无论是在战争年代还是和平时期,火灾始终为舰船面对的重大灾害之一,其严重威胁着舰船自身的安全和舰员的生命[1]。研究显示,自二战以来,作战舰船所遭受损害的类别已经从以不沉性的损失或减少为主转变为以火灾或爆炸为主[2]。在现代军事环境下,各军事强国之间的舰船由于突发火灾而造成重大灾害的火灾事件屡见不鲜。2013 年 9 月,韩国海军最大舰船“独岛”号因突发火灾而丧失动力;2015 年 4 月,一艘俄核潜艇在船厂维修期间发生火灾致使维修任务被迫中断。如今,中国海军为加大海上防御纵深,适应海上作战的需要,舰船数量迅速增加,随之而来的舰船火灾、爆炸事故呈明显上升趋势,舰船的消防安全问题成为研究人员普遍关注的焦点。据资料统计,舰船事故中约一半由舰船起火所引起[3]。因此做好舰船的消防安全工作,不仅是提高我国海军舰船生命力的重要保证,而且也是提升舰船战斗力和影响力的有力途径。为响应舰船消防“及早探测,迅速灭火”的原则要求,本文提出一种基于视频图像处理的舰船火灾烟雾检测技术。该技术通过融合烟雾图像多种特征判据的方法,以期能够达到及早探测火灾烟雾的目的,力求将火灾对舰船所造成的损失降到最小。
1 舰船火灾的特点军用舰船因其作战的需要,决定了它独特的结构构造和运用环境。因此,军用舰船火灾除和民用船舶火灾存在相似的共同点外,还有以下特点[4]:
1)突发火灾的概率相对较高。在军用舰船上,各舱室分布密集、复杂,并且随着智能化、自动化等科技技术在我国海军现代舰船上的成功运用,舱室内电子设备数量不断增加,管系和装备布置愈加复杂,这些在提升了舰船性能的同时,也潜在的使舰船发生火灾的概率增大。特别是军用舰船上的一些重要部位,如弹药舱、机舱等,一旦发生火灾,扑救难度大,反应时间短,发生火灾爆炸事故的危险性较高。
2)火灾所导致的损失大。与一般民用船舶相比,军用舰船失火所导致的损失会更大。这是由于舰船作为水上交战的重要平台,舰员、装备、易爆易燃等物品的分布相对比较集中。如果舰船突然失火后,火势通常极为猛烈,扑救困难。加之,舰船在海上航行期间远离大陆,只能仰赖舰船自身的消防力量进行灭火,危险性较高,稍有不慎就会造成舰毁人亡的局面,后果不敢设想。
3)火灾扑救难度大。舰船起火后,由于军用舰船结构紧密、舱室狭小,一定程度上限制了舰员救火的活动范围,并且因舰船上消防力量的能力有限,也给舰船的施救工作带来了一定的困难。而且,舰船舱室内空间狭小、密闭,光线昏暗,通风性能较差,因火灾所产生的浓烟不易被排出,致使舰员探明火情、扑救火灾的难度加大。
舰船火灾因具有发生火灾的概率较高、扑救困难、损失巨大等特点,所以,绝不可以掉以轻心,需要认真研究舰船火灾的特点,针对造成舰船突发火灾、爆炸的某些关键因素要做到认真预防,努力提升我国现代海军新型舰船的消防水平。舰船消防报警系统不仅是舰船设计思想的首要构成部分,还是确保我国海军舰船和舰员安全的关键保障。
2 视频火灾检测技术基本原理视频火灾检测技术基本原理如图 1 所示[5]。该项技术使用普通的 CCD 摄像机或造价高昂的红外摄像机来进行场景监控,获取视频图像;经图像采集卡将拍摄到的视频图像转变为相应的数字图像,并传送到监控系统的主机上等待下一步的处理与分析;系统主机通过对提供的数字图像进行分析、判断,且结合多种火焰或烟雾特征判据,从而做出有无火灾出现的结论[6]。
![]() |
图 1 视频火灾检测技术的基本原理 Fig. 1 The basic principle of video detection technology of the fire |
视频火灾检测技术通常可分为视频烟雾检测技术和视频火焰检测技术,两者在火灾探测性能上相比,由于烟雾一般要先于明火的出现,且不易被障碍物所遮挡。因此,视频烟雾检测技术更能及早探测到火灾,避免灾情进一步恶化。
3 基于图像处理的舰船火灾烟雾检测技术基本原理对于舰船内开阔的室内场所或舰船外大面积的室外环境,如大型仓库、弹药舱及甲板等,一旦失火,由于传统火灾探测器探测方式的局限性,将会难以准确、及时探明火情,失去了其应有的效用。究其原因,是因为传统的感温、感烟等火灾探测器一般属于被动式的探测方式,多适用于小空间的室内环境。但在特殊环境下,传统火灾探测器的探测效果会受到不同因素的影响,例如空间高度、空气对流、粉尘浓度、湿度等,导致火灾探测信号未能及时的达到传统火灾探测器的临界报警阈值,致使其报警延时,从而对舰船造成了不可估量的损失。然而,基于视频图像处理的火灾烟雾检测技术不仅具有响应时间快,监测范围广、非接触、抗干扰、智能化等技术优势,并且还能为监控人员实时提供火灾所发生的地点、火情发展的程度等具体信息。因此,视频火灾烟雾检测技术与传统的火灾探测技术相比,更能及早的探测火灾,从而能够迅速控制火情的发展,阻止火灾的形成[7]。
3.1 对视频图像的预处理由于试验所获取的视频图像一般都会存在大量噪声,所以需要先对视频图像进行去噪处理,可以通过采用中值和高斯滤波的方法来增强图像。其次,需要将彩色图像转变为灰度图像,从而能够缩减处理图像的数据量,提升系统的运行速度。最后,因为视频图像中一般都会存在与烟雾近似颜色或形状等特征的静止背景目标区域的干扰。因此,为排除上述干扰物的存在,提高系统的性能,本文采用混合高斯模型(Gaussian Mixture Model,GMM)的方法先对背景建立模型[8]。背景建模完成后,再运用背景减除法提取出运动目标区域,如式(1)所示,以减少静止背景目标所带来的影响,所提取出的运动目标区域为后续烟雾颜色特征和运动特征的提取与识别做好了准备。
${{H}_{w+1}}(x,y)=\left\{ \begin{array}{*{35}{l}} \begin{align} & 1,\quad \quad \left| {{f}_{w+1}}(x,y)-{{T}_{w}}(x,y) \right|>K; \\ & ,\quad \quad 其他。 \\ \end{align} \\ \end{array} \right.$ | (1) |
式中:
烟雾的颜色基本上可以分为白色、灰色、青色和黑色,并且它们的色彩分布具有一定的规律性,白烟、灰烟和黑烟烟雾颜色模型中的 R、G、B(红色、绿色、蓝色)3个颜色分量的值很近似,而青烟的蓝色分量值通常要大于红色和绿色的颜色分量值[9-10]。所以,采用以下判别算法来判断试验视频中是否存在与烟雾颜色相近的运动目标区域,以排除掉一些与烟雾颜色相差很大的非烟雾区域。具体算法如下:
$\left\{ \begin{array}{*{35}{l}} \begin{align} &{{P}_{\max }}=\max (R,G,B), \\ &{{P}_{\min }}=\min (R,G,B), \\ &I=(R+G+B)/3. \\ \end{align} \\ \end{array} \right.$ | (2) |
条件1:
条件2:
条件3:
式中:Pmax 为在RGB彩色空间中最大的颜色分量;Pmin 为最小的颜色分量;I 为在 HSI 彩色空间中的强度信息。
若条件 1 和条件 2 同时成立,或者条件 2 和条件 3 同时成立时,则可以视为满足烟雾颜色的条件,反之,则视为不满足。经过多次试验对比后得到:在条件 1 中,阈值 Z1 的取值范围一般为 15~25;在条件 2 中,阈值 Z2 和 Z3 的取值分别为 80和220;在条件 3 中,阈值 Z4 的取值应略大于 Z1。
3.3 烟雾运动特征烟雾的运动特征也被称作烟雾的动态特征,它主要包括烟雾形状的不规则性和扩散性。由于烟雾的形状、面积等参数时刻在不停地变化,因此,在运用烟雾的颜色特征排除掉一些与烟雾颜色相差很大的非烟雾区域后,可以再利用烟雾的扩散性和形状不规则性这2个运动特征作为进一步区别烟雾与其他干扰物的判别依据[11-12]。
3.3.1 烟雾形状的不规则性因为气流的因素,导致烟雾在运动过程中形状的连续变化,无法通过形状来识别烟雾。众所周知,2个物体在面积相同的条件下,形状规则物体的周长会比形状不规则物体的周长要短一些。所以可通过运用疑似烟雾区域的周长和面积之比来检测其形状的不规则性,具体算法如式(3)所示:
$ C/S > L\text{。} $ | (3) |
式中: C和S 分别为提取出来的疑似烟雾区域的周长与面积的像素总数;L 为区分烟雾与形状规则物体的临界阈值,一般是经过多次试验后统计得到。若(3)式成立,则满足烟雾颜色特征的疑似烟雾区域更加确定为烟雾区域;反之,则被视为不满足烟雾形状不规则性特征,停止下一步对疑似烟雾区域的判别。
3.3.2 烟雾运动的扩散性当火灾发生时,烟雾会不停在空气中进行着扩散,此为火灾初期最为显著的现象之一。随着火灾灾情的进一步恶化,由于烟雾运动的扩散性这一特征,使得烟雾在短时间内占据了大量的空间。因此,疑似烟雾区域在经过烟雾的颜色特征和形状不规则性特征判定后,可再利用烟雾的扩散性特征,以排除动态目标(行人、行驶的车辆等)或静态目标(一张烟雾图片等)的干扰,进一步提高烟雾检测算法的准确率,减少误报率。具体算法如式(4)所示,计算出在某一时间段内,疑似烟雾区域面积的变化率,以判别其是否满足烟雾的扩散性这一运动特征。
$ \Delta {Y_{di}} = \frac{{\rm{d}}R}{{\rm{d}}t} = \frac{{{R_{i + m}} - {R_i}}}{{(i + m) - i}} \text{。}$ | (4) |
式中:Ri+m 和 Ri 分别为在视频图像序列中的第 i + m 张图像和第 i 张图像,疑似烟雾区域总的像素数目;
烟雾在空气中扩散时,会受到各种因素的影响,这会导致烟雾区域的面积和扩散的速度在不断发生着变化。假如仅仅依靠相邻两帧进行相减,得到的疑似烟雾区域面积变化数值可能会很小,因此 m 的取值通常要大于 1。
为了获得更为精确的疑似烟雾区域面积发生改变的变化率,可以对 n 个不同的面积变化率
$ \overline {\Delta {Y_{di}}} = \frac{1}{n}\sum\limits_{i = 1}^n {\Delta {Y_{di}}} \text{。} $ | (5) |
烟雾区域面积的平均变化率往往在一定的区间范围之内,即如果疑似烟雾区域面积的平均变化率满足式(6),则该疑似烟雾区域就可以被认定为烟雾区域;反之,则被认定为非烟雾区域。
$ {E_1} > \overline {\Delta {Y_{di}}} > {E_2} \text{。} $ | (6) |
其中E1 和 E2 分别为烟雾区域面积平均变化率所在区间的2个阈值,它们经过多次试验后得到。
4 测试结果与分析目前大多数研究学者都是在自己获取烟雾视频的基础上检测各自的视频火灾烟雾检测算法,还没有对不同算法的性能指标(准确率、实时率、误报率、时间和空间消耗等)进行讨论和比较,对各种检测算法的效果评价也未形成一个成熟的体系[13]。因为缺乏统一标准的舰船火灾烟雾图像数据资源,试验中所使用到的图像资源多数是本人拍摄获取或直接从网络上下载获得。
为证明本文所述的基于视频图像处理的舰船火灾烟雾检测技术的抗干扰性和准确性,分别选取了在室内和室外环境中的 50 个视频图像作为测试对象来进行实验研究。这些测试对象中既包含烟雾图像,也包含一些非烟雾图像,诸如夜间灯光、舰船航行途中所激起的白色浪花等。经过分析和总结试验结果后发现,本文所使用的视频烟雾检测算法能够在测试视频中识别出大部分的烟雾区域(部分视频样本烟雾检测结果与效果图分别见表 2、图 2和图 3),但是当测试视频中出现与烟雾颜色、形状等极为相似的非烟雾区域时(如云彩、薄雾等),检测结果还是会出现少量的误报。
![]() |
表 1 部分测试视频样本的详细信息 Tab.1 Detailed information of part of the test video samples |
![]() |
表 2 部分测试视频样本的烟雾检测结果 Tab.2 Smoke detection results of part of the test video samples |
![]() |
图 2 部分测试视频样本烟雾检测效果图 Fig. 2 Part of the test results of the video sample smoke detection |
![]() |
图 3 部分测试视频样本疑似烟雾检测效果图 Fig. 3 Part of the test video sample of the suspected smoke detection effect |
本文在对测试视频图像预处理的基础上,依据火灾烟雾所表现出的颜色特征和运动特征,提出并验证了基于图像处理的舰船火灾烟雾检测技术。试验结果证明本文所提出的方法能够在舰船内开阔的室内场所或舰船外大面积的室外环境中运用,成功弥补了传统火灾探测器在火灾探测上所表现出来的不足。此项舰船消防新技术的出现,为及时探明火情,并有效控制舰船火灾灾情的发展提供了有力的保障,使我国在攻克舰船消防技术领域这一难题的探索道路上又迈出了极其重要的一步。然而,因为舰船火灾的特殊性与复杂性,本文所提出的视频烟雾检测算法目前还不够完善,对测试视频中的一些场景会出现一定数量的误报和漏报。在今后的研究中,需要加强对现有算法的改进,努力探究新思路、新方法,以此来更好实现对舰船火灾烟雾的检测,并最终能够将该技术尽快应用到实际舰船消防中去。
[1] |
赵健, 凌纯. 舰船舱室防火设计研究[J]. 船舶 , 2011, 22 (1) :57–60.
ZHAO Jian, LING Chun. Fireproofing design for warships[J]. Ship &Boat , 2011, 22 (1) :57–60. |
[2] |
李祥茂, 唐文勇, 张圣坤. 舰船火灾爆炸危险源风险评估[J]. 中国舰船研究 , 2008, 3 (2) :21–26.
LI Xiang-mao, TANG Wen-yong, ZHANG Sheng-kun. Haz-ard sources risk assessment of ship's fire and explosion accidents[J]. Chinese Journal of Ship Research , 2008, 3 (2) :21–26. |
[3] |
周军盈, 杜啸晓. 图像型火灾探测技术在舰船消防报警系统中的应用[J]. 舰船科学技术 , 2008, 30 (2) :98–101.
ZHOU Jun-ying, DU Xiao-xiao. Application of image recognition technology in fire detection system of ship[J]. Ship Science and Technology , 2008, 30 (2) :98–101. |
[4] |
孙凯, 李晓江, 冯卫永, 等. 舰船火灾的特点及安全预防[J]. 中国水运 , 2010, 10 (7) :53–54.
SUN Kai, LI Xiao-jiang, FENG Wei-yong, et al. Characteristics and safety prevention of ship fire[J]. China Water Transport , 2010, 10 (7) :53–54. |
[5] |
薄立矗. 图像型火灾烟雾探测技术及发展前景展望[J]. 武警学院学报 , 2010, 26 (8) :14–16.
BO Li-chu. Image-based fire smoke detection technology research progress[J]. Journal of Chinese People's Armed Police Force Academy , 2010, 26 (8) :14–16. |
[6] |
吴龙标, 袁宏永, 疏学明.
火灾探测与控制工程. (第2版)[M]. 合肥: 中国科学技术大学出版社, 2013 : 454 -459.
WU Long-biao, YUAN Hong-yong, SHU Xue-ming. Fire detection and control engineering. (2nd ed)[M]. Hefei: Press of University of Science and Technology of China, 2013 : 454 -459. |
[7] |
许峰, 于春雨, 徐放. 视频烟雾火灾探测技术研究趋势[J]. 消防科学与技术 , 2012, 31 (11) :1185–1188.
XU Feng, YU Chun-yu, XU Fang. Development of the video smoke detection technology research[J]. Fire Science and Technology , 2012, 31 (11) :1185–1188. |
[8] |
魏晓慧, 李良福, 钱钧. 基于混合高斯模型的运动目标检测方法研究[J]. 应用光学 , 2010, 31 (4) :574–578.
WEI Xiao-hui, LI Liang-fu, QIAN Jun. Moving object detection based on mixture Gaussian model[J]. Journal of Applied Optics , 2010, 31 (4) :574–578. |
[9] |
郑璐, 陈俊周. 基于运动和颜色的视频烟雾检测算法[J]. 计算机工程与设计 , 2010, 31 (21) :4650–4652.
ZHENG Lu, CHEN Jun-zhou. Smoke detection algorithm of video based on motion and color[J]. Computer Engineering and Design , 2010, 31 (21) :4650–4652. |
[10] |
王娜娜.基于视频的火灾烟雾检测算法研究[D].西安:西安科技大学, 2012.
WANG Na-na. Research on algorithm of fire smoke detection based on video[D]. Xi'an:Xi'an University of Science and Technology, 2012. http://cdmd.cnki.com.cn/article/cdmd-10704-1012044368.htm |
[11] |
王媛彬. 基于图像型的火灾烟雾检测技术研究[J]. 消防科学与技术 , 2014, 33 (9) :1052–1055.
WANG Yuan-bin. Study on imagetype smoke detection technology[J]. Fire Science and Technology , 2014, 33 (9) :1052–1055. |
[12] | XIONG Z Y, CABALLERO R, WANG H C, et al. Video-based smoke detection:possibilities, techniques, and challenges[C]//IFPA, fire suppression and detection research and applications-a technical working conference (SUPDET). Orlando, FL, USA:National Fire Protection Association, 2007:1-8. |
[13] |
罗胜, JIANGYu-zheng. 视频检测烟雾的研究现状[J]. 中国图象图形学报 , 2013, 18 (10) :1225–1236.
LUO Sheng, JIANG Yu-zheng. State-of-art of video based smoke detection algorithms[J]. Journal of Image and Graphics , 2013, 18 (10) :1225–1236. |