시대가 발전함에 따라 초고층 건물들이 도처에 세워지고 밀집되어 있다. 이러한 건물에 화재가 발생되면 발화지점 근처로 불이번지면서 대형화재의 위험성이 높아지고 이에 따른 인명 및 재산 피해가 증가한다. 따라서 이런 대형화재를 예방하고 피해를 최소화하기 위해서 화재를 미연에 감지하는 화재감지 기술에 대한 필요성이 높아지고 있다. 화재를 감지하기 위해 열감지기, 연기감지기, 불꽃감지기 등을 사용하는 방법이 있으나 본 논문에서는 감시 카메라에서 들어오는 입력 영상을 분석하여 화염과 연기를 초기에 감지하는 화재감지 시스템의 최근 연구 동향을 알아보고자 한다. 또한 이러한 화염과 연기 감지 알고리즘들을 다양한 형태의 동영상을 이용하여 구현 및 성능을 평가하였다.
시대가 발전함에 따라 초고층 건물들이 도처에 세워지고 밀집되어 있다. 이러한 건물에 화재가 발생되면 발화지점 근처로 불이번지면서 대형화재의 위험성이 높아지고 이에 따른 인명 및 재산 피해가 증가한다. 따라서 이런 대형화재를 예방하고 피해를 최소화하기 위해서 화재를 미연에 감지하는 화재감지 기술에 대한 필요성이 높아지고 있다. 화재를 감지하기 위해 열감지기, 연기감지기, 불꽃감지기 등을 사용하는 방법이 있으나 본 논문에서는 감시 카메라에서 들어오는 입력 영상을 분석하여 화염과 연기를 초기에 감지하는 화재감지 시스템의 최근 연구 동향을 알아보고자 한다. 또한 이러한 화염과 연기 감지 알고리즘들을 다양한 형태의 동영상을 이용하여 구현 및 성능을 평가하였다.
With the rapid development of technology, skyscrapers are widely spread and they are tightly coupled. If fire occurs in a building, it is easily spread to neighboring buildings, resulting in the large number of victims and property damages. To remove fire disasters, the need for early fire detection...
With the rapid development of technology, skyscrapers are widely spread and they are tightly coupled. If fire occurs in a building, it is easily spread to neighboring buildings, resulting in the large number of victims and property damages. To remove fire disasters, the need for early fire detection techniques is increasing. To detect fire, detecting devices for heat, smoke, and flame have been used widely. However, this paper surveys and presents the latest research which focuses on early smoke and flame detection algorithms and systems with camera's input images. In addition, this paper implements and evaluates the performance of these flame and smoke detection algorithms with several types of movies.
With the rapid development of technology, skyscrapers are widely spread and they are tightly coupled. If fire occurs in a building, it is easily spread to neighboring buildings, resulting in the large number of victims and property damages. To remove fire disasters, the need for early fire detection techniques is increasing. To detect fire, detecting devices for heat, smoke, and flame have been used widely. However, this paper surveys and presents the latest research which focuses on early smoke and flame detection algorithms and systems with camera's input images. In addition, this paper implements and evaluates the performance of these flame and smoke detection algorithms with several types of movies.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
때문에 화재의 피해를 최소화하기 위해서는 화재의 초기에 발생하는 연기와 불꽃을 얼마나 빠르게 검출하여 화재를 인식하느냐가 중요하다. 본 논문에서는 카메라 영상처리를 통해 연기와 화염에 대한 각각의 화재 조기 감지 시스템들에 대해서 알아본다.
본 논문에서는 카메라의 입력 영상을 이용한 화재감지 시스템의 최신 연구개발 동향을 알아보았다. 모든 화재 감지에 만능인 광학식 화재 감지 알고리즘은 존재 하지 않으며, 느리게 발생하는 연기나 불길이 발생하기까지의 과정이 너무 빠른 경우, 실내와 실외에 따라, 바람의 방향이나 세기, 연기 발생 위치의 거리 차이, 연소되는 물질의 차이 등으로 인해 화재감지를 하지 못하는 경우가 있을 수 있다.
본 논문에서는 화재 발생 시 연기의 확산과 화염의 진행방향에 대한 공통적 특징과 규칙을 확인하고, 광학식 센서인 카메라에서 들어오는 영상에서 연기와 화염의 발생을 감지하는 화재감지 시스템들의 개발 동향에 대해서 기술하고자 한다.
제안 방법
평가를 위해서 각각의 영상들의 총 프레임수와 화염이 포함된 프레임의 수를 미리 계산하여 놓고 화염이 포함된 프레임을 얼마나 찾아내는지를 통해 검출률을 확인한다. 또한 화염이 포함되지 않은 프레임을 화염프레임으로 인식하는 경우와 화염이 포함된 프레임을 인식하지 못하는 경우를 통해 오검출률과 미검출률을 확인하는 방법을 사용한다.
이 논문에서 제안하는 알고리즘은 휘도 (luminance)와 색 (chrominance)을 분리하는 데에 있어서 RGB (Red-Green-Blue) 칼라 공간보다 훨씬 효과적인 YCbCr (Y: 휘도, Cb,Cr: 색) 칼라 공간을 사용하였다. 또한, YCbCr 칼라 공간에서 식 (5)와 (6)과 같은 새로운 규칙들을 정의하여 변화하는 조도 (illumination)에서 발생하는 유해한 효과들을 제거하여 화염 검출 성능을 향상시켰다.
다음으로 화염 영역은 일반적으로 인접 영역보다 높은 휘도 차를 보인다는 사실에 입각하여 휘도 맵을 만들고 이를 사용하여 비화염 픽셀을 제거한다. 마지막 단계로 웨이블릿 계수(wavelet coefficients)를 가지고 시간적 화염 모델을 만들어 레이디얼 기준 함수(radial basis function, RBF) 기반 support vector machines (SVM) 분류자에 적용함으로써 최종적으로 화염 픽셀을 검출한다. 제안한 알고리즘은 휘도 맵과 SVM을 적용함으로써 칼라 정보나 픽셀의 시간적 변화 등의 휴리스틱 특징 (heuristic features)을 사용함으로써 잘못된 경보를 자주 발생시키는 기존의 비전 기반 알고리즘들의 문제점을 해결할 수 있다.
더불어 제안하는 알고리즘은 잠재적인 화염 영역의 3차 통계 모멘트 (statistical moment), 화염 표면에서 관찰된 불규칙성 (randomness)/거침 (coarseness) 및 장면들 사이에서의 화염 지역 변화와 같은 화염의 특징을 사용함으로써 화염 감지 성능을 최대한으로 향상시켰다. 마지막으로 이러한 화염의 특징 인자들을 Bayes 분류자 (classifier)와 결합하여 최종적으로 화염 여부를 결정한다.
2009년 Celik 등은 화염 픽셀 분류를 위해 룰 기반 칼라 모델을 사용하였다[7]. 이 논문에서 제안하는 알고리즘은 휘도 (luminance)와 색 (chrominance)을 분리하는 데에 있어서 RGB (Red-Green-Blue) 칼라 공간보다 훨씬 효과적인 YCbCr (Y: 휘도, Cb,Cr: 색) 칼라 공간을 사용하였다. 또한, YCbCr 칼라 공간에서 식 (5)와 (6)과 같은 새로운 규칙들을 정의하여 변화하는 조도 (illumination)에서 발생하는 유해한 효과들을 제거하여 화염 검출 성능을 향상시켰다.
2009년 Ko 등은 조기 경보 화재 시스템을 위한 센서 기반 화염 검출 알고리즘을 제안하였다[8]. 제안하는 알고리즘은첫 번째로 화염의 칼라 픽셀과 움직이는 영역을 분석함으로써 후보 화염 영역들을 추출한다. 다음으로 화염 영역은 일반적으로 인접 영역보다 높은 휘도 차를 보인다는 사실에 입각하여 휘도 맵을 만들고 이를 사용하여 비화염 픽셀을 제거한다.
설계한 알고리즘의 정확도를 평가하기 위해서는 붉은 색의 움직이는 트럭 영상, 산불 영상, 주차장 화재 영상, 불붙은 박스 영상, 교통 체증이 일어나는 고속도로 영상 등 여러 상황의 화재와 비화재 영상을 사용한다. 평가를 위해서 각각의 영상들의 총 프레임수와 화염이 포함된 프레임의 수를 미리 계산하여 놓고 화염이 포함된 프레임을 얼마나 찾아내는지를 통해 검출률을 확인한다. 또한 화염이 포함되지 않은 프레임을 화염프레임으로 인식하는 경우와 화염이 포함된 프레임을 인식하지 못하는 경우를 통해 오검출률과 미검출률을 확인하는 방법을 사용한다.
1절에서 다양한 연기 검출 방법 및 알고리즘에 대해 설명하였다. 해당 알고리즘의 성능을 평가하기 위해 다양한 동영상에 대해 연기 검출률 및 오검출률을 측정하였으며, 대상 알고리즘은 아래와 같다. 성능 평가를 위해 사용된 동영상은 그림 5와 같으며, 320×240 크기의 동영상 9개를 이용하여 실험하였다.
2절에서 다양한 화염 검출 방법 및 알고리즘에 대해 설명하였다. 해당 알고리즘의 성능을 평가하기 위해 다양한 동영상에 대해 화염 검출률 및 오검출률을 측정하였으며, 대상 알고리즘은 아래와 같다. 성능 평가를 위해 사용된 동영상은 위 그림 8과 같으며, 320×240 크기의 동영상 6개를 이용하여 PC기반 매트랩 (Matlab) 툴을 사용하여 실험하였다.
대상 데이터
설계한 알고리즘의 정확도를 평가하기 위해서는 붉은 색의 움직이는 트럭 영상, 산불 영상, 주차장 화재 영상, 불붙은 박스 영상, 교통 체증이 일어나는 고속도로 영상 등 여러 상황의 화재와 비화재 영상을 사용한다. 평가를 위해서 각각의 영상들의 총 프레임수와 화염이 포함된 프레임의 수를 미리 계산하여 놓고 화염이 포함된 프레임을 얼마나 찾아내는지를 통해 검출률을 확인한다.
성능 평가를 위해 사용된 동영상은 그림 5와 같으며, 320×240 크기의 동영상 9개를 이용하여 실험하였다.
데이터처리
성능 평가를 위해 사용된 동영상은 위 그림 8과 같으며, 320×240 크기의 동영상 6개를 이용하여 PC기반 매트랩 (Matlab) 툴을 사용하여 실험하였다.
이론/모형
SVM 학습을 위해서는 커널 함수(kernel function)와 샘플에 대한 가중치(weights of samples)를 선택해야 하는데 Yang 등은 연기의 특징을 고려하여 레이디얼 기준 함수 (radial basis function, RBF)를 사용하였다[5].
성능/효과
또한 화염 모션의 양을 분석하기 위해 모양 디스크립터 (shape descriptor)를 사용하는 기존의 연구들과 다르게, 제안하는 알고리즘은 잠재적인 화염 영역의 경계 거칠기 (boundary roughness)를 사용함으로써 기존의 방법들과 유사한 검출능력을 보이지만 처리속도 측면에서는 훨씬 향상된 결과를 보였다. 더불어 제안하는 알고리즘은 잠재적인 화염 영역의 3차 통계 모멘트 (statistical moment), 화염 표면에서 관찰된 불규칙성 (randomness)/거침 (coarseness) 및 장면들 사이에서의 화염 지역 변화와 같은 화염의 특징을 사용함으로써 화염 감지 성능을 최대한으로 향상시켰다. 마지막으로 이러한 화염의 특징 인자들을 Bayes 분류자 (classifier)와 결합하여 최종적으로 화염 여부를 결정한다.
이러한 모든 실마리들을 이용하여 제안하는 알고리즘은 최종적으로 화염 여부를 결정한다. 따라서 제안하는 알고리즘은 화염의 색이나 시간적 변화 정보를 사용할 뿐만 아니라, 1-D 시간적 웨이블릿 변환을 사용하여 화염 불꽃을 검출하고 2-D 공간적 웨이블릿 변환을 사용하여 움직이는 화염 영역에서 색 변화를 검출함으로써 단지 칼라 정보나 평범한 모션 검출에 기반을 둔 기존의 방법들에서 발생하는 오검출률을 현격히 줄일 수 있다.
따라서 제안한 알고리즘은 YCbCr 칼라 공간을 사용함으로써 색으로부터 휘도를 구분하는데 있어서 훨씬 효율적이며, 그 결과 RGB 혹은 rgb 칼라 공간보다 조도 변화에 대한 높은 강인성을 보여준다.
제안하는 모델로부터 잠재적인 화염 마스크 (potential fire mask, PFM) 혹은 가능성 있는 화염 영역을 효율적으로 선택할 수 있다. 또한 화염 모션의 양을 분석하기 위해 모양 디스크립터 (shape descriptor)를 사용하는 기존의 연구들과 다르게, 제안하는 알고리즘은 잠재적인 화염 영역의 경계 거칠기 (boundary roughness)를 사용함으로써 기존의 방법들과 유사한 검출능력을 보이지만 처리속도 측면에서는 훨씬 향상된 결과를 보였다. 더불어 제안하는 알고리즘은 잠재적인 화염 영역의 3차 통계 모멘트 (statistical moment), 화염 표면에서 관찰된 불규칙성 (randomness)/거침 (coarseness) 및 장면들 사이에서의 화염 지역 변화와 같은 화염의 특징을 사용함으로써 화염 감지 성능을 최대한으로 향상시켰다.
화염이 발생하는 동영상을 가지고 화염 검출의 정확도를 평가한 결과 알고리즘 8이 제일 우수한 성능을 보였다. 반면, 화염이 발생하지 않는 동영상을 가지고 화염 검출 성능을 평가한 결과, 알고리즘 7이 제일 낮은 오검출률을 보였다.
2010년 Borges 등은 칼라 기반 화염 감지를 위한 확률 모델을 제안하였다[10]. 제안하는 모델로부터 잠재적인 화염 마스크 (potential fire mask, PFM) 혹은 가능성 있는 화염 영역을 효율적으로 선택할 수 있다. 또한 화염 모션의 양을 분석하기 위해 모양 디스크립터 (shape descriptor)를 사용하는 기존의 연구들과 다르게, 제안하는 알고리즘은 잠재적인 화염 영역의 경계 거칠기 (boundary roughness)를 사용함으로써 기존의 방법들과 유사한 검출능력을 보이지만 처리속도 측면에서는 훨씬 향상된 결과를 보였다.
마지막 단계로 웨이블릿 계수(wavelet coefficients)를 가지고 시간적 화염 모델을 만들어 레이디얼 기준 함수(radial basis function, RBF) 기반 support vector machines (SVM) 분류자에 적용함으로써 최종적으로 화염 픽셀을 검출한다. 제안한 알고리즘은 휘도 맵과 SVM을 적용함으로써 칼라 정보나 픽셀의 시간적 변화 등의 휴리스틱 특징 (heuristic features)을 사용함으로써 잘못된 경보를 자주 발생시키는 기존의 비전 기반 알고리즘들의 문제점을 해결할 수 있다.
성능 평가 결과는 표 3과 같다. 화염이 발생하는 동영상을 가지고 화염 검출의 정확도를 평가한 결과 알고리즘 8이 제일 우수한 성능을 보였다. 반면, 화염이 발생하지 않는 동영상을 가지고 화염 검출 성능을 평가한 결과, 알고리즘 7이 제일 낮은 오검출률을 보였다.
후속연구
퍼지이론(Fuzzy theory)은 이처럼 모호하고 불분명한 상황을 두뇌가 판단, 결정하는 과정에 대하여 수학적으로 접근하고 표현한다. 이 이론을 적용하면 영상에서 검출되는 불분명한 화재와 연기를 화재라고 정의하는 것에 도움이 될 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
적분 영상 기반의 고속 누적 움직임 방향 알고리즘은 어떻게 연기를 추정하는가?
적분 영상 기반의 고속 누적 움직임 방향 알고리즘은 8방향과 픽셀의 이동을 이용하여 연기의 움직임 방향을 추정한다. 이 알고리즘은 2008년 Yuan에 의해 제안되었으며 움직임 방향 추정, 적분 영상을 이용한 처리 속도의 가속화 및 히스토그램을 이용한 보다 정확한 연기 방향 추정의 3단계로 이루어진다[3].
물질이 불꽃을 내면서 연소할 때 무엇을 방출하게 되는가?
물질이 불꽃을 내면서 연소할 때에는 자외선, 가시광선, 적외선을 방출되게 된다. 불꽃 감지기의 경우는 자외선과 적외선 중 하나 또는 모두를 감지하여 화재를 구별하는 방법을 사용하게 되지만 카메라의 영상을 사용하여 화재를 감지해야할 경우에는 자외선과 적외선을 제외한 가시광선 즉 빛이나 불꽃의 색 등으로 불꽃 자체를 감지해내는 방법을 사용하여 화재를 인식하게 된다.
연기는 무엇인가?
화재 발생 시 주변의 물질들이 연소되면서 발생되는 고체·액체 상태의 미립자를 말한다. 일반적으로는 가연성 물질의 불완전 연소에 의해서 발생한다.
참고문헌 (10)
B. U. Toreyin, Y. Dedeoglu, and A. E. Cetin, "Contour based smoke detection in video using wavelets," in European Signal Processing Conference, EUSIPCO-06, pp. 1-5, Sept. 2006.
T. Chen, Y. Yin, S. Huang and Y. Yen, "The smoke detection for early fire-alarming system based on video processing," in Intelligent Information Hiding and Multimedia Signal Processing, pp.427-430, Dec. 2006.
F. Yuan, "A fast accumulative motion orientation model based on integral image for video smoke detection," Pattern Recognition Letter, vol. 29, no. 7, pp.925-932, May 2008.
T. Celik, H. Ozkaramanl, and H. Demirel, "Fire and smoke detection without sensors: image processing-based approach," in 15th European Signal Processing Conf., pp.1794-1798, Sept. 2007.
J. Yang, F. Chen, and W. Zhang, "Visual-based smoke detection using support vector machine," in Fourth International Conference on Natural Computation, pp. 301-305, 2008.
Z. Wei, X. Wang, W. An, J. Che, "Target-tracking based early fire smoke detection in video," in 2009 Fifth International Conference on Image and Graphics, pp. 172-176, 2009.
T. Celik and H. Demirel, "Fire detection in video sequences using a generic color model," Fire Safety Journal, vol. 44, no. 2, pp.144-158, Feb. 2009.
B. C. Ko, K. H. Cheong, and J. Y. Nam, "Fire detection based on vision sensor and support vector machines," Fire Safety Journal, vol. 44, no. 3, pp.322-329, April 2009.
B. U. Toreyin, Y. Dedeoglu. U. Gudukbay and A. E. Cetin, "Computer vision based method for real-time fire and flame detection," Pattern Recognition Letters, vol. 27, no. 1, pp.49-58, Jan. 2006.
P. V. K. Borges and E. Izqierdo, "A probabilistic approach for vision-based fire detection in videos," IEEE Transactions on Circuits and Systems for Video Technology, vol. 20, no. 5, pp.721-731, May 2010.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.