基于视觉的火灾探测技术特征分析

刘 占

中国人民武装警察部队学院部队管理系

基于视觉的火灾探测技术特征分析

刘 占

中国人民武装警察部队学院部队管理系

传统烟控、温控火灾探测设备难以满足大空间、野外火灾监测要求，基于视频的火灾探测技术受到研究者广泛关注。本文分析梳理了视频火灾检测过程中的图像特征，分别从烟雾、火焰现象的静态特征和动态特征进行了介绍，探讨了多特征融合的火灾检测技术，最后对视频火灾探测技术发展进行了总结和展望。

近年，火灾事故频发，成为威胁人类生命、财产安全的严重灾害之一。火灾发生时，如何快速有效探测到火灾，将火灾消除在萌芽状态，从而减少人员和财产损失，成为城市化进程中消防工作的重点内容。

传统火灾探测设备多采用温控或烟控传感器探测装置，监测目标为火灾发生过程中伴随产生的高温、高烟雾现象。一般情况下，火灾发生时会产生大量烟雾和明火，当烟雾浓度、空气温度超过传感器设备设定阈值范围，探测装置被触发报警。火灾中，局部空间探测装置离起火点越近，温度越高，烟雾浓度越大，越容易被触发报警。但火灾发生位置和时间的不确定性，往往造成火源位置与探测装置之间存在一定距离，只能待烟雾、温度扩展到传感器监测范围内，并达到监控阈值才有可能触发报警装置，导致了火灾预警存在一定时间延迟。在大空间、野外场景中，温度、烟雾易扩散，难聚集，温控、烟控探测设备更难获得有效预警。此外，通过安装密集、多点监测设备提高预警的策略则受成本、建筑物装饰效果等限制，可操作性差。

针对传统火灾探测设备的不足，基于视频图像的火灾探测技术成为国内外研究者广泛关注的热点问题之一。视频图像火灾探测技术，利用摄像机装置采集火灾数字图像视频，通过数字图像处理和人工智能算法对连续图像序列中的火灾信息特征进行提取、分析，从而实现火灾的识别、预警和精确定位。与传统的温控、烟控技术相比，视频图像处理方法探测范围广泛、应用环境不受限制，同时可以对火情实时监控，为准确处置火灾提供决策支持。

依据检测图像光波段的不同，视频图像火灾检测技术可分为不可见光检测（主要为红外光）和可见光检测。红外检测设备针对火灾中伴随发生的热辐射现象进行探测，可以实时地做出预警，识别算法简单，准确率高，是被较早应用于火灾探测的光学方法之一。与广泛应用于各种场合的视频监控设备相比，红外设备成本较高，不适宜在大范围内推广。如何在普通视频图像中识别火灾并预警，成为各国研究者的一项挑战。本文在已有文献基础上，对可见光视频火灾发生过程中烟雾、火焰目标特征及检测识别技术进行分析探讨。

烟雾特征探测

火灾初期往往产生大量烟雾，可作为判断火灾的重要特征依据。同时，实际火场中，烟雾颜色特征、形状特征、运动特征都极易受光照、风速等外界环境影响，又给识别效果带来很大干扰。

烟雾静态特征

颜色特征是最容易被人眼视觉捕捉的特征之一，也是最直接、最先识别的特征。数字图像处理中颜色特征也最先被用于目标识别，且有RGB、YCbCr、HSV等多种颜色空间表述形式。火灾刚发生时，烟雾呈现出的颜色特征并不显著，随火势变化、温度升高，烟雾颜色变化由白色到灰黑色，继而又到黑色。根据烟雾颜色特征变化，Celik等人建立了RGB、HSV等多种颜色空间的火灾烟雾识别模型，但烟雾颜色在不同光照、亮度变化条件下，特征变化较大，且对比度低，易导致错误判断。

与颜色特征相比较，烟雾纹理特征变化规律相对稳定。在空气、烟雾分子不规则热运动下，烟雾向四周扩散运动；有风情况下，烟雾依风向变化运动，运动特征规律稳定。烟雾纹理可通过统计目标区域运动方向相同像素点的累积量获取纹理运动的角度分布（与动态特征相结合）；或通过提取烟雾纹理LBP特征进行训练和识别。烟雾纹理分析具有对平移、旋转的抗干扰性能，是火灾烟雾识别的重要依据之一。

烟雾动态特征

与云、雾等相似目标相比，火灾烟雾呈现出持续变化的动态特征明显，体现在烟雾区域整体移动稳定，移动速度快；烟雾面积随烟雾移动不断变化、增加，闪烁频率突出等。

烟雾的形成和扩散过程中，始终围绕火源点为中心，虽易受风力影响发生扩散方向、速度的改变，但整体运动轨迹富有规律性。Kopilovic等人通过对烟雾运动视频序列中不同帧目标运动规律的分析，利用光流法进行帧间差计算，提取了烟雾动态形状特征，作为判断火灾烟雾的依据。然而，在远距离、大空间视频中（如森林火灾），当烟雾较轻、相对透明状态时，场景中前景、背景无法通过光流法分离，难以达到识别烟雾目标要求。袁非牛等提出将视频图像分割若干块，检索帧间相似的图像块，通过计算每个分块运动的主方向和累积量确定整个烟雾区域运动的主方向。由于烟雾区域整体移动方向相对一致，具有较高的运动方向累积量，能够被较准确识别。烟雾动态特征通过计算视频帧图像之间烟雾目标移位差获取，并结合烟雾运动规律进行判断。

烟雾扩散在空间分布上呈现出移动规律性和形状自相似性，研究中，鲜有文献仅通过烟雾静态特征或动态特征进行目标识别，而多是结合静态、动态特征综合提取烟雾信息，通过机器学习、模式识别算法判断是否发生火灾。

火焰特征探测

火焰是燃烧过程产生的发光发热现象，燃烧火焰状态受燃烧物种类、数量、环境变化（如风速变化）等诸多因素制约，有很大的随机性。同时，燃烧过程中，火焰的光谱亮度、色彩空间、纹理、轮廓，以及形状结构、闪烁频率等特征都呈现一定规律，为基于视觉的火焰探测提供了稳定的特征选择。

火焰静态特征

火焰静态特征指单帧视频图像中火焰表现出的视觉特征，从光谱特性和空间结构上看，火焰静态特征主要包括颜色特征、纹理特征，和形状轮廓特征等。

火焰颜色特征

通常，火焰具有明显的颜色特征，视频图像中火焰区域像素值偏红色，亮度值高于非火焰区域。基于此特征，G. Healey提出了RGB空间火焰颜色约束条件关系：R>G>B，但实际应用中RGB空间分量值相关性强，对环境变化敏感。Turgay提出了YCrCb颜色空间提取火焰提取模型，如公式1所示。当（x，y）像素点Y、Cb、Cr分量都大于各自均值时，判断该像素点为火焰；否则，判断为非火焰。同时，Yamagishi等提出了在HSV空间进行火焰提取的颜色模型。

火焰颜色特征显著，识别方法简单，但颜色模型不具备抗干扰能力，识别效果极易受光照强度、背景等干扰，且不同种类燃烧物火焰颜色差异性大。各颜色空间火焰模型多被用作图像预处理过程中疑似火焰区域图像分割的依据。

火焰其他静态特征

火焰纹理特征反映火焰图像局部区域像素的空间分布、组合情况，局部像素按某种规律排列组合，呈现一定的复杂结构。定量描述纹理特征一般结合区域灰度共生矩阵进行，先计算火焰区域0º、45º、9º和135º四个方向的灰度共生矩阵，再以灰度共生矩阵为基础提取反差、灰度相关、能量、逆差矩等特征向量，作为火焰区域的定量描述子。实验表明，与静止的灯光、烛光、手电筒光、晚霞等干扰纹理特征相比较，火焰纹理特征抖动幅度大，较易被识别；与晃动灯光纹理差别不大，容易被混淆（纹理与动态特征结合）。可见，纹理特征能有效区分开静止的干扰物，但对运动变化中干扰物的区分还需与其他相关特征结合才可进行。

而火焰形状轮廓特征与燃烧物种类、数量、分布，以及燃烧状态等有关，且极不规则，难以用刚性方法描述。研究中，多采用圆形度、尖角统计等方法。仇国庆等采用公式2方法计算火焰圆形度，即取火焰区域边界链码长度为周长，火焰区域像素点数为面积；目标形状越复杂，得到的圆形度值越。

高。实验表明，非火焰干扰物体现出互不相同的圆形度，且圆形度稳定持续；而火焰的圆形度随火势发展不断变化。

火焰尖角是火焰边缘狭长的突起，表现为边缘处”尖”和顶点（局部极值）。火焰一般有多个尖角，燃烧过程中，尖角的高度、宽度、数量都呈现出不规则性变化。随火势发展，火焰边缘不停抖动，火焰尖角呈现一定频率特征，而这是非火焰目标所不具备的。

也有研究通过提取火焰区域轮廓特征的傅里叶变换系数进行火焰识别，但鉴于火焰的非刚性外部特征，制约了其轮廓的提取，难以获得高准确率结果。

静态特征仅能描述单幅图像中火焰体现的疑似特征，还不足以对各种干扰物进行有效区分，有很大的局限性；而且火焰区域面积、圆形度、尖角等特征只有与动态特征结合起来才更具识别能力。

火焰动态特征

火焰动态特征体现的是视频序列帧间火焰变化规律，相邻帧间火焰区域在面积、抖动频率、形状等方面都表现为一定的动态特征，可据之提高火焰目标识别的准确率。

燃烧过程中，火焰面积随火势和外界环境因素变化。火势增大最直接的体现是火焰面积增大；燃烧物殆尽时，火势渐小，火焰面积也缩小。当可燃物突然增多/减少、风力增加/减弱等情况下，火焰面积呈现忽大忽小，抖动变化现象。唐岩岩等采用火焰区域像素点数量统计描述火焰面积，并结合视频序列帧间差计算火焰面积变化率。火焰面积并非单边增大或单边减小，而是随火势、时间跳动变化，这一闪烁的面积变化率是非火焰干扰物（灯光、晚霞等）不闪烁目标不具备的特征，可有效排除相关干扰目标。沈诗林等对视频序列帧间火焰形状、面积相关性进行了验证，结果显示火焰相关系数呈现剧烈震荡，而非火焰相关性系数相对平滑。

火焰面积针对火焰区域进行统计，虽然帧间差分法或光流法分可有效提取动态火焰，但也容易受移动干扰目标影响，或受外界风力影响，造成提取不准确、火焰面积计算误差，降低识别准确性。

燃烧过程，火焰不停抖动、闪烁，表现出一定的频率特征。安志伟等经实验统计分析得出了火焰闪烁频率分布范围：3～25Hz，和主要频率分布范围：7～12Hz；同时观测到，火焰的闪烁频率是火焰自身固有的一种频率，与火焰大小、燃烧物种类等因素无关。由此得出，火焰闪烁频率可作为判断火灾发生与否的重要特征。研究中，多根据视频帧火焰区域像素点颜色变化频率表示火焰频率，或以火焰高度、宽度、面积、尖角等状态变化率表示火焰频率，作为火焰识别的重要依据，都取得了良好的识别效果。

同时，燃烧火焰不停跳动也表现为火焰形状看似无规则、实则相关性的振荡，具体体现在视频序列帧图像间火焰边缘、形状、面积变化、高度、宽度的相似性抖动。如统计每帧图像中火焰静态边缘尖角数量，在视频序列中可计算得到火焰尖角变化率；计算每帧图像火焰轮廓傅里叶变换系数，在视频序列中可统计出火焰轮廓变化率。可见，燃烧中火焰动态特征是其静态特征在视频序列帧的体现，提高火焰静态特征描述的准确性也可以提高视频序列间火焰动态特征的精度，提高火灾识别效率。

燃烧过程中火焰的静态特征、动态特征都比较显著，二者同时存在、互为补充、紧密相关，是火灾视频探测中最重要的特征依据。静态特征、动态特征融合使用，以颜色、纹理特征提取火焰静态区域图，在静态图像序列帧间提取动态特征，综合二者得到火灾判断结果，可提高火灾识别准确率。

多特征融合火灾探测方法

烟雾和火焰是火灾的显著现象，其静态特征和动态特征是对视频序列中两类现象具体描述，而探测方法是根据对视频中图像的信息描述判断监测范围内是否发生了火灾的具体方案。

早期火焰检测采用单一特征为依据，适用范围有限，且错误率也较高。根据火灾不同阶段不同特征，融合烟雾、火焰的静态和动态特征，将其有机结合起来，可以获得更可靠、更准确判断。如先通过颜色空间模型提取疑似火焰区域，再统计火焰区域动态频率特征；如先通过帧间差获取疑似移动烟雾目标，再通过多帧动态特征计算烟雾区域增长、移动特征。又如先对疑似火焰区域进行纹理、闪烁频率、色彩的联合测试，形成多维特征向量，再依据神经网络技术进行结果的计算和判断等。将火灾不同阶段多特征有机结合可以更及时、更准确对监控范围内的火灾情况作出响应，缩短火灾预警时间，最大限度挽回损失。

总结语

视频探测火灾方法利用现有监控摄像设备，通过火灾探测算法完成火灾监测预警，便捷、实用，应用范围广，是火灾探测发展的重要方向。同时，由于实际火场环境的多样性、复杂性，较难实现适应所有环境的通用火灾检测算法。多特征融合技术综合火灾过程伴生烟雾、火焰现象的静态、动态特征进行目标识别，提高了检测效率，但如何降低算法复杂性，提高实时性，还有待进一步解决。

刘占，男，硕士，中国人民武装警察部队学院部队管理系，主要研究方向为人工智能，机器学习。

项目名称：武警学院中青年教师科研创新计划课题（项目编号）：ZQNJS201553