[5]、边缘粗糙度[6]来表示这种不规则性，特征如式5～式7所示。

(5)

(6)

(7)

R表示火焰区域粗糙度，d表示火焰区域的等效直径。 (ox-1,oy-1) ，(ox,oy)表示相邻两帧同一疑似区域的形心坐标， (dx,dy)表示相邻两帧疑似区域的形心位移。图 4为不同气压条件下的火焰边缘粗糙度和形心坐标值。

图4 不同气压下的火焰形心波动，火焰边缘粗糙度Fig. 4 Fluctuation of (a) centroid and (b) edge roughness of flame under different pressures

图4a表明在100 kPa和30 kPa条件下，火焰振荡极小，燃烧稳定，整体波动非常小，形心会在连续数帧均保持同一位置，如在30 kPa条件下10到20帧的形心位移均为0；在50 kPa、70 kPa、90 kPa条件下火焰波动较强。本文的目的是对火焰的特征数据进行分析，探索特征是否可以将火焰和其他干扰物区分开。在100 kPa和30 kPa下，火焰和灯的形心位移数据均极小，接近零。火焰和静止的灯的该特征参数混叠在一起，没有区分度，说明特征失效，不适于低气压下火灾探测。

图4b中的边缘粗糙度在多种气压条件下均集中在0.1～0.35范围之内，且呈现出一定的波动性。而对于静止的灯来说，若是圆形或环形的灯，粗糙度极小，接近1(即接近圆)，未表现出波动性。因此这个特征可以用于低气压下火焰探测。

3 结论

本文从图像处理的角度研究了不同气压条件下具有代表性的正庚烷火焰的颜色、空间差异、动态特征和无序特征。主要发现：

(1)火焰颜色在不同气压下均无明显变化，常用的火焰颜色模型，基于RGB、YUV、HIS等颜色空间的算法均可以在低压条件下使用。

(2)火焰的空间差异特征在不同气压下也无太大变化，该特征可以用于低压环境中的火焰探测。

(3)气压对火焰的动态特征影响较大，不同气压下动态特征数据的分布范围会发生较大变化。对于火灾探测，这些特征就很难表达火焰的特征。但是，即使在较低气压下火焰运动不明显，其动态特征数据仍保持较小的不断波动，因此这种持续性的振荡特征能够区分火焰和灯，也是有效的火焰特征。

(4)气压对火焰的边缘粗糙度影响不明显，该特征数据分布较集中[0.1, 0.35]，可以明确区分低气压下室内火焰和圆形度接近1的灯；而表征火焰稳定性的形心位移数据和灯的稳定性数据之间没有区分度，该特征在低气压条件下火灾探测中无效。

上述结论为低气压下视频火灾探测提供了理论依据。后期会进一步探索低压舱室内火灾烟雾图像特征，增加研究样本，并依据这些特征训练相应的火灾识别模型，设计识别算法完成火灾探测。

4 结束语

本文借助中国科学技术大学QR0-12步入式环境低气压试验舱开展低气压下火焰视频图像特征研究。在实验舱中用正庚烷作为可燃物进行点火实验，拍摄火焰视频，研究低气压环境下火焰的静态和动态特征。在未来的工作中，将探索固体可燃物在低气压环境中燃烧时的图像特征，使图像火灾探测的实验数据更加完备；另外，在后期实验中将对环境参数，如温度、湿度等，做更加详细的记录。

[1] Fang J, et al. The influence of low atmospheric pressure on carbon monoxide of n-heptane pool fires[J]. Journal of Hazardous Materials, 2008, 154(1): 476-483.

[2] Li ZH, et al. Combustion characteristics of n-heptane and wood crib fires at different altitudes[J]. Proceedings of the Combustion Institute, 2009, 32(2): 2481-2488.

[3] Wieser D, et al. The influence of high altitude on fire detector test fires[J]. Fire Safety Journal, 1997, 29(2): 195-204.

[4] 蔡昕, 等. 低气压环境下正庚烷及汽油池火的燃烧特性[J]. 燃烧科学与技术, 2010, 16(4): 341-346.

[5] 曾怡. 低压下射流扩散火焰的燃烧特性与图像特征[D].合肥: 中国科学技术大学, 2013.

[6] 花荣胜, 等. 多种气压条件下甲醇池火燃烧特性的实验研究[J]. 火灾科学, 2011, 20(2): 81-86.

[7] 涂然. 高原低压低氧对池火燃烧与火焰图像特征的影响机制[D]. 合肥：中国科学技术大学, 2012.

[8] Ko BC, et al. Early fire detection algorithm based on irregular patterns of flames and hierarchical Bayesian Networks[J]. Fire Safety Journal, 2010, 45(4): 262-270.

[9] Teng Z, et al. Fire detection based on hidden markov models[J]. International Journal of Control, Automation and Systems, 2010, 8(4): 822-830.

[10] Yuan F. An integrated fire detection and suppression system based on widely available video surveillance[J]. Machine Vision and Applications, 2010, 21(6): 941-948.

[11] Çetin AE, et al. Video fire detection-Review[J]. Digital Signal Processing, 2013, 23(6): 1827-1843.

[12] Celik T, Demirel H. Fire detection in video sequences using a generic color model[J]. Fire Safety Journal, 2009, 44(2): 147-158.

[13] Chen TH, et al. An intelligent real-time fire-detection method based on video processing[A]. Security Technology, 2003. Proceedings. IEEE 37th Annual 2003 International Carnahan Conference on. IEEE[C], 2003: 104-111.

[14] Zhang D, et al. Image based forest fire detection using dynamic characteristics with artificial neural networks[A]. Artificial Intelligence, 2009. JCAI'09. International Joint Conference on. IEEE[C], 2009: 290-293.

[15] 贾阳, 等. 基于改进层次聚类和SVM的图像型火焰识别[J]. 计算机工程与应用, 2014, 5: 165-168,194.

[16] Qi X, Ebert J. A computer vision based method for fire detection in color videos[J]. International Journal of Imaging, 2009, 2(S09): 22-34.

Flame features under low atmospheric pressure based on video image analysis

JIA Yang1,2, LIN Gaohua2, XU Gao2, WANG Jinjun2, FANG Jun2, ZHANG Yongming2

(1. Department of Computer Science and Technology, Xi’an University of Posts & Telecommunications, Xi’an 710100, China； 2. State Key Laboratory of Fire Science, University of Science and Technology of China, Hefei 230026, China)

In order to study the video-based fire detection technology in an unsealed aircraft cabin, experiments of flame combustion were conducted in a QR0-12 low air pressure cabin. The experimental pressure ranges from 30 to 100 kPa. N-heptane is used as the fuel in experiments. The examined features captured by CCD flame image include the flame color, spatial variation, motion, stability, and roughness. The change rate and overlap area and the correlation of the area of adjacent frames are calculated and analyzed. Experimental results show that flame color and spatial variance do not vary with the change of air pressure, and the dynamic flame features vary with the change of air pressure. Therefore, flame color and spatial variance can still be used in a low pressure environment for flame region segmentation and recognition. However, dynamic features vary with the air pressure, so the methods used under normal pressure cannot be used to train a classification model here. They can be used to distinguish flame and static suspected areas.

Low air pressure; N-heptane flame; Image feature; Video-based fire detection

2016-07-01；修改日期：2016-08-25

国家自然科学基金联合基金(U1233102);中央高校基本科研业务费专项资金(WK2320000032);城市公共安全安徽省协同创新中心资助。

贾阳(1988)，女，陕西，中国科学技术大学火灾科学国家重点实验室博士学位，现在西安邮电大学计算机学院从事图像分析、模式识别、深度特征方面的研究工作。

张永明，E-mail: zhangym@ustc.edu.cn

1004-5309(2016)-00183-05

10.3969/j.issn.1004-5309.2016.04.02

TP391;X932

A