两种火灾烟雾识别方法的研究

李娜 齐爱玲 贾澎涛

摘 要：接触式火灾探测器在大空间和室外场景存在局限性，结合视频监控系统和数字图像处理技术，进行探测和预警成为火灾探测领域里的新研究方向。针对不同场景下烟雾识别算法的选择问题，研究颜色统计特征和小波变换两种方法在烟雾图像识别中的应用，分析算法的具体过程及其适用性。火灾烟雾图像包含丰富的颜色、纹理等特征参数，将烟雾图像转换为二值图像，采用数字图像处理的方法对烟雾的RGB颜色特征进行统计，分析其颜色距离与人类视觉的关系，提取图像中的烟雾点特征，识别是否有火灾烟雾生成以达到预警的目的。小波变换方法利用烟雾背景图像纹理模糊即信号衰弱的特点，对目标前景进行提取。利用连续目标图像计算均值背景，通过与均值背景的对比，捕捉图像信号衰减的连通区域，获取烟雾图像。通过实验，从图像要求、烟雾对象、时间复杂度、适合场所几方面得出颜色统计特征和小波变换方法在火灾烟雾识别中的性能比较。结果对不同场景下烟雾图像识别方法的选择有指导作用。

关键词：火灾预警;烟雾检测;数字图像处理;颜色特征;小波变换

中图分类号：X 928;TP 391         文献标志码：A

文章编号：1672-9315（2019）05-0898-07

Abstract：Contact fire detectors have limitations in large space and outdoor scenes，so combining video surveillance system with digital image processing technology to conduct fire detection and early warning has become a new research direction in the field of fire detection.Aiming at the selection of smoke recognition algorithms in different scenarios，this paper studies the application of color statistical features and wavelet transform in smoke image recognition，and analyzes its applicability through the specific process of the algorithm.Fire smoke image contains rich color，texture and other characteristic parameters.In the statistical method of color feature，smoke image is converted into binary image，and the RGB color feature of smoke is counted by digital image processing method.Then，the relationship between color distance and human vision is analyzed to extract smoke feature，and then the purpose of identifying whether there is fire smoke and early warning is achieved.Texture of fume background image is blurring，which is regarded as signal weakening，and this is used to extract target foreground in the method of wavelet transform.Mean background is calculated by using continuous target image.By comparing with mean background，the connected area of image signal attenuation is captured and smoke image is obtained.Through experiments，the performance indicators of color feature statistics and wavelet transform methods in fire smoke recognition are obtained from image requirements，smoke objects，time complexity and suitable places.The results will guide the selection of smoke image recognition methods in different scenarios.

Key words：fire early warning;smoke detection;digital image processing;color characteristics;wavelet transform

0 引 言

近期，山西、北京、四川等地連续发生森林火灾，成为舆论焦点，且多地火险维持在“极度危险”级别。火灾严重危及生命安全，同时造成生态环境破坏等一系列损失。对火灾征兆进行及时检测，在火灾预警和中有着极其重要的意义。火灾形成初期，大多数情况下没有明显的火焰信号，只有阴燃现象和大量的烟雾，所以烟雾探测可实现早期预警。通过视频捕捉火灾前图像进行探测和预警成为火灾探测领域里的一个新研究方向，该方法克服了传统火灾探测技术在大空间或室外场景应用中的局限。

对于火灾产生的烟雾及其与烟雾颜色相近物体的准确有效区分，成为火灾烟雾检测的难点之一。烟雾的属性信息，如：颜色、边缘和梯度区分不明显，这给检测的进行制造了障碍。特征的提取是准确和快速进行烟雾检测的关键。基于特征点的火灾烟雾识别给这类问题提供了一个很好的解决方法。利用烟雾检测算法，自动识别烟雾图形的特征，被应用于公路隧道[1]、森林大火[2-3]、城市轨道交通[4]、舰船着火[5]等室外环境的火灾安全预防中。

1 火灾烟雾检测的研究现状

1.1 国内外研究现状

基于烟雾识别的火灾烟雾探测技术关键是提取烟雾和气体特征。提取方法上主要有图像识别[6]、显著特征[7-9]、多特征融合[10]、深度神经网络[11]等。文献[12]提出一种通过融合烟雾多个特征的方法来检测识别早期林火烟雾。针对复杂场景烟雾特征提取，陈俊周等提出一种静态和动态特征结合的卷积神经网络视频烟雾检测框架[13]。王文朋等人基于图像ImageNet数据集，利用VGG-16模型进行同构数据下的特征迁移，提出一种基于深度迁移学习的烟雾识别方法[14]。常用烟雾特征描述方法有：统计量特征、变换域特征、局部模式特征。

李诚等人通过结合统计量特征和深度学习方法实现了视频烟雾检测[15]。在使用人工设计特征时采用较弱的阈值设置，实现了城镇森林交界域烟雾的准确识别。Shrivastava等人利用K均值聚类图像分割算法，对静态相机获得的帧序列实现有效烟雾检测[16]。

高丰伟等人结合传统手动提取方法和CNN自动提取烟雾特征，与传统的方法相比，该方法在烟雾准确率和误检率上都有明显的提高，同时对于光照和烟雾浓度的敏感度有降低[17]。姚太伟等人提出基于小波变换的森林视频火灾烟雾检测方法，使用帧间差分法和质心算法提取疑似煙雾运动目标区域，对提取的运动目标前景区域和背景区域分别进行小波能量特征提取与分析[18]。

兰久强等人提出基于颜色和纹理特征的林火烟雾识别方法，使用颜色特征确定烟雾疑似区域，利用小波变换提取相关度特征，支持向量机进行烟雾识别[19]。Jian等针对火灾烟雾检测早期存在的问题，提出一种结合两步分割和运动特征的烟雾可疑区域提取方法[20]。

1.2 现阶段火灾烟雾检测技术存在的问题

火灾探测研究虽然在烟雾检测技术中一直有新的算法被提出，但还存在一些问题。因为烟雾的不规则性和本身颜色的特殊性，传统常用的方法根据烟雾特点进行分割，再提取可疑目标区域，但是烟雾通常情况下不是呈均匀分布，并且烟雾往往是由很多离散的小区域组成，在检测过程中较为复杂，导致对烟雾区域不能明显区分。

对于火灾探测和预警来说，如何提取火灾产生的烟雾特征是其重要的步骤之一，精确的特征能够极大提高识别的准确率和稳定性。通过颜色统计特征和小波变换2种技术在烟雾特征检测中的应用，分析各自的特点并得出具体的场景适用性结论。

2 基于颜色统计特征的火焰烟雾识别

燃烧初期的烟雾通常是青灰色，其R，G，B三个颜色值基本相等，用α表示其相似程度，计算公式为α=max（|R-G|，|G-B|，|B-R|），最终的α范围在0到20之间。HSI颜色模型中色度H的初期烟雾特征取值范围为175°≤H≤185°，文中用H的取值范围判别图像中的烟雾区域。

2.1 选取基准点

对于HSI模型选取色调分量H在175°≤H≤185°的像素点，计算α参数，如果α范围在0到20之间，则将此像素点作为基准点x.将图像中其余α参数在0到20之间像素点与基准点比较，若像素空间距离D≤0.2，认为这个像素点与所设立的基准点相似，对其进行保留;当D>0.2时，将对应的像素点视作噪声并置为白色。

烟雾识别根据HSI颜色距离与人类视觉的关系，分析提取图像中的烟雾点，来判别是否有火焰产生。在检测图像的面积阈值过程中，需要将彩色图像先转换变为灰度图像，之后确定一个值来进行二值化处理。通过阈值比较，保留疑似烟雾区域，最后用挖空法得到烟雾区域轮廓，以达到识别火灾烟雾的目的。

3 基于小波变换的烟雾识别

烟雾的半透明性即背景的模糊性能够较为准确地反映其特征。烟雾的产生使背景的纹理变得模糊，在信号域上表现为信号衰弱，可通过小波变换进行烟雾的识别。

3.1 均值背景

4 仿真实验

4.1 烟雾颜色特征检测系统的实现

火灾烟雾识别由6部分组成，包括图像读取、彩色图像灰度化、边缘检测、烟雾图像的RGB值统计、烟雾检测和主程序实现。界面显示如图3所示。

利用人类视觉与空间颜色距离的关系，判断所扫描像素点是否烟雾所在的像素点。通过下面的实验进行烟雾颜色特征提取，使得准确的烟雾检测为火灾预警提供有利的前期指导，如图4所示。

利用边缘检测对火灾图像中亮度变化明显的烟雾点进行识别，不同灰度值的相邻区域不连续。利用算子进行烟雾的边缘检测，结果如图5所示。

通过分析触发探测器警报时的图像RGB值，统计获得基准点计算量。基准量分布如图6所示。

对应图3中的fog1和fog12，烟雾颜色特征方法的识别效果如图7所示。该算法计算复杂度较小，烟雾提取准确。适合颜色较深的烟雾识别，颜色越深检测越准确，可通过调整RGB值的基准范围进行泛化。

4.2 小波变换烟雾检测的实现

在处理连续运动的目标时，将运动中的目标看作噪声，通过连续帧的图像累加平均来消除这种噪声，利用运动中目标图像序列的平均获得背景图像，如图8所示。

通过计算均值背景、截取视频帧图像、运行主函数几个过程，实现小波变换烟雾识别，结果如图9所示。

从实验结果可以看出，基本检测出烟雾部分，但是由于背景图像抽取的效果或视频本身的分辨率及抖动等原因，导致检测时对烟雾的识别不够准确。经过多次实验，证明该方法能够识别出烟雾，但跟视频本身的分辨率、视频拍摄时抖动情况及烟雾的运动幅度有关系。

4.3 两种算法比较

通过多次实验结果的比较，发现利用烟雾的颜色特征进行识别的方法适用于较浓厚的烟雾，也就是颜色较深、浓度较高情况下烟雾识别较为准确，适用于工厂、森林等情况下的烟雾识别。算法时间复杂度较低，运算时间较快。

小波变换识别烟雾的方法适用于烟雾运动轨迹明显、背景差异较大的情况下，适合街道、商场等烟雾运动特征明显的区域。算法时间复杂度较颜色特征识别高，要求高清图像，相应的检测时间也会变长。两种方法的具体比较见表1.

5 结 论

1）针对数字图像处理的烟雾颜色特征识别，达到了识别检测火灾的目的。

2）利用两种方法的具体过程，进行了烟雾检测的对比分析。将彩色图像转化为灰度图像并进行二值化处理，在检测图像特征阈值的过程中，通过阈值比较，保留疑似烟雾区域，得到烟雾区域轮廓。小波变换通过捕捉均值背景图像在信号域上的衰弱点来识别烟雾，在烟雾的特点上利用二维离散小波变换，对原始背景图像的纹理进行提取，判断纹理趋向模糊的原因，从而对烟雾是否存在进行检测。最后得出了两种方法不同的适用场景。

3）说明不同物质燃烧的不同阶段烟雾特征也会有所不同，文中只进行了共性分析。关于不同物质的分类烟雾特征研究，将作为进一步研究的方向。

参考文献（References）：

[1] 雷 丹.公路隧道视频火灾烟雾检测方法研究[D].大连：大连海事大学，2017.

LEI Dan.Research on video fire smoke detection method for highway tunnels[D].Dalian：Dalian Maritime University，2017.

[2]Yuan C，Liu Z，Zhang Y.Learning-based smoke detection for unmanned aerial vehicles applied to forest fire surveillance[J].Journal of Intelligent & Robotic Systems，2018，93：337-349.

[3]吳 楠.WebGIS与WSN的林区火险监测系统设计[J].西安科技大学学报，2014，34（2）：228-233.

WU Nan.Design of forest fire monitoring system based on WebGIS and WSN[J].Journal of Xi’an University of Science and Technology，2014，34（2）：228-233.

[4]刘亚儒.城市轨道交通车辆段火灾探测系统研究[D].合肥：中国科学技术大学，2016.

LIU Ya-ru.Research on fire detection system of urban rail transit depot[D].Hefei：China University of Science and Technology，2016.

[5]周泊龙，宋英磊，俞孟蕻.基于图像处理的舰船火灾烟雾检测技术研究[J].舰船科学技术，2016，38（9）：111-115.

ZHOU Po-long，SONG Ying-lei，YU Meng-jiao.Research on the technology of ship fire smoke detection based on image processing[J].Ship Science and Technology，2016，38（9）：111-115.

[6]陈诗涵，王建宝，廖 林，等.基于图像识别的火灾烟雾探测方法和实现[J].工业控制计算机，2014，27（11）：22-24.

CHEN Shi-han，WANG Jian-bao，LIAO Lin，et al.Fire smoke detection method and implementation based on image recognition[J].Industrial Control Computer，2014，27（11）：22-24.

[7]Krstini D，Stipaniev D，Jakovevi T. Histogram-based smoke segmentation in forest fire detection system[J].Information Technology & Control，2015，38（3）：237-244.

[8]Deldjoo Y，Nazary F，Fotouhi A M.A novel fuzzybased smoke detection system using dynamic and static smoke features[C]//Electrical Engineering，2015：729-733.

[9]Cai M. Intelligent video analysis-based forest fires smoke detection algorithms[C]//International Conference on Natural Computation，Fuzzy Systems and Knowledge Discovery，2016：1504-1508.

[10]王媛彬.煤矿烟雾的计算机视觉检测方法[J].辽宁工程技术大学学报，2016，35（11）：1230-1234.

WANG Yuan-bin.Computer vision detection method of coal mine smoke[J].Journal of Liaoning University of Engineering and Technology，2016，35（11）：1230-1234.

[11]Zhang Q X，Lin G H，Zhang Y M，et al.Wildland forest fire smoke detection based on faster R-CNN using synthetic smoke images[J].Procedia Engineering，2018，211：441-446.

[12]黎张斌，魏 维，何冰倩.基于多特征融合的早期野火烟雾检测[J].成都信息工程大学学报，2018，33（4）：408-412.

LI Zhang-bin，WEI Wei，HE Bing-qian.Early detection of wildfire smoke based on multi-feature fusion[J].Journal of Chengdu University of Information Engineering，2018，33（4）：408-412.

[13]陈俊周，汪子杰，陈洪瀚，等.基于级联卷积神经网络的视频动态烟雾检测[J].电子科技大学学报，2016，45（6）：992-996.

CHEN Jun-zhou，WANG Zi-jie，CHEN Hong-han，et al.Video dynamic smoke detection based on cascaded convolution neural network[J].Journal of University of Electronic Science and Technology，2016，45（6）：992-996.

[14]王文朋，毛文涛，何建樑，等.基于深度迁移学习的烟雾识别方法[J].计算机应用，2017，37（11）：3176-3181.

WANG Wen-peng，MAO Wen-tao，HE Jian-liang，et al.Smoke recognition method based on deep migration learning[J].Computer Applications，2017，37（11）：3176-3181.

[15]李 誠，唐李洋，潘李伟.城镇森林交界域视频烟雾检测算法[J].计算机工程，2018（1）：258-262.

LI Cheng，TANG Li-yang，PAN Li-wei.Video smoke detection algorithm for urban forest boundary[J].Computer Engineering，2018（1）：258-262.

[16]Shrivastava M，Matlani P.A smoke detection algorithm based on K-means segmentation[C]//International Conference on Audio，Language and Image Processing.IEEE，2017：301-305.

[17]高丰伟，魏 维，程 阳.野外早期火灾烟雾视频检测技术研究[J].成都信息工程大学学报，2018，33（5）：509-516.

GAO Feng-wei，WEI Wei，CHENG Yang.Research on video detection technology of early fire smoke in the field[J].Journal of Chengdu University of Information Engineering，2018，33（5）：509-516.

[18]姚太伟，王慧琴，胡 燕.基于小波变换和稀疏光流法的火灾烟雾检测[J].计算机工程，2012，38（6）：204-206.

YAO Tai-wei，WANG Hui-qin，HU Yan.Fire smoke detection based on wavelet transform and sparse optical flow[J].Computer Engineering，2012，38（6）：204-206.

[19]兰久强，刘金清，刘 引，等.基于颜色和纹理特征的林火烟雾识别[J].计算机系统应用，2016，25（3）：101-106.

LAN Jiu-qiang，LIU Jin-qing，LIU Yin，et al.Forest fire smoke recognition based on color and texture features[J].Computer System Applications，2016，25（3）：101-106.

[20]Jian W，Wu K，Yu Z，et al.Smoke regions extraction based on two steps segmentation and motion detection in early fire[C]//MIPPR 2017：Pattern Recognition and Computer Vision，2018：70-77.