2. 基础知识

安防摄像头的烟火检测算法，本质上是一个基于视觉模式的分类问题。与传统的温度传感器或烟感器不同，摄像头依赖的是对场景中像素时空变化的解析。要设计出既灵敏又可靠的检测系统，首先必须深刻理解火焰与烟雾在图像中呈现的独特视觉规律，同时清醒地认识到现实场景中哪些干扰源会挑战算法的判断边界。本章将系统拆解火焰与烟雾的颜色、纹理、运动及闪烁特征，并深入剖析灯光、阴影、蒸汽、灰尘等常见误报源的成因与应对思路。

2.1 火焰的视觉特征：颜色、纹理、运动与闪烁

火焰是燃烧过程中高温气体和固体微粒发出的可见光辐射。在视频图像中，火焰呈现出高度动态且具有统计规律的模式。理解这些规律是设计检测算法的基础。

2.1.1 颜色特征

火焰的颜色分布遵循黑体辐射规律，从内焰到外焰呈现由亮白、黄橙到暗红的渐变。在RGB色彩空间中，火焰像素通常满足R > G > B的关系，且R通道值显著高于其他通道。然而，单纯依赖RGB阈值容易受到暖色灯光和夕阳的干扰。更稳健的做法是转换到HSV或YCbCr色彩空间，利用色相（Hue）集中在红橙区间（0°~60°）、饱和度（Saturation）中等偏高、亮度（Value）动态变化的特点进行分割。此外，火焰中心区域往往出现过曝现象（亮度值接近255），而边缘区域则呈现半透明的橙红色，这种“亮核+渐变边缘”的结构是火焰区别于普通光源的重要特征。

2.1.2 纹理特征

火焰表面具有独特的湍流纹理。由于热空气上升和燃烧不稳定性，火焰内部会不断产生涡旋和褶皱，导致其纹理在空间上呈现不规则、非重复、多尺度的特点。在图像处理中，常用局部二值模式（LBP）、灰度共生矩阵（GLCM）或Gabor滤波器来量化这种纹理。火焰区域的纹理熵值通常较高，而规则光源（如灯泡）的纹理熵值较低。此外，火焰边缘的梯度方向变化剧烈，且边缘轮廓呈锯齿状，这与平滑的物体边缘形成鲜明对比。

2.1.3 运动特征

火焰的运动具有明显的方向性和随机性。宏观上，火焰主体受热浮力驱动，呈现持续上升的趋势；微观上，火焰边缘的抖动是随机的、非刚体的。在视频帧序列中，可以通过光流法或帧间差分法提取运动矢量。火焰区域的运动矢量方向主要指向向上，且运动速度在0.3~3 m/s之间（视燃烧物和风速而定）。与行人或车辆等刚性运动不同，火焰的运动场是发散的、不连续的，相邻像素的运动矢量差异较大。

2.1.4 闪烁频率

火焰闪烁是燃烧动力学的重要特征。研究表明，火焰主体的闪烁频率主要集中在8~12 Hz范围内，这一频率与火焰的尺寸、燃料类型和环境气流有关。在视频分析中，对火焰区域像素的亮度时间序列进行傅里叶变换，可以在频域中检测到这一特征峰。值得注意的是，普通摄像头帧率通常为25~30 fps，根据奈奎斯特采样定理，能够无混叠地检测的最高频率为12~15 Hz，因此8~12 Hz的闪烁特征恰好处于可检测的临界范围。实际应用中，常采用短时傅里叶变换（STFT）或带通滤波来提取这一频带能量。

2.2 烟雾的视觉特征：颜色、纹理、运动与扩散

烟雾是燃烧或不完全燃烧产生的固体微粒和气溶胶。与火焰相比，烟雾的视觉特征更加“柔和”和“弥散”，检测难度也更高，因为烟雾会逐渐遮挡背景，且其外观受光照和背景影响极大。

2.2.1 颜色与透明度

烟雾的颜色取决于燃烧物和温度。木材、纸张燃烧产生的烟雾呈灰白色；塑料、橡胶燃烧产生黑色浓烟；某些化学品燃烧可能产生黄褐色或蓝色烟雾。在图像中，烟雾区域通常表现为半透明，即背景纹理仍然隐约可见，但对比度和清晰度显著下降。这一特性可以通过计算局部区域的对比度衰减程度来量化。烟雾像素的饱和度通常较低（接近灰色），亮度介于背景和火焰之间。

2.2.2 纹理特征

烟雾的纹理与火焰截然不同。烟雾没有锐利的边缘，其边界是渐变的、模糊的。在图像频域中，烟雾区域的高频分量显著减少，表现为低通滤波效应。使用拉普拉斯算子或Canny边缘检测时，烟雾区域内部的边缘响应很弱，而烟雾与背景的交界处呈现宽而弱的过渡带。此外，烟雾的纹理具有自相似性（分形特征），在不同尺度下观察，其粗糙度保持相对一致。

2.2.3 运动与扩散特征

烟雾的运动受气流主导，扩散方向不固定，可能水平飘移、上升或下沉。与火焰的快速抖动不同，烟雾的运动是缓慢且平滑的，速度通常在0.1~1 m/s。在视频序列中，烟雾区域会逐渐扩大，且其边缘不断向外推进。光流场在烟雾区域表现为低速、方向一致（或缓慢变化）的矢量场。另一个重要特征是烟雾的半透明运动——当烟雾飘过时，背景的纹理会被“抹平”然后又恢复，这种“背景暂时模糊”的现象是烟雾检测的关键线索。

2.2.4 时间域特征

烟雾在时间域上没有固定的闪烁频率，但其亮度变化具有缓慢漂移的特点。与火焰的周期性闪烁不同，烟雾像素的亮度时间序列呈现低频（<1 Hz）的随机波动。此外，烟雾的扩散过程具有不可逆性——一旦烟雾产生，其覆盖面积通常单调增加（直到通风或燃烧结束），这与蒸汽的“产生-消散”循环模式不同。

2.3 常见误报源深度剖析

误报是烟火检测系统在实际部署中最头疼的问题。一个误报率过高的系统会逐渐失去用户的信任，最终被弃用。以下四类误报源最为常见，需要算法设计者重点防范。

2.3.1 灯光干扰

灯光干扰包括汽车前灯扫过、路灯的周期性闪烁、霓虹灯的颜色变化、手电筒光束等。这些光源在颜色上可能接近火焰（尤其是暖色路灯），在运动上可能产生快速移动的光斑。然而，灯光与火焰存在本质区别：灯光通常具有稳定的几何形状（圆形、矩形），边缘清晰锐利；灯光闪烁频率通常为50/60 Hz（交流电频率），远高于火焰的8~12 Hz；灯光不会产生湍流纹理。应对策略包括：检测光斑的形状规则度（圆形度、矩形度）、分析闪烁频率是否落在火焰频带内、利用时间一致性验证（火焰持续存在，而车灯扫过是短暂的）。

2.3.2 阴影干扰

阴影是视频监控中最大的误报来源之一。树木在风中摇晃产生的动态阴影、云层移动造成的大面积阴影变化、行人或车辆的影子，都可能被误判为烟雾或火焰。阴影与烟雾在视觉上有相似之处：都会降低局部亮度、边缘模糊。但阴影有一个关键特征——不改变背景的纹理信息。阴影只是乘性衰减了背景亮度，而烟雾是加性叠加了半透明介质。在算法上，可以通过色彩比（阴影通常保留色相，烟雾会改变色相）、纹理保持度（阴影区域的边缘依然清晰，烟雾区域边缘模糊）来区分。此外，阴影的运动通常与遮挡物（树、人）的运动同步，而烟雾的运动是独立的。

2.3.3 蒸汽与水雾

厨房蒸汽、工业锅炉排气、浴室水雾、清晨的雾气，在视觉上与烟雾高度相似：半透明、灰白色、缓慢扩散、边缘模糊。区分蒸汽与烟雾的线索包括：蒸汽通常出现在固定区域（厨房、浴室），且具有周期性（做饭时间、洗澡时间）；蒸汽的扩散速度通常比烟雾更快，且消散也快；蒸汽的纹理比烟雾更均匀，缺乏烟雾内部的絮状结构。高级算法可以结合场景语义信息——如果摄像头安装在厨房，则对蒸汽的检测阈值应适当提高；或者利用温度信息（红外热像仪）来辅助判断。

2.3.4 灰尘与飞虫

扬尘、柳絮、飞蛾、蜘蛛网等微小物体在镜头附近飘动时，会形成模糊的移动斑块，极易被误判为烟雾。这类干扰的特点是：尺寸小、运动速度快、持续时间短。飞虫在镜头前飞过可能只持续0.1~0.3秒，且由于离镜头近，会形成大面积的虚影。应对策略包括：设置最小检测面积阈值（小于一定像素数的区域不处理）、要求目标在连续多帧（如5帧）中持续存在才触发报警、利用对焦信息（近处飞虫通常失焦，边缘模糊程度与烟雾不同）。

2.4 案例拆解：某化工厂的蒸汽误报问题

某化工厂在反应釜区域安装了烟火检测摄像头，上线初期频繁误报，平均每天触发20余次，导致中控室值班人员对报警信号麻木，存在严重安全隐患。

初始现象：误报集中在白天9:00-11:00和14:00-16:00两个时段，恰好与车间蒸汽排放时间吻合。算法将蒸汽排放口排出的白色水雾识别为烟雾。

分析过程：通过回放录像发现，蒸汽区域的颜色（灰白）、纹理（模糊）、运动（缓慢扩散）与烟雾特征高度重合。进一步分析频谱发现，蒸汽的亮度变化频率约为0.2 Hz，而烟雾的典型频率为0.5~2 Hz。此外，蒸汽排放具有明显的方向性（固定向上或向侧方），且排放口位置固定。

解决方案：采用三层策略叠加：第一层，在检测区域中设置“已知蒸汽源”的屏蔽掩码，对排放口周围2米区域降低检测灵敏度；第二层，增加时间频率分析，要求目标区域的亮度波动频率在0.3~3 Hz范围内才判定为烟雾，滤除低频蒸汽；第三层，引入纹理保持度指标——蒸汽区域的背景边缘衰减程度比烟雾更均匀，通过计算边缘梯度直方图的方差来区分。

结果对比：优化后，误报率从每天20次降至每周1~2次，且未出现漏报。代价是算法计算量增加了约15%，需要选用算力稍高的边缘计算设备。

复盘经验：烟火检测算法不能“一刀切”，必须结合具体场景进行调优。在部署前，应收集至少一周的场景视频，标注出所有可能的干扰源，建立“场景干扰库”，用于算法验证和阈值调整。

2.5 总结与设计要点

火焰与烟雾的视觉特征既有区别又有联系，检测算法的核心在于多特征融合与场景自适应。以下要点值得牢记：

• 颜色是起点，不是终点：颜色特征用于快速筛选候选区域，但必须结合纹理和运动特征做二次确认。
• 时间域信息至关重要：单帧图像无法可靠区分火焰与灯光、烟雾与蒸汽，必须利用多帧时序信息。
• 场景感知是降误报的关键：了解摄像头安装位置（室内/室外、工厂/森林）、光照条件、已知干扰源，可以大幅提升检测精度。
• 阈值动态化：白天与夜晚、晴天与阴天，图像特征差异巨大。固定阈值必然导致误报或漏报，建议根据环境亮度、天气信息自动调整检测参数。
• 硬件与算法协同：如果摄像头支持双光谱（可见光+红外热成像），可以融合热成像数据，利用温度信息直接排除灯光和阴影干扰，这是目前最可靠的方案之一。