CN1187722C - 光截面图像感烟火灾探测方法 - Google Patents

Abstract

本发明提供了一种光截面图像感烟火灾探测方法，其特征在于在被监控区域内设置红外发光阵列(1)和红外摄像机(2)，使红外发光阵列发射出的红外光穿过被监控区域上空，在红外摄像机光靶阵列上成像，形成红外光斑影像，该光斑影像由红外摄像机转换成视频信号，传送给视频切换器(3)，视频切换器以巡检方式逐一将接收到的视频信号送入计算机(4)，计算机(4)采用模板匹配，趋势分析和相关分析的视频信号处理算法对输入的视频信号变化情况进行分析处理，如果确认火灾发生，计算机(4)将通过联动控制报警器(5)进行火灾报警。

Description

光截面图像感烟火灾探测方法

本发明所属技术领域

本发明涉及火灾探测技术领域。

现有技术

在大多数场合，火灾烟雾的产生早于明火的出现，所以感烟火灾探测器得到了广泛的应用。目前已经应用于各种场合的感烟火灾探测器有离子感烟、光电感烟探测器，还有具有初步智能的模拟量报警式，响应阈值自动浮式探测器。现有的这些探测器存在着由于烟雾的颜色、颗粒的大小、空间的高度、气流、震动等因素引起的误报、迟报，以及由于灰尘积累和环境变化引起的误报、漏报现象。

本发明的目的

本发明的目的在于提供一种对焰火和阴燃火灵敏度高，抗干扰性能强，误报率低，适合于大空间的光截面图像感烟火灾探测方法。

本发明的技术方案

本发明采用以下方式实现。

本发明一种光截面图像感烟火灾探测方法，其特征在于在被监控区域内设置红外发光阵列(1)和红外摄像机(2)，使红外发光阵列发射出的红外光穿过被监控区域上空，在红外摄像机光靶阵列上成像，形成红外光斑影像，该光斑影像由红外摄像机转换成视频信号，传送给视频切换器(3)，视频切换器以巡检方式逐一将接收到的视频信号送入计算机(4)，计算机(4)采用模板匹配，趋势分析和相关分析的视频信号处理算法对输入的视频信号变化情况进行分析处理，如果确认火灾发生，计算机(4)将通过联动控制报警器(5)进行火灾报警。

计算机(4)对视频图像进行数字化处理，采用动态直方图阈值分割与模板匹配方法，将光斑与背景进行分离，从连续时序图像中提取光斑亮度数据，组成相关分析的亮度变化数列，对序列数据进行滤波去噪，采用趋势分析和相关分析方法判断该光斑的关联匹配情况，如果关联值总体超过关联阈值，则确认火灾发生。

与现有技术相比具有的优点

本发明的优点是：

①.由多光束组成光截面，对被保护空间实施任意曲面式覆盖，极大地提高了快速响应区域的面积，使得在大空间实现早期火灾报警成为可能。

②.对光截面中相邻光束的相关分析，克服了单光束火灾报警由于系统偶然因素而引起的误报。

③.自动检测和跟踪由灰尘积累而引起的工作状态的漂移，当这种漂移超出给定范围时，自动发出故障信号。同时这种探测器能根据环境变化，自动调节探测器的工作参数，因此可大大降低由灰尘积累和环境变化所造成的误报和漏报。

④.面成像自动跟踪定点监测，彻底解决了常规线性感烟由于安装移动而造成的误报问题。

⑤.面成像的使用，使得光截面图像感烟在空间具有分辨发射光源与干扰光源的能力。提高了系统干扰的性能，扩大了系统的应用领域。

本发明可应用于大范围、超长距离火灾探测，适应环境能力强，获取信息成本低，工程安装方便，可实现多层面立体安装。

附图说明

下面结合附图对本发明作进一步描述。

附图1，本发明示意图。其中，1—红外发光阵列，2—红外摄像机，3—视频切换器，4—计算机，5—联动控制报警器，6—光截面形成原理。

附图2，烟雾浓度与光线透过强度的关系。其中，M_s—烟气质量浓度，I_λ—透过烟气的光强。

附图3，软件流程图。

本发明的实施例

参见附图1，在监控区域设置红外发光阵列1和红外摄像机2。红外发光阵列1的排布，以及红外摄像机1的分布，应根据现场的防火要求，使红外发光阵列与红外摄像机组成的截面能反映现场每个区域的情况，有效的监视被监控区域。红外发光阵列发射出的红外光穿过监控区域上空，在红外摄像机光靶阵列上成像，形成红外光斑影像。分布在不同部位的红外摄像机将红外光斑影像转换成视频信号并传送给视频切换器3，由视频切换器以巡检的方式逐一将视频信号送入计算机4，计算机根据收到的视频信号的强弱进行火灾分析，如果发现火灾情况即通过联动控制报警器5进行报警。

参见附图2、3，光线通过大气，要受到大气中颗粒的折射、散射和吸收作用。光线穿过大气后的强度与大气中折射、散射和吸收光线颗粒的浓度直接相关，它们有以下关系：

I_λ＝I_λ0exp(-KL)

I_λ0和I_λ分别为入射光强和透过烟气的光强，L为平均射线行程的长度，K为消光系数，它是表征消光系数的重要参数，可进一步表示为单位烟质量浓度的消光系数(K_m)与烟气质量浓度(M_s)的乘积。

K＝K_mM_s

K_m为消光系数，它取决于烟颗粒的尺寸分布和入射光的性质，即：

$K_m=\frac{3}{{2\mathrm{\ρ}}_s}{\∫}_{d_{\mathrm{mm}}}^{d_{\max }}\frac{1}{d}\·\frac{{\mathrm{\δM}}_s}{\mathrm{\δd}}{Q}_{\mathrm{ext}}\left(\frac{d}{\mathrm{\λ}}{n}_r\right)\mathrm{\δd}$

式中δ代表微分符号，d表示颗粒直径，ρ_s表示烟颗粒密度。Q_ext表示单一颗粒的消光系数，它是颗粒直径与波长之比(d/λ)以及颗粒的复合折射率(n_r)的函数，一般木材和塑料明火燃烧时发烟的值K_m大致为7.6m²/g，热解时发烟的K_m大致为4.4m²/g。

木材和塑料处于早期火灾状态时，K＝4.4M_s，当L为50米的探测距离时，

I_λ＝I_λ0exp(-220M_s)

因此，掌握了I_λ0和M_s后，通过对I_λ变化情况的分析，就可以进行火灾判断。由于红外光穿过大气在红外摄像机上形成红外光斑影像，光斑亮度X∝I_λ，因此在实际操作中，通过分析X的衰减情况，就可以判断火灾的存在与否。

每一台红外摄像机面对的都是一串红外光斑。这些光斑信号由视频切换器以巡检的方式逐一送入计算机。计算机将其数字化后，以数字图像的方式存储于计算机内存。为了测量光斑的亮度，首先需对光斑进行分割与提取，本发明采用动态直方图阈值分割与模板匹配的方法，将光斑与背景进行分离，实时测出一系列光斑亮度数据。

         x₁(1)x₂(1)x₃(1)……x_n(1)

         x₁(2)x₂(2)x₃(2)……x_n(2)

         x₁(3)x₂(3)x₃(3)……x_n(3)

         ……  ……  ……  ……

         x₁(t)x₂(t)x₃(t)……x_n(t)

其中，t指第t时刻的测量值，n表示第n个光斑。

本发明通过对x₁(j)(i＝1，2……、j＝1，2……t)的分析，利用火灾识别模式来判断火灾的存在与否。本发明采用了模式识别、持续趋势和预测适应的火灾识别模式，其工作原理如下：

分析实时图像信息，与烟气特性规律比较、匹配，得出结论。

对一个具体的光斑，从连续时序图像中提取数列

         x_i＝{x_i(k)|k＝1，2…，n}

         x₀＝{x₀(k)|k＝1，2…，n}---参考序列

对每一个序列经过小波分析去除噪声并初步分类，处理机理基于白噪声的性态的信号的奇异性态在小波变换下具有截然不同的性质。分析如下：

f(x)∈C°(R)(0＜a＜1)若

                       |f(x)-f(y)|＝0(|x-y|^a)

设Ψ(x)是一允许小波，且|Ψ(x)|，|Ψ’(x)|＝0(1+|x|^-2)，记

                          Ψ_j，k(x)＝2^1/2Ψ(2’x-k)

              W_2’f(x)＝2^1/2∫_Rf(t)Ψ(2’t-X)dt

则

                   |W^j _2f(x)|＝0(2^-(1/2+α)j)

而作为方差为α²的宽平稳白噪声n(x)，W2^jn(x)＝2^j/2(n(t)Ψ(2^jt-x))并假定是Ψ(x)是实的。从而

${\left|{W2}^{\′}n\left(x\right)\right|}^2=2^{\′}{\∫\∫}_{R}n\left(u\right)n\left(v\right)\mathrm{\ψ}\left(2^{\′}(n-x)\mathrm{\ψ}\left(2^{\′}(v-x)\mathrm{dudv}\right)\right)$

故

$E|{W2}^{\′}n\left(x\right){|}^2=2^{\′}{\∫\∫}_R\mathrm{\σ\δ}(u-v)\mathrm{\ψ}\left(2^{\′}(u-x)\right)\mathrm{\ψ}\left(2^{\′}(v-x)\mathrm{dudv}\right)$

$=2^{\′}{\mathrm{\σ}}^2\∫|\mathrm{\ψ}\left(2^{\′}(u-x)\right){|}^2\mathrm{du}$

$={\mathrm{\σ}}^2\left|\right|\mathrm{\ψ}{\left|\right|}^2$

表明W2^jn(x)作为一个平稳随机过程的平均功率与尺度2j无关。然后各序列按可变窗持续时间趋势算法求取趋势值。过程如下：定义累加函数K(n)为

St是预警门限，U(·)是单位阶跃函数

$y\left(n\right)=\underset{l=0}{\overset{N+k(n-1)-2N+K(n-1)-1}{\mathrm{\Σ}}}\underset{j=1}{\mathrm{\Σ}}\mathrm{sign}2\left[\mathrm{signl}(x_0(n-i)-x_0(n-j)\right)+\mathrm{signl}(x_0(n-j)-\mathrm{RW})]$

N是窗口长度，平常检测使用短窗长，当趋势值超过了预警门限后，K(n)逐步增加，sign2和sign1是符号函数

S是转折门限，定义相对趋势值

           τ(n)＝y(n)/(N*(N-1))

当τ(n)∈[r1，r2]时，判断各序列的关联匹配情况，如果关联值总体超过关联预值，确认火灾发生。

关联系数定义为：

${\mathrm{\ζ}}_1\left(k\right)=\frac{{\mathrm{Min}}_l{\mathrm{Min}}_k{\mathrm{\Δ}}_l\left(k\right)+{\mathrm{\ρMax}}_l{\mathrm{Max}}_k{\mathrm{\Δ}}_l\left(k\right)}{{\mathrm{\Δ}}_l\left(k\right)+\mathrm{\ρ}{\mathrm{Max}}_l{\mathrm{Max}}_k{\mathrm{\Δ}}_l\left(k\right)}$

其中，Δi(k)＝|x₀(k)-x₁(k)|，称为第k个指标x₀与x₁的绝对差：ρ∈(0，+∞)，称为分辨系数：MinMinΔi(k)称为两级最小差：MaxMaxΔi(k)称为两级最大差。

相关度

${\mathrm{\γ}}_1=\frac{l}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_l\left(k\right)$

如果γ₁都不小于R，说明各序列满足关联匹配条件。

Claims (2)

1.一种光截面图像感烟火灾探测方法，其特征在于在被监控区域内设置红外发光阵列(1)和红外摄像机(2)，使红外发光阵列发射出的红外光穿过被监控区域上空，在红外摄像机光靶阵列上成像，形成红外光斑影像，该光斑影像由红外摄像机转换成视频信号，传送给视频切换器(3)，视频切换器以巡检方式逐一将接收到的视频信号送入计算机(4)，计算机(4)采用模板匹配，趋势分析和相关分析的视频信号处理算法对输入的视频信号变化情况进行分析处理，如果确认火灾发生，计算机(4)将通过联动控制报警器(5)进行火灾报警。

2.权利要求1所述的光截面图像感烟火灾探测方法，其特征在于计算机(4)对视频图像进行数字化处理，采用动态直方图阈值分割与模板匹配方法，将光斑与背景进行分离，从连续时序图像中提取光斑亮度数据，组成相关分析的亮度变化数列，对序列数据进行滤波去噪，采用趋势分析和相关分析方法判断该光斑的关联匹配情况，如果关联值总体超过关联阈值，则确认火灾发生。

Images