CN103593938B - 一种基于视频图像纵向特征的火灾检测方法 - Google Patents

Abstract

本发明公开一种基于视频图像纵向特征的火灾检测方法，其基于摄像头，通过分析火灾现场图像的纵向特征，结合实时变化的环境特征进行火灾识别，实现高效、高可靠性的实时火灾检测。相较于传统基于各类传感器的检测方法，本发明利用视频图像对火灾进行检测，能实现大范围，低成本的火灾监控，尤其适合对森林等大尺度室外环境的火灾监控；同时相较于传统基于像素和绝对颜色的视频识别方法，本发明通过分析视频图像纵向特征变化，实现更加快速的检测，并且能有效抵抗实时变化的环境对检测的影响，降低错误报警率，提高火灾检测的可靠性。

Description

一种基于视频图像纵向特征的火灾检测方法

技术领域

本发明涉及火灾检测技术领域，尤其涉及一种基于视频图像纵向特征的火灾检测方法。

背景技术

火灾，作为一种人为灾害，是指火源失去控制蔓延发展而给人民生命财产造成损失的一种灾害性燃烧现象。在各种灾害中，火灾是最经常、最普遍地威胁公众安全和社会发展的主要灾害之一。火灾还是一种终极型灾害，任何其他灾害最后都可能导致火灾。火灾能烧掉人类经过辛勤劳动创造的物质财富，使工厂、仓库、城镇、乡村和大量的生产、生活资料化为灰烬，一定程度上影响着社会经济的发展和人们的正常生活。火灾还污染了大气，破坏了生态环境。火灾不仅使一些人陷于困境，它还涂炭生灵，夺去许多人的生命和健康，造成难以消除的身心痛苦。据世界火灾统计中心及欧洲共同体研究测算，如火灾直接损失占国民经济生产总值的2‰，整个火灾的损失将占国民经济生产总值的10‰以上。现代社会空前发展，积累了巨大的社会财富。特别是在城市地区，社会人口相对集中，建筑设施鳞次栉比，一旦发生火灾，会严重危害人们的生命财产安全，造成惨重的损失。因此，我国政府高度重视消防安全工作。在我国，火灾危害之烈，损失之巨，不亚于地震和洪水的危害。近年来，我国城市火灾频频，深圳、广州、上海、长沙、石河子、吉林、浙江等地发生的特大火灾所造成的危害及后果，给人们留下了极其深刻的印象，火灾给国家和人民的生命财产造成了巨大的损失。

目前，国内对各种场合的火灾监控还没有十分有效的方法，基本上还是采用传统的烟雾颗粒感应或者红外线、激光技术。传统烟雾颗粒感应系统需要烟雾颗粒进入传感器才能引起报警，红外及激光技术也需要烟雾遮挡才能引发报警。这些技术的前提要求是场合为相对封闭的空间，然而室外场合像森林、炼油厂、仓库等因为设备设施分散，空气流动大，传统烟火设备根本起不到作用，现在往往采用人员值守看管，造成管理成本上升和不必要的人员工作负担。目前也存在一些利用图像分析技术进行火灾识别的系统，这些系统普遍采用对图像像素进行颜色特征分析，从而对火灾中的烟雾和火焰进行识别，但是由于背景等环境因素，尤其是实时变化的天气、光照等因素的影响，使得这些方法很难适应各类场景，并且检测结果很容易受到环境干扰，例如无法有效区分乌云和烟雾，晚霞和火焰等。

发明内容

本发明的目的在于通过一种基于视频图像纵向特征的火灾检测方法，来解决以上背景技术部分提到的问题。

为达此目的，本发明采用以下技术方案：

一种基于视频图像纵向特征的火灾检测方法，其包括如下步骤：

A、提取火灾纵向特征：输入非火灾现场画面和火灾现场画面，获得基于支撑向量的火情检测分类器；

B、分时段背景环境学习：记录正常情况下不同时段的背景图像，并保存；

C、粗粒度检测：将摄像头采集的实时视频图像与当前时段的历史背景图像进行比较，若无差异，则当前帧图像检测结束，若差异大于预设阈值，则执行细粒度检测；

D、细粒度检测：提取当前视频图像的纵向特征，并将其输入所述火情检测分类器检测，得到是否匹配的结果；

E、根据步骤D的检测结果，判断是否存在火灾。

特别地，所述步骤A具体包括：输入非火灾现场画面和火灾现场画面，对每一个场景的每一组火灾画面Pi’和非火灾画面Pi中计算出其相同的部分Ci；从Pi’中减去Ci得到火情的图像Fi；将Fi进行纵向分割，得到一系列竖条状图像；提取所述竖条状图像的纵向颜色特征向量；将所述纵向颜色特征向量输入支撑向量机进行学习，获得基于支撑向量的火情检测分类器。

特别地，所述D具体包括：将当前视频图像减去该时段历史图像的公共部分，得到差异图像；将所述差异图像进行纵向分割得到一系列竖条状图像；提取每一竖条图像的颜色特征向量，将其输入所述火情检测分类器进行检测，得到是否匹配的结果，并返回匹配竖条图像的位置。

特别地，所述步骤E具体包括：根据步骤D的检测结果，若与火灾特征匹配的竖条图像连续出现，则在所述视频图像上标注出火灾检测结果，否则判断为无火情。

本发明提供的基于视频图像纵向特征的火灾检测方法基于摄像头，通过分析火灾现场图像的纵向特征，结合实时变化的环境特征进行火灾识别，实现高效、高可靠性的实时火灾检测。相较于传统基于各类传感器的检测方法，本发明利用视频图像对火灾进行检测，能实现大范围，低成本的火灾监控，尤其适合对森林等大尺度室外环境的火灾监控；同时相较于传统基于像素和绝对颜色的视频识别方法，本发明通过分析视频图像纵向特征变化，实现更加快速的检测，并且能有效抵抗实时变化的环境对检测的影响，降低错误报警率，提高火灾检测的可靠性。

附图说明

图1为本发明实施例提供的基于视频图像纵向特征的火灾检测方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

请参照图1所示，图1为本发明实施例提供的基于视频图像纵向特征的火灾检测方法流程图。

本实施例中基于视频图像纵向特征的火灾检测方法具体包括如下步骤：

步骤S101、提取火灾纵向特征：输入大量非火灾现场画面和火灾现场画面，获得基于支撑向量的火情检测分类器。

通过大量观察发现，火灾存在着较典型的纵向特征，如火焰在下，烟雾在上。输入非火灾现场画面和火灾现场画面，对每一个场景的每一组火灾画面Pi’和非火灾画面Pi中计算出其相同的部分Ci；从Pi’中减去Ci得到火情的图像Fi；将Fi进行纵向分割，得到一系列竖条状图像；提取所述竖条状图像的纵向颜色特征向量；将所述纵向颜色特征向量输入支撑向量机进行学习，获得基于支撑向量的火情检测分类器。

步骤S102、分时段背景环境学习：记录正常情况下不同时段的背景图像，并进行保存。

步骤S103、粗粒度检测：将摄像头采集的实时视频图像与当前时段的历史背景图像进行比较，若无差异，则当前帧图像检测结束，若差异大于预设阈值，则执行细粒度检测。

步骤S104、细粒度检测：提取当前视频图像的纵向特征，并将其输入所述火情检测分类器检测，得到是否匹配的结果。

将当前视频图像减去该时段历史图像的公共部分，得到差异图像；将所述差异图像进行纵向分割得到一系列竖条状图像；提取每一竖条图像的颜色特征向量，将其输入所述火情检测分类器进行检测，得到是否匹配的结果，并返回匹配竖条图像的位置。

步骤S105、根据步骤S104的检测结果，判断是否存在火灾。

综合火情分析，整合步骤S104的检测结果，若与火灾特征匹配的竖条图像连续出现，则在所述视频图像上标注出火灾检测结果，否则判断为无火情。

本发明的技术方案利用普通视频监控设备，结合火灾的纵向特征，实现大尺度、高可靠性的火灾监控。相较于传统基于各类传感器的检测方法，本发明利用视频图像对火灾进行检测，能实现大范围，低成本的火灾监控，尤其适合对森林等大尺度室外环境的火灾监控；同时相较于传统基于像素和绝对颜色的视频识别方法，本发明通过分析视频图像纵向特征变化，实现更加快速的检测，并且能有效抵抗实时变化的环境对检测的影响，降低错误报警率，提高火灾检测的可靠性。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (3)

1.一种基于视频图像纵向特征的火灾检测方法，其特征在于，具体包括如下步骤：

A、输入非火灾现场画面和火灾现场画面，对每一个场景的每一组火灾画面Pi’和非火灾画面Pi中计算出其相同的部分Ci；从Pi’中减去Ci得到火情的图像Fi；将Fi进行纵向分割，得到一系列竖条状图像；提取所述竖条状图像的纵向颜色特征向量；将所述纵向颜色特征向量输入支撑向量机进行学习，获得基于支撑向量的火情检测分类器；

B、分时段背景环境学习：记录正常情况下不同时段的背景图像，并保存；

C、粗粒度检测：将摄像头采集的实时视频图像与当前时段的历史背景图像进行比较，若无差异，则当前帧图像检测结束，若差异大于预设阈值，则执行细粒度检测；

D、细粒度检测：提取当前视频图像的纵向特征，并将其输入所述火情检测分类器检测，得到是否匹配的结果；

E、根据步骤D的检测结果，判断是否存在火灾。

2.根据权利要求1所述的基于视频图像纵向特征的火灾检测方法，其特征在于，所述D具体包括：

将当前视频图像减去该时段历史图像的公共部分，得到差异图像；将所述差异图像进行纵向分割得到一系列竖条状图像；提取每一竖条图像的颜色特征向量，将其输入所述火情检测分类器进行检测，得到是否匹配的结果，并返回匹配竖条图像的位置。

3.根据权利要求1或2任一项所述的基于视频图像纵向特征的火灾检测方法，其特征在于，所述步骤E具体包括：

根据步骤D的检测结果，若与火灾特征匹配的竖条图像连续出现，则在所述视频图像上标注出火灾检测结果，否则判断为无火情。