火灾是全球范围内具有深远环境和经济影响的毁灭性威胁。在火灾管理和法证调查领域，准确快速地识别起火点对于优化应急响应、协助法律程序和制定预防策略至关重要。然而，尽管其重要性不言而喻，当前的方法论仍然严重依赖于物理证据的人工分析和燃烧模式的专家视觉检查。这些传统方法本质上耗时耗力，存在显著的解释差异性，并且容易产生人为错误，这凸显了对自动化、客观分析解决方案的迫切需求。
现有的自动化火灾探测系统主要侧重于活跃火灾的识别，而非起火点的定位。基于卫星的系统（如MODIS和VIIRS）在大规模火灾监测方面表现出色，但缺乏精确确定起火源所需的空间分辨率。地面系统通常专注于报警目的的早期探测，而非用于调查的火灾后分析。计算机视觉方法在受控环境下的火焰和烟雾识别方面取得了合理成功，但这些方法通常需要时间序列，对环境条件敏感，并且无法从单张图像中可靠地确定起火点。对时序数据的依赖严重限制了它们在只有火灾后图像可用的火灾调查场景中的适用性。基于光流的方法虽然在理论上能够追踪烟雾运动，但存在计算不稳定性问题，并且需要高质量的连续图像。基于物理的建模方法为火灾行为提供了宝贵的见解，但需要大量的计算资源和详细的环境参数，而这些在应急响应或调查场景中通常无法获得。
这项研究通过开发一种新颖的基于径向散度的方法，用于自动化火灾起火点检测，解决了上述局限性。该研究的主要目标是开发一种计算效率高且具有物理意义的火灾起火点检测方法，能够处理不同的成像条件、尺度和火灾场景。这一目标包括几个具体目的：创建一种能在单张图像上可靠运行而无需时间序列的方法；开发在不同空间尺度（从地面到卫星图像）上保持准确性的技术；将火灾行为和烟雾扩散的物理原理融入检测算法；以及实现适用于应急响应系统操作部署的计算效率。其关键创新在于将矢量场散度分析应用于烟雾密度模式，其物理原理是烟雾从起火源径向向外扩散。这种方法将起火点检测问题转化为一个数学优化任务，即寻找从烟雾密度分布导出的矢量场中的最大正散度。
为了验证所提出的基于径向散度的火灾起火点检测方法的有效性，研究人员使用不同类型的数据集和场景进行了全面的实验。实验评估包括三个主要类别：对一般烟雾图像进行单图像烟雾密度分析、使用卫星前后图像对进行比较分析，以及受控火灾场景分析。
在单图像烟雾密度分析实验中，研究人员实现了两种不同的矢量场生成方法并进行系统比较。梯度基方法直接根据烟雾密度梯度计算矢量场，而径向基方法则通过多尺度极大值滤波识别密度峰值，并生成从这些峰值指向外部的径向流模式。对16张记录火灾从初始点燃到完全发展的连续图像进行了逐帧分析。实验结果表明，径向基方法具有显著的性能优势。统计分析显示，其成功率达到87.5%，平均检测误差为67.8±38.9像素，优于梯度基方法75.0%的成功率和89.3±45.2像素的平均误差。
为了确立密度基散度方法的科学有效性，研究人员与常用于火灾行为分析的传统光流方法进行了系统比较实验。比较涵盖了计算稳定性、物理相关性和不同成像条件下的检测准确性。密度基方法表现出卓越的计算稳定性，消除了对连续帧对的需求，直接利用烟雾浓度进行分析，并且对图像伪影和光照变化具有弹性，使其非常适用于图像质量可能不一致的现实火灾调查场景。
第二个实验类别涉及使用卫星图像进行大规模野火检测，重点关注既有背景参考图像又有火灾影响图像可用的场景。这种方法通过差分分析实现了强大的烟雾检测，在卫星监测系统和大型火灾管理操作中具有关键应用。研究人员开发了一个复杂的多方法烟雾检测框架，以应对卫星图像特有的挑战，包括复杂地形背景、云干扰、大气效应和可变分辨率。该框架结合了四种互补的烟雾检测技术：RGB统计分析、HSV增强方法、LAB感知分析和高斯混合模型方法。最终的密度场计算采用基于各方法质量指标的自适应加权。
卫星图像实验证明了多方法方法处理复杂现实世界场景的有效性。该算法成功结合了具有优化HSV范围参数的多尺度颜色基烟雾检测、使用局部标准偏差和梯度度量来区分烟雾与地形特征的纹理分析、具有复杂云排除逻辑的亮度模式识别，以及能够处理各种烟雾羽流尺度和形态的自适应峰值检测算法。卫星图像分析取得了92.3%的成功率和45.2±28.7像素的平均误差。
第三个实验类别使用了Kosung火灾数据集，该数据集提供了具有已知起火点的受控火灾场景，用于精确的算法验证。该数据集能够在受控条件下进行详细的性能分析，并作为算法改进和验证的基准。Kosung数据集实验采用了增强的多尺度密度分析框架，具有复杂的峰值检测算法和自适应加权机制。该方法整合了五种互补的密度估计方法：统计RGB分析、增强的HSV分析、感知LAB分析、空间高斯混合模型和基于梯度的变化检测。
Kosung数据集分析实现了卓越的精度，检测到的起火点与预期位置偏差极小。先进的峰值检测算法采用具有自适应阈值确定的多尺度分析，能够在不同的烟雾密度和形态下实现稳健检测。自适应加权机制根据实时质量评估动态调整方法贡献，确保在各种成像条件下的最佳性能。Kosung受控数据集取得了最高性能，成功率达到95.8%，平均误差为31.5±19.3像素。
为了验证所提出算法组件的显著性和超参数的稳定性，研究人员进行了消融研究，重点关注密度估计方法和对径向衰减参数的敏感性分析。评估了每个密度估计模块的个体贡献。单方法方法通常比提出的多方法框架产生次优的定位。相比之下，提出的自适应加权组合实现了最稳定的定位。进一步分析了径向衰减参数σdecay的敏感性，该参数控制密度峰值的影响范围。参数变化显著影响散度场结构。所提出的σdecay=80.0值达到了最佳平衡，在一致的坐标处保持了强散度信号，并正确识别了起火源而没有空间漂移。该分析证实了所提出的密度方法组合和选择的参数σdecay=80对于最大化检测准确性和稳定性至关重要。
为了严格评估所提出方法的泛化能力和边界，研究人员使用具有挑战性的测试数据子集进行了额外的失败案例分析。这种跨数据集评估突出了基于径向散度的假设遇到限制的具体场景。首先，在单图像分析中，该方法依赖于密度梯度的连续性。当烟雾羽流由于强阵风与起火源物理分离，或者烟雾极其浓密和庞大时，计算出的密度峰值会向烟雾团块的中心移动。在这些情况下，散度最大值与漂移羽流的最厚部分对齐，而不是与地面起火点对齐，导致定位误差超过300像素。这表明该方法需要一条连接源头和羽流的连续密度轨迹才能进行准确检测。其次，在Kosung数据集上的泛化测试揭示了在复杂环境条件下的局限性。在由于地形复杂和大气不稳定导致烟雾高度分散的场景中，密度梯度变得弥散。由此产生的散度场显示出0.64的弱最大值，显著低于成功检测中观察到的典型值（>1.0）。这表明散度幅度可以作为一个可靠性置信度分数，低值表示由于环境噪声或烟雾对比度不足导致的检测结果高度不确定。
总之，虽然所提出的方法在标准场景下表现出稳健的性能，并且相对于现有方法有显著改进，但一些局限性和约束值得未来研究。该方法的性能在很大程度上取决于良好的烟雾可见度，这限制了其在烟雾产生最少、极端大气条件或具有挑战性的环境（如茂密的森林树冠和黑暗）下的泛化能力。此外，该算法受到极端天气条件的限制，特别是强风漂移和低对比度烟雾扩散，而当前对静态二维图像分析的依赖引入了对相机方向和视角的潜在敏感性，这可能会影响感知到的密度场。
未来的研究方向应侧重于解决这些局限性。首先，需要进行专门的稳健性分析，以系统地研究该方法在具有挑战性的条件下的性能，例如波动的风速、非均匀密度、部分遮挡和高光变异性。其次，扩展到多模态传感器融合是关键的下一个步骤。与热成像、高光谱数据或LiDAR的集成可以通过合并可见光谱之外的数据，即使在低能见度条件下也能提供稳健的起火源识别。进一步的开发还应包括用于关键应用中可靠性评估的不确定性量化方法，以及与实时监测系统的集成以进行连续火灾监视。最后，建立具有经验证地面真实起火点的更大标准化数据集将支持更全面的验证，并使得能够开发对当前基于物理的方法的机器学习增强。
该研究提出了一种新颖的基于径向散度的方法，用于自动化火灾起火点检测，该方法通过基于物理动机的矢量场分析解决了现有方法的关键局限性。该方法在准确性、计算效率和跨不同火灾检测场景的实际适用性方面展示了显著进步。实验验证证明了其相对于现有方法的卓越性能。基于径向的方法在单图像分析中实现了87.5%的成功率和67.8±38.9像素的平均误差，显著优于基于梯度的方法。对于前后对比分析，该方法实现了更高的准确度，卫星图像的成功率超过92%，受控场景的成功率达到95.8%。多方法密度场构建框架通过RGB统计分析、HSV增强、LAB感知分析和高斯混合建模的自适应加权，成功处理了各种成像条件。这种方法使得从地面图像到卫星数据的不同尺度下都能保持稳健的性能。所提出方法的计算效率，具有O(MN log(MN))的复杂度和每张图像2-12秒的处理时间，使其适用于在应急响应和火灾调查系统中的操作部署。该方法能够在单张图像上运行而无需时间序列的能力，解决了基于光流的方法的一个基本局限性。在多个数据集上证明的成功验证了该方法在现实世界部署中的泛化能力和稳健性。此外，将烟雾扩散的物理原理整合到数学框架中，提供了可解释的、定量的结果，可以支持法律程序并补充传统的主观调查技术。基于径向散度的方法代表了自动化火灾分析的一个重大进步，提供了一种将数学严谨性与对火灾行为的物理理解相结合的实用解决方案。所证明的性能改进和计算效率使该方法对于应急响应、法证调查和火灾管理应用具有重要价值。该方法基于基础物理原理确保了广泛的适用性，并为未来火灾起火点检测能力的增强提供了一个稳健的框架。
