基于红外图像的林火识别方法及实现*

吴兆明，郑嫦娥，上官晓锐

(1.南京交通职业技术学院，电子信息工程学院，江苏南京　211188；2.北京林业大学，北京　100083； 3.芝加哥州立大学，芝加哥　 IL 60628)



·技术方法·

基于红外图像的林火识别方法及实现*

吴兆明1※，郑嫦娥2，上官晓锐3

(1.南京交通职业技术学院，电子信息工程学院，江苏南京211188；2.北京林业大学，北京100083； 3.芝加哥州立大学，芝加哥 IL 60628)

森林火灾是一种突发性强、破坏性大且处置救助较为困难的自然灾害，会对森林、森林生态系统和人类带来一定危害和损失。早期的林火判别多基于温度、烟雾以及24小时图像监测实现，主观性强，标准单一，且误报率高。如何快速发现林火目标并及时报警扑灭，已经成为国内外学者研究的热点之一。文章基于红外热像仪，对大量森林背景及模拟林火状态进行了图像和温度数据的采集，首次提出了基于温度标准差方法进行热源识别的概念，得出了不同地点、不同时间段森林背景的温度标准差分布，以及明火温度在各阶段的波动范围，为林火的预防和监测提供了重要依据。同时，通过对干扰源进入前后的红外图像进行预处理和分析，对比目标热源的像素面积变化率及其圆形度，即可准确实现部分干扰热源的排除。实验结果证明，将此基于红外图像的热源初判原则与干扰源排除的规律应用于林火监测，方法简单有效，准确率高，对降低森林火灾的发生率，提高社会经济效益有着重要的作用。

林火红外图像火源识别温度标准差预处理

0　引言

森林资源是自然生态环境中不可或缺的一部分，同时也是调节气候、改善人类生存环境的重要物质基础。据联合国粮农组织(FAO)发布的《2015年世界森林资源评估报告》显示，世界森林面积仍在减少，森林占全球土地面积的比例已从1990年的31.6%(41.28亿hm2)下降至2015年30.6%(39.99亿hm2)。影响森林资源的因素有很多，包括水土流失、土地沙漠化等，但破坏最为严重的应属森林火灾。据《2015年中国林业发展报告》显示， 2014年，全国共发生森林火灾3 703起，其中一般森林火灾2 080起、较大森林火灾1 620起，全国森林火灾受害森林面积达1.911 0万hm2[1-2]。由此可见，预防和监测森林火灾，实现监测信息精确化和智能化的研究仍需进一步深入。

传统的林火监测方式有人工瞭望台、飞机巡航、卫星监测等，但这些方式大都依靠人工经验，准确率低，且易于受自然环境及干扰物的影响，监测效果一般。随着信息智能化及微处理技术的发展，森林火灾的探测系统及内部火灾检测算法的研究都取得了突出的进展。“森林卫士365”为我国海普公司提出的一套森林防火的全面解决方案[3]，它通过图像识别及3D GIS技术，在林间铺设高清无线视频监控网络，实时监控森林状态，对火灾预防有较重要的现实意义。文献[4]结合BP神经网络分析火灾图像形体特征的动态变化，减少干扰误差，提高火灾识别图像的信噪比。文献[5]对红外图像进行分割及多特征综合识别，通过RGB色彩饱和度的判断，提高火焰识别的精确度。

由于红外成像技术不受气候和能见度的影响，且体积小、功耗小[6]，文章将重点研究利用红外热成像仪进行火灾的快速识别方法。通过分析火源在不同阶段的红外成像，以及干扰物引起的面积和圆形度等特征变化，得出林火识别的一般规律。

1　红外图像中火源识别方法

1.1火源识别原理

森林火灾的预防要比扑灭重要得多，因此，如何快速识别火源，对减少环境危害及人类生产服务有着重要的意义。在林火监测时，大多数情况下红外热成像仪反馈的是无火时的森林背景视频。如何能从红外视频流中快速识别出火源是快速识别林火的关键。正常情况下，一切物体都会辐射红外线，红外辐射的物理本质是热辐射，热辐射的程度主要由物体的温度所决定，温度越高辐射出的红外线越多，红外辐射的能量就越强[7]。而红外辐射正常肉眼不能看出，需要将红外光信号转换成图像信号进行处理，具体的检测系统如图1所示。

图1　红外信号处理过程

图1中显示红外信号到最后的显示需要进过光信号到模拟信号的转化，然后模拟信号转换成数字信号显示。在这个过程中，设置有模拟信号处理过程，主要是实现对光信号的放大处理，然后经过模数转换模块实现图像显示。一般情况下，林区森林背景温度较均匀，一般在40～60℃； 而林间可燃物产生的火焰温度为600～1 200℃，且林火温度远高于周围环境温度[8-9]。因此，该文提出利用有火与无火时热红外图像温度标准差的不同进行林火识别。

1.2森林背景的温度特征分析

森林中以树木为主，在其吸收太阳能的同时，也会向外辐射大量热量。为了获得热红外图像中森林背景的温度特征，该文通过大量实验，提取了不同环境、不同时间的森林背景红外图像，计算并分析其温度场数据的分布规律。该文一共采集了80幅森林背景红外图像及温度数据，采集地点分别在校园内、奥林匹克森林公园、百望山森林公园、颐和园、鹫峰森林公园，采集时间包括早上、中午和晚上，并针对不同地形、不同时间对森林背景进行了拍摄，如图2。

图2　不同地理环境的森林背景红外图像

图3　80幅森林背景图的温度标准差

由图3可知，在森林中，不同地点、不同时间段的森林背景温度标准差比较稳定，主要处于1～8之间。

1.3火源温度特征分析

为了确定林火识别的判据，不仅要通过大量实验来发现森林背景的温度随时间和地形的变化规律。更重要的是要发现在具有林火情况下红外图像的温度分布规律。这样便可以根据森林背景温度分布规律与具有林火时的温度分布规律来正确制定识别判据。

按照温度随时间的变化规律，火灾可以分为4个阶段：初起阶段、全面发展阶段、衰减熄灭阶段、余火阶段，在前3个阶段中均有明火出现。该文通过实验总结了在具有明火情况下温度的分布特性及其变化规律。林火实验时实验对象为林间混合物，在不同时间里共进行了4次明火实验，其中包括点一堆火以及先后点两堆火，获得了大量视频及红外图像，计算了各明火阶段的温度标准差数据，并做了相应的统计，如图4d。

图4　各阶段明火红外图像

由图4可知，在有明火的情况下：红外图像中的温度波动范围保持在一个较大范围内，其温度标准差为50～180之间，即使明火初起阶段和明火衰减熄灭阶段也保持在50～80的范围之内。对明火各阶段红外图像数据处理后，不能忽略对余火红外图像的处理。因为余火虽然在可见光图像中看不出其热特征，但利用红外图像观察时却能发现其仍为明显的热源，而且中心温度很高。所以，做了10组余火阶段的红外实验来分析归纳余火的温度分布规律。

根据图5中实验发现，即使可见光图像中没有火焰的存在，余火的内部温度仍非常高。整幅红外图像的温度数据的标准差值分布在40～70之间，这与森林背景温度数据标准差值也有一定的差距。

1.4基于温度标准差的林火识别判据

综上所述，可以得出如下林火识别的判据：如果整幅红外图像的温度标准差分布在0～10之间，基本可以判定该幅红外图像中没有火源； 如果整幅红外图像的温度标准差分布在40～180之间，可以初步判定该幅红外图像中有火源存在。判别规则如表1所示。

表1　各阶段红外图像温度标准差分布

无火源起初阶段全面发展阶段余火阶段0～1050～8080～18040～70

图5　余火阶段数据统计

2　干扰热源的排除

当发生火灾时，受周边自然环境的影响，火源的特征变化较不稳定，例如火焰燃烧的温度、火势扩散的面积、燃烧的形状、辐射的强度等都不确定，这对分析红外图像的特性有较大的难度。森林中环境复杂，存在各种干扰热源，比如动物的出没，阔叶或者玻璃等对太阳光的反射等，这会引起整幅图像温度标准差的变化。该文主要讨论人出没以及物体反光这2个最常见的干扰因素并提出判据排除干扰。如何针对红外图像，区分火源和不必要的干扰，也是该文研究的重点之一。该文将着重讨论人出没以及物体反光这2个最常见的干扰因素，着重分析这2种干扰在红外图像中受影响的面积及圆形度变化率，以此提出判据排除干扰。

2.1图像预处理

摄像头检测到的森林背景在经红外成像系统传输后，形成的图像中存在一定的噪声及非线性偏移，这就要求我们对图像进行预处理操作，该步骤一般可分为增强、分割和滤波，具体如图6所示。

图6　火焰图像预处理

图6a为原红外图像。利用温度数据，利用前景与背景的灰度差值设定阈值，成功将原图变为二值图像，并从背景中分割出火焰，如图6b。因为分割图形的数据不连续性，为了填充火焰内细小孔洞、连接断开的火焰轮廓，需要进行形态分析，对图像进行开闭运算，平滑其边界的同时并不明显改变其面积，处理结果如图6c。最后，图6d是通过腐蚀函数来对整个图像进行平滑处理，去除不必要的像素点，使得图像能接近火焰实质，大大提高火焰面积计算的准确率。

2.2干扰热源的排除

2.2.1人或动物干扰

人或动物进入红外热成像仪视场之后，其面积波动范围很小。然而，火焰在燃烧的整个阶段，其面积、方向、尖角数量等不断变化。因此，当人或动物进入视场之后，只需计算其一段时间内的面积，分析其面积变化大小，再和火焰的面积变化相比，便可以判定并排除这类干扰热源。

图7　相邻帧人物干扰分割

图8　人体面积变化趋势　　　　　　　　　　　　　　　 图9　燃烧过程火焰面积变化

由图8和图9对比可知，在一段时间内，人在红外图像中内的面积变化很小，像素点变化不超过100，而火焰燃烧时的面积变化超过2 000像素，远大于人的像素变化。所以，当目标热源的面积变化率随时间变化很小时，便可以判定其不是火源。

2.2.2反光物体干扰

森林中许多物体都能反射光线，当反射太阳光的物体进入热像仪视野时，整幅图像的温度标准差会提高很多，将对火源判别造成一定干扰。树叶、玻璃等反光物体的圆形度较大，且基本不随时间变化； 而火焰在燃烧过程中面积变化大，尖角特征明显，且轮廓不断变换。因此，利用圆形度可以有效排除圆形物体反射光造成的干扰。圆形度是表征物体形状的复杂程度，其计算公式为[10-12]：

其中u为圆形度，L为周长，s为可疑区域的面积。

图10　反光镜子图像

图11　圆形度对比

由图10 和图11可知，圆形物体或者比较有规则的物体其圆形度维持在0.8～1之间。不管在何种燃烧阶段，燃烧火焰的圆形度都维持在0.1～0.3之间。因此，当目标热源的圆形度处于0.8～1之间时，可以判定其属于干扰热源。

3　结论

该文利用红外热像仪进行了大量实验，包括林火模拟实验以及不同森林背景的红外图像采集实验。首次提出了温度标准差的热源初判判据，可以有效进行热源初判； 当温度标准差在(0， 10)范围内，都属于正常无林火状态，若该值高于10，处于(50， 180)范围内，则属于明火阶段，需要立即采取灭火措施。该文在对林火红外图像进行预处理的同时，也着重分析了干扰热源的排除依据，实验结果显示，当目标热源的面积变化率随时间变化很小，或其圆形度处于0.8～1之间时，可判定其属于干扰热源。以上研究结论对增强林火监测的准确率有一定参考意义，但在红外图像处理的算法以及干扰特征多样性方面还有待深入研究。

[1]陈景和， 王家福，赵廷翠，等.我国与世界森林资源评估分析.山东林业科技， 2015, 45(3): 94～96

[2]张茂月. 浅析无因管理制度规则对森林生态效益补偿制度设计的借鉴意义.中国农业资源与区划，2014, 35(3): 32～38

[3]赖小龙， 于文.基于多传感器数据融合的早期林火识别.西北林学院学报，2015，30(4)： 178～183

[4]Qiang Yan，Pei Bo.Forest Fire Image Intelligent Recognition based on the Neural Network.Journal of Multimedia， 2014， 9(3)

[5]李杰. 基于数字图像处理的森林火灾识别方法研究.北京：北京林业大学， 2009

[6]DARKO KOLARI]，KAROLJ SKALA.Integrated System For Forest Fire Early Detection and Management.Periodicum Biologorum， 2008, 110(2): 205～211

[7]王思嘉， 裴海龙.基于火焰图像红外动态特征的早期火灾识别算法.现代电子技术, 2010，(8)： 104～110

[8]张德丰.MATLAB数字图像处理.北京：机械工业出版社， 2009

[9]冈萨雷斯． 数字图像处理(第三版).北京：电子工业出版社， 2011

[10]邓志华， 杨立中，陈晓军，等.火灾早期特性分析及影像特征研究.自然科学进展， 2001, 11(1): 81～85

[11]吕立新， 丁德锐，杨克玉，等.基于ARM和图像识别算法的火灾探测系统设计.计算机工程与设计， 2008, 29(10): 2530～2533

[12]芦雪妍， 崔晓阳.大兴安岭森林火烧对土壤生境质量影响研究.中国农业资源与区划， 2016, 37(2): 76～78

IMPLEMENTATION OF FOREST FIRE RECOGNITION BASED ON INFRARED IMAGE*

Wu Zhaoming1※，Zheng Change2，Shangguan Xiaorui3

(1.Department of Electrical & Information Engineering，Nanjing Communications Institute of Technology，Nanjing， 211188，China；2.Beijing Forestry University，Beijing 100083，China； 3.Chicago State University，Chicago IL 60628，America)

Forest fire is a kind of natural disaster which happens suddenly, had strongly destructive power, and difficult to handle with. It can bring huge harm and loss to the ecosystem and human production and development, and becomes one of the hottest research issues on how to find the forest fire timely, sound the alarm and extinguish the fire. Based on large amount of experiments about forest environment and forest fire by the infrared thermography, this paper firstly provided a method using standard deviation of temperature to distinguish heat source. Furthermore, it excluded some kind of interference heat sources according to their area changing ratio and circularity. The experiment results showed that the conclusions and rules to monitor forest fire were simple and effective, and can be applied to the practical environment with great accuracy.

forest fire; infrared images; fire source identification; standard deviation of temperature; pretreatment

10.7621/cjarrp.1005-9121.20160803

2016-03-01

吴兆明(1976—)，男，江苏盐城人，副教授、学院院长。研究方向：计算机信号技术、网络技术应用。Email：wuzhaoming1976@163.com

TP391.41；F307.2

A

1005-9121[2016]08-0021-07

*资助项目：国家自然基金资助项目“微小型投掷式林火余火探测机器人群体的监测方法研究”(31200544)； 高等学校学科点专项科研基金资助项目(20110014120012)； 中央高校基本科研业务费专项资金资助项目(YX2013-14)