CN104766094A - 一种视频监控火焰的识别方法 - Google Patents

Abstract

本发明公开了一种视频监控火焰的识别方法，包括以下步骤：1)采集监控画面中无火焰发生时的基本分析图像；2)利用边缘检测算子分割出基本分析图像的高亮轮廓范围；3)统计高亮轮廓范围内R、G值的在特定区间上的数量，并依此得到判别特征；4)载入视频监控并截取图像，重新检测图像中高亮区域，得到待识别图像的识别特征；5)将判别特征与识别特征进行比较，判别是否发生火焰及火情级别。本算法可以提高在复杂环境下火焰识别的效率与计算效率。

Description

一种视频监控火焰的识别方法

技术领域

本发明涉及图像识别技术领域，具体涉及一种视频监控火焰的识别方法。

背景技术

火灾是日常生活中容易发生且常常带来巨大损失的一种意外事故，现有的火灾报警系统大部分均依靠于烟雾报警或红外线报警等技术。而这些报警技术的主要缺点在于触发报警的因素往往是在火灾已经发生到一定程度时才会得到表现，及时性较为欠缺。因而依靠视频监控的火灾识别报警，依托其相应灵敏且及时，易于推广等因素成为一种新的趋势。

已有的视频火灾监控机制大都依靠分析灰度、借鉴人脸识别技术等方式进行分析，分析并不很准确，对火焰的识别也不敏感，设计一种新的识别报警方法，成为了本领域研究的主要方向。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种视频监控火焰的识别方法，通过在未发生火灾的情况下提取R值和G值的数量作为判别特征，当监控的待测图像中R值和G值的数量明显异常，通过异常情况判定火情，解决了现有技术的问题。

技术方案：为实现上述目的，本发明采用的技术方案为：一种视频监控火焰的识别方法，其特征在于，该方法包括以下步骤：

步骤1)采集基本分析样本：

采集被监控画面无火焰发生的状态下的视频监控图像，分别在充足光线状态、弱光线状态和昏暗光线状态三种光照环境下的监控图像，每一种光照环境下提取8-10张视屏截图图像作为基本分析样本，取分析样本的均值；

步骤2)利用边缘检测算子分割出步骤1)中基本分析样本图像的高亮区域边缘轮廓：

步骤3)统计步骤2)中基本分析样本图像的高亮区域边缘轮廓范围内R值和G值在预设的数值区间内的数量，得到判别特征；

步骤4)载入待测视屏监控画面并截取图像，获得待测识别图像，检测该待测识别图像中的高亮区域，判断是否出现与基本分析样本图像的高亮区域不同的新高亮区域，如判断出现新的高亮区域，计算得到待测识别图像的识别特征；如判断未出现新的高亮区域，则继续监控；

步骤5)将识别特征与所述判别特征比较，判断是否发生火情，若识别特征超过判别特征，可以判断发生火情，此时通过计算识别特征的增长速度来判断火情级别。

本发明通过分析最容易引起误报的高亮区域，通过分析其上特定区域的R，G值的像素点数量，可以用非常简单的计算量获得一个能够实现稳定识别火焰的判别特征。而当样本中非已勾选区域出现高亮时，对这些区域内统计得到的以及G_a进行加权，更有针对性得提高火情判别的灵敏度。此方法应用到重点区域的火情视频监控，可以提高火焰识别效率、保障监控安全。

进一步的，基本分析样本图像上任一像素点P的位置可定义为：

P＝(x_i,y_j)(i＝1,2,3...M；j＝1,2,3...N)

式中，x_i表示横坐标点，y_j表示纵坐标点，M表示图像的横向像素点数，N表示图像的纵向像素点数。

进一步的，边缘检测算子为Canny算子；利用Canny算子对图像中高亮轮廓进行识别，得到所需要的敏感识别区域f，该区域描述为：

f_ab＝m_ab×n_ab

(a＝1,2,3；b∈[1,10]；m_ab∈(0,M]；n_ab∈(0,N])

式中，a表示充足光线状态、弱光线状态和昏暗光线状态三种监控环境，b表示每种监控环境下取的样本数目。

进一步的，步骤3)中，定义坐标点P上的R值为z_r(x_i,y_j)、G值z_g(x_i,y_j)；在区域f_ab中，对z_r(x_i,y_j)∈[248,255]和z_r(x_i,y_j)∈[42,50]这两个区域上的像素点数目进行统计，分别记为第一区域R值和第二区域R值在所述区域f_ab中，对z_g(x_i,y_j)∈[75,83]上的像素点数目进行统计，得到第三区域G值G_ab；

计算获得所述基本分析样本的每一张图像的第一区域R值第二区域R值和第三区域G值G_ab；

分别计算基本分析样本中所有图像的第一区域R值的平均值第二区域R值的平均值和第三区域G值的平均值通过上述三个平均值计算相应判别特征。

进一步的，步骤4)中包括计算所述识别特征的增长速度。

有益效果：

1)对未发生火灾是的视频图像进行事先分析，并针对不同的光线环境提取基本分析样本，提高了判定结果的准确性；

2)克服了现有技术中最容易引起错误报警的高亮区域，通过分析高亮区域上特定区域的R值和G值像素点数量，获取能够稳定识别火焰状态的判别特征；

3)通过对不同区域的R值和G值分别分析，能够更有针对性的提高火情判别的灵敏度；

4)本方法适用于多种环境的火情监控，很大程度上提高了火焰识别的效率，保障了监控安全。

附图说明

图1为本发明基于分析R、G值的火焰识别算法流程图

图2为发生火情时的软件识别界面

图3火情扩大时的软件识别界面

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示一种视频监控火焰的识别方法，其特征在于，该方法包括以下步骤：

步骤1)采集基本分析样本：

采集被监控画面无火焰发生的状态下的视频监控图像，分别在充足光线状态、弱光线状态和昏暗光线状态三种光照环境下的监控图像，每一种光照环境下提取8-10张视屏截图图像作为基本分析样本，取分析样本的均值；

基本分析样本图像上任一像素点P的位置可定义为式(1)：

P＝(x_i,y_j)(i＝1,2,3...M；j＝1,2,3...N)         (1)

式中，x_i表示横坐标点，y_j表示纵坐标点，M表示图像的横向像素点数，N表示图像的纵向像素点数。

步骤2)利用边缘检测算子分割出步骤1)中基本分析样本图像的高亮区域边缘轮廓：

所述边缘检测算子为Canny算子；利用Canny算子对图像中高亮轮廓进行识别，得到所需要的敏感识别区域f，该区域描述为式(2)：

f_ab＝m_ab×n_ab            (2)

(a＝1,2,3；b∈[1,10]；m_ab∈(0,M]；n_ab∈(0,N])

式中，a表示充足光线状态、弱光线状态和昏暗光线状态三种监控环境，b表示每种监控环境下取的样本数目。

步骤3)统计步骤2)中基本分析样本图像的高亮区域边缘轮廓范围内R值和G值在预设的数值区间内的数量，得到判别特征；

具体的，定义坐标点P上的R值为z_r(x_i,y_j)、G值z_g(x_i,y_j)；在区域f_ab中，对z_r(x_i,y_j)∈[248,255]和z_r(x_i,y_j)∈[42,50]这两个区域上的像素点数目进行统计，分别记为第一区域R值和第二区域R值在所述区域f_ab中，对z_g(x_i,y_j)∈[75,83]上的像素点数目进行统计，得到第三区域G值G_ab。

像素点数目统计方法如式(3)-式(8)所示：

$g_1\left[z_r(x_i,y_j)\right]=\left\{\begin{array}{cc}1& z_r(x_i,y_j)\∈\left[\mathrm{248,255}\right]\\ 0& z_r(x_i,y_j)\∉\left[\mathrm{248,255}\right]\end{array}\right.---\left(3\right)$

$R_{\mathrm{ab}}^1=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{g}_1\left[z_r(x_i,y_j)\right]---\left(4\right)$

$g_2\left[z_r(x_i,y_j)\right]=\left\{\begin{array}{cc}1& z_r(x_i,y_j)\∈\left[\mathrm{42,50}\right]\\ 0& z_r(x_i,y_j)\∉\left[\mathrm{42,50}\right]\end{array}\right.---\left(5\right)$

$R_{\mathrm{ab}}^2=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{g}_2\left[z_r(x_i,y_j)\right]---\left(6\right)$

$g_3\left[z_g(x_i,y_j)\right]=\left\{\begin{array}{cc}1& z_g(x_i,y_j)\∈\left[\mathrm{75,83}\right]\\ 0& z_g(x_i,y_j)\∉\left[\mathrm{75,83}\right]\end{array}\right.---\left(7\right)$

$G_{\mathrm{ab}}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{g}_3\left[z_g(x_i,y_j)\right]---\left(8\right)$

利用上述公式计算获得所述基本分析样本中8-10张图像每一张图像的第一区域R值第二区域R值和第三区域G值G_ab；

分别计算基本分析样本中所有图像的第一区域R值的平均值第二区域R值的平均值和第三区域G值的平均值通过上述三个平均值计算相应判别特征。平均值的计算公式如式(9)-式(12)所示：

B＝max(b)              (9)

$\stackrel{\‾}{R_a^1}=\frac{\underset{b=1}{\overset{B}{\mathrm{\Σ}}}{R}_{\mathrm{ab}}^1}{B}---\left(10\right)$

$\stackrel{\‾}{R_a^2}=\frac{\underset{b=1}{\overset{B}{\mathrm{\Σ}}}{R}_{\mathrm{ab}}^2}{B}---\left(11\right)$

$\stackrel{\‾}{G_a}=\frac{\underset{b=1}{\overset{B}{\mathrm{\Σ}}}{G}_{\mathrm{ab}}}{B}---\left(12\right)$

式中，B表示各种监控环境的样本图像总数。

利用平均值计算判别特征，分别记为R_f1、R_f2和G_f，如式(13)-式(15)所示：

$R_{f1}=\stackrel{\‾}{R_a^1}+(m\×n)\×0.0104---\left(13\right)$

$R_{f2}=\stackrel{\‾}{R_a^2}-(m\×n)\×0.0224---\left(14\right)$

$G_f=\stackrel{\‾}{G_a}+(m\×n)\×0.0146---\left(15\right)$

式(13)-式(15)中，系数0.0104、0.0224和0.0146为经验值。

步骤4)载入待测视屏监控画面并截取图像，获得待测识别图像，检测该待测识别图像中的高亮区域，判断是否出现与基本分析样本图像的高亮区域不同的新高亮区域，如判断出现新的高亮区域，计算得到待测识别图像的识别特征；如判断未出现新的高亮区域，则继续监控；

具体的，发现新的高亮区域后，先统计该区域在样本图像中的R_f1、R_f2和G_f，定义为识别特征；并计算识别特征的增长速度，分别为ν_r1、ν_r2、ν_g：

${\mathrm{\ν}}_{r1}=\frac{\left|{\mathrm{\ΔR}}_a^1\right|}{t}\×{\log }_{10}\left(\sqrt{{\mathrm{\ΔR}}_a^1}\right);---\left(16\right)$

$\left(\right|{\mathrm{\ΔR}}_a^1|=|R_a^{1\′}-R_a^1\left|\right);---\left(17\right)$

${\mathrm{\ν}}_{r2}=\frac{\left|{\mathrm{\ΔR}}_a^2\right|}{t}\×{\log }_{10}\left(\sqrt{{\mathrm{\ΔR}}_a^2}\right);---\left(18\right)$

$\left(\right|{\mathrm{\ΔR}}_a^2|=|R_a^{2\′}-R_a^2\left|\right);---\left(19\right)$

${\mathrm{\ν}}_g=\frac{\left|{\mathrm{\ΔG}}_a\right|}{t}\×{\log }_{10}\left(\sqrt{{\mathrm{\ΔG}}_a}\right);---\left(20\right)$

(|ΔG_a|＝|G'_a-G_a|)；          (21)

式(16)、(18)和(20)中，参数t表示自发现新高亮区域起的时间长度，单位为秒(s)。

步骤5)将识别特征与所述判别特征比较，判断是否发生火情，若识别特征超过判别特征，可以判断发生火情，此时通过计算识别特征的增长速度来判断火情级别。根据火情计算结果可以初步分为“安全”、“发生火情”和“火情扩大”三个基本等级。

本发明通过分析最容易引起误报的高亮区域，通过分析其上特定区域的R，G值的像素点数量，可以用非常简单的计算量获得一个能够实现稳定识别火焰的判别特征。而当样本中非已勾选区域出现高亮时，对这些区域内统计得到的以及G_a进行加权，更有针对性得提高火情判别的灵敏度。此方法应用到重点区域的火情视频监控，可以提高火焰识别效率、保障监控安全。

实施例：

1)在本实施例中，采集无火焰发生时、在充分光照监控环境下的视频图像，作为基本的分析样本，共采集9张样本图像。样本图像可以定义成以左上角为坐标原点、右方为X轴正向、下方为Y轴正向的坐标系，样本图像上任一点P的位置可以定义成式(1)：

P＝(x_i,y_j)(i＝1,2,3...640；j＝1,2,3...480)          (1)

式中，x_i表示横坐标点，y_j表示纵坐标点，640表示图像的横向像素点数，480表示图像的纵向像素点数。

2)利用坎尼算子作为边缘算子对上述步骤1)分析样本进行识别，识别结果并未出现高亮区域，则定义相应的判别特征为0；

3)载入视频监控并截取一张图像，分析是否出现新的高亮区域。在本实施例中，截取的图像如附图2中所示。利用坎尼算子对图2中的视频图像进行识别，识别结果出现高亮区域，范围记为f＝102×380。

进而统计样本中G_ab三个值，计算过程如下：

$g_1\left[z_r(x_i,y_j)\right]=\left\{\begin{array}{cc}1& z_r(x_i,y_j)\∈\left[\mathrm{248,255}\right]\\ 0& z_r(x_i,y_j)\∉\left[\mathrm{248,255}\right]\end{array}\right.---\left(2\right)$

$R_{\mathrm{ab}}^1=\underset{i=1}{\overset{102}{\mathrm{\Σ}}}\underset{j=1}{\overset{380}{\mathrm{\Σ}}}{g}_1\left[z_r(x_i,y_j)\right]=262974---\left(3\right)$

$g_2\left[z_r(x_i,y_j)\right]=\left\{\begin{array}{cc}1& z_r(x_i,y_j)\∈\left[\mathrm{42,50}\right]\\ 0& z_r(x_i,y_j)\∉\left[\mathrm{42,50}\right]\end{array}\right.---\left(4\right)$

$R_{\mathrm{ab}}^2=\underset{i=1}{\overset{102}{\mathrm{\Σ}}}\underset{j=1}{\overset{380}{\mathrm{\Σ}}}{g}_2\left[z_r(x_i,y_j)\right]=64869---\left(5\right)$

$g_3\left[z_g(x_i,y_j)\right]=\left\{\begin{array}{cc}1& z_g(x_i,y_j)\∈\left[\mathrm{75,83}\right]\\ 0& z_g(x_i,y_j)\∉\left[\mathrm{75,83}\right]\end{array}\right.---\left(6\right)$

$G_{\mathrm{ab}}=\underset{i=1}{\overset{640}{\mathrm{\Σ}}}\underset{j=1}{\overset{480}{\mathrm{\Σ}}}{g}_3\left[z_g(x_i,y_j)\right]=105190---\left(7\right)$

接着计算均值和

B＝max(b)＝9              (8)

$\stackrel{\‾}{R_a^1}=\frac{\underset{b=1}{\overset{9}{\mathrm{\Σ}}}{R}_{\mathrm{ab}}^1}{B}=29219---\left(9\right)$

$\stackrel{\‾}{R_a^2}=\frac{\underset{b=1}{\overset{9}{\mathrm{\Σ}}}{R}_{\mathrm{ab}}^2}{B}=7208---\left(10\right)$

$\stackrel{\‾}{G_a}=\frac{\underset{b=1}{\overset{9}{\mathrm{\Σ}}}{G}_{\mathrm{ab}}}{B}=11688---\left(11\right)$

进而得到识别特征R_f1、R_f2、G_f：

$R_{f1}=\stackrel{\‾}{R_a^1}+(640\×480)\×0.0104=10302.88---\left(12\right)$

$R_{f2}=\stackrel{\‾}{R_a^2}+(640\×480)\×0.0224=22247.72---\left(13\right)$

$G_f=\stackrel{\‾}{G_a}+(640\×480)\×0.0146=16173.12---\left(14\right)$

计算识别特征增长速度ν_r1、ν_r2、ν_g：

${\mathrm{\ν}}_{r1}=\frac{\left|{\mathrm{\ΔR}}_a^1\right|}{t}\×{\log }_{10}\left(\sqrt{{\mathrm{\ΔR}}_a^1}\right)=2348.3;---\left(15\right)$

$\left(\right|{\mathrm{\ΔR}}_a^1|=|R_a^{1\′}-R_a^1|=6193);---\left(16\right)$

${\mathrm{\ν}}_{r2}=\frac{\left|{\mathrm{\ΔR}}_a^2\right|}{10}\×{\log }_{10}\left(\sqrt{{\mathrm{\ΔR}}_a^2}\right)=3183;---\left(17\right)$

$\left(\right|{\mathrm{\ΔR}}_a^2|=|R_a^{2\′}-R_a^2|=8140);---\left(18\right)$

${\mathrm{\ν}}_g=\frac{\left|{\mathrm{\ΔG}}_a\right|}{10}\×{\log }_{10}\left(\sqrt{{\mathrm{\ΔG}}_a}\right)=1967.21;---\left(19\right)$

(|ΔG_a|＝|G'_a-G_a|＝5284)；         (20)

由于对基本分析样本分析并未出现高亮区域，定义相应的判别特征为0，此处识别特征远远大于相应的判别特征，则可以判别出现火情，如图2所示。并定义此处的识别特征为下一步判断火情级别的判别特征。从ν_r1、ν_r2、ν_g的数值可以看出，本实施例中火情刚开始发生时，增长速度较快。

5)截取后面的视频监控图像，15秒后火情扩大的图像如图3所示。

重新计算得到图3监控图像中的识别特征为G_ab＝16972；相应的增长速度ν_r1＝1583.8，ν_r2＝1174.1，ν_g＝983.6。

与图2中刚发生火情时判别特征相比，可以判断发生了火情，且最终输出报警级别为“火情扩大”。以此实施例证明了本方法的有效性。

本发明的特点在于主要分析最容易引起误报的高亮区域，通过分析特定区域的R，G值的像素点数量，可以获得能够实现稳定识别火焰的判别特征。通过固定间隔时间地截取视频监控图像并循环判别分析高亮区域，可以实现有效的火焰识别。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种视频监控火焰的识别方法，其特征在于，该方法包括以下步骤：

1)采集基本分析样本：

采集被监控画面无火焰发生的状态下的视频监控图像，分别在充足光线状态、弱光线状态和昏暗光线状态三种光照环境下的监控图像，每一种光照环境下提取8-10张视屏截图图像作为基本分析样本，取分析样本的均值；

2)利用边缘检测算子分割出步骤1)中基本分析样本图像的高亮区域边缘轮廓：

3)统计步骤2)中基本分析样本图像的高亮区域边缘轮廓范围内R值和G值在预设的数值区间内的数量，得到判别特征；

4)载入待测视屏监控画面并截取图像，获得待测识别图像，检测该待测识别图像中的高亮区域，判断是否出现与基本分析样本图像的高亮区域不同的新高亮区域，如判断出现新的高亮区域，计算得到待测识别图像的识别特征；如判断未出现新的高亮区域，则继续监控；

5)将所述识别特征与所述判别特征比较，判断是否发生火情，若识别特征数值超过判别特征，可以判断发生火情，此时通过计算识别特征的增长速度来判断火情级别。

2.如权利要求1所述的一种视频监控火焰的识别方法，其特征在于，将步骤1)中，所述基本分析样本图像上任一像素点P的位置可定义为：

P＝(x_i,y_j)(i＝1,2,3...M；j＝1,2,3...N)

式中，x_i表示横坐标点，y_j表示纵坐标点，M表示图像的横向像素点数，N表示图像的纵向像素点数。

3.如权利要求2所述的一种视频监控火焰的识别方法，其特征在于，步骤2)中，所述边缘检测算子为Canny算子；利用Canny算子对图像中高亮轮廓进行识别，得到所需要的敏感识别区域f，该区域描述为：

f_ab＝m_ab×n_ab

(a＝1,2,3；b∈[1,10]；m_ab∈(0,M]；n_ab∈(0,N])

式中，a表示充足光线状态、弱光线状态和昏暗光线状态三种监控环境，b表示每种监控环境下取的样本数目。

4.如权利要求3所述的一种视频监控火焰的识别方法，其特征在于，步骤3)中，定义坐标点P上的R值为z_r(x_i,y_j)、G值z_g(x_i,y_j)；在区域f_ab中，对z_r(x_i,y_j)∈[248,255]和z_r(x_i,y_j)∈[42,50]这两个区域上的像素点数目进行统计，分别记为第一区域R值和第二区域R值在所述区域f_ab中，对z_g(x_i,y_j)∈[75,83]上的像素点数目进行统计，得到第三区域G值G_ab；

计算获得所述基本分析样本的每一张图像的第一区域R值第二区域R值和第三区域G值G_ab；

分别计算基本分析样本中所有图像的第一区域R值的平均值第二区域R值的平均值和第三区域G值的平均值通过上述三个平均值计算相应判别特征。

5.如权利要求1所述的一种视频监控火焰的识别方法，其特征在于，步骤4)中包括计算所述识别特征的增长速度。