余陽(yáng)+趙海龍+韓來(lái)君

摘 要： 針對(duì)傳統(tǒng)火災(zāi)監(jiān)控系統(tǒng)監(jiān)控范圍小、靈敏度差、易受環(huán)境影響等問(wèn)題，設(shè)計(jì)并實(shí)現(xiàn)了一套基于紅外熱成像處理技術(shù)的山火識(shí)別系統(tǒng)。該系統(tǒng)對(duì)紅外熱灰色圖像先后經(jīng)過(guò)預(yù)處理、疑似火災(zāi)區(qū)域的分割和平滑處理以及動(dòng)靜態(tài)特征提取，同時(shí)結(jié)合煙霧溫度傳感器的輔助判斷，利用SVM和AdaBoost兩類分類器融合算法對(duì)森林火災(zāi)進(jìn)行監(jiān)控、識(shí)別和警報(bào)。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能對(duì)火災(zāi)火焰進(jìn)行有效識(shí)別，能為類似火災(zāi)監(jiān)控系統(tǒng)的開(kāi)發(fā)及實(shí)現(xiàn)提供技術(shù)指導(dǎo)。

關(guān)鍵詞： 火災(zāi)監(jiān)控； 紅外熱圖像處理； SVM； AdaBoost

中圖分類號(hào)： TN911.73?34； TP393 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）24?0077?03

Abstract： Since the traditional fire monitoring system has the problems of small monitoring range and poor sensitivity， and is easily influenced by environment， a forest fire identification system based on infrared thermal image processing technology was designed and implemented. The system conducts the operations of preprocessing， suspected fire region segmentation， smoothing processing and static?dynamic feature extraction for the infrared gray images， and is combined with the assisted judgment of the smoke and temperature sensors. The algorithm fusing the SVM and AdaBoost classifiers is used to monitor and recognize the forest fire， and raise the alarm for it. The simulation and experiment results show that the system can identify the fire flame effectively， and provide the technical guidance for the development and implementation of the similar fire monitoring systems.

Keywords： fire monitoring； infrared thermal image processing； SVM； AdaBoost

傳統(tǒng)的自動(dòng)監(jiān)測(cè)系統(tǒng)監(jiān)控面積小，傳感器靈敏度和監(jiān)控范圍容易受到限制，因此監(jiān)控效果差[1?3]。本文建立了一套用于監(jiān)測(cè)輸電走廊附近山林的火災(zāi)識(shí)別系統(tǒng)。該系統(tǒng)基于紅外熱成像處理技術(shù)，經(jīng)圖像增強(qiáng)、分割和提取疑似火災(zāi)區(qū)域的動(dòng)靜態(tài)特征等圖像處理操作[4?5]，并結(jié)合現(xiàn)場(chǎng)布置的溫度、煙霧等傳感器節(jié)點(diǎn)監(jiān)測(cè)值的輔助判斷，再利用SVM和AdaBoost兩類分類器對(duì)火災(zāi)進(jìn)行識(shí)別，實(shí)際使用效果良好。

1 紅外熱像圖采集系統(tǒng)及預(yù)處理

1.1 系統(tǒng)設(shè)計(jì)

硬件系統(tǒng)如圖1所示。該系統(tǒng)主要涵蓋了電源管理、圖像采集以及無(wú)線傳輸?shù)饶K，硬件部分以鋼結(jié)構(gòu)固定在山中輸電走廊的鐵塔上。電源模塊使用了GH808太陽(yáng)能控制器（IP67），可靠性高。

控制模塊負(fù)責(zé)控制系統(tǒng)的全方位運(yùn)行，包括采集圖像、溫度和煙霧值。紅外熱像圖采集模塊使用的是以非制冷多晶硅焦平面探測(cè)器為核心的紅外熱成像儀，該模塊負(fù)責(zé)采集分辨率為384×288的灰度圖像，灰度值（亮度）和實(shí)際熱量成正比。無(wú)線傳輸模塊利用3G網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行傳輸，以方便數(shù)據(jù)中心對(duì)監(jiān)控?cái)?shù)據(jù)的分析與處理。此外，本文系統(tǒng)還布置了溫度和煙霧傳感器（基于ZigBee技術(shù)）以提高對(duì)火災(zāi)的識(shí)別準(zhǔn)確率。

文中山火識(shí)別系統(tǒng)的核心為火災(zāi)識(shí)別算法，相關(guān)算法流程圖如圖2所示。

1.2 預(yù)處理

預(yù)處理過(guò)程主要是利用相關(guān)的降噪濾波技術(shù)對(duì)紅外熱像圖進(jìn)行處理[6]。本文選用的是適合紅外熱像圖的非線性中值濾波技術(shù)，該技術(shù)能在去噪的同時(shí)保證圖像邊緣清晰，從而保護(hù)火災(zāi)火焰區(qū)域的輪廓，效果見(jiàn)圖3。

2 紅外熱像圖分割和處理

2.1 分割算法

本文圖像的分割結(jié)合了閾值分割法和區(qū)域生長(zhǎng)法[7?8]：前者包括Otus和雙峰法，分別用于火災(zāi)初期和燃燒期紅外熱像圖的識(shí)別操作；后者則是按照預(yù)先設(shè)定的生長(zhǎng)準(zhǔn)則（針對(duì)區(qū)域灰度差相似準(zhǔn)則）將種子（像素點(diǎn)或子區(qū)域）組合成更大的生長(zhǎng)區(qū)域。

圖像分割算法仿真結(jié)果如圖4所示。圖4（b）為火災(zāi)紅外熱像圖中的種子點(diǎn)（像素值大于設(shè)定閾值210），圖4（c）為相應(yīng)的經(jīng)過(guò)閾值測(cè)試的點(diǎn)，連接種子點(diǎn)像素生長(zhǎng)即得到分割圖像見(jiàn)圖4（d）。

2.2 平滑處理

經(jīng)過(guò)上述紅外熱像圖分割操作即得到黑白二值圖像（黑色為非火災(zāi)區(qū)域），但會(huì)存在較小、不平滑且不連續(xù)的火焰區(qū)域及噪聲點(diǎn)，需要利用膨脹算法來(lái)解決。某集合M針對(duì)某二值化圖像代表的集合Y進(jìn)行膨脹運(yùn)算定義如下：

此外，本文還使用腐蝕算法來(lái)除去火災(zāi)區(qū)域邊界點(diǎn)和噪聲，其效果與膨脹相反。引入開(kāi)操作來(lái)定義對(duì)某一圖像依次進(jìn)行腐蝕再膨脹運(yùn)算；閉操作定義為依次進(jìn)行膨脹再腐蝕運(yùn)算。經(jīng)過(guò)比較，最終選擇使用閉操作來(lái)對(duì)分割后的圖像進(jìn)行平滑處理。endprint

3 疑似火災(zāi)區(qū)域相關(guān)特征提取

3.1 靜態(tài)特征提取

疑似火災(zāi)區(qū)域的火焰具有周長(zhǎng)、圓形度、面積、尖角數(shù)、邊界粗糙度等幾何特征，以這些特征作為標(biāo)準(zhǔn)即可對(duì)疑似火災(zāi)區(qū)域進(jìn)行初步判斷[9]。以面積特征為例，如圖5所示，即為火災(zāi)和干擾物視頻中提取出來(lái)的連續(xù)100幀圖像中每幀疑似火災(zāi)像素面積與幀數(shù)變化關(guān)系圖。可以明顯看到，火災(zāi)燃燒造成火災(zāi)區(qū)域在每幀的劇烈波動(dòng)。

此外，疑似火災(zāi)區(qū)域還具有直方圖、紋理等靜態(tài)特征。結(jié)合上述各項(xiàng)特征，可提高對(duì)疑似火災(zāi)區(qū)域的識(shí)別準(zhǔn)確度。

3.2 動(dòng)態(tài)特征提取

靜態(tài)特征均是從視頻的每幀圖像上獲得的，若只是以此為判斷依據(jù)，容易將其與類似圖樣的非火災(zāi)目標(biāo)混淆。因此，本文以多張連續(xù)紅外熱像圖為研究目標(biāo)，獲取動(dòng)態(tài)特征如火焰尖角個(gè)數(shù)變化、質(zhì)心位移和面積變化率等。同樣以面積為例，如圖6所示，即為面積變化率隨幀數(shù)變化的波動(dòng)曲線。易知，火災(zāi)圖像的面積變化率波動(dòng)劇烈，其他圖像較為平緩。因此，可將面積變化率作為火災(zāi)判斷的動(dòng)態(tài)依據(jù)，排除固定干擾源的影響。

4 紅外熱像圖火災(zāi)模式識(shí)別仿真與實(shí)驗(yàn)

本文選用網(wǎng)絡(luò)數(shù)據(jù)和設(shè)備測(cè)得的實(shí)驗(yàn)數(shù)據(jù)作為圖像數(shù)據(jù)，并結(jié)合網(wǎng)絡(luò)上的相似場(chǎng)景設(shè)計(jì)了21組火災(zāi)模擬實(shí)驗(yàn)，包括有火災(zāi)的13個(gè)場(chǎng)景和無(wú)火災(zāi)的白熾燈、動(dòng)物、蠟燭、高溫物體共4個(gè)無(wú)火災(zāi)場(chǎng)景。此外，文中還通過(guò)測(cè)試錯(cuò)誤率以及ROC曲線來(lái)評(píng)估本系統(tǒng)的識(shí)別結(jié)果與真實(shí)數(shù)據(jù)是否吻合，借此判斷系統(tǒng)的識(shí)別效果。

山火識(shí)別過(guò)程中，本文以線性加權(quán)的方式對(duì)SVM和AdaBoost分類器進(jìn)行融合，從而提高該系統(tǒng)識(shí)別火災(zāi)的魯棒性和準(zhǔn)確性。融合示意圖如圖7所示，最終得到最佳系數(shù)下的公式為：

對(duì)融合后的分類器進(jìn)行仿真測(cè)試，得到的準(zhǔn)確率和ROC曲線如圖8、圖9所示。由此兩圖可知，融合后的分類器識(shí)別準(zhǔn)確率達(dá)到92.8%，曲線下的面積AUC達(dá)到0.93，其融合后性能得到了大幅提高。

現(xiàn)場(chǎng)安裝和軟件識(shí)別效果見(jiàn)圖10，軟件由C#語(yǔ)言在VS.Net平臺(tái)開(kāi)發(fā)實(shí)現(xiàn)；算法采用C++語(yǔ)言在OpenCV計(jì)算機(jī)視覺(jué)庫(kù)基礎(chǔ)上開(kāi)發(fā)完成。實(shí)際使用過(guò)程中，本系統(tǒng)成功識(shí)別了距熱紅外相機(jī)1 000 m外40 cm直徑的鐵罐內(nèi)點(diǎn)燃的可燃物，軟件界面中的紅色標(biāo)注隨鐵桶的移動(dòng)而移動(dòng)，且隨鐵桶的移走而消失，排除了噪聲干擾的可能，如圖10（c）所示。由此表明，本系統(tǒng)和算法具有一定的有效性與可靠性，能夠用于對(duì)山林火災(zāi)的識(shí)別及監(jiān)控操作。

5 結(jié) 語(yǔ)

針對(duì)傳統(tǒng)火災(zāi)監(jiān)控系統(tǒng)監(jiān)控范圍小、靈敏度差、易受環(huán)境影響等問(wèn)題，本文基于紅外熱成像處理技術(shù)，設(shè)計(jì)并實(shí)現(xiàn)了一套山火識(shí)別系統(tǒng)。該系統(tǒng)通過(guò)對(duì)紅外熱灰色圖像的預(yù)處理、疑似火災(zāi)區(qū)域的分割和形態(tài)學(xué)處理以及動(dòng)靜態(tài)特征提取，同時(shí)結(jié)合煙霧溫度傳感器的輔助判斷，利用SVM和AdaBoost分類器融合算法，對(duì)森林火災(zāi)進(jìn)行監(jiān)控與識(shí)別。仿真及實(shí)際實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能對(duì)火災(zāi)火焰進(jìn)行有效識(shí)別，具有一定的應(yīng)用前景。

參考文獻(xiàn)

[1] JIA J， LU S. A mission?oriented risk assessment methodology for naval vessel fire caused by non?contact explosions using Bayesian networks [J]. Procedia engineering， 2013， 62（7）： 573?580.

[2] 吳田，阮江軍，胡毅，等.500 kV輸電線路的山火擊穿特性及機(jī)制研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2011，31（34）：163?170.

[3] LIN Y K， YANG J N. A stochastic theory of fatigue crack propagation [J]. Aiaa Journal， 2012， 23（1）： 117?124.

[4] LETHAM B， RUDIN C， MCCORMICK T H， et al. Interpretable classifiers using rules and Bayesian analysis： Building a better stroke prediction model [J]. Annals of applied statistics， 2015， 9（3）： 1350?1371.

[5] 王文光.基于無(wú)線傳感器網(wǎng)絡(luò)的新型火災(zāi)探測(cè)節(jié)點(diǎn)研究[D].合肥：合肥工業(yè)大學(xué)，2010.

[6] 龔聲蓉，劉純平，王強(qiáng).數(shù)字圖像處理與分析[M].北京：清華大學(xué)出版社，2006.

[7] 章毓晉.圖像工程（中冊(cè)）：圖像分析[M].北京：清華大學(xué)出版社，2005.

[8] 賈永紅.數(shù)字圖像處理[M].2版.北京：武漢大學(xué)出版社，2010.

[9] ZHOU X L， YU F X， WEN Y C， et al. Early Fire detection based on flame contours in video [J]. Information technology journal， 2010， 9（5）： 899?908.endprint