原料储运大空间环境下的早期火灾快速识别算法研究

徐伟 丁松令 吴孚辉 沙万里 陈衍

摘要：文章提出了一种大空间环境下火焰图像快速识别的算法。通过建立背景的统计特性模型确定了目标捕获的方法，通过初期火灾的发展规律得出了识别火焰颜色和形状特征的基本算法，利用模式识别算法给出了识别目标是否为火焰的算法。测试结果表明，该算法可以快速捕获和识别火焰图像，且误判率很低，能够作为大空间建筑初期火灾预警的依据。

关键词：大空间;火焰图像;模式识别;特征提取;火灾探测

由于中国在工业智能化方面有了较快的发展速度，城市具备更大的规模，其中的建筑无论是尺寸、高度或其所具备的功能均得到了不小的提升，复杂程度也加大，像规模较大的物流仓库之类的建筑，更是如雨后春笋一般崛起。由于这种建筑具备较大的空间，只要出现火灾，就会迅速的蔓延开来，要想疏散处于建筑物当中的相关人员并不容易，因此在很大程度上威胁到了大家的生命财产安全。只有更早的发现存在于大空间建筑内的火情，才能够使之蔓延几率下降，进而降低因此而出现的损失。所以，关于大空间建筑出现火灾情况的早起预警，也就演变成了消防方面十分关键的一个研究课题。

现阶段，在大空间建筑进行运用的火灾报警系统的具体构成部分是多维火灾探测器，图像型探测器、可燃气体、感烟、感温以及感光探测器共同构成了该探测器。就图像型而言，其作用为识别视频图像，进而判断出是不是出现了火灾。为让误报率下降，一般情况下要将该类探测器跟另外一些探测器一起搭配运用。通过对传感器加以利用，从而采样检测因为燃烧以及热解而出现的烟雾气溶胶，一旦某个区域当中具备超标的烟雾颗粒浓度，就会马上将火灾报警信号发出，这一方式便是感烟型火灾探测器。通过定时采样的方式检查四周空气温度，只要这一区域范畴之中的温度陡升，就马上会将火灾报警信号发出的便是感温型火灾探测器。对火焰所具备的光谱强度、具体的闪烁频率、无法看到的红外线或是紫外线辐射进行检测，进而将警报发出的便是感光型火灾探测器。实施可燃气体采样之后，确认是不是出现火灾的便是可燃气体探测器。因为大空间建筑具备不低的高度（往往会具备6m以上的净空），会在一定程度上影响到感温、感光以及感烟之类的火灾探测器，使之不具备应有的灵敏度。此类探测器通常会等火灾已经形成规模方会将报警信息发出，而如此一来，不利于控制具体的火情。所以当于大空间建筑内实施火灾监测之际，上述探测器只能够发挥出辅助作用。

以模式识别技术为基础的便是图像识别技术，该类技术运用于图像型火灾探测器内。其会对监控摄像头加以利用，采集所有现场存在的实时图像，然后对图像采集卡加以利用，使此类信号完成转换，变成具体的数字图像，然后再往计算机内进行输入，紧接着对模式识别以及数字圖像处理加以利用，将其与火灾所具备的动态以及静态方面的特点相结合，全方位识别火灾，同时将相应的报警信号发出，将具体产生火焰的地方与监视器上进行标出。该探测器不仅有不错的空间适用性，同时也有不错的环境适用性，具备较快的处理速度以及不错的抗干扰能力，而且能够可靠的进行报警，能够提供的信息相对而言比较直观。现阶段，该技术在各式各样的大空间场所已经得到了具体的应用。

对于大空间建筑而言，其所运用的图像型火灾探测器，不管是精准度还是响应速度都需要提高，不仅能够精准的对火灾初始阶段进行识别，还能够尽可能让误报率下降。要想达到这一目的，所运用的识别算法就必须精准高效。针对该情况，本文将一种以火焰特征为基础的快速识别算法提出。这一算法不仅可以对图像特征的提取加以利用，尽可能让运算速度得到提升，还能够在将火灾图像数据库构建完成后，使精确比对完成，进而让具体的误报率下降。

1  基于火焰特征的识别算法

1.1  算法基本构成

以火焰所具备的特征为基础的识别算法涵盖的种类有目标捕获、图像识别以及特征提取之类的具体算法，具体为图1所呈现内容。对于大空间摄像机通过采集获取的视频流内出现了改变的帧以及区域，目标补货算法可以实施跟踪。通过对图像处理技术加以利用，将已经确定的图像利用滤波实施处理，将干扰或噪声信息去除的方式便是噪声清除算法。按照提取到的具体特征，将之跟标准图像所具备的特征实施对比，将目标是不是为火焰确认下来的方式便是目标识别算法。识别火焰属于综合识别，具备数个特征，单纯的利用某个特征实施识别，一般会存在误识别的情况，以至于出现漏报或误报。此篇文章所用的识别方式为综合了火焰的形状以及颜色，以此来让其识别变得更为精准。进行识别之际，为让算法有更高的识别速度，第一步通过对背景消除这一方式加以利用，把跟火焰存在差别的区域背景彻底消除干净，因为初始阶段火焰不具备太大的火焰，因此识别较为容易。

1.2  目标捕获算法

通常而言，摄像机在整个大空间建筑当中均是静止的，故而所有通过监控获取的物体所具备的视频图像均处于静止状态，但是火焰以及另外一些活动体，则不具备该特点。为让分析视频图像的工作能够完成，第一步得分割序列内所有的运动区域，从而将目标区域找出。本文在对目标进行捕捉时所用的方式是帧间取差法，对两帧图像是否存在不同之处加以利用，对目标是不是属于动态目标进行判断。假若属于，那么便实施具体分析，若不属于，则会选择继续监测。进行目标捕获之际，为让计算量不再庞大，通过对背景消除法加以利用，从而让前景得到吐出，同时将之当成具体的对象进行分析。如此一来，便让计算图像数据的量变少，进而能更快的识别出火焰。在进行应用场合、处理速度以及具体算法性能等各个方面加以综合考虑之后，对运动目标进行检测所选的方式为背景消除法。在利用混合高斯模型对背景实施设定之后，能够更为精准迅速的将运动目标确认下来。通过实测，意味着这一方式具备相应的实际意义。

1.2.1  背景消除算法

对背景所具备的参数模型加以利用，通过估算的方式得出其所具备的像素值，这一方式便是背景消除法，该方式会利用差分运算，获取前景，如果像素区具备不小的差距，则将之当成前景像素，如果不具备太大差距，就意味着其属于背景像素。下列为过程：假设Bi（x，y）、Ii（x，y）分别代表第i帧图像中像素点（x，y）的背景像素值和当前图像的像素值，那么下式就是用来估计此位置下一帧的像素值 Bi+1（x，y）：

Bi+1（x，y）=（1-a） Bi（x，y） +aIi （x，y）（x，y）位置像素是静止的;

= Bi（x，y）（x，y）位置属于运动像素;

在上式内，0～1为参数a所具备的取值范畴。对当前以及背景图像加以利用，同时利用以阈值为基础的差分加以利用，便能够获取运动像素，紧接着将之利用二位联通算法，使之形成团块，如此便能够将前景区域提取出来。

1.2.2  背景模型的建立

文章将混合高斯背景模型加以运用，这一模型会对K个高斯分布加以利用，对图像内所有像素点所具备的特征进行表征，同时利用对权值进行调整，便可将其于整个高斯背景模型内占据的比重调整好。当获取新的图像，就需要对模型进行更新，紧接着对已有的像素点加以利用，看其是否跟模型内的像素点相匹配，只要能够成功，就意味着这一像素点属于像素点，否则就属于前景点。图2所呈现内容为具体学习背景模型的过程。

由于场景中存在运动目标或其他干扰噪声，所以所构建出来的背景图像内，有部分不属于背景像素点，所以通过此类像素所构建出来的高斯分布模型就得去掉。如若此类运动目标噪声并没有长期停留于整个场景区域内的固定位置，那么与之对应的优先级以及权值则不会太大。根据权值大小来排列好K个高斯分布，那么前面B个高斯分布就能够当成背景模型B，下列是具体的定义：

B= min Σωj，xy>M

上式内ωj，xy代表的是第j个高斯分布所具备的具体权值;所设定好的阈值则用M进行表示，其代表着可以真实的对背景像素所占权重，如果M没有太大的取值，就属于高斯分布背景模型，反之，就属于混合高斯分布背景模型。

1.3  火焰的特征提取算法

将火焰区域完全确认，便能够提取火焰特征，假若图像内前进出现了改变，那么得把它当成目标。在提取特征之际，算法有具体的目标，如此一来，其计算量便会下降，同时识别速度也能够得到提升。只有把火焰特征模型构建起来，才能對目标是不是属于火焰进行确认，文章所用的火焰特征是形状以及颜色。由于火焰所拥有的视觉特征较为强烈，形状以及颜色均属于比较突出的一个特点，故而做出上述选择。尽管当材料存在差异之际，火焰的颜色也存在差异，不过通常而言，火焰图像不管是灰度级或是颜色，均存在相应的分布规律。

1.3.1  火焰的颜色特征

在构建火焰颜色的具体模型时，需要让图像发生改变，使之变成HSI空间当中存在的数字矩阵。空间之中对像素点进行描述时一般会选取亮度以及色调饱和度，该方式不同于RGB空间内所用的基于红绿蓝三种颜色的亮度值来对图像进行描述的方式。文献[4]给出了火焰像素点需拥有下列条件：

0

20

100

式中，H（x，y）、S（x，y）、I（x，y）所代表的是像素点（x，y）具备的色调饱和度以及亮度。在式（3）内所获取的数据，均是以不少统计以及对比结果为基础的。根据式（3）能够发现，火焰像素点不管是色调饱和度抑或是亮度均能够以上条件相符。所以，当对目标图像所具备的特征进行提取之际，第一步对该类特征进行提取。不过，立足于具体情况可以发现，大空间图像型火灾探测器往往会存在一些跟火焰相似的目标出现干扰现象。假若仅利用上述特性对火焰实施判断，明显不具备十足的可靠性。当判定条件过于宽松，就可能会导致误判的情况发生，所以也得对另外一些特征进行提取。

1.3.2  火焰的形状特征

为了把火焰所具备的形状特征构建起来，对火焰视频内大概2000帧图像所具备的火焰形状实施了具体的观测。最终所获结论为初始阶段火焰所具备的面积会根据时间慢慢扩张。下式（4）便是计算火焰面积变化速率的具体公式：

为将相邻帧所发生的火焰面积变化捕捉到，通过对Kendall-τ检测器加以利用。以下为Kendall -τ趋势算法具体的表达式：

x（t）为输入信号，所表示的是火焰目标区域内具备多少像素点;单位跃阶函数则用u（x）来进行表示;通过试验之后，所确定下来的误差阈值则用ε来进行表示;对数据进行观测具体的窗口长度则用N来进行表示。

从形状方面来看，火焰属于跳动性的，而且具体的分部是锐角，拥有一定的规则，同时其增大之后，所拥有的锐角数量会渐渐增加。在对锐角数量所发生的改变进行观测之后，同样能够对目标属性实施具体判断。

1.4  目标识别算法

通常而言，对模糊判决法加以利用的便是目标识别算法。按照目标图像所具备的综合特征，将之跟特征库内的实施对比，进而对目标是不是属于火焰实施判断。通过五原函数S（h，s，i，ΔA，Δa）能够表示目标所具备的特征，在式子内，h、s、i所表示的是目标区域内，各个像素点所具备的平均亮度以及色调饱和度，ΔA则标志着目标区域所产生的面积方面的改变。为让对比变得更为方便，必须将一个处于合理范畴之内的阈值ST确认下来，如若目标跟标准特征彼此出现的差值处于阈值范畴，便能做出火焰的判断，如若不然则将之做出干扰的判断。按照文献[5]所用到的试验方法计算以及观测2000幅图像，便能够获取最终统计的阈值结果。

2  測试结果

通过对以上算法加以利用，测试所有的图像，所有图像均是来源于2分钟视频。表1中将目标不同之时h、s、i、ΔA、Δa五个元素具体的取值以及判决结果列出。通过试验统计，当火焰面积出现1000尖角的改变时，可将之视作火焰。从结果来看，很明显能够对应实际情况，因此意味着该算法能够判断火焰。

3  结语

通过对背景消除法加以运用，将监测图像内的目标前进确认下来，从而让计算量变小，最终让算法具备更高的效率。所用的是混合高斯模型这一背景模型，所选择的是亮度以及色调饱和度之类的图像特征。通过对为数不少的图片实施特征统计，最终对阈值进行判定。对于固定目标，通过判定阈值以及特征计算方式，最终所获结果能够看出，通过对这一算法加以利用，最终所获结果能够符合实际，同时计算速度能够让监控现场所需的实施监测得到满足。

参考文献：

[1]苏祺，何昌原，张永平.基于BP神经网络的早期火灾图像识别软件[J].消防科学与技术，2019，38（12）：1723-1726.

[2]落巨贵.可视图像早期火灾报警系统在石化行业的应用测试探讨[J].石油化工安全环保技术，2020，36（03）：34-37+66+7.

[3]金怡.可视图像早期火灾报警系统[J].消防技术与产品信息，2018，31（12）：84-86.

[4]王心瑜.图像处理在火灾检测和消防报警中的应用研究[J].今日消防，2019，4（05）：22-23.

[5]赵强，徐小发，张洋，郭益铮，王青云.基于物联网的远程火灾报警系统的设计[J].信息与电脑（理论版），2020，32（14）：114-116.

Research on rapid identification

algorithm for initial fire stage in Large

space of raw material storage and transportation

Xu Wei，Ding Songling，Wu Fuhui，Sha Wanli，Chen Yan

（Zhejiang zheneng Jiahua Power Generation Co.， Ltd.;Zhejiang Hepu Industrial Co.， Ltd.）

Abstract：This paper provides a new algorithm for identifying flame images in large space buildings. First， the program fetches target images by establishing a background characteristics model. Then， based on the fixed initial fire model， this algorithm can identify targets by their color and appearance. In the end， a final result will be given by its pattern recognition algorithm. The test results show that the algorithm can capture and recognize flame images quicklywith a low misjudgment rate， which can be used as the basis for early fire warning of large space buildings.

Keywords：largespace;flameimage;patternrecognition;characteristics fetching;fire detection