基于火焰图像红外动态特征的早期火灾识别算法

摘 要:针对普通彩色图像对早期火灾高危点的有限检测能力,提出一套基于红外图像动态特征的早期火灾识别算法,该算法使用改进的梯度算子结合图像的动态特征来判断火焰。通过实验,该算法能够快速地识别火灾火焰和早期火灾高危点。算法结构清晰,效率较高,便于工程实现。

关键词:红外图像; 火灾火焰; 动态特征; 识别算法

中图分类号:TP391.41文献标识码:A

文章编号:1004-373X(2010)08-0104-02

Algorithm for Early Fire Recognition Based on Infrared

Dynamic Characteristics ofFlame Images

WANG Si-jia, PEI Hai-long

(College of Automation Science and Engineering, South China University of Technology, Guangzhou 510640, China)

Abstract:Since the detection ability of ordinary color images for early fire high-risk points is limited, the early fire recognition algorithm based on infrared image dynamic characteristics is proposed. The algorithm judges the harmfulness of the flame by the modified gradient operator in combination withthe dynamic characteristics of the images, and can quickly identify fire flame and high-risk points of early fire. The experiment proves thatthe algorithm structure is clear, efficient, and easy to be implemented inengineering.

Keywords:infrared image; fireflame; dynamic characteristic; recognition algorithm

森林火灾是危害人类生命财产安全的严重灾害之一。因此,对火灾的检测尤其森林火灾的早期检测有着重大的现实意义。目前使用较成熟的感烟、感温、感光探测器的火灾探测算法,分别使用烟雾、温度、光亮度来区分火焰,由于受到空间、面积、恶劣环境的影响,使得对火灾火焰特征的提取难度增大,导致误报率的上升。

使用摄像头作为火灾检测的算法是火灾检测的另外一个重要分支,目前在基于彩色图像的火焰检测算法的研究也较多,但都是对已经形成火焰的火灾进行检测,因而现有算法对于未形成火焰的早期火灾高危点的检测能力有限,而且基于颜色和亮度空间的彩色图像火焰检测算法只关注火焰的高亮度,无法反应火焰温度场本身的动态性。使用红外摄像头作为火灾检测的设备可以有效的改善以上的两个问题。

笔者提出一种基于红外摄像头的早期火灾识别算法,在灰度空间上对采集的红外图像进行分割,采用梯度算子提取火焰特征对图像的温度场动态信息,识别未形成火焰的火灾高危点和起火点。

1 火灾火焰或者火灾早期高危点的检测

红外图像采用灰度图像来描述视场中事物的红外特征,图像中的每个像素都使用0~255中的一个整数表示该点的温度场特征。由于火灾的早期可疑点和火灾火焰都具有相当明显温度场特征,可以使用设定温度阈值的方法,迅速有效地发现在红外摄像头视场中的火焰和可疑火焰点。

根据摄像头的内参数,可以求算出红外图像灰度数值空间和温度空间所存在的线性转换关系,根据实验,可疑火灾和火焰的温度场一般如表1所示。

表1 温度与灰度值关系

温度 /℃灰度值

蜡烛火焰外焰520255

蜡烛火焰内焰430230

烙铁300160

下面,使用表1中的数值来设置图像分割的阈值,所得到的图像为t(x,y):

Иt(x,y)=0,g(x,y)>T

1,其他И

式中:x,y为像素坐标;g(x,y)为该坐标的灰度值。

假设捕获的两帧图像为t1(x,y) f1(x,y), t2(x,y),对此两帧图像做异或运算,取其灰度值信息,得到一个二值图像,分辨出两幅图像的不同,当t(x,y)У幕叶戎党过设定的阈值T,即说明图像中可能存在火灾火焰或者火灾早期高危点。

2 火焰检测与判别

2.1 可疑火焰高危点的识别

当可能存在火灾高危点和火灾火焰时,需要根据火焰的其他温度场的动态特性来判断是否为真的火灾或者火灾高危点。火灾探测信号的变化率是一个重要的特征,对于如红外摄像头的感温探测器的输出信号,当温度上升率超过一定值的时候,表明温度发生了急剧的变化,这是可能导致火灾的典型特征[1]。

对上文的阈值方法已经分割出的可疑区域g(x,y),采用微分运算求算其可疑点的温度变化率来辨识其是否火灾早期高危点。对应的信号变化值进行以下的近似计算做绝对值运算:|g1(x,y)-g2(x,y)|。其中g1(x,y),g2(x,y)为相邻两帧的火灾可疑区域。

由于红外摄像头帧率恒定,所以采样信号时间t作为信号变化斜率的时间间隔。根据实验和文献,温度升高率超过斜率阈值,可判定为早期火焰高危点。

И|g1(x,y)-g2(x,y)|/Δt>SИ

式中:S为设定的火灾高位点温度斜率阈值;Δt为帧间时间。

2.2 火焰识别

红外图像与普通彩色图像相比,虽然可以捕捉明显野外景观的红外特征,但是无法排除如变电站、高压电线等无火灾危险的红外辐射源以及其在镜面上的反射的干扰。这是红外图像火灾检测所独有的缺陷,因而采用彩色图像的火焰识别算法无法解决该问题。根据野外的火灾火焰是一种不稳定且不断发展的火焰的特点。

对上文分割出的疑似火灾高危点和火灾火焰区域,对其中心做x向,y向和±45°的梯度运算。由于火焰飘动的动态随机性,其相邻两帧在上述四个方向的图像梯度值将会有较大的波动。对于稳定的红外辐射源如发电机、输电线,其灰度梯度值则相对稳定,不会有很大的波动。由此可以使用它作为识别火焰的判据。

已分割出的高危区域和火焰区域中心点为在四个方向上逐像素点做差值运算,来近似四个方向的梯度。以水平方向为例,以R5为中心的区域3×3区域,用下述方法计算梯度值,再用同样的模板套用计算R6的梯度值,将火焰边界内所计算的一系列梯度值的计算结果保存在单链表Q1中,当采集下一帧,重复上述步骤,记录为Q2,比较Q1和Q2两者的差若大于预先设定的火焰梯度阈值既可以判定为火焰。梯度计算如下:

竖直: grad(R5)=2R6+R3 +R9-2R4-R1-R7

水平: grad(R5)=2R2+R1 +R3-2R8-R9-R7

正45°:grad(R5)=2R3+R2+R6 -2R7-R4 -R8

负45°:grad(R5)=2R7+R4+R8-2R3-R2-R6

R1R2R3

R4R5R6

R7R8R9

3 实验结果与分析

3.1 火焰检测试验结果与分析

这里采用蜡烛来模拟火灾火焰,采用上文中所述的温度梯度算法得出的部分结果如表2所示。

表2 温度梯度算法实验结果

序号燃烧蜡烛梯度链表差值电灯梯度链表差值

1592

2210

31533

4652

592

螃

从实验结果可以看出,非火灾红外源温度梯度值相对稳定,而火焰的温度梯度值跳变较大,该算法有较强的识别能力。

3.2 火灾高位点火焰检测与分析

使用逐渐变热的电烙铁来模拟火灾高危点,使用计算机视觉库OpenCV,执行上文所述的图像微分运算后,所标定出来的结果,可知火焰高危区域的灰度变化率在10/帧以上,即可判定其为火灾高危点,根据这一特征,该算法成功地探测出了火灾高危点的位置。如图1、图2所示。

图1 火焰高危点检测

图2 红外摄像头采集的图像

4 结 语

该算法使用阈值运算、微分运算和改进的梯度算子结合图像的动态特征来判断火焰和火焰高危点的算法能够有效地识别火灾火焰和火灾高危点,提高火灾检测的准确度,降低误报率。通过实验,该算法能够快速地识别火灾火焰和早期火灾高危点,算法结构清晰,效率较高,便于工程实现。

参考文献

[1]吴龙标, 方俊, 谢启源. 火灾探测与信息处理[M]. 北京: 化学工业出版社, 2006.

[2]王亚军, 徐大芳, 陈向成, 等. 基于火焰动态特征的火焰识别算法[J]. 测控技术, 2007, 26(5): 7-9.

[3]杨俊, 王润生. 基于计算机视觉的视频火焰检测技术[J]. 中国图像图形学报, 2008(7): 1222-1235.

[4]闫厚, 倪金生. 基于网络摄像机的森林火灾烟火自动识别技术探讨[J]. 林火监测, 2007(2): 25-29.

[5]吴龙标, 宋卫国, 卢结成. 图像火灾监控中一个新颖的火灾判据[J]. 火灾科学, 1997(9): 60-66.

[6]陈亮. 基于Video4 Linux 2的图像采集程序设计[J]. 微计算机信息, 2009, 25(7): 65-67.

[7]马颂德. 计算机视觉[M]. 北京: 科学出版社, 1998.

[8]张进华, 庄健, 杜海峰, 等. 一种基于视频多特征融合的火焰识别算法[J]. 西安交通大学学报, 2006, 40(7): 811-814.

[9]徐仕玲, 赵敏, 徐建波. 野外早期火灾图像识别方法研究[J]. 计算机技术与发展, 2008, 18(6): 214-216.

[10]徐之, 韩斌, 宋敬海, 等. 基于嵌入式系统和红外图像的火焰检测算法[J]. 科学技术与工程, 2008, 8(1): 96-100.