CN108898098A - 基于监控平台的早期视频烟雾检测方法 - Google Patents
基于监控平台的早期视频烟雾检测方法 Download PDFInfo
- Publication number
- CN108898098A CN108898098A CN201810678311.1A CN201810678311A CN108898098A CN 108898098 A CN108898098 A CN 108898098A CN 201810678311 A CN201810678311 A CN 201810678311A CN 108898098 A CN108898098 A CN 108898098A
- Authority
- CN
- China
- Prior art keywords
- lbp
- video
- fritter
- frame
- pixel
- 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Abstract
本发明涉及一种基于监控平台的早期视频烟雾检测方法,包括:逐帧读取视频,并将每帧视频都归一化到同一大小;对视频进行背景建模,在背景建模完成后,对之后的每一帧进行处理并提取出前景像素点区域,并实时的对背景模型进行更新;对每一帧的前景区域进行形态学处理,去掉那些离群的且面积小于一定阈值的前景区域,并提取前景区域的外接边界框矩形,得到最终的前景区域;将前景矩形区域分成小块,针对每一个小块,分别提取两种基于LBP的纹理特征;利用提取的两种基于LBP的纹理特征Grad‑LBP和Co‑LBP训练支持向量机SVM分类器进行分类,用以判断每一个小块是否为烟雾。
Description
技术领域:
本发明属于智能视频监控领域。具体来说属于一种基于普通单目摄像头,单摄相机(即一般的现有视频监控平台)的视频烟雾检测安防系统。
背景技术:
随着社会经济迅猛发展,企业生产、仓储用房、大型批发市场、物流业、综合商场、体育场馆、影剧院、展览馆等各种建筑场所越来越多,这些场所具有人员流动性大,内部通道错综复杂等特点,一旦发生火灾,极易造成国家财产的重大损失和群死群伤恶性事故。近年来,我国各地相继发生了很多火灾,给国家和企业造成了较大的财产损失。
火灾发生的早期往往伴随着烟雾的产生,及时准确地将烟雾检测出来,对于保护人们的生命财产安全具有重要的意义。传统的烟雾检测主要依靠传感器,但是由于传感器大量布置比较困难,灵敏度也较低且需要烟雾达到一定浓度才会检测到,还会受到应用场合限制,有很多的局限性。
随着图像模式识别,计算机视觉等技术的不断发展,各种智能的算法不断被提出,近几年来,机器学习、深度学习也愈加受人关注,并且吸引越来越多的人投身其中,相关研究也不断深入。因此越来越多的研究人员,开始进行基于视频的烟雾检测研究,相比于传统的使用传感器来检测烟雾,基于视频的烟雾检测速度更快,精度更高,并且只是利用服务器,使用摄像头的视频流信息进行分析,并不需要在监控场所安装额外的其他设备。
我国对于智能安防领域的关注日益深入,视频监控系统遍布在生产生活中,而对得到的监控视频进行进一步的分析处理并保障人民的生命财产安全就成为了一项重要任务。通过使用一种较为有效的视频烟雾检测算法对视频进行分析,可以实时准确的对监控场景进行安全监测,这对于智能安防领域来说具有重要意义。
发明内容:
本发明的目的在于克服传统的基于传感器进行烟雾检测的不足,提供一种基于现有的监控平台的,可以实时的对监控场景进行烟雾检测分析的方法,从而在火灾发生初期实现对火灾的预警,技术方案如下:
一种基于监控平台的早期视频烟雾检测方法,包括下列的步骤:
1)入口为一个视频,逐帧的读取视频,并将每帧视频都归一化到同一大小,然后对视频帧进行适当的预处理。
2)对视频进行背景建模,在背景建模完成后,对之后的每一帧进行处理并提取出前景像素点区域,并实时的对背景模型进行更新。
3)对每一帧的前景区域进行形态学处理,去掉那些离群的且面积小于一定阈值的前景区域,并提取前景区域的外接边界框矩形,得到最终的前景区域。
4)将前景矩形区域分成24*24的小块,针对每一个小块,分别提取两种基于LBP的纹理特征,改进LBP,结合像素点的梯度信息得到中心像素周围的点之间的大小关系,从梯度方向和LBP特征值两个维度进行统计,得到小块的结合梯度信息的局部二值图特征Grad-LBP;并统计图像中具有一定位置关系的像素点的LBP,利用图像中的空间信息,得到局部共生二值图,进而统计得到小块的纹理特征,计算方法为:将某一像素点邻域内8个像素分别与0°,45°,90°,135°四个方向,块距离为R的像素点邻域对应位置8个像素比较,计算LBP,得到四种局部共生二值图,在计算完四个方向的共生LBP特征之后进行统计,作为小块的纹理特征Co-LBP。
5)利用提取的两种基于LBP的纹理特征Grad-LBP和Co-LBP训练支持向量机SVM分类器进行分类,用以判断每一个小块是否为烟雾。
附图说明:
图1为某一帧检测到烟雾的报警图片
图2为该检测算法的流程图
具体实施方式:
现有视频监控的一般架构为:由模拟摄像机拍摄的画面经过线缆一部分直接传给监视器显示,另一部分传给硬盘录像机。当需要对视频信息进行分析时,可另接一路将视频信号传输到服务器从而对视频进行检测分析。
下面对各个部分进行详细的说明:
1.视频预处理
对读取的视频帧进行归一化处理,统一处理成D1格式大小,这样可以保证视频的清晰度足够的同时提高计算效率,另外由于监控视频很多是夜间视频,所以将视频帧由RGB信号统一转换成灰度图格式,这样便可以不依赖于色彩信息,并进行适当的直方图均衡处理避免出现视频帧亮度突变的状况。
2.运动前景提取和背景模型更新
本方案中采用VIBE进行背景建模来提取前景,当背景建模完成后,在进行实时前景检测的同时保证背景持续更新,以保证可以持续获得准确地前景区域。之后对提取到的前景区域进行腐蚀膨胀等形态学处理,滤除掉不符合面积约束的小区域,得到最终的前景区域,并将前景区域分成24*24大小的小块,为下一步处理做准备。
3.特征提取
传统的LBP特征只是统计了中心像素点本身与周围像素点的大小关系,没有利用周围像素点之间的大小和空间关系,本专利在改进LBP的基础上,结合像素点的梯度信息从而得到了中心像素周围的点之间的大小关系,得到了结合梯度信息的局部二值图特征;并统计图像中具有一定位置关系的像素点的LBP,利用了图像中的空间信息,得到局部共生二值图特征。
(1).提取结合梯度信息的局部二值图特征(Grad-LBP)
其中结合梯度信息的局部二值图特征,该特征从梯度方向和LBP特征值两个维度进行统计,本方法统计均匀模式的LBP8,1共59种模式,同时考虑梯度信息(梯度分为9个方向),统计图像中具有相同LBP值且具有相同梯度方向的点的分布。具体如下:
本方法统计均匀模式的LBP8,1共59种模式,同时考虑梯度信息(梯度分为9个方向)。在统计时,计算59*9个分组的直方图。每个分组的数值代表相同LBP且具有相同梯度方向的像素点个数。用Hm,θ代表直方图中LBP模式为m,梯度方向为θ的分组,其中m代表LBP模式类型(m=0,1…58),θ代表角度(θ=0,1…8),令me(x,y)和θe(x,y)代表点P(x,y)的LBP模式和梯度方向,公式如下:
(2).提取局部共生二值图(Co-LBP)
从GLCM的思想出发并结合LBP,本方法采用局部共生二值图描述图像纹理特征。若一个像素点为P(x,y),我们将P(x,y)邻域内的8个像素点分别与P(x+R,y),P(x+R,y+R),P(x,y+R),P(x-R,y+R)四个点邻域内的8个像素按对应位置相比,按照原始LBP的方式计算,得到四种局部共生二值图(即某一像素点邻域内8个像素分别与0°,45°,90°,135°四个方向,块距离为R的像素点邻域对应位置8个像素比较),在计算完四个方向的Co-LBP之后统计直方图,作为图片的纹理特征向量。
4.检测分析
对每一个小块计算其Grad-LBP和Co-LBP两种特征,并分别利用预先训练好的svm分类器进行分类,最终对两个分类器的分类结果根据输出进行加权,从而最终判断该小块是否包含烟雾。
Claims (1)
1.一种基于监控平台的早期视频烟雾检测方法,包括下列的步骤:
1)逐帧读取视频,并将每帧视频都归一化到同一大小;
2)对视频进行背景建模,在背景建模完成后,对之后的每一帧进行处理并提取出前景像素点区域,并实时的对背景模型进行更新;
3)对每一帧的前景区域进行形态学处理,去掉那些离群的且面积小于一定阈值的前景区域,并提取前景区域的外接边界框矩形,得到最终的前景区域;
4)将前景矩形区域分成小块,针对每一个小块,分别提取两种基于LBP的纹理特征,改进LBP,结合像素点的梯度信息得到中心像素周围的点之间的大小关系,从梯度方向和LBP特征值两个维度进行统计,得到小块的结合梯度信息的局部二值图特征Grad-LBP;并统计图像中具有一定位置关系的像素点的LBP,利用图像中的空间信息,得到局部共生二值图,进而统计得到小块的纹理特征,计算方法为:将某一像素点邻域内8个像素分别与0°,45°,90°,135°四个方向,块距离为R的像素点邻域对应位置8个像素比较,计算LBP,得到四种局部共生二值图,在计算完四个方向的共生LBP特征之后进行统计,作为小块的纹理特征Co-LBP;
5)利用提取的两种基于LBP的纹理特征Grad-LBP和Co-LBP训练支持向量机SVM分类器进行分类,用以判断每一个小块是否为烟雾。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810678311.1A CN108898098A (zh) | 2018-06-27 | 2018-06-27 | 基于监控平台的早期视频烟雾检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810678311.1A CN108898098A (zh) | 2018-06-27 | 2018-06-27 | 基于监控平台的早期视频烟雾检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108898098A true CN108898098A (zh) | 2018-11-27 |
Family
ID=64346411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810678311.1A Pending CN108898098A (zh) | 2018-06-27 | 2018-06-27 | 基于监控平台的早期视频烟雾检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898098A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111336A (zh) * | 2019-03-05 | 2019-08-09 | 中国科学院重庆绿色智能技术研究院 | 一种烟雾检测方法、系统、计算机可读存储介质及设备 |
CN110852174A (zh) * | 2019-10-16 | 2020-02-28 | 天津大学 | 一种基于视频监控的早期烟雾检测方法 |
CN110991244A (zh) * | 2019-11-01 | 2020-04-10 | 武汉纺织大学 | 一种基于深度学习与纹理特征的实时烟雾检测方法 |
CN111428630A (zh) * | 2020-03-23 | 2020-07-17 | 中国科学院重庆绿色智能技术研究院 | 一种矿井烟雾检测方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339602A (zh) * | 2008-07-15 | 2009-01-07 | 中国科学技术大学 | 一种基于光流法的视频火灾烟雾图像识别方法 |
CN102013008A (zh) * | 2010-09-16 | 2011-04-13 | 北京智安邦科技有限公司 | 一种基于支持向量机的烟雾检测方法及装置 |
CN103886598A (zh) * | 2014-03-25 | 2014-06-25 | 北京邮电大学 | 一种基于视频图像处理的隧道烟雾检测装置与方法 |
CN107301375A (zh) * | 2017-05-26 | 2017-10-27 | 天津大学 | 一种基于稠密光流的视频图像烟雾检测方法 |
-
2018
- 2018-06-27 CN CN201810678311.1A patent/CN108898098A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339602A (zh) * | 2008-07-15 | 2009-01-07 | 中国科学技术大学 | 一种基于光流法的视频火灾烟雾图像识别方法 |
CN102013008A (zh) * | 2010-09-16 | 2011-04-13 | 北京智安邦科技有限公司 | 一种基于支持向量机的烟雾检测方法及装置 |
CN103886598A (zh) * | 2014-03-25 | 2014-06-25 | 北京邮电大学 | 一种基于视频图像处理的隧道烟雾检测装置与方法 |
CN107301375A (zh) * | 2017-05-26 | 2017-10-27 | 天津大学 | 一种基于稠密光流的视频图像烟雾检测方法 |
Non-Patent Citations (1)
Title |
---|
赵敏 等: "时空背景模型下结合多种纹理特征的烟雾检测", 《HTTP://KNS.CNKI.NET/KCMS/DETAIL/61.1069.T.20180608.1814.014.HTML》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111336A (zh) * | 2019-03-05 | 2019-08-09 | 中国科学院重庆绿色智能技术研究院 | 一种烟雾检测方法、系统、计算机可读存储介质及设备 |
CN110852174A (zh) * | 2019-10-16 | 2020-02-28 | 天津大学 | 一种基于视频监控的早期烟雾检测方法 |
CN110991244A (zh) * | 2019-11-01 | 2020-04-10 | 武汉纺织大学 | 一种基于深度学习与纹理特征的实时烟雾检测方法 |
CN111428630A (zh) * | 2020-03-23 | 2020-07-17 | 中国科学院重庆绿色智能技术研究院 | 一种矿井烟雾检测方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104123544B (zh) | 基于视频分析的异常行为检测方法及系统 | |
CN103839065B (zh) | 人群动态聚集特征提取方法 | |
CN108898098A (zh) | 基于监控平台的早期视频烟雾检测方法 | |
CN110032977A (zh) | 一种基于深度学习图像火灾识别的安全预警管理系统 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN111339883A (zh) | 复杂场景下基于人工智能的变电站内异常行为识别与检测方法 | |
CN109948455B (zh) | 一种遗留物体检测方法及装置 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
CN103530638B (zh) | 多摄像头下的行人匹配方法 | |
CN103927520A (zh) | 一种逆光环境下人脸检测方法 | |
CN103714325A (zh) | 基于嵌入式系统的遗留物和遗失物实时检测方法 | |
CN109672863A (zh) | 一种基于图像识别的施工人员安全装备智能监测方法 | |
CN105426820A (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN104463904A (zh) | 一种高压线异物入侵目标检测方法 | |
Lai et al. | A real time video processing based surveillance system for early fire and flood detection | |
CN107659754B (zh) | 一种树叶扰动情况下监控视频的有效浓缩方法 | |
CN106096603A (zh) | 一种融合多特征的动态火焰检测方法及装置 | |
CN112183472A (zh) | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 | |
CN104504377A (zh) | 一种公交车乘客拥挤程度识别系统及方法 | |
CN111126293A (zh) | 一种火焰和烟雾异常情况检测方法及系统 | |
Chen et al. | Research on image fire detection based on support vector machine | |
CN107103299B (zh) | 一种监控视频中的人数统计方法 | |
CN103489012B (zh) | 一种基于支持向量机的人群密集度检测方法及系统 | |
CN104036250A (zh) | 视频行人检测与跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |