0 引言

    火灾是日常生活中频繁发生的且极具社会危害性的灾害之一。室内发生的火灾由于空间具有封闭性，火灾产生的热量和烟雾很容易引起人们的足够注意，配合相关的红外、烟雾传感器进行温度、浓度等参数检测，已经能够实现自动报警甚至自动灭火^[1]。然而户外火灾的火源一般位于高大空旷的地带，火灾发生初期具有较强的隐蔽性，加之天气状态参数变化、外界热源光源影响等不确定性因素的干扰，相关传感器也会因此产生较强探测噪声，很难发挥作用。

    使用视频监控技术从高点进行大范围内的火灾检测是解决该问题行之有效且成本低廉的途径之一。尤其是近年来,随着图像处理技术的不断发展，使用视频监控设备进行火灾检测成为了众多学者们研究的课题。其中HORNG W^[2]等首次将视频处理技术运用到火灾检测中来，主要依据单一颜色特征进行判别，误报率很高；CHEN T H^[3]等使用烟雾面积变化率的特征改进了该方法，一定程度上降低了误报率；王欣刚^[4]等引入了运动检测手段来动态对烟雾进行检测，并用小波分析的方法对火灾烟雾面积进行分析，算法运算量大不能保证火灾监控的实时性；袁非牛^[5]等提出了基于累积量和主运动方向检验的烟雾检测方法，需要在时域的进行连续观测；高娜等^[6]和YANG J等^[7]引入BP神经网络和SVM支持向量机进行火灾识别，此类算法较依赖样本集的选取和训练，鲁棒性不佳。

    针对以上这些问题，本文提出了一种适用于嵌入式系统的基于哨兵金字塔模型的实时火灾检测算法。该算法基于火灾烟雾成团或成块出现，不存在孤立点的基本事实，通过构建哨兵金字塔模型减少运算次数，设计了回溯机制降低漏报的可能。实验结果表明，该算法稳定运行时运算效率可达30帧/s以上；实际项目报警准确率达94.6%，满足火灾实时报警的需求。

1 哨兵金字塔模型

    本文提出的哨兵金字塔是一种存储单幅图像的数据结构，该模型适用于目标成团或成块出现的场景，能在保证检测准确度的前提下极大降低运算量。

    定义1：方格p(s)表示一个s=2c+1，c∈N阶方阵，a_ij为方阵元素，设m=(i，j)，m₀=(c，c)，满足||m-m₀||_∞=k，k∈N的元素集为p(s)的第k级，记作l(k)。图1展示了一块k_max=2，s=5的方格，数字代表级数k。

    定义2：哨兵金字塔P(v，w，s)表示一Q行R列矩阵。将该矩阵每隔s行s列分成vw个s阶子块，使得Q≤vs，R≤ws，每一子块对应一个方格p(s)，金字塔第k层L(k)由全部vw个子块对应的方格的第k级构成。

    如图3所示，剪枝、泛化减少了运算次数，细化描绘边界信息，回溯利用连通特性对结果进行补充。 

2 实时户外火灾检测算法

2.1 哨兵金字塔提取运动目标

    本文算法将图像存储在哨兵金字塔中，用背景差法提取运动目标。设R_n(x，y)表示哨兵点u的运动状态，τ表示间隔帧数，I_n(x，y)表示第n帧中哨兵点(x，y)的灰度值，B_n-τ(x，y)表示背景上第n-τ帧点(x，y)的灰度值，由式(1)得运动状态R_n(x，y)：

    图4所示为原视频中一帧图像；图5所示为该帧图像的t=5，P(52，29，25)的检测结果。

2.2 哨兵金字塔识别烟雾颜色

    烟雾夹杂着小颗粒与水汽，在视觉上呈现灰黑色特征。使用HSI颜色域提取特征，将归一化RGB域下向量(r，g，b)代入式(3)得HSV颜色域的h分量：

2.3 哨兵金字塔识别烟雾的动态特征

    烟雾在热量驱动下因密度减小在重力场方向上呈现向上运动趋势。以金字塔P(v，w，s)的第t+1层中最大方阵阶数s′为单位，搜索邻域运动方向。邻域离散运动方向和对应编码如图7所示。

    设i和j分别表示搜索模板的水平和垂直分量，依据式(5)以绝对误差和最小准则来计算运动方向，通过式(6)求离散运动方向的i，j值：

    依前述分析，火灾烟雾应当呈向上的运动趋势。定义在块运动方向的直方图H_d的峰值H_dm对应的编码d_m的方向为主运动方向，其他达到H_dm的80%的方向作为辅助方向d_f，图5中下方目标对应的主方向如图8所示。依据式(7)可计算出疑似烟雾目标的运动方向D：

2.4 具体算法流程

    本文算法在降低漏检率的前提下，着力提高算法的实时性，算法流程如图9所示。从视频中每隔τ帧提取一幅画面生成哨兵金字塔P(v，w，s)；从塔顶对安排有哨兵u的第k+t层，按哨兵分级策略用式(1)逐级提取运动目标；至金字塔底后，检查是否触发哨兵回溯，直至运动目标提取完成；对提取到的目标利用式(3)进行烟雾颜色识别，对满足烟雾特征的图像进行下一步处理；对提取的目标用金字塔底层方阵代入式(5)进行动态特征识别，符合特征的图像将触发报警。

3 算法应用与分析

3.1 系统硬件实现

    系统由具备较强运算能力的Hi3516C型安防摄像机SoC芯片、SIM5320E网络模块和移动端组成，架构图如图10所示。目前系统已应用于某地秸秆焚烧巡查项目中，在大气污染防治工作中发挥了积极作用。

3.2 系统性能分析

3.2.1 算法实验比较

    本文实验在Core i5@2.7 GHz处理器，1 GB内存的计算机上进行。为验证算法准确性和实时性，录制了10段5类包含烟雾的检测场景视频，共有75 461帧，包含烟雾的有59 883帧，视频描述如表1。

    本文算法使用P(52，29，25)的哨兵金字塔，检出结果如表2所示。其中王欣刚^[4]、袁非牛^[5]和本文算法的准确率高于80%；HORNG W^[2]和CHEN T H^[3]的算法易对符合其颜色特征的背景误报，实际应用中误报率会更高；王欣刚^[4]、袁非牛^[5]和本文算法检出情况相近，针对条带状、弥漫状和块状区域检出准确率很高。

    算法运行效率对比如图11所示，本文算法效率大幅度领先其他算法。HORNG W^[2]和CHEN T H^[3]的算法已基本满足达到流畅处理的程度；袁非牛^[5]的算法效率一般；王欣刚^[4]因涉及大运算量的小波分析，效率较低。

3.2.2 算法及系统实际应用效果

    本文系统现已成功应用于某地秸秆焚烧巡查工作中，图12所示为本文系统的部分报警结果。算法使用哨兵金字塔模型极大地降低了运算量，且金字塔本身参数可调，使算法具备很强的适应性。

    表3为部分摄像机3个月来的报警情况，统计出实际报警准确率为94.6%，大大降低了秸秆焚烧的巡查难度。实际使用中，误报主要来自小范围内的条型雾霾，特征与烟雾基本一致，需人工判别。

4 结论

    本文提出了一种适用于户外场景的实时火灾检测算法及其嵌入式系统应用。实验证明，该算法有较高的效率和较强的适应性，实测准确率达94.6%。

参考文献

[1] 刘士兴，张永明，顾勤冬.基于无线传感器网络的多参数火灾探测节点研究[J].传感技术学报，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] 王欣刚，魏峥，刘东昌，等.基于烟雾动态特征分析的实时火灾检测[J].计算机技术与发展，2008，18(11)：9-12.

[5] 袁非牛，张永明，刘士兴，等.基于累积量和主运动方向的视频烟雾检测方法[J].中国图象图形学报，2008，13(4)：808-813.

[6] 高娜，李良.基于神经网络的火灾图像特征融合算法[J].计算机系统应用，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:

陈  岩，宫宁生，温健阳

（南京工业大学 计算机科学与技术学院，江苏 南京211816）