摘要：介绍森林火灾图像自动识别和报警系统的总体结构和软件算法设计的方案，基本实现了林火图像的自动识别、林火报警与定位等功能。经实践测试表明，该系统的火灾图像识别算法的准确率高，识别速度快，抗干扰能力强，在火灾监测实际工程项目中有广泛的应用前景。
关键词：森林火灾识别火灾报警火灾定位
森林具有维护生物的多样性、维护自然界的生态平衡的作用，是人类宝贵的自然财富。每年全球森林覆盖率锐减，森林火灾是最大的灾害。目前，森林火灾报警系统采用人工防护、视频监控和卫星遥感，人工防护在偏远地区可行性较低；视频监控系统成本较高、数据冗余率大；卫星遥感施工复杂、成本高。在实际运用过程中，有线系统布线困难；在偏远地区和恶劣的环境，这些技术建立的系统实时性、可靠性降低，受到环境因素的制约，且用户需要承担费用，一旦基站出现故障，则整个网络陷于瘫痪。火灾图像识别算法的准确率高，识别速度快，抗干扰能力强，能测定着火位置，能连续记录林火发生、发展并自动报警。该系统在火灾监测实际工程项目中有广泛的应用前景。
1系统总体设计
1.1系统工作原理
森林火灾图像自动识别与报警系统通过CCD图像传感器实时采集火灾现场火焰和烟雾的辐射信号，经光电转换成模拟视频信号，再经A/D转换并压缩编码后形成数字图像序列，对图像进行预处理后，提取烟雾、火焰图像的视觉特征信息进行智能分析和识别。如果图像识别后发现可疑火情点，系统则发出声光报警，并向云台编码器发送控制指令来锁云台，同时将火灾发生点的水平角度和俯仰角度等火灾参数信息发送到GIS子系统进行林火定位。
1.2系统总体结构
森林火灾图像自动识别与报警系统由硬件设备、林火图像识别与报警软件两大部分组成。硬件部分主要由视频图像采集模块、云台控制模块、视频传输网络、防火监控中心等组成。
1.2.1视频图像采集模块
图像采集模块由前端CCD摄像机、数字云台、视频服务器等组成。视频服务器是图像采集模块的核心，本系统中选用的嵌入式视频服务器，是基于IP技术的远程网络视频监控设备，体积小，功耗低；采用H.264视频压缩标准和Orbison音频压缩标准，最高达FullD1分辨率硬件压缩，图像清晰度高，编码性能稳定。
1.2.2云台控制模块
CCD摄像机在云台的带动下自动对监控林区进行全方位扫描，可实时传回摄像机的水平角度和俯仰角度等参数。本系统中选用PY450系列重型数字云台，采用全天候设计，保证可在室外恶劣气候环境中使用，能适应森林大空间的野外远程监控的需要。
2系统软件设计
系统的软件功能主要包括图像采集、图像预处理、林火图像识别、林火报警与定位等功能模块。
2.1图像采集
调用DVS/DVR的软件开发包（SDK）中相应的API函数接口，从视频码流中实时抓取24位真彩色图片（格式为BMP或JPEG），并将其保存到本地硬盘中。
2.2图像预处理
本系统中图像预处理主要是指图像平滑滤波和图像增强等。从视频服务器捕捉的图片由于拍摄或传输中的干扰可能会存在一定程度的噪音，为了消除这些噪音，这里采用了均值滤波或中值滤波的方法去除噪音，经过滤波处理后，图像噪音得到有效的抑制，图像变得更加平滑。
2.3林火图像识别
林火图像识别是系统的核心软件模块，它主要包括图像特征提取和神经网络识别两部分。
2.3.1图像特征提取
目前计算机可以提取的视觉特征主要有：颜色特征、形状特征、纹理特征、空间关系特征等。林区图像与林火图像在颜色上有明显的不同，在可见光全色波段视频图像上，林区背景为各种颜色；森林呈现青、绿、黄3种色调，在可见光图像上表现为（R0.1，G0.85，B0.4）；烟雾呈现灰色，图像上表现为（R0.7，G0.7，B0.7）；火焰呈现黄、橙、红3种色调，图像上表现为（R0.9，G0.7，B0.1）。可见光视频图像上的波谱特性与颜色特征关系如表1所示。
表1可见光视频图像上的地物波谱与颜色特征关系
.png)
经过分析，这里选择图像的颜色特征和边缘变化特征表示火灾图像的特征，采用RGB三分量差值的直方图及其一阶矩来表示图像的颜色特征。为了区分火灾图像与车灯光、手电筒灯光、太阳强光灯等发光源图像，采用计算各目标区域火焰的尖角个数表示图像的边缘变化特征。最后由颜色特征和形状边缘特征两者构成火灾图像的特征向量，作为神经网络识别系统的输入向量。
2.3.2神经网络模式识别
这里采用3层BP网络作为林火识别的神经网络模型。这个网络由3层神经元组成（输入层、输出层、隐含层）、3个权值集合（W1、W2、W3）和3个传递函数集合（g1、g2、g3）组成。输入向量火灾图像特征向量，输出层为2个神经元，分别为Y1和Y2，对应“有火灾因素”和“无火灾因素”。
2.4林火报警与定位
在林火识别过程中，如果发现图像上有可疑火情点时，系统则发出声光报警，并通过RS232/RS485串口向云台编码器发送锁定云台的控制指令使云台停止，同时将火灾发生点的水平角度和俯仰角度等火灾参数信息通过Socket协议发送到GIS子系统，GIS系统根据水平及俯仰角度和火灾点的已知位置实时解算出火灾点的确切位置，并将其准确地显示在三维电子地图上，并把屏幕显示到云台监测的范围内。
3系统实现与结果分析
在WinXP系统中采用VisualC++6.0开发工具实现系统中所有的软件部分的功能。采集了不同时刻和不同光照条件下共300幅林区图像（图像为24位真彩色，分辨率为704×576），其中无火灾图像200幅，有火灾图像100幅，实际测试结果：能正确识别276幅，识别率为92%；在CPU赛扬IV2.4G内存256M硬件环境中，识别速度为每张图片30ms左右。
4结束语
火灾图像自动识别与报警系统综合运用了数字图像处理、计算机视觉和模式识别技术，不仅经济、可靠、实用，而且火灾图像识别算法识别率高、误报率低、实时性强，能广泛应用到大空间火灾监控工程项目中。但文中识别算法还存在不足之处，主要是在用于火灾火焰的图像识别和判断，对于火灾烟雾图像特征识别和分析的方法还需做大量的研究工作。
参考文献
[1]杜会文.宽带频谱分析仪同步扫描跟踪技术.电子工业出版社,2015: 258～270.
[2]许维胜,方盛明.基于图像视觉特征的火灾自动识别.计算机工程,2016, 29(18).
[3]赵建华,方俊,疏学明.基于神经网络的火灾烟雾识别方法.光学学报,2016,23(9).
论文作者:蒋大伟
论文发表刊物:《基层建设》2018年第29期
论文发表时间:2018/12/12
标签：图像论文; 火灾论文; 特征论文; 系统论文; 自动识别论文; 森林论文; 神经网络论文; 《基层建设》2018年第29期论文;