0 引言

    火災(zāi)是日常生活中頻繁發(fā)生的且極具社會危害性的災(zāi)害之一。室內(nèi)發(fā)生的火災(zāi)由于空間具有封閉性,，火災(zāi)產(chǎn)生的熱量和煙霧很容易引起人們的足夠注意,，配合相關(guān)的紅外、煙霧傳感器進(jìn)行溫度,、濃度等參數(shù)檢測,，已經(jīng)能夠?qū)崿F(xiàn)自動報警甚至自動滅火^[1]。然而戶外火災(zāi)的火源一般位于高大空曠的地帶,，火災(zāi)發(fā)生初期具有較強(qiáng)的隱蔽性,，加之天氣狀態(tài)參數(shù)變化、外界熱源光源影響等不確定性因素的干擾,，相關(guān)傳感器也會因此產(chǎn)生較強(qiáng)探測噪聲,，很難發(fā)揮作用。

    使用視頻監(jiān)控技術(shù)從高點進(jìn)行大范圍內(nèi)的火災(zāi)檢測是解決該問題行之有效且成本低廉的途徑之一,。尤其是近年來,隨著圖像處理技術(shù)的不斷發(fā)展,，使用視頻監(jiān)控設(shè)備進(jìn)行火災(zāi)檢測成為了眾多學(xué)者們研究的課題。其中HORNG W^[2]等首次將視頻處理技術(shù)運用到火災(zāi)檢測中來,，主要依據(jù)單一顏色特征進(jìn)行判別,，誤報率很高；CHEN T H^[3]等使用煙霧面積變化率的特征改進(jìn)了該方法,，一定程度上降低了誤報率,；王欣剛^[4]等引入了運動檢測手段來動態(tài)對煙霧進(jìn)行檢測，并用小波分析的方法對火災(zāi)煙霧面積進(jìn)行分析,，算法運算量大不能保證火災(zāi)監(jiān)控的實時性,；袁非牛^[5]等提出了基于累積量和主運動方向檢驗的煙霧檢測方法，需要在時域的進(jìn)行連續(xù)觀測；高娜等^[6]和YANG J等^[7]引入BP神經(jīng)網(wǎng)絡(luò)和SVM支持向量機(jī)進(jìn)行火災(zāi)識別,，此類算法較依賴樣本集的選取和訓(xùn)練,，魯棒性不佳。

    針對以上這些問題,，本文提出了一種適用于嵌入式系統(tǒng)的基于哨兵金字塔模型的實時火災(zāi)檢測算法,。該算法基于火災(zāi)煙霧成團(tuán)或成塊出現(xiàn)，不存在孤立點的基本事實,，通過構(gòu)建哨兵金字塔模型減少運算次數(shù),，設(shè)計了回溯機(jī)制降低漏報的可能。實驗結(jié)果表明,，該算法穩(wěn)定運行時運算效率可達(dá)30幀/s以上,；實際項目報警準(zhǔn)確率達(dá)94.6%，滿足火災(zāi)實時報警的需求,。

1 哨兵金字塔模型

    本文提出的哨兵金字塔是一種存儲單幅圖像的數(shù)據(jù)結(jié)構(gòu),，該模型適用于目標(biāo)成團(tuán)或成塊出現(xiàn)的場景，能在保證檢測準(zhǔn)確度的前提下極大降低運算量,。

    定義1：方格p(s)表示一個s=2c+1,，c∈N階方陣，a_ij為方陣元素,，設(shè)m=(i,，j)，m₀=(c,，c),，滿足||m-m₀||_∞=k，k∈N的元素集為p(s)的第k級,，記作l(k),。圖1展示了一塊k_max=2，s=5的方格,，數(shù)字代表級數(shù)k,。

    定義2：哨兵金字塔P(v，w,，s)表示一Q行R列矩陣,。將該矩陣每隔s行s列分成vw個s階子塊，使得Q≤vs,，R≤ws,，每一子塊對應(yīng)一個方格p(s)，金字塔第k層L(k)由全部vw個子塊對應(yīng)的方格的第k級構(gòu)成,。

    如圖3所示，剪枝、泛化減少了運算次數(shù),，細(xì)化描繪邊界信息,，回溯利用連通特性對結(jié)果進(jìn)行補(bǔ)充。 

2 實時戶外火災(zāi)檢測算法

2.1 哨兵金字塔提取運動目標(biāo)

    本文算法將圖像存儲在哨兵金字塔中,，用背景差法提取運動目標(biāo),。設(shè)R_n(x，y)表示哨兵點u的運動狀態(tài),，τ表示間隔幀數(shù),，I_n(x，y)表示第n幀中哨兵點(x,，y)的灰度值,，B_n-τ(x，y)表示背景上第n-τ幀點(x,，y)的灰度值,，由式(1)得運動狀態(tài)R_n(x，y)：

    圖4所示為原視頻中一幀圖像,；圖5所示為該幀圖像的t=5,，P(52，29,，25)的檢測結(jié)果,。

2.2 哨兵金字塔識別煙霧顏色

    煙霧夾雜著小顆粒與水汽，在視覺上呈現(xiàn)灰黑色特征,。使用HSI顏色域提取特征,，將歸一化RGB域下向量(r，g,，b)代入式(3)得HSV顏色域的h分量：

2.3 哨兵金字塔識別煙霧的動態(tài)特征

    煙霧在熱量驅(qū)動下因密度減小在重力場方向上呈現(xiàn)向上運動趨勢,。以金字塔P(v，w,，s)的第t+1層中最大方陣階數(shù)s′為單位,，搜索鄰域運動方向。鄰域離散運動方向和對應(yīng)編碼如圖7所示,。

    設(shè)i和j分別表示搜索模板的水平和垂直分量,，依據(jù)式(5)以絕對誤差和最小準(zhǔn)則來計算運動方向，通過式(6)求離散運動方向的i,，j值：

    依前述分析,，火災(zāi)煙霧應(yīng)當(dāng)呈向上的運動趨勢。定義在塊運動方向的直方圖H_d的峰值H_dm對應(yīng)的編碼d_m的方向為主運動方向,，其他達(dá)到H_dm的80%的方向作為輔助方向d_f,，圖5中下方目標(biāo)對應(yīng)的主方向如圖8所示,。依據(jù)式(7)可計算出疑似煙霧目標(biāo)的運動方向D：

2.4 具體算法流程

    本文算法在降低漏檢率的前提下，著力提高算法的實時性,，算法流程如圖9所示,。從視頻中每隔τ幀提取一幅畫面生成哨兵金字塔P(v，w,，s),；從塔頂對安排有哨兵u的第k+t層，按哨兵分級策略用式(1)逐級提取運動目標(biāo),；至金字塔底后,，檢查是否觸發(fā)哨兵回溯，直至運動目標(biāo)提取完成,；對提取到的目標(biāo)利用式(3)進(jìn)行煙霧顏色識別,，對滿足煙霧特征的圖像進(jìn)行下一步處理；對提取的目標(biāo)用金字塔底層方陣代入式(5)進(jìn)行動態(tài)特征識別,，符合特征的圖像將觸發(fā)報警,。

3 算法應(yīng)用與分析

3.1 系統(tǒng)硬件實現(xiàn)

    系統(tǒng)由具備較強(qiáng)運算能力的Hi3516C型安防攝像機(jī)SoC芯片、SIM5320E網(wǎng)絡(luò)模塊和移動端組成,，架構(gòu)圖如圖10所示,。目前系統(tǒng)已應(yīng)用于某地秸稈焚燒巡查項目中，在大氣污染防治工作中發(fā)揮了積極作用,。

3.2 系統(tǒng)性能分析

3.2.1 算法實驗比較

    本文實驗在Core [email protected] GHz處理器,，1 GB內(nèi)存的計算機(jī)上進(jìn)行。為驗證算法準(zhǔn)確性和實時性,，錄制了10段5類包含煙霧的檢測場景視頻,，共有75 461幀，包含煙霧的有59 883幀,，視頻描述如表1,。

    本文算法使用P(52，29,，25)的哨兵金字塔,，檢出結(jié)果如表2所示。其中王欣剛^[4],、袁非牛^[5]和本文算法的準(zhǔn)確率高于80%,；HORNG W^[2]和CHEN T H^[3]的算法易對符合其顏色特征的背景誤報，實際應(yīng)用中誤報率會更高,；王欣剛^[4],、袁非牛^[5]和本文算法檢出情況相近，針對條帶狀,、彌漫狀和塊狀區(qū)域檢出準(zhǔn)確率很高,。

    算法運行效率對比如圖11所示,，本文算法效率大幅度領(lǐng)先其他算法。HORNG W^[2]和CHEN T H^[3]的算法已基本滿足達(dá)到流暢處理的程度,；袁非牛^[5]的算法效率一般,；王欣剛^[4]因涉及大運算量的小波分析，效率較低,。

3.2.2 算法及系統(tǒng)實際應(yīng)用效果

    本文系統(tǒng)現(xiàn)已成功應(yīng)用于某地秸稈焚燒巡查工作中，圖12所示為本文系統(tǒng)的部分報警結(jié)果,。算法使用哨兵金字塔模型極大地降低了運算量,，且金字塔本身參數(shù)可調(diào)，使算法具備很強(qiáng)的適應(yīng)性,。

    表3為部分?jǐn)z像機(jī)3個月來的報警情況,，統(tǒng)計出實際報警準(zhǔn)確率為94.6%，大大降低了秸稈焚燒的巡查難度,。實際使用中,，誤報主要來自小范圍內(nèi)的條型霧霾，特征與煙霧基本一致,，需人工判別,。

4 結(jié)論

    本文提出了一種適用于戶外場景的實時火災(zāi)檢測算法及其嵌入式系統(tǒng)應(yīng)用。實驗證明,，該算法有較高的效率和較強(qiáng)的適應(yīng)性,，實測準(zhǔn)確率達(dá)94.6%。

參考文獻(xiàn)

[1] 劉士興,，張永明,，顧勤冬.基于無線傳感器網(wǎng)絡(luò)的多參數(shù)火災(zāi)探測節(jié)點研究[J].傳感技術(shù)學(xué)報，2010,，23(6)：883-887.

[2] HORNG W,，PENG J，CHEN C.A new image-based real-time flame detection method using color analysis[C].The 2005 IEEE International Conference on Networking,，Sensing and Control,，Arizona：IEEE Press，2005：100-105.

[3] CHEN T H,，YIN Y H,，HUANG S F.The smoke detection for early fire-alarming system base on video processing[C].The 2006 International Conference on Intelligent Information Hiding and Multimedia Signal Processing，California：IEEE Press,，2006：427-430.

[4] 王欣剛,，魏崢，劉東昌,，等.基于煙霧動態(tài)特征分析的實時火災(zāi)檢測[J].計算機(jī)技術(shù)與發(fā)展,，2008,，18(11)：9-12.

[5] 袁非牛，張永明,，劉士興,，等.基于累積量和主運動方向的視頻煙霧檢測方法[J].中國圖象圖形學(xué)報，2008,，13(4)：808-813.

[6] 高娜,，李良.基于神經(jīng)網(wǎng)絡(luò)的火災(zāi)圖像特征融合算法[J].計算機(jī)系統(tǒng)應(yīng)用，2010,，19（1）：86-89,，179.

[7] YANG J，CHEN F,，ZHANG W D.Visual-based smoke detection using support vector machine[C].Fourth International Conference on Natural Computation,，Jinan：IEEE Press，2008,，4：301-305.

作者信息:

陳  巖,，宮寧生，溫健陽

（南京工業(yè)大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院,，江蘇 南京211816）