CN102306278A - 一种基于视频的烟火检测方法和装置 - Google Patents

Abstract

本发明公开了一种基于视频的烟火检测方法，包括：(a)从视频图像中提取预定数量的连续的图像帧；(b)检测出各帧图像上的运动像素，并确定其中的运动像素区域；(c)识别运动像素区域中各像素颜色是否为烟火颜色，得到运动烟火颜色区域；(d)对各运动烟火颜色区域分别进行时域和空域分析，并判断运动烟火颜色区域是否具有烟火时域和空域特征；(e)综合前述步骤检测判断结果判定视频图像中是否存在烟火。本发明还提供相应的烟火检测装置。本发明基于视频图像实现了准确高效的烟火检测。该方法可应用于智能交通系统中，实现自动检测车辆起火冒烟等意外交通事件，报警等功能，并且可大大降低误报警概率。

Description

一种基于视频的烟火检测方法和装置

技术领域

本发明涉及图像处理和识别技术领域，具体地说涉及一种基于视频的烟火检测方法和装置。

背景技术

在现代智能交通系统中，监控摄像机已经广泛地应用于城市道路、高速公路的路口及路段上。基于监控视频的情景分析已经成为了智能交通系统必不可少的模块，而且随着技术的不断进步，基于视频的情景分析已经从单一的闯红灯分析发展到了各种违章检测乃至一些特殊的情景检测，如交通事故引发的起火冒烟等。

基于视频的烟火检测技术使智能交通系统能够在摄像机监控路段出现车辆起火、冒烟等意外事件时，自动完成识别报警，可以为交通管理提供强有力的支持。因此其在智能交通系统中有很强的实际需求和广泛应用前景。

目前的基于视频的烟火检测算法基本采用火焰颜色和运动变化检测，其在完成火焰的检测的同时，往往对正在运动的红色物体发生误判，如正在行驶的红色汽车等。较差的抗干扰能力使其在现实的交通环境下很难取得较好实际应用效果。因此，需要根据实际道路状况利用现有的视频监视信号提供一种新的抗干扰能力强的烟火检测方法。

发明内容

本发明提供了一种基于视频图像的烟火检测方法和装置，可实现准确高效的烟火检测。该方法可应用于智能交通系统中，可自动检测车辆起火冒烟等意外交通事件，报警等功能，并且可大大降低误报警概率。

本发明实施例提供的一种基于视频的烟火检测方法，包括：

(a)从获取的视频中提取预定数量的连续的图像帧；

(b)检测出各帧图像上的运动像素，并确定其中的运动像素区域；

(c)识别所述运动像素区域中各像素颜色是否为烟火颜色，得到各帧图像运动的烟火颜色区域；

(d)对各帧图像中的运动烟火颜色区域进行时域分析，并判断所述运动烟火颜色区域是否具有烟火时域特征；

(e)对各帧图像中的运动烟火颜色区域进行空域分析，根据其边界颜色变化信息判断其是否具有烟火空域特征；

(f)综合步骤(b)、(c)、(d)、(e)的检测判断结果判定所述视频图像中是否存在烟火。

本发明实施例还提供一种基于视频的烟火检测装置，包括：

图像获取单元，用于从获取的视频中提取预定数量的连续的图像帧；

像素检测单元，检测出各帧图像上的运动像素，并确定其中的运动像素区域；

烟火颜色判定单元，用于识别所述运动像素区域中各像素颜色是否为烟火颜色，得到各帧图像运动的烟火颜色区域；

时域分析单元，用于对各帧图像中的运动烟火颜色区域进行时域分析，并判断所述运动烟火颜色区域是否具有烟火时域特征；

空域分析单元，用于对各帧图像中的运动烟火颜色区域进行空域分析，根据其边界颜色变化信息判断其是否具有烟火空域特征；

综合判定单元，用于基于所述像素检测单元、烟火颜色判定单元、时域分析单元以及空域分析单元的检测判断结果综合判定所述视频图像中是否存在烟火。

本发明提出了一种基于视频图像的烟火检测方法，本发明使用运动区域检测、火焰颜色检测、时域小波分析和空域小波分析等几种方法相结合，基于视频图像实现了准确高效的烟火检测。该方法可应用于智能交通系统中，实现自动检测车辆起火冒烟等意外交通事件，报警等功能。

本发明提供的方法不但能够检测出烟火颜色运动区域，而且能够在小波域对该区域进行分析，从而进一步排除普通运动红色物体等干扰因素，大大降低了误报警概率。在实际智能交通系统中得到了很好的应用。

附图说明

图1为本发明提供一种基于视频的烟火检测方法流程图；

图2为本发明具体实施例提供一种基于视频的烟火检测方法流程图；

图3为本发明实施例中采用的高斯混合颜色模型示意图；

图4为本发明实施例中采用的二阶滤波器示意图；

图5为本发明实施例中采用的一阶滤波器示意图；

图6为本发明提供一种基于视频的烟火检测装置构成示意图。

具体实施方式

本发明提出了一种基于视频图像的烟火检测方法，该方法可应用于智能交通系统中，实现自动检测车辆起火冒烟等意外交通事件，报警等功能。本发明使用运动区域检测、火焰颜色检测、时域小波分析和空域小波分析等几种方法相结合，基于视频图像实现了准确高效的烟火检测。

本发明提供的方法不但能够检测出烟火颜色运动区域，而且能够在小波域对该区域进行分析，从而进一步排除普通运动红色物体等干扰因素，大大降低了误报警概率。在实际智能交通系统中得到了很好的应用。

参照图1，本发明提供一种基于视频的烟火检测方法，包括如下步骤：

步骤Sa，从获取的视频中提取预定数量的连续的图像帧；

步骤Sb，检测出各帧图像上的运动像素，并确定其中的运动像素区域；

步骤Sc，识别所述运动像素区域中各像素颜色是否为烟火颜色，得到各帧图像运动的烟火颜色区域；

步骤Sd，对各帧图像中的运动烟火颜色区域进行时域分析，并判断所述运动烟火颜色区域是否具有烟火时域特征；

步骤Se，对各帧图像中的运动烟火颜色区域进行空域分析，根据其边界颜色变化信息判断其是否具有烟火空域特征；

步骤Sf，综合步骤Sb、Sc、Sd、Se的检测判断结果判定所述视频图像中是否存在烟火。

步骤Sb中，检测出各帧图像上的运动像素具体可采用递归的背景估计算法：

设当前帧为第n帧，像素x处的像素值I(x，n)与第n-1帧中该位置的像素值I(x，n-1)之差大于预定的阈值，则确定像素x为运动像素，否则为像素x为静止像素。

步骤Sc中，识别运动像素区域中各像素颜色是否为烟火颜色可采用高斯混合颜色模型进行判定，具体包括：

使用高斯混合颜色模型，把三基色RGB三维颜色空间中烟火颜色的分布用若干个球体囊括；

如果像素x处的颜色在三基色RGB三维颜色空间中落在了其中一个或多个球中，则像素x处的颜色为烟火颜色。

步骤Sd中，运动烟火颜色区域进行时域分析可采用小波分析方法，具体包括：

设当前帧为第n帧，获取满足运动和颜色条件的像素点x第n-m+1帧至当前帧的红色分量序列m为序列长度，预设m≥10；

将所述红色分量变化量

进行滤波和降采样后得到第一分量d_n(x)和第二分量e_n(x)，当|d_n(x)|和|e_n(x)|在小于预定值T₁和大于预定值T₂两种状态之间频繁地波动时，则认定图像区域具有烟火时域特征。

步骤Se中，运动烟火颜色区域进行空域分析可采用小波分析方法，具体包括：

Se01，在水平和垂直两个方向上分别进行一阶小波变换；

Se02，采用一阶小波变换滤波器进行滤波和降采样，得到空间位置(k，l)对应的输出信号：低通-低通分量I_ll(k，l)、低通-高通分量I_lh(k，l)、高通-低通分量I_hl(k，l)和高通-高通分量I_hh(k，l)；

Se03，设定判决参数v，根据v的大小判断是否具有烟火空域特征；

$v=\frac{1}{M\×N}\underset{k,l}{\mathrm{\Σ}}\left[\right|I_{\mathrm{lh}}(k,l)|+|I_{\mathrm{hl}}(k,l)|+|I_{\mathrm{hh}}(k,l)\left|\right]$

式中M和N是颜色运动区域的长和宽，如果该判决参数v大于设定的阈值T₄，则认定(k，l)处具有烟火空域特征。

步骤Sf中，假定步骤(Sb)、(Sc)、(Sd)、(Se)中的判决参数分别为v₁、v₂、v₃和v₄，综合步骤(Sb)、(Sc)、(Sd)、(Se)的检测判断结果判定所述视频图像中是否存在烟火，具体包括：

设立联合判决参数H，

$H=\underset{i}{\mathrm{\Σ}}{w}_i{v}_i$

式中，v_i是以上各步骤的判决结果，取值0或1，w_i是预定的权重参数，当像素是运动像素时，判决参数v₁＝1，否则v₁＝0；当像素是烟火颜色时，判决参数v₂＝1，否则v₂＝0；当|d_n(x)|和|e_n(x)|频繁剧烈波动时，判决参数v₃＝1，否则v₃＝0；当步骤(e)中的判决参数v＞T₄时，v₄＝1，否则v₄＝0；

当H＞T时，T为预定的全局阈值，则判定所述视频图像中存在烟火；否则，判定所述视频图像中不存在烟火。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

【实施例一】

参照图2，本发明实施例提供的一种基于视频的烟火检测方法，包括如下步骤：

S01，读取视频图像数据并保存；

S02，图像中运动区域的检测

本实施例中采用一种递归的背景估计算法检测出所读取的视频中当前帧图像上运动的像素区域。

首先，进行背景估计

I(x，n)表示视频的第n帧图像在位置x处的像素值，使用公式(1)估计下一帧该位置处的背景值B(x，n+1)，

式中，B(x，n)是上一步该位置处的背景预估值，参数a是接近1的正实数，初始值B(x，0)＝I(x，0)。当满足公式(2)时，即认为x像素运动，否则认为x像素静止。

|I(x-n)-I(x，n-1)|＞T₁(x，n)                    (2)

式中，I(x，n-1)是第n-1帧中该位置的像素值，阈值T₁(x，n)通过公式(3)迭代计算。

式中，c是大于1的实数，c越高，阈值T越高，a是接近于1的正实数。起始阈值T(x，0)被设置为非0值。

根据公式(1)、(2)、(3)迭代计算背景B(x，n)和阈值T₁(x，n+1)，公式中参数可设置为c＝2，a＝0.8。T(x，0)＝1。

其后，进行运动判定

检测出各帧图像上的运动像素，并确定其中的运动像素区域；

如果满足以下不等式，

|I(x，n)-B(x，n)|＞T₁(x，n)                    (4)

则判定x处为运动像素，判决参数v₁＝1，否则v₁＝0。

运动像素被连接成连通的区域并标注。此步输出为映射图Map1(x，n)，该映射图即和视频图像等尺寸的二值图像，该图像像素只有0、1两种值，0表示该位置非烟火，1表示该位置是烟火。记录连通后的每帧图像的运动区域。

S03，运动区域烟火颜色检测、校验

本步骤对Map1(x，n)记录的运动区域中各像素的颜色是否符合预设的烟火颜色模型进行判断。识别所述运动像素区域中各像素颜色是否为烟火颜色，得到各帧图像运动的烟火颜色区域。

首先，建立烟火模型

本实施例中使用高斯混合颜色模型来表示烟火颜色。由统计数据而知，烟火颜色分布存在一定的规律性。使用高斯混合颜色模型，把RGB三维颜色空间中烟火颜色的分布用D个半径为r的球体囊括(各个球可以有部分重叠)，如错误！未找到引用源。所示。

在当前应用的智能交通系统中D＝8，r＝40。各个球心的位置如表1所示。

表1混合高斯模型中烟火颜色各球心位置

球心	红	绿	蓝
				1	121	77	24
2	169	84.	45
				3	177	144	95
4	200	124	43
				5	204	184	80
6	205	179	171
				7	228	157	113
8	235	218	226

其后，进行颜色判定

如果x位置的颜色在RGB三维颜色空间中落在了其中一个或多个球中，就表示该位置处为烟火颜色，设判决参数v₂＝1，否则v₂＝0。

烟火颜色像素被连接成连通的区域并标注。本步输出与输入图像等尺寸的二值映射图Map2(x，n)，记录每帧图像运动的烟火颜色区域。

S04，对运动烟火颜色区域进行时域小波分析

本步骤对Map2(x，n)记录的每帧图像中的运动烟火颜色区域进行时域小波分析，提取高频信息，滤除运动的普通红色物体带来的干扰。对各帧图像中的运动烟火颜色区域进行时域分析，并判断所述运动烟火颜色区域是否具有烟火的时域特征；

简单的根据运动和颜色信息分析烟火在遇到运动的红色物体时(如行驶中的红色汽车，穿红色衣服的行人等)，往往将其误判为烟火，进而报警。过多的误报警使其无法满足现代智能交通系统中意外交通事件检测的要求。

在本发明中为了提高烟火检测的抗动态干扰能力，在前两步检测之后，加入了小波分析，充分利用烟火闪烁的频率信息，排除普通运动干扰。

(1)首先，选取输入信号

比较适合反映颜色时域变化信息的有YUV颜色空间的亮度分量Y和RGB颜色空间的红色分量R。本发明中选用后者，即输入信号为第n帧图像中满足运动和颜色条件的像素点x的红色分量序列

(2)然后，进行滤波、降采样处理

本发明中采用二阶滤波器，如图4所示。其中半带高通滤波器的系数为

半带低通滤波器的系数为

(3)最后，进行时域判定

经滤波后输出d_n(x)和e_n(x)。如果x位置存在高频闪烁，则d_n(x)和e_n(x)不为0，反之，d_n(x)和e_n(x)等于或非常接近于0。因为小波信号是高通信号，理论上输入信号中变化缓慢的部分生成的小波系数为0，由于实际系统中存在干扰信号，所以该部分输出可能会在0值附近小幅震荡。所以在小波域中可通过设置阈值来去除变化较慢的信号。

当|d_n(x)|和|e_n(x)|频繁地在小于T₁和大于T₂两种状态之间波动时，就认定图像区域具有烟火时域特征，判决参数v₃＝1，否则v₃＝0。

本实施例中，T₁和T₂根据实际应用场景而定，在具体的智能交通系统应用中，预设T₁＝0.2，T₂＝0.8。

S05，对运动烟火颜色区域进行空域小波分析

对Map2(x，n)记录的每帧图像中的运动烟火颜色区域进行空域小波分析，根据其边界颜色变化信息判断其是否具有烟火的空域特征。

运动烟火颜色区域内的普通物体在空域内变化很小，而真正的烟火在空域内的变化则较为明显。

(a)首先，进行二维小波变换

通过在空域内水平和垂直两个方向上分别进行一阶小波变换，实现了空域的二维小波变换。一阶小波变换滤波器如图5所示。空间位置(k，l)对应的输出信号有4个分量，分别为低通-低通分量I_ll(k，l)、低通-高通分量I_lh(k，l)、高通-低通分量I_hl(k，l)和高通-高通分量I_hh(k，l)。

(b)然后，进行空域判定

引入参数v如下，

$v=\frac{1}{M\×N}\underset{k,l}{\mathrm{\Σ}}\left[\right|I_{\mathrm{lh}}(k,l)|+|I_{\mathrm{hl}}(k,l)|+|I_{\mathrm{hh}}(k,l)\left|\right]---\left(5\right)$

式中，M和N是颜色运动区域的长和宽。如果v大于本步设定的阈值T₄，则认定此处具有烟火空域特性，判决参数v₄＝1，否则v₄＝0。

本实施例中，根据公式(5)，预设阈值T₄＝0.7，如果v＞T₄，则认定此处具有烟火空域特性，判决参数v₄＝1，否则v₄＝0。

S06，综合判决视频图像中是否存在烟火

综合步骤S02、S03、S04、S05的检测判断结果判定视频图像中是否存在烟火。

具体地，综合以上4步检测结果，设立联合判决参数H，

$H=\underset{i}{\mathrm{\Σ}}{w}_i{v}_i---\left(6\right)$

式中，v_i是以上各步骤的判决结果，取值0或1，w_i是自行定义的权重参数。当像素是运动像素时，判决参数v₁＝1，否则v₁＝0；当像素是烟火颜色时，判决参数v₂＝1，否则v₂＝0；当|d_n(x)|和|e_n(x)|频繁剧烈波动时，判决参数v₃＝1，否则v₃＝0；v₄取决于公式(5)的计算结果。

设置全局阈值T，当H＞T时，就判定其为烟火，否则判定为非烟火。

公式(6)中，w_i和全局阈值T应根据不同的应用场景进行人工设置。本实施例中系统初始设置为w₁＝w₂＝w₃＝w₄＝0.25，T＝0.7，即认为以上步骤S02、S03、S04、S05中有三个步骤的判断结果符合烟火特征时，就判定其为烟火，否则判定为非烟火。

本发明能把普通的红色运动物体带来的干扰排除，引入小波分析使得烟火检测效果显著改善。

【实施例二】

参照图6，本发明实施例还提供一种基于视频的烟火检测装置600，包括：

图像获取单元610，用于从获取的视频中提取预定数量的连续的图像帧；

像素检测单元620，检测出各帧图像上的运动像素，并确定其中的运动像素区域；

烟火颜色判定单元630，用于识别所述运动像素区域中各像素颜色是否为烟火颜色，得到各帧图像运动的烟火颜色区域；

时域分析单元640，用于对各帧图像中的运动烟火颜色区域进行时域分析，并判断所述运动烟火颜色区域是否具有烟火的时域特征；

空域分析单元650，用于对各帧图像中的运动烟火颜色区域进行空域分析，根据其边界颜色变化信息判断其是否具有烟火的空域特征；

综合判定单元660，用于基于所述像素检测单元、烟火颜色判定单元、时域分析单元以及空域分析单元的检测判断结果综合判定所述视频图像中是否存在烟火。

像素检测单元620包括：

像素值测算模块620a，用于测算各帧图像中像素的像素值；

运动判定模块620b，用于判定各帧图像中像素是否为运动像素；当第n帧图像在像素x处的像素值I(x，n)与第n-1帧中该位置的像素值I(x，n-1)之差大于预定的阈值，则确定像素x为运动像素，否则为像素x为静止像素。

烟火颜色判定单元630，包括：

颜色模型630a，用于将三基色RGB三维颜色空间中烟火颜色的分布用若干个球体囊括；

颜色判定模块630b，基于所述颜色模型判断像素处的颜色为烟火颜色；如果像素x处的颜色在三基色RGB三维颜色空间中落在了其中一个或多个球体中，则像素x处的颜色为烟火颜色。

时域分析单元640，包括：

颜色分量获取模块640a，获取第n帧图像中满足运动和颜色条件的像素点x的红色分量变化量

滤波模块640b，用于对所述红色分量变化量

进行滤波和降采样处理，输出第一分量d_n(x)和第二分量e_n(x)，；

时域判断模块640c，用于判断所述图像区域是否存在烟火；当|d_n(x)|和|e_n(x)|在小于预定值T₁和大于预定值T₂两种状态之间频繁波动时，则认定图像区域具有烟火的时域特征。

空域分析单元650，包括：

变换模块650a，用于在所述运动烟火颜色区域的水平和垂直两个方向上分别进行一阶小波变换；

小波变换滤波模块650b，用于进行滤波和降采样，得到空间位置(k，l)对应的输出信号：低通-低通分量I_ll(k，l)、低通-高通分量I_lh(k，l)、高通-低通分量I_hl(k，l)和高通-高通分量I_hh(k，l)；

烟火区域识别模块650c，用于根据所述小波变换滤波模块的输出信号识别所述运动烟火颜色区域中的烟火区域，具体为

设定判决参数 $v=\frac{1}{M\×N}\underset{k,l}{\mathrm{\Σ}}\left[\right|I_{\mathrm{lh}}(k,l)|+|I_{\mathrm{hl}}(k,l)|+|I_{\mathrm{hh}}(k,l)\left|\right]$

式中M和N是颜色运动区域的长和宽，如果该判决参数v大于设定的阈值T₄，则认定(k，l)处具有烟火的空域特征。

综合判定单元660，具体包括：

检测判断结果获取模块660a，用于获取所述像素检测单元、烟火颜色单元、时域分析单元以及空域分析单元的检测判断结果；

综合判定模块660b，根据设立的联合判决参数H综合判定所述视频图像中是否存在烟火；其中

$H=\underset{i}{\mathrm{\Σ}}{w}_i{v}_i$

式中，v_i是以上各步骤的判决结果，取值0或1，w_i是预定的权重参数，当像素是运动像素时，判决参数v₁＝1，否则v₁＝0；当像素是烟火颜色时，判决参数v₂＝1，否则v₂＝0；当|d_n(x)|和|e_n(x)|频繁剧烈波动时，判决参数v₃＝1，否则v₃＝0；当步骤(e)中的判决参数v＞T₄时，v₄＝1，否则v₄＝0；

当H＞T时，T为预定的全局阈值，则判定所述视频图像中存在烟火；否则，判定所述视频图像中不存在烟火。

综上所述，本发明提出了一种基于视频图像的烟火检测方法，本发明使用运动区域检测、火焰颜色检测、时域小波分析和空域小波分析等几种方法相结合，基于视频图像实现了准确高效的烟火检测。该方法可应用于智能交通系统中，实现自动检测车辆起火冒烟等意外交通事件，报警等功能。

本发明提供的方法不但能够检测出烟火颜色运动区域，而且能够在小波域对该区域进行分析，从而进一步排除普通运动红色物体等干扰因素，大大降低了误报警概率。在实际智能交通系统中得到了很好的应用。

本说明书中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (12)

1.一种基于视频的烟火检测方法，其特征在于，包括：

(a)从获取的视频中提取预定数量的连续的图像帧；

(b)检测出各帧图像上的运动像素，并确定其中的运动像素区域；

(c)识别所述运动像素区域中各像素颜色是否为烟火颜色，得到各帧图像运动的烟火颜色区域；

(d)对各帧图像中的运动烟火颜色区域进行时域分析，并判断所述运动烟火颜色区域是否具有烟火时域特征；

(e)对各帧图像中的运动烟火颜色区域进行空域分析，根据其边界颜色变化信息判断其是否具有烟火空域特征；

(f)综合步骤(b)、(c)、(d)、(e)的检测判断结果判定所述视频图像中是否存在烟火。

2.如权利要求1所述的烟火检测方法，其特征在于，所述检测出各帧图像上的运动像素采用的是递归的背景估计算法，具体包括：

设当前帧为第n帧，像素x处的像素值I(x，n)与第n-1帧中该位置的像素值I(x，n-1)之差大于预定的阈值，则确定像素x为运动像素，否则为像素x为静止像素。

3.如权利要求1所述的烟火检测方法，其特征在于，所述识别所述运动像素区域中各像素颜色是否为烟火颜色采用的是高斯混合颜色模型进行判定，具体包括：

使用高斯混合颜色模型，把三基色RGB三维颜色空间中烟火颜色的分布用若干个球体囊括；

如果像素x处的颜色在三基色RGB三维颜色空间中落在了其中一个或多个球中，则像素x处的颜色为烟火颜色。

4.如权利要求1所述的烟火检测方法，其特征在于，所述运动烟火颜色区域进行时域分析采用的是小波分析方法，具体包括：

设当前帧为第n帧，获取满足运动和颜色条件的像素点x第n-m+1帧至当前帧的红色分量序列

m为序列长度，预设m≥10；

将所述红色分量变化量

进行滤波和降采样后得到第一分量d_n(x)和第二分量e_n(x)，当|d_n(x)|和|e_n(x)|在小于预定值T₁和大于预定值T₂两种状态之间频繁波动时，则认定图像区域内可能存在烟火。

5.如权利要求1所述的烟火检测方法，其特征在于，所述运动烟火颜色区域进行空域分析采用的是小波分析方法，具体包括：

在水平和垂直两个方向上分别进行一阶小波变换；

采用一阶小波变换滤波器进行滤波和降采样，得到空间位置(k，l)对应的输出信号：低通-低通分量I_ll(k，l)、低通-高通分量I_lh(k，l)、高通-低通分量I_hl(k，l)和高通-高通分量I_hh(k，l)；

判决参数 $v=\frac{1}{M\×N}\underset{k,l}{\mathrm{\Σ}}\left[\right|I_{\mathrm{lh}}(k,l)|+|I_{\mathrm{hl}}(k,l)|+|I_{\mathrm{hh}}(k,l)\left|\right]$

式中M和N是颜色运动区域的长和宽，如果v大于设定的阈值T₄，则认定(k，l)处为烟火区域。

6.如权利要求1所述的烟火检测方法，其特征在于，假定步骤(b)、(c)、(d)、(e)中的判决参数分别为v₁、v₂、v₃和v₄，所述综合步骤(b)、(c)、(d)、(e)的检测判断结果判定所述视频图像中是否存在烟火，具体包括：

设立联合判决参数H，

$H=\underset{i}{\mathrm{\Σ}}{w}_i{v}_i$

式中，v_i是以上各步骤的判决结果，取值0或1，w_i是预定的权重参数，当像素是运动像素时，判决参数v₁＝1，否则v₁＝0；当像素是烟火颜色时，判决参数v₂＝1，否则v₂＝0；当|d_n(x)|和|e_n(x)|频繁剧烈波动时，判决参数v₃＝1，否则v₃＝0；当步骤(e)中的判决参数v＞T₄时，v₄＝1，否则v₄＝0；

当H＞T时，T为预定的全局阈值，则判定所述视频图像中存在烟火；否则，判定所述视频图像中不存在烟火。

7.一种基于视频的烟火检测装置，其特征在于，包括：

图像获取单元，用于从获取的视频中提取预定数量的连续的图像帧；

像素检测单元，检测出各帧图像上的运动像素，并确定其中的运动像素区域；

烟火颜色判定单元，用于识别所述运动像素区域中各像素颜色是否为烟火颜色，得到各帧图像运动的烟火颜色区域；

时域分析单元，用于对各帧图像中的运动烟火颜色区域进行时域分析，并判断所述运动烟火颜色区域是否具有烟火时域特征；

空域分析单元，用于对各帧图像中的运动烟火颜色区域进行空域分析，根据其边界颜色变化信息判断其是否具有烟火空域特征；

综合判定单元，用于基于所述像素检测单元、烟火颜色判定单元、时域分析单元以及空域分析单元的检测判断结果综合判定所述视频图像中是否存在烟火。

8.如权利要求7所述的烟火检测装置，其特征在于，所述像素检测单元包括：

像素值测算模块，用于测算各帧图像中像素的像素值；

运动判定模块，用于判定各帧图像中像素是否为运动像素；设当前帧为第n帧，像素x处的像素值I(x，n)与第n-1帧中该位置的像素值I(x，n-1)之差大于预定的阈值，则确定像素x为运动像素，否则为像素x为静止像素。

9.如权利要求7所述的烟火检测装置，其特征在于，所述烟火颜色判定单元，包括：

颜色模型，用于将三基色RGB三维颜色空间中烟火颜色的分布用若干个球体囊括；

颜色判定模块，基于所述颜色模型判断像素处的颜色为烟火颜色；如果像素x处的颜色在三基色RGB三维颜色空间中落在了其中一个或多个球体中，则像素x处的颜色为烟火颜色。

10.如权利要求7所述的烟火检测装置，其特征在于，所述时域分析单元，包括：

颜色分量获取模块，设当前帧为第n帧，获取满足运动和颜色条件的像素点x的第n-m+1帧至当前帧的红色分量序列

滤波模块，用于对所述红色分量变化量

进行滤波和降采样处理，输出第一分量d_n(x)和第二分量e_n(x)；

时域判断模块，用于判断所述图像区域是否具有烟火时域特征；当|d_n(x)|和|e_n(x)|在小于预定值T₁和大于预定值T₂两种状态之间频繁波动时，则认定图像区域内具有烟火时域特征。

11.如权利要求7所述的烟火检测装置，其特征在于，所述空域分析单元，包括：

变换模块，用于在所述运动烟火颜色区域的水平和垂直两个方向上分别进行一阶小波变换；

小波变换滤波模块，用于进行滤波和降采样，得到空间位置(k，l)对应的输出信号：低通-低通分量I_ll(k，l)、低通-高通分量I_lh(k，l)、高通-低通分量I_hl(k，l)和高通-高通分量I_hh(k，l)；

烟火区域识别模块，用于根据所述小波变换滤波模块的输出信号识别所述运动烟火颜色区域中的烟火区域，具体为

设定判决参数 $v=\frac{1}{M\×N}\underset{k,l}{\mathrm{\Σ}}\left[\right|I_{\mathrm{lh}}(k,l)|+|I_{\mathrm{hl}}(k,l)|+|I_{\mathrm{hh}}(k,l)\left|\right],$ 式中M和N是颜色运动区域的长和宽，如果该判决参数v大于设定的阈值T₄，则认定(k，l)处具有烟火空域特征。

12.如权利要求7所述的烟火检测装置，其特征在于，所述综合判定单元，具体包括；

检测判断结果获取模块，用于获取所述像素检测单元、烟火颜色判定单元、时域分析单元以及空域分析单元的检测判断结果；

综合判定模块，根据设立的联合判决参数H综合判定所述视频图像中是否存在烟火；其中

$H=\underset{i}{\mathrm{\Σ}}{w}_i{v}_i$

式中，v_i是以上各步骤的判决结果，取值0或1，w_i是预定的权重参数，当像素是运动像素时，判决参数v₁＝1，否则v₁＝0；当像素是烟火颜色时，判决参数v₂＝1，否则v₂＝0；当|d_n(x)|和|e_n(x)|频繁剧烈波动时，判决参数v₃＝1，否则v₃＝0；当步骤(e)中的判决参数v＞T₄时，v₄＝1，否则v₄＝0；

当H＞T时，T为预定的全局阈值，则判定所述视频图像中存在烟火；否则，判定所述视频图像中不存在烟火。

Images