CN104853151A - 一种基于视频图像的大空间火灾监测系统 - Google Patents

Abstract

本发明公开了一种基于视频图像的大空间火灾监测系统，该系统由硬件设备和软件模块两部分组成，硬件部分包括了安置于大空间的CCD探测器，视频捕捉卡，硬盘录像机，火灾报警器等。软件模块主要包括图像处理模块与图像分析模块。视频捕捉卡将捕捉来的视频经过图像增强等预处理后传入分析模块，通过对疑似火焰的静态特征与动态特征提取来分析判断。静态特征提取为基于YCbCr空间颜色模型对疑似火焰进行颜色特征提取，动态特征提取包括对疑似火焰进行面积变化，圆形度及闪烁频率的计算，其中运用改良的LoG边缘检测算法。多方面的综合分析判断，有利于减少环境因素对分析系统产生的干扰，提高检测的成功率。

Description

一种基于视频图像的大空间火灾监测系统

技术领域

本发明涉及火灾探测领域，特别涉及一种基于视频图像的大空间火灾监测系统。

背景技术

随着社会进步，火灾监测领域越来越受到人们的关注。尤其是当大空间场所发生火灾时，如不能及早发现火情，将会导致无法估量的损失，所以一种有效的大空间火灾监测系统是极其重要的。

而现有的火灾自动监测设备，都普遍存在着不足之处，例如：

(1)感温型火灾探测器：此类探测器是通过辨别火灾后温度的变化来发出警报的，然而在大空间，气流速度超过5m/s或空间高度过高时，都会影响其感应，导致其感应效果下降。

(2)感烟型火灾探测器：此类探测器是通过探测火灾产生的烟气来报警的，而在大空间中，烟气随着高度的增高而稀释，最终导致这类探测器的感应效果下降。

(3)感光型火灾探测器：此类探测器是通过识别火灾火焰发出的特有的红外线或紫外线来发出警报的。这类探测器容易受强光物体的干扰，导致其感应效果下降。

(4)其他复合类型的火灾探测器也没有能够很好的解决这些问题。

另外，现在也有一些探测器是基于视频图像的，经过对疑似火焰的空间颜色分布，纹理特征，边缘检测等的分析来判断是否为火灾，但这些探测器于边缘检测上用的算子都有其不足之处，如Roberts算子①，Sobel算子②，Prewitt算子③，Canny算子④等对噪声较敏感，如图1所示，图中箭头为边缘不连续处，结果图边缘连续性较差，影响火焰图像的周长计算，进而影响火焰圆形度的测量，对火焰特征参数的提取不利。

综上所述，传统探测器的作用范围都太局限，受环境因素的影响较大，无法用于大空间的火灾监测，并且其他一些基于视频图像的的探测器期检验方法受噪声影响较大，也导致火焰识别率下降。

发明内容

针对传统火灾探测器的不足，本发明目的是：提供一种受环境因素影响较小，多角度分析，检测效率高，便于火灾原因调查的基于视频图像的大空间火灾监测系统。

本发明的技术方案是：

一种基于视频图像的大空间火灾监测系统，其特征在于，包括：

CCD摄像头，所述CCD摄像头设置有红外传感器，所述红外传感器监测到运动物体时，CCD摄像头采集视频图像；

图像处理模块，用于将采集的视频图像转换成帧图像，通过图像增强过滤噪声；

图像分析模块，用于对处理的图像进行分析，所述图像分析包括以下步骤：初步检测，检测是否存在运动物体并计算运动物体的运动范围，若存在运动物体并且运动范围一定时，判定为疑似火焰；

静态特征提取，通过对疑似火焰所在图像位置进行基于RGB颜色空间的火焰颜色特征提取，将运动图像中的像素进行小波变换提取低频像素点，然后进行频域分析是否为火焰颜色；

动态特征提取，包括分析疑似火焰面积的变化、计算疑似火焰的圆形度、疑似火焰的边缘检测和计算疑似火焰的闪烁频率；

综合判断，通过对疑似火焰的静态特征与动态特征的提取，综合分析判断是否为火焰；

火灾报警器，用于判定为火焰时触发火灾报警。

优选的，所述运动物体采用背景运动估计的方法，通过变化的区域来计算背景更新图像B_n+1，即

其中α为更新系数，取值范围为0～1，是一个时间常量，x是一个像素点，B_n+1表示第n+l时刻背景图像，I_n是第n时刻的视频帧像素，B_n是n时刻的背景帧，背景图只更新静止的像素。

优选的，所述颜色分析的辨别式为：

$F_{\mathrm{\τ}}(x,y)=\left\{\begin{array}{cc}1,& \mathrm{if}\mathrm{}|\mathrm{Cb}(x,y)-\mathrm{Cr}(x,y)\≥\mathrm{\τ}\\ 0& \end{array}\right.$

其中，(x,y)表征一个像素点在图像中的空间位置，F表征像素点为火焰像素点，τ为一个经验常量，根据一系列的火焰图像测试所得出的值，Cb，Cr分别表示蓝色色度值和红色色度值。

优选的，所述分析疑似火焰面积的变化包括：将图像中的疑似火焰区域进行强度分析并进行傅里叶变化对图像增强，然后对增强后的区域复频域分析处理，对处理后的区域进行阙值分割，计算其白色像素点的个数来近似等于疑似火焰的面积，通过比较连续几帧的结果得出变化规律。

优选的，所述计算疑似火焰的圆形度为将图像进行边缘检测以及必要的噪声处理，得到火焰边缘的长度，然后计算面积与周长的比值。

优选的，所述疑似火焰的闪烁频率通过分析疑似火焰的高度与宽度的比值变化得到。

优选的，所述疑似火焰的边缘检测用改进的LoG算子进行边缘检测，利用双边滤波对图像进行平滑滤波，将原始图像f(x,y)与滤波后的图像进行卷积运算，得出平滑后的图像I(x,y)，然后采用二维拉普算子进行图像增强。

本发明的优点是：

1.通过对疑似火焰的静态特征与动态特征提取来进行综合分析判断，静态特征提取为基于YCbCr空间颜色模型对疑似火焰进行颜色特征提取，动态特征提取包括对疑似火焰进行面积变化，圆形度及闪烁频率的计算，其中运用改良的LoG边缘检测算法。对采集的图像多方面的综合分析判断，有利于减少环境因素对分析系统产生的干扰，提高检测的成功率。

2.该火灾监测系统能多角度分析，通过对运动物体的运动范围的判断可以剔除大部分的干扰信息，提高检测效率，采用通过傅里叶变化对疑似火焰图像增强，然后对增强后的区域复频域分析处理，对处理后的区域进行阙值分割，可以更快、更准确的计算火焰的面积，该系统火焰的识别率的检测的成功率比较高，便于火灾原因调查。

3.通过红外传感器，可以使得CCD摄像机间歇性工作，有利于降低能耗，减少成本。

附图说明

下面结合附图及实施例对本发明作进一步描述：

图1为传统算子边缘检测结果示意图；

图2为本发明一种基于视频图像的大空间火灾监测系统的结构框图。

具体实施方式

实施例：

本发明一种基于视频图像的大空间火灾监测系统是将CCD摄像头作为探头，CCD摄像头设置有红外传感器，红外传感器监测到运动物体时，CCD摄像头采集视频图像，视频捕捉卡将捕捉到的场景图像输入到计算机，通过图像处理模块将视频图像转换得到帧图像，再经过图像增强操作初步过滤掉图中一些无用信息。经过图像处理模块后将图像传入图像分析模块，进行火灾火焰的分析。

图像增强

计算机需要对视频监测设备获取的视频按照适当的分析算法进行检测处理，而在检测之前还要对视频图像进行预处理，以减少接下来的对火焰分析过程产生的干扰。由视频图像直接转换得到的帧图像存在着我们需要检测的火灾的信息，但也同时有着许多干扰的因素，必须通过图像增强来将无用信息清除掉，提高图像的可视性，抑制不需要的特征，使需要处理的信息容易被检测到。

图像分析

运动物体检测：因为火灾的火焰是运动的，所以可以针对运动物体对图像进行初步检测，只要检测出存在运动的物体就有可能存在火灾火焰(此处将检测到的运动物体暂称为疑似火焰)。

这里采用背景运动估计的方法，通过变化的区域来计算背景更新图像B_n+1，即

其中α为更新系数，取值范围为0～1，是一个时间常量，x是一个像素点，B_n+1表示表示第n+l时刻背景图像，I_n是第n时刻的视频帧像素，B_n是n时刻的背景帧，背景图只更新静止的像素。检测到的运动物体初步定义为疑似火焰。

静态特征提取

往往周围背景的颜色与火焰的颜色差异较大，而且火灾火焰也有着其特有的颜色分布，火焰的颜色从焰心到火焰表面分别呈现出不同的颜色，因此，火焰的颜色特征是辨别火灾火焰的一个重要依据。所以，通过对疑似火焰所在图像位置进行空间颜色分析，本发明利用了基于RGB颜色空间的火焰颜色特征提取算法，将运动图像中的像素进行小波变换提取低频像素点，然后进行频域分析是否为火焰颜色。优点在于，与其他算法比，节省了颜色空间转换的时间，并且能将疑似火焰区域更准确的提取出来。

对疑似火焰进行空间颜色分析：

火焰在YCbCr颜色系统中，Y分量表示亮度值，取值范围(16,235)；Cb，Cr分别表示蓝色色度值和红色色度值，取值范围都是(16,240)。

依照如下规律：

Y(x,y)>Cb(x,y)

Cr(x,y)>Cb(x,y)

在YCbCr中火焰像素的分量平均值定义为：

$Y_{\mathrm{mean}}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}Y(x_i,y_i)$

${\mathrm{Cb}}_{\mathrm{mean}}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{Cb}(x_i,y_i)$

${\mathrm{Cr}}_{\mathrm{mean}}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{Cr}(x_i,y_i)$

式中，(x_i,y_i)表示图像的像素点，Y_mean，Cb_mean，Cr_mean表示其平均值，k是图像总的火焰像素个数。

统计分析各个色度分量，可以获得判别标准：

$F(x,y)=\left\{\begin{array}{cc}1,& \mathrm{if\; Y}(x,y)>Y_{\mathrm{mean}},\mathrm{Cb}(x,y)<{\mathrm{Cb}}_{\mathrm{mean}},\mathrm{Cr}(x,y)>{\mathrm{Cr}}_{\mathrm{mean}}\\ 0,& \mathrm{otherwise}\end{array}\right.$

经过对实践分析，火焰区域中Cb，Cr分量存在不同值，Cb接近黑色，而Cr接近白色，由此转化为辨别式：

$F_{\mathrm{\&tau;}}(x,y)=\left\{\begin{array}{cc}1,& \mathrm{if}|\mathrm{Cb}(x,y)-\mathrm{Cr}(x,y)\&GreaterEqual;\mathrm{\&tau;}\\ 0& \end{array}\right.$

其中，τ为一个经验常量。它是根据一系列的火焰图像测试所得出的值，本文中取40。Cb，Cr分别表示蓝色色度值和红色色度值。通过以上辨别式，可以从一方面辨别火焰。

动态特征提取：

1：分析疑似火焰面积变化：由于火灾的火焰从产生到蔓延是不断发展，不断变大的，即火的面积的增长趋势的连续变大的。通过将图像中的疑似火焰区域进行强度分析并进行傅里叶变化对图像增强，通过傅里叶变化可以大大提高疑似火焰的图像效果，然后对增强后的区域进行复频域分析处理，可以有利于阈值分割处理，对处理后的区域进行阙值分割，计算其白色像素点的个数来近似等于疑似火焰的面积，通过比较连续几帧的结果得出变化规律。通过上述两种变换可以基本上将白色像素点的近似为火焰。这样计算的面积更加准确和快速。

2：计算疑似火焰圆形度：圆形度是一个间接量，是根据物体面积与周长计算出的一个间接量，通过实验取证，火焰的圆形度比一般发光物体的圆形度低，所以可以通过计算物体的圆形度来作为火灾火焰的判断依据。

圆形度定义公式为：

$G_k=\frac{4\mathrm{\&pi;}{A}_k}{{p_k}^2},k=\mathrm{1,2},...,n$

公式中k是图像中求圆形度的图形的数量，G_k为图像的圆形度，A_k为第k个图形的面积，p_k为第k个图形的周长。通过圆形度的公式可以发现，如果图形的形状越接近圆形，G_k的值就会越接近与1。因为火焰的形状与其他光源形状相比较复杂度较高，所以其形状显得更加不规则。通过对图像进行阙值分割来获得疑似火焰所在区域的白色像素点，计算这些像素点的个数，将它近似表示疑似火焰的面积，然后将图像进行边缘检测以及必要的噪声处理，可以得到火焰边缘的长度，然后计算面积与周长的比值，通过判断圆形度的范围来判断疑似火焰是否真的为火焰。

3：用改进LoG算子对疑似火焰进行边缘检测：计算圆形度前先要进行物体周长的计算，通过改进的LoG算子进行边缘检测，得到的图像受到的干扰较少，边缘连续性较好，能较精确的计算出物体的周长。

LoG算子步骤如下：

(1)通过二维高斯滤波器对图像进行平滑滤波；

(2)通过二维拉普算子进行图像增强；

(3)依据二阶导数零交叉进行边缘检测。

二维高斯滤波器的函数G(x,y)

$G(x,y)=\frac{1}{{2\mathrm{\&pi;\&sigma;}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2})$

用G(x,y)与原始图像f(x,y)进行卷积，得到平滑图像I(x,y)

I(x,y)＝G(x,y)*f(x,y)

其中*代表卷积运算符，再用拉普拉斯算子来获取平滑图像I(x,y)的二阶方向导数图像M(x,y)。通过线性系统中卷积和微分的可交换性，可以得到以下公式：

$M(x,y)={\&dtri;}^2\left\{I(x,y)\right\}={\&dtri;}^2[G(x,y)*f(x,y)]=\left[{\&dtri;}^{2}G(x,y)\right]*f(x,y)$

由于对图像的高斯平滑滤波与拉普拉斯微分运算可以通过合并结合成一个卷积算子：

${\&dtri;}^{2}G(x,y)=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^4}(\frac{x^2+y^2}{{\mathrm{\&sigma;}}^2}-2)\exp (-\frac{x^2+y^2}{2{\mathrm{\&sigma;}}^2})$

式中即为LoG算子。为了得到图像f(x,y)的边缘，只要求出M(x,y)的零穿点轨迹即可。以对原始灰度图像进行卷积运算后提取的零交叉点作为边缘点。

但是实际运用中，传统的LoG算子仍存在着缺点，比如对噪声仍然敏感，噪声平滑能力与边缘定位能力相矛盾等。所以本系统采用改进的LoG算法：

双边滤波：

双边滤波的方法可用如下公式表示：

$\hat{f}(x,y)=\frac{\underset{(i,j)\mathrm{e\&Omega;}}{\mathrm{\&Sigma;}}{w}_s(i,j)F(i,j)}{\underset{(i,j)\mathrm{e\&Omega;}}{\mathrm{\&Sigma;}}{w}_s(i,j)}$

其中代表去噪后的图像，Ω代表像素处的邻域范围，w_s(i,j)

代表空间域的权值，F(i,j)代表未进行灰度处理的原图像。相同的，

在灰度范围内进行滤波操作与在空间范围内进行滤波操作的方法是

差不多的。它可表示为：

其中F(i,j)代表未进行灰度处理的原图像，w_r(i,j)代表灰度域的权

值，结合空间邻近度与灰度相似度相进行滤波，就得到双边滤波为：

$\hat{f}(x,y)=\frac{\underset{(i,j)\mathrm{e\&Omega;}}{\mathrm{\&Sigma;}}w(i,j)F(i,j)}{\underset{(i,j)\mathrm{e\&Omega;}}{\mathrm{\&Sigma;}}w(i,j)}$

w(i,j)＝w_s(i,j)w_r(i,j)

如果该区域的图像变化比较平缓，其相邻区域内像素灰度值相似，双边滤波转化为高斯低通滤波器；如果该区域的图像变化比较剧烈，滤波器用边缘点相邻区域内灰度相似的像素点的灰度平均值代替原灰度值。所以，双边滤波器在平滑了图像的同时又保护了图像边缘。

算法描述：

LOG算子使用高斯滤波后会产生图像模糊和边缘丢失的问题，而利用双边滤波就可以较好地去除图像噪声，并保护图像的边缘信息了。

$\hat{f}(x,y)=\frac{\underset{(i,j)\mathrm{e\&Omega;}}{\mathrm{\&Sigma;}}{w}_s(i,j)w_r(i,j)F(i,j)}{\underset{(i,j)\mathrm{e\&Omega;}}{\mathrm{\&Sigma;}}{w}_s(i,j)w_r(i,j)}$

一般情况下，它的空间邻近度函数w_s(i,j)和灰度相似度函数w_r(i,j)都取为参数为欧几里得距离的高斯函数，通常定义为：

$w_s(i,j)=\exp [-\frac{{|i-x|}^2+{|j-y|}^2}{2{{\mathrm{\&sigma;}}_s}^2}]$

$w_r(i,j)=\exp [-\frac{{|F(i,j)-F(x,y)|}^2}{2{{\mathrm{\&sigma;}}_r}^2}]$

其中，函数σ_s代表基于高斯函数的空间标准差，σ_r为基于高斯函数的灰度标准差，通过对灰度处理后的原始图像f(x,y)与进行卷积运算来得到平滑后的图像F(x,y)，即：

$F(x,y)=f(x,y)*\hat{f}(x,y)$

这样既平滑了图像又降低了噪声，滤除孤立的噪声点和一些较小的结构组织，与此同时保护了图像边缘。仍采用二维拉普算子进行图像增强，得出：

$M(x,y)={\&dtri;}^2\left\{I(x,y)\right\}={\&dtri;}^2\{f(x,y)*\hat{f}(x,y)\}$

拉普拉斯算子是一个二阶微分算子，它可在边缘处产生一个陡峭的零交叉，依据零交叉点进行边缘检测。

4：计算疑似火焰的闪烁频率：由于闪烁是火焰发展的一个重要特征之一，并且这种闪烁频率还是特定的，不同材料燃烧后产生的闪烁频率是固定的，所以可以通过记录疑似火焰的闪烁频率来作为辨别火灾火焰的判断依据。

物质的燃烧过程中所产生的火焰会伴随频率低且范围固定的闪烁，并且火焰在闪烁过程中，高度也会随之改变，因而高度的变化也从另一方面反映了火焰的频率变化，但是仅仅依据高度来判断存在的误差也是比较大的，因此本发明提出一种新的判断火焰频率变化的方法，即，根据火焰的高度与宽度的比值来判断，经过大量的实验证明高度与宽度的比值的变化值来计算疑似火焰跳动的频率，即分析记录疑似火焰的高度与宽度的比值变化就可以间接判断是否为火焰。

通过以上对疑似火焰静态特征与动态特征的综合分析，判断是否为火焰，通过多方面的分析，减少火焰的误判率。如系统确定为火灾火焰，则将此次火灾火焰的发生时间以及视频图像等详细信息以日志形式保存，以便将来的调查记录。

Claims (7)

1.一种基于视频图像的大空间火灾监测系统，其特征在于，包括：

CCD摄像头，所述CCD摄像头设置有红外传感器，所述红外传感器监测到运动物体时，CCD摄像头采集视频图像；

图像处理模块，用于将采集的视频图像转换成帧图像，通过图像增强过滤噪声；

图像分析模块，用于对处理的图像进行分析，所述图像分析包括以下步骤：初步检测，检测是否存在运动物体并计算运动物体的运动范围，若存在运动物体并且运动范围一定时，判定为疑似火焰；

静态特征提取，通过对疑似火焰所在图像位置进行基于RGB颜色空间的火焰颜色特征提取，将运动图像中的像素进行小波变换提取低频像素点，然后进行频域分析是否为火焰颜色；

动态特征提取，包括分析疑似火焰面积的变化、计算疑似火焰的圆形度、疑似火焰的边缘检测和计算疑似火焰的闪烁频率；

综合判断，通过对疑似火焰的静态特征与动态特征的提取，综合分析判断是否为火焰；

火灾报警器，用于判定为火焰时触发火灾报警。

2.根据权利要求1所述的基于视频图像的大空间火灾监测系统，其特征在于，所述运动物体采用背景运动估计的方法，通过变化的区域来计算背景更新图像B_n+1，即

其中α为更新系数，取值范围为0～1，是一个时间常量，x是一个像素点，B_n+1表示第n+l时刻背景图像，I_n是第n时刻的视频帧像素，B_n是n时刻的背景帧，背景图只更新静止的像素。

3.根据权利要求1所述的基于视频图像的大空间火灾监测系统，其特征在于，所述颜色分析的辨别式为：

$F_{\mathrm{\&tau;}}(x,y)=\left\{\begin{array}{ccc}1,& \mathrm{if}& |\mathrm{Cb}(x,y)-\mathrm{Cr}(x,y)\&GreaterEqual;\mathrm{\&tau;}\\ 0& & \end{array}\right.$

其中，(x,y)表征一个像素点在图像中的空间位置，F表征像素点为火焰像素点，τ为一个经验常量，根据一系列的火焰图像测试所得出的值，Cb，Cr分别表示蓝色色度值和红色色度值。

4.根据权利要求1所述的基于视频图像的大空间火灾监测系统，其特征在于，所述分析疑似火焰面积的变化包括：将图像中的疑似火焰区域进行强度分析并进行傅里叶变化对图像增强，然后对增强后的区域在复频域分析处理，对处理后的区域进行阙值分割，计算其白色像素点的个数来近似等于疑似火焰的面积，通过比较连续几帧的结果得出变化规律。

5.根据权利要求4所述的基于视频图像的大空间火灾监测系统，其特征在于，所述计算疑似火焰的圆形度为将图像进行边缘检测以及必要的噪声处理，得到火焰边缘的长度，然后计算面积与周长的比值。

6.根据权利要求1所述的基于视频图像的大空间火灾监测系统，其特征在于，所述疑似火焰的闪烁频率通过分析疑似火焰的高度与宽度的比值变化得到。

7.根据权利要求1所述的基于视频图像的大空间火灾监测系统，其特征在于，所述疑似火焰的边缘检测用改进的LoG算子进行边缘检测，利用双边滤波对图像进行平滑滤波，将原始图像f(x,y)与滤波后的图像进行卷积运算，得出平滑后的图像I(x,y)，然后采用二维拉普算子进行图像增强。