火灾的图像识别方法与应用

COPEN.CLICK()

M CIM S G=S PACE(50)

M CI=T HIS FORM.M CI

TYPES TR=[]

DO CASE

CASE T HIS FORM.T YPE=[WAV]

TYPEST R=[W AVEAU DIO]

CASE T HIS FORM.T YPE=[M ID]

TYPEST R=[S EQUENC ER]

CASE T HIS FORM.T YPE=[AVI]

TYPEST R=[AviVid eo]

CASE T HIS FORM.T YPE=[FLI]

TYPEST R=[An imationl]

CASE T HIS FORM.T YPE=[DAT]

TYPEST R=[M pegVid eo]

CASE T HIS FORM.T YPE=[M PG]

TYPEST R=[M pegVid eo]

ENDCASE

IF T HISFORM.T YPE=[CDA]

　SS=[OPEN CDAUDIO ALIAS M PLAY]

ELSE

　SS=[OPEN]+THISFORM.FNAM E.VALU E+[]+[AL IAS M PLAY T YPE]+TYPEST R

E NDIF

A=callfn(mci,SS,@mC IM SG,LEN(M CIM SG),0)

C PL AY.C LIC K()

M CIM SG=SPACE(50)

M CI=THISFORM.M CI

A=callfn(mci,"p lay mPLAY",@mcimsg,50,0)

C ST OP.CL ICK()

　M CIM SG=SPACE(50)

　M CI=THISFORM.M CI

　A=callfn(mci,"s top mPLAY",@mcimsg,50,0)

C CLOS.CLICK()

　M CIM SG=SPACE(50)

　M CI=THISFORM.M CI

　=callfn(mci,"close mPLAY",@mcims g,50,0)

C QUIT.CL IC K()

　T HISFORM.RELE ASE()

收稿日期:1997年9月20日火灾的图像识别方法与应用卢瑞祥　牟轩沁　纪　震

(西安交通大学图像处理与识别研究所　西安　710049)

摘　要　传统的火灾报警系统一般基于红外传感器和烟雾传感器,但在室外仓库和大型室内仓库等大空间场合的火灾报警中,上述方法并不能良好地适用。在火灾燃烧时火焰的红外图像序列往往具有相邻图像边缘不稳定但具有一定的相似性等可识别特征。因此图像识别的方法是大空间火灾自动报警的一种可行的解决方案。本文不仅提供了一个基于序列图像的火焰快速识别算法,也实际构成了一个使用微处理机的多通道火灾实时自动监控系统样机。

关键词　火焰识别　监控系统　图像序列

1　引言

火灾的巨大危害是不言而喻的。在现有的各种火灾报警和消防监控设备中,大都基于红外传感器和烟雾传感器。在室外仓库和大型室内仓库等大空间场合中,上述传感器信号由于空间的巨大而变得十分微弱,即使是高精度的传感器也会由于种种干扰噪声而无法工作。为解决此类场合的火灾报警问题,国外某些公司在九十年代初提出用紫外波段的图像传感器进行中远距离的火焰检测,并推出了相应产品。但此类系统并不具有自动识别的功能,模块也不具有可重构性,而且火焰的识别方法简单,识别误报率较高。

大量的实验结果表明,在火灾燃烧时,火焰的红外波段(波长>950nm)的不可见光辐射具有明显的可识别特征,如果通过传感器采集该辐射信号经光电转换成视频信号便可以对该特征进行识别,并且由于该视频信号可监控的区域大,可以较好地满足大空间场合的火灾监控的要求。我们通过高精度红外CCD图像传感器采集火灾现场的火焰红外辐射,将其转换为一定制式的黑白视频信号,再通过序列图像采集设备,将视频信号经过A/D转换后形成数字灰度图像序列[1],最后采用识别火焰序列图像特征的方法对火灾进行实时识别监控。

由于采用了950nm～2000nm波段的红外CCD传感器,仅有该波段的红外辐射形成视频信号,火焰燃烧时的红外辐射主要集中于以上波段范围,其它波长的干扰信号被极大地衰减。故当有火焰燃烧时经CCD 形成的视频信号中除强烈的火焰辐射造成的高亮度信号外,仅有很少量的红外干扰信号,而这些信号往往表

・

106

・ 计算机应用研究1998年

现为固定的图像模式,可以采用简单的算法加以分类,

从而使火焰的识别率大大提高,并且减少了处理的数据量,提高了检测识别的速度。

在可靠的火焰识别算法的基础上,我们构造了一个实用的自动火灾监控系统。在该系统中为了提高系统的检测效率,采用了多路时分复用技术,使同一个图像识别处理器可以分时处理多路监控信号。经过样机的大量现场实验证明了火焰识别算法以及系统的可行性。

2　火焰的图像识别方法

火焰的序列图像具有如下几个特征:相邻帧图像的边缘不稳定;相邻帧图像具有稳定的相似性;图像的相似度在一定的区间内变化;图像中火焰焰芯部位的灰度大于火焰其它部位的灰度。而在红外衰减后的视频信号中,干扰信号表现的模式主要为快速移动的固定亮点和大面积的红外光照变化。因此,在火焰的识别中,可以首先进行火焰的干扰模式与非干扰模式的分类,再在非干扰的图像模式下识别出火焰的某个特征即可判定为火焰(图1略)。

设数字化的序列图像为{f i (x ,y )},i=1,N ,(x ,y )为图像中各个像素的坐标,N 为图像序列的帧数,在实际系统中,N 应大于2。对于每帧数字图像有(x ,y )∈ , 为整个图像的面积。对于每通道的图像信号,有一稳定的基准图像,令其为{f 0(x ,y )}。系统以基准图像表示该通道的正常情况。对于图像序列的各帧图像有,

i (x ,y )= {f i (x ,y )}-{f 0(x ,y )} ,i =1,N ,(x ,y)∈

{ i (x ,y )}为一个差值图像序列,表示原图像序列{f i (x ,y)}与基准{f 0(x,y )}的差别,现在{ i (x ,y)}上对当前的原图像的模式进行判别。

首先对{ i (x ,y )}进行二值化,分割{ i (x,y)}的变化区域。在二值化时,考虑到一般火焰的红外照度范围,在有火焰时其灰度值较高,且有一个较复杂的中间灰度的红外满反射区域,我们采用了如下方法:统计{ i (x ,y)}的直方图为PHS(r),以一小窗口对P HS(r )进行平滑,平滑后在PHS (r )上从高往低扫描,检测到第一个波谷点即可设定为二值化阈值。

以该阈值对{ i (x ,y )}进行二值化,得到{b i (x ,y)},其中为1的像素表示原始图像序列{f i (x ,y )}与基准图像{f 0(x ,y )}的有显著差别的区域。我们认为该区域即为可能的火焰区域。在实际系统中{b i (x ,y)}中存在一些由不可测因素引入的孤立点。这些孤立点可以运用形态学的膨胀和腐蚀运算滤除,进而使区域得到更好的描述。但这样的运算量太大,无法进行实时处理[2]。本文中使用了四邻域遍历的方法[3],对{b i (x ,y )}

进行四邻域遍历,滤除孤立点的影响后,得到{b i ⌒

(x ,

y )}。

对{b i ⌒

(x ,y )}中为1的像素进行标记,我们得到序列图像中每帧中可能的火焰区域 i ,i=。

预处理

令S i 为 i 的面积。对于S i 的取值范围,我们有如下结论:

1)若S i ≤阈值1,则该变化区域为噪声点。

2)若S i ≥阈值2,则该变化区域为大面积的红外光线变化。

3)若阈值1≤S i ≤阈值2,则变化区域为可疑的火焰区域。模式分类

当发现可疑的火焰区域后,我们采用计算相邻帧变化图像的相似度的方法对火焰与干扰模式进行简单的分类。相邻帧变化图像的相似度定义为:

i =

(x ,y )∈

b ⌒

i (x ,y )∩b ⌒

i+1(x ,y )

(x ,y )∈

b ⌒

i (x ,y )∪b ⌒

i+1(x ,y )

,i=对于各个 i ,统计其均值 =1

N -1

N-1i=1

i ,我们有以

下的判定规则:

1)若 ≤阈值1,则图像模式为快速运动的亮点。

2)若 ≥阈值2,则图像模式为固定红外发光区域。

3)若阈值1≤ ≤阈值2,则图像模式为火焰。3　监控系统构成

在一个较可靠的火焰图像识别方法的基础上,本文研制了自动火灾监控样机系统。该系统由以下模块构成:每通道的红外CCD 图像传感器、多路视频切换器、高速图像采集卡、IO 控制卡1、微处理机、IO 控制卡2、报警装置和U P S 不间断电源等。微处理机通过IO 控制卡1控制多路视频切换器选择16路红外视频信号之一进入高速图像采集卡,图像采集卡将模拟视频信号转换数字图像信号。微处理机通过对数字图像信号的智能识别判定该通道的图像是否为火焰图像,如果是则通过IO 控制卡2控制报警装置发出声光报警信息。系统的结构和连接见图2。

本系统通过微处理机上的软件系统进行监控流程控制、通道图像的智能识别和人机交互等功能。在软件系统中,系统使用了菜单驱动和分时处理等技术,使系统在允许人机交互的同时不影响对各个通道的实时监控。

图2　系统结构示意图

・

107・第1期卢瑞祥等:火灾的图像识别方法与应用