CN102208018A - 一种基于视频差异分析的输电线路火灾识别方法 - Google Patents

Abstract

本发明公开的一种基于视频差异分析的输电线路火灾识别方法，摄像头采集输电线路的视频信号，通过视频服务器将采集到的视频信号以视频流的方式传送回监控中心；监控中心从视频流中截取所需要监视的输电线路的数字图像，得到监视的目标图像；预处理后采用背景差分发法检测目标图像是否具有异常；对可疑区域进行火焰特征的检测；通过人工神经网络精确识别火灾。本发明火灾识别方法，为保证电力企业生产安全提供了一种新的直观而准确的手段，有着非常重要的现实意义。并且设备简单、经济。

Description

一种基于视频差异分析的输电线路火灾识别方法

技术领域

本发明属于视频图像处理及输电线路在线监测技术领域，涉及一种输电线路火灾识别方法，具体涉及一种基于视频差异分析的输电线路火灾识别方法。

背景技术

随着封山育林工作的大力展开，输电线路周围环境的山火问题越来越威胁着输电线路的安全运行，也将对电力系统的安全运行造成严重阻碍。若能在火灾发生初期就进行识别，则可以减少各种损失。火灾在发生过程中，通常伴随着，高温、高热、强光、强辐射等基本特征。目前火灾探测系统都采用传统的感温、感烟、光电等传感器，分别基于火灾的温度、产生的烟气、火焰光谱特征来探测火灾，这些探测系统易受到输电线路复杂的周围环境以及电子噪声的干扰，误报率非常高，而且这种系统不能掌握火灾现场的情况，无法依靠其进行实时调度与处理。随着计算机技术与数字图像处理的飞快发展，火灾探测技术也逐渐的开始采用基于图像和视频的识别方式，即根据火灾的早期图像开始识别并跟踪其发展趋势，一旦达到火灾的预设标准就触发报警。图像探测技术是基于数字图像处理和分析的新型火灾图像探测方法，与其他探测技术联合应用会大大提高探测的准确性和可靠性。

发明内容

本发明的目的是提供一种基于视频差异分析的输电线路火灾识别方法，解决了现有火灾探测系统易受到输电线路复杂的周围环境以及电子噪声的干扰，误报率非常高，不能掌握火灾现场的情况，无法依靠其进行实时调度与处理的问题。

本发明所采用的技术方案是，一种基于视频差异分析的输电线路火灾识别方法，具体按照以下步骤实施：

步骤1：摄像头采集输电线路的视频信号，通过视频服务器将采集到的视频信号以视频流的方式传送回监控中心；监控中心从视频流中截取所需要监视的输电线路的数字图像，得到监视的目标图像；

步骤2：对步骤1得到的监视的目标图像进行预处理；对预处理后的图像采用背景差分发法检测目标图像是否具有异常；

步骤3：对步骤2得到的可疑区域进行火焰特征的检测，包括火焰颜色的识别及火焰的动态特征识别，并设定阈值，将检测结果和设定的阈值进行比较；

步骤4：根据步骤3得到的比较结果，通过人工神经网络精确识别火灾。

本发明的特点还在于，

其中的步骤2中对步骤1得到的监视的目标图像进行预处理，具体按照以下步骤实施：对输入的视频图像进行时间或空间滤波，包括图像的平滑、增强、恢复。

其中的步骤2中对预处理后的图像采用背景差分法检测目标图像是否具有异常，具体按照以下步骤实施：

首先设B_k为背景图像，f_k为当前帧图像，差分图像为D_k，则D_k(x，y)＝|f_x(x，y)-B_k-1(x，y)|，设R_k为差分后二值图像，对R_k进行连通性分析，当某一连通的区域的面积大于一定的阈值，则认为检测的目标出现，并认为这个连通的区域就是检测到的目标图像；

T为设定的二值化阈值。

其中的步骤3中的火焰颜色的识别，具体按照以下步骤实施：

首先取疑似火焰物体的全部像素值，按如下公式计算每个像素点的红色比重值：

$\mathrm{redratio}(x,y)=\underset{x,y\∈m}{\mathrm{\Σ}}\frac{R\left(p_i(x,y)\right)}{R\left(p_i(x,y)\right)+B\left(p_i(x,y)\right)+G\left(p_i(x,y)\right)},$

其中的R(p_i(x，y))，B(p_i(x，y))，G(p_i(x，y))是图像中红绿蓝三个分量，然后计算这些像素点的红色比重值的方差值，当可疑目标为火焰时，由于火焰颜色变化分布造成像素变化大，红色比重的方差值较大；而当可疑目标为太阳、灯光等干扰源时，颜色变化不明显，像素值基本保持在一个平均值附近波动，像素点的红色比重值的方差不大，接近零。

其中的步骤3中的火焰的动态特征识别，具体按照以下步骤实施：

火焰尖角的识别：不稳定的火焰尖角由一个个的点组成，令尖角中某一行的亮点数为f(n)，上一行的亮点数记为f(n-1)，要求尖角狭长通过控制f(n)/f(n-1)的值来实现；

火焰圆形度的计算：圆形度表征了物体形状的复杂程度，其计算公式为：

圆形度＝周长2/(面积×4π)，

周长为物体的边界长度，从边界链码中得到，垂直的和水平的步幅为单位长度，对角步幅的长度为2，两个直角步还原成一个对角度，其步幅是2，按上述规则遍历边界链码，算出边界长度；面积通过统计亮点数获得；圆形度对圆形物体取最小值4π，物体形状越复杂其值越大。

其中的步骤3中的神经网络，采用三层BP神经网络，其具有如下特征：神经网络隐含层节点数的计算公式为：

式中：y为隐含层节点数；c为输出节点数；r为输入节点数。

本发明的有益效果是，在对输电线路周围环境实施在线监测过程中，以计算机为中心，结合光电技术和计算机图像处理和模式识别技术。通过对采集到的数字图像进行预处理、差分检测异常、分割处理提取火灾图像，进而通过检测火灾的颜色、面积、动态特征以及人工神经网络来识别并判定火灾，并及时报警，为保证电力企业生产安全提供了一种新的直观而准确的手段，有着非常重要的现实意义。并且设备简单、经济。

附图说明

图1是本发明方法中某次输电线路周围山火的原始图像；

图2是本发明方法中背景差分法的工作原理图；

图3是采用本发明方法对某次火灾图像进行背景差分后提取到的二值目标图像；

图4是本发明方法中某次火灾图像的面积检测图像；

图5是本发明方法中某次火灾图像的轮廓提取图像；

图6是本发明方法中BP神经网络的图像识别框图；

图7是本发明方法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于视频差异分析的输电线路火灾识别方法，如图7所示，具体按照以下步骤实施：

步骤1：摄像头采集输电线路的视频信号，经过视频服务器将采集到的视频信号以视频流的方式实时传送回监控中心，如图1所示为某次输电线路周围山火的原始图像；监控中心从视频流中截取所监视的输电线路的数字图像，得到监视的目标图像；

步骤2：对步骤1得到的监视的目标图像进行预处理，具体按照以下步骤实施：对输入的视频图像进行简单的时间或空间滤波，包括图像的平滑、增强、恢复等，目的在于抑制不需要的变形、噪声或者增强某些有利于后续处理的图像特征，改善图像质量，为后续目标识别等提供方便。对预处理后的图像采用背景差分法检测目标图像是否具有异常；背景差分法进行目标图像检测，如图2所示，具体按照以下步骤实施：

由于环境大部分时间将处于没有火灾的情况，因此首先在图像预处理的基础上采用背景差分方法检测疑似区域，背景差分法就是用当前环境背景估计图像与当前帧图像进行相减，来实现目标图像检测。

其原理如下：首先设B_k为背景图像，f_k为当前帧图像，差分图像为D_k，则D_k(x，y)＝|f_x(x，y)-B_k-1(x，y)|，设R_k为差分后二值图像。对R_k进行连通性分析，当某一连通的区域的面积大于一定的阈值，则认为检测的目标出现，并认为这个连通的区域就是检测到的目标图像。

T为设定的二值化阈值。如图3所示为对火灾图像进行背景差分后提取到的二值目标图像。

步骤3：对步骤2得到的可疑区域进行火焰特征的检测：对颜色、面积、动态特征(尖角、圆形度)等行提取检测，并设定各自的阈值，将每一个检测结果和预设阈值进行比较；如图4及图5所示，为火灾图像的面积检测图像及火灾图像的轮廓提取图像。

火焰颜色的识别算法具体按照以下步骤实施：

火焰一般从焰心到外焰其颜色应从白色到黄色再向红色移动，而像太阳、灯光这样的干扰源其颜色变化不明显，在图像中表现为像素值的变化不明显。根据这一特点，提出了如下识别算法。首先取疑似火焰物体的全部像素值，按如下公式计算每个像素点的红色比重值。

计算红色比重的公式如下：

$\mathrm{redratio}(x,y)=\underset{x,y\∈m}{\mathrm{\Σ}}\frac{R\left(p_i(x,y)\right)}{R\left(p_i(x,y)\right)+B\left(p_i(x,y)\right)+G\left(p_i(x,y)\right)}---\left(2\right)$

其中的R(p_i(x，y))，B(p_i(x，y))，G(p_i(x，y))是图像中红绿蓝三个分量。然后计算这些像素点的红色比重值的方差值。当可疑目标为火焰时，由于火焰颜色变化分布造成像素变化大，所以红色比重的方差值较大；而当可疑目标为太阳、灯光等干扰源时，颜色变化不明显，像素值基本保持在一个平均值附近波动，所以像素点的红色比重值的方差不大，接近零。

火焰的动态特征识别具体按照以下步骤实施：

(1)火焰尖角的识别

不稳定的火焰本身有很多尖角，火焰边缘抖动一个明显的表现是：火焰的尖角数目呈现无规则的跳动。对于火焰的尖角来说，特征点首先应该是它的顶点，顶点是局部的极值点。另一个特征就是“尖”，给人的视觉效果是狭而长，这要求尖角的体态要符合一定的标准。尖角左右两边的夹角应该满足一定的条件。在计算机中尖角是由一个个的点组成的，令尖角中某一行的亮点数为f(n)，上一行的亮点数记为f(n-1)，要求尖角狭长可以通过控制：f(n)/f(n-1)的值来实现。

(2)火焰圆形度的计算

根据火灾火焰形状不规整和大部分干扰源(如手电筒，白炽灯等)的形状规整程度较高的特点，将圆形度概念作为火灾判据之一。圆形度表征了物体形状的复杂程度，其计算公式为：

圆形度＝周长2/(面积×4π)    (3)

周长为物体的边界长度，可从边界链码中得到。垂直的和水平的步幅为单位长度，对角步幅的长度为2，两个直角步还原成一个对角度，其步幅也是2。按上述规则遍历边界链码，即可算出边界长度。面积通过统计亮点数获得。圆形度对圆形物体取最小值4π，物体形状越复杂其值越大。本例中火灾的圆形度为30.1。

步骤4：根据步骤3得到的比较结果，进一步通过人工神经网络来精确识别判断火灾；如图6所示，具体按照以下步骤实施：

人工神经网络可以处理非线性、不完整的和模糊的数据。它不仅可以在正常情况下给出问题的次最优解，而且在数据、资料残缺不全的情况下仍可以正常运转并给出满意的结果。火灾火焰的燃烧过程是一个强非线性动力学系统，比一般动力装置中的燃烧过程更为复杂，其稳定性是直接通过燃烧火焰状态的变化来反映的。火灾火焰燃烧状态变化受到可燃物的数量、种类和燃烧区域的风速等诸多因素制约，具有很强的模糊性和随机特性。由此，火灾火焰信号是一类典型的非线性信号，用人工神经网络方法可以提高火灾火焰识别的可靠性和准确性。

本发明以三层BP神经网络作为火灾图像识别的神经网络模型。

(1)神经网络输入信号

本发明中神经网络的输入信息是根据火灾火焰图像的颜色、形状及动态特征来确定，采用颜色一阶矩、火焰区域面积、圆形度以及尖角数的各特征参数值作为输入信号。

(2)神经网络隐含层节点数

三层神经网络的输出层与输入层节点数是由问题本身决定的。作为模式判别时输入节点数是特征维数，输出节点数是想要分类的数目。但中间隐含层的节点数如何确定则缺乏有效的方法。

对于多类的模式识别问题来说，要求网络输出特征空间划分成一些不同的类(对应不同的类别)、每一隐含层单元可形成一个超平面。N个超平面可将D维空间划分成的区域数如下式所示：

$M(N,D)=\underset{i=0}{\overset{D}{\mathrm{\Σ}}}\left[\begin{array}{c}N\\ i\end{array}\right]---\left(4\right)$

当N＜D时，M＝2^N。设有P个样本，不知道它们实际上应分成多少类，比较周全的考虑，可假设M＝P，当N＜D时，可选择隐含层单元数为：N＝log₂P，当然这只能是一个参考数字，因为所需隐含层单元数，主要取决于问题复杂程度而非样本数。当然，复杂的问题需要大量的样本。当隐含层节点数难以确定时，可以先选较多的隐含层节点数，待学习完成后，再逐步删除一些隐含层单元，使网络更为精简。

本发明采用如下公式来计算隐含层节点数：

$y=\frac{\frac{1}{2}c\×r^2+\frac{3}{2}c\×r-1}{c+r}---\left(5\right)$

式中：y为隐含层节点数；c为输出节点数(或分类数)；r为输入节点数(或特征向量维数)。

(3)神经网络输出信号

将神经网络的输出做归一化，把图像分为3类，即输出层有3个神经元，对应“火灾火焰”、“干扰物体”、“林区景物”。

(4)学习样本

要实现火焰识别，必须建立火灾图像样本库，通过一定数量的已知样本进行网络训练后得出判别函数和判别准则后，对未知类别的图像进行识别。如图6所示，为BP神经网络的图像识别框图

步骤5：根据步骤4的判断结果，进行报警措施，如果检测到有火灾发生的趋势，则立即启动报警，监测人员将对其进行重点监控并及时通知巡检人员赶赴现场实施灭火。否则重复进行以上步骤。

本发明基于远程数字图像处理技术，以计算机为中心，结合光电技术和计算机图像处理和模式识别技术，以传送到监控中心的视频流中截取的数字图像为研究对象，同时对采集到的连续图像序列进行分析，根据火灾火焰的变化特征来探测火灾，并进行及时报警，为保证电力企业生产安全提供了一种新的直观而准确的手段，有着非常重要的现实意义。

Claims (6)

1.一种基于视频差异分析的输电线路火灾识别方法，其特征在于，具体按照以下步骤实施：

步骤1：摄像头采集输电线路的视频信号，通过视频服务器将采集到的视频信号以视频流的方式传送回监控中心；监控中心从视频流中截取所需要监视的输电线路的数字图像，得到监视的目标图像；

步骤2：对步骤1得到的监视的目标图像进行预处理；对预处理后的图像采用背景差分发法检测目标图像是否具有异常；

步骤3：对步骤2得到的可疑区域进行火焰特征的检测，包括火焰颜色的识别及火焰的动态特征识别，并设定阈值，将检测结果和设定的阈值进行比较；

步骤4：根据步骤3得到的比较结果，通过人工神经网络精确识别火灾。

2.根据权利要求1所述的基于视频差异分析的输电线路火灾识别方法，其特征在于，所述的步骤2中对步骤1得到的监视的目标图像进行预处理，具体按照以下步骤实施：对输入的视频图像进行时间或空间滤波，包括图像的平滑、增强、恢复。

3.根据权利要求1所述的基于视频差异分析的输电线路火灾识别方法，其特征在于，所述的步骤2中对预处理后的图像采用背景差分法检测目标图像是否具有异常，具体按照以下步骤实施：

首先设B_k为背景图像，f_k为当前帧图像，差分图像为D_k，则D_k(x，y)＝|f_x(x，y)-B_k-1(x，y)|，设R_k为差分后二值图像，对R_k进行连通性分析，当某一连通的区域的面积大于一定的阈值，则认为检测的目标出现，并认为这个连通的区域就是检测到的目标图像；

T为设定的二值化阈值。

4.根据权利要求1所述的基于视频差异分析的输电线路火灾识别方法，其特征在于，所述的步骤3中的火焰颜色的识别，具体按照以下步骤实施：

首先取疑似火焰物体的全部像素值，按如下公式计算每个像素点的红色比重值：

$\mathrm{redratio}(x,y)=\underset{x,y\∈m}{\mathrm{\Σ}}\frac{R\left(p_i(x,y)\right)}{R\left(p_i(x,y)\right)+B\left(p_i(x,y)\right)+G\left(p_i(x,y)\right)},$

其中的R(p_i(x，y))，B(p_i(x，y))，G(p_i(x，y))是图像中红绿蓝三个分量，然后计算这些像素点的红色比重值的方差值，当可疑目标为火焰时，由于火焰颜色变化分布造成像素变化大，红色比重的方差值较大；而当可疑目标为太阳、灯光等干扰源时，颜色变化不明显，像素值基本保持在一个平均值附近波动，像素点的红色比重值的方差不大，接近零。

5.根据权利要求1所述的基于视频差异分析的输电线路火灾识别方法，其特征在于，所述的步骤3中的火焰的动态特征识别，具体按照以下步骤实施：

火焰尖角的识别：不稳定的火焰尖角由一个个的点组成，令尖角中某一行的亮点数为f(n)，上一行的亮点数记为f(n-1)，要求尖角狭长通过控制f(n)/f(n-1)的值来实现；

火焰圆形度的计算：圆形度表征了物体形状的复杂程度，其计算公式为：

圆形度＝周长2/(面积×4π)，

周长为物体的边界长度，从边界链码中得到，垂直的和水平的步幅为单位长度，对角步幅的长度为2，两个直角步还原成一个对角度，其步幅是2，按上述规则遍历边界链码，算出边界长度；面积通过统计亮点数获得；圆形度对圆形物体取最小值4π，物体形状越复杂其值越大。

6.根据权利要求1所述的基于视频差异分析的输电线路火灾识别方法，其特征在于，所述的步骤3中的神经网络，采用三层BP神经网络，其具有如下特征：神经网络隐含层节点数的计算公式为：

式中：y为隐含层节点数；c为输出节点数；r为输入节点数。

Images