基于颜色与运动特征的变电站实时烟雾检测

宋 伟，王玉平，张文杰，张家齐，郑彦宁，吴高林

(1.国网重庆市电力公司 电力科学研究院，重庆401123;2.重庆大学 自动化学院，重庆404100;3.哈尔滨工业大学 深圳研究生院，广东 深圳518055)

0 引 言

变电站内有变压器、电容器、高压开关等易燃易爆器件，电磁干扰性强，容易发生火灾。站内的火灾防护直接影响变电站能否安全运行。

近年来，基于视频图像处理的烟雾检测被广泛用于火灾检测中，不同的烟雾检测算法被不断提出。Gomez－Rodriguez F 等人用光流法提取运动区域，然后结合烟雾的运动特性利用小波法检测烟雾［1］。Celik T 通过统计烟雾颜色特征，建立烟雾颜色模型识别烟雾［2］，算法选取特征不足，适用于烟雾检测的预处理。Chen T 等人先利用烟雾的颜色模型检测出疑似烟雾区域，再利用帧差法提取烟雾区域［3］。陈天炎等人通过研究火焰图像在YCbCr 空间各分量值之间的关系，建立火焰颜色空间模型，实现火灾火焰检测［4］。Töreyin B Ugur 等人利用小波变换分析图像的高频特性，实现了彩色图像的近距离烟雾视频检测［5］，该算法复杂度高，不能满足变电站烟雾检测快速性要求。

本文结合烟雾颜色特征和运动特性提出一种基于视频图像处理的实时火灾烟雾识别算法，实验结果表明:该检测算法能够检测到不同场景中的烟雾，可以应用于变电站场景烟雾检测。

1 烟雾识别过程

烟雾的具体识别过程如图1 所示。

图1 烟雾检测过程示意图Fig 1 Diagram of smoke detection process

首先，获取视频图像，利用改进的ViBe 算法检测视频中的运动区域;然后，将满足烟雾颜色特征的运动区域标记为疑似烟雾区域;最后，对疑似烟雾区域进行跟踪，计算其面积和质心位置变化，通过对比已知的烟雾运动特性，确定烟雾区域。

2 运动区域检测

为满足烟雾检测的实时性要求，本节对Olivier Barnich和Marc Van Droogenbroeck 提出的ViBe 算法［6，7］进行改进，用改进的ViBe 算法实现运动区域检测。检测过程主要分为3 个阶段:背景模型初始化、像素的分类过程和背景更新。在背景模型初始化阶段，利用前3 帧图像对背景模型进行初始化，每一帧随机提取4 个邻域样本像素和1 个当前位置像素。在运动区域检测阶段，为提高算法对光照变化的鲁棒性，将视频图像从RGB 空间转换到HSI 空间，通过计算视频图像中各像素的亮度变化确定运动目标。为去除运动目标中的噪声点和空洞，对检测到的运动目标进行形态学开运算处理，剔除面积较小的无效检测区域，然后采用形态学闭运算填补运动区域中的空洞［8］。变电站监控场景中背景相对稳定，在背景更新阶段主要考虑算法对光照变化的鲁棒性。为此，统计不同时间段的全局光照变化，并据此求取动态阈值r，这种根据先验知识的调整策略更具鲁棒性。

图2 为ViBe 算法和本文方法的运动区域检测结果，实验表明:改进后的算法对光照变化和动态背景有很好的鲁棒性，检测到的运动区域完整，准确。

图2 ViBe 算法与本文算法运动区域检测结果Fig 2 Results of moving region detection using ViBe and the improved algorithms

3 疑似烟雾区域的确定

3.1 烟雾颜色特征

这里对含有不同颜色和浓度烟雾的图像进行取样，通过分析烟雾区域的R，G，B 均值建立RGB 空间烟雾颜色特征模型。图3 为部分采样图像，表1 给出图3 各样本中烟雾图像的R，G，B 统计均值。

图3 部分采样图像样本Fig 3 Part of sampling images

表1 RGB 空间烟雾图像采样值Tab 1 Sampling values of smoke image in RGB space

表1 说明烟雾区域中R，G，B 值相似，本文烟雾颜色特征模型用式(1)表示

δ 为取值较小的常量，这里取15≤δ≤25。

3.2 疑似烟雾区域确定

RGB 颜色空间常用于显示系统，不适于图像分割和分析，第1 节将视频图像转换到HIS 空间进行运动区域提取，本节将求取烟雾在HSI 空间的颜色特征表达。

本文提出的烟雾检测针对火灾发生初期，此时烟雾呈灰白色或灰色，在RGB 空间中表现为110≤G≤220，在HSI颜色空间表现为饱和度，即S 值很低［9］。将烟雾图像在RGB 空间中的颜色模型转换到HSI 空间中，得到烟雾图像在HSI 颜色空间的特征模型，用式(2)表示

式中 Si(x，y)，Simax(x，y)分别为第i 帧图像中运动区域在HSI 颜色空间的平均饱和度和最大饱和度，本文算法中Simax(x，y)取值为0.13。

将视频帧中饱和度满足式(2)的区域标记为疑似烟雾区域。

4 烟雾区域检测

火灾发生早期，受空气流动影响，烟雾不断扩散，并不定向移动，表现出的图像特征是烟雾面积不断增长、质心位置波动变化。本节利用烟雾的扩散性和连续移动特性对烟雾疑似区域进行检测，确定烟雾区域。

4.1 烟雾面积增长特性

燃烧初期，短时间内烟雾面积不断增大，随后由于已有烟雾不停扩散，会使烟雾面积增长不明显［10］。

与烟雾颜色相近物体朝着摄像机运动时也会造成面积不断增长的假象，对烟雾检测造成干扰［11］，对此分别统计了测试视频中朝摄像机移动的行人和烟雾的面积，并分别逐帧、隔帧取样，结果如表2 所示，区域面积均用像素总数表示。

表2 测试视频中烟雾和行人面积统计Tab 2 Statistics of area of smoke and pedestrian in test video

实验结果表明，烟雾面积变化不是单调的，具有一定的波动性。人朝摄像机移动时，检测到的行人图像面积单调递增。

分别计算第i 帧图像疑似烟雾区域Zi(n)的面积Pi(n)和第i+2 帧对应区域的面积Pi+2(n)，二者之差ΔPi(n)表示烟雾的增长，如式(3)

实验表明，早期烟雾面积变化满足式(4)

ΔPi(n)连续2 次满足式(4)时，继续下一步检测;若不满足，则丢弃该模块。

4.2 烟雾移动特性

烟雾受自身密度和气流影响，会不断向四周扩散，此时烟雾的移动方向不确定，但主运动方向向上。

本节利用烟雾向上扩散的特性，通过疑似烟雾区域质心位置变化识别烟雾区域。烟雾区域质心位置和质心位置变化率分别表示为

式中 (Xi(n)，Yi(n))，(Xi+2(n)，Yi+2(n))分别为第i 帧和第i+2 帧图像中疑似烟雾区域Zi(n)的质心坐标。Vx，Vy分别为质心在水平方向和垂直方向的相对移动速率。分别为2 帧图像中X 方向、Y 方向像素和的平均值，用公式(7)表示为

烟雾连续移动，表现为烟雾图像的质心变化缓慢，用式(8)表示为

式中 V1，V2分别是Vx，Vy取值上下限，本文取V1=1.27，V2=－0.83。如果疑似区域质心移动速率不满足式(8)，则可以作为干扰源予以排除。

5 实验结果分析

由于变电站不允许烟火实验，理想的实验视频数据较难获取。本文针对两种典型场景对提出的算法进行了测试。场景一为类似变电站环境，视频中的烟雾源距相机100 m 左右，拍摄时有较大的风，场景中白色塑料纸被风吹动，图4 为场景一测试视频中第37 帧检测结果。场景二为野外大空间森林环境，视频中的烟雾源在远处5 km 左右的树林中，拍摄时场景中的树木随风摆动，光照有变化，图5为场景二测试视频中第80 帧检测结果。

图4 场景一测试实验Fig 4 Results of tests in scene 1

图5 场景二测试实验Fig 5 Results of tests in scene 2

图4(a)、图5(a)是加入颜色特征后的运动目标检测结果，图4(a)中矩形区域是误检的白色塑料纸，图4(b)、图5(b)是添加运动特征后的最终检测结果，图中曲线是检测到的烟雾边界，矩形区域区域为标注的烟雾区。

图4 说明该算法能检测到早期低浓度烟雾，由图5 可以看出:本文算法对树枝晃动和光照变化的影响具有较好的鲁棒性，并能够检测到远距离烟雾。

为验证本文算法的实时性，用本文算法和烟雾检测中常用的基于小波分析的多特征融合法(方法1)分别检测场景一下采集的视频中的烟雾，结果如表3 所示。

表3 算法运行速度测试Tab 3 Algorithm running speed test

表3 显示本文算法快速高效，满足变电站烟雾检测实时性要求。

6 结 论

本文针对变电站环境提出一种基于颜色与运动特征的变电站实时烟雾检测算法。首先用改进的ViBe 算法提取监控视频中的运动区域，再利用烟雾的颜色特征结合烟雾的面积增长特性和移动特性快速、准确地识别出烟雾区域。实验结果表明:本文算法能够检测到类似变电站场景中不同浓度的烟雾，对远距离烟雾也能够快速识别，满足变电站烟雾检测快速性、准确性要求，能够用于变电站智能视频烟雾检测中。

由于变电站环境特殊，不能够在变电站进行实验，后续还需对实验环境进行改良，尽可能模拟变电站环境进行实验。

［1］ Gomez－Rodriguez F，Arrue B C，Ollero Robotics A.Smoke monitoring and measurement using image processing，application to forest fires［C］∥Proceedings of Automatic Target Recognition XIII，SPIE，Orlando，FL，USA，2003:404－411.

［2］ Celik T，Demirel H，Ozkaramanli H，et al.Fire detection in video sequences using statistical color model［C］∥International Conference on Acoustics，Speech，and Signal Processing，2006:213－216.

［3］ Chen T，Wu P，Chiou Y.An early fire－detection method based on image processing［C］∥Proceeding of IEEE International Conference on Image Processing，2004:1707－1710.

［4］ 陈天炎，曾思通，吴海彬.基于YCbCr 颜色空间的火焰图像分割方法［J］.传感器与微系统，2011，30(10):62－64.

［5］ Töreyin B Ugur，Yigithan Dedeoglu，Cetin A Enis.Wavelet－based real time smoke detection in video［C］∥Proceeding of the 13th European Signal Processing Conference，Antalya，Turkey，2005:4－8.

［6］ Barnich O，Van Droogenbroeck M.ViBe:A powerful random technique to estimate the background in video sequences［C］∥Proceedings of ICASSP 2009，Taipei:IEEE Computer Society，2009:945－948.

［7］ Barnich O，Van Droogenbroeck M.ViBe:An universal background subtraction algorithm for video sequences［J］.IEEE Transactions on Image Processing，2011，20(6):1709－1724.

［8］ 景美丽.无人值守变电站中智能视频监控的技术研究［D］.保定:华北电力大学，2012.

［9］ Turgay Çelik，Hüseyin Özkaramanl，Hasan Demirel.Fire and smoke detection without sensors:Image processing－based approach［C］∥15th European Signal Processing Conference，EUSIPCO 2007，Poznan，Poland，2007:3－7.

［10］Torey in B U，Dedeoglu Y，Cetin A E.Contour－based smoke detection in video using wavelets［C］∥14th European Signal Processing Conference，EUSIPCO 2006，Florence，Italy，2006:123－128.

［11］刘晰雨.基于视频特征的火灾火焰识别算法［D］.西安:西安电子科技大学，2009.