火灾是公路隧道中危害最大的一类安全事故^[1]。据统计数据显示，公路隧道内发生火灾事故的危险性与隧道里程和交通流量成正比^[2]。由于公路隧道结构复杂，空间狭长，环境相对密闭，一旦发生火灾，司乘人员和车辆疏散以及灭火救援都十分困难，往往会造成重大的人员伤亡和财产损失^[3]。为了保障公路隧道的安全运营，有效将火情控制在萌芽状态，针对公路隧道内出现的任何可疑火焰进行及时探测并报警是绝对必要的。

公路隧道内火灾主要包括可燃固体、可燃液体和电气类火灾^[4]，通常由车辆机电故障、交通事故、车载易燃品以及照明和通风设备电路故障起火等因素引发^[5]。传统的感温型火焰探测器易受粉尘、湿度、风速和汽车尾气等因素的影响^[6]，不适合公路隧道的早期火灾探测。基于视频的火灾探测技术，可以克服传统传感器必须安装在起火点附近的缺点，只要火焰进入监控区域，检测程序就能立刻识别并给出报警信号，视频探测是目前实现公路隧道火灾早期探测最有效的方法^[7]。

公路隧道背景环境复杂多变，若识别特征较少则容易导致漏判或误判，因而需要融合视频火焰多个特征进行联合识别。文中提出了一种基于视频多特征的公路隧道早期火灾火焰识别方法，首先利用帧差法提取运动目标、利用火焰的颜色统计模型进一步分割候选火焰区域，然后根据早期火焰的圆形度、矩形度、尖角数、尖角数变化率和面积变化率模型对候选火焰区域进行各特征值提取，并用提取的5个特征值构成支持向量机的输入向量，最后用火焰和非火焰测试样本对训练得到的支持向量机模型进行分类测试。为兼顾对局部最优解和全局最优解的搜索，文中采用人工蜂群算法对支持向量机的模型参数进行优化选取。通过对网络公用视频和自行拍摄视频进行测试，试验结果表明，在隧道和室内外有光照及光照强度较大且存在扰动的环境下，该算法具有较高的分类正确率，降低了漏报率和误报率。

文中利用帧间差分算法提取运动目标轮廓，应用火焰的颜色统计模型进行再分割提取候选火焰区域。

文中根据火焰的颜色统计模型(1)、(2)、(3)对运动目标区域进行分割提取候选火焰区域。

点击浏览公式

阈值的选择范围：

点击浏览公式

点击浏览公式

火焰的色调饱和度大于其反射光的色调饱和度，文中通过计算饱和度信息排除目标周边地面上的不饱和反射光。

利用数学形态学方法和种子填充算法对候选火焰区域进行修正处理。

文中利用帧差算法和色彩统计模型算法提取的运动火焰及移动车灯前景图如图 1所示。

图 1 用帧差和颜色统计模型提取的火焰和移动车灯前景图 Fig. 1 Extract foreground images of flame and moving vehicles lamplight using frame difference and color statistical model

图选项

通过研究早期火焰视频图像特征，文中选取圆形度、矩形度、尖角数、尖角变化率和面积变化率作为早期火灾火焰的特征判据。

早期火焰其边缘形状极其不规则，而公路隧道内移动的车灯灯光等干扰源则呈现比较规则的形状，因此，为了区分火焰和其他形状规则的疑似火焰干扰源，可将表征物体边缘形状复杂程度的圆形度作为早期火灾火焰判别的一个特征值。

圆形度计算公式为:

点击浏览公式

早期火灾火焰其边缘极不规则这一区域形状特征也可用矩形度来度量，因此，可将矩形度作为早期火灾火焰判别的一个特征值。
物体的矩形度定义为:

点击浏览公式

早期火灾火焰边缘是不稳定的，表现在单帧图像中火焰的尖角数目较多、图像序列中火焰的尖角数目不规则跳动变化^[8]，而移动的车灯、手电筒灯光等干扰源的尖角数相对较少且基本没有明显的变化，因此，可将尖角数、尖角数变化率作为早期火灾火焰的特征判据。

火焰尖角的特征点是它的顶点，即疑似区域局部边缘的极值点。文中首先将候选火焰区域的多个顶点都取为疑似尖角特征点，然后根据火焰尖角具有狭长、宽度小、高度高的形态特征来识别火焰尖角。

(1)判别疑似尖角点。逐一比较疑似区域边缘上所有像素点其左、右邻域各35个边缘点的纵坐标值。若某个边缘点的纵坐标值大于其左、右邻域各点的纵坐标值，则该像素点为疑似尖角点，记录该疑似尖角点坐标。

(2)判别疑似尖角点邻域连续。对疑似尖角点左、右邻域共35个像素点的坐标值依次求差，如果横、纵坐标差值的绝对值小于等于2，则定义这35个点是连续的。设不连续处允许的最大间隔为一个像素点。

(3)判别疑似尖角形状。火焰尖角的形状表现在图像中为不规则狭长三角形。文中用疑似尖角点和其左、右邻域第35个点构成疑似尖角三角形，并根据其高度、宽度及体态比来判别火焰尖角。首先选定疑似尖角点左右第5个点、左右第15个点、左右第35个点的坐标计算其宽度W₁,W₂,W₃，若W₁23，则确定该角为尖角。然后根据疑似尖角三角形3个角的顶点坐标分别计算左、右和低边3条边a,b,c的值，再根据海伦公式s=p(p－a)(p－b)(p－c)p=(a+b+c)/2和公式s=cH/2计算三角形底边c上的高H。当高度H大于一定阈值时，可以判别该尖角满足火焰尖角特征。

2.3.2 尖角数变化率

文中用相邻两帧图像中疑似区域尖角数的变化率来判别图像序列中尖角数的不规则跳动特征。

文中尖角数变化率按下式计算:

点击浏览公式

在火灾发生早期，火焰的面积不断变化，提取火焰面积变化的规律可以将火焰与其周边具有火焰颜色的运动干扰源区分开来。因此，可将候选火焰区域的面积变化率作为早期火灾火焰的一个特征判据。

文中按下式计算相邻两帧疑似区域的面积变化率:

点击浏览公式

文中基于多特征的视频火灾火焰识别算法是将用图像火焰识别算法提取的特征数据输入支持向量机模型，通过支持向量机融合多特征进行分类识别的算法。该识别算法可有效克服人为设置火焰特征阈值的局限性，提高火焰和非火焰分类识别的正确率及自适应性。

支持向量机(Support Vector Machine,SVM)是一种建立在统计学习理论的VC维理论和结构风险最小化原理基础上的机器学习方法^[9]。SVM分类算法的基本原理是寻找一个满足分类要求的最优分类超平面，使其在保证分类精度的同时，能使超平面两侧的间隔最大^[10]。

支持向量机最早用于处理线性可分的最优分类面问题^[9]。设线性可分样本集(x_i,y_i)，i=1,2,…,l，x_i∈R^d，y∈{－1,+1)}， 其中x_i和y_i分别为第i个样本的输入向量和类别信息，l为样本数目，d为空间维数。分类面方程为:

点击浏览公式

为使分类面不仅能将样本中的两类正确分开，而且能使分类间隔2/‖w‖最大，则构造线性最优分类面的问题就转化为求解下面的约束优化问题。

点击浏览公式

点击浏览公式

对于样本线性不可分的情况，构造线性不可分的最优分类超平面，引入非负松弛变量ξ_i>0，考虑分类误差，允许错分样本存在，则约束条件放松为：

点击浏览公式

点击浏览公式

这样求解最优分类超平面问题转化为求下面的对偶二次优化问题：

点击浏览公式

点击浏览公式

设从输入空间R^d到特征空间H的非线性变换：

x→∅(x)，

点击浏览公式

点击浏览公式

点击浏览公式

常用的核函数主要有以下3种类型：

多项式核：

点击浏览公式

径向基核：

点击浏览公式

Sigmoid核：

点击浏览公式

式(19)~(21)中，核参数d>0，σ>0，c>0。

核函数的类型决定所构造分类器的空间性质，径向基函数(RBF)所产生的特征空间可以是无限的，输入空间不可分的数据在特征空间变得线性可分。RBF核中，σ是核的宽度，核的宽度改变就是隐含地改变映射函数，从而改变样本特征子空间分布的复杂程度^[13]。文中选择径向基函数为SVM的核函数。

支持向量机的分类正确率与其模型参数惩罚因子以及核函数参数之间存在多峰值函数关系^[14]，为兼顾对局部最优解和全局最优解的搜索，文中采用人工蜂群(ABC)算法^{[15, 16]}对SVM模型参数惩罚因子和核函数参数进行优化选取，适应度函数选用分类错误率的倒数。

(1)获取训练样本数据；

(2)选择核函数及惩罚因子；

(3)形成二次优化问题，通过求解该优化问题建立支持向量机模型；

(4)将待测样本输入支持向量机模型，获得分类结果。

文中所选样本视频部分为公用视频，部分为自行摄拍视频。算法的软件实现环境为Visual C++6.0。

文中选择从3种材质(纸质、木质、汽油)燃烧物在不同环境下的火焰视频和不同环境下移动车灯等干扰视频中提取训练样本数据500帧，通过帧差法和火焰颜色统计模型提取疑似区域，并对疑似区域进行圆形度、矩形度、尖角数、尖角数变化率和面积变化率特征值提取，将每帧提取的5个特征值组成一个特征向量，共组成500个特征向量，用于训练支持向量机模型。在训练样本数据中，火焰样本和干扰样本相等，以免最优分类超平面偏移。文中采用ABC算法对支持向量机模型的惩罚因子C、RBF核函数参数g(g=σ^－2)进行优化选取。设ABC算法的蜜源数为20，蜜源最大循环次数为50，终止循环次数为100。SVM优化参数的搜索范围为[0，1 000]。参数优化结果：C=94.835 2，g=0.003 9,最佳适应度值为96.666 7%。ABC算法优化过程适应度函数变化曲线如图 2所示。

图 2 ABC算法优化过程适应度函数曲线 Fig. 2 Curves of fitness using ABC optimization

图选项

文中所选训练样本和测试样本分别取自不同的火焰和非火焰视频。文中对图 3、图 4两种在不同环境、不同干扰条件下的火焰、非火焰测试样本数据进行试验测试，并用文中训练好的支持向量机模型进行分类识别，其试验数据如表 1、表 2所示。在图 3中，视频1，2和3分别为纸质、汽油和木质燃烧物在室内、室外有光照及不同环境下的模拟火灾火焰视频，文中算法对以上3种燃烧物的火焰单帧识别率均达90%以上；视频4为秦岭终南山隧道火灾紧急救援演练视频，燃烧物为汽油，因隧道内光照相对较弱且有较大的烟雾干扰，文中算法对该火焰单帧识别率接近90%。在图 4中，视频1为公路隧道内光照较强的行车视频，文中算法对车灯的单帧识别率达97%；视频2，3和4是夜间在路边和过街天桥上拍摄的行车视频，用于模拟隧道环境，因路灯光照较弱，文中算法的识别率超过或接近90%。公路隧道火焰的干扰源主要是路灯和行驶车灯，文中算法通过运动检测排除路灯干扰、通过火焰多特征识别排除车灯干扰。在测试样本不包含训练样本的情况下，文中算法的单帧分类正确率是比较高的。若连续5帧识别出火焰，检测程序2 s内报警。试验结果表明，文中算法能够实现在隧道场景和室内外有光照及多种干扰条件下的早期火灾火焰识别。

图 3 火焰实验测试视频图像 Fig. 3 Flame videos

图选项

图 4 非火焰实验测试视频图像 Fig. 4 Non-flame videos

图选项

文中提出了一种基于视频火焰多特征融合的公路隧道早期火灾识别算法，算法首先利用帧间差分算法结合火焰的颜色统计模型分割候选火焰区域，然后根据火焰的圆形度、矩形度、尖角数、尖角数变化率和面积变化率模型提取候选火焰区域各特征值，并用提取的5个特征值构成特征向量，最后将特征向量输入已训练好的支持向量机模型进行火焰和伪火焰分类识别。文中采用人工蜂群算法对支持向量机的模型参数进行优化选取。通过对网络公用视频和拍摄视频进行测试，试验结果表明，在隧道和室内外有光照及光照强度较大、存在扰动的环境下，文中算法较典型的火焰识别算法有较好地分类正确率，但对在无光照或光照强度较弱等特殊环境下的火焰和伪火焰图像仍可能有漏判或误判，需要进一步研究改进和优化算法使其更具有鲁棒性。