CN108334855A - 一种采用增强rgb分量特征的变电站火焰识别算法 - Google Patents

Abstract

本发明公开了一种采用增强RGB分量特征的变电站火焰识别算法，包括：步骤一，变电站视频数据的获取和图像预处理；步骤二，RGB各分量基本特征的处理；步骤三，增强RGB分量特征的处理；步骤四，基于增强RGB分量特征的动态检测；步骤五，火焰现象的识别。本计算方法通过增强RGB分量特征处理能够增强变电站场景下的火焰现象，当出现少量浅颜色的火焰时，也能够准确进行识别；再结合增强RGB分量特征的动态检测、RGB各分量基本特征特征检测能够有效规避干扰源对算法照成的影响；本发明通过及时发现事故，从而能够提升变电站的安全性。

Description

一种采用增强RGB分量特征的变电站火焰识别算法

技术领域

本发明属于变电站智能监控技术领域，具体是一种采用增强RGB分量特征的变电站火焰识别算法。

背景技术

变电站是电网生产、运行的重要场所，变电站的安全、稳定运行对于电网的可靠性具有重要意义，随着视频监控的网络化、高清化、智能化技术的不断发展，视频监控技术在电网安全、生产运行中的应用不断深入和广泛，传统方式所采用的视频监控技术为电网设备远程监控提供远程可视化的监控手段，为监控人员提供远程监控的技术手段。虽然变电站内的设备已经具备了非常高的运行安全性和可靠性，然而，由于每年在迎峰度夏时的设备高负荷、高温条件下运行，设备检修不到位，设备老化等原因，也导致了变电站内的设备由于故障导致的爆炸偶有发生，其带来的经济损失也相当庞大，因此，如果在事故发生时能够及时发现事故现象，将能够极大地减少事故扩大所带来的经济损失。

在变电站事故发生过程中通常会伴随着火焰和烟雾等现象，而大部分变电站均为室外变电站，常用的烟雾探测器无法适用于室外环境，若采用红外热成像摄像机的方式，虽然能够发现异常的发热现象，但是由于成果过高，尚无法推广使用，因此，通过借助于在变电站内已安装的监控摄像机，采用图像智能化分析技术，实现对变电站内事故时火焰现象的及时发现，具有较高的实用价值。现有的火焰识别技术方法较多，包括使用火焰的颜色特征模、火焰外烟特征等传统识别方法等，每种方法通常只使用于某些固定场景下的现象识别，其他的识别方法还包括机器学习的方法，该方法需要收集大量的火焰现象图片作为机器学习训练样本，样本数据的完整性极大的影响了识别的可靠性。由于变电站场景与常规场景下具有明显的区别，场景中通常是包括了大量的电气设备、设备间隔通道等，市场需要一种能够增强在变电站场景下的火焰特征，从而提高火焰识别的准确性的变电站火焰识别算法；本发明解决这样的问题。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种采用增强RGB分量特征的变电站火焰识别算法，通过对静态的火焰特征、多通道特征增强、动态侦测相结合的技术算法，实现对变电站场景下的火焰识别。

为了实现上述目标，本发明采用如下的技术方案：

一种采用增强RGB分量特征的变电站火焰识别算法，包括如下步骤：

步骤一，获取变电站监控视频，再对视频图像进行预处理；获取变电站监控视频，并对视频进行解码，再对解码后的帧数据图片进行缩放处理；

步骤二，处理RGB各分量基本特征；构建图片的单通道图像矩阵，该矩阵作为基本分量特征矩阵；再通过判断像素点是否为火焰像素点；若判断像素点为火焰像素点，则设置基本分量特征矩阵中对应像素点的值为a；若判断像素点不是火焰像素点，则设置基本分量特征矩阵中对应像素点的值为b(说明a，b的数值范围或是关系)。

步骤三，处理增强RGB分量特征；将缩放处理后的图片进行RGB通道值分离处理，将图片转换为R单通道矩阵、G单通道矩阵、B单通道矩阵；再构建图片大小的单通道图片数据，计算每个像素点的值。

步骤四，基于增强RGB分量特征进行动态检测；采用前后景分离方法将步骤三得到的图片矩阵作为输入图片，经过前后景分离后形成新的单通道图片；若检测为前景的对象时，对应像素值设定为255，当监测为背景对象时，对应像素值设定为0。

步骤五，判断识别火焰现象；将步骤二和步骤四所计算得到的单通道图片进行计算处理，处理后形成新的单通道图片；最后根据像素点的值为255的像素个数来判断是否存在火焰，当像素个数大于等于图片宽度*图片高度*0.1时，判断为存在火焰，当像素个数小于图片宽度*图片高度*0.1时，则认为不存在火焰。

前述的一种采用增强RGB分量特征的变电站火焰识别算法，步骤一，变电站视频数据的获取和图像预处理；获取变电站监控视频，并对视频进行解码，再对解码后的帧数据图片进行缩放处理；变电站监控视频的来源包括：IP摄像机、视频服务器；获取变电站监控视频的方式包括：采用RTSP协议获取方式，采用视频监控设备厂商提供的SDK接口开发包方式。

前述的一种采用增强RGB分量特征的变电站火焰识别算法，步骤一，变电站视频数据的获取和图像预处理；获取变电站监控视频，将接收到的数据流进行解码处理，解码后的数据为YUV数据格式，再将YUV数据格式转换为RGB数据格式，最后对解码后的帧数据图片进行缩放处理；对视频进行解码的方式为：采用视频监控设备厂商提供的SDK接口开发包方式。

前述的一种采用增强RGB分量特征的变电站火焰识别算法，步骤一，变电站视频数据的获取和图像预处理；获取变电站监控视频，并对视频进行解码，再对解码后的帧数据图片进行缩放处理；缩放处理的具体过程为：采用OPENCV提供的cv::Resize()接口函数，将原始的图片帧转换为指定宽高的图片帧；图片帧为：宽640mm，高480mm。

前述的一种采用增强RGB分量特征的变电站火焰识别算法，步骤二，处理RGB各分量基本特征；构建640*480mm的单通道图像矩阵，该矩阵作为基本分量特征矩阵；再通过判断像素点是否为火焰像素点；若判断像素点为火焰像素点，则设置基本分量特征矩阵中对应像素点的值为255；若判断像素点不是火焰像素点，则设置基本分量特征矩阵中对应像素点的值为0；判断像素点为火焰像素点的条件为：R分量的值大于140，R分量比G分量大10，G分量比B分量大10。

前述的一种采用增强RGB分量特征的变电站火焰识别算法，步骤三，处理增强RGB分量特征；将缩放处理后的640*480mm的图片进行RGB通道值分离处理，将图片转换为R单通道矩阵、G单通道矩阵、B单通道矩阵；再构建图片大小的单通道图片数据，通过将数据矩阵定义为single_org图片矩阵计算每个像素点的值；single_org图片矩阵计算每个像素点的值的具体过程为：当R(i,j)*3-(R(i,j)+G(i,j)*0.6+B(i,j)*0.4)的值超过255时，single_org(i,j)的值为255，当R(i,j)*3-(R(i,j)+G(i,j)*0.6+B(i,j)*0.4)的值小于0时，single_org(i,j)的值为0，其他情况下single_org(i,j)＝R(i,j)*3-(R(i,j)+G(i,j)*0.6+B(i,j)*0.4)，其中的i表示图片的宽度，取值范围为0～640，其中的j表示图片的高度，取值范围为0～480。

前述的一种采用增强RGB分量特征的变电站火焰识别算法，步骤四，基于增强RGB分量特征进行动态检测；采用前后景分离方法将步骤三得到的640*480mm的图片矩阵作为输入图片，经过前后景分离后形成新的单通道图片；若检测为前景的对象时，对应像素值设定为255，当监测为背景对象时，对应像素值设定为0。

前述的一种采用增强RGB分量特征的变电站火焰识别算法，步骤五，判断识别火焰现象；将步骤二和步骤四所计算得到的640*480大小的单通道图片采用OPENCV提供的MOG前后景分离方法进行计算处理，处理后形成新的单通道图片；最后根据像素点的值为255的像素个数来判断是否存在火焰，当像素个数大于等于100时，判断为存在火焰，当像素个数小于100时，则认为不存在火焰。

本发明的有益之处在于：

本发明提供一种采用增强RGB分量特征的变电站火焰识别算法，通过将RGB各分量基本特征特征检测、增强RGB分量特征处理、基于增强RGB分量特征的动态检测相结合的处理算法，有效识别出变电站内的火焰现象；

根据变电站场景特点，通过增强RGB分量特征处理能够增强变电站场景下的火焰现象，当出现少量浅颜色的火焰时，也能够准确进行识别；

再结合增强RGB分量特征的动态检测、RGB各分量基本特征特征检测实现有效规避干扰源对算法照成的影响；

本发明的算法易于实现和应用，主要应用于变电站室外场景下对火焰现象的识别；

本发明通过及时发现事故，从而能够提升变电站的安全性，有效降低变电站事故的进一步扩大所造成的巨大经济损失。

附图说明

图1是本发明的一种实施例的流程图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

一种采用增强RGB分量特征的变电站火焰识别算法，包括如下步骤：

步骤一，变电站视频数据的获取和图像预处理；获取变电站监控视频，将接收到的数据流进行解码处理，解码后的数据为YUV数据格式，再将YUV数据格式转换为RGB数据格式，最后对解码后的帧数据图片进行缩放处理。

变电站监控视频的来源包括：IP摄像机、视频服务器。

获取变电站监控视频的方式包括：采用RTSP协议获取方式，采用视频监控设备厂商提供的SDK接口开发包方式。

缩放处理的具体过程为：采用OPENCV提供的cv::Resize()接口函数，将原始的图片帧转换为指定宽高的图片帧；图片帧为：宽640mm，高480mm。

对视频进行解码的方式为：采用视频监控设备厂商提供的SDK接口开发包方式。

步骤二，处理RGB各分量基本特征；构建640*480mm的单通道图像矩阵，该矩阵作为基本分量特征矩阵；再通过判断像素点是否为火焰像素点；若判断像素点为火焰像素点，则设置基本分量特征矩阵中对应像素点的值为255；若判断像素点不是火焰像素点，则设置基本分量特征矩阵中对应像素点的值为0；判断像素点为火焰像素点的条件为：R分量的值大于140，R分量比G分量大10，G分量比B分量大10。

步骤三，处理增强RGB分量特征；将缩放处理后的640*480mm的图片进行RGB通道值分离处理，将图片转换为R单通道矩阵、G单通道矩阵、B单通道矩阵；再构建图片大小的单通道图片数据，通过将数据矩阵定义为single_org图片矩阵计算每个像素点的值；single_org图片矩阵计算每个像素点的值的具体过程为：当R(i,j)*3-(R(i,j)+G(i,j)*0.6+B(i,j)*0.4)的值超过255时，single_org(i,j)的值为255，当R(i,j)*3-(R(i,j)+G(i,j)*0.6+B(i,j)*0.4)的值小于0时，single_org(i,j)的值为0，其他情况下single_org(i,j)＝R(i,j)*3-(R(i,j)+G(i,j)*0.6+B(i,j)*0.4)，其中的i表示图片的宽度，取值范围为0～640，其中的j表示图片的高度，取值范围为0～480。

步骤四，基于增强RGB分量特征进行动态检测；采用前后景分离方法将步骤三得到的640*480mm的图片矩阵作为输入图片，经过前后景分离后形成新的单通道图片；若检测为前景的对象时，对应像素值设定为255，当监测为背景对象时，对应像素值设定为0。

步骤五，判断识别火焰现象；将步骤二和步骤四所计算得到的单通道图片进行计算处理，处理后形成新的单通道图片；最后根据像素点的值为255的像素个数来判断是否存在火焰，当像素个数大于等于图片宽度*图片高度*0.1时，判断为存在火焰，当像素个数小于图片宽度*图片高度*0.1时，则认为不存在火焰。

如图1所示，变电站火焰识别算法包括：步骤一，变电站视频数据的获取和图像预处理；步骤二，RGB各分量基本特征的处理；步骤三，增强RGB分量特征的处理；步骤四，基于增强RGB分量特征的动态检测；步骤五，火焰现象的识别。

作为一种实施例，步骤一，变电站视频数据的获取和图像预处理包括以下步骤：

1)根据视频监控设备的IP地址、端口、用户名、密码、摄像机通道号等信息，构建RTSP请求的URL，并发送至视频监控设备，实时接收视频数据流；

2)接收到的数据流进行解码处理，解码后的数据为YUV数据格式；

3)将YUV数据格式转换为RGB数据格式；

4)将RGB数据格式按照OPENCV中的cv::Mat[i,j]矩阵格式进行存储，定义该RGB数据帧的变量名称为raw_image；

5)将raw_image采用OPENCV中的cv::Resize()函数转换为640*480大小的数据帧，同样以cv::Mat[i,j]矩阵格式进行存储，并定义变量名称为org_image；

作为一种实施例，步骤二，RGB各分量基本特征的处理包括以下步骤：

1)定义新的变量单通道cv::Mat[i,j]格式矩阵base_rgb_image，该数据矩阵作为存储RGB各分量基本特征处理的结果数据；

2)将org_image采用OPENCV中的cv::Split()函数转换为R、G、B三个通道的矩阵变量，分别表示为R_image、G_image、B_image，每个矩阵变量分别表示了图片分别在每个颜色通道中的数值大小，每个像素点值的范围为0～255；

3)base_rgb_image中每个像素值的定义取决于R_image、G_image、B_image在每个像素点的值，其计算方法如下：

作为一种实施例，步骤三，增强RGB分量特征的处理包括以下步骤：

1)使用步骤二中计算得到的R_image、G_image、B_image作为RGB分量特征值；

2)定义新的变量单通道cv::Mat[i,j]格式矩阵Enhance_rgb_image，该数据矩阵作为存储增强RGB分量特征处理的结果数据；

3)Enhance_rgb_image中每个像素值的定义取决于R_image、G_image、B_image在每个像素点的值，其计算方法如下：

作为一种实施例，步骤四，基于增强RGB分量特征的动态检测包括以下步骤：

1)采用OPENCV提供的MOG前后景分离方法，将Enhance_rgb_image图片矩阵作为输入图片；

2)定义新的变量单通道cv::Mat[i,j]格式矩阵Features_rgb_image，该数据矩阵作为存储增强RGB分量特征处理的结果数据；

3)MOG前后景分离后形成，检测为前景的对象时，Features_rgb_image(i,j)对应像素值设定为255，当监测为背景对象时，Features_rgb_image(i,j)对应像素值设定为0。

作为一种实施例，步骤五，火焰现象的识别包括以下步骤：

1)将步骤二和步骤四所计算得到的640*480大小的单通道图片进行与计算处理，处理后形成新的640*480大小的单通道图片result_image；

2)最后形成的单通道图片中，根据值为255的像素个数来判断是否存在火焰，当个数大于等于100时，判断为存在火焰，当个数小于100时，则认为不存在火焰。

需要说明的是：本发明的方法需要的硬件最低配置为：P4、3.0G CPU、512M内存的PC机，在此配置水平的硬件上，采用C/C++语言编程实现本方法。操作系统可基于Windows或Linux的各类操作系统。只要是能够实现这样的算法的硬件都适用。

本发明提供一种采用增强RGB分量特征的变电站火焰识别算法，通过将RGB各分量基本特征特征检测、增强RGB分量特征处理、基于增强RGB分量特征的动态检测相结合的处理算法，有效识别出变电站内的火焰现象；根据变电站场景特点，通过增强RGB分量特征处理能够增强变电站场景下的火焰现象，当出现少量浅颜色的火焰时，也能够准确进行识别；再结合增强RGB分量特征的动态检测、RGB各分量基本特征特征检测实现有效规避干扰源对算法照成的影响；本发明的算法易于实现和应用，主要应用于变电站室外场景下对火焰现象的识别；本发明通过及时发现事故，从而能够提升变电站的安全性，有效降低变电站事故的进一步扩大所造成的巨大经济损失。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (8)

1.一种采用增强RGB分量特征的变电站火焰识别算法，其特征在于，包括如下步骤：

步骤一，获取变电站监控视频，再对视频图像进行预处理；获取变电站监控视频，并对视频进行解码，再对解码后的帧数据图片进行缩放处理；

步骤二，处理RGB各分量基本特征；构建图片的单通道图像矩阵，该矩阵作为基本分量特征矩阵；再通过判断像素点是否为火焰像素点；若判断像素点为火焰像素点，则设置基本分量特征矩阵中对应像素点的值为a；若判断像素点不是火焰像素点，则设置基本分量特征矩阵中对应像素点的值为b。

步骤三，处理增强RGB分量特征；将缩放处理后的图片进行RGB通道值分离处理，将图片转换为R单通道矩阵、G单通道矩阵、B单通道矩阵；再构建图片大小的单通道图片数据，计算每个像素点的值。

步骤四，基于增强RGB分量特征进行动态检测；采用前后景分离方法将步骤三得到的图片矩阵作为输入图片，经过前后景分离后形成新的单通道图片；若检测为前景的对象时，对应像素值设定为255，当监测为背景对象时，对应像素值设定为0。

步骤五，判断识别火焰现象；将步骤二和步骤四所计算得到的单通道图片进行计算处理，处理后形成新的单通道图片；最后根据像素点的值为255的像素个数来判断是否存在火焰，当像素个数大于等于图片宽度*图片高度*0.1时，判断为存在火焰，当像素个数小于图片宽度*图片高度*0.1时，则认为不存在火焰。

2.根据权利要求1所述的一种采用增强RGB分量特征的变电站火焰识别算法，其特征在于，步骤一，变电站视频数据的获取和图像预处理；获取变电站监控视频，并对视频进行解码，再对解码后的帧数据图片进行缩放处理；上述变电站监控视频的来源包括：IP摄像机、视频服务器；上述获取变电站监控视频的方式包括：采用RTSP协议获取方式，采用视频监控设备厂商提供的SDK接口开发包方式。

3.根据权利要求1所述的一种采用增强RGB分量特征的变电站火焰识别算法，其特征在于，步骤一，变电站视频数据的获取和图像预处理；获取变电站监控视频，将接收到的数据流进行解码处理，解码后的数据为YUV数据格式，再将YUV数据格式转换为RGB数据格式，最后对解码后的帧数据图片进行缩放处理；上述对视频进行解码的方式为：采用视频监控设备厂商提供的SDK接口开发包方式。

4.根据权利要求1所述的一种采用增强RGB分量特征的变电站火焰识别算法，其特征在于，步骤一，变电站视频数据的获取和图像预处理；获取变电站监控视频，并对视频进行解码，再对解码后的帧数据图片进行缩放处理；缩放处理的具体过程为：采用OPENCV提供的cv::Resize()接口函数，将原始的图片帧转换为指定宽高的图片帧；上述图片帧为：宽640mm，高480mm。

5.根据权利要求1所述的一种采用增强RGB分量特征的变电站火焰识别算法，其特征在于，步骤二，处理RGB各分量基本特征；构建640*480mm的单通道图像矩阵，该矩阵作为基本分量特征矩阵；再通过判断像素点是否为火焰像素点；若判断像素点为火焰像素点，则设置基本分量特征矩阵中对应像素点的值为255；若判断像素点不是火焰像素点，则设置基本分量特征矩阵中对应像素点的值为0；判断像素点为火焰像素点的条件为：R分量的值大于140，R分量比G分量大10，G分量比B分量大10。

6.根据权利要求1所述的一种采用增强RGB分量特征的变电站火焰识别算法，其特征在于，步骤三，处理增强RGB分量特征；将缩放处理后的640*480mm的图片进行RGB通道值分离处理，将图片转换为R单通道矩阵、G单通道矩阵、B单通道矩阵；再构建图片大小的单通道图片数据，通过将数据矩阵定义为single_org图片矩阵计算每个像素点的值；single_org图片矩阵计算每个像素点的值的具体过程为：当R(i,j)*3-(R(i,j)+G(i,j)*0.6+B(i,j)*0.4)的值超过255时，single_org(i,j)的值为255，当R(i,j)*3-(R(i,j)+G(i,j)*0.6+B(i,j)*0.4)的值小于0时，single_org(i,j)的值为0，其他情况下single_org(i,j)＝R(i,j)*3-(R(i,j)+G(i,j)*0.6+B(i,j)*0.4)，其中的i表示图片的宽度，取值范围为0～640，其中的j表示图片的高度，取值范围为0～480。

7.根据权利要求1所述的一种采用增强RGB分量特征的变电站火焰识别算法，其特征在于，步骤四，基于增强RGB分量特征进行动态检测；采用前后景分离方法将步骤三得到的640*480mm的图片矩阵作为输入图片，经过前后景分离后形成新的单通道图片；若检测为前景的对象时，对应像素值设定为255，当监测为背景对象时，对应像素值设定为0。

8.根据权利要求1所述的一种采用增强RGB分量特征的变电站火焰识别算法，其特征在于，步骤五，判断识别火焰现象；将步骤二和步骤四所计算得到的640*480大小的单通道图片采用OPENCV提供的MOG前后景分离方法进行计算处理，处理后形成新的单通道图片；最后根据像素点的值为255的像素个数来判断是否存在火焰，当像素个数大于等于100时，判断为存在火焰，当像素个数小于100时，则认为不存在火焰。