CN101826153A - 火灾检测方法 - Google Patents

Abstract

一种模式识别技术领域的火灾检测方法，包括以下步骤：检测当前帧的运动轮廓；提取当前帧的运动区域；得到当前帧运动区域的火焰颜色分布、空间变化分布和时域变化分布；对当前帧运动区域中每个像素点进行颜色-时域-空域的统一滤波，并标记火焰像素；统计当前帧火焰像素的个数，如果当前帧不包含火焰区域，则继续对监控图像进行火灾检测；如果当前帧包含火焰区域，则重复上述步骤，依次对该帧后连续的L帧图像进行检测，如果该L帧都包含火焰区域，则启动火灾警报；否则，继续对监控图像进行火灾检测。本发明提高了火灾发现的准确性，实现了实时有效的早期火灾预警。

Description

火灾检测方法

技术领域

本发明涉及的是一种模式识别技术领域的方法，具体是一种火灾检测方法。

背景技术

早期火灾检测对于防止火灾失控，保护人民生命财产安全十分关键。传统的火灾检测方法通过电离以及光度测定技术检测烟雾以及火焰产生的粒子。当这些粒子达到一定浓度，检测器才会发出警报，这时，火灾已经度过早期阶段，一些危险物质可能已经扩散。另一方面，这些检测系统不适用于户外环境以及大型覆盖区。目前，公共场所普遍配备了摄像监控系统，安装大量的摄像头用于监视场所的各个角落。基于监控视频的火灾检测系统可以有效监控开放空间，在火灾发生的早期阶段发出预警，对现有基于粒子检测的火灾预警系统是一种强有力的补充。

经过对现有技术的文献检索发现，Toreyin，B.U.等人在《Pattern Recognition Letters(模式识别快报)》第27卷，第1期，第49页到58页发表的“Computer vision based methodfor real-time fire and flame detection(基于计算机视觉方法的实时火焰检测)”一文中提出基于火焰颜色、火焰几何边缘的不规则动态特性来区分火与普通物体，该技术分别计算火焰颜色的三个通道，未能利用各个通道之间的相关性；另外，火焰颜色、形状和动态特征均通过独立的滤波手段进行分析，多重的阈值条件导致部分特征的缺失，不能稳定地检测出火焰区域。

发明内容

本发明的目的在于克服现有技术存在的上述不足，提出了一种火灾检测方法。本发明采用四元数表示颜色矢量，在滤波处理过程中能够保持三个颜色通道的相关性；并且统一分析监控视频运动区域的颜色、形状和动态特征，采用单一的阈值条件区分火焰和非火焰区域，提高了火灾检测的准确性和稳定性。

本发明是通过以下技术方案实现的，包括如下步骤：

第一步，以监控视频中的当前帧图像中左上角的像素点为原点建立直角坐标系，得到每个像素点的位置信息和灰度值信息，并进行帧差处理，得到组成当前帧图像运动轮廓的像素点的位置信息和灰度值信息。

所述的帧差处理是：对当前帧图像每个像素点的灰度值信息和前一帧图像每个像素点的灰度值信息做帧差运算，得到每个像素点的像素差值，当前帧图像的运动轮廓就是其中像素差值大于阈值T_DIF的像素点组成的。

第二步，对当前帧图像的运动轮廓信息进行提取运动区域处理，得到组成当前帧图像的运动区域的像素点的位置信息和灰度值信息。

所述的提取运动区域处理是：将前一帧运动历史图像的灰度值以速率γ进行衰减，并添加当前帧的运动轮廓信息，得到更新的运动历史图像，更新的运动历史图像中灰度值大于阈值T_MHI的像素点组成当前帧的运动区域。

第三步，利用当前帧图像运动区域每个像素点的位置信息和灰度值信息，对当前帧图像运动区域的每个像素点分别进行颜色滤波、空间滤波和时间滤波，得到当前帧运动区域中每个像素点的火焰颜色分布、空间变化分布和时域变化分布。

所述的颜色滤波是通过构建火焰像素颜色训练样本集，在RGB颜色空间进行K-means聚类获得，具体公式是：

$G_q^{\mathrm{\κ}}(\mathrm{\μ},m_q^{\mathrm{\κ}},{\mathrm{\σ}}_q^{\mathrm{\κ}})=\exp (-\frac{{(\mathrm{\μ}-m_q^{\mathrm{\κ}})}^2}{2.{\left({\mathrm{\σ}}_q^{\mathrm{\κ}}\right)}^2}),$

其中：μ＝R.i+G.j+B.k，

R，G，B分别对应RGB颜色空间R，G，B颜色通道分量，i²＝j²＝k²＝-1，i·j＝-j·i＝k，κ＝1，...，N_κ，N_κ是K-means聚类的类别数目，m_q ^κ是第κ个类别的均值，σ_q ^κ是第κ个类别的方差。

所述的空间滤波是得到当前帧运动区域的空间变化分布，具体公式是：

$G_{u,v}(x,y)=\frac{f_m^2}{2^u{\mathrm{\σ}}_u^2}\exp (-\frac{f_m^2}{2^{u+1}{\mathrm{\σ}}_u^2}(x^2+y^2))[\cos \left(\frac{f_m}{2^{0.5u}}(x\cos \frac{v}{N_v}+y\sin \frac{v}{N_v})\right)-\exp ](-\frac{{\mathrm{\σ}}_u^2}{2}),$

其中：3σ_u＝πM，

(x，y)表示像素点在当前帧中的二维空间位置，f_m是设定的中心角频率，u＝0，...，N_u-1，v＝0，...，N_v-1，N_u是设定的滤波尺度的个数，N_v是设定的滤波方向的个数，M是一个常数。

所述的时间滤波是得到当前帧运动区域的时域变化分布，以提取当前帧的动态特性，检测火焰闪动特征，具体公式是：

$G_{{\mathrm{\σ}}_T}\left(t\right)=\frac{k_T^2}{{\mathrm{\σ}}_T^2}\exp (-\frac{k_T^2{t}^2}{2{\mathrm{\σ}}_T^2})[\cos \left(k_{T}t\right)-\exp (-\frac{{\mathrm{\σ}}_T^2}{2})],$

其中：3σ_T＝πM_T，

t表示当前时间，T＝0，...，S-1，S是设定的滤波尺度的个数，k_T是设定的中心角频率，M_T是一个常数。

第四步，对当前帧运动区域中每个像素点的火焰颜色分布、空间变化分布和时域变化分布进行颜色-时域-空域的统一滤波处理，并比较像素点的滤波结果是否大于阈值门限R_th，当像素点的滤波结果大于阈值门限R_th时，标记为火焰像素点；否则标为非火焰像素点。

所述的颜色--时域-空域的统一滤波，具体公式是：

$O(\mathrm{\μ},m_q^{\mathrm{\κ}},{\mathrm{\σ}}_q^{\mathrm{\κ}},x,y,t)=I(\mathrm{\μ},x,y,t)*G_W(\mathrm{\μ},m_q^{\mathrm{\κ}},{\mathrm{\σ}}_q^{\mathrm{\κ}},x,y,t),$

其中： $G_W(\mathrm{\μ},m_q^{\mathrm{\κ}},{\mathrm{\σ}}_q^{\mathrm{\κ}},x,y,t)=G_q^{\mathrm{\κ}}(\mathrm{\μ},m_q^{\mathrm{\κ}},{\mathrm{\σ}}_q^{\mathrm{\κ}})\·G_{u,v}(x,y){\⊗G}_{{\mathrm{\σ}}_T}\left(t\right),$

I(μ，x，y，t)为待滤波的视频序列图像，O(μ，m_q ^κ，σ_q ^κ，x，y，t)为滤波后的图像，G_q ^κ(μ，m_q ^κ，σ_q ^κ)是第三步得到的当前帧运动区域的火焰颜色分布，G_u，v(x，y)是第三步得到的当前帧运动区域的空间变化分布，

是第三步得到的当前帧运动区域的时域变化分布，符号

表示张量积操作，符号*表示卷积操作。

所述的R_th的范围是：0.01-0.1。

第五步，统计并比较当前帧火焰像素点的个数是否大于阈值门限N_F，如果当前帧火焰像素点个数大于阈值门限N_F，则确定当前帧包含火焰区域，执行第六步；否则，返回第一步，继续对下一帧图像进行火灾检测。

所述的N_F的范围是：10-20。

第六步，重复上述五个步骤，依次检测并比较该帧后连续的L帧图像是否都包含火焰区域，如果该L帧都包含火焰区域，则启动火灾警报；否则，返回第一步，继续对下一帧图像进行火灾检测。

所述的L的范围是：10-15。

与现有技术相比，本发明的有益效果是：利用四元数表示彩色像素值信息，建立了三通道之间的内在联系，增强了颜色分析的准确性；现有技术的分立分析方式需要建立多重阈值条件，易导致颜色、形状和动态特征的信息缺失，而本发明充分利用了视频区域颜色，形状和闪动动态特征，只要建立单一阈值条件即可检测火焰像素点，增强了火灾预警系统的鲁棒性；针对火灾的早期发现和预警，本发明能准确的识别火焰区域(平均识别率为90.55％)，鲁棒地发现火灾事件(平均误警率为0.97％)，并有效地控制了火灾检测的运算时间，实现了快速准确的早期火灾预警。

附图说明

图1是本发明的检测流程框图；

图2是实施例的RGB颜色空间的火焰颜色聚类图；

图3是实施例的火灾检测效果图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

实施例

本实施例中对1个AVI格式的视频测试序列进行火灾检测，其图像帧大小为200×160像素、帧率为15fps，序列的长度为245帧，如图1所示，包括如下步骤：

第一步，以监控视频中的当前帧图像中左上角的像素点为原点建立直角坐标系，得到每个像素点的位置信息和灰度值信息，并进行帧差处理，得到组成当前帧图像运动轮廓的像素点的位置信息和灰度值信息。

所述的帧差处理是：对当前帧图像每个像素点的灰度值信息和前一帧图像每个像素点的灰度值信息做帧差运算，得到每个像素点的像素差值，当前帧图像的运动轮廓就是其中像素差值大于阈值T_DIF＝15的像素点组成的。

第二步，对当前帧图像的运动轮廓信息进行提取运动区域处理，得到组成当前帧图像的运动区域的像素点的位置信息和灰度值信息。

所述的提取运动区域处理是：将前一帧运动历史图像的灰度值以速率γ＝0.04进行衰减，并添加当前帧的运动轮廓信息，得到更新的运动历史图像，更新的运动历史图像中灰度值大于阈值T_MHI＝20的像素点组成当前帧的运动区域。

第三步，利用当前帧图像运动区域每个像素点的位置信息和灰度值信息，对当前帧图像运动区域的每个像素点分别进行颜色滤波、空间滤波和时间滤波，得到当前帧运动区域中每个像素点的火焰颜色分布、空间变化分布和时域变化分布。

所述的颜色滤波是通过构建火焰像素颜色训练样本集，在RGB颜色空间进行K-means聚类获得，具体公式是：

$G_q^{\mathrm{\κ}}(\mathrm{\μ},m_q^{\mathrm{\κ}},{\mathrm{\σ}}_q^{\mathrm{\κ}})=\exp (-\frac{{(\mathrm{\μ}-m_q^{\mathrm{\κ}})}^2}{2.{\left({\mathrm{\σ}}_q^{\mathrm{\κ}}\right)}^2}),$

其中：μ＝R.i+G.j+B.k，

R，G，B分别对应RGB颜色空间R，G，B颜色通道分量，i²＝j²＝k²＝-1，i·j＝-j·i＝k，κ＝1，...，N_κ，N_κ是K-means聚类的类别数目，m_q ^κ是第κ个类别的均值，σ_q ^κ是第κ个类别的方差。

本实施例从19段火灾视频中采样了火焰像素，火灾场景包括：室内和室外，燃烧材料包括：金属、树木、纸张、生活垃圾和室内建筑装潢材料，本实施例由K-means聚类得到的20个类别的均值和方差见表1所示，得到的RGB颜色空间的火焰颜色聚类图如图2所示，其中：四元高斯核函数G_q ³、G_q ⁶和G_q ¹⁰所代表的火焰颜色分布歧义性高，靠近非火焰颜色区域，在本实施例中不被考虑。

所述的空间滤波是得到当前帧运动区域的空间变化分布，具体公式是：

$G_{u,v}(x,y)=\frac{f_m^2}{2^u{\mathrm{\σ}}_u^2}\exp (-\frac{f_m^2}{2^{u+1}{\mathrm{\σ}}_u^2}(x^2+y^2))[\cos \left(\frac{f_m}{2^{0.5u}}(x\cos \frac{v}{N_v}+y\sin \frac{v}{N_v})\right)-\exp (-\frac{{\mathrm{\σ}}_u^2}{2})],$

其中：3σ_u＝πM，

(x，y)表示像素点在当前帧中的二维空间位置，f_m是设定的中心角频率，u＝0，...，N_u-1，v＝0，...，N_v-1，N_u是设定的滤波尺度的个数，N_v是设定的滤波方向的个数，M是一个常数。

本实施例中N_u＝4，N_v＝8，M＝4， $f_m=\frac{\mathrm{\π}}{2},$ 其中：M表示每个高斯包络内的正弦周期数，高斯包络的标准偏差等于

表示二维带通滤波的直流响应，此处减去是保证响应能量中不包含直流分量部分。

表1

mq 1	σq 1	mq 2	σq 2	mq 3	σq 3
						0.24i+0.76j+0.95k	0.06183	0.42i+0.81j+0.98k	0.04769	0.13i+0.65j+0.93k	0.07479
mq 4	σq 4	mq 5	σq 5	mq 6	σq 6
						0.39i+0.62j+0.78k	0.10804	0.44i+0.72j+0.9k	0.06713	0.35i+0.7j+0.97k	0.0535
mq 7	σq 7	mq 8	σq 8	mq 9	σq 9
						0.86i+0.94j+0.94k	0.08257	0.11i+0.34j+0.71k	0.12228	0.27i+0.63j+0.87k	0.07861

mq 1	σq 1	mq 2	σq 2	mq 3	σq 3
						mq 10	σq 10	mq 11	σq 11	mq 12	σq 12
0.22i+0.48j+0.94k	0.06608	0.71i+0.78j+0.87k	0.08201	0.41i+0.5j+0.9k	0.09518
						mq 13	σq 13	mq 14	σq 14	mq 15	σq 15
0.52i+0.82j+0.92k	0.05826	0.33i+0.87j+0.93k	0.05341	0.43i+0.89j+0.93k	0.04847
						mq 16	σq 16	mq 17	σq 17	mq 18	σq 18
0.28i+0.59j+0.98k	0.04847	0.65i+0.93j+0.95k	0.06505	0.36i+0.8j+0.91k	0.04967
						mq 19	σq 19	mq 20	σq 20
0.12i+0.41j+0.87k	0.08967	0.52i+0.92j+0.96k	0.05528

所述的时间滤波是得到当前帧运动区域的时域变化分布，以提取当前帧的动态特性，检测火焰闪动特征，具体公式是：

$G_{{\mathrm{\σ}}_T}\left(t\right)=\frac{k_T^2}{{\mathrm{\σ}}_T^2}\exp (-\frac{k_T^2{t}^2}{2{\mathrm{\σ}}_T^2})[\cos \left(k_{T}t\right)-\exp (-\frac{{\mathrm{\σ}}_T^2}{2})],$

其中：3σ_T＝πM_T，

t表示当前时间，T＝0，...，S-1，S是设定的滤波尺度的个数，k_T是设定的中心角频率，M_T是一个常数。

本实施例中S＝4，M_T＝4，其中：M_T表示高斯包络

内的正弦周期数，高斯包络的标准偏差等于

表示一维带通滤波的直流响应，此处减去是保证响应能量中不包含直流分量部分。

第四步，对当前帧运动区域中每个像素点的火焰颜色分布、空间变化分布和时域变化分布进行颜色-时域-空域的统一滤波处理，并比较像素点的滤波结果是否大于阈值门限R_th，当像素点的滤波结果大于阈值门限R_th时，标记为火焰像素点；否则标为非火焰像素点。

所述的颜色--时域-空域的统一滤波，具体公式是：

$O(\mathrm{\μ},m_q^{\mathrm{\κ}},{\mathrm{\σ}}_q^{\mathrm{\κ}},x,y,t)=I(\mathrm{\μ},x,y,t)*G_W(\mathrm{\μ},m_q^{\mathrm{\κ}},{\mathrm{\σ}}_q^{\mathrm{\κ}},x,y,t),$

其中： $G_W(\mathrm{\μ},m_q^{\mathrm{\κ}},{\mathrm{\σ}}_q^{\mathrm{\κ}},x,y,t)=G_q^{\mathrm{\κ}}(\mathrm{\μ},m_q^{\mathrm{\κ}},{\mathrm{\σ}}_q^{\mathrm{\κ}})\·G_{u,v}(x,y)\⊗G_{{\mathrm{\σ}}_T}\left(t\right),$

I(μ，x，y，t)为待滤波的视频序列图像，O(μ，m_q ^κ，σ_q ^κ，x，y，t)为滤波后的图像，G_q ^κ(μ，m_q ^κ，σ_q ^κ)是第三步得到的当前帧运动区域的火焰颜色分布，G_u，v(x，y)是第三步得到的当前帧运动区域的空间变化分布，是第三步得到的当前帧运动区域的时域变化分布，符号

表示张量积操作，符号*表示卷积操作。

本实施例中R_th是0.02。

第五步，比较当前帧火焰像素点的个数是否大于阈值门限N_F，如果当前帧火焰像素点个数大于阈值门限N_F，则确定当前帧包含火焰区域，执行第六步；否则，返回第一步，继续对下一帧图像进行火灾检测。

本实施例中N_F是20。

第六步，重复上述五个步骤，依次检测并比较该帧后连续的L帧图像是否都包含火焰区域，如果该L帧都包含火焰区域，则启动火灾警报；否则，返回第一步，继续对下一帧图像进行火灾检测。

本实施例中L是15。

本实施例的检测原理是：通过颜色滤波，拟合了火焰像素在颜色空间的分布，保持了颜色分量之间的相关性，有效地分析了火焰的颜色特征；通过颜色--时域-空域的统一滤波，整体分析视频运动区域的颜色、边缘和闪动动态特征，实现火焰区域的识别，并采用单一的阈值条件对滤波结果进行分析以确定火焰区域，因此建立了一种统一分析火焰区域颜色-时空特性的火灾检测框架，可实现有效的火灾预警。

本实施例所包含的火灾区域大小变化范围为3000-6000个像素，其中：火灾区域如图3中矩形框所示。本实施例的火灾识别率是99％，误警率是0％，处理时间是平均每帧100ms，提高了火灾发现的准确性，实现了实时有效的早期火灾预警。

Claims (10)

1.一种火灾检测方法，其特征在于，包括以下步骤：

第一步，以监控视频中的当前帧图像中左上角的像素点为原点建立直角坐标系，得到每个像素点的位置信息和灰度值信息，并进行帧差处理，得到组成当前帧图像运动轮廓的像素点的位置信息和灰度值信息；

第二步，对当前帧图像的运动轮廓信息进行提取运动区域处理，得到组成当前帧图像的运动区域的像素点的位置信息和灰度值信息；

第三步，利用当前帧图像运动区域每个像素点的位置信息和灰度值信息，对当前帧图像运动区域的每个像素点分别进行颜色滤波、空间滤波和时间滤波，得到当前帧运动区域中每个像素点的火焰颜色分布、空间变化分布和时域变化分布；

第四步，对当前帧运动区域中每个像素点的火焰颜色分布、空间变化分布和时域变化分布进行颜色-时域-空域的统一滤波处理，并比较像素点的滤波结果是否大于阈值门限R_th，当像素点的滤波结果大于阈值门限R_th时，标记为火焰像素点；否则标为非火焰像素点；

第五步，统计并比较当前帧火焰像素点的个数是否大于阈值门限N_F，如果当前帧火焰像素点个数大于阈值门限N_F，则确定当前帧包含火焰区域，执行第六步；否则，返回第一步，继续对下一帧图像进行火灾检测；

第六步，重复上述五个步骤，依次检测并比较该帧后连续的L帧图像是否都包含火焰区域，如果该L帧都包含火焰区域，则启动火灾警报；否则，返回第一步，继续对下一帧图像进行火灾检测。

2.根据权利要求1所述的火灾检测方法，其特征是，第一步中所述的帧差处理是：对当前帧图像每个像素点的灰度值信息和前一帧图像每个像素点的灰度值信息做帧差运算，得到每个像素点的像素差值，当前帧图像的运动轮廓就是其中像素差值大于阈值T_DIF的像素点组成的。

3.根据权利要求1所述的火灾检测方法，其特征是，第二步中所述的提取运动区域处理是：将前一帧图像的运动历史图像的灰度值以速率γ进行衰减，并添加当前帧的运动轮廓信息，得到更新的运动历史图像，更新的运动历史图像中灰度值大于阈值T_MHI的像素点组成当前帧的运动区域。

4.根据权利要求1所述的火灾检测方法，其特征是，第三步中所述的颜色滤波是通过构建火焰像素颜色训练样本集，在RGB颜色空间进行K-means聚类获得，具体公式是：

其中：μ＝R.i+G.j+B.k，

R，G，B分别对应RGB颜色空间R，G，B颜色通道分量，i²＝j²＝k²＝-1，i·j＝-j·i＝k，κ＝1，...，N_κ，N_κ是K-means聚类的类别数目，m_q ^κ是第κ个类别的均值，σ_q ^κ是第κ个类别的方差。

5.根据权利要求1所述的火灾检测方法，其特征是，第三步中所述的空间滤波是得到当前帧运动区域的空间变化分布，具体公式是：

$G_{u,v}(x,y)=\frac{f_m^2}{2^u{\mathrm{\σ}}_u^2}\exp (-\frac{f_m^2}{2^{u+1}{\mathrm{\σ}}_u^2}(x^2+y^2))[\cos \left(\frac{f_m}{2^{0.5u}}(x\cos \frac{v}{N_v}+y\sin \frac{v}{N_v})\right)-\exp (-\frac{{\mathrm{\σ}}_u^2}{2})],$

其中：3σ_u＝πM，

(x，y)表示像素点在当前帧中的二维空间位置，f_m是设定的中心角频率，u＝0，...，N_u-1，v＝0，...，N_v-1，N_u是设定的滤波尺度的个数，N_v是设定的滤波方向的个数，M是一个常数。

6.根据权利要求1所述的火灾检测方法，其特征是，第三步中所述的时间滤波是得到当前帧运动区域的时域变化分布，以提取当前帧的动态特性，检测火焰闪动特征，具体公式是：

$G_{{\mathrm{\σ}}_T}\left(t\right)=\frac{k_T^2}{{\mathrm{\σ}}_T^2}\exp (-\frac{k_T^2{t}^2}{2{\mathrm{\σ}}_T^2})[\cos \left(k_{T}t\right)-\exp (-\frac{{\mathrm{\σ}}_T^2}{2})],$

其中：3σ_T＝πM_T，

t表示当前时间，T＝0，...，S-1，S是设定的滤波尺度的个数，k_T是设定的中心角频率，M_T是一个常数。

7.根据权利要求1中所述的火灾检测方法，其特征是，第四步中所述的颜色--时域-空域的统一滤波，具体公式是：

其中：

I(μ，x，y，t)为待滤波的视频序列图像，O(μ，m_q ^κ，σ_q ^κ，x，y，t)为滤波后的图像，G_q ^κ(μ，m_q ^κ，σ_q ^κ)是第三步得到的当前帧运动区域的火焰颜色分布，G_u，v(x，y)是第三步得到的当前帧运动区域的空间变化分布，是第三步得到的当前帧运动区域的时域变化分布，符号

表示张量积操作，符号*表示卷积操作。

8.根据权利要求1所述的火灾检测方法，其特征是，第四步中所述的R_th的范围是：0.01-0.1。

9.根据权利要求1所述的火灾检测方法，其特征是，第五步中所述的N_F的范围是：10-20。

10.根据权利要求1所述的火灾检测方法，其特征是，第六步中所述的L的范围是：10-15。

Images