CN103400111A - 基于视频检测技术的高速公路隧道火灾事件检测方法 - Google Patents

Abstract

本发明涉及交通检测技术领域，公开一种基于视频检测技术的高速公路隧道火灾事件检测方法，包括如下步骤：从获取的视频中按预设帧率抽取图片；利用所获图片建立隧道背景模型；利用背景差分法从图片中提取前景目标图像；将图片分为前景部分和背景部分，分别采用不同的更新率进行更新；在检测周期内分析图像的前景目标，根据时间序列信息判断是否存在疑似静止目标；若存在疑似静止目标，再结合火焰的动、静态特征确定疑似火焰区域，最后根据火焰判别准则对后续提取的图像的疑似火焰区域进行分析，判断是否存在火灾事件。本发明检测算法简单，计算量小，可降低处理时间，提高检测效率，并可以减少由于隧道场景光照情况复杂对火灾检测造成的影响。

Description

基于视频检测技术的高速公路隧道火灾事件检测方法

技术领域

本发明涉及交通检测技术领域，尤其涉及一种基于视频检测技术的高速公路隧道火灾事件检测方法。

背景技术

随着经济建设的快速发展，高速公路运营里程快速增加，通行高速公路车辆数量急剧增多，高速公路隧道的安全隐患也随之增加。高速公路隧道作为运输系统的重要一环，其交通安全问题尤为突出，一旦隧道内发生火灾等事故，不仅会导致财产的严重损失，还极有可能威胁到乘客的生命。因此，第一时间监测高速公路隧道火灾事件并预警对维护隧道交通安全有着重要的意义。

目前，常用火灾监测技术分为基于传感原理检测和基于图像检测两大类，其中常见的基于传感原理检测的火灾探测器包括以下五个类型：感温类、感烟类、感光类、气敏型以及复合式探测器。现有的火灾报警系统很多都是靠基于传感原理检测的火灾探测器来进行报警的，但随着用户需求的变化和检测要求的增高，它们的局限性日益突显，主要表现为以下几点：(1)报警范围和实用空间十分有限；(2)可靠性不高；(3)快速报警能力有限；(4)无法提供重要的火灾过程信息；(5)成本高，但通用性和可扩展性有限。而基于图像的检测技术是一种新型的火灾检测技术，不仅适用范围广、处理速度快，且具有记录功能和远程控制调用功能。目前，高速公路隧道重点路段上已基本安装了摄像装置，为基于图像的火灾检测技术提供了基础设备支持。

基于图像的检测技术主要是指视频火焰检测技术，主要分为检测火灾的静态特征和动态特征两种。通过火灾发生初期火焰图像在颜色、形状、边缘轮廓、面积、位置、亮度、高度、闪烁情况、空间能量值以及其它一些运动特征进行判断。目前常用的主要有以下四种检测方法。(1)基于颜色和亮度的检测方法，学者们已根据火焰的颜色信息在不同色彩空间中建立了不同的火焰颜色模型，近年也有学者提出使用机器学习的方法来获得火焰的颜色模型；(2)颜色、运动、火焰结构相结合的方法，即在火焰的颜色特征基础上结合火焰的运动规律、火焰变化的空间结构等信息进行火灾检测；(3)基于视频状态分析的方法，学者们通过大量实验发现了火焰的闪动频率，范围在3-25Hz之间，一般为10Hz，则可用此特征区分火焰和其他物体；(4)神经网络、支持向量机等方法，用于模式识别特征的提取和分类，但该技术还处于萌芽阶段。

由于隧道场景光照情况十分复杂，尤其是车灯、隧道中的照明以及隧道两侧特殊材质造成的反光对火灾检测造成了极大的影响，另外，由于高速公路车流量大、车速快，一旦发生火灾事件，若不及时进行预警则很容易导致严重交通事故，这就对算法的实时性要求较高。虽然现有的火灾检测方法较多，但现有一般的火灾检测算法存在实时性较低、误报率较高、鲁棒性不强等缺点，在高速公路隧道火灾检测中应用效果不佳。因此，亟需一种快速高效的自动检测高速公路隧道火灾事件方法，实现对高速公路隧道火灾事件的及时可靠地检测，为管理者实时把握现场状况、做出管理决策提供有力的信息支撑，进而减少高速公路隧道中的行车安全隐患。

发明内容

有鉴于此，本发明提供一种基于视频检测技术的高速公路隧道火灾事件检测方法，运算开销小、实时性强。

本发明通过以下技术手段解决上述技术问题：

基于视频检测技术的高速公路隧道火灾事件检测方法，包括如下步骤：

1）从高速公路隧道摄像头获取的视频中按预设帧率抽取图片；

2）利用步骤1）中抽取的图片，根据中值滤波法建立隧道背景模型；

3）根据步骤2）建立的的背景模型，利用背景差分法从图片中提取前景目标图像；

4）将图片分为前景部分和背景部分，分别采用不同的更新率进行更新；

5）在检测周期t₁秒内分析N₁帧图像的前景目标，根据时间序列信息判断是否存在疑似静止目标；

6）若存在疑似静止目标，再结合火焰的动、静态特征确定疑似火焰区域，最后根据火焰判别准则对后续提取的L张图像的疑似火焰区域进行分析，判断是否存在火灾事件。

进一步，所述步骤1）中，还根据隧道特征确定图片中的感兴趣区域；步骤2-6）为对感兴趣区域进行的处理。

进一步，所述步骤2）中，建立隧道背景模型所用的图片大于20张。

进一步，所述步骤4）中，前景部分的更新率小于背景部分的更新率。

进一步，所述步骤3）中，根据已建立的隧道背景模型利用背景差分法提取前景图像，并对前景图像进行目标去噪，具体包括如下步骤：

31）将提取的帧图像与背景图像进行背景差分，并将差分图转换为灰度图；

32）将得到的灰度图进行二值处理，当像素点的灰度值大于阈值τ₀时，将该像素点的像素值置为1，其灰度值小于阈值τ₀时，将该像素点的像素值置为0；

33）使用数学形态学滤波方法去噪，获得运动目标前景图像。

进一步，所述步骤5）具体包括如下步骤：

51）将N₁张二值化后的前景目标图像相叠加，若某像素点的像素值大于K，说明该像素点满足至少K张图像中均含有前景目标的条件，则将该像素点判定为疑似静止目标像素点，其中,K为正整数，且K<N₁，并提取满足此条件的像素点存入图may_static中；

52）将所得的疑似静止目标像素点组成的区域进行连通域分析，并求出各个连通域may_static_i的面积

其中i=1,2,…,cn，cn为连通域的个数；

53）根据条件

删除所提取的前景目标中的小面积伪目标，其中s₁为面积阈值，未被删除的前景目标则为疑似静止目标，包含于疑似静止目标图static中，定义图static中各个连通域为static_i，质心坐标为P_static_i(x_i,y_i)，i=1,2,…,sn，其中sn为符合面积条件的前景目标个数。

进一步，所述步骤6）具体包括如下步骤：

61）将图像转换到YCbCr色彩空间后提取出满足YCbCr火焰颜色模型的区域并对其进行连通域分析；

62）将疑似静止目标与满足火焰颜色模型区域进行比较，根据连通域的质心距离提取出疑似静止目标对应的疑似火焰区域；

63）根据火焰判别模型判断高速公路隧道火灾事件。

进一步，所述步骤61）中，所述YCbCr火焰颜色模型如下：

$\left\{\begin{array}{c}Y(x,y)>Y_{\mathrm{mean}}\\ \mathrm{Cb}(x,y)<{\mathrm{Cb}}_{\mathrm{mean}}\\ \mathrm{Cr}(x,y)>{\mathrm{Cr}}_{\mathrm{mean}}\\ Y(x,y)>\mathrm{Cb}(x,y)\\ \mathrm{Cr}(x,y)>\mathrm{Cb}(x,y)\\ |\mathrm{Cb}(x,y)-\mathrm{Cr}(x,y)|\&GreaterEqual;\mathrm{\&tau;}\end{array}\right.;$

其中，Y_mean、Cb_mean、Cr_mean分别是图像中Y、Cb、Cr三个分量的均值，即亮度、蓝色分量、红色分量的均值，τ为经验阈值；

将满足YCbCr火焰颜色模型的区域存入图fire_color_area中，并对图fire_color_area进行连通域分析，求出各个连通域fire_color_area_i的质心坐标P_fire_i(x_i,y_i)和面积i=1,2,…,fn，fn为连通域的个数。

进一步，所述步骤62）具体包括如下步骤：

将疑似静止目标图static与满足火焰颜色模型的图fire_color_area进行比较，根据连通域质心的位置从图fire_color_area中提取与图static中疑似静止目标对应的疑似火焰区域；判断条件如下：

|P_static_iP_fire_j|<d₀,i=1,2,...,sn,j=1,2,...,fn

其中，P_static_i(x_i,y_i)为疑似静止目标图static第i个连通域static_i的质心坐标，i=1,2,…,sn，P_fire_j(x_j,y_j)为图fire_color_area第j个连通域fire_color_area_j的质心坐标，j=1,2,…,fn，|P_static_iP_fire_j|为两质心的距离，d₀为质心距离阈值，若满足两图中所对应的连通域static_i和fire_color_area_j的质心坐标在预设范围内，则可判断fire_color_area_j为疑似火焰区域，提取该区域，并将其存在疑似火焰图may_fire_area中；设图may_fire_area中各疑似火焰区域fire_area_i的质心坐标为P_i(x_i,y_i)，区域面积为

i=1,2,…,mfn，其中mfn为疑似火焰区域连通域的个数。

进一步，所述步骤63）中，火焰判别模型如下：

$\left\{\begin{array}{c}{S}_2<S_{\mathrm{fire}\_{\mathrm{area}}_i}<S_3\\ \left|P_{\mathrm{ki}}{P}_{(k-1)i}\right|<d\\ C_1<C_{\mathrm{fire}\_{\mathrm{area}}_i}<C_2\end{array}\right.,i=\mathrm{1,2},...,\mathrm{mfn}$

其中，为疑似火焰区域fire_area_i的面积，S₂、S₃为火焰面积阈值；|P_kiP_(k-1)i|表示火焰稳定性；对于疑似火焰区域fire_area_i的|P_kiP_(k-1)i|,求取采用以下公式：

$\left|P_{\mathrm{ki}}{P}_{(k-1)i}\right|=\sqrt{{(x_{\mathrm{ki}}-x_{(k-1)i})}^2+{(y_{\mathrm{ki}}-y_{(k-1)i})}^2},k=\mathrm{2,3},...,L$

其中，P_ki(x_ki,y_ki)为疑似火焰区域fire_area_i在第k张疑似火焰图中的质心，|P_kiP_(k-1)i|表示该疑似火焰区域在第k、k-1张疑似火焰图中质心的移动距离；火焰判断模型中的d表示质心移动距离阈值；

C表示火焰区域的不规则度信息，C₁、C₂为圆度阈值；疑似火焰区域fire_area_i的圆度的求取采用以下公式：

$C_{\mathrm{fire}\_{\mathrm{area}}_i}=\frac{{4\mathrm{\&pi;S}}_{\mathrm{fire}\_{\mathrm{area}}_i}}{p_{\mathrm{fire}\_{\mathrm{area}}_i}^2}$

其中，

为疑似火焰区域所占的面积，

为疑似火焰区域外轮廓的周长；C在[0,1]区间内取值；

若存在L张图像中J张图像的疑似火焰区域均满足火焰判别模型，则表明检测到隧道火灾事件，其中J<L。

本发明的基于视频检测技术的高速公路隧道火灾事件检测方法根据火灾的蔓延性，首先检测疑似静止目标，然后再结合火焰的动、静态特征确定疑似火焰区域，最后建立火焰判别准则对后续提取的多张图像进行分析，判断是否存在火灾事件。这样就不必对视频的每张图像进行火焰判别处理，而是直到检测出有疑似静止目标后再进行实时火焰检测，且疑似静止目标的检测算法简单，计算量小，可大大降低处理时间，提高检测效率。并可以减少由于隧道场景光照情况复杂对火灾检测造成的影响。

具体实施方式

图1示出了基于视频检测技术的高速公路隧道火灾事件检测方法的流程示意图。

具体实施方式

以下将结合附图，对本发明进行详细说明。

参见图1，基于视频检测技术的高速公路隧道火灾事件检测方法，其特征在于：包括如下步骤：

1）从高速公路隧道摄像头获取的视频中按预设帧率抽取图片；为更准确地检测火灾事件并减少计算量，根据隧道场景特征确定感兴趣区域，之后步骤均在该区域内进行检测。

2）根据步骤1）中抽取的图片，利用中值滤波法结合M张图片建立隧道背景模型，其中M>20；

3）根据步骤2）建立的隧道背景模型，利用背景差分法提取前景图像，并对前景图像进行目标去噪，具体包括如下步骤：

31）将提取的帧图像与背景图像进行背景差分，并将差分图转换为灰度图；

32）将得到的灰度图进行二值处理，当像素点的灰度值大于阈值τ₀时，将该像素点的像素值置为1，其灰度值小于阈值τ₀时，将该像素点的像素值置为0；

33）使用开运算和闭运算等数学形态学滤波方法去噪，获得运动目标前景图像。

4）将图片分为前景部分和背景部分，分别采用不同的更新率进行更新；前景部分的更新率为α₁，背景部分的更新率为α₂，其中，α₁<α₂。

5）在检测周期t₁秒内分析N₁帧图像的前景目标，根据时间序列信息判断是否存在疑似静止目标，具体包括如下步骤：

51）将N₁张二值化后的前景目标图像相叠加，若某像素点的像素值大于K，说明该像素点满足至少K张图像中均含有前景目标的条件，则将该像素点判定为疑似静止目标像素点，其中,K为正整数，且K<N₁，并提取满足此条件的像素点存入图may_static中。在本实施例中，K值被置为0.8N₁；

52）将所得的疑似静止目标像素点组成的区域进行连通域分析，并求出各个连通域may_static_i的面积其中i=1,2,…,cn，cn为连通域的个数；

53）根据条件

删除所提取的前景目标中的小面积伪目标，其中s₁为面积阈值，未被删除的前景目标则为疑似静止目标，包含于疑似静止目标图static中。定义图static中各个连通域为static_i，质心坐标为P_static_i(x_i,y_i)，i=1,2,…,sn，其中sn为符合面积条件的前景目标个数。

6）若存在疑似静止目标，再结合火焰的动、静态特征确定疑似火焰区域，最后根据火焰判别准则对后续提取的L张图像的疑似火焰区域进行分析，判断是否存在火灾事件，若存在火灾事件，可进行报警。具体包括如下步骤：

61）先将图像转换到YCbCr色彩空间后提取出满足YCbCr火焰颜色模型的区域并对其进行连通域分析，其中YCbCr火焰颜色模型如下：

$\left\{\begin{array}{c}Y(x,y)>Y_{\mathrm{mean}}\\ \mathrm{Cb}(x,y)<{\mathrm{Cb}}_{\mathrm{mean}}\\ \mathrm{Cr}(x,y)>{\mathrm{Cr}}_{\mathrm{mean}}\\ Y(x,y)>\mathrm{Cb}(x,y)\\ \mathrm{Cr}(x,y)>\mathrm{Cb}(x,y)\\ |\mathrm{Cb}(x,y)-\mathrm{Cr}(x,y)|\&GreaterEqual;\mathrm{\&tau;}\end{array}\right.$

该火焰颜色模型可表征火焰的静态特性，其中，Y_mean、Cb_mean、Cr_mean分别是图像中Y、Cb、Cr三个分量的均值，即亮度、蓝色分量、红色分量的均值，τ为经验阈值。

将满足YCbCr火焰颜色模型的区域存入图fire_color_area中，并对图fire_color_area进行连通域分析，求出各个连通域fire_color_area_i的质心坐标P_fire_i(x_i,y_i)和面积

i=1,2,…,fn，fn为连通域的个数。

由于在隧道中车灯、路灯灯光等光照的颜色与火焰颜色相似，若仅使用火焰颜色模型进行判断，所提取的区域中还会存在很多干扰区域，因此还需要对这些区域做进一步判断。

62）将疑似静止目标图static与满足火焰颜色模型的图fire_color_area进行比较，根据连通域质心的位置从图fire_color_area中提取与图static中疑似静止目标对应的疑似火焰区域。判断条件如下：

|P_static_iP_fire_j|<d₀,i=1,2,...,sn,j=1,2,...,fn

其中，P_static_i(x_i,y_i)为疑似静止目标图static第i个连通域static_i的质心坐标，i=1,2,…,sn，P_fire_j(x_j,y_j)为图fire_color_area第j个连通域fire_color_area_j的质心坐标，j=1,2,…,fn，|P_static_iP_fire_j|为两质心的距离，d₀为质心距离阈值，本发明中取值为5。若满足两图中所对应的连通域static_i和fire_color_area_j的质心坐标在一定范围内，则可判断fire_color_area_j为疑似火焰区域，提取该区域，并将其存在疑似火焰图may_fire_area中。设图may_fire_area各连通域fire_area_i的质心坐标为P_i(x_i,y_i)，区域面积为

i=1,2,…,mfn，其中mfn为疑似火焰区域连通域的个数。

63）建立火焰判别模型实现高速公路隧道火灾事件检测，本实施例中的火焰判别模型如下：

$\left\{\begin{array}{c}{S}_2<S_{\mathrm{fire}\_{\mathrm{area}}_i}<S_3\\ \left|P_{\mathrm{ki}}{P}_{(k-1)i}\right|<d\\ C_1<C_{\mathrm{fire}\_{\mathrm{area}}_i}<C_2\end{array}\right.,i=\mathrm{1,2},...,\mathrm{mfn}$

其中，

为疑似火焰区域fire_area_i的面积，S₂、S₃为火焰面积阈值，其值因不同场景而不同。

|P_kiP_(k-1)i|表示火焰稳定性，主要指火焰质心的位置变化情况，可用来表示火焰的动态特征。对于疑似火焰区域fire_area_i的|P_kiP_(k-1)i|，求取采用以下公式：

$\left|P_{\mathrm{ki}}{P}_{(k-1)i}\right|=\sqrt{{(x_{\mathrm{ki}}-x_{(k-1)i})}^2+{(y_{\mathrm{ki}}-y_{(k-1)i})}^2},k=\mathrm{2,3},...,L$

其中，P_ki(x_ki,y_ki)为疑似火焰区域fire_area_i在第k张疑似火焰图中的质心，|P_kiP_(k-1)i|表示该疑似火焰区域在第k、k-1张疑似火焰图中质心的移动距离。火焰判断模型中的d表示质心移动距离阈值。

C表示火焰区域的不规则度信息，主要指火焰轮廓的圆度，可表征火焰的动态特征。在判断模型中，C₁、C₂为圆度阈值，其值为火焰形状的经验值。疑似火焰区域fire_area_i的圆度

的求取采用以下公式：

$C_{\mathrm{fire}\_{\mathrm{area}}_i}=\frac{{4\mathrm{\&pi;S}}_{\mathrm{fire}\_{\mathrm{area}}_i}}{p_{\mathrm{fire}\_{\mathrm{area}}_i}^2}$

其中，

为疑似火焰区域所占的面积，

为疑似火焰区域外轮廓的周长。圆度C在[0,1]区间内取值，轮廓形状越接近圆形则圆度值越靠近1，轮廓形状越不规则则圆度值越靠近0。

若存在L张图像中J张图像的疑似火焰区域均满足火焰判别模型，则表明检测到隧道火灾事件，其中J<L，在本发明中J=0.8L。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.基于视频检测技术的高速公路隧道火灾事件检测方法，其特征在于：包括如下步骤：

1）从高速公路隧道摄像头获取的视频中按预设帧率抽取图片；

2）利用步骤1）中抽取的图片，根据中值滤波法建立隧道背景模型；

3）根据隧道背景模型，利用背景差分法从图片中提取前景目标图像；

4）将图片分为前景部分和背景部分，分别采用不同的更新率进行更新；

5）在检测周期t₁秒内分析N₁帧图像的前景目标，根据时间序列信息判断是否存在疑似静止目标；

6）若存在疑似静止目标，再结合火焰的动、静态特征确定疑似火焰区域，最后根据火焰判别准则对后续提取的L张图像的疑似火焰区域进行分析，判断是否存在火灾事件。

2.如权利要求1所述的基于视频检测技术的高速公路隧道火灾事件检测方法，其特征在于：所述步骤1）中，还根据隧道特征确定图片中的感兴趣区域；步骤2-6）为对感兴趣区域进行的处理。

3.如权利要求1所述的基于视频检测技术的高速公路隧道火灾事件检测方法，其特征在于：所述步骤2）中，建立隧道背景模型所用的图片大于20张。

4.如权利要求1所述的基于视频检测技术的高速公路隧道火灾事件检测方法，其特征在于：所述步骤4）中，前景部分的更新率小于背景部分的更新率。

5.如权利要求1所述的基于视频检测技术的高速公路隧道火灾事件检测方法，其特征在于：所述步骤3）中，根据已建好的隧道背景模型利用背景差分法提取前景目标图像，并对前景目标图像进行目标去噪，具体包括如下步骤：

31）将提取的帧图像与背景图像进行背景差分，并将差分图转换为灰度图；

32）将得到的灰度图进行二值处理，当像素点的灰度值大于阈值τ₀时，将该像素点的像素值置为1，其灰度值小于阈值τ₀时，将该像素点的像素值置为0；

33）使用数学形态学滤波方法去噪，获得运动目标前景图像。

6.如权利要求5所述的基于视频检测技术的高速公路隧道火灾事件检测方法，其特征在于：所述步骤5）具体包括如下步骤：

51）将N₁张二值化后的前景目标图像相叠加，若某像素点的像素值大于K，说明该像素点满足至少K张图像中均含有前景目标的条件，则将该像素点判定为疑似静止目标像素点，其中,K为正整数，且K<N₁，并提取满足此条件的像素点存入图may_static中；

52）将所得的疑似静止目标像素点组成的区域进行连通域分析，并求出各个连通域may_static_i的面积

其中i=1,2,…,cn，cn为连通域的个数；

53）根据条件

删除所提取的前景目标中的小面积伪目标，其中s₁为面积阈值，未被删除的前景目标则为疑似静止目标，包含于疑似静止目标图static中，定义图static中各个连通域为static_i，质心坐标为P_static_i(x_i,y_i)，i=1,2,…,sn，其中sn为符合面积条件的前景目标个数。

7.如权利要求6所述的基于视频检测技术的高速公路隧道火灾事件检测方法，其特征在于：所述步骤6）具体包括如下步骤：

61）将图像转换到YCbCr色彩空间后提取出满足YCbCr火焰颜色模型的区域并对其进行连通域分析；

62）将疑似静止目标与满足火焰颜色模型区域进行比较，根据连通域的质心距离提取出疑似静止目标对应的疑似火焰区域；

63）根据火焰判别模型判断高速公路隧道火灾事件。

8.如权利要求7所述的基于视频检测技术的高速公路隧道火灾事件检测方法，其特征在于：所述步骤61）中，所述YCbCr火焰颜色模型如下：

$\left\{\begin{array}{c}Y(x,y)>Y_{\mathrm{mean}}\\ \mathrm{Cb}(x,y)<{\mathrm{Cb}}_{\mathrm{mean}}\\ \mathrm{Cr}(x,y)>{\mathrm{Cr}}_{\mathrm{mean}}\\ Y(x,y)>\mathrm{Cb}(x,y)\\ \mathrm{Cr}(x,y)>\mathrm{Cb}(x,y)\\ |\mathrm{Cb}(x,y)-\mathrm{Cr}(x,y)|\&GreaterEqual;\mathrm{\&tau;}\end{array}\right.;$

其中，Y_mean、Cb_mean、Cr_mean分别是图像中Y、Cb、Cr三个分量的均值，即亮度、蓝色分量、红色分量的均值，τ为经验阈值；

将满足YCbCr火焰颜色模型的区域存入图fire_color_area中，并对图fire_color_area进行连通域分析，求出各个连通域fire_color_area_i的质心坐标P_fire_i(x_i,y_i)和面积

i=1,2,…,fn，fn为连通域的个数。

9.如权利要求8所述的基于视频检测技术的高速公路隧道火灾事件检测方法，其特征在于：所述步骤62）具体包括如下步骤：

将疑似静止目标图static与满足火焰颜色模型的图fire_color_area进行比较，根据连通域质心的位置从图fire_color_area中提取与图static中疑似静止目标对应的疑似火焰区域；判断条件如下：

|P_static_iP_fire_j|<d₀,i=1,2,...,sn,j=1,2,...,fn

其中，P_static_i(x_i,y_i)为疑似静止目标图static第i个连通域static_i的质心坐标，i=1,2,…,sn，P_fire_j(x_j,y_j)为图fire_color_area第j个连通域fire_color_area_j的质心坐标，j=1,2,…,fn，|P_static_iP_fire_j|为两质心的距离，d₀为质心距离阈值，若满足两图中所对应的连通域static_i和fire_color_area_j的质心坐标在预设范围内，则可判断fire_color_area_j为疑似火焰区域，提取该区域，并将其存在疑似火焰图may_fire_area中；设图may_fire_area中各疑似火焰区域fire_area_i的质心坐标为P_i(x_i,y_i)，区域面积为

i=1,2,…,mfn，其中mfn为疑似火焰区域连通域的个数。

10.如权利要求9所述的基于视频检测技术的高速公路隧道火灾事件检测方法，其特征在于：所述步骤63）中，火焰判别模型如下：

$\left\{\begin{array}{c}{S}_2<S_{\mathrm{fire}\_{\mathrm{area}}_i}<S_3\\ \left|P_{\mathrm{ki}}{P}_{(k-1)i}\right|<d\\ C_1<C_{\mathrm{fire}\_{\mathrm{area}}_i}<C_2\end{array}\right.,i=\mathrm{1,2},...,\mathrm{mfn}$

其中，

为疑似火焰区域fire_area_i的面积，S₂、S₃为火焰面积阈值；|P_kiP_(k-1)i|表示火焰稳定性；对于疑似火焰区域fire_area_i的|P_kiP_(k-1)i|，求取采用以下公式：

$\left|P_{\mathrm{ki}}{P}_{(k-1)i}\right|=\sqrt{{(x_{\mathrm{ki}}-x_{(k-1)i})}^2+{(y_{\mathrm{ki}}-y_{(k-1)i})}^2},k=\mathrm{2,3},...,L$

其中，P_ki(x_ki,y_ki)为疑似火焰区域fire_area_i在第k张疑似火焰图中的质心，|P_kiP_(k-1)i|表示该疑似火焰区域在第k、k-1张疑似火焰图中质心的移动距离；火焰判断模型中的d表示质心移动距离阈值；

C表示火焰区域的不规则度信息，C₁、C₂为圆度阈值；疑似火焰区域fire_area_i的圆度

的求取采用以下公式：

${\text{C}}_{\mathrm{fire}\_{\mathrm{area}}_i}=\frac{4\mathrm{\&pi;}{S}_{\mathrm{fire}\_{\mathrm{area}}_i}}{p_{\mathrm{fire}\_{\mathrm{area}}_i}^2}$

其中，为疑似火焰区域所占的面积，

为疑似火焰区域外轮廓的周长；C在[0,1]区间内取值；

若存在L张图像中J张图像的疑似火焰区域均满足火焰判别模型，则表明检测到隧道火灾事件，其中J<L。

Images