1、西安建筑科技大学华清学院课程设计（论文）任务书摘要火灾是各类灾害中发生频率最高的一种，随着城市化进程的飞速发展以及人口的迅速膨胀，火灾造成的损失也越来越大。当前，高层建筑和大空间场所越来越多，如何在大空间环境下较早的发现火灾威胁并进行报警和扑灭，从而尽量减少生命、财产损失成为研究的热点。图像型火灾探测技术因其监控范围广、环境适应性强、升级容易等特点而备受关注，非常适合大空间环境下的火灾探测。在此基础上，针对早期火灾发生时出现的典型物理现象烟雾和阴燃，本文提出了一种旨在大空间环境下探测早期火灾的新型双波段图像型火灾探测系统。在烟雾探测方面，本文根据模式识别的三个基本步骤设计提出了一整套烟雾探测的
2、方法。在可疑区域分割环节，系统使用混合高斯模型对背景进行建模，进而提取可疑区域，分割可疑图元。在特征提取环节中，根据烟雾的半透明性和闪烁频率两种特性系统提取了可疑图元的高低频能量，颜色饱和度能量和边界平均闪烁频率四种特征值。最后，在烟雾判断环节，系统使用这四种特征值构成的特征向量对可疑图元进行烟雾判定。在红外波段，使用了可疑图元的面积变化率、火焰尖角数和区域相似度三种特征值对可疑图元是否是阴燃进行判断。最后，提出了根据烟雾和阴燃各自的判断结果进行早期火灾综合判断的判断流程。本文对烟雾可疑区域的提取、可疑图元的特征值提取和分析以及烟雾的判断规则做了深入的讨论。关键词：大空间早期火灾，双波段，数字
3、图像处理，混合高斯模型，小波变换，颜色空间2AbstractIn every kind of disasters, fire happens most frequently. And with the high growspeed of the population and the number of cities,destructions and losses that firecauses become more and more great. Today, there are more and more skyscrapers andbig buildings, how to detec
4、t fire threaten in these kinds of places as soon as possibleand limit the loss to the lowest level become more important than ever.For its broad detect range and easy settlement features, much attention has been focused on a new style detection method - fire detection based on video images. A whole
5、processof detection was developed based on classic three steps method in pattern recognition.In suspicious region segmentation step, system uses the multi-Gaussian model to establish model of background, thus to district motive region in the current frame. In features extraction step, system extract
6、s four eigenvalues like high/low frequency energy, color saturation energy and average boundary flicker frequency. In ultra red band, system uses area changing rate, number of sharp-angles and area similarity to judge if there is smolder in suspicious region.Methods that used in region segmentation
7、and recognition are thoroughly discussed in this dissertation. Videos of smoke and flames in both visible and ultra red bands are used to testify those methods, and the result show that the system and methods we developed are effective.KeyWords: Early fire in large space, Double-band, Digital image
8、processing, Multi-Gaussian model, Wavelet transform, Color space 3目录 1 引言 .51.1 课题背景 .61.2 相关概念 .61.3 设计意义 .71.4 报告内容安排 .72 火灾探测系统的系统结构及工作原理 .82.1 探测系统的系统结构 .82.2 系统的工作原理 .93 大空间建筑中火灾探测方法设计概述 113.1 提出本设计的背景 113.2 设计理念概述 113.3 实现该系统的主要流程 .114 大空间建筑中火灾探测方法详细设计 124.1 烟雾可疑图元的分割及预处理 124.1.1 基于混合高斯模型的运动分析
9、方法 124.1.2 期望值最大（EM）算法 134.1.3 使用 EM 算法进行混合高斯模型参数估计 .134.1.4 使用混合高斯模型对背景建模 154.1.5 运动区域的提取 154.1.6 图像的平滑滤波及图元分割 154.2 可疑图元的特征分析及烟雾判断 184.2.1 可疑图元的特征分析 184.2.2 可疑图元颜色饱和度信息的分析 1944.2.3 可疑图元边界闪烁频率的分析 204.2.4 烟雾的综合判断 204.3 阴燃的红外图像探测 234.3.1 特征提取 .234.3.2 阴燃的判别 .245 结论 265.1 本次设计结论 275.2 设计不足及改进 27致 谢 .2
10、8参考文献 2951 引言1.1 课题背景火灾是世界各国人民所面临的一个共同的灾难性问题。在社会生活中，火灾是威胁公共安全，危害人们生命财产安全的最主要的灾害之一。随着社会生产力的发展，社会财富的日益增加，火灾损失上升及火灾危害扩大的总趋势是客观规律。火灾是当今世界上多发性灾害中发生频率最高，也是时空跨度最大的一种灾害。因此，消防工作成为人们普遍关心的问题。而消防工作根据具体的应用场所不同，所要采取的措施和使用的设备有很大的区别。随着城市化进程的飞速发展，高层建筑和大空间场所越来越多。如何在大空间环境下发现处于早期阶段的火灾威胁从而减少生命、财产损失成为各类消防工作中凸显的一个方面。虽然火灾探
11、测技术发展已久，然而传统的火灾探测技术中，感烟、感温、感光等探测器，由于受到各种因素（空间高度、空气流速、粉尘、温度、湿度等）的影响，在大空间环境下进行火灾探测都遇到了不同的困难，从而在一定程度上失去了效用。所以，如何在大空间环境下尽早的发现并控制火灾仍然困扰着科研和消防人员。本文从这个严峻的问题出发，提出了一种双波段图像型火灾探测方法，旨在在大空间环境下，及早的发现火灾危险，从而尽量减少人们的生命、财产损失。1.2 相关概念火灾发生发展过程中，通常会产生烟雾，同时会释放出燃烧气体气溶胶。它们与空气中的氧气发生反应，形成火焰。火焰会释放出大量的红外线和紫外线，导致环境温度逐渐升高。气溶胶、烟雾
12、、火焰和热量等是火灾的特征，通常称为火灾参量，通过这些参量的测定可以确定是否有火灾发生。火灾发生的初期，并不是所有的火灾参量都会出现。这个时候存在的主要的物理现象有：阴燃，火羽流和烟气等。所谓的阴燃，是指一种只在气固相界面处的燃烧反应，而没有气象火焰的燃烧现象。阴燃的温度比较低，燃烧速度慢。作为自我维持的无明火的燃烧，阴燃的典型温度范围是6001000K。火羽流是发生在火灾初始阶段的一种燃烧现象。在火焰上方由浮力驱动的热气流持续上升并进入有新鲜空气的区域，由于其包含火焰部分，故称为火羽流。火羽流的典型温度在5001700K。烟气是燃烧产物中微小颗粒的集合。烟气在流通过程中与周围环境进行热交换。
13、其温度介于6火羽流和环境温度之间。一般烟气的温度在300800K 之间。由于这些物理现象在发生时与周围的环境存在着较大的差异，表现为其边缘效应和形体效应，从而形成图像信息。我们知道，光其实是一种电磁波。波长分布在 5nm 到400nm 之间的电磁波称为紫外光；波长分布在 400nm 到760nm 之间的电磁波称为可见光；而波长760nm 到1mm 之间的电磁波被称为红外光。物体的温度由低到高，辐射出的电磁波的波长由长到短。当物体的温度在 800K 左右的时候，才会产生暗红色的可见光。同时，由辐射定律可知，当物体为黑体时，只有其温度高于1000K，才可以依靠其自身发出的可见光识别出物体的形体信息
14、。物体燃烧时，其放出的能量95%集中在红外波段。同时，由于阴燃属于低温燃烧，其辐射的可见光是非常少的。所以，使用带有红外滤镜的摄像头可以在红外波段对阴燃进行探测。而由于烟气对可见光的反射作用，所以使用普通的彩色 CCD 摄像头，可以探测到烟气的图像信息。因此，我们选择了烟雾和阴燃作为表征早期火灾的物理现象进行探测，从而根据烟雾和阴燃的探测结果判断是否有火灾发生。1.3 设计意义目前许多火灾探测系统都是采用传统感温、感烟传感器，这种系统有很多缺点，误报率非常高，受环境限制，而且这种系统不能掌握火灾现场的情况，不能依靠其来进行实时调度等工作，以至于火灾发生时不能够及时提供准确信息，给扑救工作带来很
15、大的不便。而本文 采用的方法与传统的火灾探测系统相比有明显优势，能够准确的探测到早期火灾的发生并及时作出反应，从而给扑救工作带来很大便利。1.4 报告内容安排论文的结构安排如下：第一章：介绍课题的研究背景，对大空间建筑中火灾探测方法设计的意义以及早期火灾发生的特点。最后介绍了报告的内容及安排。第二章：对火灾探测系统的结构及工作原理进行了说明。第三章：大概介绍了本次课程设计的研究内容以及我所做的一些工作。第四章：本章对本次研究的内容及我做的工作进行了详细的介绍，包括阴燃的红外图像探测，对可疑图元进行特征提取和分析的方法，如何提取了可疑图元的高低频能量，颜色饱和度能量和边界平均闪烁频率四种特征值，
16、以及如何使用这四种特征值构成的特征向量对可疑图元进行烟雾判断等内容。第五章：对本次课程设计的不足进行了总结并对以后的工作进行了展望。72 火灾探测系统的系统结构及工作原理本章将详细介绍双波段图像型火灾探测系统的系统结构及工作原理。2.1 探测系统的系统结构探测系统根据所选择的物理现象在红外波段和可见光波段完成探测任务，因此称为双波段图像型火灾探测系统。通常图像处理系统基本的三个部件是：图像数字化仪，处理图像的计算机和图像显示设备。双波段图像型火灾探测系统的基本组成也包括这三个部分。系统采用一个带红外滤镜的CCD 摄像机和一个普通的CCD 摄像机作为探头，并采用海康威视公司的DS-40xxHC
17、视频采集卡作为图像数字化的工具。系统选用的红外滤镜只允许波长大于850nm 的光波通过，由于阴燃产生的红外辐射主要集中在950nm-2000nm 的近红外波段，因此可以捕获红外辐射而滤去可见光的扰。同时，系统使用高性能的计算机完成图像处理工作，从视频图像的图像序列中识别有无火灾发生。并使用普通的CRT 显示器显示视频信息。同时从系统扩展的角度讲，设计还应包括由计算机统一控制的联动模块，如报警和灭火等装置。系统如图2-1所示。图2-1 双波段图像型火灾探测系统8由于光的传播速率是最快的，因此，通过图像进行探测在反映速度上大大优于其它类型的探测手段。将监控设备安装在房屋或广场等大空间的角落，可以实
18、现整个空间范围内的监控，这体现出了系统监控范围广的优点。另外，在系统的升级过程中，改进的部分主要集中在探测算法和软件方面，硬件部分基本不需要很大的改动，因此，系统的升级相对容易。可以看出，系统具有反映迅速、监控范围广、环境适应能力强、系统升级容易等很多优点。图像采集的主要器件包括摄像器件和视频采集卡。通常讲的摄像器件主要有：热像仪、微光摄像机、黑白CCD 摄像机以及彩色 CCD 摄像机。在摄像器件的选取上是根据早期火灾的物理现象的典型光谱特征进行的。对阴燃主要是对其自身产生红外波段的辐射进行探测，比较合适的摄像器件是微光摄像机（或者彩色CCD 摄像机配合红外滤光镜片），而烟雾采用彩色CCD 摄
19、像机。这种红外波段加可见光波段的组合便是所谓的双波段技术。本系统采用了海康威视公司的 DS-40xxHC 视频卡。该视频卡是一款性价比较高的应用于专业数字监控、视音频处理的视音频压缩卡。它采用了高性能的视频压缩技术标准H.264 及OggVorbis（相当于 G.722）的音频编码标准，完全依靠硬件实现了视频及音频的实时编码（CIF 格式PAL/30 帧NTSC）并精确同步，实现了动态码率、可控帧率、帧模式选择、动态图像质量控制、音频预览、视频丢失报警等功能。并能独立调整各通道参数。2.2 系统的工作原理系统利用高性能的计算机对获得的视频信息，进行连续帧的数字图像处理，从大量的信息中提取系统感
20、兴趣的部分进行分析和识别。由于系统不可能始终在有火灾的环境下进行调试，因此需要大量的视频文件。可以对以往的信息进行回顾和分析是图像型火灾探测系统的另一大优点。显然，其它探测手段是无法显现这种功能的。系统所处理的视频信息保存在两种形式的视频文件格式里，分别是：H.264格式和AVI 格式。从视频采集卡中获取的视频格式是经过硬件编码H.264 视频文件格式。 H.264 最大特点是非常低的码率和对带宽非常低的要求。海康威视的视频采集卡输出的就是 H.264 格式的视频文件。因为码率很低，在有限的计算机存储设备中可以保存较多的监控视频信息，非常有利于信息筛选。AVI 格式的应用很广泛，是目前视频文件
21、的主流。大多数编程软件都提供了AVI格式文件的函数接口，因此有利于对视频图像的编程分析。在研究过程中，我们先通过编程将H.264 格式的视频文件转换为AVI 文件，然后再9进行具体的算法实现和分析判断。本系统的视频图像处理分为两个部分，红外图像的处理和彩色图像的处理。两个部分有相似的处理过程，也是模式识别比较典型的阶段。第一个阶段为图像分割或物体分离阶段；第二个阶段为特征提取阶段；第三个阶段为分类阶段。第一个阶段主要是通过相关的算法从当前图片中检测出可疑物体区域，并把它们的图像与背景或其余景物分离。这个过程通常需要背景信息的支持，背景信息可能为一副背景图片，也可能为一组背景图片序列或一个背景模
22、型。第二阶段是对可疑区域中的物体进行度量。一个度量是指一个物体的某个度量值或者在另一个变换域（如傅立叶变换或小波变换）中的度量值。特征是一个或几个度量的函数。通过计算可以对物体的一些重要特性进行定量化表示。特征提取过程产生了一组特征，把它们结合在一起，就形成了特征向量。特征向量所包含的信息量大大小于原始图像，然而这些信息代表了后续分类决策必须依靠的全部知识。第三个阶段的输出仅仅是一种分类决策，利用第二阶段的特征向量和制定的判断规则来分析可疑区域属于哪种分类，从而判断图像中是否有烟雾或者阴燃。103 大空间建筑中火灾探测方法设计概述3.1 提出本设计的背景目前许多火灾探测系统都是采用传统感温、感
23、烟传感器，这种系统有很多缺点，误报率非常高，受环境限制，而且这种系统不能掌握火灾现场的情况，不能依靠其来进行实时调度等工作，以至于火灾发生时不能够及时提供准确信息，给扑救工作带来很大的不便。而本文采用的方法与传统的火灾探测系统相比有明显优势，能够准确的探测到早期火灾的发生并及时作出反应，从而给扑救工作带来很大便利。3.2 设计理念概述本文主要研究的是火灾探测问题，通过查阅相关资料，我提出了大空间中火灾探测的一个方法。本文主要是利用利用高性能的计算机对获得的视频信息，进行连续帧的数字图像处理，从大量的信息中提取系统感兴趣的部分进行分析和识别。可以对以往的信息进行回顾和分析是图像型火灾探测系统的一
24、大优点。本系统的视频图像处理分为两个部分，红外图像的处理和彩色图像的处理。第一个阶段为图像分割或物体分离阶段；第二个阶段为特征提取阶段；第三个阶段为分类阶段。第一个阶段主要是通过相关的算法从当前图片中检测出可疑物体区域，并把它们的图像与背景或其余景物分离。第三个阶段的输出仅仅是一种分类决策，利用第二阶段的特征向量和制定的判断规则来分析可疑区域属于哪种分类，从而判断图像中是否有烟雾或者阴燃。3.3 实现该系统的主要流程实现该系统主要有以下几个流程：1. 烟雾可疑图元的分割及预处理。2. 可疑图元的特征分析及烟雾判断。3. 阴燃的红外图像探测。114 大空间建筑中火灾探测方法详细设计4.1 烟雾可
25、疑图元的分割及预处理4.1.1 基于混合高斯模型的运动分析方法使用背景差分的方法，对烟雾可疑区域的提取效果并不理想。本系统采用了使用混合高斯模型对背景进行逐像素建模，然后根据当前图像和背景模型的比较提取前景的方法。首先，我们看一下高斯分布模型。高斯分布模型是概率分布中最重要的一种，也称为正态分布模型。该分布的密布函数如式4-1 所示。（4-1） 这里 和 分别是均值和标准差，对应的分布函数如式4-2 所示。dtedtxxt)(21)()( 2（4-2） 均值和方差分别为 0 和1 的正态分布称为标准正态分布。其概率密度分布如图3-5(a)所示。混合高斯模型是从高斯模型中发展出来的一种混合分布模
26、型。对于观测数据集 X=x1, x2 , , xN中的单个采样 xi, 其离散混合高斯分布的密度函数为（4-3） 其中， K 是分布数, k 是权重系数，表示各混合成分的权重； k 是各高斯模型的均值, k 是协方差。但是在计算中 ,为了减少计算量我们通常取= ，这种方法并不明显影响计算的精度。分布数 K通常取3到5。图 4-k21(b)是一个参数为 = 2,3, = 1,0.5, = 0.4,0.6的混合高斯分布的概率密度分布。12(a) 单高斯分布的概率密度 (b) 混合高斯分布的概率密度图 4-1 单高斯和混合高斯分布的概率密度4.1.2 期望值最大（EM）算法如何从一个给出的样本空间，
27、估计其混合高斯模型的各个参数，是背景建模过程中的一个关键步骤。期望值最大化（Expectation Maximization, EM）算法是参数估计的一种很重要的算法，它是一种当观测数据为不完全数据时求解极大似然估计的迭代算法，大大降低了极大似然估计的计算复杂度，但性能却与极大似然估计相近，具有很好的实际应用价值。EM 算法主要应用于以下两种情况：第一，由于观测过程出现的问题，使得样本有遗失，或者说样本不完整；第二，当似然函数非常复杂，使得求解困难，或者存在隐参数的情况。EM 算法的基本思路是：似然函数是一个随即变量，随机变量直接求最大化不好计算，然而它的期望却是一个确定性的函数，优化起来比较
28、容易。4.1.3 使用 EM 算法进行混合高斯模型参数估计下面我们阐述如何使用EM算法进行混合高斯模型的参数估计。给定一系列观测值 X = x1, x2 , xN，要估计一个混合高斯模型（式4-3）的参数=，= 1, 2, , K ， = 1, 2, , K ，= 1, 2, , k。混合模型下的非完备log似然函数为：（4-4）由于在对数运算中包括了求和项，因此很难获得最大值。利用EM 算法，假定存在一个隐含变量Y=y 1,y2 ,yN，确定由哪一个分量生成相应的13数据，式（4-3）可转化为:（4-5）然而由于隐含随机变量Y= y1,y2, ,yN 是未知的，因此必须获得该变量的分布。利用
29、Bayes 公式在假定初始参数 g =( 1g, , Mg, 1g, , Mg)以及观测值条件下有： （4-6）式中（4-7）因此可得到：（4-8）上式中只有第一项与 k 有关，第二项只与变量 k 有关。因此Q函数极大化可以分别极大化。（4-9）14（4-10）（4-11）式4-9,4-10,4-11就是混合高斯模型EM 算法的迭代公式。通常来讲，迭代收敛的条件有以下几种：1.设定阈值 L，当log L(t +1) log L(t) T max时，迭代收敛。第二种方法相对较为死板，计算效率低。所以，本系统采用的是第一种方法。4.1.4 使用混合高斯模型对背景建模如果是在特定的光线下，那么即使考
30、虑有噪声的情况，使用单高斯模型也足够建立像素的模型。但是当光线随时间变化时，使用混合高斯模型对背景进行建模是一个很好的选择。使用混合高斯模型对背景建模的方法是对背景中的每一个像素根据一个图像序列建立一个混合高斯模型，而不是将所有的像素建立为某个分布模型。然后对当前图像中的像素进行匹配，如果当前像素符合背景模型中的某个高斯分布，则认为是背景，否则认为是运动物体。4.1.5 运动区域的提取对当前图像逐像素的与背景模型进行比较，从而提取可疑区域。可疑区域提取的具体过程为：1. 初始化一个蒙板mask，蒙板各像素均为白色。2首先将当前帧图像与背景模型相对应像素的均值参数相减，然后取绝对值作为偏差err
31、。3更新mask，先将err对角化得到err。当err5 12 时，mask 对应像素设为白色；当err5 12 时，mask对应像素设为黑色。154.1.6 图像的平滑滤波及图元分割通过以上方法提取的烟雾可疑区域比较清晰、完整。但是，仍存在一些少量的噪声和较强烈的光线变化所造成的干扰，需要进行滤波处理。滤波是图像处理时最常使用的一种处理手段。滤波的方法也有很多，可以在空间域中进行，也可以在其它变换域中进行。在空间域中滤波一般可分为线性滤波和非线性滤波两类。线性滤波器的设计通常基于对傅立叶变换的分析。非线性滤波器则一般直接对邻域进行操作。另外各种空间域滤波器根据功能的不同主要分为平滑滤波器和锐
32、化滤波器。平滑可以通过低通滤波来实现。空间滤波器都是利用图像与模板进行卷积来实现的，主要步骤是：1. 将模板在图中漫游，并将模板中心与图中某个像素位置重合。2. 将模板上的系数与图像中对应的像素相乘。3. 将所有乘积相加。4. 将和（模板的输出响应）赋给图中对应模板中心位置的像素。平滑滤波通常在空间域中进行，通常使用的方法有线性滤波、中值滤波和自适应滤波等。我们采用了不同的方法对图像进行滤波并比较滤波结果。图 4-2(a)中给出了一幅图像的一部分，其中所标的是一些像素的灰度值。现设有一个33的模板如图4-2(b)所示，模板中所标的是模板系数。如将k 0所在位置与图中灰度值为s 0的像素重合（也
33、就是将模板中心放在图中(x,y)位置），模板的输出相应R 为：R= k0s0+k1s1+ksss(a) (b) (c)16图4-2 用33模板进行空间域滤波的示意图将 R 赋给增强图，作为在(x,y)位置的像素值，如图4-2(c)所示。如果对原图中每个像素都进行这样的操作，就可以得到增强图中所有像素的新灰度值。如果我们在设计滤波器的时候给每个k 赋予不同的值，就可得到不同的高通或低通滤波效果。出于图元分割的考虑，我们希望尽量消除一切小像素图元的干扰。可以看出在这种情况下中值滤波器是最好的选择。为了尽量消除小像素图元的干扰，我们选择55的中值滤波器。这样绝大部分的小像素图元干扰已经被滤去了。这样
34、可以大幅度减少下一步图元分割的计算量，有利于提高系统的执行效率。在图像分割之前，我们先要定义图像中什么样的像素算是相邻像素。定义相邻像素通常有两种边沿连接的约定方式：4-连接方式和8-连接方式。在 4-3(a)的连接方式中，所有与当前像素点接触的8 个像素点中，只有垂直和水平方向的4 个像素认为是连接的像素，如图4-3(b) 所示。而在8-连接方式中，所有与当前像素点接触的8 个像素点均认为是连接像素，如图4-3(b)所示。图4-3(a) 4-连接方式示意图 图4-3(b) 8-连接方式示意图图元的面积相差非常悬殊。小面积图元的产生原因有很多：可能是干扰造成，也可能是小型物体或烟雾的非常早的初
35、期阶段的图像。不管是那种原因，我们并不需要对所有的图元都进行分析，而只选择面积最大的若干图元进行分析。原因是如果是干扰，那么理所当然应该被过滤掉而不予考虑。如果是烟雾，那么烟雾的面积是在不断扩散的。通常来讲烟雾扩散的速度是比较快的，在很短的时间内烟雾区域就可以成为移动区域中面积比较大的部分。所以，只选择面积较大的若干图元进行分析，一方面并不影响系统判断的准确性；另一方面也可以减少计算量，提高代码执行效率。我们称被选定的图元为可疑图元。下面，我们要对图元的面积进行统计，从而找出面积最大的若干个图元作为可疑图元。在选择可疑图元的时候，我们制定了如下的规则：假设面积最大的图元17的面积（像素数）为a
36、 max，第i 个图元成为可疑图元的条件是：ai 1/50 amax将可疑图元提取出来后可以发现面积较大的可疑图元是烟雾区域，而面积较小的可疑图元是由于光线变化非常强烈而被质疑的区域。当然，整个图像中光线都有变化，我们已经较为成功的滤去了大部分光线变化和其它噪声所造成的干扰。4.2 可疑图元的特征分析及烟雾判断本节将介绍如何对可疑图元进行特征提取及烟雾判断。目前，对烟雾进行识别方法的比较少。纹理分析是一种比较常用的方法，但是这种方法对图像的质量以及可疑区域分割的效果要求比较高。我们所采用的是小波分析，颜色饱和度分析以及闪烁频率分析的方法，取得了比较好的效果。4.2.1 可疑图元的特征分析根据烟
37、雾的半透明性和边界闪烁的特征，我们制定了三种特征提取和分析方法。分别是通过小波变换对可疑图元和背景进行高低频能量分析，在HSV 颜色空间对可疑图元和背景进行颜色饱和度能量分析以及利用图像帧序列对可疑图元进行边界闪烁频率分析。由于烟雾处于一种半透明状态，所以被烟雾笼罩的地方，图像的尖锐程度较之背景会有很大的下降。这直接导致了该区域高频能量被削减，而低频能量增加。这里我们所说高频是指图像中锐度比较大的部分，通常是由物体的边角、纹理等构成；而低频是指图像中颜色或灰度相近的平滑区域。更确切的说高频能量主要集中在图像中颜色或灰度变化梯度较大的部分；而低频能量主要集中在图像中颜色或灰度变换梯度较小的部分。
38、小波分析的方法可以监视当前图像和背景图像之间高频和低频能量变化的情况。因此，我们提出了一种基于小波分析的烟雾特征提取和分析方法。在实现的方法上，二维小波变换是从原始信号s 开始在每个层次只分解上一层次的近似系数。但与一维小波变换不同的是，在每个层次进行分解的时候，需要在两个维度分别作用两次滤波器。这样就得到了四组系数cA j, cHj, cVj, cDj,，其中其中cA j是第j 层的近似系数，它是在两个维度都作用低通滤波器得到的。cH j, cVj, cDj分别是在横向作用低通滤波器、纵向作用高通滤波器得到的水平细节系数，横向作用高通滤波器、纵向作用低通滤波器得到的垂直细节系数和两个维度都作
39、用高通滤波器得到的对角细节系数。所以在处理二维信号的过程中，需要分别去除横向的，纵向的和两个方向的关联信息，那么就形18成了一组近似系数和三组细节系数。分解的数据传递方式如图4-3(a)所示。从图中可以看出, cAj现在行上分别与低通滤波器滤波器Lo _ D和高通滤波器Hi _ D做卷积。然后在列上进行下采样，保留偶数列。将得到的结果再分别在列上与滤波器Lo _ D和Hi _ D做卷积。然后在行上进行下采样，保留偶数行，得到系数cA j+1, cHj+1, cVj+1, cDj+1。小波重构是小波分解的逆过程，其数据传递方式如图4-4(b)所示。图4-4（a）小波分解数据传递示意图图4-4（b
40、）小波重构数据传递示意图图4-4 基于小波的图像分解与重构4.2.2 可疑图元颜色饱和度信息的分析可疑图元的颜色饱和度特征，是本文中烟雾判断的另一个判据。火灾发生时，由于燃烧物，烟雾浓度，光线环境等诸多原因，烟雾的形态也会有所不同。在燃烧物阴燃和热解的过程中经常会产生微小的液相颗粒，因此这时候烟雾为19浅色；而在明火燃烧的过程中，经常产生固相的含炭颗粒，这时其烟雾为黑色。所以火灾发生的初期，烟雾颜色较浅，有半透明性，背景中物体的颜色饱和度在经过烟雾后会得到一定程度的削弱。所以，在系统中，我们利用烟雾的这一个特征来进行识别分析。对颜色信息的分析，我们是在HSV 颜色空间下进行的。在进行颜色饱和度
41、信息分析之前，我们也先规定一个区域的颜色饱和度能量 ES 。如式4-10所示：（4-12）式中，S ( x, y )表示在HSV 颜色空间下(x , y)点的颜色饱和度S。区域R的颜色饱和度能量就是区域中各像素颜色饱和度S 的平方和。进行颜色分析前，先要将当前图像与背景都从RGB 颜色空间转换到HSV 颜色空间，然后再分别计算它们的饱和度能量烟雾的半透明性使得场景变“灰蒙蒙”的，从而使场景中物体颜色的饱和度有所下降。所以，可疑图元颜色饱和度的变化可以作为烟雾判定的另一个判据。4.2.3 可疑图元边界闪烁频率的分析在可见光波段对火焰的图像型探测技术中，火焰的闪烁特性经常被用来作为探测对象。火焰的
42、闪动表面上看来似乎是杂乱无章的，事实上火焰信号的频谱特征有着特有的规律。许多研究人员对不同尺寸、形状的房间进行了多种材料的火灾试验，发现在火灾初期出现明火以后，火焰的主要频率为8-12Hz，同时火焰的频率受燃烧物、房间形状、房间尺寸的大小，环境的变化等因素影响不大。因此，利用火焰的闪烁频率作为火灾识别的一个判据是非常有用的。烟雾边界的闪烁频率比火焰的要小，通常在1-3Hz。我们先在可疑图元的边界取若干像素点，然后对其进行分析。如果这些像素点，在属于可疑图元和不属于可疑图元之间变化，那么就可以认为可疑图元具有的闪烁特性。但是，这种探测是具有很强时效性的。因为烟雾是呈蔓延的状态不断扩散的，所以在较
43、短的时间内烟雾的边界就会扩大到一个更大的区域，从而包括了初始设定的观测点。我们在边界闪烁频率的探测上设定一个时间有效值为2 秒。也就是说我们在设了观测点后，仅仅考虑的其后2 秒钟内采集的图像信息。根据这2 秒钟内采集的图像信息来判断可疑图元边界的闪烁特性。根据采样定理，我们知道，要观测到 3Hz 的信息，我们至少要使采样速率大于等于6Hz。我们采用的12fps 的帧速率完全可以满足这一要求。我们从20视频中截取有可疑图元的连续图像24 帧，也就是两秒钟内的连续帧。下面，我们对连续帧中的可疑区域进行处理和分析。首先，利用背景模型，对连续帧序列进行可疑运动区域的提取。然后再对提取的可疑区域进行中值
44、滤波。接下来，对各帧可疑区域进行图元分割，并对各帧中图元的面积进行统计，只保留面积较大的图元。4.2.4 烟雾的综合判断任何一种探测技术最终的目的都是对被探测的物体进行分类识别。火灾探测部分的输出是一种决策，它将指导系统的联动部分做出相应的下一步动作，如报警，灭火等措施。下面，将讲述怎样综合上面各种特征判断可疑图元是不是烟雾。我们使用高低频能量，饱和度能量和闪烁频率这三个特征值组成的特征向量对烟雾进行综合的判断。对高低频能量特征值判断规则：设定阈值 T el , T eh，当可疑图元与背景的高低频能量比 1=EL1b/EL1a和 h=EH1b/EH1a满足 1 T el且 h T eh时，系统
45、认为该可疑图元可能是烟雾。通过对样本进行实验研究，我们设定阈值初始值如下 T el=1.2 ， T eh=0.8。也就是说当可疑图元和对应的背景区域的高低频能量比满足： 11.2且 h0.8时，我们认为该可疑图元可能为烟雾。需要注意的是当水蒸气，阴影等现象出现时，也可能造成类似的高低频能量变化，从而给判断带来干扰。因此，这个条件是判定可疑图元为烟雾的必要条件，但并不是充分条件。对颜色饱和度能量特征值判断规则：当可疑图元与背景的颜色饱和度能量比 s=ESb/ESa满足 s Tes时，系统认为该可疑图元可能是烟雾。通过对样本进行实验研究，我们设定阈值 Tes=0.8，也就是说当 s0.8时，可疑区
46、域可能是烟雾。进入监控区域的移动物体多种多样，如果移动物体本身的颜色饱和度很小，那么就会干扰系统的判断，因此这条判断规则也仅是一个必要条件。边界闪烁频率特征值判断规则：当可疑图元的半面边界平均闪烁频率 满kf时，系统认为该可疑图元可能是烟雾。通过相关资料提供的信Tfhkf1息及对样本进行的实验研究。我们设定阈值T f1=1,Tfh=3。也就是说，当的时候，可疑图元可能是烟雾。3kf21该条件也仅是一个必要条件，系统需要联合上述条件进行综合的烟雾判断。我们需要综合上面几个特征值更加准确对烟雾进行判断。只有可疑图元满足上面三个判断规则，才能被判断为烟雾。也就是说，本系统认为可疑图元k 是烟雾的充分
47、必要条件是该可疑图元同时满足以下几点：1.可疑图元k 和对应的背景区域的高低频能量比 lk=EL1k,b/ EL1k,a, hk= EH1k,b/ EH1k,a满足 lk1.2且 hk0.8。2.可疑图元k 和对应的背景区域的颜色饱和度能量比 sk= ESk,b/ ESk,a, sk0.8。3.可疑图元k的半面边界平均闪烁频率 满足：1 3。kfkf22图4-5 烟雾探测的软件流程图当然，必要条件越多，系统的误报率就会越低。但是判断条件增多可能会导致系统的可靠性下降，也就是漏报率提高。因此，合理的制定判断规则，设定判断规则的数目，从而在误报率和可靠性之间进行权衡考虑是非常重要的。 烟雾判断的整
48、体软件流程如图 4-15 所示。对可疑图元特征值的提取和分析是烟雾探测中最重要的工作。准确有效的特征值提取，才能保证烟雾探测的高可靠性和低误报率。4.3 阴燃的红外图像探测火灾发生初期阶段的另外一种典型的物理现象是阴燃。阴燃产生的红外辐射主要集中在0.95m-2.0m这一波段。系统使用带有滤镜的 CCD 摄像机，它只允许波长大于0.85m的光波通过，因此可以捕获红外辐射而滤去可见光的干扰。在可见光波段对烟雾的探测是双波段图像性火灾探测系统的一“目”；在红外波段图像中对阴燃的探测构成了系统的另一“目”。 跟烟雾探测相同，红外探测过程同样分为三个阶段：图像获取和预处理阶段，特征提取阶段以及阴燃的判
49、断阶段。4.3.1 特征提取根据火灾火焰特点，以及特征提取的可行性，选取了以下四个特征作为判别火灾的判据。圆形度：圆形度可以衡量物体形状的规则程度。火灾火焰形状不规则，而大部分干扰源（如烟头，灯光等）形状规则程度较高。比较常用的圆形度是周长的平方和面积的比，为了表达更直观，我们加一个系数 1/4。即： （4-13）其中C k表示编号为k的图元的圆形度，P k 表示图元的周长，A k 表示其面积，K为图像中的图元个数。在具体计算中，周长可以根据其边界链码得到，面积可以根据图元内的亮点个数得到。当物体的边界为圆形时，其圆形度为最小值1，物体边界的复杂程度越高，其圆形度的值越大。 面积变化：检查连续两幅图像的各图元亮点个数，判别可疑区域面积是否为增大趋势。增长率G k 可由下式获得： 23（4-14）其中Size(b k,j) 表示第i幅图像中标号为k的图元中亮点个数。G k,j 为正表示面积是增
