CN102236947B - 基于视频摄像机的火焰监测方法与系统 - Google Patents

Abstract

本发明实施例提供一种基于视频摄像机的火焰监测方法与系统，所述方法包括：采集视频图像；对采集到的每一帧视频图像建立亮度高斯模型，利用该模型获得图像中的至少一个高亮区域及其边界像素；对采集到的每一帧视频图像采用高斯帧间差分法进行运动特性分析，获得图像中的运动前景像素；当所述高亮区域的边界像素中包含的运动前景像素的个数达到一设定的阈值时，将所述高亮区域标记为火焰疑似区域；采用隐马尔可夫模型HMM对所述火焰疑似区域的闪烁特性进行评估，判断所述火焰疑似区域中是否存在火焰；当存在火焰时进行火灾报警，否则继续监测下一帧视频图像。

Description

基于视频摄像机的火焰监测方法与系统

技术领域

本发明涉及火灾探测领域，特别涉及一种基于视频摄像机的火焰监测方法与系统。

背景技术

火灾探测器是火灾自动探测报警系统的重要组成部分，它的作用是监测场景中是否有火灾产生，从而触发系统中的其它部分予以报警和处理。它主要是通过测量由火灾产生的相关物理特征达到火灾探测的目的。如：感温探测器是通过测量由火灾带来的温度升高进行检测；感烟探测器、吸气采样、红外光束探测器是通过测量火灾产生的烟雾粒子进行火灾探测；红外紫外火焰探测器是通过检测火焰产生的红外和紫外辐射进行火灾探测。

随着计算机性能的不断提高、计算机视觉技术的不断发展，视频图像火灾探测器的应用已经成为可能。视频图像火灾探测器是通过检测火灾在视频图像中的空间和时间特征进行检测的，其系统结构图一般如图1所示。

首先，通过图像采集设备10(一般由摄像机和图像采集卡构成)采集视频图像并输入到计算机20中，计算机20根据火灾在图像中所呈现的特有的空间和时间特征(一般是火焰和烟雾)做出是否存在火灾的判断，当发生火灾时通知报警装置，从而达到火灾探测报警的目的。与传统的火灾探测器相比，视频火灾探测器具有如下优点：

1、直接探测火灾在图像中的特征，不用利用火灾各个阶段所产生的附属产物与探测器进行接触性测量。

2、不受应用空间的限制，只要是摄像机可以监测到的区域，都能够进行实时监测。

3、便于火灾的确认和存储，火灾探测系统可以与视频存储系统相连达到保存数据的目的。

4、与传统火灾探测器不同，其可以直接通过检测火焰在视觉上呈现的空间与时间特征达到火灾检测的目的，而不需要像传统火灾那样检测由火焰造成的烟尘、热辐射等产物；其检测更加直观，并且值班人员可以迅速通过监视显示器确认火灾现场。

目前的基于视频图像的火焰探测器，一般采用专用摄像机，对摄像机的成像质量要求比较高。然后，通过计算机算法对摄像机采集得到的视频图像进行处理。常用的火焰图像特征包括：

(1)颜色：火焰一般中间为亮白色，往周围边界颜色的饱和度逐渐增大，而一般呈现红色。

(2)环形结构：由于上述的颜色特点，火焰一般在图像上呈现环形相套的特点。

(3)外形多变：随着火焰的发展，火焰的边缘轮廓也在不断变化，而不是一个一成不变的刚体结构。

(4)增长模型：火焰一般从一点出发，随着火势的增加逐渐增大。

现有的视频火焰探测技术一般都是对前述的火焰图像特征进行数学建模，利用模型进行检测，但是存在以下主要缺点：一般使用专用摄像机，对成像质量有较高的要求，这就限制了它的应用范围，不能很好的与现有视频监测系统相结合，造成了较大的安装与维护成本；由于系统模型的不稳定和计算机算法的鲁棒性较差，容易造成一定程度的误报和漏报。

发明内容

本发明实施例提供一种基于视频摄像机的火焰监测方法与系统，以解决现有技术中算法鲁棒形差，容易造成误报和漏报的问题。

为实现以上目的，本发明实施例提供了一种基于视频摄像机的火焰监测方法，所述方法包括：采集视频图像；对采集到的每一帧视频图像建立亮度高斯模型，利用该模型获得图像中的至少一个高亮区域及其边界像素；对采集到的每一帧视频图像采用高斯帧间差分法进行运动特性分析，获得图像中的运动前景像素；当所述高亮区域的边界像素中包含的运动前景像素的个数达到一设定的阈值时，将所述高亮区域标记为火焰疑似区域；采用隐马尔可夫模型HMM对所述火焰疑似区域的闪烁特性进行评估，判断所述火焰疑似区域中是否存在火焰；当存在火焰区域时进行火灾报警，否则继续监测下一帧视频图像。

为实现以上目的，本发明实施例还提供一种基于视频摄像机的火焰监测系统，所述系统包括：图像采集设备，用于采集视频图像；亮度检测单元，用于对采集到的每一帧视频图像建立亮度高斯模型，利用该模型获得图像中的至少一个高亮区域及其边界像素；运动检测单元，用于对采集到的每一帧视频图像采用高斯帧间差分法进行运动特性分析，获得图像中的运动前景像素；疑似区域生成单元，用于当所述高亮区域的边界像素中包含的运动前景像素的个数达到一设定的阈值时，将所述高亮区域标记为火焰疑似区域；闪烁检测单元，基于隐马尔可夫模型HMM对所述火焰疑似区域的闪烁特性进行评估，判断所述火焰疑似区域中是否存在火焰；报警通知单元，用于当存在火焰时，通知报警装置进行火灾报警。

本发明的有益效果在于：(1)基于现有的监控系统中的普通监控摄像机，利用计算机视觉、图像处理和模式识别技术在视频图像中检测火焰，从而达到火灾探测报警的目的。(2)利用较好的数学模型和算法，解决在低画质条件下进行火焰检测的目的，使系统可以适应大部分摄像头与现有的视频监控系统达到无缝连接的目的。(3)进一步降低系统检测的漏检率和误检率，增强系统的鲁棒性，提高系统的稳定性和安全性。

附图说明

图1为本发明实施例基于视频摄像机的火焰监测系统示意图；

图2为本发明实施例火焰监测方法的整体流程图；

图3为图2中步骤S202的一种可选的具体实现方法流程图；

图4为图2中步骤S203的一种可选的具体实现方法流程图；

图5为图2中步骤S205的一种可选的具体实现方法流程图；

图6为本发明实施例的高斯分布模型示意图；

图7为本发明实施例的火焰闪烁状态转移图；

图8为本发明实施例火焰监测方法的详细流程图；

图9为本发明实施例基于视频摄像机的火焰监测系统的功能框图；

图10为本发明实施例系统的亮度检测单元902的细化功能框图；

图11为本发明实施例系统的运动检测单元903的细化功能框图；

图12为本发明实施例系统的闪烁检测单元905的细化功能框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种基于视频摄像机的火焰监测方法与系统，该火焰监测方法与系统利用火焰在视频图像中的时空特征通过计算机智能算法进行火灾探测。

由于视频监测系统中，随着摄像头的成像质量、火源距离摄像头的远近以及不同的火焰类型，火焰在视频中呈现出不同的颜色特征，因此利用颜色等特征对火焰进行检测是不稳定的，但火焰在图像中一般都呈现高亮、运动以及闪烁特性，本系统利用火焰的这三种特点进行监测。本发明的方法首先对每帧图像的亮度信息采用高斯分布建模，利用该模型将处于较高亮度的区域区分出来，然后结合运动信息确定火焰疑似区域，最后根据闪烁信息最终确定是否存在火焰。

具体地：该火焰监测方法一方面基于火焰在图像中一般呈现高亮的特点，利用高斯模型对图像的亮度信息进行建模以提取至少一个高亮区域及其边界像素，这样可以尽量排除其它运动物体的干扰，例如，走动的行人以及各种运动车辆和其他运动目标，以降低系统的误检率，并提高系统的运行速度。另一方面，该方法基于火焰区域会一直运动，即在时域上变化较大的特点，从每帧图像中提取运动前景像素和背景像素。上述高亮检测和运动检测的过程彼此独立，没有先后顺序。

然后，综合上述的高亮检测和运动检测结果获得火焰疑似区域。最后，利用预先建立的HMM模型，采用火焰疑似区域边界附近的像素的亮度变化信息和区域形状变化信息，对火焰疑似区域进行闪烁特性检测，获得最终的火焰区域。本发明采用上述步骤进行火焰检测，算法更加稳定。

图1为本发明实施例基于视频摄像机的火焰监测系统示意图，如图1所示，该系统包括图像采集设备10(包括视频摄像机和采集卡)和计算机20。首先通过视频摄像机和采集卡，对所监测的场景进行24小时不间断监测，将图像采集到计算机20中，利用计算机视觉算法实时检测场景中的火焰，当发现火焰时自动报警，从而达到火灾探测报警的目的。如图1所示，本系统采用一般监控用视频摄像头，对摄像头的成像质量没有特殊要求，因此可进一步降级应用成本，计算机硬件平台采用一般的计算机系统即可。

下面对本发明实施例火焰监测方法的原理进行详细描述。

图2为本实施例火焰监测方法的整体流程图。如图2所示，该方法包括：

S201、采集视频图像；

S202、对采集到的每一帧视频图像建立亮度高斯模型，利用该模型获得图像中的至少一个高亮区域及其边界像素；

S203、对采集到的每一帧视频图像采用高斯帧间差分法进行运动特性分析，获得图像中的运动前景像素；

S204、当所述高亮区域的边界像素中包含的运动前景像素的个数达到一设定的阈值时，将所述高亮区域标记为火焰疑似区域；

S205、采用隐马尔可夫模型HMM对所述火焰疑似区域的闪烁特性进行评估，判断所述火焰疑似区域中是否存在火焰；

S206、当存在火焰时进行火灾报警，否则继续监测下一帧视频图像。

可选地，本实施例在S204之后还可以包括如下步骤：当所述高亮区域的边界像素中包含的运动前景像素的个数未达到所述设定的阈值时，缩小所述高亮区域的范围，对缩小范围后的边界像素再次进行所述阈值的检测。

图3为图2中步骤S202的一种可选的具体实现方法流程图，如图3所示，S202具体包括：

S301、获得每帧视频图像的灰度图像，对每个像素的亮度信息进行统计，计算出亮度的均值μ和方差σ；

S302、计算每个像素的亮度I与均值μ的差值A，A＝I-μ，将A＞ασ的像素作为高亮像素，反之作为非高亮像素，其中α为权值，如可以取值1.5～2.5；将所述高亮像素和非高亮像素采用不同二进制码标记，获得亮度二值图像B_I；

S303、对所述B_I采用形态学滤波法进行处理，以去除所述B_I中的噪声信号；

S304、对所述B_I进行连通域检测，将划分出的每个连通域作为高亮区域，并标记出高亮区域的边界像素。

图4为图2中步骤S203的一种可选的具体实现方法流程图，如图4所示，S203具体包括：

S401、将前后两帧灰度图像的亮度逐像素相减获得整幅图像像素的绝对差值I_A＝|I_n+1-I_n|；

S402、统计所述整幅图像像素的绝对差值的均值μ_A和方差σ_A，将I_A＞μ_A+βσ_A的像素标记为运动前景像素，反之标记为背景像素，其中β为权值，如可以取值1.5～2.5；

S403、将所述运动前景像素和所述背景像素采用不同二进制码标记，获得二值图像B_A，对其进行形态学滤波处理，以去除图像噪声信号。

图5为图2中步骤S205的一种可选的具体实现方法流程图，如图5所示，S205具体包括：

S501、在线下训练阶段，对真实火焰区域的数据进行训练得到闪烁HMM模型，对干扰区域的数据进行训练得到干扰区域模型，两个模型的训练数据包括，n帧之内边界以及边界相邻像素的亮度变换I_A1，I_A2，...，I_An和区域的面积变化比σ₁，σ₂，...，σ_n；

S502、在线上检测阶段，对于所述火焰疑似区域，首先提取所述火焰疑似区域前n帧之内边界以及边界相邻像素的亮度变换I_A1，I_A2，...，I_An和区域的面积变化比σ₁，σ₂，...，σ_n，然后分别计算和线下训练所得到的两个模型的符合程度，当和所述闪烁HMM模型匹配程度高时，确定为所述火焰区域。

下面详细描述本发明实施例所涉及到的算法原理。

(1)亮度高斯建模

高斯分布，也称正态分布，又称常态分布。对于随机变量X，其概率密度函数如图6所示，记为N(μ，σ²)，其中μ，σ²为高斯分布的参数，分别为高斯分布的期望和方差。对于每一帧视频图像，首先，建立亮度高斯模型，利用该模型将可能存在火焰的疑似区域区分出来，并检测区域边界。

从第一帧图像开始，将每帧彩色图像转换为灰度图像，对每个像素的亮度信息进行统计，计算出亮度的均值μ和方差σ，然后计算每个像素的亮度I与均值μ的差值A，A＝I-μ，将A＞ασ的像素标记出，作为高亮像素，反之作为非高亮像素。这里α为亮度权值，α越小高亮区域的亮度范围越小。这里可以将非高亮像素标记为0，高亮像素标记为1，从而获得亮度高斯模型检测二值图像B_I。

对此二值图像利用形态学滤波方法开运算进行处理，以去除二值图像B_I中的细小噪声信号。利用行扫描对B_I进行连通域检测，将每个连通域划分出作为高亮区域，并将每个连通域的边界像素标记出，从而获得每个高亮区域的边界。

(2)运动特性分析

视频图像火焰区域一般是一直运动的，其在时域上呈现很大的变动，本实施例的方法利用该运动特征结合亮度高斯建模对疑似火焰区域进行进一步区分。该方法对每一帧中的所有像素分析其运动特性，此处的运动特征利用高斯帧间差分完成。

具体地，该方法利用前后两帧之间的灰度图像逐像素相减获得其绝对差值，I_A＝|I_n+1-I_n|，统计计算该绝对差值的均值μ_A和方差σ_A，将I_A＞μ_A+βσ_A的像素标记为运动前景像素，反之标记为背景像素；这里β为权值，β较小时，将有更多的像素被判断为运动前景像素，反之，判断为运动前景像素的条件越严格。将所述运动前景像素和所述背景像素采用不同二进制码标记，获得运动二值图像B_A，对其进行形态学滤波处理，以去除图像噪声信号。

然后，对于B_I中的边界像素，在B_A中进行查找，当B_I中的边界像素为运动前景像素的个数达到一定阈值时，将该区域标记为最终的火焰疑似区域。如果未达到阈值则对边界进行修正后再进行标记，即缩小所述高亮区域的范围，对缩小范围后的边界像素再次进行所述阈值的检测。

可选地，本发明实施例的方法在运动检测时，同样可以对B_A进行连通域检测，将每个连通域划分出作为运动前景区域，并将每个连通域的边界像素标记出，从而获得每个运动前景区域的边界。然后，将高亮区域与前景区域的共同区域部分作为火焰疑似区域。

(3)闪烁信息检测

由于不同种类的火焰一般都呈现相对稳定的闪烁频率，因此此处利用闪烁信息对前两步确定的火焰疑似区域做进一步的判断，并输出最终结果。本发明的方法利用隐马尔可夫模型HMM对闪烁频率进行评估，评估过程分为线下训练和线上检测两个阶段。

隐马尔可夫模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有响应概率密度分布的状态序列产生。所以，隐马尔可夫模型是一个双重随机过程——具有一定状态数的隐马尔可夫链和显示随机函数集。

隐马尔可夫模型可以用五个元素来描述：

(a)N，模型的隐状态数目。虽然这些状态是隐含的，但在许多实际应用中，模型的状态通常有具体的物理意义，本发明实施例将火焰闪烁分为开始，闪烁1，闪烁2，结束四个状态，如图7所示。

(b)M，每个状态的不同观测值的数目。在这里，我们利用区域边界像素的亮度变化I_A＝I_n+1-I_n和区域的面积变化比σ＝S_n+1/S_n作为观测值，具体地，本发明实施例可以将亮度变化绝对值|I_A|小于γ₁且比值变化率|σ-1|小于η₁作为一组观察值；将亮度变化I_A大于γ₁且面积比值变化率增加值σ-1大于η₁作为一组观察值；将亮度变化I_A小于-γ₁且比值变化率减小值1-σ大于η₁作为一组观察值。多个观测值构成了一个观测序列。

(c)A，状态转移概率矩阵。描述了HMM模型中各个状态之间的转移概率。其中

A_ij＝P(q_t+1＝S_j|q_t＝S_i)，1≤i，j≤N

表示在t时刻、状态为S_i的条件下，在t+1时刻状态是S_j的概率。本发明实施例在训练初始阶段，将转移概率矩阵设为等概率分布。

(d)B，观测概率矩阵。其中

B_j(k)＝P[V_k(t)|q_t＝S_j]，1≤j≤N，1≤k≤M

表示在t时刻、状态是S_j条件下，观察符号为V_k(t)的概率。本发明实施例在训练初始阶段，将观测概率矩阵设为等概率分布。

(e)π初始状态概率矩阵π＝{π_j}，π_j＝P[q₁＝S_j]，1≤j≤N

表示在t＝1时刻状态为S_j的概率。本发明实施例在训练初始阶段，将初始状态概率矩阵设为等概率分布。

一般的，可以用λ＝(A，B，π)来简洁的表示一个隐马尔可夫模型。给定了N，M，A，B，π后，给定一个观测序列O＝O₁，O₂，O₃，...，O_t，可以评估一个观测序列满足该隐马尔可夫模型的可能性，即观察序列与模型的符合程度。

在线下阶段，利用手动获得的正负样本训练的到上述的隐马尔可夫模型，在线上阶段利用训练得到的隐马尔可夫模型评估是否为火焰区域的可能性，从而输出最终检测结果。

具体地：在线下训练阶段，要根据训练数据来训练“确实为火焰的区域”和“干扰区域”两个模型。假设以30帧图像的数据来进行训练，那么训练的数据包括，30帧之内边界附近像素的亮度变化I_A1，I_A2，..，I_A30和区域的面积变化比σ₁，σ₂，...，σ₃₀，得到一个观测序列，使用Baum-Welch算法利用该观测序列以及前述的HMM模型的初始设定(即A，B，π这三个初始设置的矩阵)，训练得到火焰的闪烁HMM模型λ₁＝(A₁，B₁，π₁)和干扰区域模型λ₂＝(A₂，B₂，π₂)。对于不同的应用场景，Baum-Welch算法会基于不同的训练数据进行训练并生成相应的HMM模型，由于Baum-Welch算法本身为现有技术的内容，此处不再展开描述。

线上检测阶段，假设以30帧图像的数据来进行火焰监测，对于疑似区域，首先，提取前30帧之内边界附近像素的亮度变化I_A1，I_A2，...，I_A30和区域的面积变化比σ₁，σ₂，...，σ₃₀，得到一个观测序列，然后利用前向算法分别计算和两个线下训练所得到的模型的符合程度，当和火焰的闪烁HMM模型匹配程度高时，则判断为火焰区域。图8为本实施例火焰监测方法的详细流程图。

本发明实施例还提供一种基于视频摄像机的火焰监测系统，图9为该系统的功能框图，如图9所示，该系统90包括：图像采集设备901，用于采集视频图像；亮度检测单元902，用于对采集到的每一帧视频图像建立亮度高斯模型，利用该模型获得图像中的至少一个高亮区域及其边界像素；运动检测单元903，用于对采集到的每一帧视频图像采用高斯帧间差分法进行运动特性分析，获得图像中的运动前景像素；疑似区域生成单元904，用于当所述高亮区域的边界像素中包含的运动前景像素的个数达到一设定的阈值时，将所述高亮区域标记为火焰疑似区域；闪烁检测单元905，基于隐马尔可夫模型HMM对所述火焰疑似区域的闪烁特性进行评估，判断所述火焰疑似区域中是否存在火焰；报警通知单元906，用于当存在火焰时，通知报警装置进行火灾报警。

可选地，所述疑似区域生成单元904，还用于当所述高亮区域的边界像素中包含的运动前景像素的个数未达到所述设定的阈值时，缩小所述高亮区域的范围，对缩小范围后的边界像素再次进行所述阈值的检测。

图10为亮度检测单元902的细化功能框图，如图10所示，亮度检测单元902包括：亮度统计单元1001，用于获得每帧视频图像的灰度图像，对每个像素的亮度信息进行统计，计算出亮度的均值μ和方差σ；亮度标记单元1002，用于计算每个像素的亮度I与均值μ的差值A，A＝I-μ，将A＞ασ的像素作为高亮像素，反之作为非高亮像素；将所述高亮像素和非高亮像素采用不同二进制码标记，获得亮度二值图像B_I；亮度噪声处理单元1003，用于对所述B_I采用形态学滤波法进行处理，以去除所述B_I中的噪声信号；高亮区域确定单元1004，用于对所述B_I进行连通域检测，将划分出的每个连通域作为高亮区域，并标记出高亮区域的边界像素。

图11为运动检测单元903的细化功能框图，如图11所示，所述运动检测单元903包括：亮度比较单元1101，用于将前后两帧灰度图像的亮度逐像素相减获得整幅图像像素的绝对差值I_A＝|I_n+1-I_n|；前景像素确定单元1102，用于统计所述整幅图像像素的绝对差值的均值μ_A和方差σ_A，将I_A＞μ_A+βσ_A的像素标记为运动前景像素，反之标记为背景像素；将所述运动前景像素和所述背景像素采用不同二进制码标记，获得二值图像B_A；运动噪声处理单元1103，用于对所述B_A进行形态学滤波处理，以去除图像噪声信号。

图12为闪烁检测单元905的细化功能框图，如图12所示，所述闪烁检测单元905包括：模型训练单元1201，用于在线下训练阶段，对真实火焰区域的数据进行训练得到闪烁HMM模型，对干扰区域的数据进行训练得到干扰区域模型，两个模型的训练数据包括，n帧之内边界以及边界相邻像素的亮度变化I_A1，I_A2，...，I_An和区域的面积变化比σ₁，σ₂，...，σ_n；模型匹配单元1202，用于在线上检测阶段，对于所述火焰疑似区域，首先提取所述火焰疑似区域前n帧之内边界以及边界相邻像素的亮度变化I_A1，I_A2，...，I_An和区域的面积变化比σ₁，σ₂，...，σ_n，然后分别计算和线下训练所得到的两个模型的符合程度，当和所述闪烁HMM模型匹配程度高时，确定为所述火焰区域。

本发明实施例的方法与系统可以通过软件的方式与现有的监控系统相融合，或者根据不同的应用环境架设全新系统，并根据不同环境调整相应的检测率、适应性和阈值等，从而达到最优的检测效果。具体效果包括：

(1)基于现有的监控系统中的普通监控摄像机，利用计算机视觉、图像处理和模式识别技术在视频图像中检测火焰，从而达到火灾探测报警的目的。

(2)利用较好的数学模型和算法，解决在低画质条件下进行火焰检测的目的，使系统可以适应大部分摄像头与现有的视频监控系统达到无缝连接的目的。

(3)进一步降低系统检测的漏检率和误检率，增强系统的鲁棒性，提高系统的稳定性和安全性。

综上所示，本发明是现有火灾探测技术的有力补充，可以进一步加强火灾检测的可靠性，并可以进一步降低系统的应用成本。

以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。

Claims (4)

1.一种基于视频摄像机的火焰监测方法，其特征在于，所述方法包括：

采集视频图像；

对采集到的每一帧视频图像建立亮度高斯模型，利用该模型获得图像中的至少一个高亮区域及其边界像素；

对采集到的每一帧视频图像采用高斯帧间差分法进行运动特性分析，获得图像中的运动前景像素；

当所述高亮区域的边界像素中包含的运动前景像素的个数达到一设定的阈值时，将所述高亮区域标记为火焰疑似区域；

采用隐马尔可夫模型HMM对所述火焰疑似区域的闪烁特性进行评估，判断所述火焰疑似区域中是否存在火焰；

当存在火焰时进行火灾报警，否则继续监测下一帧视频图像；

其中，所述对采集到的每一帧视频图像建立亮度高斯模型，利用该模型获得图像中的至少一个高亮区域及其边界像素包括：

获得每帧视频图像的灰度图像，对每个像素的亮度信息进行统计，计算出亮度的均值μ和方差σ；

计算每个像素的亮度I与均值μ的差值A，A＝I-μ，将A＞ασ的像素作为高亮像素，反之作为非高亮像素其中α为权值；将所述高亮像素和非高亮像素采用不同二进制码标记，获得亮度二值图像B_I；

对所述B_I采用形态学滤波法进行处理，以去除所述B_I中的噪声信号；

对所述B_I进行连通域检测，将划分出的每个连通域作为高亮区域，并标记出高亮区域的边界像素；

所述对采集到的每一帧视频图像采用高斯帧间差分法进行运动特性分析，获得图像中的运动前景像素包括：

将前后两帧灰度图像的亮度逐像素相减获得整幅图像像素的绝对差值I_A＝|I_n+1-I_n|；

统计所述整幅图像像素的绝对差值的均值μA和方差σ_A，将I_A＞μ_A+βσ_A的像素标记为运动前景像素，反之标记为背景像素，其中β为权值；

将所述运动前景像素和所述背景像素采用不同二进制码标记，获得二值图像B_A，对其进行形态学滤波处理，以去除图像噪声信号；

所述采用隐马尔可夫模型HMM对所述火焰疑似区域的闪烁特性进行评估，判断所述火焰疑似区域中是否存在火焰包括：

在线下训练阶段，对真实火焰区域的数据进行训练得到闪烁HMM模型，对干扰区域的数据进行训练得到干扰区域模型，两个模型的训练数据包括，n帧之内边界以及边界相邻像素的亮度变化I_A1,I_A2,...,I_An和区域的面积变化比σ₁,σ₂,...,σ_n；

在线上检测阶段，对于所述火焰疑似区域，首先提取所述火焰疑似区域前n帧之内边界以及边界相邻像素的亮度变化I_A1,I_A2,...,I_An和区域的面积变化比σ₁,σ₂,...,σ_n，然后分别计算和线下训练所得到的两个模型的符合程度，当和所述闪烁HMM模型匹配程度高时，确定为所述火焰区域。

2.根据权利要求1所述的方法，其特征在于，当所述高亮区域的边界像素中包含的运动前景像素的个数达到一设定的阈值时，将所述高亮区域标记为火焰疑似区域之后，所述方法还包括：

当所述高亮区域的边界像素中包含的运动前景像素的个数未达到所述设定的阈值时，缩小所述高亮区域的范围，对缩小范围后的边界像素再次进行所述阈值的检测。

3.一种基于视频摄像机的火焰监测系统，其特征在于，所述系统包括：

图像采集设备，用于采集视频图像；

亮度检测单元，用于对采集到的每一帧视频图像建立亮度高斯模型，利用该模型获得图像中的至少一个高亮区域及其边界像素；

运动检测单元，用于对采集到的每一帧视频图像采用高斯帧间差分法进行运动特性分析，获得图像中的运动前景像素；

疑似区域生成单元，用于当所述高亮区域的边界像素中包含的运动前景像素的个数达到一设定的阈值时，将所述高亮区域标记为火焰疑似区域；

闪烁检测单元，基于隐马尔可夫模型HMM对所述火焰疑似区域的闪烁特性进行评估，判断所述火焰疑似区域中是否存在火焰；

报警通知单元，用于当存在火焰时，通知报警装置进行火灾报警；

其中，所述亮度检测单元包括：

亮度统计单元，用于获得每帧视频图像的灰度图像，对每个像素的亮度信息进行统计，计算出亮度的均值μ和方差σ；

亮度标记单元，用于计算每个像素的亮度I与均值μ的差值A，A＝I-μ，将A＞ασ的像素作为高亮像素，反之作为非高亮像素；将所述高亮像素和非高亮像素采用不同二进制码标记，获得亮度二值图像B_I；

亮度噪声处理单元，用于对所述B_I采用形态学滤波法进行处理，以去除所述B_I中的噪声信号；

高亮区域确定单元，用于对所述B_I进行连通域检测，将划分出的每个连通域作为高亮区域，并标记出高亮区域的边界像素；

所述运动检测单元包括：

亮度比较单元，用于将前后两帧灰度图像的亮度逐像素相减获得整幅图像像素的绝对差值I_A＝|I_n+1-I_n|；

前景像素确定单元，用于统计所述整幅图像像素的绝对差值的均值μ_A和方差σ_A，将I_A＞μ_A+βσ_A的像素标记为运动前景像素，反之标记为背景像素，其中β为权值；将所述运动前景像素和所述背景像素采用不同二进制码标记，获得二值图像B_A；

运动噪声处理单元，用于对所述B_A进行形态学滤波处理，以去除图像噪声信号；

所述闪烁检测单元包括：

模型训练单元，用于在线下训练阶段，对真实火焰区域的数据进行训练得到闪烁HMM模型，对干扰区域的数据进行训练得到干扰区域模型，两个模型的训练数据包括，n帧之内边界以及边界相邻像素的亮度变化I_A1,I_A2,...,I_An和区域的面积变化比σ₁,σ₂,...,σ_n；

模型匹配单元，用于在线上检测阶段，对于所述火焰疑似区域，首先提取所述火焰疑似区域前n帧之内边界以及边界相邻像素的亮度变化I_A1,I_A2,...,I_An和区域的面积变化比σ₁,σ₂,...,σ_n，然后分别计算和线下训练所得到的两个模型的符合程度，当和所述闪烁HMM模型匹配程度高时，确定为所述火焰区域。

4.根据权利要求3所述的系统，其特征在于，

所述疑似区域生成单元，还用于当所述高亮区域的边界像素中包含的运动前景像素的个数未达到所述设定的阈值时，缩小所述高亮区域的范围，对缩小范围后的边界像素再次进行所述阈值的检测。

Images