CN105718881B - 基于红外视频灰度图像的零照度环境烟尘监测方法 - Google Patents
基于红外视频灰度图像的零照度环境烟尘监测方法 Download PDFInfo
- Publication number
- CN105718881B CN105718881B CN201610034939.9A CN201610034939A CN105718881B CN 105718881 B CN105718881 B CN 105718881B CN 201610034939 A CN201610034939 A CN 201610034939A CN 105718881 B CN105718881 B CN 105718881B
- Authority
- CN
- China
- Prior art keywords
- image
- flue dust
- function
- gray level
- infrared video
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Abstract
本发明公开了一种基于红外视频灰度图像的零照度环境烟尘监测方法,步骤包括:1)确定烟尘阈值,划分区域,设定安全级别;2)获取监控范围内的红外视频灰度图像;3)将获得的当前帧红外视频灰度图像的数据,采用基于改进Retinex算法计算反射图像;4)对该反射图像的数据反归一化,根据确定的烟尘阈值以及区域划分情况,分别计算总区域及各子区域烟尘的分布比例;5)根据安全级别显示烟尘情况柱状图;6)判断是否有警情发生,若没有警情,返回步骤2继续获取下一帧视频图像,以此类推。本发明方法,实现了零照度环境下红外视频灰度图像烟尘的监测。
Description
技术领域
本发明属于图像处理技术领域,涉及一种基于红外视频灰度图像的零照度环境烟尘监测方法。
背景技术
近年来,随着科学技术的进步,传统的烟尘监测方法体现出了一定的局限性,光电成像技术及图像处理技术的广泛应用,使得视频烟尘监测逐渐成为烟尘监测领域的一个新研究热点。
可视烟尘监测技术是基于机器视觉以及图像处理的新技术,它具有智能化、远程监控、实时报警、监控场所不受限、支持多传感器信息融合以及在线与离线相结合分析等特点;表现在系统响应速度快,监测范围广,监测距离远、廉价且通用等方面,这样很大程度上满足了人们对烟尘监测的要求,具有广阔的市场前景。
现有烟尘监测方法主要依据排烟温度、节能装置温度比、换热效率、压降比、出口风温度等参数判断装置烟尘分布状况。由于传感器误差、检测参数范围大、机械故障等原因出现误报警或清灰不及时现象。从而造成资源浪费、设备效率下降、设备故障甚至引发火灾。针对零照度环境,选用感光光谱范围宽(包括红外光)的摄像头,使用与摄像头匹配的红外光源,发出红外光经目标反射被红外摄像头接收成像,通过图像处理技术,计算出装置烟尘情况,直观的反映设备状况。有效的解决上述难点,为设备安全高效运行提供保障。
目前,在零照度环境下,针对监控目标烟尘分布情况,还未见利用红外摄像头进行红外视频采集,同时配合相应监测算法的烟尘监测技术。因此,在实际中应用,针对零照度监控目标的烟尘状况采用红外视频探测具有重要意义。
发明内容
本发明的目的是提供一种基于红外视频灰度图像的零照度环境烟尘监测方法,解决了现有技术由于传感器误差、检测参数范围大、机械故障等原因,造成资源浪费、误报警或清灰不及时的问题。
本发明所采用的技术方案是,一种基于红外视频灰度图像的零照度环境烟尘监测方法,按照以下步骤具体实施:
步骤1,利用实际零照度环境下红外视频灰度图像的数据进行实验,确定烟尘阈值,针对监控目标划分区域,设定安全级别;
步骤2,通过摄像头持续获取监控范围内的红外视频灰度图像;
步骤3,将步骤2获得的当前帧红外视频灰度图像的数据,通过采集卡输入计算机中,计算机采用预存的基于改进Retinex算法计算监控目标的反射图像;
步骤4,通过改进Retinex算法计算得到反射图像R(x,y)后,对该反射图像R(x,y)的数据反归一化,根据确定的烟尘阈值以及区域划分情况,分别计算总区域及各子区域烟尘的分布比例;
步骤5,根据安全级别显示烟尘情况柱状图,
利用计算得到的烟尘比例,根据安全级别,显示总区域及各子区域柱状图;
步骤6,判断是否有警情发生,若总区域或子区域烟尘分布超出安全范围,则发出预警信息,启动报警装置及清灰设备;若没有警情,返回步骤2继续获取下一帧视频图像,以此类推,不断循环。
本发明的有益效果是,采用红外光源及匹配的摄像头,克服了光照不足的影响,扩展了视频监测范围,在零照度环境下仅采集灰度图像,便可识别烟尘特征信息,这样大大减少了图像数据量,节约内存空间,减少计算量,实时性能得到提高;采用基于改进Retinex算法增强图像,只提取反射分量,去除了由于环境红外照射不均匀对识别精度的影响,大大提高算法精度;同时对图像灰度差值加权,增强图像对比度,提高了图像清晰程度;采用基于监控目标特征划分区域,可有效区分不同区域烟尘分布情况;采用安全级别划分及对应柱状图颜色显示效果,可直观的表达各子区域烟尘占比,提高了可视化程度。
附图说明
图1为本发明方法采用的红外视频零照度环境烟尘监测系统示意图;
图2为本发明方法的控制流程示意图。
图中,1.零照度环境,2.红外光源,3.摄像头,4.采集卡,5.计算机,6.报警装置。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明所述的零照度环境,主要是针对工业应用中的局部环境,比如电厂排烟工艺中的节能部分,管道内部是高压零照度环境。所述的零照度环境下的监控目标,比如节能装置是在以烟气排放方向为中心的旋转装置,此时监控目标即指该旋转装置。
参照图1,本发明基于红外视频灰度图像的零照度环境烟尘监测方法,采用基于红外视频的零照度环境烟尘监测系统,在零照度环境1中采用红外光源2补充光照,使用摄像机3采集红外视频灰度图像,通过采集卡4将数据传至计算机5,计算机5根据本发明基于红外视频灰度图像的零照度环境烟尘监测方法的控制流程,通过预先设定的图像处理及显示软件对该红外视频灰度图像进行数据分析,根据分析结果,如果烟尘分布情况超出预设的安全范围,则计算机5发出指令启动报警装置6发出报警信号,并启动清灰设备,否则不启动报警装置6;然后重新读取下一帧红外视频灰度图像的数据,依次循环。
参照图2,本发明的方法,按照以下步骤具体实施:
步骤1,利用实际零照度环境下红外视频灰度图像的数据进行实验,确定烟尘阈值Threshold,优选的烟尘阈值Threshold=160;
针对监控目标划分区域,实施例将监控目标划分为5个区域;
设定安全级别,实施例设置为5个等级:一级对应烟尘绿色柱状图、二级对应烟尘橙色柱状图、三级对应烟尘黄色柱状图、四级对应烟尘橘红色柱状图、五级对应烟尘红色柱状图,其中三级及以下为安全范围,当超过三级时便启动报警装置及清灰设备;
步骤2,通过摄像头3持续获取监控范围内的红外视频灰度图像;
步骤3,将步骤2获得的当前帧红外视频灰度图像的数据,通过采集卡4输入计算机5中,计算机5采用预存的基于改进Retinex算法计算监控目标的反射图像,
最早的Retinex图像增强算法是Land等人提出的任意路径算法(random walk),这是一个时间离散的随机过程算法,即下一个像素位置的选择是从当前像素周围的邻域中随机挑选出来的。Retinex图像增强算法是一种建立在科学实验和科学分析基础上的图像增强理论,其实质就是从获取的图像中去除照射光的影响来获得物体的反射图像,即获得物体本来的面貌。与其它图像增强方法相比,Retinex图像增强算法具有锐化、颜色恒常性、动态范围压缩大、色彩保真度高等特点。
Retinex图像增强算法的基本假设是原始图像S(x,y)是光照图像L(x,y)与反射图像R(x,y)的乘积,表示为下式:
S(x,y)=R(x,y)·L(x,y) (1)
其中,x、y分别表示图像中像素的横坐标、纵坐标,函数S(x,y)表示原始图像在位置(x,y)处的像素值,函数R(x,y)表示反射图像在位置(x,y)处的像素值,函数L(x,y)表示光照图像在位置(x,y)处的像素值,
根据Land等人的实验表明:人眼对亮度的感知能力是呈指数型的,而不是线性的,且摄像机采集的图像亮度也是满足指数型的。所以将像素点之间的明暗关系放在对数域处理,这样做有两个好处:一是对数形式接近人眼和摄像机对亮度的感知能力;二是能够将复杂的乘积运算变成简单的加减运算,即,
其中,函数s(x,y)为原始图像S(x,y)以10为底的对数,函数r(x,y)为反射图像R(x,y)以10为底的对数,函数l(x,y)为光照图像L(x,y)以10为底的对数,
从而将乘积关系转换为“和”的关系:
s(x,y)=r(x,y)+l(x,y) (3)
然后,在对数域中,估测函数r(x,y),即从函数s(x,y)中去除函数l(x,y),得到函数r(x,y),表达式如下:
其中,f(s)为对光照图像的估计函数,这样,通过对数函数的反变换得到反射图像R(x,y),实践中Retinex图像增强算法采用直接估计法估计反射图像R(x,y),
因此,本步骤改进了Retinex算法,具体对反射图像R(x,y)的估计方式为:
3.1)归一化当前帧图像数据,并求图像数据最大值Maximum,同时确定图像数据行nrows和列ncols的大小以及迭代次数n,优选迭代次数n=10;
3.2)初始化反射图像Rk(x,y)=Maximum·ones(nrows,ncols);
3.3)基于多重迭代策略,采用螺旋路径,加权像素点灰度差值来估计当前反射图像:Rk=Rk-1+K·ΔR,
其中,Rk为当前反射图像;Rk-1为上次迭代反射图像,K为图像像素点灰度差值的权值,优选K=5,ΔR为反射图像像素点灰度差;
3.4)判断当前反射图像
3.5)当前反射图像
3.6)更新反射分量Rk-1=Rk,供下次迭代使用;
所以,本发明步骤中上述的改进Retinex算法与现有的Retinex图像增强算法相比,主要体现在对图像灰度差值进行了加权处理。
步骤4,通过改进Retinex算法计算得到反射图像R(x,y)后,对该反射图像R(x,y)的数据反归一化,根据确定的烟尘阈值以及区域划分情况,分别计算总区域及各子区域烟尘的分布比例;
步骤5,根据安全级别显示烟尘情况柱状图,
在与计算机5连接的显示屏上显示总区域及各子区域烟尘比例柱状图,利用计算得到的烟尘比例,根据安全级别,显示总区域及各子区域柱状图对应颜色,实施例安全级别由低到高对应的颜色显示为:绿色、橙色、黄色、橘红色、红色;
步骤6,判断是否有警情发生,若总区域或子区域烟尘分布超出安全范围,则发出预警信息,启动报警装置6及相应的清灰设备;若没有警情,返回步骤2继续获取下一帧视频图像,以此类推,不断循环。
Claims (2)
1.一种基于红外视频灰度图像的零照度环境烟尘监测方法,其特征在于,按照以下具体步骤实施:
步骤1,利用实际零照度环境下红外视频灰度图像的数据进行实验,确定烟尘阈值,针对监控目标划分区域,设定安全级别,
其中,烟尘阈值Threshold=160,
监控目标划分为5个区域,
安全等级设置为5个:一级对应烟尘绿色柱状图、二级对应烟尘橙色柱状图、三级对应烟尘黄色柱状图、四级对应烟尘橘红色柱状图、五级对应烟尘红色柱状图,其中三级及以下为安全范围,当超过三级时便启动报警装置及清灰设备;
步骤2,通过摄像头(3)持续获取监控范围内的红外视频灰度图像;
步骤3,将步骤2获得的当前帧红外视频灰度图像的数据,通过采集卡(4)输入计算机(5)中,计算机(5)采用预存的基于改进Retinex算法计算监控目标的反射图像,具体过程是:
Retinex图像增强算法的基本假设是原始图像S(x,y)是光照图像L(x,y)与反射图像R(x,y)的乘积,表示为下式:
S(x,y)=R(x,y)·L(x,y) (1)
其中,x、y分别表示图像中像素的横坐标、纵坐标,函数S(x,y)表示原始图像在位置(x,y)处的像素值,函数R(x,y)表示反射图像在位置(x,y)处的像素值,函数L(x,y)表示光照图像在位置(x,y)处的像素值,
将复杂的乘积运算变成简单的加减运算,即,
其中,函数s(x,y)为原始图像S(x,y)以10为底的对数,函数r(x,y)为反射图像R(x,y)以10为底的对数,函数l(x,y)为光照图像L(x,y)以10为底的对数,
从而将乘积关系转换为“和”的关系:
s(x,y)=r(x,y)+l(x,y) (3)
然后,在对数域中,估测函数r(x,y),即从函数s(x,y)中去除函数l(x,y),得到函数r(x,y),表达式如下:
其中,f(s)为对光照图像的估计函数,这样,通过对数函数的反变换得到反射图像R(x,y),实践中Retinex图像增强算法采用直接估计法估计反射图像R(x,y),
因此,本步骤改进了Retinex算法,具体对反射图像R(x,y)的估计方式为:
3.1)归一化当前帧图像数据,并求图像数据最大值Maximum,同时确定图像数据行nrows和列ncols的大小以及迭代次数n;
3.2)初始化反射图像Rk(x,y)=Maximum·ones(nrows,ncols);
3.3)基于多重迭代策略,采用螺旋路径,加权像素点灰度差值来估计当前反射图像:Rk=Rk-1+K·ΔR,
其中,Rk为当前反射图像;Rk-1为上次迭代反射图像,K为图像像素点灰度差值的权值,ΔR为反射图像像素点灰度差;
3.4)判断当前反射图像
3.5)当前反射图像
3.6)更新反射分量Rk-1=Rk,供下次迭代使用;
步骤4,通过改进Retinex算法计算得到反射图像R(x,y)后,对该反射图像R(x,y)的数据反归一化,根据确定的烟尘阈值以及区域划分情况,分别计算总区域及各子区域烟尘的分布比例;
步骤5,根据安全级别显示烟尘情况柱状图,
利用计算得到的烟尘比例,根据安全级别,显示总区域及各子区域柱状图;
步骤6,判断是否有警情发生,
若总区域或子区域烟尘分布超出安全范围,则计算机(5)发出预警信息,启动报警装置(6)及清灰设备;若没有警情,返回步骤2继续获取下一帧视频图像,以此类推。
2.根据权利要求1所述的基于红外视频灰度图像的零照度环境烟尘监测方法,其特征在于:所述步骤3中迭代次数n=10,像素灰度差值加权幅值K=5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610034939.9A CN105718881B (zh) | 2016-01-19 | 2016-01-19 | 基于红外视频灰度图像的零照度环境烟尘监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610034939.9A CN105718881B (zh) | 2016-01-19 | 2016-01-19 | 基于红外视频灰度图像的零照度环境烟尘监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105718881A CN105718881A (zh) | 2016-06-29 |
CN105718881B true CN105718881B (zh) | 2019-01-11 |
Family
ID=56147191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610034939.9A Active CN105718881B (zh) | 2016-01-19 | 2016-01-19 | 基于红外视频灰度图像的零照度环境烟尘监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105718881B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107277478A (zh) * | 2017-07-21 | 2017-10-20 | 京东方科技集团股份有限公司 | 图像增强监控方法、系统及存储介质和电子设备 |
CN110276729B (zh) * | 2019-06-10 | 2021-12-17 | 浙江工业大学 | 一种低照度彩色图像的增强方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101656012A (zh) * | 2008-08-19 | 2010-02-24 | 侯荣琴 | 一种智能图像烟雾、火焰探测器及探测方法 |
CN102201146A (zh) * | 2011-05-18 | 2011-09-28 | 中国科学技术大学 | 基于主动红外视频的零照度环境火灾烟雾识别方法 |
CN103983574A (zh) * | 2014-06-03 | 2014-08-13 | 上海安维尔信息科技有限公司 | 一种烟雾检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130011014A1 (en) * | 2010-03-09 | 2013-01-10 | Jesse Sheng Jin | Surveillance system and method |
-
2016
- 2016-01-19 CN CN201610034939.9A patent/CN105718881B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101656012A (zh) * | 2008-08-19 | 2010-02-24 | 侯荣琴 | 一种智能图像烟雾、火焰探测器及探测方法 |
CN102201146A (zh) * | 2011-05-18 | 2011-09-28 | 中国科学技术大学 | 基于主动红外视频的零照度环境火灾烟雾识别方法 |
CN103983574A (zh) * | 2014-06-03 | 2014-08-13 | 上海安维尔信息科技有限公司 | 一种烟雾检测方法 |
Non-Patent Citations (1)
Title |
---|
"红外视频监控图像增强算法的比较研究";王博 等;《宁夏大学学报(自然科学版)》;20121231;第33卷(第4期);第350-353页 |
Also Published As
Publication number | Publication date |
---|---|
CN105718881A (zh) | 2016-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gaur et al. | Video flame and smoke based fire detection algorithms: A literature review | |
Qureshi et al. | QuickBlaze: early fire detection using a combined video processing approach | |
CN107527009B (zh) | 一种基于yolo目标检测的遗留物检测方法 | |
CN109255792B (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
Wang et al. | Fire detection based on flame color and area | |
Ribeiro et al. | Face detection on infrared thermal image | |
CN105718881B (zh) | 基于红外视频灰度图像的零照度环境烟尘监测方法 | |
CN111353496B (zh) | 一种红外弱小目标实时检测方法 | |
CN107729811B (zh) | 一种基于场景建模的夜间火焰检测方法 | |
Lee et al. | Infrared small target detection algorithm using an augmented intensity and density-based clustering | |
Lai et al. | Robust little flame detection on real-time video surveillance system | |
Tsetsos et al. | A forest fire detection system: The Meleager approach | |
Jayashree et al. | System to detect fire under surveillanced area | |
Abidha et al. | Reducing false alarms in vision based fire detection with nb classifier in eadf framework | |
CN103455998B (zh) | 视频图像中阴影的检测方法及装置 | |
Mangale et al. | Moving object detection using visible spectrum imaging and thermal imaging | |
CN114842235A (zh) | 一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法 | |
Yao et al. | Real-time multiple moving targets detection from airborne IR imagery by dynamic Gabor filter and dynamic Gaussian detector | |
Anshul et al. | Video Flame and Smoke Based Fire Detection Algorithms: A Literature Review | |
Hu et al. | Research on abandoned and removed objects detection based on embedded system | |
Park et al. | Two-Step cascading algorithm for camera-based night fire detection | |
Cai et al. | Driver Fatigue Detection System Based on DM3730 | |
CN110263661B (zh) | 一种基于新颜色空间与fast-LOF的火焰检测方法及装置 | |
Ouyang et al. | Robust component-based car detection in aerial imagery with new segmentation techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |