基于模式识别的火灾烟雾探测中抗水雾干扰研究

王俊然，刘智，刘艺，夏岩

（1.长春理工大学 电子信息工程学院，长春 130022；2.长春理工大学 研究生院，长春 130022；3.长春理工大学 空间光电技术研究所，长春 130022）

基于模式识别的火灾烟雾探测中抗水雾干扰研究

王俊然1，刘智2，刘艺3，夏岩1

（1.长春理工大学 电子信息工程学院，长春 130022；2.长春理工大学 研究生院，长春 130022；3.长春理工大学 空间光电技术研究所，长春 130022）

水雾与火灾烟雾在颜色、形态以及面积扩散等方面均具有相似性，容易对基于图像识别的火灾探测技术形成干扰。在同一地点及环境下使用监控系统录制火灾烟雾和水雾的真实视频，从运动方向特征和纹理特征着手进行分析，并利用支持向量机（support vector machine，SVM）对视频进行火灾烟雾和水雾的识别。实验结果表明，火灾烟雾与水雾在运动方向特征及纹理特征中熵和对比度上有明显差异，火灾烟雾识别时使用运动方向特征及纹理特征既能准确的识别出火灾烟雾，又能极大减小疑似烟雾目标带来的干扰。

烟雾识别；运动方向特征；纹理特征；支持向量机；

随着视频图像技术运用到各种领域［1-2］，基于图像模式识别的火灾探测技术在近年来得到了众多研究者的重视并快速发展，逐渐代替了基于传感器的传统火灾探测方式。基于图像模式识别的火灾探测技术以计算机技术为核心，并结合了图像处理技术和模式识别技术，可对发生初期的火灾进行有效探测和识别。相比传统的火灾探测器其监控距离更大，使用范围更广，为人们对火灾进行及时准确的探测提供了新的方法，并提高了灾情探测和预警的反应速度和有效性。

当对灾情进行探测和预警时，主要使用火灾烟雾的特征进行判断。但是，在复杂多样的空间环境中［3］，有诸多疑似烟雾的干扰因素存在，这些干扰因素的存在严重影响了基于图像模式识别的火灾探测技术对火情探测和预警的准确率，而视频中水雾的存在最具干扰性，无论从颜色，还是在形态上都与烟雾相似。本文通过对相同场景下的火灾烟雾与水雾的运动方向特征和纹理特征进行对比，分析相同场景下火灾烟雾与水雾间的差异性，并利用支持向量机对视频序列进行分类识别，提高了基于图像模式识别的火灾探测技术的准确性［4］。

1 视频图像的特征分析理论

1.1 视频图像的运动方向特征分析理论

运动方向特征可以描绘视频图像中的运动物体的方向趋势［5-6］。对于视频图像的运动特征常用块匹配法。如图1所示，首先将一副图像平均分为M×N个子块，子块相互不重叠。通过每个子块内的像素点做相等的平移运动，当前帧的N×N的分块，在下一帧中对应的分块，并在其一个大小为(N+2a)×(N+2a)的邻域窗口内搜索比较，找到最佳匹配，从而得到当前块的代替位置。当前子块与匹配块在二维平面上的位移即为运动估计得到的运动矢量。通过这种方法，即可得到每个子块的运动方向。

图1 块匹配法

图2 平面的8个方向

为了有效的将运动方向特征进行表述，如图2所示，将一个平面分为8个运动方向，且每段运动方向对应一个数值。0°到45°对应1，45°到90°对应2，90°到135°对应3，135°到180°对应4，180°到225°对应5，225°到270°对应6，270°到315°对应7，315°到0°对应8。

1.2 视频图像的纹理特征分析理论

在对纹理特性进行描素时，使用灰度共生矩阵来描绘火灾烟雾其纹理特征［8］。灰度共生矩阵是关于图像像素之间角度和距离的矩阵函数，通过计算图像上具有一定角度和一定距离的两点灰度值之间的相关性，反应图像像素之间的空间关系。设灰度图像上一点(x,y)的灰度值为δ1，偏移它一定角度和距离的另一点(x +a,y+b)的灰度值为δ2，两点之间便形成一个灰度值对(δ1,δ2)，令点(X ,Y)在图像上逐步移动，直到遍历整个图像，则该点与偏移它固定角度和距离的另一点(x +a,y+b)会得到各种不同的灰度值对。灰度共生矩阵即统计灰度值对(δ1,δ2)出现的次数。满足如下公式：

其中，W表示该图像的宽度，H表示高度，i和j的含义为某一个灰度值，#表示个数，G(i ,j)即表示灰度对(i ,j)在图像中出现的次数。通常，为了计算便捷一般会把一个图像分为8个灰度级，用公式表示为：

由此，可以将共生矩阵化简为一个8×8大小的矩阵，对计算的复杂度进行了简化，提升了烟雾探测的效率，并保存了图像的纹理信息。像素之间的位移(a,b)有两个参数，分别为角度和距离。本文选取的角度为0°，45°，90°，135°，距离要根据纹理周期分布的特征来选取，本文选取较大距离表示粗纹理，选取较小距离表示细纹理。

当采用灰度共生矩阵对视频图像进行纹理特征描述时，有两个标度信息，即对比度和熵。

（1）对比度，即惯性矩，描述一幅图像的清晰程度和纹理沟纹的深浅程度。若对比度较大，那么图像呈现出的纹理沟纹相对较深，纹理特征非常明显；反之，若对比度较小，即图像的灰度均匀分布，纹理沟纹很浅，难以辨认。其数学表达式为：

（2）熵，即一种在图像中所包含信息量的度量，且纹理信息即为图像信息的其中之一。当灰度共生矩阵中所有的元素都具有较为明显的随机性时，认为此时图像中具有相对清晰的纹理特征，熵的值比较大；当图像中不存在较为明显的纹理信息时候，熵的值较小。其数学表达式为：

2 烟雾与水雾的特征对比实验及分析

2.1 烟雾与水雾的运动方向特征对比

为了保证实验的准确性，选择同一背景，在不受风力的作用时，进行视频录制。图3为截取录制的视频图像并标出了烟雾与水雾的总体运动趋势。其中，图3（a）表示烟雾的整体运动方向，图3（b）为加湿器产生水雾的整体运动方向。由图可直接看出，在可燃烧过程中，由于热气流会使颗粒粒子向上运动，所以烟雾的运动方向是向上运动的；水雾的产生是因水分子的扩散，在空气中逐渐形成小水滴，在空气中悬浮，由于其密度较大在重力作用下逐渐下落，当在不受干扰时，水雾的运动方向特征与其水滴密度相关。

图3 烟雾运动方向和水雾运动方向

在进行运动方向特征计算时，使用块状匹配法，匹配准则为MAD。在对多段视频中的烟雾和水雾的运动方向进行计算后，得到计算结果，图4为多段烟雾和水雾在平面8个方向的平均运动方向比例。

图4 烟雾和水雾的平均运动方向比例

由图4可知，水雾的运动方向分布比较集中，其中编码3即向上运动的块数最多，占总数比的0.3，编码为1、2、4、5的块数，即运动方向为右、右上方，左上方和左的分布相差不大，约占总数比的0.55，而左下方、正下、右下方约占中块数的0.15。而水雾的运动方向分布相对均匀，图像中编码为6、7、8的块数，即运动方向为左下方、正下、右下方约占总数比的0.43，而图像中编码为2、3、4的块数，即运动方向为右上方、正上、左上方约占总数比的0.35。

由此可以看出，烟雾的运动方向为整体向上，而水雾的运动方向为先集中向上，然后在空气中逐渐扩散，沉降，其运动方向是向下的，与特征分析结果一致。所以，通过运动方向特征可以将视频图像中烟雾与水雾进行区分。

2.2 烟雾与水雾的纹理特征分析与对比

观察图3中火灾烟雾与水雾的纹理，会发现烟雾的纹理更加显著，而水雾的纹理模糊，在提取多段视频中的烟雾区域和水雾区域，分别计算其角度为0°，45°，90°，135°的熵、对比度值，部分数据如表1所示，图表中的值为4个角度的平均值。

表1 烟雾与水雾的纹理特征数据

由上表可知，烟雾与水雾在熵和对比度上具有明显的不同。通过视觉效果可以描素为：由于可燃物燃烧时会产生各种固体颗粒，在视频图像中其具有明显的较多、较深的纹理特征，而水雾由水蒸气凝结而成，无论是加湿器产生的水雾，或烧开的水产生的水蒸气，都会在空气中迅速的沉降，消散，其中加湿器产生的水雾的纹理少，沟纹浅，而水蒸气的纹理特征在视频图像中更不明显，因此通过使用运动方向特征和纹理特征中的熵和对比度，可以将火灾烟雾与水雾有效区分。

3 支持向量机（SVM）的烟雾与水雾判断实验及结果分析

SVM是建立在统计学习理论的VC维理论和结构风险最小原理基础上［9-10］，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折中，以求获得最好的推广能力［11-12］。

3.1 支持向量机（SVM）的烟雾与水雾判别实验

本文对录制的烟雾视频和水雾视频进行裁剪，使用超过100帧的80段视频制作视频库。其中，50段视频用于样本训练，另外30段视频进行烟雾和水雾的手工标记，用于测试，并将烟雾定义为1，水雾定义为-1。提取烟雾视频与水雾的视频的运动方向特征和纹理特征中的熵、对比度，表示为：其中，核函数选择为径向基核函数，选取了不同的核函数半径g和惩罚系数C进行验证，根据提前标记的标签，其识别准确率为正确的分类数与测试样本总数的比，实验重复10次。

3.2 实验结果与分析

表2为基于烟雾与水雾的运动方向特征和纹理特征的理论分析及对比，利用支持向量机进行烟雾与水雾判断的实验结果。

表2 支持向量机判断烟雾与水雾测试结果

由上表可知，由于样本中噪声较小，核函数半径和惩罚因子对分类准确率影响不大，在10次实验中，平均识别的准确率为98.31%。实验结果证明了使用运动方向特征和纹理特征对烟雾和水雾的识别上确实有效，运动方向特征和纹理特征能够作为区分火灾烟雾与水雾的特征向量。本文选取的火灾烟雾特征具有很强的抗干扰性，为火灾烟雾的识别打下了良好的基础。

4 结论

为了减少基于图像识别模式的火灾探测时水雾对火灾烟雾的干扰，本文从视频图像的运动方向特征以及纹理特征进行理论分析，并录制大量火灾烟雾与水雾的视频图像，并使用支持向量机（SVM）对视频图像进行分类识别。识别结果表明，虽然火灾烟雾与水雾在颜色特征、形态特征以及面积增长特征上具有极大的相似性，但是在运动方向特征及纹理特征中的熵和对比度上，二者具有较为明显的差异，运动方向特征及纹理特征能够作为判别火灾烟雾和水雾的重要参考标准。支持向量机（SVM）的识别结果进一步证明了使用运动方向特征和纹理特征区分火灾烟雾和水雾有效性。本文结论为提高火灾识别的准确率，减小由疑似烟雾目标带来的误判率提供了帮助。

［1]Rafiee A，Dianat R，Jamshidi M，et al. Fire and smokedetection using wavelet analysis and disorder character⁃istics［C］//Computer Research and Development（IC⁃CRD），2011 3rd International Conference on. IEEE，2011，3：262-265.

［2］ Calderara S，Piccinini P，Cucchiara R. Smoke detectionin video surveillance：a MoG model in the wavelet do⁃main［C］//International conference on computer visionsystems. Springer Berlin Heidelberg，2008：119-128.

［3]Rafiee基于遗传算法优化的模糊神经网络在智能楼宇火灾探测中的应用［J］.长春理工大学学报：自然科学版，2008，31（2）：108-111.

［4]王俊然.基于烟雾图像识别的火灾探测研究［D］.长春：长春理工大学，2017.

［5]Tung T X，Kim J M.An effective four-stage smokedetection algorithm using video images for early firealarm systems［J］.Fire Safety Journal，2011，46（5）：276-282.

［6]Nguyen T K T，Kim J M.Multistage optical smoke de⁃tection approach for smoke alarm systems［J］.Optical Engineering，2013，52（5）：532-543.

［7]Jia Y，Yuan J，Wang J，et al.A saliency-based method for early smoke detection in video sequences［J］.FireTechnology，2016，52（5）：1271-1292.

［8]Fujiwara N，Terada K.Extraction of a smoke region us⁃ing fractal coding［C］//Communications and Informa⁃tion Technology，2004.ISCIT 2004.IEEE Internation⁃al Symposium on.IEEE，2004，2：659-662.

［9]李新.支持向量机的核方法及其多核聚类算法的研究［D］.青岛：中国海洋大学，2010.

［10]闫超.基于SVM的中文文本自动分类系统的研究与实现［D］.太原：太原理工大学，2010.

［11]黄耀雄.基于ARM和OpenCV的火灾烟雾识别研究［D］.太原：太原理工大学，2015.

Study on Water Mist Interference in Fire Smoke Detection Based on Pattern Recognition

WANG Junran1，LIU Zhi2，LIU Yi3，XIA Yan1
（1.School of Electronics and Information Engineering，Changchun University of Science and Technology，Changchun 130022；2.Graduate College，Changchun University of Science and Technology，Changchun 130022；3.Institute of Space Optoelectronic Technology，Changchun University of Science and Technology，Changchun 130022）

Water mist and smoke in color，shape and area of diffusion were similar and easy to be detected by image recognition technology based on the formation of fire disturbance。In this paper，the real video monitoring system of fire smoke and water mist was recorded in the same location and environment，the direction of motion features and texture features are analyzed，and the support vector machine of fire smoke and water mist on video recognition is used.The experimental results show that the fire smoke and water mist in the direction of motion features and texture features of entropy and contrast have obvious difference，which the fire smoke can accurately be identified and the interference brought by suspected of smoke target can greatly be reduced.

smoke identification；movement direction characteristic；texture feature；support vector machine

O245

A

1672-9870（2017）02-0094-04