火災(zāi)煙霧的輪廓光流矢量分析

趙 萌，吳愛(ài)國(guó)，杜春燕

（天津大學(xué)電氣與自動(dòng)化工程學(xué)院，天津 300072）

火災(zāi)煙霧的輪廓光流矢量分析

趙 萌，吳愛(ài)國(guó)，杜春燕

（天津大學(xué)電氣與自動(dòng)化工程學(xué)院，天津 300072）

由于煙霧運(yùn)動(dòng)具有特殊的湍流特性，使得其運(yùn)動(dòng)方向具有特定一致性.利用這一特性，采用光流矢量分析方法，對(duì)可疑區(qū)域運(yùn)動(dòng)方向進(jìn)行判定.為了提高算法實(shí)時(shí)性，首先提取可疑區(qū)域輪廓，然后對(duì)輪廓光流矢量進(jìn)行分析.通過(guò)對(duì)比煙霧與非煙霧干擾（包括運(yùn)動(dòng)的光照、行進(jìn)中的汽車(chē)車(chē)燈、水蒸氣等），分析其輪廓的光流矢量特性，發(fā)現(xiàn)煙霧輪廓與非煙霧輪廓的光流矢量具有明顯差異性，即其運(yùn)動(dòng)矢量基本呈現(xiàn)向上、向外擴(kuò)散的趨勢(shì)，因此角度基本位于一、二象限，即在0°～180°之間（除個(gè)別干擾點(diǎn)），這也與煙霧湍流運(yùn)動(dòng)特征相匹配，而分析非煙干擾發(fā)現(xiàn)，運(yùn)動(dòng)矢量并不具備這一特征.通過(guò)對(duì)比實(shí)驗(yàn)證明了該算法在保證準(zhǔn)確度的基礎(chǔ)上，將傳統(tǒng)光流算法的計(jì)算速度提高了3倍.

火災(zāi)煙霧探測(cè)；光流；輪廓光流矢量

火災(zāi)作為一種嚴(yán)重的災(zāi)害，直接危及人類(lèi)的生命及財(cái)產(chǎn)安全.因此，在火災(zāi)初期及時(shí)檢測(cè)出火災(zāi)成為一項(xiàng)重要的研究課題.傳統(tǒng)的火災(zāi)探測(cè)方法如感光、感溫、感煙探測(cè)器等不能完成早期火災(zāi)探測(cè).利用圖像處理進(jìn)行火災(zāi)探測(cè)是近些年逐漸興起的一個(gè)課題，由于圖像處理具有實(shí)時(shí)性好、對(duì)環(huán)境要求低、成本低等優(yōu)點(diǎn)，圖像火災(zāi)探測(cè)成為火災(zāi)監(jiān)測(cè)的重點(diǎn)研究方法.

火災(zāi)的發(fā)生往往起始于陰燃階段，在這個(gè)階段煙霧的產(chǎn)生早于火焰，因此煙霧圖像探測(cè)能夠更早發(fā)現(xiàn)火災(zāi)，為火災(zāi)的撲滅贏得寶貴時(shí)間.然而與火焰不同，煙霧的顏色、亮度等圖像特征不明顯，這也使得目前的煙霧探測(cè)算法存在誤報(bào)率高、系統(tǒng)魯棒性差等缺陷.因此，提高準(zhǔn)確率及對(duì)惡劣環(huán)境適應(yīng)性是目前基于圖像火災(zāi)探測(cè)的研究重點(diǎn).根據(jù)美國(guó)測(cè)試與材料學(xué)會(huì)（ASTM）和國(guó)際消防協(xié)會(huì)（NFPA）的定義［1］，煙氣包括懸浮的固相和液相顆粒及材料熱解過(guò)程產(chǎn)生的氣相物質(zhì).因此，火災(zāi)煙氣流動(dòng)屬于兩相流流動(dòng)，煙氣的湍流效應(yīng)是火災(zāi)圖像探測(cè)光學(xué)特性的重要因素，可以為火災(zāi)探測(cè)與預(yù)警研究帶來(lái)新的理論指導(dǎo).

Yu等［2］首先通過(guò)背景估計(jì)和顏色特征確定煙霧的潛在區(qū)域，再用光流法計(jì)算潛在區(qū)域的運(yùn)動(dòng)特性，最后用前饋神經(jīng)網(wǎng)絡(luò)法進(jìn)行煙霧識(shí)別，取得了較好的效果，但煙霧的顏色特征受背景光照影響較大，傳統(tǒng)光流法不利于實(shí)時(shí)探測(cè).冉海潮等［3］基于煙氣湍流效應(yīng)，提出可以通過(guò)研究和觀測(cè)特定光源穿過(guò)煙氣時(shí)的光波特征來(lái)識(shí)別火災(zāi)，如光強(qiáng)、相位、漂移和擴(kuò)散等，以便實(shí)現(xiàn)多參數(shù)特征的火災(zāi)探測(cè)，但由圖像處理得到團(tuán)聚效率的技術(shù)還不成熟，難以適用于背景復(fù)雜的場(chǎng)合.Toreyin等［4］通過(guò)小波圖像的高頻能量衰減提取潛在的煙霧目標(biāo)，并通過(guò)飽和度衰減、邊界周期性變化和外凸性特征進(jìn)行煙霧識(shí)別，但由于煙霧顏色的時(shí)變性會(huì)導(dǎo)致飽和度衰減特征并不總是成立，并且背景的復(fù)雜性也難以保證煙霧圖像始終具有外凸性，因此該方法具有一定的局限性.

為了解決光流法［5］的計(jì)算復(fù)雜度及環(huán)境適應(yīng)性中存在的問(wèn)題，本文提出一種新的光流探測(cè)煙霧算法，即首先應(yīng)用幀間差分法，提取可疑運(yùn)動(dòng)區(qū)域，然后提取可疑區(qū)域輪廓，對(duì)其輪廓光流矢量進(jìn)行分析，同時(shí)對(duì)非煙干擾源也進(jìn)行此操作，以對(duì)煙霧進(jìn)行對(duì)比，得到煙霧輪廓的光流矢量特征，從而進(jìn)行煙霧識(shí)別.經(jīng)過(guò)實(shí)驗(yàn)證明，該算法對(duì)于傳統(tǒng)光流法有較高的速度優(yōu)勢(shì)，同時(shí)準(zhǔn)確度方面也有所提高.

1　算法基本流程

為了達(dá)到快速準(zhǔn)確提取火災(zāi)煙霧的目的，本文采用的基于輪廓光流矢量分析的火災(zāi)煙霧探測(cè)識(shí)別流程如圖1所示.

圖1　基于輪廓光流矢量分析的火災(zāi)煙霧識(shí)別流程Fig.1Flow chart of fire smoke recognition based on contour optical flow vector

首先對(duì)圖像進(jìn)行濾波處理，然后通過(guò)幀間差分，得到差分圖像，對(duì)差分圖像進(jìn)行顏色檢測(cè)，符合煙霧顏色特征的再進(jìn)行下一步的光流檢測(cè)，為了進(jìn)一步提高速度，求取光流時(shí)，首先求得可疑區(qū)域的輪廓，然后僅求其輪廓的光流值，這樣大大減少了計(jì)算量，而且光流算法采用基于金字塔的Lucas-Kanade（LK）光流法［6］，也具有一定的速度優(yōu)勢(shì).

該算法至少需要2幀圖像，首先進(jìn)行幀間差分及顏色檢測(cè)，求得可疑區(qū)域輪廓，然后再對(duì)輪廓區(qū)域像素點(diǎn)進(jìn)行光流計(jì)算，由于煙霧的特殊運(yùn)動(dòng)形式（湍流），其輪廓點(diǎn)的運(yùn)動(dòng)具有區(qū)別于其他物體的運(yùn)動(dòng)形式：即向上、向外擴(kuò)散.根據(jù)求得的光流矢量，可以判斷是否符合這一特征，從而判斷是否是煙霧.

2　視頻圖像提取與圖像預(yù)處理

2.1視頻中圖像幀的提取

本文選用Bilkent大學(xué)的火災(zāi)視頻庫(kù)［7］及公安部天津消防研究所提供的火災(zāi)視頻進(jìn)行分析研究.首先需從提供的火災(zāi)視頻及干擾源視頻中提取出圖像幀，視頻中提取圖像幀時(shí)，提取連續(xù)兩幀圖像，然后對(duì)這兩幀圖像進(jìn)行后續(xù)處理.

2.2圖像預(yù)處理

圖像預(yù)處理主要是圖像濾波，在盡量保留圖像細(xì)節(jié)特征的條件下對(duì)目標(biāo)圖像的噪聲進(jìn)行抑制，由于本文研究需要提取圖像邊界，所以采用保留邊界信息的雙邊濾波器［8］.其原理為

式中：g（x,y）為含有噪聲的圖像；f（x,y）為重建的無(wú)噪聲圖像；n（x,y）為噪聲.雙邊濾波器采用局部加權(quán)平均的方法獲取復(fù)原圖像的像素值，即

式中：Sx,y表示中心點(diǎn)（x,y）的（2N+1）×（2N +1）大小的鄰域；g（i,j）表示鄰域內(nèi)每個(gè)像素點(diǎn)；ws（i,j）為空間鄰近度因子；wr（i,j）為亮度近似度因子.雙邊濾波器受3個(gè)參數(shù)影響，即濾波半寬N、參數(shù)δs和δr.N越大，平滑作用越強(qiáng)，δs和δr分別控制空間鄰近度因子和亮度近似度因子的衰減程度.經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，本文最終采用N=6，δs=3,δr=0.1，可以達(dá)到較好的濾波效果.

3　運(yùn)動(dòng)區(qū)域獲取及初判斷

3.1幀間差分法提取運(yùn)動(dòng)區(qū)域

目前研究運(yùn)動(dòng)目標(biāo)檢測(cè)的方法有背景減除法、幀間差分法和光流場(chǎng)計(jì)算法等多種［9］，由于幀間差分法具有算法實(shí)現(xiàn)簡(jiǎn)單，程序設(shè)計(jì)復(fù)雜度低，對(duì)光線(xiàn)等場(chǎng)景變化不太敏感，能夠適應(yīng)各種環(huán)境，穩(wěn)定性好等優(yōu)點(diǎn)，本文在提取運(yùn)動(dòng)區(qū)域時(shí)采用了幀間差分法.

在經(jīng)過(guò)灰度變換后的動(dòng)態(tài)視頻圖像中，以間隔m幀選取3幀圖像：前一幀圖像Ii-m（x,y），當(dāng)前幀圖像Ii（x,y），下一幀圖像Ii+m（x,y）.當(dāng)m-1時(shí)，就是傳統(tǒng)連續(xù)幀差分計(jì)算，當(dāng)m-2時(shí)，為隔1幀差分，當(dāng)m=3時(shí)，為隔2幀差分，依此類(lèi)推.

由于煙霧運(yùn)動(dòng)的快速性，需要選取較小的時(shí)間間隔，因此，實(shí)驗(yàn)將從視頻中提取連續(xù)圖像m-1.為了提高運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確性，選取3幀圖像，首先計(jì)算當(dāng)前幀與前一幀的前向幀差圖像Ff（x,y），再計(jì)算下一幀與當(dāng)前幀的后向幀差圖像Fb（x,y），最后計(jì)算幀差圖像Ff（x,y）和Fb（x,y）的交集得到目標(biāo)運(yùn)動(dòng)區(qū)域，后續(xù)操作僅針對(duì)此圖像展開(kāi)，降低了計(jì)算復(fù)雜度，具體公式為

隔幀差分且可以檢測(cè)到幀間位移小于 1 個(gè)像元而多幀累積位移大于 1 個(gè)像元的運(yùn)動(dòng)點(diǎn)目標(biāo)，因此不僅提高了視頻運(yùn)動(dòng)目標(biāo)檢測(cè)速度，還提高了檢測(cè)目標(biāo)的能力.

3.2運(yùn)動(dòng)區(qū)域初判斷

由于顏色檢測(cè)模型簡(jiǎn)單、計(jì)算量小、計(jì)算速度快，是目前使用最廣泛的圖像型煙霧識(shí)別算法.但通過(guò)顏色特征來(lái)判別煙霧在實(shí)際應(yīng)用中易受干擾源（如水蒸氣、灰塵、云等）的影響，尤其在復(fù)雜場(chǎng)景中，更容易引起誤判.因此，顏色特征檢測(cè)一般會(huì)與其他檢測(cè)相結(jié)合來(lái)實(shí)現(xiàn)火災(zāi)煙霧識(shí)別.

煙霧顏色模型［5］如下.

規(guī)則1

規(guī)則2

規(guī)則3

其中式（7）是煙霧RGB模型，3種顏色通道的r、g、b值非常接近；式（8）中M值為HIS顏色模型的亮度分量，L1一般在150左右，L2在220左右，滿(mǎn)足式（7）和式（8）的為dark-gray煙霧；而式（9）中D1一般在80左右，D2在150左右，滿(mǎn)足式（7）和式（9）的為lightgray煙霧.

經(jīng)過(guò)顏色檢測(cè)后，還需經(jīng)過(guò)中值濾波，以濾除孤立點(diǎn).為了進(jìn)一步消除孤立區(qū)域，需要進(jìn)行形態(tài)學(xué)處理，如開(kāi)運(yùn)算、膨脹等以消除孤立小區(qū)域，使得可疑區(qū)域聯(lián)合.

滿(mǎn)足以上條件的區(qū)域被判定為可疑煙霧區(qū)域，用于后續(xù)處理，減小了后續(xù)運(yùn)算量.

4　可疑區(qū)域輪廓提取及其光流矢量計(jì)算分析

4.1可疑區(qū)域輪廓提取

邊緣檢測(cè)大幅度地減少數(shù)據(jù)量，剔除了那些被認(rèn)為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性.

圖像邊緣檢測(cè)必須滿(mǎn)足2個(gè)條件：一是必須能有效地抑制噪聲；二是必須盡量精確確定邊緣的位置.在邊緣檢測(cè)中，這2個(gè)條件基本是無(wú)法同時(shí)滿(mǎn)足的，大部分算子在增強(qiáng)一方的同時(shí)，另一方就降低，而Canny算子力圖在抗噪聲干擾和精確定位之間尋求最佳折中方案.

Canny邊緣檢測(cè)的基本思想［10］是首先對(duì)圖像選擇一定的Gauss濾波器進(jìn)行平滑濾波，然后采用非極值抑制技術(shù)處理到最后的邊緣圖像.

4.2輪廓光流矢量計(jì)算

得到可疑區(qū)域輪廓之后，僅針對(duì)輪廓像素點(diǎn)進(jìn)行光流矢量的計(jì)算，可大大減少運(yùn)算量，有效解決光流計(jì)算耗時(shí)的問(wèn)題.

進(jìn)行光流計(jì)算時(shí)，需要用到第3幅圖像，前2幅圖像差分圖像得到的輪廓像素點(diǎn)，對(duì)應(yīng)于第2幅圖像中的像素點(diǎn)，然后計(jì)算相應(yīng)像素點(diǎn)在第2幅圖像與第3幅圖像之間的光流矢量圖.

光流場(chǎng)是指圖像灰度模式的表面運(yùn)動(dòng)，光流是三維運(yùn)動(dòng)場(chǎng)在二維圖像平面上的投影；研究光流算法就是研究圖像灰度在時(shí)間上的變化大小和方向.

假設(shè)有2幅圖分別為I和J，在（x,y）點(diǎn)灰度為I（x,y）和J（x,y），若已知第1幅圖像I中有像素點(diǎn)u=［uxuy］T，第2幅圖像J中有像素點(diǎn)v=u+d=［vxvy］T，使得I（u）和J（u）近似，則光流法目的便是求出運(yùn)動(dòng)矢量d.

由于算法僅僅研究輪廓的光流矢量，因此屬于稀疏光流研究，可以采用LK算法［6］.為進(jìn)一步提高運(yùn)算速度，需對(duì)該算法進(jìn)行改進(jìn)，在LK局部平滑光流算法基礎(chǔ)上進(jìn)行金字塔分層迭代來(lái)計(jì)算光流場(chǎng)［11］，具體步驟如下.

LK算法的定義方法是：在像素點(diǎn)的鄰域內(nèi)，運(yùn)動(dòng)矢量保持恒定，存在光流d使得殘差ε 最小，即

相似性函數(shù)可由圖像特征點(diǎn)的（2wx+1）（2wy+1）鄰域求得，本文中，wx=wy=3，然后求取一階偏導(dǎo)數(shù)，使其為0，本文算法采用了Newton-Raphson迭代法計(jì)算光流值，迭代次數(shù)為5.

金字塔原理：設(shè)建立的金字塔層數(shù)為L(zhǎng)，令I(lǐng)0=I，代表金字塔第0層，是金字塔中分辨率最高的一層，然后以遞歸的方式建立金字塔，從I0中計(jì)算I1，I1中計(jì)算I2，依此類(lèi)推，則第IL層由第IL-1層得到，即

在金字塔每一層L，目的是找到當(dāng)前層圖像中的位移殘差矢量dL，使得當(dāng)前層匹配誤差函數(shù)ε 最小，即

假設(shè)計(jì)算出dL，將其代入下一層L-1作為該層新的初始光流估計(jì)值，即

直至計(jì)算到最底層.可以假設(shè)最高層pL=［00］T，則最終解為

可以觀測(cè)到光流矢量的解可表示為

金字塔實(shí)現(xiàn)LK算法的優(yōu)點(diǎn)除了可以提高計(jì)算速度外，還可以用相對(duì)小的綜合窗口處理大的像素平移，因此對(duì)于相對(duì)較大的運(yùn)動(dòng)來(lái)說(shuō)，準(zhǔn)確率較高.

得到運(yùn)動(dòng)矢量之后，需對(duì)其運(yùn)動(dòng)速度大小、方向進(jìn)行分析，以確定是否滿(mǎn)足煙霧運(yùn)動(dòng)特征，來(lái)排除非煙干擾.

方向計(jì)算公式為

5　實(shí)驗(yàn)結(jié)果

本文對(duì)8組煙霧視頻、3組非煙霧視頻進(jìn)行了測(cè)試，其中采用Bilkent大學(xué)的火災(zāi)視頻庫(kù)6組煙霧視頻、2組非煙霧視頻，另外1組非煙霧視頻由自己拍攝，另外2組煙霧視頻來(lái)自天津消防研究所實(shí)拍煙霧視頻.

5.1煙霧視頻中煙霧光流矢量分析

5.1.1圖像提取及預(yù)處理

從視頻幀中先提取3幀圖像，然后對(duì)圖像進(jìn)行雙邊濾波，得到結(jié)果如圖2和圖3所示.

圖2　視頻中提取的連續(xù)3幀圖像Fig.2 Three consecutive frames from the video

圖3　雙邊濾波后圖像Fig.3 Images after bilateral filtering

5.1.2運(yùn)動(dòng)區(qū)域提取及初判斷

幀間差分法提取運(yùn)動(dòng)區(qū)域得到結(jié)果如圖4所示，經(jīng)顏色模型進(jìn)行初判斷得到結(jié)果如圖5所示，進(jìn)一步進(jìn)行中值濾波及形態(tài)學(xué)處理得到結(jié)果如圖6所示.

圖4　差分圖像Fig.4 Difference image

圖5　滿(mǎn)足顏色模型的區(qū)域Fig.5 Region satisfying the color model

圖6　經(jīng)中值濾波及形態(tài)學(xué)處理后得到的圖像Fig.6 Image after median filtering & morphological processing

5.1.3可疑區(qū)域輪廓提取

將上述得到的圖像進(jìn)行邊緣檢測(cè)，得到可疑區(qū)域輪廓，結(jié)果如圖7所示.

圖7　邊緣檢測(cè)后圖像Fig.7 Image after edge detection

5.1.4輪廓光流矢量計(jì)算及分析

依據(jù)LK光流法，對(duì)輪廓光流矢量進(jìn)行計(jì)算，得到輪廓區(qū)域光流矢量圖如圖8和圖9所示. 對(duì)于圖7所示的可疑區(qū)域輪廓計(jì)算其光流矢量速度及角度，可以得到圖10所示的結(jié)果.

圖8　光流矢量圖（圖7中）Fig.8 Optical flow vector diagram（in Fig.7）

圖9　光流矢量圖（下一幀圖像中）Fig.9 Optical flow vector diagram（in next frame）

對(duì)圖10進(jìn)行分析，當(dāng)不考慮風(fēng)的作用時(shí)，得到其垂直速度基本都是大于0的，即其運(yùn)動(dòng)呈向上的趨勢(shì)，而對(duì)圖8和圖9進(jìn)行觀察，發(fā)現(xiàn)其運(yùn)動(dòng)矢量基本呈現(xiàn)向上、向外擴(kuò)散的趨勢(shì)，因此角度基本位于一、二象限，即在0°～180°之間（除個(gè)別干擾點(diǎn)），這也與煙霧湍流運(yùn)動(dòng)特征相匹配，而分析非煙干擾發(fā)現(xiàn)，運(yùn)動(dòng)矢量并不具備這一特征（下面會(huì)有結(jié)果證明），因此這一特征可區(qū)分煙霧與非煙干擾.

圖10　光流矢量速度及角度Fig.10 Velocity and angle of optical flow vector

5.2其他煙霧視頻實(shí)驗(yàn)結(jié)果

為進(jìn)一步說(shuō)明算法有效性，以其中2組煙霧視頻為例，按第5.1節(jié)步驟對(duì)其進(jìn)行處理，在此僅展示關(guān)鍵步驟的實(shí)驗(yàn)結(jié)果.圖11和圖12為第2組火災(zāi)煙霧視頻實(shí)驗(yàn)結(jié)果.圖13和圖14為第3組火災(zāi)煙霧視頻實(shí)驗(yàn)結(jié)果.

圖11　可疑區(qū)域輪廓及放大的光流矢量圖（第2組煙霧）Fig.11 Suspicious area outline and the amplified optical flow vector diagram（second group of smoke）

圖12　光流矢量速度及角度（第2組煙霧）Fig.12 Velocity and angle of optical flow vector（second group of smoke）

圖13　可疑區(qū)域輪廓及光流矢量圖（第3組煙霧）Fig.13Suspicious area outline and the optical flow vector diagram（third group of smoke）

圖14　光流矢量速度及角度（第3組煙霧）Fig.14Velocity and angle of optical flow vector（third group of smoke）

5.3非煙霧視頻分析結(jié)果

對(duì)常見(jiàn)非煙霧干擾包括車(chē)燈、光照及水蒸氣3種視頻進(jìn)行了分析.其中圖15～圖17為第1組非火災(zāi)煙霧（車(chē)燈）圖像實(shí)驗(yàn)結(jié)果.

圖15　運(yùn)動(dòng)車(chē)燈雙邊濾波后圖像Fig.15 Images of moving car headlights after bilateral filtering

圖16　運(yùn)動(dòng)車(chē)燈可疑區(qū)域輪廓及放大的光流矢量圖Fig.16 Suspicious area outline and amplified optical flow vector diagram of moving car headlights

圖17　車(chē)燈光流矢量速度及角度Fig.17 Velocity and angle of optical flow vector of moving car headlights

圖18～圖20為第2組非火災(zāi)煙霧（光照）圖像實(shí)驗(yàn)結(jié)果.

圖18　光照雙邊濾波后圖像Fig.18 Images of moving light after bilateral filtering

圖19　光照可疑區(qū)域輪廓及光流矢量圖Fig.19Suspicious area outline and optical flow vector diagram of moving light

圖20　光照光流矢量速度及角度Fig.20Velocity and angle of optical flow vector of moving light

圖21為第3組非火災(zāi)煙霧（水蒸氣）圖像實(shí)驗(yàn)結(jié)果，由于其不滿(mǎn)足顏色模型，沒(méi)有出現(xiàn)可疑區(qū)域，無(wú)需進(jìn)行后續(xù)光流計(jì)算.

圖21　水蒸氣雙邊濾波后圖像Fig.21 Images of steam after bilateral filtering

5.4實(shí)驗(yàn)結(jié)果分析

通過(guò)煙霧與非煙霧的實(shí)驗(yàn)對(duì)比分析，采用本文提出的算法，能夠?qū)馂?zāi)煙霧及一些常見(jiàn)非煙干擾（如光照、車(chē)燈、水蒸氣等）進(jìn)行區(qū)分.該算法僅針對(duì)運(yùn)動(dòng)區(qū)域進(jìn)行顏色判斷及輪廓運(yùn)動(dòng)矢量進(jìn)行分析，減少了算法計(jì)算量，同時(shí)保證了判斷的準(zhǔn)確性，經(jīng)過(guò)實(shí)驗(yàn)證明了算法的可行性，與傳統(tǒng)的光流算法比較，具有一定的計(jì)算速度優(yōu)勢(shì).

6　結(jié)　語(yǔ)

通過(guò)對(duì)煙霧與非煙干擾的光流運(yùn)動(dòng)矢量分析，可以通過(guò)運(yùn)動(dòng)速度及方向?qū)熿F與非煙干擾區(qū)分開(kāi)來(lái)，實(shí)驗(yàn)證明了此方法的可行性.而相比于全局采用光流法進(jìn)行光流矢量計(jì)算，僅僅計(jì)算輪廓的光流矢量大大降低了計(jì)算量，本文中，計(jì)算速度是全局計(jì)算的3倍，因此在不降低準(zhǔn)確率的基礎(chǔ)上，能夠大大提升計(jì)算速度，為火災(zāi)探測(cè)的實(shí)時(shí)性提供了更好的方法.

［1］ 范維澄，王清安. 火災(zāi)科學(xué)導(dǎo)論［M］. 武漢：湖北科技出版杜，1993. Fan Weicheng，Wang Qing'an. An Introduction to the Fire Science［M］. Wuhan：Hubei Science and Technology Press，1993（in Chinese）.

［2］ Yu Chunyu，F(xiàn)ang Jun，Wang Jinjun，et al. Video fire smoke detection using motion and color features ［J］. Fire Technology，2010，46（3）：651-663.

［3］ 冉海潮，孫麗華. 基于煙氣湍流效應(yīng)的火災(zāi)判據(jù)［J］.傳感技術(shù)學(xué)報(bào)，2001，14（1）：72-74. Ran Haichao，Sun Lihua. The fire criterion based on the smoke turbulent［J］. Chinese Journal of Sensors and Actuators，2001，14（1）：72-74（in Chinese）.

［4］ Toreyin B U，Dedeoglu Y，Cetin A E. Contour based smoke detection in video using wavelets［C］//Proceedings of 14th European Signal Processing Conference. Florence，USA，2006：1-5.

［5］ Barron J L，F(xiàn)leet D J，Beauchemin S S. Performance of optical flow techniques［J］. International Journal of Computer Vision，1994，12（1）：43-77.

［6］ Baker S，Matthews I. Lucas-Kanade 20 years on：A unifying framework［J］. International Journal of Computer Vision，2004，56（3）：221-255.

［7］ Video Library of Bilkent University ［EB/OL］. http：//signal. ee. bilkent. edu. tr/VisiFire/Demo/SmokeClips，2007-06-07.

［8］ Overton K J，Weymouth T E. A noise reducing preprocessing algorithm［C］//Proceedings of IEEE Conference on Pattern Recognition and Image Processing. Chicago，USA，1979：498-507.

［9］ Cucchiara R，Grana C，Piccardi M，et al. Detecting moving objects，ghosts，and shadows in video streams［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25（10）：1337-1342.

［10］ Chen T H，Yin Y H，Huang S F，et al. The smoke detection for early fire-alarming system base on video processing ［C］// Proceedings of the 2006 International Conference on Intelligent Information Hiding and Multimedia Signal Processing. Pasadena，CA，USA，2006：427-430.

［11］ 張 錚，倪紅霞，苑春苗，等. 精通Matlab數(shù)字圖像處理與識(shí)別［M］. 北京：人民郵電出版社，2013. Zhang Zheng，Ni Hongxia，Yuan Chunmiao，et al. Proficient in Matlab Digital Image Processing and Recognition［M］. Beijing：Posts and Telecom Press，2013（in Chinese）.

（責(zé)任編輯：孫立華）

Contour Optical Flow Vector Analysis of Fire Smoke

Zhao Meng，Wu Aiguo，Du Chunyan
（School of Electrical Engineering and Automation，Tianjin University，Tianjin 300072，China）

The moving directions of smoke have a certain consistency because of its special turbulent characteristics，which is used to judge the movement directions of suspicious area based on optical flow vector analysis.In order to improve the real-time performance of the algorithm，the contour of suspicious area was extracted firstly，then the optical flow vectors of contour were analyzed.Comparative experiments of smoke and non-smoke disturbance （including moving lights，traveling car headlights，steam，etc）have proved that the optical flow vectors of smoke and non-smoke outline have obvious differences.The moving vectors of smoke present the trend of outward and upward diffusion. Therefore，the angles of vectors are basically located in the first and second quadrants，that is，between 0°and 180°（except very few disturbance points）.This result also matches the turbulent characteristicsof smoke.However，the moving vectors of non-smoke disturbance do not possess this feature.The experimentalresults show that the calculation speed of the proposed algorithm is increased by three times compared with the traditional optical flow algorithm on the basis of ensuring accuracy.

fire smoke detection；optical flow；contour optical flow vector

TP391

A

0493-2137（2016）05-0457-08

10.11784/tdxbz201404067

2014-04-15；

2014-09-19.

國(guó)家自然科學(xué)基金資助項(xiàng)目（61403274）；天津市應(yīng)用基礎(chǔ)及前沿技術(shù)研究計(jì)劃資助項(xiàng)目（13JCQNJC03600）.

趙 萌（1988—），女，博士研究生，zhaomeng12321@163.com.

吳愛(ài)國(guó)，agwu@tju.edu.cn.

網(wǎng)絡(luò)出版時(shí)間：2015-12-07. 網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/12.1127.N.20151207.0938.002.html.