基于多特征融合分析的羽流烟雾区域识别

孙 美 魏志刚 王长健 朱传帅 刘科祥 赵 露

(1.西安近代化学研究所，西安 710065； 2.西安电子科技大学，西安 710071)

1 引 言

固体火箭发动机工作时，通过喷管排出大量燃烧和裂解的产物。其中，产生的二次羽流烟雾会在较大空间范围对光学信号有散射和吸收的作用，影响武器系统的制导，并有可能暴露火箭发射平台。因此，对发动机羽流烟雾特性的表征、测量和评估是固体推进剂研究工作中的一项重要内容。

室外自由飞行试验作为一种评估实际工作环境火箭发动机性能的手段，目前，尚没有一种规范的方法在该环境条件下进行羽流烟雾的定量测量。主要原因在于：传统方法一般将远距离遥测作为室外自由飞行试验的主要测量手段，存在测试费用昂贵，实施难度大，烟雾存续时间和分布受环境因素影响大等原因[1]。通过引入视频图像处理技术，限定火箭发动机的飞行轨道，并在预定飞行轨道两侧分别布放背景板和视频采集装置。采用视频成像的方法进行羽流烟雾特征信号的测量，能够有效模拟实际飞行的工作环境，评估火箭发动机实际工作状态下的羽流烟雾特性。

本文应用数字图像处理技术，提取羽流烟雾的多种特征，从背景板中识别、跟踪羽流烟雾区域。烟雾区域的特征包括静态和动态两种特征，对于单帧烟雾图像，主要有颜色、纹理、形状、浓度特征等；对于烟雾图像序列，主要有烟雾面积增长、运动方向以及扩散速度等特征[2]。使用单一的烟雾特征进行识别仅反映了烟雾的局部区域，难以将目标图像的烟雾集中区域准确提取。因此，本文提出多特征融合分析的方式，充分利用烟雾的颜色、灰度和扩散运动等特征进行烟雾区域的识别，能够提高烟雾区域的识别准确度和精度；基于此项技术，对现有羽流烟雾光学透过率计算作了改进，试验数据更加真实可信。

2 羽流烟雾透过率测试场景分析

设计一种火箭橇飞行测试系统，在飞行定轨两侧放置光学背景板和高速摄像机。其中，光学背景板为黑白等间隔条纹形状，用于隔绝外场背景干扰及辅助灰度计算；高速摄像机架设于背景板垂线方向，获取背景板范围内羽流烟雾的视频。羽流烟雾视频采集示意图如图1所示。

当火箭发动机经过背景板前方时，其尾部产生的羽流烟雾分布在背景板范围内，使得背景板的光学特性发生变化。进行处理时，将背景板区域图像分割为像素大小6×6的块基元，以块基元为单位计算羽流烟雾图像与基准图像相同位置处的灰度对比度，通过对定标曲线(由经过计量的标准中性衰减片标定得出)的插值计算，得出羽流烟雾在特定波段的光学透过率[3]。对采集的测试视频进行分帧处理，含羽流烟雾的图像帧中，羽流烟雾在图像上的分布情况如图2所示。

(1)

在计算羽流烟雾光学透过率时，实际羽流烟雾区域的光学透过率烟雾为I区中块基元计算透过率的统计平均。

(2)

在羽流烟雾光学透过率计算的过程中，应用数字图像处理技术进行烟雾区域的识别具有极其重要的作用。若不进行烟雾区域的识别，Ⅰ区和Ⅱ区内透过率值的统计平均会使得实际计算的透过率高于真实值，无法表征具体配方固体推进剂在某一环境条件下的光学遮蔽能力。

计算结果列于表2，由表2可知，最大污染指数为2.912，各污染指标污染程度由大到小依次为BOD5、COD、氨氮、SS，SS符合排放标准，氨氮略有超标，各类卫生纸COD、BOD5等标污染指数由高到低依次为低档卫生纸、高档卫生纸、中档卫生纸、报纸.

3 快速提取羽流烟雾的特征

相对于背景板，火箭发动机通过喷管排出的羽流烟雾具有明显的颜色及灰度特征。当背景板前方存在羽流烟雾时，黑条纹区域与白条纹区域图像具有不同的响应特性。为了能够简化烟雾识别算法的复杂性，快速提取背景板中烟雾的特征，对背景板图像进行黑白条纹区域的分割，具体流程图如图3所示。

3.1 烟雾静态特征提取

对黑条纹区块的大量数据进行统计分析，当黑条纹区域存在烟雾时，烟雾与背景板存在明显灰度差异，利用灰度阈值信息便能够区分烟雾和背景板区域。

设灰度直方图分布函数为h(x)，以双峰法计算得出的阈值m为起点，对右侧峰进行积分运算。选取右侧峰灰度统计值的90%处作为烟雾区域分割点，计算分割阈值m′，能够对烟雾进行较好的识别，按公式(3)计算。

(3)

白条纹背景板的灰度特征跟羽流烟雾相似，不能单纯依据灰度特征进行烟雾分割。燃烧物质的成分和浓度往往直接决定了燃烧生成烟雾的颜色信息。因此，可以从色彩空间提取烟雾特征。在HSV颜色空间中包括色调、饱和度和亮度三种图像信息，色调H和饱和度S分别表示了颜色的类别和深浅程度，它们跟图像的亮度信息相互独立，在HSV颜色空间分析图像便于进行烟雾颜色特征的提取[4]。

在白条纹区域，存在的烟雾亮度大，色彩分布均匀；背景板的不同颜色分量之间具有明显差别。因此，可以利用不同色彩通道之间的差异来分割烟雾跟背景。综合RGB和HSV色彩空间的信息来作为烟雾区域的判断依据，能够将烟雾区域进行有效的提取[5]。

在RGB颜色空间中，若各分量之间满足公式(4)，则可以作为烟雾区域的判断依据之一。

0≤α=max(|R-G|,|G-B|,|B-R|)≤10

(4)

(5)

结合公式(4)、(5)两个条件，从RGB和HSV颜色空间综合处理，便能够有效的将烟雾从背景中分割。

3.2 烟雾动态特征提取

火箭发动机飞行状态下产生的二次烟雾具有在短时间内大量生成、较大的初始动量以及分布范围随时间不断扩散等特性。在扩散过程中，烟雾区域边界的浓度逐渐变淡，在空间上呈分散状态，静态特征只能对烟雾的集中区域进行较为明显的识别。为了使烟雾识别具有更强的适应性和准确性，需要进行烟雾扩散区域的识别。

在视频图像序列中，羽流烟雾的扩散表现为相邻帧烟雾边界的扩张与模糊化，且背景板图像固定，图像中的运动目标只有羽流烟雾区域。因此，采用帧间差分法就能有效的对烟雾扩散边界进行提取，修正静态特征识别造成的漏判[6]，按公式(6)计算。

(6)

式中：gi(x,y)、gi-1(x,y)——分别为滤波、灰度化处理后的第i帧与第i-1帧图像;Δσ——系统背景噪声;Ii(x,y)——帧间差分计算得出的烟雾扩散边界二值图。

将系统背景噪声Δσ作为帧间差分的判别阈值，能够有效地去除噪声干扰，正确提取扩散的烟雾边界。将其与静态特征识别的烟雾区域进行综合，可以有效表征羽流烟雾在图像帧中的位置。

4 烟雾视频处理结果与分析

依据本文采用的多特征融合分析算法，在Windows操作系统上使用C++程序开发平台Visual Studio 2010和图像处理库OpenCV实现了羽流烟雾处理分析软件的编写。使用标准Φ50发动机进行某固体推进剂的测试实验，对高速摄像机采集到羽流烟雾视频进行处理，得到了如图4所示软件处理的各阶段图像。

从软件处理的各阶段图像可知，根据羽流烟雾的静态特征进行识别，能够较好表征烟雾的集中区域，但在其边界存在的扩散烟雾区没有识别成功；通过结合帧间差分法对其动态特征进行识别，能够有效的表征整幅图像帧中的羽流烟雾区域。

背景板的实际面积大小为15.12m2，通过软件识别羽流烟雾区域的范围，可以近似用烟雾区跟背景板的尺寸比率估计烟雾区面积，从而获取了描述烟雾区域大小的参数。

为了验证室外条件下视频图像法测量固体推进剂光学透过率的有效性，在外界光照强度稳定的情况下，使用标准含铝推进剂进行了多次验证测试实验。在剔除掉极大无关点的测试数据后，计算测试透过率的均值，并与相同配方的标准含铝推进剂室内烟箱法的透过率测试数据进行对比，分析不同测试方法之间的透过率测量值的差异以及产生测量偏差的原因。烟箱法是将固定剂量的固体推进剂放置在密闭燃烧室中点火发烟，使用安装在燃烧室壁上的光束发射装置发射某一波段的光辐射，让其穿过烟雾区域，通过与发射装置准直的光束接收装置采集经过烟雾区衰减后的光辐射，然后计算得出烟雾的光学衰减特性。

烟箱法对烟雾形成了确定的空间约束，采用稳定的点光源进行测试，具有测试数据规范、重现率好的优点，被广泛应用于推进剂配方研制过程中的光学特性测量。

对视频图像法与烟箱法在相同配方推进剂的测试进行数据对比，能够有效验证视频图像法测试的准确度。表1为视频图像法采用烟雾区域识别、无烟雾识别以及烟箱法的测试数据对照表。

表1 不同方法的透过率测试数据Table 1 Transmission test data of different methods

从表1中的数据可知，无烟雾区域识别算法的外场视频图像法计算得出的透过率数据与烟箱法的数据偏差较大；使用本文提出的羽流烟雾识别算法进行透过率值计算后，外场视频图像法与烟箱法的测量值偏差小于8%，测试结果的偏差处于实验允许范围内。由于烟箱法跟外场视频图像法是在不同试验环境中且使用不同测试方法获取的数据，烟箱法测试无外界环境干扰、采用点对点的测量方式；外场视频图像法位于室外阳光照射的强干扰环境、采用图像法的面阵测量方式。故两者之间存在测试偏差属于必然结果，分别代表了在不同环境下相同波段的透过率测量值。

选取某次外场测试实验中烟雾经过靶板前方的若干图像帧，通过软件计算得出采用烟雾识别的算法及无烟雾识别的原始计算方法的单帧透过率值、烟雾区域占比等参数，分析烟雾识别算法对室外环境条件下进行烟雾光学特性测试的实际意义。单帧烟雾特性测量数据如表2所示。

表2 单帧烟雾特性测量数据Table 2 Measurement data of smoke characteristic on single frame

由表2可以看出，在烟雾区域浓度较为集中的前三帧中，羽流烟雾对背景板具有较强的遮蔽能力，相应的透过率较低；随着烟雾的逐渐扩散，羽流烟雾对背景板的遮蔽能力降低，对应的透过率逐渐变大。原始计算方法采用整个背景板作为计算边界，在烟雾没有完全覆盖靶板区域的图像帧中，计算取得的透过率值误差较大，不能够表征羽流烟雾的真实透过率，且烟雾区域相对于背景板占比越小，计算误差越明显，这是由于其将整个背景板中的有烟区域和无烟背景区域进行统计平均造成的。引入数字图像处理技术对烟雾区域进行识别，从整幅图像中分割出有烟区域与无烟区域，剔除掉无烟区域的干扰，仅计算有烟区的光学透过率作为系统输出，由此测试的结果更接近羽流烟雾真实情况。从表中数据可知，进行烟雾识别后，计算结果能够近似反映羽流烟雾的实际变化规律，且数据较为稳定、集中，从而达到较为准确的表征羽流烟雾光学特性的目的。

5 结束语

为了对火箭发动机产生的羽流烟雾进行准确的光学特征信号的测量，本文从烟雾图像序列的静态和动态两个方面提取了烟雾灰度、色彩空间的特征和烟雾区域扩散过程中的运动特征，提出了基于多特征融合的羽流烟雾区域识别算法。使用该方法对羽流烟雾进行识别，限定了计算光学透过率的区域，避免了图像全局计算导致的误差。对大量烟雾图像进行了处理，取得了较好的识别效果，提高了烟雾光透过率测量的准确度。

[1] 莫红军，王宁飞. 固体火箭发动机羽烟特征信号的分类及测试评估概述[J]. 固体火箭技术,2004,27(3): 229～232.

[2] 孙建坤，杨若瑜. 基于颜色直方图和小波变换的视频烟雾检测[J].计算机科学,2014,41(12):251～254.

[3] 王长健，孙美，魏志刚等. 基于视频图像分析的推进剂羽流烟雾透过率测量技术[J].火炸药学报,2016,39(05):79～83.

[4] 冈萨雷斯，伍兹，艾丁斯. 数字图像处理MATLAB版第二版[M]. 北京:电子工业出版社,2014.

[5] 于海晶. 基于分形理论的彩色烟雾图像识别[D].中国科学院研究生院(长春光学精密机械与物理研究所),2012.

[6] 杨高波，杜青松等. MATLAB图像/视频处理应用及实例[M]. 北京:电子工业出版社,2010.