摘 要： 对烟火场区域的人员智能视觉分析系统进行合理设计，可以对烟火场区域内的人员进行准确定位，提高火场救援效率，传统的烟火场区域的人员智能视觉分析系统在模式识别领域一直存在误差大、滞后大的问题。设计一种烟火场区域的人员智能视觉分析系统，对系统内的硬件进行描述：采用TI公司的DM642为核心芯片，进行烟火场区域的人员图像采集；以DDR为中心进行图像的存储；以TMS320DM8168为接口核心进行与外部设备的连接，采用Ahera公司生产的FPGA芯片EPIC20F324对烟火场区域的人员进行智能分析。实验结果表明，该系统具有良好的实时性和稳定性，可以有效地对烟火场区域的人员位置进行智能视觉分析。
关键词： 烟火场区域； 人员定位； 智能视觉分析； 图像采集
中图分类号： TN915.5?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2016）16?0128?04
Abstract： The reasonably?designed of intelligent vision analysis system for persons in fireground area can locate the persons in fireground area accurately， and improve the efficiency of fireground rescue. Since the traditional intelligent vision analysis system for locating the persons in fireground area exists the problems of big error and large lag in pattern recognition field， an intelligent vision analysis system for persons in fireground was designed. The hardwares inside the system are described. The DM642 made by TI Company is adopted as the core chip of the system to collect the images of persons in fireground area. DDR is taken as the center for image storage. TMS320DM8168 is employed as the interface core to connect the system with external devices. The FPGA chip EPIC20F324 made by Ahera Company is adopted for intelligent analysis on the persons in fireground area. The experimental results prove that the system has good real?time performance and stability， and can effectively perform the intelligent vision analysis for the position of persons in fireground area.
Keywords： fireground area； person positioning； intelligent vision analysis； image acquisition
0 引 言
火灾是目前发生概率较大、给人类生命财产安全带来严重损失的灾害。随着现代经济的发展，火灾发生的区域也逐渐扩大，烟火场救人是指灭火人员使用各种技术和器材解救火场中的受困人员，并将其转移到安全区域的过程。当前火灾发生的环境复杂多变、引起的危害也越来越严重，如何有效地搜救火场待救人员并保证其安全，对烟火场区域的人员智能视觉分析系统进行合理设计，可以对烟火场区域内的人员进行准确定位，提高火场救援效率。
当前的烟火场区域的人员智能视觉分析方法存在一定弊端，如文献[1]运用时间差分法计算出烟火场区域的人员图像序列中的两幅相近帧，对像素的时间差分进行处理，随后对差分结果进行闭值化处理，完成烟火场区域的人员智能视觉分析，如果烟火场区域的人员某些范围的灰度值波动不够显著，则该方法会使在烟火场区域的人员图像出现空洞问题，严重降低烟火场区域的人员智能视觉分析精度；文献[2]通过光流法检测烟火场区域的人员图像的异常动作，其依据烟火场中的人员随时间波动在图像中呈现出的光流特征，运算位移向量，以此为基础对烟火场区域的人员进行智能视觉分析，但是该方法容易受到噪声、阴影、烟雾等干扰因素的影响，且存在运算效率低的问题；文献[3]提出一种基于背景减除法的烟火场区域的人员智能视觉分析方法，先采集不含前景目标的背景图像，再将当前图像帧同背景图像相减，获取前景目标。但是该方法非常容易受到光照波动、室外环境中背景波动的影响，适应能力较差。文献[4]提出一种基于高斯建模的烟火场区域的人员智能视觉分析方法，对烟火场中的人员进行分析，但该方法在复杂背景下建模效果较差，检测结果不理想。
本文设计一种烟火场区域的人员智能视觉分析系统，对系统内的硬件进行描述，经实验证明，该系统具有良好的实时性和稳定性，可以有效地对烟火场区域的人员位置进行智能视觉分析。
1 烟火场区域的人员智能视觉分析系统硬件设计
本文设计系统是一个高速采集烟火场区域的人员图像，快速确定烟火场区域人员位置的智能视觉分析系统，主要包括硬件和软件两部分。系统的硬件部分主要包括摄像头、视频交互的嵌入式处理器和视频处理部分，视频处理器和视频采集部分之间通过DPRAM进行实时交换，如图1所示。 分析图1可知，烟火场区域的人员图像采集系统主要采用PAL制式下的视频交换接口的CCD摄像头，选取的分辨率为1 024×1 080的摄像机，帧率为70 f/s，通过视频中的图像输出接口，将视频中图像信号传输到PPI接口中后，对视频图像进行压缩并以2.6 Mb/s的高速度传输给视频检测中心进行人工监控，此过程对网络带宽要求很高，具体要完成视频的压缩传输，要结合本地带宽进行智能图像处理，把采集符合要求的烟火场区域的人员图像进行实时传输，以此降低网络传输中的负担，以下对硬件中的重要模块进行介绍。
1.1 图像采集模块
该模块利用双CCD摄像机、2片Philips公司的SAA7115H、AMD公司的AM29LV系列FLASH芯片、TI公司的DM642核心处理芯片，并用Video Port0和Video Port1组成了视频图像采集模块，实现烟火场区域人员图像的实时采集，它主要通过摄像机捕获视频信号经过通道SAA7115H进行数字转换后，形成特定格式的数字视频信号，从DM642的Video Port0，Video Port1输入；在DM642中，视频数据经过相应算法处理后，由Video Port2经视频编码芯片转换后输出烟火场区域的人员图像。如图2所示。
1.2 图像存储模块
图像数据采集完成后，由配置HDVPSS子系统把烟火场中人员图像数据送到VPDMA中，并转入DDR内存，当DDR内存的视频图像数据量过多超过设定的数据量时会产生中断，中断发生后，根据存放地址启动内存和固态硬盘间的DMA传输，将烟火场区域的人员图像通过SATA接口存储在SSD上，完成了烟火场区域的人员图像的存储。然后开始下一周期的数据采集，具体如图3所示。
1.3 烟火场区域的人员图像视觉分析模块
在1.2节的基础上，对存储的烟火场区域的人员图像进行智能分析。本文设计的FPGA模块主要负责对烟火场中人员位置进行智能视觉分析，具体硬件结构如图4所示。
由图4可知，FPGA模块对数据传输速度有很高的要求，根据FPGA模块需要，运用Ahera公司生产的FPGA芯片EPIC20F324，其芯片内部集成了近20 000个数据分析单元，3个可编程锁相环以及400多个可用的I/O口，运用VHDL语言进行编程，利用编程语言着重对烟火场区域的人员位置进行分析，将该烟火场区域人员图像划分成不同的时空块，对由火场区域人员所产生的时空交织模式进行分析，将分析结果与设定的目标函数[J]进行比对，将小于目标函数[J]的结果定义为烟火场区域人员的具体位置，实现烟火场区域的人员智能视觉分析。
1.4 图像处理接口模块
基于TMS320M8168芯片丰富的外设接口，设计的系统能够灵活地进行外部接口设计控制外围设施，实现与自身外部处理器的通信功能。根据需求可选取2个具有GMII和MDIO接口的千兆位以太网MAC，或者2个具有集成2.0PHY的USB端口。如图5所示。
TMS320DM8168的两个USB接口能够满足采集的图像数据上传的需要，通过LCD，VGA接口可用来连接图像采集模块，也可用来控制烟火场区域的人员智能视觉分析的速率，达到烟火场区域的人员图像数据的高速传输，增加分析的速度。
1.5 系统软件设计
烟火场区域的人员智能视觉分析系统的软件部分以时空特征分析方法为基础，结合稀疏编码方法获取烟火场的人员位置参数，最终计算人员的空间位置，完成烟火场区域的人员智能视觉分析。其中，烟火场区域的人员图像位置的特征点能够用稀疏编码进行描述，通过包含时间和空间量测的滑动窗口获取，具体过程如下：
利用图像采集模块采集一段烟火场区域的人员视频，将该烟火场区域的人员视频中的位置信息划分成不同的时空块[X=X1，X2，…，Xm]，各时空块中存在一组时空价值立方体[Xi=X1i，X2i，…，Xnii]。烟火场区域的人员图像位置的特征点是由多个时空价值立方体构成的时空块[Xi=X1i，X2i，...，Xnii]。
利用稀疏编码公式对时空块[Xi]是否具有代表烟火场人员位置信息的特征点进行判断：
[J（Xi，αi，D）=Xi12jXji-Dαji22+λ1jαji+ λ2j，kWjkαji-αki22] （1）
式中：[αi=α1i，α2i，…，αnii]表示系数矩阵；[D]表示烟火场人员位置信息集合；[λ1，λ2]为特征点稀疏规范化参数和平滑规范化项参数。
当[Xi]对应的目标满足公式（2）时，证明则具有代表烟火场的人员位置信息的特征点，否则，不具有代表烟火场的人员位置信息的特征点，对其进行删除。
[Xi>ε] （2）
式中，[ε]表示设置的阈值。
通过上述分析，对烟火场人员的位置进行确定，完成烟火场区域的人员智能视觉分析，具体算法流程如下：
输入：烟火场区域的人员视频数据，学习率[η]，阈值[ε]。
输出：烟火场区域的人员智能视觉分析结果。
过程：
（1） 通过训练获取烟火场区域的人员视频图像；
（2） 通过时空滑动窗检索的烟火场视频划分为多个时空块[Xi=X1，X2，…，Xm]；
（3） 对于划分后的每个时空块利用式（3）中的卡尔曼滤波方法进行滤波处理，滤除背景以及一切干扰：
[s=i（ai-bi）2（e2-c）×η] （3）
式中：[ai，bi]代表烟火场中人员位置横、纵坐标的估计值；c代表卡尔曼滤波系数；e代表滤波系数的增益参数。
（4） 对图像中的人员区域进行实时定位，利用式（4）获取烟火场的人员位置参数：
[uk=tn（s2-g）M-1] （4） 式中：[M]为图像采集设备的空间位置参数；[s]为烟火场的面积大小；[t]为火灾持续时间；[n]为烟火强度系数。
（5） 将获取的烟火场的人员位置参数代入，利用式（5）获取烟火场的人员的空间位置，输出烟火场的人员智能视觉分析结果：
[x=Q2-W（ai）+E2u（k）y=Q2-W（bi）+O2u（k）] （5）
式中：x和y代表烟火场受困人员精确定位的横坐标和纵坐标；Q，u（k）代表烟火场的人员位置参数；[W（ai）]和[W（bi）]代表烟火场中受困人员横、纵坐标的特征向量；E代表烟火场中受困人员图像像素协方差矩阵；O代表烟火场内人员位置的更新参数。
（6） 算法结束。
2 实验结果与分析
通过实验验证本文方法的有效性，实验中采用的烟火场的人员智能视觉分析数据来自正常火灾视频，利用Java进行编程，利用Matlab 7.0构建实验环境，将传统的时间差分法作为对比分析方法。
2.1 不同方法下烟火场区域的人员智能视觉分析结果比对
分析图6～图8可知，与传统方法相比，利用本文设计的系统能够获取更清晰的烟火场中的人员图像，充分体现出本文系统的优越性。
2.2 不同方法下烟火场区域的人员智能视觉分析性能比对
为了进一步验证本文设计的烟火场区域的人员智能视觉分析系统的有效性，将传统的时间差分法作为对比分析方法，对不同方法下烟火场区域的人员智能视觉分析性能比对，将人员智能定位误差和时间作为评价性能优劣的指标，结果如图9，图10，表1所示。
分析图9和图10可知，利用本文方法和传统方法进行烟火场人员智能视觉分析时，本文方法更符合实际结果，说明本文方法具有较好的视觉分析精度。
分析表1可知，面对一级火灾场景，本文方法进行烟火场人员视觉分析时，人员定位时间平均约为5 s，而传统算法人员定位时间平均约为14 s，本文方法比传统方法提高约9 s；在定位误差方面，本文方法进行烟火场人员视觉分析时，人员定位误差平均约为5%，而传统方法约为15%；面对二级火灾场景，本文方法进行烟火场人员视觉分析时，人员定位时间平均约为6 s，而传统算法人员定位时间平均约为16.7 s，本文方法比传统方法提高约10.7 s；在定位误差方面，本文方法进行烟火场人员视觉分析时，人员定位误差平均约为8%，而传统方法约为18.7%；面对三级级火灾场景，本文方法进行烟火场人员视觉分析时，人员定位时间平均约为9 s，而传统算法人员定位时间平均约为21.6 s，本文方法比传统方法提高约12 s；在定位误差方面，本文方法进行烟火场人员视觉分析时，人员定位误差平均约为11.6%，而传统方法约为26.3%。
综上所述，证明了随着火灾严重程度不断增大，利用本文设计的烟火场区域的人员智能视觉分析优势更加明显。
3 结 论
针对传统的烟火场区域的人员智能视觉分析系统在模式识别领域一直存在误差大、滞后大的问题，本文设计了一种烟火场区域的人员智能视觉分析系统，对系统内的硬件进行描述：采用TI公司的DM642为核心芯片，进行烟火场区域的人员图像采集；以DDR为中心进行图像的存储；以TMS320DM8168为接口核心进行与外部设备的连接，采用Ahera公司生产的FPGA芯片EPIC20F324对烟火场区域的人员进行智能分析，经实验证明，该系统具有良好的实时性和稳定性，可以有效地对烟火场区域的人员位置进行智能视觉分析，具有较强的实用性，可以为火场救援提供理论指导。
参考文献
[1] 黄石磊.基于视觉计算的运动目标跟踪及异常行为分析[D].郑州：郑州大学，2014.
[2] 董俊峰.基于视觉的人体运动分析技术研究[D].北京：北方工业大学，2015.
[3] 刘柯.基于视觉图像的船模运动姿态分析[D].无锡：江南大学，2015.
[4] 王晓峰，郝潇.基于嵌入式的汽车异常移动视觉监控仿真分析[J].计算机仿真，2014，31（8）：163?167.
[5] 苗志宏，李智慧.火灾环境下人员疏散耦合SPH模型及仿真[J].系统仿真学报，2016，28（2）：292?300.
[6] 方江平，王宗超，王雅丽.火灾自动报警系统中火灾检测与定位改进方法[J].消防技术与产品信息，2015（3）：35?37.
[7] 薛节.图像型火灾探测及火源定位系统的研究与实现[D].上海：东华大学，2015.
[8] 吴小川.红外矩阵火灾探测图像采集与火焰定位技术研究[J].通讯世界，2015（6）：262.
[9] 金雨，李红莉.基于LabVIEW和USB摄像头的图像采集与处理[J].现代电子技术，2015，38（20）：67?70.