CN107729811B - 一种基于场景建模的夜间火焰检测方法 - Google Patents

Abstract

本发明公开一种基于场景建模的夜间火焰检测方法，包括以下步骤，首先，设计了一种场景学习方法，用于对摄像头监控场景进行建模，可以有效排除背景干扰物对于火焰检测的影响；然后，对待检测的图像进行二值化处理得到高亮区域，然后将高亮区域与场景模型进行匹配，排除匹配成功的区域；最后，对连续多次的检测结果进行轨迹匹配和提取，通过所有轨迹的运动模式来判断是否存在火焰。本发明利用场景建模的思路，提高了夜间火焰检测的准确率，降低了误检率，对于不同的场景具有较高的鲁棒性。

Description

一种基于场景建模的夜间火焰检测方法

技术领域

本发明属于计算机视觉与模式识别领域，特别涉及一种基于场景建模的夜间火焰检测方法。

背景技术

传统的视频监控领域需要大量人力资源的投入，把计算机视觉领域的智能算法进行针对性改进并引入到视频监控领域可以极大减少人力资源的消耗。得益于广泛布置的监控摄像头网络，很多智能分析的算法可以直接对从摄像头网络中获取的视频流进行实时分析，从而预测或者检测一些灾难事件的发生，把各类损失降到最低。

传统的火焰检测一般采用某些特定的传感器，但是这类方法只局限于在室内或者小范围区域内使用。如果要在大范围的自然环境下进行火焰检测，使用传感器的方法往往是不可行的。因此，设计一种计算机算法对从监控摄像头网络中获取的视频流进行智能分析并得到火焰检测结果，具有巨大的应用价值。由于火焰的颜色比较特别，现存文献中采用的视频火焰检测算法普遍根据火焰的颜色信息进行分析，这类方法在白天室内环境中可以取得较好的效果。但是在夜间，目前绝大部分的监控摄像机都处于红外模式，也就是输出的图像只有灰度信息，没有颜色信息。因此，传统的视频火焰检测方法无法在夜间室外监控环境下进行工作。相比于白天正常光照条件下，夜间的火焰检测具有更大的难度。有时候人眼也无法区分夜间远距离的火焰和路灯，还有夜间的车灯也会对火焰检测产生干扰。

针对现存视频火焰检测技术的局限性，本发明提出了一种基于场景建模的夜间火焰检测方法。通过预先学习视频监控场景中的路灯和房灯区域，可以在检测火焰的时候排除这些干扰物的影响。同时为了排除车灯对于火焰检测的影响，设计了一种运动分析方法来区分车灯运动模式和火焰运动模式。本发明提出的夜间火焰检测方法可以应用到实际视频监控领域，解决了现存火焰检测技术的局限性。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于场景建模的夜间火焰检测方法，以解决现有火焰检测方法无法在夜间室外监控环境下使用的局限性。

本发明采用的技术方案为：首先学习监控摄像头的场景信息，把所有的路灯和房灯区域学习到场景模型中；然后在夜间检测火焰时，把灰度图像与阈值进行比较，提取所有高亮度的区域；再把这些高亮度区域与场景模型进行匹配分析，排除所有路灯和房灯区域，形成候选火焰区域集合；最后，对连续多帧图像中的候选火焰区域进行位置匹配，得到这些区域的运动轨迹，再对这些运动轨迹的模式进行分析，得到最终的检测结果。基于场景建模的夜间火焰检测方法的具体步骤如下：

1)构建场景学习方法，用于对摄像头监控场景中的背景干扰物进行建模；

2)对输入的待检测图像，将图像中的高亮区域与场景模型中的干扰物区域进行匹配，消除背景干扰物的影响；

3)对所有疑似火焰的区域进行时域轨迹提取，通过分析所有轨迹的运动模式来判断是否存在火焰。

上述步骤可以采用以下方式具体实现：

所述的步骤1)具体为：

首先输入第一帧灰度图像，对图像进行阈值化处理，得到场景的初步模型M；

然后，输入下一帧图像，对场景模型进行更新，把路灯区域和房灯区域(房屋中发出灯光的区域)加入背景模型，消除其对于火焰检测的干扰，更新的公式如下：

其中，α表示比例因子；M_x,y表示对输入图像进行阈值化处理后得到的坐标(x,y)处的初步模型；

表示t时刻坐标(x,y)处的目标模型；thres1和thres2表示预设的阈值；

利用多天的夜间场景输入图像进行场景模型学习，等场景模型学习完成后，再进行后续的夜间火焰检测。

所述的步骤2)具体为：

首先通过与场景模型进行匹配来消除背景干扰物的影响，先对输入图像进行二值化操作：

其中，C_x,y表示坐标(x,y)处的二值化图像像素值；I_x,y表示图像I在位置(x,y)处的灰度值；thres表示预设的灰度阈值。

然后，对二值化后的输入图像进行连通区域分割，得到一系列高亮区域{R_i|i＝1,2,...,N}，同样的，对场景模型进行二值化处理，并提取连通区域{K_i|i＝1,2,...,N}；再把输入图像中的高亮区域和场景模型中的干扰物区域进行形状位置匹配，如果两者的形状位置匹配度高于阈值，则认为是背景干扰区域，进行排除；然后将所有剩余的高亮区域用于后续的运动分析。

所述的步骤3)具体为：

对连续输入的N帧图像进行步骤2)的操作，每一帧图像均得到若干不属于背景干扰物的高亮区域，记为

N_τ表示τ时刻疑似火焰区域的数目。然后，对这些高亮区域进行时域上的匹配，所有覆盖度(两个区域的交集除以并集)大于阈值的区域被认为属于同一条时域轨迹，由此得到M条时域轨迹{T_i|i＝1,...,M}。

将火焰检测的第一指标定为运动范围，计算公式如下：

其中，MR_i表示第i条运动轨迹的最大的运动范围；

表示第i条运动轨迹中第j个区域的中心位置。

将第二个指标定为运动的规则程度，计算公式如下：

其中，MC_i表示第i条运动轨迹的轨迹运动一致性；

表示第i条运动轨迹中第τ时刻的运动矢量；运算符号＜,＞表示向量的内积；

判断一条时域轨迹属于火焰区域的条件为MR_i＜T₁且MC_i＜T₂，其中T₁表示火焰的运动范围阈值，T₂表示火焰的轨迹运动一致性阈值。

本发明利用场景建模的思路，提高了夜间火焰检测的准确率，降低了误检率，对于不同的场景具有较高的鲁棒性。

附图说明

图1为基于场景建模的夜间火焰检测方法的总体流程图。

图2为实施例中的火焰检测效果图。

具体实施方式

下面结合具体实施例，对本发明的技术方案做进一步的详细说明。

以下实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本实施例对一个监控摄像头得到的实时视频数据流进行分析，检测场景中的火焰区域。具体的实施方法包括以下步骤：

步骤1：场景学习

场景学习的目的是学习摄像头照射场景中的所有火焰干扰物区域，最后得到一张概率模型图，每一点的值表示这个像素点属于火焰干扰物的概率。首先输入第一帧灰度图像，对图像进行阈值化处理，公式如下所示：

其中，M表示场景模型；I_x,y表示图像I在位置(x,y)处的灰度值；thres表示预设的阈值，取220。

然后，输入下一帧图像，对场景模型进行更新，模型更新的目的是为了把路灯区域和房灯区域加入背景模型，消除其对于火焰检测的干扰。更新的公式如下：

其中，α表示比例因子；M_x,y表示对输入图像进行阈值化处理后得到的坐标(x,y)处的初步模型；

表示t时刻坐标(x,y)处的目标模型；

表示目标模型不是干扰物区域；

表示目标模型是干扰物区域。

利用多天的夜间场景输入图像进行场景模型学习，在这段时间内，不进行火焰检测功能。等场景模型学习完成后，进行后续的夜间火焰检测步骤。

步骤2：干扰区域排除

当学习完场景模型后，我们开始对输入视频进行火焰检测。首先我们要通过与场景模型进行匹配来消除背景干扰物的影响。先对输入图像进行二值化操作：

其中，C表示二值化图像；I_x,y表示图像I在位置(x,y)处的灰度值；thres表示预设的灰度阈值，取220。

然后，对二值化后的输入图像进行连通区域分割，得到一系列高亮区域{R_i|i＝1,2,...,N}，同样的，对场景模型进行二值化处理，并提取连通区域{K_i|i＝1,2,...,N}。这时，我们把输入图像中的高亮区域和场景模型中的干扰区域进行形状位置匹配，如果两者的形状位置匹配度高，则认为是背景干扰区域。形状位置匹配公式如下：

如果计算得到的O_i,j大于预先设定的阈值0.5，则认为该高亮区域是背景干扰物，进行排除。然后，我们对所有剩余的高亮区域进行后续的运动分析。

步骤3：运动分析

我们对连续输入的N帧图像进行步骤2的操作，每一帧图像都得到了一些不属于背景干扰物的高亮区域，记为

然后，我们对这些区域进行时域上的匹配，所有覆盖度(两个区域的交集除以并集)大于阈值的区域被认为属于同一条时域轨迹，由此得到M条时域轨迹{T_i|i＝1,...,M}。一般情况下，火焰区域的运动轨迹会维持在一个区域内部，而且火焰的运动杂乱无章，没有固定的方向性。而一些背景干扰物(如汽车前灯)不会维持在一定区域内部，而且运动具有明确的方向性。

因此，火焰检测的第一指标定为运动范围，计算公式如下：

其中，MR_i表示第i条运动轨迹的最大的运动范围；

表示第i条运动轨迹中第j个区域的中心位置。

第二个指标定为运动的规则程度，计算公式如下：

其中，MC表示轨迹运动一致性；

表示第i条运动轨迹中第τ时刻的运动矢量；运算符号＜,＞表示向量的内积。

可以看到，对于火焰区域，它的运动范围比较小，所以它的轨迹所对应的MR值会比较小。同样的，火焰区域的运动很不规则，所以它的MC值会比较小。因此，我们判断一条时域轨迹属于火焰区域的条件(fire_i取值为1时表示属于火焰，0表示不属于火焰)为：

其中T₁表示火焰的运动范围阈值，T₂表示火焰的轨迹运动一致性阈值。

以上所述仅为本发明的较佳实施例而已，并不以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于场景建模的夜间火焰检测方法，其特征在于，包含以下步骤：

1)构建场景学习方法，用于对摄像头监控场景中的背景干扰物进行建模；具体为：

首先输入第一帧灰度图像，对图像进行阈值化处理，得到场景的初步模型M；

然后，输入下一帧图像，对场景模型进行更新，把路灯区域和房灯区域加入背景模型，消除其对于火焰检测的干扰，更新的公式如下：

其中，α表示比例因子；M_x,y表示对输入图像进行阈值化处理后得到的坐标(x,y)处的初步模型；

表示t时刻坐标(x,y)处的目标模型；thres1和thres2表示预设的阈值；

利用多天的夜间场景输入图像进行场景模型学习，等场景模型学习完成后，再进行后续的夜间火焰检测；

2)对输入的待检测图像，将图像中的高亮区域与场景模型中的干扰物区域进行匹配，消除背景干扰物的影响；

3)对所有疑似火焰的区域进行时域轨迹提取，通过分析所有轨迹的运动模式来判断是否存在火焰；具体为：

对连续输入的N帧图像进行步骤2)的操作，每一帧图像均得到若干不属于背景干扰物的高亮区域，记为

N_τ表示τ时刻疑似火焰区域的数目；然后，对这些高亮区域进行时域上的匹配，所有覆盖度大于阈值的区域被认为属于同一条时域轨迹，由此得到M条时域轨迹{T_i|i＝1,...,M}；

将火焰检测的第一指标定为运动范围，计算公式如下：

其中，MR_i表示第i条运动轨迹的最大的运动范围；

表示第i条运动轨迹中第j个区域的中心位置；

将第二个指标定为运动的规则程度，计算公式如下：

其中，MC_i表示第i条运动轨迹的轨迹运动一致性；

表示第i条运动轨迹中第τ时刻的运动矢量；运算符号＜,＞表示向量的内积；

判断一条时域轨迹属于火焰区域的条件为MR_i＜T₁且MC_i＜T₂，其中T₁表示火焰的运动范围阈值，T₂表示火焰的轨迹运动一致性阈值。

2.根据权利要求1所述的基于场景建模的夜间火焰检测方法，其特征在于，所述的步骤2)为：

首先通过与场景模型进行匹配来消除背景干扰物的影响，先对输入图像进行二值化操作：

其中，C_x,y表示坐标(x,y)处的二值化图像像素值；I_x,y表示图像I在位置(x,y)处的灰度值；thres表示预设的灰度阈值；

然后，对二值化后的输入图像进行连通区域分割，得到一系列高亮区域{R_i|i＝1,2,...,N}，同样的，对场景模型进行二值化处理，并提取连通区域{K_i|i＝1,2,...,N}；再把输入图像中的高亮区域和场景模型中的干扰物区域进行形状位置匹配，如果两者的形状位置匹配度高于阈值，则认为是背景干扰区域，进行排除；然后将所有剩余的高亮区域用于后续的运动分析。

Images