视频火灾报警技术的现状

来源:用户上传      作者:

　　摘  要： 人们正越来越关注对火灾报警技术的研究。最初，人们只是单纯的利用烟雾，温度，亮度等传感器检测一些物理量来对火灾进行监控报警。伴随着迅速发展的视频监控技术，将其用在火灾报警中也成为大势所趋，从传统的一些方法到现在利用神经网络进行识别，使得视频火灾报警技术逐步发展起来，并在实际运用中取得较好的效果。文章从视频火灾报警技术的检测、识别、系统与规范几个方面阐述了视频火灾报警技术的现状，总结其存在的不足，展望其未来的发展。
　　关键词： 火灾; 视频监控; 报警技术; 现状
　　中图分类号：TP277;TP391          文献标志码：A    文章编号：1006-8228（2019）10-01-04
　　Abstract： People are paying more and more attention to the research of fire alarm technology. Initially， people simply used smoke， temperature， brightness and other sensors to detect some physical quantities to monitor and alarm the fire. With the rapid development of video surveillance technology， the use of video surveillance technology in fire alarms has become an irresistible trend. From traditional methods to the use of neural networks for identification， video fire alarm technology has gradually developed and achieved good results in practical applications. This paper expounds the current situation of video fire alarm technology from the aspects of detection， identification， system and specification of video fire alarm technology， and summarizes its shortcomings and forecasts its future development.
　　Key words： fire; video surveillance; alarm technology; status quo
　　0 引言
　　火灾的精确预警与及时处理始终是一个世界性难题，伴随着迅速发展的智能视频监控系统，视频火灾报警技术登上了世界历史舞台，并在国内外的实际运用中取得了优异的成果，特别是在公安部提出平安中国等口号后，视频火灾报警技术在我国迅速发展起来。
　　由于在火灾初期，火灾的烟雾总是先于火灾火焰的发生，而时效性是火灾报警的一个非常重要的指标，所以相对于火灾火焰，火灾烟雾的检测极为重要。本文首先针对火灾烟雾的检测与识别阶段对近年来的视频火灾报警技术进行阐述，然后列出近年来火灾报警系统的研发以及相关规范的制定，并在文章的最后提出一些总结与展望。
　　1 火灾烟雾的检测技术
　　对于火灾烟雾的检测技术，通常从颜色，静态与动态的纹理特征，运动方式以及频率等方面展开研究。
　　起初，人们对火灾烟雾的检测在其颜色特征方面关注较多，比如最早的RGB模型的运用和专用于烟雾检测提出的HS’I模型。近年来则多是对于一些颜色模型的综合利用[1]或者与烟雾其他特性的混合使用[2～3]相关方法的研究。
　　相比颜色，烟雾的纹理检测的效果较为准确。而传统的烟雾纹理的研究只是基于一些简单的边缘检测，面对复杂的火灾烟雾环境效果很差。提取局部二值模式（LBP）作为纹理特征[4]的提出较好的解决了该问题，也成为烟雾纹理检测主要的研究方向，比如近年来自适应尺度局部二值模式（AS-LBP）[5]、成对比较局部二进制模式（PCLBP）[6]、以及多尺度中值LTP模式（MLTP）[7]的提出，运用这些方法不仅在火灾烟雾的检测中效果较好，而且在烟雾纹理分类中也有不错的效果。但这些方法多用于从视频中的单帧图像获得静态纹理特征，很有可能出现检测效果不佳的状况，这使得学者对于动态的烟雾纹理特征展开了研究。
　　最早的烟雾视频的线性动态系统框架（LDS）[8]已经可以做到检测视频中烟雾发生的时间及其具体位置，但LDS忽视了彩色视频信息，只可以使用亮度值当作图像的信息。在随后的几年内LDS虽然得到了一系列的改进[9～10]，不过这些改进都运用了密集抽样的方法，计算量相对较多。近两年，有学者提出了一种高阶线性动态系统（h-LDS）[11]的烟雾检测算法。该算法提升了检测烟雾动态纹理特征的稳定性，并且由于使用了滑动的时间窗，在确定视频中烟雾的时间及其具体位置的同时，也改进了在提取烟雾阶段由于煙雾的不稳定性而造成的对于烟雾判别不够精确的缺点。后经实验证实，在维度范围确定的前提下，高阶线性动态系统始终优于线性动态系统的检测率。最近刚提出的三个正交平面上的局部四值模式（LTrP-TOP）[12]取得了不错的实验结果，显示出利用烟雾纹理特征检测火灾发生的巨大潜力。
　　烟雾扩散时是属于熵增运动，而空间内一些刚体的干扰运动大多是一种等熵运动，因此，可以通过分别提取静态图像的熵及帧差图像熵值和熵增的频谱特征来检测视频图像中火灾的烟雾，该方法能有效的降低环境的干扰，且弥补了烟雾识别的传统算法计算较为复杂的不足[13]。在烟雾的漂移特性方面，由于烟雾的湍流运动会使其形心的位置发生变动，所以可以运用图像前景形心的移动进行烟雾检测[14]。此外，一种基于集合卡尔曼滤波器（EnKF）的逆向建模方法的提出，使得在隧道发生火灾时，实时检测烟雾运动的性能得到大幅度改善[15]。 　　在火灾烟雾的频率研究方面，早期人们通过实验发现，由于烟雾的出现会使得色彩对比度下降，造成频域里的高频分量逐步降低，通过这个现象学者先是使用傅里叶变换[16]来检测烟雾，但傅里叶变换不包含时空的信息，这对时间窗和数据窗的尺寸要求较高。此后人们发现小波的方法[17]相对于傅里叶变换效果更为优越。此外，还有许多其它的烟雾频率方法，比如运用Surfacelet[18]变换的方法同样可以取得和小波变换一样不错的效果。
　　2 火灾烟雾的识别技术
　　基于机器学习与深度学习的识别算法研究，是近年主流的研究方向，所运用的方法有浅层机器学习等一些算法，比如K近邻算法（KNN）[19]、AdaBoost算法[20～21]以及支持向量机算法（SVM）[22]，与其他各类浅层机器学习算法相比，SVM识别烟雾的效果最好，也是烟雾识别常用的一种识别方式。虽然在很早之前就有学者运用简单的神经网络进行烟雾识别[23]，但由于神经网络的可行性本身就不被当时的人所看好，所以很少有人用这类识别方法进行烟雾识别。
　　自从神经网络的方法在2012年举办的大规模图像识别大赛ILSVRC（Image Large Scale Visual Recognition Challenge）中大放异彩之后，基于深度学习的识别算法一军突起，得到了各行各业广泛的研究与运用，当然烟雾识别也不例外，并取得不错的效果。比如可以运用BP神经网络根据季节对训练样本集进行训练，将不同季节其他类型的烟羽分离出来，消除干扰噪声，然后识别烟雾[24];也有运用CNN进行烟雾纹理的识别，实验证实，与传统方法相比，此方法有不错的识别效果[25]。近两年，更是扩大了运用深度学习算法进行火灾烟雾检测的使用范围与深度，比如YOLO[26]、R-CNN[27]、Faster-RCNN[28]的运用都大大提高了烟雾识别的性能。此外，有学者提出一种专门用于烟雾识别的深度多尺度CNN（DMCNN），该方法是一种高效，轻量级的CNN模型，参数远小于其他CNN算法，具有运算速度快，针对烟雾识别效率显著提高等特点[29];也有学者开发了RCNN和3D CNN的联合检测框架，该框架先利用改进的Faster-RCNN来实现基于静态空间信息的烟雾目标定位，然后运用3D-CNN通过组合动态时空信息实现烟雾识别，并得到了检测率为95.23%，误报率为0.39%的实验效果[30]。
　　3 火灾报警系统与规范
　　近年来，我国加大了对火灾报警系统的研发，并研制了“火眼”报警系统。该系统结合了决策理论法、结构法和神经网络法等各个智能识别算法的优点，运用先进的算法，得到最为合适的概率结果，再比较标准火焰图像特征库中的概率阈值，得到一个准确的识别结果。此外，该系统有如下特点：
　　⑴ 当监控区域范围内有火灾或者烟雾出现时，系统可以提供多级报警机制，可以有效防止各種干扰，保证报警的准确性;
　　⑵ 系统只是利用图像内容的分析，不需要借助任何传感器，具有反应迅速，成本较低的特点;
　　⑶ 系统采用了我国独创的两套图像识别技术，能够实时对烟雾和火焰进行快速识别，而且及时发出警报信号;
　　⑷ 系统具有探测速度快、抗干扰能力强、设备兼容性强、安装便捷还可以保留起火证据等优势。
　　鉴于“火眼”系统较为优异的特点与运用优势。目前，在各个一线城市内许多公共场所和大型企业都配备了“火眼”系统。“火眼”适合用于如仓房、地铁隧道以及重要文物保护场所等高大空间的场馆及人员较多的场所。该系统仍然在运用的过程中对发现的各种问题进行不断改进，相信它会在国内消防领域的应用前景越来越广阔[31]。
　　在相关规范方面，2015年6月，公安部天津消防研究所与24家单位共同组成编制组，编制了CECS448：2016《可视图像早期火灾报警系统技术规程》，并于2016年10月1日在全国正式颁布施行。规定了可视图像早期火灾报警系统从适用场所、系统的构成方式、设计、控制施工、调试验收到系统维护管理的具体内容。该规程的公布为我国可视图像早期火灾报警系统技术的实施与发展提供了有力的保障[32]。
　　此外，ISO/TS 7240-29：2017《火灾探测报警系统第29部分：视频火灾探测器》的发布弥补了缺少一个国际性的可被接受的统一规范的不足，将有更多团体成为此项规范的最大受益者，但是，该规范尚未成熟，在实施过程中仍然有一些问题需要解决[33]。
　　4 总结与展望
　　虽然近几年来视频火灾报警技术发展迅速，但是和其他热门领域相比，专门对其研究的科研人员数量还相对较少，造成现有的一些技术只是对之前技术的微调，并没有出现跨越式的创新技术，老生常谈的误报率、错爆率，以及适应不强的缺点仍然普遍存在，这是其一;其次，虽然近年来基于深度学习的视频火灾识别技术得到了广泛关注及运用，也出现了越来越多相关特征的数据集，但相比之下数据集的数量仍然缺乏，并且深度学习的方法需要进行大量卷积和池化计算，但是目前对于如仓库、隧道和商场等场景中已有设备的处理能力较低，这导致基于深度学习的烟雾检测方法对于这些场景的应用依旧困难;再有，缺少统一的视频烟雾检测与识别的评估标准和平台，是阻碍视频火灾报警技术发展的根本性问题;最后，虽然目前已经对视频火灾报警系统技术做出了较为完整的规范，但这些规范没有得到全面应用，在实际运用中出现了诸多问题尚须完善。因此，视频火灾报警技术应当着力于以下几个方面发展。
　　⑴ 继续加大火灾视频监控领域的发展力度，鼓励更多相关专业的学者投身于该领域的研发之中，以期望跨越式创新技术产品的出现来推动其飞速发展。
　　⑵ 基于深度学习的智能识别技术是近年来各个识别技术领域的大趋势，应当积极引导更多学者跳出传统框架，运用深度学习方法识别火灾烟雾，并继续加大相关数据集建设的力度。 　　⑶ 建立统一的视频烟雾识别与检测的评估平台和标准，只有可以公正地评估各类算法的效果，才能做到促进视频烟雾检测进一步的发展。
　　⑷ 视频火灾报警技术在制作标准上，采取较为灵活的方式，朝着成熟化、全面化方向发展，以使视频火灾报警技术得到越来越广泛的应用。
　　参考文献（References）：
　　[1] 李诚，唐李洋，潘李伟.城镇森林交界域视频烟雾检测算法[J].计算机工程，2018：1000-3428
　　[2] NymaAlamgir，KienNguyen，VinodChandran，WageehBoles，et al.Combining multi-channel color space with local binary co-occurrence feature descriptors for accurate smoke detection from surveillance videos[J].Fire SafetyJournal，2018：1-10
　　[3] Zhen Yang，Weilan Shi，Zhiyi Huang，Zhijian Yin，et al. Combining Gaussian Mixture Model and HSV Model with Deep Convolution Neural Network for Detecting Smoke in Videos[C].Proceedings of 2018 IEEE18th International Conference on Communication Technology（ICCT），2018：2576-7828.
　　[4] Yuan F.Video-based smoke detection with histogram sequence of LBP and LBPV pyramids[J].Fire Safety Journal，2011.46（3）：132-139
　　[5] Huanjie Tao，Xiaobo Lu.Smoke vehicle detection based on multi-feature fusion and hidden Markov model[N]. Real-Time Image Processing，2019：1-14
　　[6] FeiniuYuan，JintingShi， XueXia， et al.Encoding pairwise Hamming distances of Local Binary Patterns forvisual smoke recognition[J].ComputerVision and Image Understanding.2019：43-53
　　[7] LupingJi，YanRen，XiaorongPu，et al.Median local ternary patterns optimized with rotation-invariant uniform-three mapping for noisy texture classification[J]. Pattern Recognition，2018：387-401
　　[8] Doretto G， Chiuso A，Wu Yn，et al. Dynamic textures[J].International journal of  Computer Vision，2003.51（2）：91-109
　　[9] Yuan L，Wen F，Liu C，et al. Synthesizing dynamic exture with closed-loop linear dynamic system[M].Berlin，Heidelberg： Springer，2004：603-616
　　[10] Costantini R， Sbaiz.Higher order SVD  analysis for dynamic texture  synthesis[J].IEEE Transactions on Image Processing：A Publication of the IEEE Signal Processing Society，2008.17（1）：42-52
　　[11] 李鴻燕，郭人辅，张静.基于多维动态纹理分析的烟雾检测算法[J].太原理工大学学报，2018：1007-9432
　　[12] Amit，Balasubramanian Raman，Debanjan Sadhya.Dynamic texture recognition using local tetra pattern—three orthogonal planes （LTrP-TOP）[J].The Visual Computer.2019：1-14
　　[13] Pang C F，Yang S S，Chen N.Fire smoke recognition based onimage entropy[J].Journal of Jiangsu University of Science andTechnology：Natural Science Edition，2015.29（1）：52-57
　　[14] Wang Y B.Smoke detection based on computer vision in coalmine[J].Journal of Liaoning Technical University： Natural Science，2016.35（11）：1230-1234 　　[15] JieJi，QiTong，Liangzhu（Leon）Wang.Application of the EnKF method for real-time forecasting of smoke movement during tunnel fires[J]. Advances in Engineering Software，2018：398-412
　　[16] Chen T，Wu P，Chiou Y.An early fire-detection method based onimage processing[C]Proceedings ofInternational Conference onImage Processing.Singapore：IEEE Computer Society Press，2004：1707-1710
　　[17] Ye S P，Bai Z C，Chen H F，et al. An effective algorithm to detectboth smoke and flame using color and wavelet analysis[J].Pattern Recognition and Image Analysis，2017.27（1）：131-138
　　[18] Ye W，Zhao J H，Wang S，et al.Dynamic texture based smokedetection using Surfacelet transform and HMT model[J].FireSafety Journal，2015.73：91-101
　　[19] Zhao L，Luo Y M，Luo X Y. Based on dynamic background update and dark channel prior of fire smoke detection algorithm[J].Application Research of Computers，2017.34（3）：957-960
　　[20] Xuehui Wu，Xiaobo Lu，Henry Leung.A Video Based Fire Smoke Detection UsingRobust AdaBoost[J].SafetyLit，2018.18（11）：3780
　　[21] Alexander Filonenko， Kang-Hyun Jo.Fast fire flame detection on videos using AdaBoost and parallel processing[C].Proceedings of  2018 IEEE Industria Cyber-Physical Systems （ICPS），2018：15-18
　　[22] 文澤波，康宇，曹洋等.基于随机森林特征选择的视频烟雾检测[J].中国科学技术大学学报，2017：0253-2778
　　[23] 王涛，刘渊，谢振平.基于自适应神经模糊推理系统的视频烟雾检测[J].计算机工程，2011：1000-3428
　　[24] Li X L，Song W G，Lian L P，et al. Forest fire smoke detectionusing back-propagation neural network based on modis data[J].Remote Sensing，2015.7（4）：4473-4498
　　[25] Chen J Z，Wang Z J，Chen H H，et al. Dynamic smoke detectionusing cascaded convolutional neural network for surveillance videos[J].Journal of University of Electronic Science and Technology of China，2016.46（6）：992-996
　　[26] Dongqing Shen，Xin Chen，Minh Nguyen，et al. Flame detection using deep learning[C].Proceedings of 2018 4th International Conference on Control， Automation and Robotics （ICCAR）.2018：20-23
　　[27] Qi-xingZhang， Gao-huaLin， Yong-mingZhang， et al.Wildland Forest Fire Smoke Detection Based on Faster R-CNN using Synthetic Smoke Images[J].Procedia Engineering，2018：441-446
　　[28] 林高华.基于动态纹理和卷积神经网络的视频烟雾探测方法研究[D].中国科学技术大学，2018.
　　[29] Feiniu Yuan，Lin Zhang，Boyang Wan.Convolutional neural networks based on multi-scale additive merging layers for visual smoke recognition[J]. Machine Vision and Applications.2019：345-358
　　[30] Gaohua Lin，Yongming Zhang，Gao Xu，et al. Smoke Detection on Video Sequences Using 3D Convolutional Neural Networks[J].Fire Technology，2019：1-21
　　[31] 李国生."火眼"可视图像早期报警系统在地铁中的应用[J].消防科学与技术，2018.2：1009-0029.
　　[32] 金怡.《可视图像早期火灾报警系统技术规程》解读[J].劳动保护，2018.11：1000-4335
　　[33] 常俪，Sandrine Tranchard.ISO视频火灾探测器标准将有助于在火灾中挽救生命[J].中国质量与标准导报，2017：2096-2967
转载注明来源:https://www.xzbu.com/8/view-15034516.htm