1、 基于图像处理技术的火灾与人为入侵的检测方法初探【摘要】 本文以数字图像处理为基础，主要设计了监控环境中的背景图像提取、火灾火焰和人为入侵的综合判断算法，并给出算法程序流程图和有关的实验数据，实验证实了此算法是简单且有效的。 【关键词】 数字图像处理； 背景提取； 火灾火焰探测； 人入侵检测Abstract: This study was based upon digital image processing, mainly designed background image extraction of being monitored environment, fire or flame an
2、d integration judgment arithmetic. The article showed the arithmetic programming flowchart and related laboratories data. The experiment approved that the arithmetic is simple and effective.Key words: digital image processing; background extraction; fire and flame detection; contrived intrusion dete
3、ction引言伴随着网络技术和数字视频技术的飞速发展，监控技术正向着智能化、网络化的方向发展。监控系统功能日益强大，计算机视觉和应用研究学者提出了新一代监控概念视觉监控（Visual Surveillance）的概念。视觉监控在不需要人为干预的情况下，利用计算机视觉和视频分析的方法对摄像机拍录的图像进行自动分析，实现对动态场景中目标的定位、识别和跟踪，并在此基础上分析和判断目标的行为，从而做到了既能完成日常管理又能在异常情况发生时及时做出反应。视觉监控的概念逐渐为人们所关注，成为视频监控未来的发展方向。基于图像处理技术的安全监控系统得到越来越多的应用，基于图像处理技术的火灾探测技术也引起广泛的
4、研究，本文主要就如何将人为入侵和火灾发生时产生的火焰两者的判断加以结合，进行分析研究，经实验找到入侵和火焰的初步判定条件，并给出判定的流程图，是监控系统综合智能应用的一种新的尝试。1 火灾与人为入侵的综合判断算法*21.1 背景图像的更新 在视频图像监控过程中，由于环境（如光强度）的变化，系统每隔一段时间必须进行背景的更新和存储，在监控环境没有变化，或者变化很微小，且在允许的范围之内，可以把该段时间内其中的任一幅图像设置为背景图像，达到自动更新的目的。常用的自适应背景图像更新有三种方法：统计平均法、IIR 滤波法、区分像素类别法。 （1） 统计平均法统计平均方法：在设定的时间段内，对多幅背景图
5、像取平均值，适应于场景内的目标滞留时间较短、目标出现不频繁的情况，其修正算法如式（11）所示：Bk=1N(fk+fk-1+fk-N+1)=Bk-1+1N(fk-fk-N). （11） 由式（11）可知，适当的选择关键参数 N 可以获得一个较为真实的背景图像。（2） IIR 滤波器方法IIR 滤波器方法是采用类似于 IIR 滤波器自适应背景图像修正方法，其修正算法如式（12）所示：Bk=(1-)Bk-1+fk.（12） 当 较小时，是缓慢修正背景图像的过程；当 较大时，则是较快更新背景图像的过程。当场景中有目标出现，且 较大时，则会将目标图像一定程度上叠加到背景图像上，这显然是不利于目标检测的。
6、（3） 区分像素类别方法区分像素类别的背景图像更新方法是一种改进的方法，首先对第k 帧图像中的像素类型进行判断，看其是否属于被检测目标的像素，其判别的算法是利用当前相邻两帧图像的差值进行区分，如式（13）所示：If |fk(x,y)-fk-1(x,y)|Thresholding，Then (x,y)目标像素；Else (x,y)非目标像素；（13） 其次，当某像素被判定为目标像素时，则不用该像素的值对背景图像进行修正，否则利用该像素的值对背景图像进行修正。其修正算法如式（14）所示：Bk(x,y)=Bk-1(x,y)-(1-)fk-1，(x,y) 非目标像素，Bk-1(x,y) ， (x,y)
7、 目标像素，（14）式中 为一常数。考虑本试验在室内情况下进行，故采用区分像素类别的背景图像更新算法能够满足要求。 1.2 目标检测判据数字监控系统有三类数字图像：背景图像 B(x,y)、含有人体运动图像和火灾火焰图像 f(x,y)；对背景图像、含有人体运动图像和火灾火焰图像的灰度直方图进行分析，由于火灾图像具有比较高的灰度值范围，且与背景图像的灰度差值达到较大的值，根据这一特性可以确定阈值进行判断，为进一步处理、识别创造了条件。其算法流程图如图 1 所示。运用灰度差阈值可以初步区分火灾情况还是人为入侵情况。其判断方法如式(21) 所示：f1(x,y)-B0(x,y)=f(x,y)f(x,y)
8、 T1f(x,y) f(x,y)T2， 可能为火灾火焰发生，(2 1)式中 f1(x,y)为当前图像灰度值，B0(x,y) 为当前背景图像的灰度值。其算法流程图如图 1 所示：图 1 目标检测算法流程该算法流程判断监控目标属性所采用的三个规则：(1) 当前图像与背景图像的最大灰度差值小于阈值 T1，则可能无目标。因为当前图像有可能仅仅是由于环境光亮度的影响在背景图像的基础上所发生的微小变化，比如，当天气有变化时，当前图像的灰度值就有变化，这时就需要把最大灰度差值过小的监控目标视为干扰源。(2) 当前图像与背景图像的最大灰度差值大于阈值 T2，则可能为火焰，火焰的灰度值一般在 150 到 255
9、 左右，其差值也能达到较大的数值。(3) 当前图像与背景图像的最大灰度差值小于 T2 且大于 T1，则可能为非法入侵对象。由于火焰的亮度比人体要高很多，所以可以用 T2 来判别目标的可能属性，阈值 T1 与 T2 分别由实验获得。为了防止噪音等干扰的影响，在进行差值之前，当前图像和背景图像都要进行中值滤波，差值后进行去离散点处理。2 实验及分析图像的灰度值的统计分布用直方图来表示。直方图的横坐标从黑色（灰度值为 0）到白色（灰度值为 255）表示灰度值的分布情况，纵坐标则表示相应灰度值像素点统计数量分布，直方图的色阶值显示的是该直方图中灰度值最大的数值。实验摄取了一幅背景图像、一幅含有人体运动
10、的图像和一幅火灾火焰的图像，并把当前图像中所对应的背景图像的像素灰度值变化较大的区域提取出来，进行灰度直方图的比较和分析，绘制当前图像和背景图像的灰度差值统计图，确定阈值，初步判断火灾和人为入侵情况，整个实验图如图2、图 3 所示： 图 2 背景和含有人体运动图的灰度直方图图 3 背景和火灾火焰图像的灰度直方图由图 2 和图 3 可知背景图像的灰度最大值为 116，其灰度值主要集中在 60100 之间，当人体进入此背景图后(见图 2(e)，其灰度最大值没有变化，甚至其灰度值比较大的区域也没有变化，只在灰度值较低的区域（灰度值大约在 20 左右的区域）有变化，这说明人体区域的灰度值较低，人体区域
11、的灰度值见图 2(f)。而在同样的背景图像中，一旦有火灾发生，其灰度图的分布发生了较大变化（见图3(e)） ,由于火焰本身的亮度较大，其灰度的最大值达到 255(见图 3(f)，并且由于火焰的照亮，对周围的灰度值都或多或少产生了一定的影响，使得整体灰度值变大，其值主要集中在 100150 之间。 经过分析得到了当前图像和背景图像的灰度差值统计图，该统计图仅反映变化区域的灰度差值，具体表示如图 4 所示：图 4 当前图像和背景图像像素变化区域灰度差值统计图从差值统计图 4 中可以看出含有人体运动图像和背景图像的灰度差值一般集中在 4080 之间，最大差值小于 120。这是因为背景图像的灰度值集中
12、在 60100 之间，而人体的灰度值大约在 20 左右。火灾图像和背景图像的灰度差值的数值范围比较大，这是因为整幅图像的像素受到火焰照耀的影响不同，距离火焰越近的像素越亮，灰度值变化也就越大，相反距离越远，灰度值变化就越小。从灰度差值图上也可以看出，其灰度差值主要集中在 100 到 200 之间，最大差值超过 200。实验得到灰度差值阈值 T1 的最大值可以定为 10，对应像素灰度差值在 10 以下可以判定为背景图像没有发生变化；T2 可以定为200，对应像素的灰度差值最大值大于 200，可以初步判定为火灾情况；对应像素灰度差值在 10 到 200 之间的可以初步判定为人为入侵情况。经过实验发现室内的亮度灰度值一般在 170 以下，上述判定阈值在室内环境都适用。3 结束语该检测处理判定方法并不能完全确认火灾和人为入侵的发生，还需要进一步通过火灾图像识别模块和人为入侵识别模块进行具体的识别，才能最终确定火灾和人为入侵的发生。本文仅对综合图像处理提出初步的预处理检测方法，为进一步处理提供了程序入口和实验判定依据，以减少后期处理的数据量。关于阈值的经验选取可能会带来误判，特别是在火灾初起时、大风使植物有较大摇曳，以及小动物闯入视场时等情况，在后续研究的处理模块中需要做进一步设计和处理。【
