CN103630948B - 智能信息融合图像型火灾探测器及探测信息融合方法 - Google Patents

Abstract

本发明公开了一种智能信息融合图像型火灾探测器，其包括外护罩、光学镜头及成像组件、视频图像及信息融合组件；所述光学镜头及成像组件与所述视频图像及信息融合组件相连，并且均设置于所述外护罩内；所述光学镜头及成像组件将其摄入的图像信息传送至所述视频图像及信息融合组件，进行信息融合计算，输出探测结果。本发明同时还公开了一种图像型火灾探测器的探测信息融合方法；本发明的智能信息融合图像型火灾探测器，具有较高的灵敏度，可实现火灾的早期探测；具有良好的探测准确性，误报率极低，探测器能稳定可靠运行；并且对环境的适应性好，对不同的应用环境具有自适应能力。

Description

智能信息融合图像型火灾探测器及探测信息融合方法

技术领域

本发明涉及一种图像型火灾探测器，尤其是涉及一种与智能信息融合的图像型火灾探测器及其探测信息融合方法。

背景技术

传统的感烟感温火灾探测技术存在一些难以解决的缺陷：探测器必须安装在起火点附近，否则将无法有效的探测到灾害的发生；而且传统火灾探测技术属于接触式的被动方式，这种探测系统如果在高大空间(飞机库、场馆、大仓库等)、室外、隧道等，很难或无法进行有效探测，因此这些场所的火灾探测始终是研究人员和消防人员的难题。

图像火灾探测技术与图像型火灾探测器，可以有效的综合烟雾、火焰的图像特征，提供直观的火灾信息，因而适用于高大空间场所；还可以在室外环境中使用，使火灾探测更大程度上满足人们对火灾安全的需求；目前，国内图像型火灾探测器的研究发展方向主要是在视频图像分析技术和多频谱火灾成像技术，而现有的图像型火灾探测器，普遍存在误报率高、系统适应性差的问题。

(1)视频图像分析技术在图像火灾探测应用中的不足：

现有技术中，图像型火灾探测器主要利用火灾烟雾及火焰的可见光或近红外图像特征通过算法进行火灾判断。在工程应用实际情况中，目前以视频图像分析技术为主要手段的图像火灾探测器在阳光及人工光源干扰等因素下容易产生误报；保护区域环境复杂，光干扰、强电磁干扰且多尘，很多探测器在投入运行后很短的时间内就出现失效现象，无法实现保护区域的可靠探测。

(2)基于多频谱图像火灾成像技术的不足

目前大量使用的可见光或近红外图像型火灾探测器，其存在的缺点是：探测器的误报现象时有发生；给消防安全管理带来隐患。

多频谱图像火灾成像技术虽然实现了可见光、近红外以及远红外图像的火灾成像和分析，但各个波段之间的火灾图像本质关系研究不多。从目前众多应用来看，可见光图像和近红外图像易受光干扰；远红外图像实质是观测区域表面温度分布图像，也易受到高温物体的成像干扰。因此多频谱图像火灾探测也存在着误报、准确率不高的问题。

发明内容

鉴于此，本发明提供一种以智能信息融合方法为基础的图像型火灾探测器，以最快、最佳的方式进行告警和协助消防人员处理火灾危机，并最大限度的降低误报和漏报现象；同时还可查看现场实时图像，根据直观的画面直接指挥调度救火。

本发明通过以下技术方案实现上述目的：

一种智能信息融合图像型火灾探测器，其包括外护罩、光学镜头及成像组件、视频图像及信息融合组件；

所述光学镜头及成像组件与所述视频图像及信息融合组件相连，并且均设置于所述外护罩内；

所述光学镜头及成像组件将其摄入的图像信息传送至所述视频图像及信息融合组件，进行信息融合计算，输出探测结果。

较佳地，还包括电源接口处理组件；所述外护罩内设置有中底板；

所述电源接口处理组件、光学镜头及成像组件和所述视频图像处理以及信息融合组件均固定于所述中底板上。

较佳地，还包括电源线和用于传输信号的视频线和网线；

所述外护罩为桶状，其尾端设置有电缆入口；所述电源线和所述电缆均通过所述外护罩尾部的所述电缆入口通入所述外护罩内。

较佳地，还包括用于保护所述光学镜头及成像组件的钢化玻璃，所述钢化玻璃固定连接在所述外护罩上，位于所述光学镜头及成像组件的前方。

较佳地，还包括热交换装置，所述热交换装置安装于所述外护罩的内侧面。

较佳地，还包括遮阳板，所述遮阳板遮挡于所述外护罩的上方。

一种图像型火灾探测器的探测信息融合方法，用于对火灾图像信息进行信息融合计算，输出探测结果；其包括以下步骤：

步骤A、对探测目标的各视频源的火情图像信息进行预处理：分析所述图像信息的静态特征和动态特征，将所述特征量化后，得到视频源k的图像特征向量：

u(k)＝(v₁(k),v₂(k),v₃(k))；

其中，v_i(k),i＝1,2,3是所述各视频源图像特征向量；

步骤B、使用模糊综合评判方法确定所述图像特征向量基本概率的分配函数；

步骤C、根据d-s证据理论对视频源的所述图像特征向量进行信息融合。

较佳地，所述步骤B具体包括以下步骤：

B1、针对视频源图像特征向量u(k)，设定火灾探测目标的样本特征向量为y(k)，两者的距离为：d(u(k),y(k))＝∑|u(k)-y(k)|；

两者的最大相关性为：a(k)＝max{C(k)}＝1/min{d(u(k),y(k))}；

其中，C(k)＝1/d(u(k),y(k))；

B2、确定探测目标的相关系数的分布系数为：

其中，N为待测目标类型数；

确定所述视频源图像特征向量u(k)的可靠系数为：

$R\left(k\right)=a\left(k\right)/\mathrm{\β}\left(k\right)/\underset{k}{\Σ}\mathrm{\α}\left(k\right)\mathrm{\β}\left(k\right);$

B3、确定所述视频源图像特征向量与火灾探测目标的基本概率分配函数为：

其中，Ns为所述视频

图像信号源的类型数；w(k)为加权系数，且0<w(k)<l。

较佳地，所述步骤B3具体包括以下步骤：

步骤B31、确定备择集；对样本试验数据进行统计检验，设n个概率模型通过检验，用M_j表示具体模型。确定评判对象为M_j，组成备择集V＝(M₁,M₂,...,M_n)；

步骤B32、确定影响评判的因素集合；考虑三种影响因素：定义q¹代表分布模型的与真实情况相符程度，q₂代表类似情况下使用该分布的选取经验，q₃代表分布模型的使用方便程度。q＝{q₁,q₂.q₃}。影响因素分为不同的等级，建立因素等级集q_ij＝{q_i1,q_i2,...,q_in}，q_ij表示第i个因素的第j个等级；

步骤B33、确定评判矩阵；设定按第i个因素的第j个等级qⁱ _j评判；所述备择集中的第k个元素的隶属度为r_ijk，评判矩阵为

${\tilde{R}}_i=\left[\begin{array}{cccc}{r}_{i11}& r_{i12}& \mathrm{...}& r_{i1n}\\ r_{i21}& r_{i22}& \mathrm{...}& r_{i2n}\\ r_{i31}& r_{i32}& \mathrm{...}& r_{i3n}\end{array}\right];$

步骤B34、确定等级权重集；等级权重集的确定公式为：

第i个因素的等级权重集为

步骤B35、进行模糊综合评判；模糊评判矩阵横列式为：

其中则评判矩阵为：

其中，

W_ij＝(W_i1,W_i2,W_i3)，

根据所述基本概率分配函数确定概率为P(M_k)＝b_k。

较佳地，所述步骤A中的所述各视频源的视频图像信号的类型包括：可见光、近红外和远红外视频图像源；

所述图像信息的静态特征和动态特征包括颜色、形状、轮廓、对比、频率以及扩散效应。

本发明的有益效果：

本发明的智能信息融合图像型火灾探测器，具有较高的灵敏度，可实现火灾的早期探测；具有良好的探测准确性，误报率极低，探测器能稳定可靠运行；并且对环境的适应性好，对不同的应用环境具有自适应能力。

附图说明

为使本发明的智能信息融合图像型火灾探测器及探测信息融合方法的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明做进一步详细说明，但是，应当说明的是，以下所描述的具体实施例仅用于说明本发明，但不用来限定本发明的范围。

图1为本发明的智能信息融合图像型火灾探测器的结构示意图；

图2为本发明的图像型火灾探测器的探测信息融合方法的流程简图。

具体实施方式

如图1所示，本实施例中的智能信息融合图像型火灾探测器，包括外护罩100、光学镜头及成像组件300、视频图像及信息融合组件400；

所述光学镜头及成像组件300与所述视频图像及信息融合组件相连400，并且均设置于所述外护罩100内；

所述光学镜头及成像组件300将其摄入的图像信息传送至所述视频图像及信息融合组件400，进行信息融合计算，输出探测结果。

优选地，本实施例中的所述图像型火灾探测器，还包括电源接口处理组件500；所述外护罩100内设置有中底板103；

所述电源接口处理组件500、光学镜头及成像组件300和所述视频图像处理以及信息融合组件400均固定于所述中底板103上。

优选地，本实施例中的所述图像型火灾探测器，还包括电源线501和用于传输信号的视频线401和网线402；

所述外护罩100为桶状，其尾端设置有电缆入口102；所述电源线501和所述电缆均通过所述外护罩尾部的所述电缆入口102通入所述外护罩100内。

优选地，本实施例中的所述图像型火灾探测器，还包括用于保护所述光学镜头及成像组件300的钢化玻璃301，所述钢化玻璃301固定连接在所述外护罩100上，位于所述光学镜头及成像组件300的前方。

优选地，本实施例中的所述图像型火灾探测器还包括热交换装置104，所述热交换装置104安装于所述外护罩100的内侧面。

优选地，本实施例中的所述图像型火灾探测器还包括遮阳板200，所述遮阳板200遮挡于所述外护罩100的上方。

本实施例中的图像型火灾探测器的探测信息融合方法，用于对火灾图像信息进行信息融合计算，输出探测结果；其包括以下步骤：

步骤A、对探测目标的各视频源的火情图像信息进行预处理：分析所述图像信息的静态特征和动态特征，将所述特征量化后，得到视频源k的图像特征向量：

u(k)＝(v₁(k),v₂(k),v₃(k))；

其中，v_i(k),i＝1,2,3是所述各视频源k的图像特征向量；

步骤B、使用模糊综合评判方法确定所述图像特征向量基本概率的分配函数；

步骤C、根据d-s证据理论对视频源的所述图像特征向量进行信息融合。

基本概率赋值函数的获取在d-s证据理论中是非常重要的一个环节，它直接影响融合结果的准确性和可靠性，一般来说，基本概率赋值的获取与应用领域密切相关，因而大多基本概率赋值的获取是依靠专家进行指定，或根据某种经验获取基本概率赋值，然而在某些情况下，这种仅仅依靠专家经验的基本概率赋值确定方法带有较大的主观性。因此，本发明针对图像型火灾探测器多种信息源获取的情况，引入模糊综合评判方法实现对基本概率分配函数的构造；其基本思想是以参数作为随机变量，最大化参数的后验分布。大多情况下将变量先验分布考虑为高斯分布。然而实际情况下是不确定性变量，有时基于大量的统计数据也难以唯一确定概率密度函数。因此本发明利用模糊数学的原理，解决先验分布不确定情况下基本概率分配函数构造的问题。

如图2所示，为本实施例中的所述图像型火灾探测器的探测信息融合方法的流程简图；

进一步地，所述步骤B具体包括以下步骤：

B1、针对视频源图像特征向量u(k)，设定火灾探测目标的样本特征向量为y(k)，两者的距离为：d(u(k),y(k))＝∑|u(k)-y(k)|；

两者的最大相关性为：a(k)＝max{C(k)}＝1/min{d(u(k),y(k))}；

其中，C(k)＝1/d(u(k),y(k))；

B2、确定探测目标的相关系数的分布系数为：

其中，N为待测目标类型数；

确定所述视频源图像特征向量u(k)的可靠系数为：

$R\left(k\right)=a\left(k\right)/\mathrm{\&beta;}\left(k\right)/\underset{k}{\&Sigma;}\mathrm{\&alpha;}\left(k\right)\mathrm{\&beta;}\left(k\right);$

B3、确定所述视频源图像特征向量与火灾探测目标的基本概率分配函数为：

其中，Ns为所述视频

图像信号源的类型数；w(k)为加权系数，且0<w(k)<l。

进一步地，在所述步骤B3中，采用模糊综合评判方法，确定所述基本概率分配函数中的加权系数w(k)；

所述步骤B3具体包括以下步骤：

步骤B31、确定备择集；对样本试验数据进行统计检验，设n个概率模型通过检验，用M_j表示具体模型。确定评判对象为M_j，组成备择集V＝(M₁,M₂,...,M_n)。

步骤B32、确定影响评判的因素集合；考虑三种影响因素：定义q₁代表分布模型的与真实情况相符程度，q₂代表类似情况下使用该分布的选取经验，q₃代表分布模型的使用方便程度。q＝{q₁,q₂.q₃}。影响因素分为不同的等级，建立因素等级集q_ij＝{q_i1,q_i2,...,q_in}，q_ij表示第i个因素的第j个等级。

步骤B33、确定评判矩阵；设定按第i个因素的第j个等级q_ij评判；所述备择集中的第k个元素的隶属度为r_ijk，评判矩阵为

${\tilde{R}}_i=\left[\begin{array}{cccc}{r}_{i11}& r_{i12}& \mathrm{...}& r_{i1n}\\ r_{i21}& r_{i22}& \mathrm{...}& r_{i2n}\\ r_{i31}& r_{i32}& \mathrm{...}& r_{i3n}\end{array}\right];$

步骤B34、确定等级权重集；等级权重集的确定公式为：

第i个因素的等级权重集为

步骤B35、进行模糊综合评判；模糊评判矩阵横列式为：

其中则评判矩阵为：

其中，

W_ij＝(W_i1,W_i2,W_i3)，

根据所述基本概率分配函数确定概率为P(M_k)＝b_k。

举一例说明：针对某一特定探测区域，对视频源图像特征向量u(k)进行统计检验，根据使用经验确定n＝2个模型进行评判，备择集为：{M₁：高斯(正态)分布；M₂：均匀分布}，确定模糊因素的等级及其隶属度如下表：

表1模糊因素的等级及其隶属度

根据备择集两种分布特性，选择等级评判矩阵分别为

${\tilde{R}}_1=\left[\begin{array}{cc}0.6& 0.3\\ 0.4& 0.5\\ 0.7& 0.2\end{array}\right],{\tilde{R}}_2=\left[\begin{array}{cc}0.7& 0.3\\ 0.4& 0.9\\ 0.1& 0.6\end{array}\right],{\tilde{R}}_3=\left[\begin{array}{cc}0.8& 0.2\\ 0.4& 0.5\\ 0.3& 0.8\end{array}\right]$

确定等级权重计算出因素权重得可见P(M₁)＝0.57＞P(M₂)＝0.44，故w(k)的先验分布为高斯分布。

优选地，所述步骤A中的所述各视频源的视频图像信号的类型包括：可见光、近红外和远红外视频图像源；

所述图像信息的静态特征和动态特征包括颜色、形状、轮廓、对比、频率以及扩散效应。

最后应当说明的是，很显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型。

Claims (6)

1.一种智能信息融合图像型火灾探测器，其特征在于：包括外护罩、光学镜头及成像组件、视频图像及信息融合组件；

所述光学镜头及成像组件与所述视频图像及信息融合组件相连，并且均设置于所述外护罩内；

所述光学镜头及成像组件将其摄入的火灾图像信息传送至所述视频图像及信息融合组件，进行信息融合计算，输出探测结果；

还包括电源接口处理组件；所述外护罩内设置有中底板；

所述电源接口处理组件、光学镜头及成像组件和所述视频图像处理以及信息融合组件均固定于所述中底板上；

还包括电源线和用于传输信号的视频线和网线；

所述外护罩为桶状，其尾端设置有电缆入口；所述电源线和所述电缆均通过所述外护罩尾部的所述电缆入口通入所述外护罩内。

2.根据权利要求1所述的图像型火灾探测器，其特征在于：

还包括用于保护所述光学镜头及成像组件的钢化玻璃，所述钢化玻璃固定连接在所述外护罩上，位于所述光学镜头及成像组件的前方。

3.根据权利要求1所述的图像型火灾探测器，其特征在于：

还包括热交换装置，所述热交换装置安装于所述外护罩的内侧面。

4.根据权利要求1所述的图像型火灾探测器，其特征在于：

还包括遮阳板，所述遮阳板遮挡于所述外护罩的上方。

5.一种图像型火灾探测器的探测信息融合方法，其特征在于：

用于对火灾图像信息进行信息融合计算，输出探测结果；其包括以下步骤：

步骤A、对探测目标的各视频源的火灾图像信息进行预处理：分析所述图像信息的静态特征和动态特征，将所述特征量化后，得到视频源k的图像特征向量：

u(k)＝(v₁(k),v₂(k),v₃(k))；

其中，v_i(k),i＝1,2,3是所述各视频源k的图像特征向量；

步骤B、使用模糊综合评判方法确定所述图像特征向量基本概率的分配函数；

步骤C、根据d-s证据理论对视频源的所述图像特征向量进行信息融合；

所述步骤B具体包括以下步骤：

B1、针对视频源图像特征向量u(k)，设定火灾探测目标的样本特征向量为y(k)，两者的距离为：d(u(k),y(k))＝∑|u(k)-y(k)|；

两者的最大相关性为：a(k)＝max{C(k)}＝1/min{d(u(k),y(k))}；

其中，C(k)＝1/d(u(k),y(k))；

B2、确定探测目标的相关系数的分布系数为：

其中，N为待测目标类型数；

确定所述视频源图像特征向量u(k)的可靠系数为：

B3、确定所述视频源图像特征向量与火灾探测目标的基本概率分配函数为：

其中，Ns为所述视频图像信号源的类型数；w(k)为加权系数，且0<w(k)<l；

所述步骤B3具体包括以下步骤：

步骤B31、确定备择集；对样本数据进行统计检验，设n个概率模型通过检验，用M_j表示具体模型；确定评判对象为M_j，组成备择集V＝(M₁,M₂,...,M_n)；

步骤B32、确定影响评判的因素集合；考虑三种影响因素：定义q₁代表分布模型的与真实情况相符程度，q₂代表类似情况下使用该分布的选取经验，q₃代表分布模型的使用方便程度；q＝{q₁,q₂.q₃}；影响因素分为不同的等级，建立因素等级集q_ij＝{q_i1,q_i2,...,q_in}，q_ij表示第i个因素的第j个等级；

步骤B33、确定评判矩阵；设定按第i个因素的第j个等级q_ij评判；所述备择集中的第k个元素的隶属度为r_ijk，评判矩阵为

步骤B34、确定等级权重集；等级权重集的确定公式为：

第i个因素的等级权重集为

步骤B35、进行模糊综合评判；模糊评判矩阵横列式为：

其中则评判矩阵为：

其中，

W_ij＝(W_i1,W_i2,W_i3)，

根据所述基本概率分配函数确定概率为P(M_k)＝b_k。

6.根据权利要求5所述的探测信息融合方法,其特征在于：

所述步骤A中的所述各视频源的视频图像信号的类型包括：可见光、近红外和远红外视频图像源；

所述图像信息的静态特征和动态特征包括颜色、形状、轮廓、对比、频率以及扩散效应。