CN103065124A - 一种烟检测方法、装置及火灾检测装置 - Google Patents

Abstract

本发明实施例提供了一种烟检测方法、装置及火灾检测装置，该方法包括：获取当前环境的视频图像序列；从所述视频图像序列中获得当前环境中的前景图像；从所述前景图像中分离出与预先获得的烟的颜色特征相符合的疑似烟区域，并将所述疑似烟区域进行二值化；当二值化后的所述疑似烟区域大于预设区域时，判断二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化，以及判断二值化后的所述疑似烟区域的轮廓是否发生变化；在上述两个判断结果均为是的情况下，确定所述疑似烟区域为烟。采用本发明实施例提供的方法、装置及火灾检测装置可以降低成本。

Description

一种烟检测方法、装置及火灾检测装置

技术领域

本发明涉及模式识别技术领域，更具体的说，是涉及一种烟检测方法、装置及火灾检测装置。

背景技术

传统型火灾检测器包括：红外传感器和烟雾传感器。这两种传感器可以探测火灾发生时周围环境的烟、温度和光等参量，将这些参量进行处理后发出火灾报警信号。这两种传感器检测周围环境中的烟是基于空气透明度的检测。

传统型火灾检测器由于是基于环境周围空气透明度检测周围环境中是否有烟的，所以需要将传统型火灾检测器放置在易发生火灾地区附近，如果易发生火灾地区面积较大，则需要多个传统型火灾检测器，使得成本增加。

发明内容

有鉴于此，本发明提供了一种烟检测方法、装置及火灾检测装置，以克服现有技术中由于传统型火灾检测器只能检测周围环境中是否有烟，所以需要在火灾易发生地放置多个传统型火灾检测器，导致成本增加的问题。

为实现上述目的，本发明提供如下技术方案：

一种烟检测方法，包括：

获取当前环境的视频图像序列；

从所述视频图像序列中获得当前环境中的前景图像；

从所述前景图像中分离出与预先获得的烟的颜色特征相符合的疑似烟区域，并将所述疑似烟区域进行二值化；

当二值化后的所述疑似烟区域大于预设区域时，判断二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化，以及判断二值化后的所述疑似烟区域的轮廓是否发生变化；

在上述两个判断结果均为是的情况下，确定所述疑似烟区域为烟。

一种烟检测装置，包括：

获取图像序列模块，用于获取当前环境的视频图像序列；

获得前景图像模块，用于从所述视频图像序列中获得当前环境中的前景图像；

分离模块，用于从所述前景图像中分离出与预先获得的烟的颜色特征相符合的疑似烟区域，并将所述疑似烟区域进行二值化；

判断模块，用于当二值化后的所述疑似烟区域大于预设区域时，判断二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化，以及判断二值化后的所述疑似烟区域的轮廓是否发生变化；

确定模块，用于在所述判断模块中两个判断结果均为是的情况下，确定所述疑似烟区域为烟。

一种火灾检测装置，包括上述任一所述装置。

经由上述的技术方案可知，与现有技术相比，本发明实施例提供的烟检测方法，通过获取当前环境的视频图像序列，从所述视频图像序列中获得当前环境中的前景图像，从所述前景图像中分离出与预先获得的烟的颜色特征相符合的疑似烟区域，并将所述疑似烟区域进行二值化，当二值化后的所述疑似烟区域大于预设区域时，判断二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化，以及判断二值化后的所述疑似烟区域的面积是否发生变化，在上述两个判断结果均为是的情况下，确定所述疑似烟区域为烟。由于上述烟的确定是通过烟的颜色特征确定的，所以只要能够采集到当前环境的视频图像序列，不论空间有多大，都能确定出烟，从而解决了使用传统型火灾检测器导致成本高的问题。进一步的，由于操作人员可以根据疑似烟区域判断出当前火灾的大小，并且可以根据疑似烟区域的面积的变化判断出火灾的蔓延速度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种烟检测方法的流程图；

图2为本发明实施例提供的一种判断二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化方法的流程图；

图3为本发明实施例提供的一种判断二值化后的所述疑似烟区域的面积是否发生变化方法的流程图；

图4为本发明实施例提供的一种获得扩张缩小评价系数的方法流程图；

图5为本发明实施例提供的一种获得合并分割评价系数的方法流程图；

图6为本发明实施例提供的一种获得烟的颜色特征的方法流程图；

图7为本发明实施例提供的各种类别的烟的色彩散点图；

图8为本发明实施例提供的一种烟检测装置的结构示意图；

图9为本发明实施例提供的一种判断模块的结构示意图；

图10为本发明实施例提供的一种判断模块的结构示意图；

图11为本发明实施例提供的视频图像序列的一帧视频图像；

图12为本发明实施例提供的从视频图像中提取的背景图像；

图13为本发明实施例提供的从视频图像中提取的前景图像；

图14为本发明实施例提供的从前景图像中提取的疑似烟区域的图像；

图15为本发明实施例提供的对疑似烟区域对应图像的每一行和每一列进行小波变换的图像。

具体实施方式

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，所描述的实施例仅仅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。

实施例一

请参阅附图1，为本发明实施例公开的一种烟检测方法的流程图，该方法包括：

步骤S101：获取当前环境的视频图像序列。

视频图像序列是指在不同时间对目标依序连续获取的视频图像。本发明实施例中的视频图像序列是在不同时间对当前环境依序连续获取的视频图像。

步骤S102：从视频图像序列中获得当前环境中的前景图像。

步骤S103：从前景图像中分离出与预先获得的烟的颜色特征相符合的疑似烟区域，并将疑似烟区域进行二值化。

步骤S104：当二值化后的疑似烟区域大于预设区域时，判断二值化后的疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化，以及判断二值化后的疑似烟区域的轮廓是否发生变化。

在确定出疑似烟区域后，需要判断疑似烟区域的面积的大小，如果疑似烟区域的面积小于预设区域，那么疑似烟区域可能是由空气中气流的波动导致的，或者即使有烟，由于疑似烟区域的面积很小，对应的火灾范围也很小，可能会自动熄灭。预设区域可以为整个视频图像面积的5%。

步骤S 105：在上述两个判断结果均为是的情况下，确定疑似烟区域为烟。

本发明实施例提供的烟检测方法，通过获取当前环境的视频图像序列，从所述视频图像序列中获得当前环境中的前景图像，从所述前景图像中分离出与预先获得的烟的颜色特征相符合的疑似烟区域，并将所述疑似烟区域进行二值化，当二值化后的所述疑似烟区域大于预设区域时，判断二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化，以及判断二值化后的所述疑似烟区域的轮廓是否发生变化，在上述两个判断结果均为是的情况下，确定所述疑似烟区域为烟。由于上述烟的确定是通过烟的颜色特征确定的，所以只要能够采集到当前环境的视频图像序列，不论空间有多大，都能确定出烟，从而解决了使用传统型火灾检测器导致成本高的问题。进一步的，由于操作人员可以根据疑似烟区域判断出当前火灾的大小，并且可以根据疑似烟区域的面积的变化判断出火灾的蔓延速度。

实施例二

烟可能会飘散，即烟可能会变浓或变淡，从频域的角度来看，烟在飘散过程中，高频成分会随着时间的变化而发生变化。根据该原理，高频成分可能随时间的变化而降低（烟的浓度增加，模糊了疑似烟区域对应的图像的边与角）或增加（烟的浓度减低，疑似烟区域对应的图像的边与角变得较明显）。所以可以根据上述特征判断疑似烟区域是否为烟，即二值化后的疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化。

请参阅图2，为本发明实施例提供的一种判断二值化后的疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化方法的流程图，该方法包括：

步骤S201：分别对二值化后的疑似烟区域对应的图像的每一行和每一列进行一维小波变换。

如果二值化后的疑似烟区域对应的图像的大小为q×p，那么对每一行进行小波变化就会得到q个小波变换结果，对每一列进行小波变换就会得到p个小波变换结果。

步骤S202：根据进行小波变换后的每一行和每一列图像的频率值的分布，将所述疑似烟区域分为第一高频区域、第二高频区域、第三高频区域以及低频区域。

根据每一行的小波变换结果以及每一列的小波变换结果可以得到疑似烟区域对应的图像中各个像素对应的频率值坐标(q_i,p_j)，当行坐标的频率值大于第一预设频率值时，则确定行坐标的频率值为高频率值H，否则为低频率值L，当列坐标的频率值大于第二预设频率值时，则确定列坐标的频率值为高频率值H，否则为低频率值L，这样就将疑似烟区域对应的图像中各个像素分为四类即(L,L)，(H,L)，(L,H)以及(H,H)，由(H,H)像素组成的区域为第一高频区域，由(L,H)像素组成的区域为第二高频区域，由(H,L)像素组成的区域为第三高频区域，由(L,L)像素组成的区域为低频区域。

根据实际情况，第一预设频率值与第二预设频率值可以相同，也可以不同。

第一高频区域、第二高频区域以及第三高频区域为大于预设灰度值的高频区域。

步骤S203：将第一高频区域、第二高频区域以及第三高频区域对应图像的灰度值的绝对值相加得到图像W。

图像W的大小为m×n，m与n均为正整数。

步骤S204：根据图像W得到ξ＝‖W‖/(m+n)。

其中‖W‖表示图像W中各个像素的灰度值之和。

步骤S205：判断序列|ξ_k+1-ξ_k|,k=1,2,3…是否大于预设序列值，如果是，则确定二值化后的疑似烟区域中大于预设灰度值的高频区域对应的灰度值发生变化，如果否，则确定二值化后的疑似烟区域中大于预设灰度值的高频区域对应的灰度值未发生变化。

k表示第k帧视频图像。按照由小到大的时间顺序将视频图像序列分为第一帧视频图像、第二帧视频图像，以此类推。

预设序列值根据实际情况的不同而不同，当烟的浓度增加时，疑似烟区域对应图像的灰度值减小，所以ξ_k+1-ξ_k可能为负值，此时预设序列值可以比ξ_k+1-ξ_k的绝对值（|ξ_k+1-ξ_k|）大一些即可，当烟的浓度减小时，疑似烟区域对应的图像的灰度值增大，ξ_k+1-ξ_k可能为正值，此时预设序列值可以比ξ_k+1-ξ_k大一些即可，当烟的浓度有时增大有时减小时，ξ_k+1-ξ_k有时为正值有时为负值，此时预设序列值可以根据实际情况取值，在此不再一一赘述。

实施例三

烟在生成阶段，如果无风则是向上方移动，如果有风则是朝着斜上方移动。随着烟的扩散，烟的面积有变大的趋势，本发明实施例将此定义为烟的扩张；与此相反，在烟的消散阶段，烟的面积有变小的趋势，本发明实施例将此定义为烟的缩小，烟在扩散的过程中，一定区域中的烟由于不均匀扩散的原因，可能分为若干部分，本发明实施例将此定义为烟的分割，烟的若干部分也可能会合并为同一部分，本发明实施例将此定义为烟的合并。烟的上述变化都可以体现为轮廓的变化，所以可以根据上述特征判断疑似烟区域是否为烟，即通过判断二值化后的疑似烟区域的轮廓是否发生变化，来判断疑似烟区域是否为烟。

请参阅图3，为本发明实施例提供的一种判断二值化后的所述疑似烟区域的面积是否发生变化方法的流程图，该方法包括：

步骤S301：提取二值化后的疑似烟区域对应的图像Fimg(s)的轮廓线，生成轮廓线列表Fblobl(s,i),i＝1,2,3...。

s表示第s帧视频图像中的轮廓线列表，i表示第i个轮廓。

步骤S302：筛选出轮廓线列表Fblobl(s,i)中大于第一预设列表值的轮廓线，并将大于第一预设列表值的轮廓线按照面积由大到小进行排列，生成新的轮廓线列表Fblob(s,i)。

第一预设列表值可以根据具体场景而定，例如可以将第一预设列表值的取值设置为50。

步骤S303：对图像Fimg(s)与图像Fimg(s+d)进行积运算，获得新的二值化图像Aimg(s)。

对图像Fimg(s)与图像Fimg(s+d)进行积运算，即Aimg(n)=Fimg(n)and Fimg(n+k)，这里and运算定义为图像Fimg(s)与Fimg(s+d)对应像素的积运算。注意到Fimg(s)图像的像素只可能取0或1，此运算的目的是找出Fimg(s)与Fimg(s+d)对应的图像中共同的部分。这里使用d的原因是考虑到烟的运动速度与摄像头成像的速度的关系。优选的，d取4。

步骤S304：提取二值化图像Aimg(s)的轮廓线，生成轮廓线列表Ablobl(s,i),i＝1,2,3...。

其中，i表示第i个轮廓。

步骤S305：筛选出轮廓线列表Ablobl(s,i)中大于第二预设列表值的轮廓线，并将大于所述第二预设列表值的轮廓线按照面积由大到小进行排列，生成新的轮廓线列表Ablob(s,i)。

第二预设列表值可以根据具体场景而定，例如可以将第二预设列表值的取值设置为20。

步骤S306：根据Ablob(s,i)、Fblob(s,i)和Fblob(s+d,i)得到所述疑似烟区域的扩张缩小评价系数以及合并分割评价系数。

扩张缩小评价系数用于表示疑似烟区域是否出现扩张和/或缩小的现象。合并分割评价系数用于表示疑似烟区域是否出现分割和/或合并的现象。

步骤S307：根据扩张缩小评价系数以及合并分割评价系数计算出变形系数。

步骤S308：当变形系数大于预设系数值时，确定二值化后的疑似烟区域的面积发生了变化。

只有在疑似烟区域既发生扩张和/或缩小的现象，又发生割和/或合并的现象变形系数才会大于预设系数值。

实施例四

请参阅图4，为本发明实施例提供的一种获得扩张缩小评价系数的方法流程图，该方法包括：

步骤S401：当第s帧视频图像中存在第a个轮廓以及第b个轮廓使得Ablob(s,a)与Fblob(s,b)对应的各个像素的灰度值差的绝对值之和小于误差阈值时，设置扩张参数D₁＝1，否则D₁＝0。

由于Ablob(s,a)表示第s帧视频图像与第s+k帧视频图像的共同部分，如果Ablob(s,a)与Fblob(s,b)对应的各个像素的灰度值的差的绝对值之和小于误差阈值时，则说明Ablob(s,a)与Fblob(s,b)可能是同一个轮廓，由于第s帧视频图像与第s+k帧视频图像的共同部分与第s帧图像中的疑似烟区域的轮廓相同，则说明第s+k帧视频图像中的疑似烟区域可能出现扩张现象，或者没有改变。

步骤S402：当第s帧视频图像中存在第a个轮廓以及第b个轮廓使得Ablob(s，a)与Fblob(s+d,b)对应的像素的灰度值差的绝对值之和小于所述误差阈值时，设置缩小参数D₂＝1，否则D₂＝0。

由于Ablob(s,a)表示第s帧视频图像与第s+k帧视频图像的共同部分，如果Ablob(s,a)与Fblob(s+d,b)对应的各个像素的灰度值的差的绝对值之和小于误差阈值时，则说明Ablob(s,a)与Fblob(s+d,b)可能是同一个轮廓，由于第s帧视频图像与第s+k帧视频图像的共同部分与第s+k帧图像中的疑似烟区域的轮廓相同，则说明第s+k帧视频图像中的疑似烟区域可能出现缩小现象，或者没有改变。

步骤S403：将扩张参数与缩小参数进行异或运算，所述运算的结果为所述扩张缩小评价系数。

当扩张参数D₁=1且缩小参数D₂=1时，则说明第s帧视频图像的疑似烟区域的轮廓与第s+k帧视频图像的疑似烟区域的轮廓一样，没有出现扩张以及缩小现象，当扩张参数D₁＝1且缩小参数D₂＝0时，说明第s+k帧视频图像的疑似烟区域相对于第s帧视频图像的疑似烟区域扩张了，当扩张参数D₁=0且缩小参数D₂=1时，说明第s+k帧视频图像的疑似烟区域相对于第s帧视频图像的疑似烟区域缩小了。

所以扩张缩小评价系数为扩张参数与缩小参数异或运算的结果，即只有疑似烟区域发生扩张和/或缩小时，扩张缩小评价系数才为1，其他时刻为0。

实施例五

请参阅图5，为本发明实施例提供的一种获得合并分割评价系数的方法流程图，该方法包括：

步骤S501：当第s帧视频图像中存在第h₁个轮廓、第j₁个轮廓以及第l₁个轮廓，使得Fblob(s,l₁)围成的区域包括Ablob(s,h₁)围成的区域以及Ablob(s,j₁)围成的区域时，确定Fblob(s，l₁)所围成的区域为分割区域，设置分割系数L₁＝1，否则L₁＝0。

步骤S502：当第s帧视频图像中存在第h₂个轮廓、第j₂个轮廓以及第l₂个轮廓，使得Fblob(s+d,l₂)围成的区域包括Ablob(s,h₂)围成的区域以及Ablob(s,j₂)围成的区域时，确定Fblob(s+d,l₂)所围成的区域为合并区域，设置合并系数L₂＝1，否则L₂＝0。

步骤S503：确定合并分割评价系数为max(L₁,L₂)。

根据实际情况的不同，h₁可以与h₂相等，也可以不等，同理，j₁可以与j₂相等，也可以不等，l₁可以与l₂相等，也可以不等。

在实施例五和实施例四的基础上，步骤“根据所述扩张缩小评价系数以及所述合并分割评价系数计算出变形系数”包括：所述变形系数为max(所述扩张缩小评价系数，所述合并分割评价系数)，预设系数值为大于零小于1的正数。

实施例六

请参阅图6，为本发明实施例提供的一种获得烟的颜色特征的方法流程图，该方法包括：

步骤S601：划分烟的种类。

烟种类包括：树木、纸张以及化学燃料（汽油，柴油）等生成的烟。

步骤S602：计算每一种烟的颜色均值和颜色方差。

步骤S603：根据每一种烟的颜色均值和颜色方差，获得划分的所有种类的烟的高斯分布。

由于不可能一次性的将所有烟种类采集完毕，所以要不断的对各种烟对应的高斯分布进行更新，也就是对混合高斯分布中的参数进行更新，在更新多次后，可以确定最终的混合高斯分布。下面是对混合高斯分布中的参数进行更新的过程。下面是将实际问题简化后得到的结果，因为实际问题和简化问题不一样，简化问题是将期望作为实际值，所以要不停的更新期望值，优选的可以使用最大期望EM算法计算混合高斯分布中的参数。详细过程如下。

假设一共有m种烟，{Q₁,...,Q_m}，m种烟对应的混合高斯分布为：

$P\left(Q_m\right)=\underset{d=1}{\overset{D}{\mathrm{\Σ}}}\mathrm{\η}\left(Q_m\right|u_{d,n},{\mathrm{\Σ}}_{d,n})$

其中，D表示的是混合高斯分布的维数，μ_d,n表示n时刻像素点对应的混合高斯分布中第d个高斯分布的均值，∑_d，n表示n时刻像素点对应的混合高斯分布中第d个高斯分布的均值协方差矩阵。η表示的是高斯概率密度函数，其定义为：

$\mathrm{\η}\left(Q\right|\mathrm{\μ},\mathrm{\Σ})=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{n}{2}}{\left|\mathrm{\Σ}\right|}^{\frac{1}{2}}}{l}^{-\frac{1}{2}{(Q-\mathrm{\μ})}^T{\mathrm{\Σ}}^{-1}(Q-\mathrm{\μ})}$

为了减少计算复杂度，可以取D=3。因为图像中每个像素均采用D个高斯分布的混合叠加进行模拟，为了避免矩阵运算的时间大量消耗，假设RGB三颜色分量相互独立，且具有相同的方差，即：

其中，I为3*3的单位矩阵，现在要根据当前观测样本中的像素值来匹配高斯分布，利用当前观测样本X对各个高斯分布中的参数进行自适应实时更新。模型更新的方法是：在时刻n，在D个高斯分布中是否存在与X_i匹配的烟，如果不匹配，则以X_i对应的颜色均值为均值，以X_i对应的颜色方差为方差得到一高斯分布，可以将该高斯分布替换权重较小的高斯分布，也可以不替换，直接将该高斯分布增加到原来的m种烟中，此时就有m+1种烟了，这时需要调整各种烟的权重，如果匹配，可以下面的公式对混合高斯分布中的参数进行更新：

$\left\{\begin{array}{c}{\mathrm{\μ}}_{d,n}=(1-c){\mathrm{\μ}}_{d,n-1+}c{Q}_n\\ {\mathrm{\σ}}_{d,n}^2=(1-c){\mathrm{\σ}}_{d,n-1}^2+c{(Q_n-{\mathrm{\μ}}_{d,n})}^T(Q_n-{\mathrm{\μ}}_{d,n})\end{array}\right.$

c=η(Q_n|μ_d，n,∑_d，n)

为了本领域技术人员更加理解本发明实施例，下面将详细介绍一种更新烟混合高斯分布的方法。

假设已有的烟混合高斯分布为：

一共有m种烟，那么混合高斯分布就由m个高斯分布组成，当前观测样本为X，判断当前观测样本X的颜色特征符合m个高斯分布的哪一个，首先需要确定烟混合高斯分布的三组参数π_k,μ_k,∑_k，为了将m个高斯分布用一个随机变量表示，设z_k为一隐藏变量，k=1,2,3,......，m，p(z_k＝1)＝π_k，其中，0≤π_k≤1，

其中，π_k为第k种烟的权重，则其中Z表示包括元素z₁，z₂，...，z_m的集合。

第一步：确定π_k,μ_k,∑_k。

将Z引入到混合高斯分布中，得到p(X|z_k＝1=1)=N(X|μ_k，∑_k)， $p\left(X\right|Z)=\underset{k=1}{\overset{m}{\mathrm{\Π}}}N{\left(x\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)}^{z_k}.$

假设当前观测样本X中的各个样本X_i的分布相互独立，如果各个样本X_i属于同一分布，且满足独立同分布的条件，由上述公式可得，

$p(X,Z|\mathrm{\μ},\mathrm{\Σ},\mathrm{\π})=\underset{n=1}{\overset{N}{\mathrm{\Π}}}\underset{k=1}{\overset{m}{\mathrm{\Π}}}{\mathrm{\π}}_k^{z_{\mathrm{nk}}}N{\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)}^{z_{\mathrm{nk}}}$

此时需要确定样本X_i的参数π,μ，∑k。

可以利用 $\ln p\left(X\right|\mathrm{\π},\mathrm{\μ},\mathrm{\Σ})=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\ln \left\{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\π}}_{k}N\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)\right\},$ 将该公式简化后得到， $p(X,Z|\mathrm{\μ},\mathrm{\Σ},\mathrm{\π})=\ln \underset{n=1}{\overset{N}{\mathrm{\Π}}}\underset{k=1}{\overset{K}{\mathrm{\Π}}}{\mathrm{\π}}_k^{z_{\mathrm{nk}}}N{\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)}^{z_{\mathrm{nk}}},$ 其中z_nk表示z_n的第k个元素。

为了减少计算量，将ln直接作用于正态分布，使正态分布由乘的e的指数形式变为加的简单形式：

$\ln p\left(X\right|\mathrm{\π},\mathrm{\μ},\mathrm{\Σ})=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\ln \left\{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\π}}_{k}N\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)\right\}$

$\ln p(X,Z|\mathrm{\μ},\mathrm{\Σ},\mathrm{\π})=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{z}_{\mathrm{nk}}\{\ln {\mathrm{\π}}_k+\ln N\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)\}$

可以推出：

$\ln p(X,Z|\mathrm{\μ},\mathrm{\Σ},\mathrm{\π})=\underset{n\∈c_1}{\mathrm{\Σ}}{z}_{\mathrm{nk}}\{\ln {\mathrm{\π}}_1+\ln N\left(x_n\right|{\mathrm{\μ}}_1,{\mathrm{\Σ}}_1)\}+...+\underset{n\∈c_k}{\mathrm{\Σ}}\{\ln {\mathrm{\π}}_k+\ln N\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)\}$

由于m组相互独立，所以又变成了一个单高斯分布最大化参数的问题，因为：

$\underset{n\∈c_k}{\mathrm{\Σ}}\{\ln {\mathrm{\π}}_k+\ln N\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)\}$

$=n\ln {\mathrm{\π}}_k+\underset{n\∈c_k}{\mathrm{\Σ}}\ln N\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)\}$

$=n{\ln \mathrm{\π}}_k+\ln [N\left(x_1\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)\×N\left(x_2\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)\×...N\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)]$

$=n\ln {\mathrm{\π}}_k+\ln N\left(X\right||{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)$

其中，X是所有属于第k个分布的观察值，n是指有多少个观测值属于第k个分布。

计算单一高斯分布的参数如下：

$\ln p\left(X\right|\mathrm{\μ},\mathrm{\Σ})=-\frac{\mathrm{ND}}{2}\ln \left(2\mathrm{\π}\right)--\frac{N}{2}\ln \left|\mathrm{\Σ}\right|--\frac{1}{2}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{(x_n-\mathrm{\μ})}^T{\mathrm{\Σ}}^{-1}(x_n-\mathrm{\μ})$

先对u偏导 $\frac{\∂\left(x^{T}a\right)}{\∂x}=\frac{\∂\left(a^{T}x\right)}{\∂x}=a$

$\frac{\∂}{\∂\mathrm{\μ}}\ln p\left(X\right|\mathrm{\μ},\mathrm{\Σ})=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\Σ}}^{-1}(x_n-\mathrm{\μ})$

令上式等于0，得到

同理可得 ${\mathrm{\Σ}}_{\mathrm{ML}}=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}(x_n-{\mathrm{\μ}}_{\mathrm{ML}}){(x_n-{\mathrm{\μ}}_{\mathrm{ML}})}^T$

所以计算得到的参数为：

${\mathrm{\Σ}}_k=\frac{1}{N_k}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{z}_{\mathrm{nk}}(x_n-{\mathrm{\μ}}_k){(x_n-{\mathrm{\μ}}_k)}^T,$ 其中： $N_k=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{z}_{\mathrm{nk}}$

由于要使ln p(X,Z|μ,∑,π)达到最大值，同时必须满足所以运用拉格朗日乘法可得：

第二步：计算和γ(z_nk)。

到现在成了简化问题的参数求解，但是实际上往往不知道z_nk。也就是无法运用前面简化的问题的算法，虽然不知道z_nk，但是以用其期望E[z_nk]去估计z_nk，详细过程如下：

$E\left(z_{\mathrm{nk}}\right|x_n)=\underset{z_{\mathrm{nk}}}{\mathrm{\Σ}}{z}_{\mathrm{nk}}\mathrm{gp}\left(z_{\mathrm{nk}}\right|x_n)$

$=\underset{z_{\mathrm{nk}}}{\mathrm{\Σ}}{z}_{\mathrm{nk}}g\frac{p\left(z_{\mathrm{nk}}\right)p\left(x_n\right|z_{\mathrm{nk}})}{p\left(x_n\right)}$

$=\frac{1\·p(z_{\mathrm{nk}}=1)p\left(x_n\right|z_{\mathrm{nk}}=1)+0\·p(z_{\mathrm{nk}}=0)p\left(x_n\right|z_{\mathrm{nk}}=0)}{p\left(x_n\right)}$

$=\frac{1\·p(z_{\mathrm{nk}}=1)p\left(x_n\right|z_{\mathrm{nk}}=1)}{p\left(x_n\right)}$

$=\frac{{\mathrm{\π}}_k\·N\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)}{\underset{j}{\mathrm{\Σ}}{\mathrm{\π}}_j\·N\left(x_n\right|{\mathrm{\μ}}_j,{\mathrm{\Σ}}_j)}=\mathrm{\γ}\left(z_{\mathrm{nk}}\right)$

第三步：更新π_k,μ_k,∑_k。

把得到的期望带入原有的简化的问题中去，得到新的式子：

$E_z\left[\ln p(X,Z|\mathrm{\μ},\mathrm{\Σ},\mathrm{\π})\right]=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\γ}}_{\mathrm{nk}}\{\ln {\mathrm{\π}}_k+\ln N\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)\}$

现在要使该式的值最大，也就是期望最大，则从原有的简单的模型，得到了新的模型的计算结果。

简化模型： $\ln p(X,Z|\mathrm{\μ},\mathrm{\Σ},\mathrm{\π})=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{z}_{\mathrm{nk}}\{\ln {\mathrm{\π}}_k+\ln N\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)\}$

参数计算结果：

${\mathrm{\μ}}_k=\frac{1}{N_k}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{z}_{\mathrm{nk}}{x}_n$

${\mathrm{\Σ}}_k=\frac{1}{N_k}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{z}_{\mathrm{nk}}(x_n-{\mathrm{\μ}}_k){(x_n-{\mathrm{\μ}}_k)}^T$

$N_k=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{z}_{\mathrm{nk}}$

${\mathrm{\π}}_k=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{z}_{n,k}=\frac{N_k}{N}$

更新后的混合高斯分布：

$E_z\left[\ln p(X,Z|\mathrm{\μ},\mathrm{\Σ},\mathrm{\π})\right]=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\γ}}_{\mathrm{nk}}\{\ln {\mathrm{\π}}_k+\ln N\left(x_n\right|{\mathrm{\μ}}_k,{\mathrm{\Σ}}_k)\}$

混合高斯分布中的各个参数如下：

${\mathrm{\μ}}_k=\frac{1}{N_k}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\γ}\left(z_{\mathrm{nk}}\right)x_n$

${\mathrm{\Σ}}_k=\frac{1}{N_k}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\γ}\left(z_{\mathrm{nk}}\right)(x_n-{\mathrm{\μ}}_k){(x_n-{\mathrm{\μ}}_k)}^T$

$N_k=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\γ}\left(z_{\mathrm{nk}}\right)$

${\mathrm{\π}}_k=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{\γ}\left(z_{\mathrm{nk}}\right)=\frac{N_k}{N}$

步骤S604：根据预先设置的各种烟的权重，得到各个高斯分布组成的混合高斯分布。

假设划分的各种烟对应的火灾在日常生活中发生的概率之和为1，那么权重是指每一种烟对应的火灾发生的概率。

烟颜色可以采用RGB颜色模式，此时混合高斯分布为三维混合高斯分布，每一种烟对应三个维度的颜色均值以及分别与所述三个维度的颜色均值对应的颜色方差，当然烟颜色可以采用CMYK颜色模式，此时混合高斯分布为四维混合高斯分，每一种烟对应四个维度的颜色均值以及分别与所述四个维度的颜色均值对应的颜色方差。

本发明实施例为了本领域技术人员更加理解本发明实施例，利用EM算法计算了RGB颜色空间中十种类别的烟的颜色均值与颜色方差。

并根据火灾发生的概率确定了十种类型的烟的权重，如表1所示，将十种类别的烟对应的分量高斯分布进行标号，得到分量高斯分布1至10，权重用Pi表示，表1还记录了R空间的烟的颜色均值、G空间的烟的颜色均值、B空间的烟的颜色均值以及RGB空间的方差。

表1

请参阅图7，为本发明实施例提供的各种类别的烟的色彩散点图。

为了让本领域技术人员更加理解本发明实施例，还采集了600*600个烟的样本，对这600*600个样本进行运算得到图7所示的散点图。图7中的横坐标为R空间烟的颜色均值、纵坐标为G空间烟的颜色均值以及Z轴坐标为B空间烟的颜色均值，图中10个加粗点10种烟对应的颜色方差。

实施例七

上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的装置实现，因此本发明还公开了一种装置，下面给出具体的实施例进行详细说明。

请参阅图8，为本发明实施例提供的一种烟检测装置的结构示意图，该装置包括：获取图像序列模块801、获得前景图像模块802、分离模块803、判断模块804以及确定模块805，其中：

获取图像序列模块801，用于获取当前环境的视频图像序列。

获得前景图像模块802，用于从所述视频图像序列中获得当前环境中的前景图像。

分离模块803，用于从所述前景图像中分离出与预先获得的烟的颜色特征相符合的疑似烟区域，并将所述疑似烟区域进行二值化。

判断模块804，用于当二值化后的所述疑似烟区域大于预设区域时，判断二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化，以及判断二值化后的所述疑似烟区域的轮廓是否发生变化。

确定模块805，用于在所述判断模块中两个判断结果均为是的情况下，确定所述疑似烟区域为烟。

本发明实施例提供的烟检测装置，通过获取图像序列模块801获取当前环境的视频图像序列，通过获得前景图像模块802从所述视频图像序列中获得当前环境中的前景图像，利用分离模块803从所述前景图像中分离出与预先获得的烟的颜色特征相符合的疑似烟区域，并将所述疑似烟区域进行二值化，当判断模块804判断出二值化后的所述疑似烟区域大于预设区域时，判断二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化，以及判断二值化后的所述疑似烟区域的轮廓是否发生变化，最后由确定模块805确定出上述两个判断结果均为是的情况下，确定所述疑似烟区域为烟。由于上述烟的确定是通过烟的颜色特征确定的，所以只要能够采集到当前环境的视频图像序列，不论空间有多大，都能确定出烟，从而解决了使用传统型火灾检测器导致成本高的问题。

请参阅图9，为本发明实施例提供的一种判断模块的结构示意图，判断模块804包括：变换单元901、划分单元902、获取图像单元903、获取公式单元904以及判断单元905，其中：

变换单元901，用于分别对二值化后的所述疑似烟区域所在图像的每一行和每一列进行一维小波变换。

划分单元902，用于根据进行小波变换后的每一行和每一列图像的频率值的分布，将所述疑似烟区域分为第一高频区域、第二高频区域、第三高频区域以及低频区域。

获取图像单元903，用于将所述第一高频区域、第二高频区域以及第三高频区域对应图像的灰度值的绝对值相加得到图像W，图像W的大小为m×n，m与n均为正整数。

获取公式单元904，用于根据所述图像W得到ξ＝‖W‖/(m+n)，其中‖W‖表示图像W中各个像素的灰度值之和。

判断单元905，用于判断序列|ξ_k+1-ξ_k|,k=1,2,3...是否大于预设序列值，如果是，则确定二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值发生变化，如果否，则确定二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值未发生变化，k表示第k帧视频图像序列。

请参阅图10，为本发明实施例提供的一种判断模块的结构示意图，判断模块804还可以包括：第一提取单元1001、第一筛选单元1002、第一计算单元1003、第二提取单元1004、第二筛选单元1005、获取系数单元1006、第二计算单元1007以及第一确定单元1008，其中：

第一提取单元1001，用于提取二值化后的所述疑似烟区域对应的图像Fimg(s)的轮廓线，生成轮廓线列表Fblobl(s,i),i＝1,2,3...。

s表示第s帧视频图像中的轮廓线列表，i表示第i个轮廓。

第一筛选单元1002，用于筛选出轮廓线列表Fblobl(s，i)中大于第一预设列表值的轮廓线，并将大于所述第一预设列表值的轮廓线按照面积由大到小进行排列，生成新的轮廓线列表Fblob(s,i)。

第一计算单元1003，用于对图像Fimg(s)与图像Fimg(s+d)进行积运算，获得新的二值化图像Aimg(s)，d为预设定值。

第二提取单元1004，用于提取二值化图像Aimg(s)的轮廓线，生成轮廓线列表Ablobl(s,i),i＝1,2,3...。

第二筛选单元1005，用于筛选出轮廓线列表Ablobl(s，i)中大于第二预设列表值的轮廓线，并将大于所述第二预设列表值的轮廓线按照面积由大到小进行排列，生成新的轮廓线列表Ablob(s，i)。

获取系数单元1006，用于根据Ablob(s,i)、Fblob(s,i)和Fblob(s+d,i)得到所述疑似烟区域的扩张缩小评价系数以及合并分割评价系数。

获取系数单元1006可以包括：

第一设置单元，用于当第s帧视频图像中存在第a个轮廓以及第b个轮廓使得Ablob(s,a)与Fblob(s，b)对应的各个像素的灰度值差的绝对值之和小于误差阈值时，设置扩张参数D₁＝1，否则D₁＝0。第二设置单元，用于当第s帧视频图像中存在第a个轮廓以及第b个轮廓使得Ablob(s,a)与Fblob(s+d,b)对应的像素的灰度值差的绝对值之和小于所述误差阈值时，设置缩小参数D₂＝1，否则D₂=0。以及，第三计算单元，用于将所述扩张参数与所述缩小参数进行异或运算，所述运算的结果为所述扩张缩小评价系数。

获取系数单元1006还可以包括：第三设置单元，用于当第s帧视频图像中存在第h₁个轮廓、第j₁个轮廓以及第l₁个轮廓，使得Fblob(s,l₁)围成的区域包括Ablob(s,h₁)围成的区域以及Ablob(s,j₁)围成的区域时，确定Fblob(s,l₁)所围成的区域为分割区域，设置分割系数L₁＝1，否则L₁＝0；第四设置单元，用于当第s帧视频图像中存在第h₂个轮廓、第j₂个轮廓以及第l₂个轮廓，使得Fblob(s+d,l₂)围成的区域包括Ablob(s,h₂)围成的区域以及Ablob(s,j₂)围成的区域时，确定Fblob(s+d,l₂)所围成的区域为合并区域，设置合并系数L₂＝1，否则L₂＝0；第二确定单元，用于确定所述合并分割评价系数为max(L₁,L₂)。

第二计算单元1007，用于根据所述扩张缩小评价系数以及所述合并分割评价系数计算出变形系数。

第二计算单元1007可以具体用于所述变形系数为max(所述扩张缩小评价系数，所述合并分割评价系数)，所述预设系数值为大于0小于1的正数。

第一确定单元1008，用于当所述变形系数大于预设系数值时，确定二值化后的所述疑似烟区域的面积发生了变化。

所述烟检测装置还可以包括：

划分种类模块1009，用于划分烟的种类。

计算模块1010，用于计算每一种烟的颜色均值和颜色方差。

获得高斯分布模块1011，用于根据所述每一种烟的颜色均值和颜色方差，获得划分的所有种类的烟的高斯分布。

获得混合高斯分布模块1012，用于根据预先设置的各种烟的权重，得到各个高斯分布组成的混合高斯分布。

本发明实施例还提供了一种火灾检测装置，该火灾检测装置包括上述装置实施例中任一种装置。

为了本领域人员更加理解本发明实施例，还进行了实验，请参阅图11，为本发明实施例提供的视频图像序列的一帧视频图像。

请参阅图12，为本发明实施例提供的从视频图像中提取的背景图像。

图12是从图11中提取出的前景图像。

请参阅图13，为本发明实施例提供的从视频图像中提取的前景图像。

请参阅图14，为本发明实施例提供的从前景图像中提取的疑似烟区域的图像。

请参阅图15，为本发明实施例提供的对疑似烟区域对应图像的每一行和每一列进行小波变换的图像。

在根据上述实施例描述的方法获得疑似烟区域是否为烟。

对不同时间段（上午，中午，下午和晚间），和不同气候条件下（阴天，晴天和雨天）取得的不同烟的视频数据进行实验，获得了90%的以上的准确率。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (15)

1.一种烟检测方法，其特征在于，包括：

获取当前环境的视频图像序列；

从所述视频图像序列中获得当前环境中的前景图像；

从所述前景图像中分离出与预先获得的烟的颜色特征相符合的疑似烟区域，并将所述疑似烟区域进行二值化；

当二值化后的所述疑似烟区域大于预设区域时，判断二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化，以及判断二值化后的所述疑似烟区域的轮廓是否发生变化；

在上述两个判断结果均为是的情况下，确定所述疑似烟区域为烟。

2.根据权利要求1所述方法，其特征在于，所述判断二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化包括：

分别对二值化后的所述疑似烟区域对应的图像的每一行和每一列进行一维小波变换；

根据进行小波变换后的每一行和每一列图像的频率值的分布，将所述疑似烟区域分为第一高频区域、第二高频区域、第三高频区域以及低频区域，所述第一高频区域、所述第二高频区域以及所述第三高频区域为大于所述预设灰度值的高频区域；

将所述第一高频区域、所述第二高频区域以及所述第三高频区域对应图像的灰度值的绝对值相加得到图像W，图像W的大小为m×n，m与n均为正整数；

根据所述图像W得到ξ＝‖W‖/(m+n)，其中‖W‖表示图像W中各个像素的灰度值之和；

判断序列|ξ_k+1-ξ_k|,k=1,2,3…是否大于预设序列值，如果是，则确定二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值发生变化，如果否，则确定二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值未发生变化，k表示第k帧视频图像序列。

3.根据权利要求1或2所述方法，其特征在于，所述判断二值化后的所述疑似烟区域的面积是否发生变化包括：

提取二值化后的所述疑似烟区域对应的图像Fimg(s)的轮廓线，生成轮廓线列表Fblobl(s,i),i＝1,2,3...，s表示第s帧视频图像中的轮廓线列表，i表示第i个轮廓；

筛选出轮廓线列表Fblobl(s,i)中大于第一预设列表值的轮廓线，并将大于所述第一预设列表值的轮廓线按照面积由大到小进行排列，生成新的轮廓线列表Fblob(s,i)；

对图像Fimg(s)与图像Fimg(s+d)进行积运算，获得新的二值化图像Aimg(s)，d为预设定值；

提取二值化图像Aimg(s)的轮廓线，生成轮廓线列表Ablobl(s,i),i＝1,2,3...；

筛选出轮廓线列表Ablobl(s,i)中大于第二预设列表值的轮廓线，并将大于所述第二预设列表值的轮廓线按照面积由大到小进行排列，生成新的轮廓线列表Ablob(s,i)；

根据Ablob(s,i)、Fblob(s,i)和Fblob(s+d,i)得到所述疑似烟区域的扩张缩小评价系数以及合并分割评价系数；

根据所述扩张缩小评价系数以及所述合并分割评价系数计算出变形系数；

当所述变形系数大于预设系数值时，确定二值化后的所述疑似烟区域的面积发生了变化。

4.根据权利要求3所述方法，其特征在于，根据Ablob(s,i)、Fblob(s,i)和Fblob(s+d,i)得到所述疑似烟区域的扩张缩小评价系数包括：

当第s帧视频图像中存在第a个轮廓以及第b个轮廓使得Ablob(s,a)与Fblob(s,b)对应的各个像素的灰度值差的绝对值之和小于误差阈值时，设置扩张参数D₁＝1，否则D₁＝0；

当第s帧视频图像中存在第a个轮廓以及第b个轮廓使得Ablob(s,a)与Fblob(s+d,b)对应的像素的灰度值差的绝对值之和小于所述误差阈值时，设置缩小参数D₂＝1，否则D₂＝0；

将所述扩张参数与所述缩小参数进行异或运算，所述运算的结果为所述扩张缩小评价系数。

5.根据权利要求3或4所述方法，其特征在于，根据Ablob(s,i)、Fblob(s,i)和Fblob(s+d,i)得到所述疑似烟区域的合并分割评价系数包括：

当第s帧视频图像中存在第h₁个轮廓、第j₁个轮廓以及第l₁个轮廓，使得Fblob(s,l₁)围成的区域包括Ablob(s,h₁)围成的区域以及Ablob(s,j₁)围成的区域时，确定Fblob(s,l₁)所围成的区域为分割区域，设置分割系数L₁＝1，否则L₁＝0；

当第s帧视频图像中存在第h₂个轮廓、第j₂个轮廓以及第l₂个轮廓，使得Fblob(s+d,l₂)围成的区域包括Ablob(s,h₂)围成的区域以及Ablob(s,j₂)围成的区域时，确定Fblob(s+d,l₂)所围成的区域为合并区域，设置合并系数L₂＝1，否则L₂=0；

确定所述合并分割评价系数为max(L₁,L₂)。

6.根据权利要求5所述方法，其特征在于，所述根据所述扩张缩小评价系数以及所述合并分割评价系数计算出变形系数包括：

所述变形系数为max(所述扩张缩小评价系数，所述合并分割评价系数)，所述预设系数值为大于0小于1的正数。

7.根据权利要求1所述方法，其特征在于，获得烟的颜色特征的方法包括：

划分烟的种类；

计算每一种烟的颜色均值和颜色方差；

根据所述每一种烟的颜色均值和颜色方差，获得划分的所有种类的烟的高斯分布；

根据预先设置的各种烟的权重，得到各个高斯分布组成的混合高斯分布。

8.一种烟检测装置，其特征在于，包括：

获取图像序列模块，用于获取当前环境的视频图像序列；

获得前景图像模块，用于从所述视频图像序列中获得当前环境中的前景图像；

分离模块，用于从所述前景图像中分离出与预先获得的烟的颜色特征相符合的疑似烟区域，并将所述疑似烟区域进行二值化；

判断模块，用于当二值化后的所述疑似烟区域大于预设区域时，判断二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值是否发生变化，以及判断二值化后的所述疑似烟区域的轮廓是否发生变化；

确定模块，用于在所述判断模块中两个判断结果均为是的情况下，确定所述疑似烟区域为烟。

9.根据权利要求8所述装置，其特征在于，所述判断模块包括：

变换单元，用于分别对二值化后的所述疑似烟区域所在图像的每一行和每一列进行一维小波变换；

划分单元，用于根据进行小波变换后的每一行和每一列图像的频率值的分布，将所述疑似烟区域分为第一高频区域、第二高频区域、第三高频区域以及低频区域，所述第一高频区域、所述第二高频区域以及所述第三高频区域为大于所述预设灰度值的高频区域；

获取图像单元，用于将所述第一高频区域、所述第二高频区域以及所述第三高频区域对应图像的灰度值的绝对值相加得到图像W，图像W的大小为m×n，m与n均为正整数；

获取公式单元，用于根据所述图像W得到ξ＝‖W‖/(m+n)，其中‖W‖表示图像W中各个像素的灰度值之和；

判断单元，用于判断序列|ξ_k+1-ξ_k|,k=1,2,3L是否大于预设序列值，如果是，则确定二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值发生变化，如果否，则确定二值化后的所述疑似烟区域中大于预设灰度值的高频区域对应的灰度值未发生变化，k表示第k帧视频图像序列。

10.根据权利要求8或9所述装置，其特征在于，所述判断模块包括：

第一提取单元，用于提取二值化后的所述疑似烟区域对应的图像Fimg(s)的轮廓线，生成轮廓线列表Fblobl(s,i),i＝1,2,3...，s表示第s帧视频图像中的轮廓线列表，i表示第i个轮廓；

第一筛选单元，用于筛选出轮廓线列表Fblobl(s,i)中大于第一预设列表值的轮廓线，并将大于所述第一预设列表值的轮廓线按照面积由大到小进行排列，生成新的轮廓线列表Fblob(s,i)；

第一计算单元，用于对图像Fimg(s)与图像Fimg(s+d)进行积运算，获得新的二值化图像Aimg(s)，d为预设定值；

第二提取单元，用于提取二值化图像Aimg(s)的轮廓线，生成轮廓线列表Ablobl(s,i),i＝1，2,3...；

第二筛选单元，用于筛选出轮廓线列表Ablobl(s,i)中大于第二预设列表值的轮廓线，并将大于所述第二预设列表值的轮廓线按照面积由大到小进行排列，生成新的轮廓线列表Ablob(s，i)；

获取系数单元，用于根据Ablob(s,i)、Fblob(s,i)和Fblob(s+d,i)得到所述疑似烟区域的扩张缩小评价系数以及合并分割评价系数；

第二计算单元，用于根据所述扩张缩小评价系数以及所述合并分割评价系数计算出变形系数；

第一确定单元，用于当所述变形系数大于预设系数值时，确定二值化后的所述疑似烟区域的面积发生了变化。

11.根据权利要求10所述装置，其特征在于，所述获取系数单元包括：

第一设置单元，用于当第s帧视频图像中存在第a个轮廓以及第b个轮廓使得Ablob(s,a)与Fblob(s,b)对应的各个像素的灰度值差的绝对值之和小于误差阈值时，设置扩张参数D₁＝1，否则D₁＝0；

第二设置单元，用于当第s帧视频图像中存在第a个轮廓以及第b个轮廓使得Ablob(s,a)与Fblob(s+d,b)对应的像素的灰度值差的绝对值之和小于所述误差阈值时，设置缩小参数D₂＝1，否则D₂＝0；

第三计算单元，用于将所述扩张参数与所述缩小参数进行异或运算，所述运算的结果为所述扩张缩小评价系数。

12.根据权利要求10或11所述装置，其特征在于，所述获取系数单元包括：

第三设置单元，用于当第s帧视频图像中存在第h₁个轮廓、第j₁个轮廓以及第l₁个轮廓，使得Fblob(s,l₁)围成的区域包括Ablob(s,h₁)围成的区域以及Ablob(s,j₁)围成的区域时，确定Fblob(s,l₁)所围成的区域为分割区域，设置分割系数L₁＝1，否则L₁=0；

第四设置单元，用于当第s帧视频图像中存在第h₂个轮廓、第j₂个轮廓以及第l₂个轮廓，使得Fblob(s+d,l₂)围成的区域包括Ablob(s,h₂)围成的区域以及Ablob(s,j₂)围成的区域时，确定Fblob(s+d,l₂)所围成的区域为合并区域，设置合并系数L₂＝1，否则L₂=0；

第二确定单元，用于确定所述合并分割评价系数为max(L₁,L₂)。

13.根据权利要求12所述装置，其特征在于，所述第二计算单元具体为：

所述变形系数为max(所述扩张缩小评价系数，所述合并分割评价系数)，所述预设系数值为大于0小于1的正数。

14.根据权利要求8所述装置，其特征在于，还包括：

划分种类模块，用于划分烟的种类；

计算模块，用于计算每一种烟的颜色均值和颜色方差；

获得高斯分布模块，用于根据所述每一种烟的颜色均值和颜色方差，获得划分的所有种类的烟的高斯分布；

获得混合高斯分布模块，用于根据预先设置的各种烟的权重，得到各个高斯分布组成的混合高斯分布。

15.一种火灾检测装置，其特征在于，包括权利要求8至13任一所述装置。

Images