0 引言

    火災是日常生活中頻繁發生的且極具社會危害性的災害之一。室內發生的火災由于空間具有封閉性，火災產生的熱量和煙霧很容易引起人們的足夠注意，配合相關的紅外、煙霧傳感器進行溫度、濃度等參數檢測，已經能夠實現自動報警甚至自動滅火^[1]。然而戶外火災的火源一般位于高大空曠的地帶，火災發生初期具有較強的隱蔽性，加之天氣狀態參數變化、外界熱源光源影響等不確定性因素的干擾，相關傳感器也會因此產生較強探測噪聲，很難發揮作用。

    使用視頻監控技術從高點進行大范圍內的火災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,隨著圖像處理技術的不斷發展，使用視頻監控設備進行火災檢測成為了眾多學者們研究的課題。其中HORNG W^[2]等首次將視頻處理技術運用到火災檢測中來，主要依據單一顏色特征進行判別，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對煙霧進行檢測，并用小波分析的方法對火災煙霧面積進行分析，算法運算量大不能保證火災監控的實時性；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，需要在時域的進行連續觀測；高娜等^[6]和YANG J等^[7]引入BP神經網絡和SVM支持向量機進行火災識別，此類算法較依賴樣本集的選取和訓練，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的基于哨兵金字塔模型的實時火災檢測算法。該算法基于火災煙霧成團或成塊出現，不存在孤立點的基本事實，通過構建哨兵金字塔模型減少運算次數，設計了回溯機制降低漏報的可能。實驗結果表明，該算法穩定運行時運算效率可達30幀/s以上；實際項目報警準確率達94.6%，滿足火災實時報警的需求。

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據結構，該模型適用于目標成團或成塊出現的場景，能在保證檢測準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，數字代表級數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，每一子塊對應一個方格p(s)，金字塔第k層L(k)由全部vw個子塊對應的方格的第k級構成。

    如圖3所示，剪枝、泛化減少了運算次數，細化描繪邊界信息，回溯利用連通特性對結果進行補充。 

2 實時戶外火災檢測算法

2.1 哨兵金字塔提取運動目標

    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。設R_n(x，y)表示哨兵點u的運動狀態，τ表示間隔幀數，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特征

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

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

    依前述分析，火災煙霧應當呈向上的運動趨勢。定義在塊運動方向的直方圖H_d的峰值H_dm對應的編碼d_m的方向為主運動方向，其他達到H_dm的80%的方向作為輔助方向d_f，圖5中下方目標對應的主方向如圖8所示。依據式(7)可計算出疑似煙霧目標的運動方向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；至金字塔底后，檢查是否觸發哨兵回溯，直至運動目標提取完成；對提取到的目標利用式(3)進行煙霧顏色識別，對滿足煙霧特征的圖像進行下一步處理；對提取的目標用金字塔底層方陣代入式(5)進行動態特征識別，符合特征的圖像將觸發報警。

3 算法應用與分析

3.1 系統硬件實現

    系統由具備較強運算能力的Hi3516C型安防攝像機SoC芯片、SIM5320E網絡模塊和移動端組成，架構圖如圖10所示。目前系統已應用于某地秸稈焚燒巡查項目中，在大氣污染防治工作中發揮了積極作用。

3.2 系統性能分析

3.2.1 算法實驗比較

    本文實驗在Core i5@2.7 GHz處理器，1 GB內存的計算機上進行。為驗證算法準確性和實時性，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，檢出結果如表2所示。其中王欣剛^[4]、袁非牛^[5]和本文算法的準確率高于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、彌漫狀和塊狀區域檢出準確率很高。

    算法運行效率對比如圖11所示，本文算法效率大幅度領先其他算法。HORNG W^[2]和CHEN T H^[3]的算法已基本滿足達到流暢處理的程度；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 算法及系統實際應用效果

    本文系統現已成功應用于某地秸稈焚燒巡查工作中，圖12所示為本文系統的部分報警結果。算法使用哨兵金字塔模型極大地降低了運算量，且金字塔本身參數可調，使算法具備很強的適應性。

    表3為部分攝像機3個月來的報警情況，統計出實際報警準確率為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的條型霧霾，特征與煙霧基本一致，需人工判別。

4 結論

    本文提出了一種適用于戶外場景的實時火災檢測算法及其嵌入式系統應用。實驗證明，該算法有較高的效率和較強的適應性，實測準確率達94.6%。

參考文獻

[1] 劉士興，張永明，顧勤冬.基于無線傳感器網絡的多參數火災探測節點研究[J].傳感技術學報，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.基于煙霧動態特征分析的實時火災檢測[J].計算機技術與發展，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].中國圖象圖形學報，2008，13(4)：808-813.

[6] 高娜，李良.基于神經網絡的火災圖像特征融合算法[J].計算機系統應用，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

（南京工業大學 計算機科學與技術學院，江蘇 南京211816）