当前国内外装甲车辆的灭火分乘员舱和动力舱两个部分，其中乘员舱涉及到乘员的安全问题，使用两波段或三波段(包括红外波段、紫外波段)光学探测器探测火警并进行灭火和抑爆，当敌方破甲弹的射流引燃车内油气混合气或弹药爆炸引起二次效应时,乘员舱的光学火焰探测器能够在5 ms内作出反应触发报警完成灭火抑爆，保护乘员的人身安全；而动力舱的火警探测采用线式火焰传感器安装于动力舱的周围壁上，通过线式火焰传感器感知动力舱内的异常高温来判断火警并触发信号进行灭火，其响应时间一般3～5 s，其过大的延迟响应时间可能会丧失装甲车辆的动力性能或战斗力[1]。
近年来，国内外对火焰检测方面有着广泛的研究，提出了很多火灾探测视频技术和算法。袁伟在博士论文[2]中提出利用局部二元模式LBP、Gabor算子等局部特征描述并提取火焰的局部纹理特征、频率特征，再利用Adaboost分类器学习训练主动式识别方法提高火焰识别率。吴建胜[3]提出的基于OHTA颜色空间最大类间方差法并通过Otsu阈值来分割火焰区域，再利用三帧差法进行火焰的确定。Toreyin[4]对火焰的边界采用小波变换，提取其高频特征来描述火焰的闪烁特征。Jenifer[5]采用概率论统计的方法，对火焰的颜色、面积、表面粗糙度、偏斜度进行统计，然后使用贝叶斯分类器进行决策。总体来说，国内外视频火焰探测方法算法差异很大，普遍存在着计算量太大不利于要求高实时性场合的实际应用，因此提出高效的火焰视频探测识别和检测算法具有重要的意义。
对此提出通过在动力舱安装视频采集火焰视频，对火焰固有多特征(静态特征和动态特征)进行分析，首先通过火焰的颜色特征建立火焰的颜色模型并提取疑似火焰区域；其次通过提取疑似火焰区域的闪烁特征、面积变化特性等动态特征，进一步判断待检区域是否发生火灾从而触发火警信号，从探测到疑似火焰区域，通过算法进行探测识别并输出火警触发信号，其响应时间为500 ms左右，相对于原先的线式火焰传感器探测方式，具有响应时间快、判断准确、可靠性高等优点。
1 火焰图像颜色特征的描述与疑似火焰区域分析提取
火焰的静态特征是视频采集中单帧数字图像所表现出来的固有特征，主要体现在火焰突出的光谱特征和独特的火焰空间区域特征两个方面[6-7]。因此，本文从火焰图像区域的颜色特征和形状特征来分析和提取火焰图像的疑似区域。
火焰的颜色特征主要体现在其与动力舱环境强烈的亮度对比和独特的颜色信息上，火焰发光、发热的特征在视频图像中表现为该区域的像素点的色度值偏红并且亮度值明显高于舱内其他区域的像素点[8]，因此通过RGB颜色模型和HSI颜色模型的公式变换来提取疑似火焰区域[9]。
根据RGB和HIS模型的特征，其RGB颜色空间到HSI颜色空间的转换关系如式(1)所示：
(1)
其中：
利用火焰颜色的R、G、B三个分量之间关系的分析过程，对火焰颜色分量分别进行提取，不同的颜色分量如图1所示。
图1 火焰颜色分量
从图1可以看出：对于图像中颜色偏红和红黄的火焰区域，仅含有R分量的火焰图像明显是最亮的，说明该区域中的R分量的值最大，其次是仅含有G分量的火焰图像，最暗则是仅含有B分量的火焰图像[10]，根据明亮程度可以初步得到，这些区域R分量的值大于等于G分量的值，G分量的值大于等于B分量的值。各颜色分量转化成直方图[11]如图2所示。
图2 火焰颜色分量直方图
原图像的R、G、B三通道的直方图可以看出，在火焰区域中R分量像素值要大于G分量的像素值，G分量的像素值大于B分量的像素值。对于每个火焰像素点，红色分量R取值大小的统计结果如表1所示。
表1 火焰图像R值统计表
火焰的像素总数R≥100像素个数所占比例R≥115像素个数所占比例R≥120像素个数所占比例R≥125像素个数所占比例16 12012 9500.805 4100.333 5140.211 6870.10
经统计分析发现，在16 129个火焰像素点上，大概80%的火焰像素点红色分量的值是大于100的，当R分量的值限定到125以上时，满足这一要求的火焰像素点仅能达到10%。所以认为火焰的像素点R分量取值范围是100～120。在这里我们取火焰像素点的阈值RT为115。
火焰的颜色是介于红色和黄色之间，映射到HSI颜色模型中，色调H的取值范围为0～ 60。火焰的饱和度S会随着背景亮度变化而变化，对于同一像素点，当R分量的值为RT时，饱和度S对应为ST。通过统计分析火焰区域R、G、B、H、S、I分量的大小关系可知，R分量和饱和度S之间的关系如图3所示。
图3 火焰像素点R分量与S分量关系示意图
火焰像素点满足条件S≥((255-R)*ST/RT)，这个条件说明随着R值的增大饱和度会降低。当R值增加到最大值255时，饱和度会降低到0。
通过上面的分析可得到火焰的颜色模型如式(2)：
(2)
通过上述的颜色模型公式，可以粗略地分割出疑似火焰区域。
2 火焰面积和火焰闪烁特征分析
在确定火焰疑似区域后，根据动力舱的内部环境特性，对火焰面积和火焰闪烁特征分析，从而确定火焰存在并触发火警信号。
在动力舱内部封闭环境中，发生火焰区域的面积表现为连续性、不断扩展的变化趋势[12-13]，因此摄像头采集的视频图像监测到的疑似火焰目标面积相对于静态的舱内环境也会逐渐变大，通过目标图像火焰面积分析对疑似火焰连续视频帧的图像进行算法分析，先通过阈值分割出疑似火焰目标区域，然后统计出目标物体的像素点数，同时计算相邻视频帧的像素点的变化率来判断火焰的闪烁特征，确定火焰的存在[14-15]，具体算法如下：
Ai为第 i 帧图像疑似火焰区域的面积，Ai-1为第i-1帧图像疑似火焰区域的面积，ad为相邻帧疑似火焰区域面积变化率，m为满足连通区域面积大于阈值T1的连续帧数。
1) 首先判断第 i 帧图像连通区域的面积Ai是否大于阈值T1;
2) 在满足Ai大于T1的条件下，m++，判断连续帧数m是否大于5，一旦Ai小于T1出现，则m清零;
3) 如果m≥5成立，计算此时疑似火焰区域面积的变化率ad，同时m清零;
4) 若1.15≤ad≤ 20，或者ad< 0.85则认为，此疑似火焰图像可能具有闪烁性，则an++；
5) 保存当前帧火焰区域的面积Ai作为下一帧的Ai-1，用来下一帧的面积分析；
6) 若ad值不在(4)范围内，认为疑似火焰区域面积在相当长的一段时间内没有太大变化，不符合火焰面积变化规律，则所有的计数器清零，包括an计数清零；
7) 如果an>T2则认为此区域满足火焰的面积变化规律，判定此区域发生火灾。
采用360P，30fps摄像头对该空间进行疑似火焰图像视频流进行采集并静态特征分析，其疑似火焰一般在发生初期10 ms内就能识别确定，据实际环境以及经验，动力舱的摄像头有效探测空间约为1 m2,因此其疑似火焰区域的感光成像面积即连通区域像素点总数基本确定，其阈值T1一般500～700范围内，通过实验得知当T1=600时，能够实现排除一般的噪声干扰和其他背景干扰的影响，并且能把漏检率降到最低。满足面积变化率的累积计数an=3，即这里统计连续的15帧(m乘以an)范围内能够满足面积变化率的计数an超过T2=3计数时，则认为满足火焰的面积变化规律和火焰的闪烁性特征，同时在500 ms内完成检测确定，其火焰面积以及闪烁特征算法流程如图4所示。
图4 火焰面积分析算法流程
3 方法的试验结果和分析
参考动力舱限定的封闭空间环境，建立动力舱模拟环境实验室并人工产生火源，彩色CCD摄像头采集火焰图像视频流并进行静态区域提取和动态特征分析，图5为以时间轴为顺序经图像预处理的火源视频截图。
图5 图像预处理后的火源视频截图
其静态分析火焰图像的R值统计结果见表2(RT为115时)。
表2 火焰图像R值统计表
T2=1火焰的像素总数R≥RT像素个数所占比率T2=2火焰的像素总数R≥RT像素个数所占比率T2=3火焰的像素总数R≥RT像素个数所占比率9 0787 5760.8310 8648 9020.8213 45210 7600.80
图6表示了疑似火焰的连通面积，可以看出：根据火焰的动态连续扩展特性，其连通区域面积具有持续变大的趋势。通过图像算法分析，计算相邻视频帧的像素点的变化率(ad)来判断火焰的闪烁特征，因为火源是生长状态，因此ad值是大于1的，如火源在熄灭过程，则ad值小于1，见表3。
图6 疑似火焰连通面积
表3 火焰闪烁特征ad值
T2=1ad=Ai-1Ai火焰判定T2=2ad=Ai-1Ai火焰判定T2=3ad=Ai-1Ai火焰判定无疑似2.3疑似4.6确定
根据其火焰闪烁特征分析判定方法，即ad值在1.15≤ad≤ 20范围内，并且满足面积变化率的计数an超过T2=3计数时，则认为满足火焰的面积变化规律和火焰的闪烁性特征，判定火焰发生。
4 结论
通过对装甲车辆特定环境内提取火焰的颜色特征，形状特征等静态特征确定疑似火焰区域，并且提取疑似火焰区域闪烁特征、面积变化特征等动态特征并进行算法分析，进一步判断待检测区域是否发生火灾。通过建立动力舱模拟环境实验室并试验，文中提出的多特征火焰分析和识别算法能快速确定动力舱的火焰发生，使视频探测装甲车辆动力舱火焰发生的技术可行，从而取代传统的线式火焰传感器。
[1] 曾毅，李春明.新型坦克设计概论[M].北京：化学工业出版社,2012.
[2] 袁伟.基于高斯尺度空间火灾图像局部特征提取与主动式识别方法研究[D].合肥：中国科学技术大学，2014.
[3] 吴建胜，高云玲，张宾.一种基于视频的火焰检测方法[J].计算机应用与软件，2014(1)：173-175.
[4] TOREYIN B U,DEDEOGLU Y,GUDUKBAY U,et al.Computer vision-based method for real-time fire and flame detection[J].Pattern Recognit,2006， 27(1)：49-58..
[5] JENIFER P.Effective Visual Fire Detection in Video Sequences Using Probabilistic Approach[C]//Emerging Trends in Electrical and Computer Technology(ICETECT).2011 Internation Conference on,March,2011： 870-875.
[6] 廖晓思.火焰光谱分析系统[D].西安：西安电子科技大学,2009.
[7] 韩溟.基于光谱和图像综合测试系统的火焰特性研究[D].西安：西安电子科技大学,2010.
[8] 程智海，蔡小舒，毛万朋.火焰特征发射谱线研究[J].工程热物理学报，2004(3)：519-522..
[9] 康锋.基于视觉特征的早期农林火灾检测方法的基础研究[D].杭州：浙江大学，2010.
[10] MILAN S,VACLAV H.图像处理、分析与机器人视觉[M].3版.艾海舟，苏延超,等译.北京：清华大学出版社,2011.
[11] 李海峰，姜学军，周越.高速三光谱火灾探测器原理及设计[J].科技信息，2011(12)：526-528.
[12] 杨高波，杜青松.MATLAB图像/视频处理应用及实例[M].北京：电子工业出版社，2010.
[13] 侯杰.基于视频图像的高大空间建筑火灾探测研究[D].北京：清华大学，2010.
[14] 邵坤艳.基于视频图像的火灾检测方法研究[D].重庆：重庆大学，2015.
[15] PHILLIPS III W,SHAN M,DA VITORIA LOBO N.Flame Recognition in Video[J].Pattern Recognition Letters,2002，23(3)：319-327.