行业新闻

联系方式

电话：0537-2171596
手机：18853736667（许）
地址：济宁共青团路西鑫声玉城
网址：www.hczhawa.com

技术资料

+ MORE

行业新闻

现在位置：首页 > 新闻资讯 > 行业新闻 >

铁路客运站图像型智能火灾探测系统的研究

发表时间：2014-11-01 20:22 作者：来源：浏览：

铁路客运站图像型智能火灾探测系统的研究

伟慕蠡

摘要：基于图像处理的火灾探测系统，它是一种以DSP技术为核心，结合光电技术和数字图像处理技术而研制的火灾自动报警系统。它利用摄像头对现场进行监视，对摄取的视频信号由图像采集卡捕捉为数字图像并根据图像特征进行处理和分析，从而达到探测火灾的目的。

关键词：嵌入式，图像识别，数字信号处理

一、背景

铁路是国家重要的基础设施、国民经济的大动脉、交通运输体系的骨干，对于国家社会经济的正常运行和发展具有举足轻重的作用和全局性的作用。

铁路客运货运车站是人流物流比较集中的区域,尤其是客运铁路枢纽的安全管理,火灾火险的防范，对于保证铁路运输安全，提高运输质量，方便旅客旅行,提高铁路竞争力有着重大意义。

二、系统概述

（一）组成及原理

图像火焰火灾探测系统主要利用早期火灾烟气的红外辐射特性，结合早期火焰火灾可见光辐射特征，利用早期火灾的红外视频信号以及火焰火灾可见波段视频信号，同时结合火焰的色谱特征、相对稳定性、纹理特性、蔓延增长特性等，采用趋势算法等智能算法，将火灾探测与图像监控有机结合，实现高大空间早期火灾探测与监控的目的。

主要工作原理包括：

（1）DSP图像处理

（2）火灾火焰视频图像识别算法

（3）嵌入式实时视频火灾探测技术

本文所描述的火灾报警系统具有面型探测、三维图像处理的特点，完全可以单机作业，实现视频监控、图像分析、信号报警输出一体化，将成像控制和智能分析完美结合，通过内部算法的优化，能够排除能够灯光、太阳强光、耀斑辐射、黑体辐射、电弧焊、CO2气体排放等干扰源引起的误报。具有可视化报警，具有火灾探测与视频监控双重功能，极大缩短确认火源的时间和应急反应过程的时间，为及时控制火情，迅速启动应急预案赢得时间。探测能力强，火焰探测和烟雾探测一体化。并可提供模拟视频、数字网络、开关量三种报警输出方式，方便接入各类报警体系。

（二）意义及必要性

近年来，通过研究火灾深层次的机理，基于DSP图像处理的火灾监控与预警技术成为人们研究的热点基于系统前端摄像机拍摄的视频图像进行火灾自动探测。火灾的基本特征强辐射、闪烁性、纹理性一般都能反映到摄取的视频图像序列中，利用图像处理知识对视频图像序列进行分析，获得火灾的多重判据可实现火灾的早期探测。但是目前图像型火灾探测系统往往都采用前端图像采集+后端PC处理的模式，涉及到视频图像的采集、传输、储存、处理问题，而一般主监控室都远离前端探测系统，视频图像经过压缩、传输到主监控室后，图像质量明显下降，这对后端图像处理带来很高的要求。

智能图像处理器是智能视频火焰监控系统的核心，采用独立的图形处理模块。图形模块是由微处理器、存储器以及其它外设等组成图像处理单元，依据烟火的视频图像特征，利用各种图像处理技术对数字化处理视频信号进行图像处理和分析、判断，实现对监控区域的烟火检测。图形模块提供远程参数设置功能，用户可以根据应用场合对检测参数（如最小检测范围、检测区域、告警级别）进行远程设置，方便灵活。

与传统的几种火焰监控系统相比，克服了不能野外作业，需要网络支持等弊端，完全可以实现单机监控及报警，更具有实用型。并可提供模拟视频、数字网络、开关量三种报警输出方式，方便接入各类报警体系。也可以在原有的安防系统上进行改造和升级，替代传统的摄像机，具有十分广阔的市场前景。

三、研究内容及关键技术

（一）研究内容

（1）采用普通彩色摄像机，而不是专用摄像机进行火灾探测。由于火灾需要24 小时全天候监控，因此本文对摄像机成像机理、探测区域光照强度的变化、现场火灾视距对成像图像大小和清晰度的影响、火灾图像颜色信息的不失真捕获以及现场干扰图像分类信息等逐个方面进行了分析，并根据成本和探测性能选择了合适的图像传感器。

（2）建立视频图像序列帧火灾火焰颜色和闪烁频率识别模型。设计通过提取视频图像的火灾火焰颜色和闪烁频率数字信息，对比研究实际火灾火焰视频图像，发现火灾火焰颜色的分布规律，并提炼出一组指数函数，同时还根据火灾火焰的其它特性，对算法进行了简化处理，利用早期火灾的红外视频信号以及火焰火灾可见波段视频信号，同时结合火焰的色谱特征、相对稳定性、纹理特性、蔓延增长特性等，采用趋势算法等智能算法，能够准确可靠的识别出视频图像中的火灾火焰。

（3）采用DSP 系统构建图像型火灾探测器样机。

（4）嵌入式开发。将智能处理算法加载在网络视频服务器DVS上，形成智能图像处理器。这样就使得产品能够单机独立运行，实现视频捕捉，智能分析，判断报警等多位一体的功能。

（二）关键技术

（1）嵌入式智能图像处理器的应用

基于系统前端摄像机拍摄的视频图像进行火灾自动探测，通过智能分析火灾的基本特征：辐射、闪烁性、纹理性等指标，获得火灾的多重判据，实现火灾的早期探测。图像型火灾探测克服了常规探测技术单一判据的缺点，基本可以消除复杂、恶劣环境因素的影响，能有效的提高火灾探测的可靠性。

智能火灾视频监控系统不仅能实现监控功能，还能实现监控范围网络化、存储容量扩容化、监控智能化等，一旦选定范围内出现可疑情况，系统即可进行自动分析和判断并存储可靠信息。由于采用均值偏移算法(Mean Shift)是一种基于Bayes滤波的动态系统状态估计方法，具有很好的抗遮挡性。

系统中，BF561的Core A用于实现H.264编码算法，Core B用于智能视频分析。Core A上同时运行uCosII操作系统以及RTP和TCP/IP协议栈。YUV4视频帧通过PPI（并行外设接口）以DMA的方式传送到SDRAM缓冲区。CoreA和Core B共享帧缓冲区。Core B首先启动memory DMA把视频帧的Y（亮度）分量传送到Core B的片内存储区L1SRAM的行缓冲区内。Core B对行缓冲区内的Y分量进行背景建模和后继的运动检测及目标跟踪。如果可视区域内出现指定类型的物体，CoreB向Core A发送一个中断信号，Core A可以通过UART接口向本地控制台发送告警信息，或者通过网络接口向远程控制台发送告警信息；CoreB还可以修改帧缓冲区，给目标加矩形边框以标识目标。Core A也通过一个memoryDMA接收来自帧缓冲区的视频亮度和色度数据。编码器对Core B处理后的帧缓冲区进行编码。同时系统也可以通过另外一个PPI接口输出经CoreB修改后的帧缓冲区，实时显示结果。目标识别算法是实时的，因此不会造成编码的延时。在未检测到火焰时，编码器可以工作在低码率或低帧率状态下，甚至不编码。一旦检测到指定类型的火焰，编码器即恢复正常工作，把压缩码流和对应时间通过以太网接口上传到管理系统。这样既能节约存储空间，又能方便事后对视频录像的检索。

（2）识别算法

数字图像处理部分的软件是火灾探测系统的核心，它对数字图像首先进行分割，然后利用图像特性对这些物体加以识别或分类检测出图像中的物体。

图像分割处理是将图像中的目标与背景进行分离，以找出图像中需要进行处理的部分。在提取了图像中的目标之后，要对目标进行分析，以判断该目标是早期火灾现象还是其它的干扰现象，即为数字图像处理中的图像识别问题。火灾图像的识别问题可以简要表述为：在图像分割后按灰度值进行二值化，得到了二值化图像，即可方便地计算出描述物体尺寸和形状的一些特性，如物体的面积、周长、长度、宽度、矩形度、圆形度、不变矩、相似度和形状描述等。目前在智能图像分析领域应用比较多的主要是模糊算法及遗传算法，神经元、小波等算法主要应用于试验及理论研究，距离实际应用还有一段距离。

利用火灾图像独有的特征,火灾初期烟云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；图像中火灾部位的灰度大于其它部位的灰度。基于火灾初期火焰图像序列的特性提出火灾图像识别算法。首先，对视频流连续帧图像做初步检测，通过对图像二值化、膨胀与腐蚀处理提取火灾初期的可疑区域。其次，通过估计连续帧图像，对火焰像数的积累，找到火焰可疑区域在不同帧图像上的区域，并将其作为待匹配区域，同时消除非目标信号干扰。最后，利用相关性分析，确定火焰区域。

对于获取的图像首先要对其进行图像处理将火灾火焰的数字图像从背景中分离出来并对其进行边缘检测勾画出火焰的轮廓然后进行特征提取将面积增量和尖角变化量作为判别火灾发生的特征再通过模糊智能算法将两个特征量有效的结合起来对火灾进行判别。

其中图像处理包括阈值分割二值化边缘提取等阈值分割和二值化可以将火焰图像从背景中分离出来微分算子是提取图像轮廓的有效手段采用Sobel算子对火焰图像边缘进行提取根据火灾初期火焰面积呈现连续的扩展性的增加以及边缘抖动的特点特征提取阶段选取面积增量和尖角变化量绝对变化量作为特征量对其进行判断识别。

在判别过程中利用模糊智能算法将面积增量和尖角变化量两个判据有效的结合起来识别过程如下图所示：

利用火灾图像独有的特征,火灾初期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；图像中火灾部位的灰度大于其它部位的灰度。基于火灾初期火焰图像序列的特性提出火灾图像识别算法。首先，对视频流连续帧图像做初步检测，通过对图像二值化、膨胀与腐蚀处理提取火灾初期火焰的可疑区域。其次，通过估计连续帧图像，对烟云像数的积累，找到火焰可疑区域在不同帧图像上的区域，并将其作为待匹配区域，同时消除非目标信号干扰。最后，利用相关性分析，确定烟云区域。

首先，在火灾早期烟云的识别中，可以对每帧图像做以下操作：首先寻找本帧图像的上述特征信息。为了获取图像的各种特征信息，要对图像做以下处理：设数字化图像序列为：，其中 n为图像序列帧数，x，y为图像像素坐标点。首先对单帧图像进行二值化。由于在二值化时需要考虑到火灾发生场所的变化，以及白天与黑夜的光强等区别，因此阈值不能固定。采用式，( ) 统计图像的直方图,其中代表灰度级出现的概率。n为图像像素总数, 为图像中出现灰度的像素数，由直方图可分析得到烟云闪动规律的特征信息。然后再以一小窗口对直方图进行平滑，平滑后从高到低扫描，当扫描到第一个波谷点的时候即可作为此帧二值化时的阈值，阈值化时大于阈值取1，其余为0。设二值化后的图像为B(x, y)，对此图像进行膨胀与腐蚀。

其中F(i,j)为二值模板，可以消除图像中噪声点与孤立点。通过以上算法处理，确定可疑区域并将其作为最后的判断和检测依据。

其次，当发现可疑区域后，对边缘检测之后的二值图像进行边界跟踪，可容易得到面积变化、形体变化、整体移动等特征信息。通过设定固定时间间隔t，计算每帧二值图像烟云像数个数，经过连续K帧后，判断当N>NS时为待检测区域，当N<NS时为干扰信号，消除干扰。

最后，当确定待匹配区域后，利用相邻帧变化图像的相关系数公式:

f(n),g(n)为相邻两帧的灰度直方图，为灰度直方图的均值。

由于图像序列的相似程度远远大于有火焰后的相似程度，因此对待匹配区域与预先保存背景图像相应区域作相关计算，通过设定相应的阈值T，即可提取火焰区域。根据大量试验验证，DSP利用系统背景均值的变化（光线变化）自动更新背景图片以及根据灰度均值设置相应的阈值T。

在以上理论的基础上，采用同样的算法对火焰影像面积的变化规律、火焰的边缘变化分析--尖角的识别、火焰的形体变化分析(包括火焰图像的矩特性和火焰图像的形状相似特性)、火焰的闪烁规律、火焰整体移动等火灾火焰的特性进行了分析，这样就能够排除处火焰外的绝大部分干扰因素，大大提高了系统对火焰的识别率。

序列图像编号	1	2	3	4	5
早期火灾火焰尖角个数	5	7	13	8	24
照明灯尖角个数	1	1	0	0	0
移动光源尖角个数	1	2	1	0	0

表1 火灾火焰及其它干扰情况下的尖角数目统计

序列图像编号	1	2	3	4	5
火灾火焰矩阵性	(11,14)	(13,11)	(9,16)	(11,15)	(14,19)
移动光源矩阵性	(70,76)	(70,76)	(72,78)	(73,80)	(76,81)

表2 火灾火焰及干扰物体的矩特性统计

序列图像编号	1	2	3	4	5
早期火灾火焰相似度	0.1097	0.7764	0.5333	0.9106	0.5825
照明灯相似度	0.6841	0.8077	1.0000	0.8999	0.8489
移动光源相似度	1.0000	0.8707	0.8928	0.8821	0.9114

表3 火灾火焰及干扰物体图像的相邻帧相似度

试验场景	距离/m	主频率/Hz	实验所用图像序列的帧速率／fps
火灾火焰序列	6	8-12	25
灯光照明序列	4	1-4	25

表4 火灾火焰及干扰模式的闪烁频率统计

帧编号	1	2	3	4	5
火灾火焰序列	(106,151)	(107,152)	(107,153)	(109,152)	(111,153)
照明灯序列	(164,85)	(163,85)	(167,86)	(167,86)	(169,86)
移动光源序列	(121,154)	(121,150)	(119,151)	(122,147)	(118,143)