CN102609727A - 基于无量纲特征提取的火灾火焰检测方法 - Google Patents
基于无量纲特征提取的火灾火焰检测方法 Download PDFInfo
- Publication number
- CN102609727A CN102609727A CN2012100559473A CN201210055947A CN102609727A CN 102609727 A CN102609727 A CN 102609727A CN 2012100559473 A CN2012100559473 A CN 2012100559473A CN 201210055947 A CN201210055947 A CN 201210055947A CN 102609727 A CN102609727 A CN 102609727A
- Authority
- CN
- China
- Prior art keywords
- factor
- flame
- area
- delta
- dimensionless
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Fire-Detection Mechanisms (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
基于无量纲特征提取的火焰检测方法,通过“搜寻”的方法对火焰图像进行准确的可疑区域分割,运用无量纲的多尺度不变性,用三个无量纲特征因子:中心偏移因子、面积增量因子和“动态常数”因子描述火焰的动态特征因子;将所述特征因子组成特征向量在分类器中训练,从而实现对火焰的正确识别;并对一般干扰具有较好的区分;本发明通过步骤:可疑区域的“搜寻”分割+无量纲动态提取+分类器算法设计,实现了对不同距离空间和多干扰条件下火焰检测与抗干扰分析的检测流程。
Description
技术领域
本发明涉及火焰的无量纲特征提取模型及火焰检测实现方法。
背景技术
随着计算机视觉技术的发展,智能视频监控技术以其重复工作不会疲劳,精度高且稳定的特质开始“取代人眼”运用在越来越多的场合。在火灾检测方面,相比传统的火灾检测,基于视频的火灾检测延伸了人类视觉的功能,能更迅速、准确地发现火灾。在火灾火焰“蔓延”初期,由于火苗较小且受空间距离的影响,传统的检测探头难以迅速“捕捉”火情。而通过视频监控,可以获取丰富直观的图像信息,利用先进的图像处理技术,再提炼出灵活的火焰识别算法,使得对早期火灾火焰进行低误报和漏报率的识别成为可能。
火焰的特征提取和分割是火焰识别中关键技术。首先运用图像预处理的技术,有针对性地对图像进行动态分割,提取出可疑区域,这是进行火灾火焰的特征识别的前提。然后研究火焰初期的动态特性,总结火灾火焰不稳性规律,对火焰特征进行较好的描述和提取,关系到最终的火焰检测结果。最后,运用图像理解的手段对火焰进行识别。然而,火焰的时空动态特征使得其特征难以“稳定地”描述,不但给后面的图像理解带来困难,而且使得最后的算法难以在更一般的场合下得到推广和运用;另外,特征提取也要考虑对火焰类似物干扰的区分,这无疑也使得特征提取的难度增大。
发明内容
本发明目的是:提出一种基于无量纲特征提取的火焰检测方法。从而实现对火灾初期火焰的正确识别,并具有良好的抗干扰性能。
本发明的技术方案是:基于无量纲特征提取的火焰检测方法,通过“搜寻”的方法对火焰图像进行准确的可疑区域分割,运用无量纲的多尺度不变性,用三个无量纲特征因子:中心偏移因子、面积增量因子和“动态常数”因子描述火焰的动态特征因子;将所述特征因子组成特征向量在分类器中训练,从而实现对火焰的正确识别;并对一般干扰具有较好的区分;
搜寻可疑区域分割:通过图像处理中帧差法提取动态区域和灰度阈值法提取高亮区域;记第Ai和Bi分别为第i帧获得的动态区域和高亮区域,且均可分解成互不相交的集合的并集:
Ai=∪Aα,α=1,2,3… (1)
Bi=∪Bβ,β=1,2,3… (2)
Ci=∪Cγ,γ=1,2,3… (3)
标记Cγ的中心点为xγ,在Bβ中寻找包含xγ的区域,记为Bk,得到可疑区域R为:
R=∪Bk,k=1,2,3… (4)
中心偏移因子:用来衡量可疑区域中心偏移的相对大小的无量纲因子,用ΔL*表示:
其中,
ΔL为中心偏移量,为相邻两帧可疑区域中心点的偏移大小,如图1所示。
其中,(xi,yi)表示第i帧中心点的坐标,(xi-1,yi-1)表示第i-1帧中心点的坐标。LM表示第i帧可疑区域的直径。
面积增量因子:面积增量因子用来衡量可疑区域面积变化的相对大小的无量纲因子,用ΔS*表示:
其中,
ΔS=Si-Si-1 (8)
其中,ΔS为面积增量,表示可疑区域在相邻两帧面积的增量,如图1所示。其中,Si为第i帧可疑区域的面积,Si-1为第i-1帧可疑区域的面积。
“动态常数”因子:用来描述火焰的“跳动”的规律,反映中心偏移和面积变化之间相互依赖的本质联系的无量纲量,用D表示:
其中,ΔL为中心偏移度,ΔS为面积增量。该因子的分子部分为以中心偏移量为半径的圆的面积,分母为相邻两帧面积的变化量。该因子表征区域单位面积的变化能引起其中心距离变化能力大小。其修正因子为D*:
为了实现火焰的最终检测,需要对三个无量纲因子在分类器中训练,将训练好的分类器对测试样本进行测设。其中“动态常数”因子有较好的稳定性,突破了传统研究的时空局限性,不受火焰发展阶段、空间探测尺度以及监控设备种类的影响,能够较好地描述火焰的特征,并且与高亮移动干扰和火焰类似物区分开来。
三个无量纲因子提取组成特征向量:
在支持向量机分类器中进行训练,训练出的分类器对近、中和远距离的火焰场景进行检测,在多帧跟踪“投票”判别器输出中得到最终检测结果。
本发明通过步骤:可疑区域的“搜寻”分割+无量纲动态提取+分类器算法设计,实现了对不同距离空间和多干扰条件下火焰检测与抗干扰分析的检测流程。
本发明的有益效果是:利用先进的图像处理技术,再提炼出灵活的火焰识别方法,使得对早期火灾火焰进行低误报和漏报率的识别成为可能。得到火灾火焰不稳性规律,对火焰特征进行较好的描述和提取,运用图像理解的手段对火焰进行识别。通过本发明方法的检测测试,证明了不同远近和监控条件下的火焰具有稳定的常数特性,而这一特征能进一步增强火检系统的检测效果和提高抗干扰的能力。
附图说明
图1是本发明无量纲动态特征提取分析图,
图2是本发明程序(软件)系统整体设计框架图,
图3是本发明动态常数修正因子的对比分析图,
图4是本发明识别判决流程图。
具体实施方式
下面结合附图和实验检测对本发明进一步说明。图2为整个检测体系的架构,本发明主要位于“无量纲动态特征提取”中。系统采用安装好的监控设备(保卫者第三代红外彩色CCD监控相机)及数据采集卡对具体场景进行图像序列实时采样。然后对序列进行图像分割,提取火焰可疑区域,计算区域的无量纲特征因子形成特征映射,采用贝叶斯分类学习的识别方法,最终得到实时的检测结果。
本发明使用了德国MVtec公司的图像处理软件HALCON进行图像处理,依托其提供的图像处理算子进行图像预处理,实现动态分割和高亮区域的分割,设计了可疑区域获得的运算方法,相关代码见下:
对区域的三个特征因子进行特征运算和分析,总结其变化的稳定性及与干扰的不同,特别是对“动态常数因子”进行了分析,证明了该因子能较好地描述火焰的动态本质特征,而且能在不同的场景下对火焰的特征进行统一的描述。
中心偏移特征因子识别:对于中心移动比较快的可疑干扰区域,其形状的变化不明显,因此直径变化不大,但是中心偏移量ΔL的变化比较大,因此得出的ΔL*比较大,若移动物体的速度稳定,则ΔL*的值也比较稳定。但是火焰区域中心移量ΔL比较小,直径LM变化无规则,所以ΔL*比较小,并且不稳定。因此,该因子能有效反映火焰特征的同时区分一般的明亮移动物体的干扰。
面积特征因子识别:ΔS大于零时表示面积变大,小于零表示面积减小,等于零表示面积没有变化,区域不能判为可疑区域。在火焰的发展过程中,ΔS的值会有正负交替地变化过程,没有固定的周期性,几乎具有“随机”性,但正是这种交替的特征可以用来区分稳定的类似火灾火焰的干扰物。打火机和蜡烛等稳定的火焰干扰物,其稳定性是一种相对的概念。因为若它们能被识别成可疑火焰,说明并不稳定,存在焰尖的“波动”,但不是“跳动”,所以ΔS的值有交替,绝对值几乎为零。因此,该因子也能较好的反映火灾火焰的特征,同时用来区分蜡烛,打火机等稳定的火焰。
“动态常数”特征因子识别:通过不同设备条件下和不同远近火焰(other、far和near)的20帧D*值对比发现,它的取值在区间[-0.003 0.003]呈现稳定的波动,均值和方差几乎相等。而对于一般的火焰干扰物体,比如移动高亮干扰物体“similar”,面积的变化相对于运动中心的移动几乎“不做贡献”,D*的取值均值大,方差大。对于打火机“lighter”等稳定的火焰,一方面由于其“稳定性”,ΔS变化极小,甚至为零,在可疑区域判断中,某些帧不能被检测到,出现“空帧”的现象,ΔL为零,因此D值为0;另一方面手持打火机的抖动,使得中心点的移动快于ΔS的变化,因此类似于移动可疑区域的分析,D和D*的值偏大,甚至出现“抖峰”,因此波动十分明显,绝对均值大,方差较大。
对它们的20帧的D*值取绝对值后的对比如图3所示。可以看出,火焰和干扰的|D*|值的分布区分度大。通过设定一定的阈值k能较好地将两者区分,如图中的虚线。此时,k=0.003,该阈值线以下为上文中远近距离火焰及其它场景下的|D*|值,分布比较均匀,且仅有两个稳定干扰lighter的D*值在该区域;阈值线以上反映了干扰的D*值的波动情况。这些干扰都是比较稳定的高亮移动物体或者稳定的火焰等,可见通过特征映射使得它们出现了比较大的“不稳定”特征,从而与待检测的火焰区分开来。
以上的无量纲特征因子提取的代码实现见下图。
通过对火焰样本ColorROI区域的三个无量纲特征的提取,利用HALCON中SVM(support vector machine)分类器模块,由算子create_class_svm创建SVM分类器classifier,将样本的特征向量T输入到SVM分类器中学习:
add_sample_class_svm(SVMHandle,[dL,dS,feature_d],0)样本学习train_class_svm(SVMHandle,0.001,’default’)分类器训练
训练完成的分类器G(T)作为个ColorROI区域的判决依据,并作为一次“投票”的结果进行累加。
对可疑区域进行多帧跟踪判决得到最终的检测结果。帧数为N,判决门限值M,M≤N。基本的判决流程图如图4。
实验的软硬件环境Pentium(R)processor 1.60GH主频、2G内存的笔记本电脑,Windows XP和halcon 10.0软件平台。将无量纲因子ΔL*、ΔS*和D*组成特征向量T*,因子ΔL、ΔS*和D组成特征向量T。提取火焰训练集的T*与T进行SVM分类学习,训练出的分类器对近、中和远距离的火焰场景进行检测。火焰的检测序列均为200帧(从点火开始,前面十几帧没有火焰),视频序列中设有人员和高亮移动物体及人员引起的光线变化等干扰,在逐帧进行检测的过程中将能够正确检测到火焰及正确检测到没有火焰的帧标记为“1”,其他误检或漏检的帧标记为“0”。最终得到的检测结果如表1所示。从以上的结果可以看出:无量纲的T*分类器相比一般的动态因子的分类器在空间尺度上,不同远近火焰检测的分类效果更好;由于从点火开始检测,按正确识别标记数来看,时间尺度的可靠性又得到了保证。因此本发明提出的无量纲特征因子对检测系统实时而准确地识别出火灾初期火焰有着积极的意义。
表1两种特征提取得到的检测结果对比
Claims (1)
1.基于无量纲特征提取的火焰检测方法,其特征是通过“搜寻”的方法对火焰图像进行准确的可疑区域分割,运用无量纲的多尺度不变性,用三个无量纲特征因子:中心偏移因子、面积增量因子和“动态常数”因子描述火焰的动态特征因子;将所述特征因子组成特征向量在分类器中训练,从而实现对火焰的正确识别;并对一般干扰具有较好的区分;
搜寻可疑区域分割:通过图像处理中帧差法提取动态区域和灰度阈值法提取高亮区域;记第Ai和Bi分别为第i帧获得的动态区域和高亮区域,且均可分解成互不相交的集合的并集:
Ai=∪Aα,α=1,2,3... (1)
Bi=∪Bβ,β=1,2,3... (2)
其中,Aα和Bβ分别为某个动态和高亮区域;记Ci=Ai∩Bi,若有:
Ci=∪Cγ,γ=1,2,3... (3)
标记Cγ的中心点为xγ,在Bβ中寻找包含xγ的区域,记为Bk,得到可疑区域R为:
R=∪Bk,k=1,2,3... (4)
中心偏移因子:用来衡量可疑区域中心偏移的相对大小的无量纲因子,用ΔL*表示:
其中,
ΔL为中心偏移量,为相邻两帧可疑区域中心点的偏移大小,如图1所示。
其中,(xi,yi)表示第i帧中心点的坐标,(xi-1,yi-1)表示第i-1帧中心点的坐标。LM表示第i帧可疑区域的直径。
面积增量因子:面积增量因子用来衡量可疑区域面积变化的相对大小的无量纲因子,用ΔS*表示:
其中,
ΔS=Si-Si-1 (8)
其中,ΔS为面积增量,表示可疑区域在相邻两帧面积的增量;其中,Si为第i帧可疑区域的面积,Si-1为第i-1帧可疑区域的面积;
“动态常数”因子:用来描述火焰的“跳动”的规律,反映中心偏移和面积变化之间相互依赖的本质联系的无量纲量,用D表示:
其中,ΔL为中心偏移度,ΔS为面积增量。该因子的分子部分为以中心偏移量为半径的圆的面积,分母为相邻两帧面积的变化量。该因子表征区域单位面积的变化能引起其中心距离变化能力大小;其修正因子为D*:
为了实现火焰的最终检测,需要对三个无量纲因子在分类器中训练,将训练好的分类器对测试样本进行测设。其中“动态常数”因子有较好的稳定性,突破了传统研究的时空局限性,不受火焰发展阶段、空间探测尺度以及监控设备种类的影响,能够较好地描述火焰的特征,并且与高亮移动干扰和火焰类似物区分开来。
三个无量纲因子提取组成特征向量:
在支持向量机分类器中进行训练,训练出的分类器对近、中和远距离的火焰场景进行检测,在多帧跟踪“投票”判别器输出中得到最终检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210055947.3A CN102609727B (zh) | 2012-03-06 | 2012-03-06 | 基于无量纲特征提取的火灾火焰检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210055947.3A CN102609727B (zh) | 2012-03-06 | 2012-03-06 | 基于无量纲特征提取的火灾火焰检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102609727A true CN102609727A (zh) | 2012-07-25 |
CN102609727B CN102609727B (zh) | 2014-02-26 |
Family
ID=46527086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210055947.3A Expired - Fee Related CN102609727B (zh) | 2012-03-06 | 2012-03-06 | 基于无量纲特征提取的火灾火焰检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102609727B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258205A (zh) * | 2012-10-25 | 2013-08-21 | 中国人民解放军理工大学 | 基于无量纲特征提取的火灾火焰检测方法 |
CN107590418A (zh) * | 2016-07-08 | 2018-01-16 | 尹航 | 一种基于动态特征的视频烟雾识别方法 |
CN109359554A (zh) * | 2018-09-21 | 2019-02-19 | 南京信息工程大学 | 一种基于多合成图像处理技术的森林火灾识别方法 |
CN111899210A (zh) * | 2020-03-26 | 2020-11-06 | 中国铁建电气化局集团第二工程有限公司 | 一种基于图像识别的电弧检测方法 |
CN111973919A (zh) * | 2020-06-24 | 2020-11-24 | 江苏深渡消防装备科技有限公司 | 一种基于图像识别的火源精准定位方法 |
CN114897897A (zh) * | 2022-07-13 | 2022-08-12 | 潍坊科技学院 | 一种水平射流型火焰稳定性的评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001057819A2 (en) * | 2000-02-07 | 2001-08-09 | Vsd Limited | Smoke and flame detection |
CN1427252A (zh) * | 2001-12-21 | 2003-07-02 | 中国科学技术大学 | 三波长全散射激光感烟火灾探测方法及其装置 |
US6956485B1 (en) * | 1999-09-27 | 2005-10-18 | Vsd Limited | Fire detection algorithm |
CN101143394A (zh) * | 2007-09-14 | 2008-03-19 | 大连理工大学 | 电火花加工放电状态预测方法 |
CN102201146A (zh) * | 2011-05-18 | 2011-09-28 | 中国科学技术大学 | 基于主动红外视频的零照度环境火灾烟雾识别方法 |
-
2012
- 2012-03-06 CN CN201210055947.3A patent/CN102609727B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6956485B1 (en) * | 1999-09-27 | 2005-10-18 | Vsd Limited | Fire detection algorithm |
WO2001057819A2 (en) * | 2000-02-07 | 2001-08-09 | Vsd Limited | Smoke and flame detection |
CN1427252A (zh) * | 2001-12-21 | 2003-07-02 | 中国科学技术大学 | 三波长全散射激光感烟火灾探测方法及其装置 |
CN101143394A (zh) * | 2007-09-14 | 2008-03-19 | 大连理工大学 | 电火花加工放电状态预测方法 |
CN102201146A (zh) * | 2011-05-18 | 2011-09-28 | 中国科学技术大学 | 基于主动红外视频的零照度环境火灾烟雾识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258205A (zh) * | 2012-10-25 | 2013-08-21 | 中国人民解放军理工大学 | 基于无量纲特征提取的火灾火焰检测方法 |
CN107590418A (zh) * | 2016-07-08 | 2018-01-16 | 尹航 | 一种基于动态特征的视频烟雾识别方法 |
CN109359554A (zh) * | 2018-09-21 | 2019-02-19 | 南京信息工程大学 | 一种基于多合成图像处理技术的森林火灾识别方法 |
CN111899210A (zh) * | 2020-03-26 | 2020-11-06 | 中国铁建电气化局集团第二工程有限公司 | 一种基于图像识别的电弧检测方法 |
CN111973919A (zh) * | 2020-06-24 | 2020-11-24 | 江苏深渡消防装备科技有限公司 | 一种基于图像识别的火源精准定位方法 |
CN114897897A (zh) * | 2022-07-13 | 2022-08-12 | 潍坊科技学院 | 一种水平射流型火焰稳定性的评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102609727B (zh) | 2014-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102609727B (zh) | 基于无量纲特征提取的火灾火焰检测方法 | |
CN103048654B (zh) | 雷达传感器和使用所述雷达传感器检测对象的方法 | |
CN106408030B (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN103559508B (zh) | 一种基于连续型Adaboost视频车辆检测方法 | |
CN105139029B (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
CN111259219B (zh) | 恶意网页识别模型建立方法、识别方法及系统 | |
CN102804208A (zh) | 为视觉搜索应用自动挖掘名人的个人模型 | |
CN102789578B (zh) | 基于多源目标特征支持的红外遥感图像变化检测方法 | |
CN102930253A (zh) | 一种基于图像离散多小波变换的煤岩识别方法 | |
CN103761748A (zh) | 异常行为检测方法和装置 | |
CN106250854A (zh) | 基于微多普勒特征和支持向量机的人体步态识别方法 | |
CN104268528A (zh) | 一种人群聚集区域检测方法和装置 | |
CN102902967A (zh) | 基于人眼结构分类的虹膜和瞳孔的定位方法 | |
CN107007263A (zh) | 一种普适化的睡眠质量测评方法和系统 | |
CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN103325122A (zh) | 基于双向排序的行人检索方法 | |
CN104268598A (zh) | 一种基于二维扫描激光的人腿检测方法 | |
Sim et al. | Effective ground-truthing of supervised machine learning for drone classification | |
CN108255846A (zh) | 一种辨别同名作者的方法和装置 | |
CN113807314A (zh) | 一种基于微多普勒效应的毫米波雷达视频融合方法 | |
CN111814751A (zh) | 基于深度学习目标检测和图像识别的车辆属性分析方法及系统 | |
CN103020592A (zh) | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 | |
CN104281694A (zh) | 一种文本情感倾向分析系统 | |
CN107465814B (zh) | 一种基于手机惯性传感器的用户输入识别方法 | |
CN114814832A (zh) | 基于毫米波雷达的人体跌倒行为实时监测系统及监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140226 Termination date: 20150306 |
|
EXPY | Termination of patent right or utility model |