CN101872526A - 基于可编程摄像技术的烟火智能识别方法 - Google Patents

Abstract

本发明的目的是针对森林防火领域智能视频监控现有的监控装置在的不足，提供一种能够快速、准确分析判断林区火灾的基于可编程摄像技术的烟火智能识别方法。包括设置前端视频采集装置需要监测的各被监测点的预置位，设置前端视频采集装置在每个预置位的停留时间；前端视频采集设备按步骤并依次采集每个预置位的视频图像信息；还包括对白天/黑夜的智能识别；白天/夜间烟火检测的智能判别；利用二次判别技术对预检测结果进行分析处理等。方法具有准确率高，漏报率低、误报率低等优点。

Description

基于可编程摄像技术的烟火智能识别方法

技术领域

本发明涉及森林烟火监测与智能预警中的可编程摄像方法、特别涉及基于可编程摄像技术的烟火智能识别方法。

背景技术

世界各地在预防森林火灾的发生方面，采用了各种不同的技术手段。

加拿大采用从卫星上发射电磁射线检测林区温度，当检测出某一林区局部温度上升到150℃～200℃，红外线波长达3.7微米时，便是火灾前兆，立即测定具体温度，采取措施及时防火。

美国利用“大地”卫星在离地面大约705公里的轨道上绕地球运转，探测地面上的高温地区、浓烟地带以及火灾遗址。同时，美国还使用无人驾驶林火预警飞机进行24小时监测，耗费了巨额资金。

国外采用的技术发现火灾时火灾面积已经相对较大，对森林火灾的早发现并不能起到很好的作用。并且技术基础实施投资太大，这些难以满足我国森林资源监测的实际需要。

我国采用的火灾监控方式主要从地面近距离观测，目前主要有人工了望塔、传统视频监控和智能视频监控三种方式。

人工了望塔主要通过在林区高处建设人工了望塔，在防火期，通过人工完成森林火灾的发现。人工了望主要存在以下几个缺点：由于人为因素太多，易造成漏报。夜间的烟火不易被发现，造成漏报。在非防火期由于无人值守，森林处于无监控状态。

传统视频监控与人工了望塔相比，在技术上讲是一种进步，它通过前端电子监控设备采集的视频图像通过网络汇总，由人工完成集中监视。人工监视易造成肉眼疲劳，视频中的火情不易被查觉，造成漏报。此外，监控中心的视频线路较多，人工监视也无法一一监看，也容易易造成漏报。所以，传统视频监控的最大缺点仍然是漏报率非常高。传统视频监控是非数字化系统，许多智能应用无法实现。

智能视频监控与传统视频监控相比，它基于前端电子监控设备采集的视频图像进行烟火的智能分析识别，一旦发现林区出现烟火警情，可自动报警。智能视频监控是未来森林防火领域火灾预警的发展方向，可以在火灾的初始阶段迅速发现，为实现火灾的早扑灭奠定时间基础。智能视频监控可实现监控自动化，无需人工值守，人力成本低。

森林需要7*24小时不间断监控，随着地域、季节、气候、昼夜的不同，即便是同一地点采集的视频也会出现千变万化的情况。这对烟火智能识别技术提出了非常苛刻的要求。

目前许多烟火智能识别技术将传统的图像识别进行移植，不少同类技术的核心是基于图像RGB的算法，出现了误报率高的特点，申请号为200810127874.8的发明专利便是该类技术的代表。

随着烟火智能识别技术的实际应用，该技术在应用和算法上都取得了不小的进步。申请号为200910086691.0的发明专利，主要对林区中常出现的对烟火识别易出现干扰的区域进行了掩模，使烟火识别不分析该区域。然而，林区的环境千变万化，如果没有行之有效地办法来区分“烟和雾、灯光和火、霓虹和火”等的行为特征，而一味采用掩模技术来排除干扰，该技术的实用价值将大打折扣。

正是因为受制于对户外千变万化的环境缺乏研究和行之有效的技术手段，以上两种专利技术，都采用了在普通视频监控采集的视频的基础上，进行烟火的智能识别。即前端采集的视频压缩编码后通过微波传回监控中心，由智能识别电脑进行烟火的智能分析，由于采集的视频是动态的，即每帧图像之间都是相对移动的，加上没有行之前效的算法来分析烟火，圈定区域，以排除干扰的有效手段，导致以上两种技术会出现误报火情，而对于林区常出现的雾，更是容易引起误报。

在实际的应用当中，由于环境千变万化，烟火智能识别技术还应排除树木晃动、雾和光线变化、居民炊烟、车辆、路灯、居民照明灯等因素对烟火识别造成的干扰，以提高烟火识别的准确性。

综上所述，目前森林防火领域对于实现森林烟火的预防采取了不同的技术手段，但都还没有一种技术手段能够有效地实现森林火灾的早发现，应用于该领域的烟火智能识别技术大多数都还不能达到理想的工作状态，普遍存在漏报率和误报率高的弱点。采用基于可编程摄像技术的烟火智能识别，是比较可行的办法。

所以，作为智能视频监控核心的烟火智能识别技术，除了要具有科学易行的分析算法，还应根据森林防火的行业特点和实际环境对视频采集方法进行改良，对烟火智能识别的方法和算法进行优化，以有效降低烟火识别的漏报率和误报率。

发明内容

本发明的目的是针对森林防火领域智能视频监控现有的监控装置在的不足，提供一种能够快速、准确分析判断林区火灾的基于可编程摄像技术的烟火智能识别方法。

方法包括以下步骤：

(1)、分别设置前端视频采集装置需要监测的各被监测点的预置位，包括云台的水平转角和垂直俯仰角，镜头的焦距，并保存在前端视频采集装置控制软件中；

(2)、根据步骤(1)保存的各预置位信息，串联成前端视频采集装置的运行轨迹；根据需要可以设置多条扫描轨迹；

(3)、设置前端视频采集装置在每个预置位的停留时间；

(4)、前端视频采集设备按步骤(1)、(2)和(3)预设的信息行预设轨迹扫描，并依次采集每个预置位的多帧视频图像信息进行识别；

(5)、对白天/黑夜的智能识别：通过对图像亮度进行随机固定点数采样求平均值和视频图像序列连续判决的方法来确定视频图像拍摄的场景处于白天还是晚上，如果判断的结果为“白天”，则进入步骤(6)，如果判断的结果为“黑夜”，则进入步骤(7)；

(6)、白天烟火检测的智能判别：首先对每个预置位最先采集的2-3帧视频背景图像，采用高斯混合模型对所述视频图像背景进行建模，并利用采集的视频图像对背景模型进行更新；然后采用获得的背景模型对后续视频图像进行前景检测，获得白天森林烟火的预检测结果；如果预检测结果是疑似火情，则进入步骤(8)，如果预检测结果不为疑似火情，则返回步骤(4)；

(7)、夜间烟火检测的智能判别：首先对每个预置位最先采集的2-3帧视频背景图像，采用自适应阈值算法对视频图像进行分割获得晚上明火的预检测结果；如果预检测结果是疑似火情，则进入步骤(8)，如果预检测结果不为疑似火情，则返回步骤(4)；

(8)对预检测结果为疑似火情的情况进行区域标记处理：采用图像连通区域标记算法对步骤(6)白天烟火检测或步骤(7)晚上明火的预检测结果进行区域标记，获得烟火区域的准确位置；

(9)、白天烟火识别的二次判别：根据步骤(8)所标记区域的多帧后续视频图像的纹理特性、运动特性、轮廓变化等特征量分别进行进一步分析，当判断该标记区域的火情属实，则进入步骤(11)输出报警信号，并给出烟火区域的位置矩形框；否则视为误报，返回步骤(4)；

(10)、夜间烟火识别的二次判别：首先，将步骤(8)所标记的疑似火情区域自动居中；然后，通过自动拉近镜头焦距实现该区域的放大，使火点的画面在整个画面中的面积达到一定的比例；然后，再对后续的多帧视频图像的纹理特性、运动特性、轮廓变化等特征量分别进行分析；当判断该标记区域的火情属实，则进入步骤(11)输出报警信号，并给出烟火区域的位置矩形框；否则视为误报，返回步骤(4)；

(11)、输出报警信号，结束。

本发明所述方法由以下特点：

1、视频采集根据林区特殊环境设计，可以设置多个预置位和多条轨迹，可根据不同时间和不同环境选择视频采集方案，保证基于视频的烟火智能识别方法有清晰的、稳定的、静止的多帧视频图像作基础；

2、采用烟火识别设备前置处理，智能识别的响应速度快，并能有效避免因视频编码传输带来的视频质量下降，提高烟火识别的准确率；

3、烟火智能识别方法具有不同识别模式，可针对昼夜不同特点采用不同识别模式；

4、提供的具有白天烟火识别的方法，准确率高；提出的一种夜间明火识别方法，误报率低；

5、利用烟火区域标记技术对预检测结果进行处理的方法，即采用图像连通区域标记算法对白天烟火检测或晚上明火检测的结果进行区域标记，供后续烟火识别二次判别的方法，降低了漏报率和误报率；

6、本烟火识别技术，能够排除环境变化如树木扰动、雾、光线变化、路灯、霓虹等因素产生的误检测结果。

附图说明

图1为本发明的工作流程图；

图2本发明视频采集后处理及传送的两种方式：其中a为现场视频采集后远程传送给工作中心完成处理、识别等工作；b为现场自动进行处理判别后发出报警信息。

图3为具有现场处理能力的烟火识别装置的结构框图；

图4为本发明设置预置位和扫描轨迹的自动监控过程。

具体实施方式

实施例1前端视频采集装置

由于森林防火领域的特殊性，视频监控需要扫描的半径一般在3km以上，监控铁塔与监控中心之间大多以无线通讯方式进行信号传输。

传统的方法是通过重载云台搭载摄像机和高倍镜头，进行360°的立体扫描采集视频，然后将视频编码压缩，然后通过微波传回监控中心，对视频解码之后，交由智能识别电脑进行集中的烟火智能识别(见图2a)。该方法存在两个主要的弱点：其一，前端采集的视频经过编码压缩，视频质量已经下降，加上微波传输导致的丢包等现象，导致烟火识别时，烟火识别的准确率相应降低；其二，经过编码压缩、通讯传输、解码等步骤，会导致一定的延时，烟火识别的响应速度明显降低。

具体讲，本发明的前端视频采集装置，主要由重型数字云台、摄像机、高倍镜头、基站控制箱、烟火识别智能处理器组成(见图2b)。其中，重型数字云台的运行精度能够达到0.01°，水平360°无死角、除了具备水平和垂直旋转功能外，还应能联动控制镜头的焦距；所述摄像机及高倍镜头置于室外防护罩内；基站控制箱为烟火识别智能处理器、视频编码器及其它远程控制设备提供安装空间；烟火识别智能处理器要求是嵌入式微处理器系统，能够在前端完成基于视频的烟火智能识别并能输出报警信号。

与传统的方法相比，烟火识别前置的视频采集及烟火智能分析系统(见图2c)，因为采用了能联动控制镜头焦距的云台，使视频监控可以设置预置位和轨迹，通过预设置，林区监控可以实现全覆盖，或重点区域重点监控。因为烟火识别智能处理器前置到监控铁塔，对未进行压缩编码的视频进行第一时间的处理，避免了因视频压缩编码和通讯传输造成的视频质量下降对烟火智能识别的影响，使烟火识别的准确率和响应速度都得到了有效提高。

实施例2 设置预置位和前端视频采集装置运行的轨迹

由于森林防火领域的特殊性，视频监控需要扫描的半径一般在3km以上，在无遮挡和通透度比较高的地方，扫描半径甚至可以达到15km以上。

采用传统的视频监控方法，存在几个主要的弱点。例如，视频监控的区域是连绵的山脉(见图3a)，采用S型扫描(见图3b)，不管地形、远近，有无重点监控区域，都只能采用同一焦距进行扫描，在监控重点区域或远处的山头时，不能获得相对较大的图像，而且，采集的视频是动态的，每一帧的图像角度都是有变化的，对于基于视频图像的烟火智能识别，是非常不利的。

通过设置预置位和轨迹，扫描范围可以同样覆盖整个目标区域。通过设置预置位(见图3c)，对于相对较近的监控点，可以设置较小的焦距，对于相对较远的山头或需要重点监控的区域，可以设置较大的焦距以获得相对较大的图像。通过分别设置摄像机的水平转角、垂直夹角、焦距，获得每个预置位的固定运行参数，形成预置位。

将每个预置位串联，可以形成自动运行轨迹(见图3d)，摄像机扫描时即按设定好的轨迹自动运行。因为在每个预置位设置了停留时间(2s～10s，也可根据需要延长)，所以在每个预置位停留时采集的视频图像实际是角度和焦距完全固定的连续的多帧图像。在静止的连续多帧图像的基础上进行烟火的智能识别，其识别的效果与传统的S形扫描采集的动态的视频图像相比是显而易见的。

也就是说，在视频监控自动运行时，摄像机是按照预设的预置位和轨迹在进行扫描。当停留在预置位1的时候，在获得的多帧图像的基础上进行烟火的智能识别。当识别的结果为无时，摄像机沿设置的轨迹运行到预置位2(一直按顺序运行)，当识别的结果为是时，输出报警信号。

此外，根据不同的环境和不同的时间，可以有针对性地选择预置位串联成不同的轨迹，每一条轨迹就是一个自动扫描的方案，控制中心可以分时段选择扫描轨迹。

实施例3 白天/黑夜的智能识别

该技术通过对图像亮度进行随机固定点数采样求平均值和视频图像序列连续判决的方法来确定视频图像拍摄的场景处于白天还是晚上。具体实现过程如下：

首先产生固定点数N个范围在(0，1)之间的随机数R(n)，n＝1，2，...，N，然后利用这N个随机数对当前帧视频图像X_t(i，j)进行随机采样，采样点坐标计算方法见公式(1)：

I(n)＝W*R(n)，J(n)＝H*R(n)，n＝1，2，...，N    (1)

式中W和H分别为视频图像的宽度和高度；(I(n)，J(n))，n＝1，2，...，N为N个随机采样点的图像坐标。

接着计算图像X_t(i，j)中这N个随机采样点的亮度平均值：

$M_t=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{X}_t(I\left(n\right),J\left(n\right))---\left(2\right)$

如果当前帧图像随机采样均值超过预设门限，即M_t＞T则判断该帧图像监控的场景为白天，否则为晚上。所述预设门限T为工程经验值。

实施例4 白天烟火检测的智能判别

该技术首先采用高斯混合模型对视频图像进行建模，并利用后续采集的视频图像对模型数据进行再更新；然后使用当前的模型数据对后续视频图像进行不断检测比较，获得白天森林烟火的预检测结果。具体实现过程如下：

建模：固定摄像机采集的背景图像是随时间渐变的，而在很短的一定时间内，背景中的每一个像素的颜色值稳定分布在某一个确定值的邻域内，因此可对背景图像中的每一个像素利用高斯模型建模.M(M一般取3～5)个高斯分布组成混合高斯模型，由式(3)描述如下：

$P\left(X_t\right|\mathrm{\λ})=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\α}}_m{p}_m\left(X_t\right)---\left(3\right)$

$p_m\left(X_t\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{D}{2}}{\left|{\mathrm{\Σ}}_m\right|}^{\frac{1}{2}}}\exp \{-\frac{{(X_t-{\mathrm{\μ}}_m)}^T{\mathrm{\Σ}}_m^{-1}(X_t-{\mathrm{\μ}}_m)}{2}\}---\left(4\right)$

其中，X_t为当前像素在时刻t的颜色值，此处为像素的YUV值；λ表示高斯混合模型的参数集，λ＝{a_m，μ_m，∑_m|m＝1，2，...，M}；a_m为高斯混合模型第m个成分的权值；p_m(X_t)为当前像素X_t为第m个成分的概率值；μ_m是高斯混合模型第m个成分的均值参数；∑_m为是高斯混合模型第m个成分的协方差矩阵， ${\mathrm{\Σ}}_m={\mathrm{\δ}}_m^{2}I.$

模型初始化：在森林监控视频图像中，可以用系统启动识别最初的M帧图像作为初始的图像。模型的参数初始化可以通过统计的方法得到，即用统计平均方法估计模型的初始参数：

μ_m＝X_m，m＝1，2，...，M    (5)

${\mathrm{\δ}}_m^2=\frac{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{(X_m-\mathrm{\μ})}^T(X_m-\mathrm{\μ})}{M}---\left(6\right)$

其中

为初始化像素颜色均值向量。

模型更新：为了使模型对光线的变化具有自适应性，必须对高斯模型进行实时更新，更新方法的表达式如下：

μ_t＝(1-α)μ_t-1+αX_t       (7)

${\mathrm{\δ}}_t^2=(1-\mathrm{\α}){\mathrm{\δ}}_{t-1}^2+\mathrm{\α}{(X_t-{\mathrm{\μ}}_{t-1})}^T(X_t-{\mathrm{\μ}}_{t-1})---\left(8\right)$

其中，

，μ_t分别为时刻t模型的协方差矩阵和均值向量；X_t为新图像像素点的颜色值向量；α为更新速率，α∈(0，1]，α值越大，说明背景变化较强烈，模型更新快，α值越小，说明背景变化缓慢，模型更新慢，一般情况下，α值取0.1～0.3之间背景模型较稳定。

烟火检测：把当前图像和背景图像中对应像素颜色值进行比较，如果颜色向量差值的模大于一定的阈值(工程经验值)，则判定该像素为前景运动目标，即烟火区域，否则判断为森林背景，判断规则如下：

$F(i,j)=\left\{\begin{array}{cc}255,& |X(i,j)-\mathrm{\μ}(i,j)|\≥{\mathrm{\β\δ}}^2(i,j)\\ 0,& \mathrm{otherwise}\end{array}\right.---\left(9\right)$

其中，X(i，j)表示当前图像中像素(i，j)的灰度值，μ(i，j)和δ²(i，j)分别表示背景模型中对应位置像素点的均值向量和标协方差，β为差异率。最终得到的结果F(i，j)是一个二值图像。灰度值为255的像素点可视为前景的运动目标点，即烟火检测结果。

实施例5  夜间烟火检测的智能判别

该技术采用自适应阈值算法对视频图像进行分割获得晚上明火的预检测结果。具体实现过程如下：

设H(k)，k＝0，1，2，...，255为当前图像X(i，j)的Y分量统计直方图，首先根据该直方图计算图像分割的阈值：

$P\left(t\right)=\underset{k=1}{\overset{t}{\mathrm{\Σ}}}H\left(k\right)---\left(10\right)$

$P1\left(t\right)=\underset{k=t}{\overset{255}{\mathrm{\Σ}}}H\left(k\right)---\left(11\right)$

$G\left(t\right)=\underset{k=1}{\overset{t}{\mathrm{\Σ}}}(H\left(k\right)*H\left(k\right))---\left(12\right)$

$G1\left(t\right)=\underset{k=t}{\overset{255}{\mathrm{\Σ}}}(H\left(k\right)*H\left(k\right))---\left(13\right)$

TC(t)＝2*log(P(t)*P1(t))-log(G(t)*G1(t))    (14)

T＝Max(TC(t))                               (15)

式中t＝0，1，2，...，255为临时阈值，T为最终阈值；P(t)和P1(t)分别为当前阈值t下背景和火区域目标的概率值；G(t)和G1(t)分别为当前阈值t下背景和火区域目标的平方概率；TC(t)为采用当前阈值t对图像进行分割后的图像阈值。

然后根据求得的阈值对当前帧图像X(i，j)进行分割，结果即为晚上明火的预检测结果：

其中F(i，j)为晚上明火检测结果。即当F(i，j)小于最终阈值T为不存在火情；反之存在火情。

实施例6  利用烟火区域标记对预检测结果进行处理

该技术采用图像连通区域标记算法对白天烟火预检测或晚上明火预检测的结果进行区域标记，获得烟火区域的准确位置供后续烟火识别模块处理。具体实现方法如下：

首先，在进行上述标记算法之前，开辟独立的图像标记缓存和连通关系数组；接着对图像进行逐行像素扫描，然后对每个像素的邻域分别按照逆时针方向和水平方向进行连通性检测和等价标记关系合并，检测出的结果对标记等价数组和标记缓存进行更新，得到图像的初步标记结果以及初步标记之间的连通关系；最后，根据标号对连通关系数组从小到大的传递过程进行标号的归并，利用归并后的连通关系数组对图像标记缓存中的标号进行替换，替换后的图像为最终标记结果，并且连通域按照扫描顺序被赋予唯一的连续自然数。

算法分为三个环节：

1.图像初步标记：为每个像素赋予临时标记，并且将临时标记的等价关系记录在等价表中；

2.整理等价表，这一环节分为两个步骤：

1)将具有等价关系的临时标记全部等价为其中的最小值；

2)对连通区域以自然数顺序重新编号，得到临时标记与最终标记之间的等价关系。

3.图像代换：对图像进行逐像素代换，将临时标记代换为最终标记，并统计每个连通区域(标记后每个连通区域的所有像素为同一标记)的位置参数，即外接矩形的四个坐标(left，top，right，bottom)。

经过3个环节处理后，算法输出标记后的图像，图像中连通域按照由上到下，由左至右出现的顺序被标以连续的自然数。

进一步对上述算法说明：

1.图像初始标记

标记算法符号约定：算法在逆时钟方向检测连通域时用w1，w2表示连续两行的图像数据，在紧接着的顺时钟方向连通域检测时用k0，k表示连续两行经过逆时钟方向标记后的图像数据。对初始逆时针方向临时标记用z表示。z初始标记值为1。w1，w2和k0，k在工作窗口的位置在见表1、表2。

表1 逆时钟方向初始标记的工作窗

w1(2)	w1(1)	w1(0)
			w0(2)	w0(1)

表2 水平方向初始标记的工作窗

k(2)	k(1)	k(0)
			k0(0)	k0(1)

图像初始标记类型1：

步骤1：读取像素w1(2)、w1(1)、w1(0)、w0(2)、w0(1)的二值像素值。

步骤2：读取像素w0(1)，按照逆时针方向依次与w1(0)、w1(1)、w1(2)、w0(2)比较，若w0(1)＝w1(0)，则令k0(1)＝k(2)；若w0(1)＝w1(1)，则令k0(1)＝k(1)；若w0(1)＝w1(2)，则k0(1)＝k(0)；若w0(1)＝w0(2)，则k0(1)＝k0(0)；否则(即w0(1)≠(w1(2)、w1(1)、w1(0)、w0(2))，k0(1)＝z；z++。

步骤3写入等价关系表，以z为地址将z写入等价关系数组。

图像初始标记类型2：

步骤1：判断经过逆时针方向标记后，如果w0(1)＝w0(2)＝1，而标记灰度k0(1)≠k0(0)，则进行下一步骤。

步骤2：假设k0(1)＞k0(0)，判断lab(k0(1))＝k0(1)或者lab(k0(1))＝k0(0)，则lab(k0(1))＝k0(0)，否则对标记数组进行追踪置换。跳转至步骤3。

步骤3：假设k0(1)＜k0(0)，判断lab(k0(0))＝k0(0)或者lab(k0(0))＝k0(1)，则lab(k0(0))＝k0(1)，否则对标记数组进行追踪置换。

追踪置换方法：步骤2的追踪置换令t＝lab(k0(0))；若lab(t)≠t，则令t＝lab(t)，重复执行，直lab(t)＝t；步骤3的追踪置换令t1＝lab(k0(1))，对lab(k0(1))同样执行上述追踪过程。

2.等价表整理与图像代换

首先，从等价表地址1开始扫描等价表，依次检查其中各个临时标记是否存在等价关系，若存在，则以标记值作为等价表地址的数据更新等价表。由于整理过程从等价表地址1开始，因此对整个等价表的扫描可以一遍结束。图像代换环节对临时标记图像中的每个像素进行代换，生成最终的标记后图像。具体做法是：设图像中坐标为(n，m)的像素的临时标记值为s，则将lab(s)写入图像中(n，m)位置。代换后得到的图像，其中的连通区域按照由上到下，由左至右出现的顺序被标以惟一的自然数。

实施例7 白天烟火的二次判别

该技术对白天烟火预检测进行进一步分析，以排除雾、光线变化、居民炊烟、行人、车辆等因素产生的误检测结果，提高烟火识别的准确性。主要原理如下：

首先，对白天烟火图像标记区域的纹理特性、运动特性、轮廓等特征量分别进行统计建模(方法同前)；

然后，再对后续实时图像进行白天烟火检测，将标记区域的后续多帧图像的各种特征量与所建立的模型进行比较，如果比较的结果达到预设值则判断该区域为真正的烟火区域予以报警，并给出烟火区域的位置矩形框；否则视为干扰予以排除。

例如，对于树木扰动的干扰可以通过纹理特性加以排除；对于雾，可以通过图像的纹理特征、各帧图像移动情况加以排除，当图像纹理不清，没有移动或移动缓慢时一般判断是雾；对于居民炊烟可以通过与建筑位置的匹配及炊烟的图像的移动状况加以排除。

实施例8 夜间火的二次判别

该技术可以对经过夜间明火预检测结果进行二次分析，以排除疑似烟火由于在视频中靶面面积较小而产生的误报，提高烟火识别的准确性。主要原理如下：

首先，将画面中的烟火自动居中；

然后，通过拉近镜头焦距实现火点的放大，使火点的画面在整个画面中的面积达到一定的比例；

然后，再对后续实时图像进行白天烟火检测，将标记区域的后续多帧图像的各种特征量与所建立的模型进行比较，如果比较的结果达到预设值则判断该区域为真正的烟火区域予以报警，并给出烟火区域的位置矩形框；否则视为干扰予以排除。

例如，对于车辆灯、路灯、居民照明灯、霓虹灯，则可以通过轮廓的变化情况和其运动的情况加以排除，例如车灯是在图像中道路的位置移动，而路灯及居民照明灯是在特定的位置，一般不移动。

以下为本发明的一种优选实例。

重庆缙云山国家级自然保护区森林防火视频监控工程于2006年开始建设，由于之前采用的基于视频的烟火智能识别技术相对比较落后，导致烟火识别的漏报率和误报率非常高，给监控管理人员造成很大的困扰，该工程最终没能通过验收。

重庆缙云山国家级自然保护区地处重庆主城西北部40km，地形复杂，常年能见度偏低，这对基于视频的烟火智能识别技术提出了相当高的要求。

后来，我们对整个系统进行了技术改造，包括改造前端设备，更换我公司的烟火智能识别技术，最后使整个系统达到了用户的预期效果，烟火识别的漏报率和误报率均控制到了较低的水平。

首先，我们改进了视频采集的方法。之前的视频监控系统采用S型扫描，不管地形、远近，有无重点监控区域，都只能采用同一焦距进行扫描，使得采集的视频是不断移动的画面，对于烟火的智能识别非常不利。采用了现在的方法后，通过设置预置位和轨迹，扫描范围可以同样覆盖整个目标区域，对于相对较近的监控点，可以设置较小的焦距，对于相对较远的山头或需要重点监控的区域，可以设置较大的焦距以获得相对较大的目标图像。在每个预置位停留时所采集的视频实际是角度和焦距都完全一致的静止的多帧图像，为烟火的智能识别可以打下坚实的基础。

然后，我们采用了新的烟火智能识别方法。之前的烟火智能识别采用的是相对比较初级的RGB算法模型，误报率非常高。主要表现在：视频中出现红色的区域，或白色且亮度较高的区域，都会形成误报警，比如，林区中有红色建筑会误报，林区的雾会误报，而对于林区中刚刚发生的火情而冒出的烟却不能及时发现，造成漏报，误报太多给监控管理人员带来很多困扰。我们的烟火智能识别方法是：通过白天/黑夜判断技术对当前时间进行判断，然后选择白天/黑夜烟火差别模式；然后利用烟火区域标记技术对检测结果进行处理，白天预识别结果是否出现疑似火情；然后利用烟火识别二次判别技术，分析疑似火情是否属实，如果判断结果属实，则输出报警信号。通过以上创新技术的使用，使烟火识别的准确率显著提高，有效地降低了烟火识别的漏报率和误报率。

重庆缙云山国家级自然保护区森林防火视频监控工程经过我们的技术改造之后，于2008年通过了项目验收。经过一年多的实际运行，烟火识别的稳定性较高，即使在西南地区普遍遭遇旱灾火灾频发的情况下，缙云山也没有发生一次森林火灾。

以下为本发明的第二种优选实例。

深圳羊台山森林公园防火视频监控工程于2005年开始建设，由于之前采用的是传统的视频监控，即烟火的监测主要由监控中心的管理人员通过监看大屏幕来识别是否出现火情。由于技术相对比较落后，且许多人为不可控的因素存在，漏报率和误报率非常高，导致该系统使用一年后便报废。

深圳羊台山森林公园地处深圳主城西北部，周边环境复杂，有工业区、居民区，还有高速公路和普通公路经过，对基于视频的烟火智能识别技术提出了相当高的要求。

08年，我们对整个系统进行了技术改造，包括改造前端设备，更换我公司的烟火智能识别技术，最后使整个系统达到了用户的预期效果，烟火识别的漏报率和误报率均控制到了较低的水平。

首先，我们改进了视频采集的方法。之前的视频监控系统采用S型扫描，不管地形、远近，有无重点监控区域，都只能采用同一焦距进行扫描，使得采集的视频是不断移动的画面。采用了现在的方法后，通过设置预置位和轨迹，扫描范围可以有针对性地监控需要监控的目标区域，对于大片的工业区和居民区而没有森林的地方，预置位设置时则选择跳过，而对于森林和工业区混杂的地方，预置位设置时则选择森林为主，对于相对较近的监控点，可以设置较小的焦距，对于相对较远的山头或需要重点监控的区域，可以设置较大的焦距以获得相对较大的图像。在每个预置位停留时所采集的视频实际是完全静止的连续的多帧图像，为烟火的智能识别可以打下坚实的基础。

然后，我们采用了烟火智能识别方法，我们的烟火智能识别方法是：通过白天/黑夜判断技术自动选择白天/黑夜烟火识别模式；然后利用烟火区域标记技术对检测结果进行处理，白天预识别结果是否出现疑似火情；在该项目的实施中，工业区和居民区的灯光和霓虹对火的判别造成了很大的干扰，通过不断的修正算法，并创造了烟火识别二次判别技术。尤其在夜间，利用烟火识别二次判别技术，分析确认疑似火情是否属实，效果明显改进，误报率显著下降；最后，如果判断结果属实，则输出报警信号。

深圳羊台山森林公园防火视频监控工程通过以上创新技术的使用，使烟火识别的准确率显著提高，为整个深圳园林局的森林防火工程提供了可示范的样板工程。

本发明基于可编程摄像技术的烟火智能识别方法不仅仅局限于上述实施例，在不违背本发明创造基本结构精神原则和智能识别方法基本精神原则所作的些许改动，均属于本发明的保护范围。

Claims (1)

1.一种基于可编程摄像技术的烟火智能识别方法，包括以下步骤：

(1)、分别设置前端视频采集装置需要监测的各被监测点的预置位，包括云台的水平转角和垂直俯仰角，镜头的焦距，并保存在前端视频采集装置控制软件中；

(2)、根据步骤(1)保存的各预置位信息，串联成前端视频采集装置的运行轨迹；

(3)、设置前端视频采集装置在每个预置位的停留时间；

(4)、前端视频采集设备按步骤(1)、(2)和(3)预设的信息进行预设轨迹扫描，并依次在每个预置位停留一定时间并采集多帧视频图像信息进行识别；

(5)、对白天/黑夜的智能识别：通过对图像亮度进行随机固定点数采样求平均值和视频图像序列连续判决的方法来确定视频图像拍摄的场景处于白天还是晚上，如果判断的结果为“白天”，则进入步骤(6)，如果判断的结果为“黑夜”，则进入步骤(7)；

(6)、白天烟火检测的智能判别：首先对每个预置位最先采集的2-3帧视频图像，采用高斯混合模型对所述视频图像进行建模，并利用后续采集的视频图像对模型数据进行再更新；然后使用当前的模型数据对后续视频图像进行不断检测比较，获得白天森林烟火的预检测结果；如果预检测结果是疑似火情，则进入步骤(8)，如果预检测结果不为疑似火情，则返回步骤(4)，归位到预设轨迹继续运行；

(7)、夜间烟火检测的智能判别：首先对每个预置位最先采集的2-3帧视频背景图像，采用自适应阈值算法对视频图像进行分割获得晚上明火的预检测结果；如果预检测结果是疑似火情，则进入步骤(8)，如果预检测结果不为疑似火情，则返回步骤(4)，归位到预设轨迹继续运行；

(8)、对预检测结果为疑似火情的情况进行区域标记处理：采用图像连通区域标记算法对步骤(6)白天烟火检测或步骤(7)晚上明火的预检测结果进行区域标记，获得疑似烟火区域的准确位置；

(9)、白天烟火的二次判别：重点对步骤(8)所标记区域的多帧后续视频图像的纹理特性、运动特性、轮廓变化等特征量分别进行进一步分析，当判断该标记区域的火情属实，则进入步骤(11)予以报警，并给出烟火区域的位置矩形框；否则视为误报，返回步骤(4)；

(10)、夜间烟火识别的二次判别：对经过步骤(8)所标记疑似火情区域进一步分析，以排除疑似烟火由于在视频中靶面面积较小而产生的误报，提高烟火识别的准确性；夜间烟火识别的二次判别方法是：首先，将步骤(8)所标记的疑似火情区域自动居中；然后，通过自动拉近镜头焦距实现该区域的放大，使火点的画面在整个画面中的面积达到一定的比例；然后，再对后续的多帧视频图像的纹理特性、运动特性、轮廓变化等特征量分别进行分析；当判断该标记区域的火情属实，则进入步骤(11)输出报警信号，并给出烟火区域的位置矩形框；否则视为误报，返回步骤(4)；

(11)、输出报警信号，结束。

Images