CN109086647A - 烟雾检测方法及设备 - Google Patents

烟雾检测方法及设备 Download PDF

Info

Publication number
CN109086647A
CN109086647A CN201810506665.8A CN201810506665A CN109086647A CN 109086647 A CN109086647 A CN 109086647A CN 201810506665 A CN201810506665 A CN 201810506665A CN 109086647 A CN109086647 A CN 109086647A
Authority
CN
China
Prior art keywords
smog
measured
image
smog image
smoke
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.)
Granted
Application number
CN201810506665.8A
Other languages
English (en)
Other versions
CN109086647B (zh
Inventor
郭宇
董远
白洪亮
熊风烨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SUZHOU FEISOU TECHNOLOGY Co.,Ltd.
Original Assignee
Beijing Faceall Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Faceall Co filed Critical Beijing Faceall Co
Priority to CN201810506665.8A priority Critical patent/CN109086647B/zh
Publication of CN109086647A publication Critical patent/CN109086647A/zh
Application granted granted Critical
Publication of CN109086647B publication Critical patent/CN109086647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种烟雾检测方法及设备，对待测视频进行处理，得到至少一帧待测烟雾图像；从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域；将所述候选烟雾区域输入到卷积神经网络中，确定烟雾检测结果，其中，所述卷积神经网络是根据从已处理的烟雾视频中获取的烟雾区域和非烟雾区域进行训练所确定的。利用本申请实施例记载的烟雾检测方案，将颜色特征和运动特征判别与训练好的卷积神经网络提取区域的抽象特征相结合，实现烟雾检测。这里，卷积神经网络对特征的表达能力和鲁棒性能更好，可以提升烟雾检测方案的准确性。

Description

烟雾检测方法及设备
技术领域
本申请涉及互联网信息处理技术以及计算机技术领域，尤其涉及一种烟雾检测方法及设备。
背景技术
在日常生活中，火灾对于人类的生命财产安全产生极大的威胁，尽早发现火情并及时处理，对于保护生命和财产安全有着重要的意义，因此基于视频监控的烟雾和火灾自动检测是目前工业界研究的热点之一。现有技术多通过烟雾检测来预测是否发生火灾，进而实现火灾预警救治。
其中，现有技术中的烟雾检测方案，是对监控视频进行处理，根据监控视频中是否检测到烟雾特征来预测是否存在烟雾。但是，现有技术的烟雾检测方案的准确率不高。
发明内容
本申请实施例要解决的技术问题是，现有的烟雾检测方案的准确率不高。
本申请实施例采用下述技术方案：
本申请实施例提供一种烟雾检测方法，包括：
对烟雾视频进行处理，得到至少一帧烟雾图像；
从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域；
将所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中，确定所述卷积神经网络的参数值。
本申请实施例还提供一种烟雾检测方法，包括：
对待测视频进行处理，得到至少一帧待测烟雾图像；
从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域；
将所述候选烟雾区域输入到卷积神经网络中，确定烟雾检测结果，其中，所述卷积神经网络是根据从已处理的烟雾视频中获取的烟雾区域和非烟雾区域进行训练所确定的。
本申请实施例还提供一种烟雾检测设备，包括：
处理模块，对烟雾视频进行处理，得到至少一帧烟雾图像；
提取模块，从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域；
确定模块，将所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中，确定所述卷积神经网络的参数值。
本申请实施例还提供一种烟雾检测设备，包括：
处理模块，对待测视频进行处理，得到至少一帧待测烟雾图像；
提取模块，从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域；
确定模块，将所述候选烟雾区域输入到卷积神经网络中，确定烟雾检测结果，其中，所述卷积神经网络是根据从已处理的烟雾视频中获取的烟雾区域和非烟雾区域进行训练所确定的。
本申请实施例还提供一种电子设备，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行上述任一所述的目标跟踪方法。
本申请实施例还提供一种电子设备，一种计算机可读存储介质，其特征在于，包括与电子设备结合使用的程序，程序可被处理器执行以完成上述任一所述的目标跟踪方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
在测试阶段，对待测视频进行处理，得到至少一帧待测烟雾图像；从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域；将所述候选烟雾区域输入到卷积神经网络中，确定烟雾检测结果，其中，所述卷积神经网络是根据从已处理的烟雾视频中获取的烟雾区域和非烟雾区域进行训练所确定的。利用本申请实施例记载的烟雾检测方案，将颜色特征和运动特征判别与训练好的卷积神经网络提取区域的抽象特征相结合，实现烟雾检测。这里，卷积神经网络对特征的表达能力和鲁棒性能更好，可以提升烟雾检测方案的准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种烟雾检测方法中训练阶段和测试阶段的流程示意图；
图2为本申请实施例提供的一种烟雾检测方法的流程示意图；
图3为本申请实施例提供的一种烟雾检测方法的流程示意图；
图4为本申请实施例提供的一种烟雾检测设备的结构示意图；
图5为本申请实施例提供的一种烟雾检测设备的结构示意图；
图6为图2所示烟雾检测方法中一个应用示例的流程示意图；
图7为图2所示烟雾检测方法中待测区块所对应烟雾的运动方向示意图。
具体实施方式
对现有烟雾检测方案进行研究发现，现有基于监控视频的烟雾检测方法如下：
a.筛选视频图像中的前景，使用支持向量机(英文：Support Vector Machine，缩写：SVM)筛选出其中具有类似烟雾的区域；应用小波变换分析高频信号变化，筛选出其中背景是逐渐模糊变化的数字图像；使用Adaboost级联分类器对筛选出具有烟雾纹理特征的数字图像。其缺点在于：烟雾检测系统中各部分的性能相互影响，计算复杂度和部署复杂度较高，影响到烟雾检测结果的准确性。
b.基于随机森林的烟雾检测方法：人工确定烟雾的四种特征作为随机森林模型的输入，经随机森林模型训练后进行特征降维后得到回归特征值；利用支持向量机结合回归特征，训练烟雾块和非烟雾块分类的模型。其缺点在于，特征提取过程相对复杂，造成烟雾检测的准确性低。
c.针对视频是否为夜晚或白天的图像，对于夜晚和白天的视频分别使用近邻域搜索确定烟雾和火灾区域。其缺点在于，近邻域搜索的准确率不能保证，对于复杂的火灾情况较难处理。
d.基于多特征融合的快速视频火焰探测，对图像建立高斯模型提取火焰运动区域。其缺点在于，对于火灾初期产生的大量烟雾无法准确预测，准确性及实用性都比较有限。
为了实现本申请的目的，本申请实施例提出一种基于卷积神经网络(英文：Convolutional Neural Network,缩写：CNN)的烟雾检测方法及设备。
本申请实施例的目标检测方法可以分为两个阶段阐述。参照图1，图1为本申请实施例提出的一种目标检测方法的流程示意图。
在训练阶段Ⅰ，首先，对于训练用的烟雾视频进行运预处理，解码为至少一帧烟雾图像；提取运动特征和颜色特征中的至少一种，确定烟雾图像中的烟雾区域和非烟雾区域；将分类好的烟雾区域和非烟雾区域输入卷积神经网络，训练卷积神经网络的参数，并存储卷积神经网络的参数θf用于后续的判别。
在测试阶段Ⅱ，将待测视频经过预处理后，得到至少一帧待测图像；提取运动特征和颜色特征中的至少一种，确定待测烟雾图像中的候选烟雾区域。将候选烟雾区域输入到卷积神经网络中，利用在训练阶段存储的卷积神经网络参数θf判别该候选烟雾区域是否为烟雾区域。若为烟雾区域，则将该烟雾区域标注在原待测视频的相应位置并报警。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图2为本申请实施例提供的一种烟雾检测方法的流程示意图。所述方法可以如下所示。图2所述烟雾检测方法用于对卷积神经网络进行训练。本申请实施例的执行主体可以为烟雾检测系统或运行烟雾检测系统的设备。
步骤201：对烟雾视频进行处理，得到至少一帧烟雾图像。
这里烟雾视频包含烟雾图像，可以是真实火灾现场的监控视频，用来对卷积神经网络进行训练。烟雾图像中显示烟雾，烟雾图像可以是对烟雾视频进行解码得到的单帧烟雾图像雾。对一段烟雾视频可以解码得到多帧烟雾图像，这里可以对多段烟雾视频分别解码，以确定更多帧可供训练的烟雾图像。
在本申请实施例中，在烟雾视频处理阶段，首先将烟雾视频解码为每一帧烟雾图像，由于不同视频图像的尺度和分辨率不同，因此可以将每帧烟雾图像的尺度进行归一化处理。具体地，可以使用三次样条插值(英文：Cubic Spline Interpolation，简称：Spline)的方法对烟雾图像进行缩放/扩展,将烟雾图像统一尺寸为640*480或其他尺寸。
进一步地，为了避免各种噪声因素的干扰影响识别的效果，对统一尺寸后的烟雾图像进行高斯滤波操作。其中，高斯核的半径可以为5或其他值，高斯核的卷积公式如下：
其中Ioutput为滤波输出后的图像，Iinput为输入图像，G5为半径为5的高斯核，x,y为当前滑动窗口相对于(原)烟雾图像的偏移量。
将经过高斯滤波后的烟雾图像作为输入图像做后续处理，在这种情况下，后续烟雾图像可以是经高斯滤波后的烟雾图像。
步骤202：从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域。
在本申请实施例中，这里的烟雾图像为经过高斯滤波处理后的烟雾图像。烟雾区域显示烟雾，而非烟雾区域中不显示烟雾或所显示的烟雾不足以作出“检测到烟雾”的预测。
在本说明实施例中，若所述运动特征包括烟雾的运动方向，则从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域，可以包括：
确定指定帧烟雾图像中的运动区域，所述指定帧烟雾图像与正在处理的所述烟雾图像相隔预设时序；
在所述烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向；
判断运动方向是否满足第一预设条件；
若是，则根据所述运动方向确定所述烟雾图像中的所述烟雾区域；
若否，则确定所述烟雾图像中的所述非烟雾区域。
这里指定帧烟雾图像与正在处理的烟雾图像可以相邻或相差相隔其他预设时序，指定帧烟雾图像可以比正在处理的烟雾图像时序在前或时序在后，在此不作限定。
在真实火灾场景中，燃烧产生的烟雾上升，并在上升过程中逐渐向四周扩散。对于烟雾检测，烟雾的运动状态既包括烟雾的移动，也包括烟雾运动区域与附近区域的亮度差异。因此，从烟雾图像中确定运动区域，可以包括：
对指定帧烟雾图像进行处理，得到前景；
根据所述前景确定指定帧烟雾图像的运动区域。
烟雾图像中烟雾运动区域可以视为前景，而其附近区域可视为背景。
在本申请实施例中，对指定帧烟雾图像进行处理，得到前景，可以包括：
获取预设数量的烟雾图像的像素值，所述预设数量的烟雾图像的时序位于所述指定帧烟雾图像之前；
根据预设数量的烟雾图像的像素值，生成基于高斯混合模型(英文： Gaussianmixture model，简称：GMM)的概率分布；
匹配所述指定帧烟雾图像与基于高斯混合模型的概率分布；
根据匹配结果确定所述指定帧烟雾图像中的前景。
高斯混合模型本质上是一个概率密度函数，高斯混合模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物，它是一个将事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。高斯混合模型的基本思想为：选取K个高斯分布，将这些分布相加构成GMM概率密度函数。
其中K表示高斯分布的个数，N()为多元高斯分布，πk表示混合加权值，且满足具体如图6所示：
利用收集到的同一烟雾视频中前N帧烟雾图像(预设数量)的像素值，计算高斯混合模型参数，推算GMM的概率分布，最后使用最大期望值EM算法计算其中的高斯分布的参数。之后从指定帧烟雾图像(第N+1帧烟雾图像)开始，与前N帧烟雾图像的高斯混合模型的概率分布进行匹配，输出前景和背景。具体地，判断指定帧烟雾图像中每一个像素点与基于高斯混合模型的概率分布是否匹配。在真实烟雾环境中，烟雾处于持续运动状态，其亮度也处于变化状态，因此，在匹配时，如果匹配不成功则判定为前景，前景可视为烟雾的运动区域；反之，烟雾附近的背景则变化不大，则如果匹配成功则判定为背景。
这里对N没有具体限定，可根据需要进行选择。
在真实火灾场景中，由于烟雾图像中的运动区域不止是烟雾，还会有其他因素如天空中的云雾、风吹动树叶的影响，因此需要进一步确定烟雾的运动方向。火灾烟雾是由燃烧过程产生，燃料燃烧时使周围温度升高产生空气对流，导致带有烟雾的热空气上升，因此烟雾的产生一般会有向上的运动趋势，以此来区别火焰产生的烟雾与其他云雾等的区别。经过观察，烟雾虽然不断变化，但是在帧间隔不大的情况下，在烟雾运动方向上，烟雾的形状会比较接近。基于这个特点，可以以相邻运动区域检测来提取烟雾的运动特征。
具体地，在烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向，可以包括：
根据所述运动区域在指定帧烟雾图像中的位置，确定所述运动区域在正在处理的烟雾图像中对应位置的目标区块；
在与所述对应位置相距预设值的至少一个位置，在正在处理的烟雾图像中提取待测区块；
获取所提取的各个待测区块与目标区块之间的灰度差异值；
根据各个待测区块对应的灰度差异值确定运动方向。
在具体应用中，例如对于正在处理的第N+1帧烟雾图像，具体做法为：
a.对指定帧烟雾图像划分为较小的区块，获得包含运动区域的区块作为中心区块，记为IN+1(x,y)；
b.如图7所示：
根据包含运动区域的中心区块在第N+1帧烟雾图像中的对应位置，在第 N+2帧或第N帧烟雾图像(正在处理的烟雾图像)中确定目标区块，在目标区块的周围，按图7中获取8个相邻的待测区块(若位于边缘，则获取5个或3 个)。其中，8个待测区块记作IN(x+1,y),IN(x+1,y+1),IN(x+1,y-1)， IN(x-1,y),IN(x-1,y-1),IN(x-1,y+1),IN(x,y-1),IN(x,y+1),分别表示图7中待测区块中箭头所指示的运动方向。利用以下公式分别计算8个待测区块与目标区块之间的灰度差异值。
其中，灰度差异值ε的计算由目标区块与周围待测区块的灰度值得出，用来判断运动方向。计算完成后，从各个待测区块对应的灰度差异值中确定满足设定条件的灰度差异值，例如确定最小灰度差异值。接着，在正在处理的烟雾图像中，判断满足设定条件的灰度差异值所对应的待测区块相对于目标区块是否位于上方。如果图7中标注的1、2或3表征的运动方向对应的灰度差异值最小，则该运动对应的待测区块满足烟雾的运动趋势，则可以根据该运动方向对应的待测区块确定烟雾区域。
在本申请实施例中，从各个待测区块对应的灰度差异值中确定满足设定条件的灰度差异值，还可以是位于预设范围内的差异值。所述位于目标区块的上方包括位于目标区块的正上方或与正上方具有一定偏离角度(如图7中的1、 2、3)。
在上述应用示例中，取相邻的两帧烟雾图像进行处理，满足相差预设时序。在其他应用示例中，也可以是取非相邻但满足预设时序的两帧烟雾图像进行处理。其中，取与中心区块相邻的其他区块进行匹配，在其他应用示例中，也可以是相距预设值的其他区域，在此不作具体限定。
这里基于运动方向这一方向特征来表征烟雾的运动特征，在本申请实施例中，还可以使用运动方向之外的其他特征来表征烟雾的运动特征，在此不作具体限定。
在本申请实施例中，根据所确定的运动方向对应的待测区块可以确定正在处理的烟雾图像中的烟雾区域，具体地根据至少一个待测区块在正在处理的烟雾图像中的位置，分别提取至少一个烟雾区域或根据多个待测区块表征的一个烟雾区域。
在本申请实施例中，在确定运动特征之后，还可以进一步提取颜色特征。因此，根据烟雾的颜色特征和运动特征中的至少一种，从所述烟雾图像中提取烟雾区域和非烟雾区域，还可以包括：
从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征；
根据满足第二预定条件的颜色特征对应的待测区块，确定烟雾区域。
在这种情况下，参考图7中的待测区块1、2、3的颜色特征同时满足第二预设条件，则可以直接将该待测区块确定为烟雾区域。
在对真实的烟雾图像进行分析时发现，在对大量烟雾图像在HSV空间(根据颜色的直观特性创建的颜色空间，空间的三个参数分别为：色调(H)，饱和度(S)和明度(V))的颜色分析，得到结论：
a.在HSV颜色空间中，烟雾区域的饱和度S较低，例如饱和度S的阈值取 67，即烟雾区域的饱和度一般低于67或者饱和度S的取值范围可以是其他选择；
b.烟雾区域的亮度值V会有所上升。
因此，从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征，包括：
在满足设定条件的灰度差异值所对应的待测区块中提取HSV颜色空间的亮度值与饱和度；
根据满足第二预定条件的颜色特征对应的待测区块，确定烟雾区域，包括：
获取预设数量的烟雾图像的亮度平均值，预设数量的烟雾图像的时序位于所述颜色特征对应的烟雾图像之前；
匹配所述亮度值与亮度平均值、和匹配所述饱和度与饱和度阈值；
根据匹配结果确定所述烟雾区域。
在本申请实施例中，参考前文根据预设数量的烟雾图像确定运动区域的方案，可以同时提取所述预设数量的烟雾图像的亮度平均值Vavg。若正在处理的烟雾图像中，满足第二预定条件的颜色特征对应的待测区块的亮度值高于Vavg 且饱和度低于饱和度阈值，则认为是符合颜色特征的烟雾区域。
步骤203：将所述至少一帧烟雾图像各自对应的烟雾区域和非烟雾区域输入到卷积神经网络中，确定所述卷积神经网络的参数值。
在本申请实施例中，执行步骤202可以判定烟雾区域。执行步骤203，各烟雾区域和非烟雾区域是从真实烟雾视频中所提取，则在训练过程中，利用卷积神经网络中的各层卷积层对每一张烟雾区域和非烟雾区域进行卷积，在提取抽象特征的同时，可以确定每层卷积层的权重(参数)。在这种情况下，将所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中，可以包括：
在至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域中分别添加不同标签，所述标签用于区分所述烟雾区域和非烟雾区域；
将携带标签的所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中。
标签用来区分烟雾区域和非烟雾区域，因此对于卷积神经网络来说，对烟雾区域和非烟雾区域经多层卷积，提取各区域的抽象特征，进而通过识别标签，确定区分烟雾区域和非烟雾区域的权重系数。
在卷积神经网络的训练阶段，可以从多段烟雾视频中提取到若干数量的烟雾区域和非烟雾区域。卷积神经网络的结构可以由两个或其他数量的卷积层与两个全连接层组成，最终的损失函数可以为Softmax函数。借助于损失函数，对卷积神经网络中的权重进行修正，以区分烟雾区域和非烟雾区域。由于卷积神经网络较小，仍可以保证较高的运算速度。训练完成后，保存卷积神经网络的权重参数用于判别。
利用本申请实施例记载的烟雾检测方案，将颜色特征和运动特征判别与卷积神经网络经训练提取区域的抽象特征相结合，对卷积神经网络进行训练。其中，卷积神经网络对特征的表达能力和鲁棒性能更好，因此利用卷积神经网络可以提升烟雾检测方案的准确性。
图3为本申请实施例提供的一种烟雾检测方法的流程示意图，所述方法如下所示。图3所述方法是利用图2所示方法训练得到的卷积神经网络进行烟雾现实烟雾检测，进而实现火灾预测。本申请实施例的执行主体可以为烟雾检测系统或运行烟雾检测系统的设备。
步骤301：对待测视频进行处理，得到至少一帧待测烟雾图像。
这里的待测视频可以是监控视频中的一段连续视频或全部监控视频。在本申请实施例中，对待测视频进行处理的步骤，可以参考上文步骤101，在此不作赘述。
步骤302：从待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域。
在本申请实施例中，若所述运动特征包括运动方向，则从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域，包括：
确定指定帧待测烟雾图像中的运动区域，所述指定帧待测烟雾图像与所述待测烟雾图像相隔预设时序；
在所述待测烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向；
判断所述运动方向是否满足第一预设条件；
若是，则根据所述运动方向确定所述待测烟雾图像中的所述候选烟雾区域 (正在处理的)待测烟雾图像相隔预设时序；
在待测烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向；
判断所述运动方向是否满足第一预设条件；
若是，则根据所述运动方向确定所述待测烟雾图像中的所述候选烟雾区域。
可选地，确定指定帧待测烟雾图像中的运动区域，包括：
对指定帧待测烟雾图像进行处理，得到前景；
根据所述前景确定所述指定帧待测烟雾图像中的运动区域。
在这种情况下，前景所包含的区域即为运动区域。其中，对确定指定帧待测烟雾中的运动区域，可以参考上文步骤202，在此不作具体限定。
可选地，对所述指定帧待测烟雾图像进行处理，得到前景，包括：
获取预设数量的待测烟雾图像的像素值，所述预设数量的烟雾图像的时序位于指定帧待测烟雾图像之前；
根据所述预设数量的待测烟雾图像的像素值，生成高斯混合模型的概率分布；
匹配所述指定帧待测烟雾图像与所述高斯混合模型的概率分布；
根据匹配结果确定所述指定帧待测烟雾图像中的所述前景。
这样，判断指定帧待测烟雾图像中的每一个像素点与高斯混合模型是否匹配，若匹配不成功则判定为前景，反之则为背景。
在本申请实施例中，在所述待测烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向，包括：
根据所述运动区域在所述指定帧待测烟雾图像中的位置，确定所述运动区域在所述待测烟雾图像中对应位置的目标区块；
在与所述对应位置相距预设值的至少一个位置，在所述待测烟雾图像中提取待测区块；
获取所提取的各个待测区块与所述目标区块之间的灰度差异值；
根据各个待测区块对应的灰度差异值确定所述运动方向。
这可以参考图7所对应的方案，在此不作具体限定。
在本申请实施例中，从各个待测区块对应的灰度差异值中确定满足设定条件的灰度差异值；
在待测烟雾图像中，判断满足设定条件的灰度差异值所对应的待测区块相对于目标区块是否位于上方。若位于上方，则该待测区块视为候选烟雾区域。
在本申请实施例中，从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域，包括：
从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述候选烟雾区域。
在本申请实施例中，从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征，包括：
在满足设定条件的灰度差异值所对应的待测区块中提取HSV颜色空间的亮度值与饱和度；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述候选烟雾图像，包括：
获取预设数量的烟雾图像的亮度平均值，所述预设数量的烟雾图像的时序位于所述颜色特征对应的烟雾图像之前；
匹配所述亮度值与亮度平均值、和匹配所述饱和度与饱和度阈值；
根据匹配结果确定所述候选烟雾区域。
在这种情况下，可以根据待测烟雾图像在HSV颜色空间的亮度值和饱和度来确定候选烟雾区域。
步骤303：将所述候选烟雾区域输入到卷积神经网络中，确定烟雾检测结果，其中，所述卷积神经网络是根据从已处理的烟雾视频中获取的烟雾区域和非烟雾区域进行训练所确定的。
这样，如果根据烟雾检测结果确定候选烟雾区域为烟雾区域，则待测视频为烟雾视频，则可以生成报警信息。所述报警信息包括声音或光线。
如果根据烟雾检测结果确定候选烟雾区域为非烟雾区域，则确定待测视频为非烟雾视频，则不会进行火灾报警。
利用本申请实施例记载的烟雾检测方法，将颜色特征和运动特征判别与训练好的卷积神经网络提取区域的抽象特征相结合，实现烟雾检测。这里，卷积神经网络对特征的表达能力和鲁棒性能更好，可以提升烟雾检测方案的准确性。
图4为本申请实施例提供的一种烟雾检测设备的结构图，所述设备结构如下所示。
本申请实施例记载的烟雾检测设备可以包括：
处理模块401，对烟雾视频进行处理，得到至少一帧烟雾图像；
提取模块402，从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域；
确定模块403，将所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中，确定所述卷积神经网络的参数值。
可选地，若所述运动特征包括烟雾的运动方向，则从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域，包括：
确定指定帧烟雾图像中的运动区域，所述指定帧烟雾图像比所述烟雾图像相隔预设时序；
在所述烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向；
判断所述运动方向是否满足第一预设条件；
若是，则根据所述运动方向确定所述烟雾图像中的所述烟雾区域；
若否，则确定所述烟雾图像中的所述非烟雾区域。
可选地，确定指定帧烟雾图像中的运动区域，包括：
对所述指定帧烟雾图像进行处理，得到前景；
根据所述前景确定所述指定帧烟雾图像中的运动区域。
可选地，对所述指定帧烟雾图像进行处理，得到前景，包括：
获取预设数量的烟雾图像的像素值，所述预设数量的烟雾图像的时序位于指定帧烟雾图像之前；
根据所述预设数量的烟雾图像的像素值，生成高斯混合模型的概率分布；
匹配所述指定帧烟雾图像与所述高斯混合模型的概率分布；
根据匹配结果确定所述指定帧烟雾图像中的所述前景。
可选地，在所述烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向，包括：
根据所述运动区域在所述指定帧烟雾图像中的位置，确定所述运动区域在所述烟雾图像中对应位置的目标区块；
在与所述对应位置相距预设值的至少一个位置，在所述烟雾图像中提取待测区块；
获取所提取的各个待测区块与所述目标区块之间的灰度差异值；
根据各个待测区块对应的灰度差异值确定所述运动方向。
可选地，判断所述运动方向是否满足第一预设条件，包括：
从各个待测区块对应的灰度差异值中确定满足设定条件的灰度差异值；
在所述烟雾图像中，判断满足设定条件的灰度差异值所对应的待测区块相对于所述目标区块是否位于上方。
可选地，从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域，还包括：
从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述烟雾区域。
可选地，从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征，包括：
在满足设定条件的灰度差异值所对应的待测区块中提取HSV颜色空间的亮度值与饱和度；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述烟雾区域，包括：
获取预设数量的烟雾图像的亮度平均值，所述预设数量的烟雾图像的时序位于所述颜色特征对应的烟雾图像之前；
匹配所述亮度值与亮度平均值、和匹配所述饱和度与饱和度阈值；
根据匹配结果确定所述烟雾区域。
可选地，将所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中，包括：
在所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域中分别添加不同标签，所述标签用于区分所述烟雾区域和非烟雾区域；
将携带标签的所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中。
图5为本申请实施例提供的一种烟雾检测设备的结构示意图，所述设备结构如下所示。
本申请实施例记载的烟雾检测设备可以包括：
处理模块501，对待测视频进行处理，得到至少一帧待测烟雾图像；
提取模块502，从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域；
确定模块503，将所述候选烟雾区域输入到卷积神经网络中，确定烟雾检测结果，其中，所述卷积神经网络是根据从已处理的烟雾视频中获取的烟雾区域和非烟雾区域进行训练所确定的。
可选地，若所述运动特征包括运动方向，则从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域，包括：
确定所述指定帧待测烟雾图像中的运动区域，所述指定帧待测烟雾图像与所述待测烟雾图像相隔预设时序；
在所述待测烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向；
判断所述运动方向是否满足第一预设条件；
若是，则根据所述运动方向确定所述待测烟雾图像中的所述候选烟雾区域。
可选地，确定指定帧待测烟雾图像中的运动区域，包括：
对所述指定帧待测烟雾图像进行处理，得到前景；
根据所述前景确定所述指定帧待测烟雾图像中的运动区域。
可选地，对所述指定帧待测烟雾图像进行处理，得到前景，包括：
获取预设数量的待测烟雾图像的像素值，所述预设数量的烟雾图像的时序位于指定帧待测烟雾图像之前；
根据所述预设数量的待测烟雾图像的像素值，生成高斯混合模型的概率分布；
匹配所述指定帧待测烟雾图像与所述高斯混合模型的概率分布；
根据匹配结果确定所述指定帧待测烟雾图像中的所述前景。
可选地，在所述待测烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向，包括：
根据所述运动区域在所述指定帧待测烟雾图像中的位置，确定所述运动区域在所述待测烟雾图像中对应位置的目标区块；
在与所述对应位置相距预设值的至少一个位置，在所述待测烟雾图像中提取待测区块；
获取所提取的各个待测区块与所述目标区块之间的灰度差异值；
根据各个待测区块对应的灰度差异值确定所述运动方向。
可选地，判断所述运动方向是否满足第一预设条件，包括：
从各个待测区块对应的灰度差异值中确定满足设定条件的灰度差异值；
在所述待测烟雾图像中，判断满足设定条件的灰度差异值所对应的待测区块相对于所述目标区块是否位于上方。
可选地，从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域，包括：
从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述候选烟雾区域。
可选地，从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征，包括：
在满足设定条件的灰度差异值所对应的待测区块中提取HSV颜色空间的亮度值与饱和度；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述候选烟雾区域，包括：
获取预设数量的烟雾图像的亮度平均值，所述预设数量的烟雾图像的时序位于所述颜色特征对应的烟雾图像之前；
匹配所述亮度值与亮度平均值、和匹配所述饱和度与饱和度阈值；
根据匹配结果确定所述候选烟雾图像。
可选地，若根据所述烟雾检测结果确定所述候选烟雾区域为烟雾区域，则生成报警信息。
基于同一发明构思，本申请实施例还提供一种电子设备，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行图1～图3所述的目标跟踪方法。
基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，包括与电子设备结合使用的程序，程序可被处理器执行以完成图1～图3所述的目标跟踪方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (38)

1.一种烟雾检测方法，其特征在于，包括：
对烟雾视频进行处理，得到至少一帧烟雾图像；
从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域；
将所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中，确定所述卷积神经网络的参数值。
2.如权利要求1所述的烟雾检测方法，其特征在于，若所述运动特征包括烟雾的运动方向，则从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域，包括：
确定指定帧烟雾图像中的运动区域，所述指定帧烟雾图像与所述烟雾图像相隔预设时序；
在所述烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向；
判断所述运动方向是否满足第一预设条件；
若是，则根据所述运动方向确定所述烟雾图像中的所述烟雾区域；
若否，则确定所述烟雾图像中的所述非烟雾区域。
3.如权利要求2所述的烟雾检测方法，其特征在于，确定指定帧烟雾图像中的运动区域，包括：
对所述指定帧烟雾图像进行处理，得到前景；
根据所述前景确定所述指定帧烟雾图像中的运动区域。
4.如权利要求3所述的烟雾检测方法，其特征在于，对所述指定帧烟雾图像进行处理，得到前景，包括：
获取预设数量的烟雾图像的像素值，所述预设数量的烟雾图像的时序位于指定帧烟雾图像之前；
根据所述预设数量的烟雾图像的像素值，生成高斯混合模型的概率分布；
匹配所述指定帧烟雾图像与所述高斯混合模型的概率分布；
根据匹配结果确定所述指定帧烟雾图像中的所述前景。
5.如权利要求2所述的烟雾检测方法，其特征在于，在所述烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向，包括：
根据所述运动区域在所述指定帧烟雾图像中的位置，确定所述运动区域在所述烟雾图像中对应位置的目标区块；
在与所述对应位置相距预设值的至少一个位置，在所述烟雾图像中提取待测区块；
获取所提取的各个待测区块与所述目标区块之间的灰度差异值；
根据各个待测区块对应的灰度差异值确定所述运动方向。
6.如权利要求5所述的烟雾检测方法，其特征在于，判断所述运动方向是否满足第一预设条件，包括：
从各个待测区块对应的灰度差异值中确定满足设定条件的灰度差异值；
在所述烟雾图像中，判断满足设定条件的灰度差异值所对应的待测区块相对于所述目标区块是否位于上方。
7.如权利要求6所述的烟雾检测方法，其特征在于，从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域，还包括：
从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述烟雾区域。
8.如权利要求7述的烟雾检测方法，其特征在于，从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征，包括：
在满足设定条件的灰度差异值所对应的待测区块中提取HSV颜色空间的亮度值与饱和度；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述烟雾区域，包括：
获取预设数量的烟雾图像的亮度平均值，所述预设数量的烟雾图像的时序位于所述颜色特征对应的烟雾图像之前；
匹配所述亮度值与亮度平均值、和匹配所述饱和度与饱和度阈值；
根据匹配结果确定所述烟雾区域。
9.如权利要求1所述的烟雾检测方法，其特征在于，将所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中，包括：
在所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域中分别添加不同标签，所述标签用于区分所述烟雾区域和非烟雾区域；
将携带标签的所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中。
10.一种烟雾检测方法，其特征在于，包括：
对待测视频进行处理，得到至少一帧待测烟雾图像；
从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域；
将所述候选烟雾区域输入到卷积神经网络中，确定烟雾检测结果，其中，所述卷积神经网络是根据从已处理的烟雾视频中获取的烟雾区域和非烟雾区域进行训练所确定的。
11.如权利要求10所述的烟雾检测方法，其特征在于，若所述运动特征包括运动方向，则从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域，包括：
确定指定帧待测烟雾图像中的运动区域，所述指定帧待测烟雾图像与所述待测烟雾图像相隔预设时序；
在所述待测烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向；
判断所述运动方向是否满足第一预设条件；
若是，则根据所述运动方向确定所述待测烟雾图像中的所述候选烟雾区域。
12.如权利要求11所述的烟雾检测方法，其特征在于，确定指定帧待测烟雾图像中的运动区域，包括：
对所述指定帧待测烟雾图像进行处理，得到前景；
根据所述前景确定所述指定帧待测烟雾图像中的运动区域。
13.如权利要求12所述的烟雾检测方法，其特征在于，对所述指定帧待测烟雾图像进行处理，得到前景，包括：
获取预设数量的待测烟雾图像的像素值，所述预设数量的烟雾图像的时序位于指定帧待测烟雾图像之前；
根据所述预设数量的待测烟雾图像的像素值，生成高斯混合模型的概率分布；
匹配所述指定帧待测烟雾图像与所述高斯混合模型的概率分布；
根据匹配结果确定所述指定帧待测烟雾图像中的所述前景。
14.如权利要求11所述的烟雾检测方法，其特征在于，在所述待测烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向，包括：
根据所述运动区域在所述指定帧待测烟雾图像中的位置，确定所述运动区域在所述待测烟雾图像中对应位置的目标区块；
在与所述对应位置相距预设值的至少一个位置，在所述待测烟雾图像中提取待测区块；
获取所提取的各个待测区块与所述目标区块之间的灰度差异值；
根据各个待测区块对应的灰度差异值确定所述运动方向。
15.如权利要求14所述的烟雾检测方法，其特征在于，判断所述运动方向是否满足第一预设条件，包括：
从各个待测区块对应的灰度差异值中确定满足设定条件的灰度差异值；
在所述待测烟雾图像中，判断满足设定条件的灰度差异值所对应的待测区块相对于所述目标区块是否位于上方。
16.如权利要求15所述的烟雾检测方法，其特征在于，从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域，包括：
从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述候选烟雾区域。
17.如权利要求16述的烟雾检测方法，其特征在于，从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征，包括：
在满足设定条件的灰度差异值所对应的待测区块中提取HSV颜色空间的亮度值与饱和度；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述候选烟雾区域，包括：
获取预设数量的烟雾图像的亮度平均值，所述预设数量的烟雾图像的时序位于所述颜色特征对应的烟雾图像之前；
匹配所述亮度值与亮度平均值、和匹配所述饱和度与饱和度阈值；
根据匹配结果确定所述候选烟雾图像。
18.如权利要求10述的烟雾检测方法，其特征在于，还包括：
若根据所述烟雾检测结果确定所述候选烟雾区域为烟雾区域，则生成报警信息。
19.一种烟雾检测设备，其特征在于，包括：
处理模块，对烟雾视频进行处理，得到至少一帧烟雾图像；
提取模块，从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域；
确定模块，将所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中，确定所述卷积神经网络的参数值。
20.如权利要求19所述的烟雾检测设备，其特征在于，若所述运动特征包括烟雾的运动方向，则从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域，包括：
确定指定帧烟雾图像中的运动区域，所述指定帧烟雾图像与所述烟雾图像相隔预设时序；
在所述烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向；
判断所述运动方向是否满足第一预设条件；
若是，则根据所述运动方向确定所述烟雾图像中的所述烟雾区域；
若否，则确定所述烟雾图像中的所述非烟雾区域。
21.如权利要求20所述的烟雾检测设备，其特征在于，确定指定帧烟雾图像中的运动区域，包括：
对所述指定帧烟雾图像进行处理，得到前景；
根据所述前景确定所述指定帧烟雾图像中的运动区域。
22.如权利要求21所述的烟雾检测设备，其特征在于，对所述指定帧烟雾图像进行处理，得到前景，包括：
获取预设数量的烟雾图像的像素值，所述预设数量的烟雾图像的时序位于指定帧烟雾图像之前；
根据所述预设数量的烟雾图像的像素值，生成高斯混合模型的概率分布；
匹配所述指定帧烟雾图像与所述高斯混合模型的概率分布；
根据匹配结果确定所述指定帧烟雾图像中的所述前景。
23.如权利要求20所述的烟雾检测设备，其特征在于，在所述烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向，包括：
根据所述运动区域在所述指定帧烟雾图像中的位置，确定所述运动区域在所述烟雾图像中对应位置的目标区块；
在与所述对应位置相距预设值的至少一个位置，在所述烟雾图像中提取待测区块；
获取所提取的各个待测区块与所述目标区块之间的灰度差异值；
根据各个待测区块对应的灰度差异值确定所述运动方向。
24.如权利要求23所述的烟雾检测设备，其特征在于，判断所述运动方向是否满足第一预设条件，包括：
从各个待测区块对应的灰度差异值中确定满足设定条件的灰度差异值；
在所述烟雾图像中，判断满足设定条件的灰度差异值所对应的待测区块相对于所述目标区块是否位于上方。
25.如权利要求24所述的烟雾检测设备，其特征在于，从所述烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述烟雾图像中的烟雾区域和非烟雾区域，还包括：
从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述烟雾区域。
26.如权利要求25述的烟雾检测设备，其特征在于，从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征，包括：
在满足设定条件的灰度差异值所对应的待测区块中提取HSV颜色空间的亮度值与饱和度；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述烟雾区域，包括：
获取预设数量的烟雾图像的亮度平均值，所述预设数量的烟雾图像的时序位于所述颜色特征对应的烟雾图像之前；
匹配所述亮度值与亮度平均值、和匹配所述饱和度与饱和度阈值；
根据匹配结果确定所述烟雾区域。
27.如权利要求19所述的烟雾检测设备，其特征在于，将所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中，包括：
在所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域中分别添加不同标签，所述标签用于区分所述烟雾区域和非烟雾区域；
将携带标签的所述至少一帧烟雾图像各自对应的所述烟雾区域和非烟雾区域输入到卷积神经网络中。
28.一种烟雾检测设备，其特征在于，包括：
处理模块，对待测视频进行处理，得到至少一帧待测烟雾图像；
提取模块，从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域；
确定模块，将所述候选烟雾区域输入到卷积神经网络中，确定烟雾检测结果，其中，所述卷积神经网络是根据从已处理的烟雾视频中获取的烟雾区域和非烟雾区域进行训练所确定的。
29.如权利要求28所述的烟雾检测设备，其特征在于，若所述运动特征包括运动方向，则从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域，包括：
确定指定帧待测烟雾图像中的运动区域，所述指定帧待测烟雾图像比所述待测烟雾图像相隔预设时序；
在所述待测烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向；
判断所述运动方向是否满足第一预设条件；
若是，则根据所述运动方向确定所述待测烟雾图像中的所述候选烟雾区域。
30.如权利要求29所述的烟雾检测设备，其特征在于，确定指定帧待测烟雾图像中的运动区域，包括：
对所述指定帧待测烟雾图像进行处理，得到前景；
根据所述前景确定所述指定帧待测烟雾图像中的运动区域。
31.如权利要求30所述的烟雾检测设备，其特征在于，对所述指定帧待测烟雾图像进行处理，得到前景，包括：
获取预设数量的待测烟雾图像的像素值，所述预设数量的烟雾图像的时序位于指定帧待测烟雾图像之前；
根据所述预设数量的待测烟雾图像的像素值，生成高斯混合模型的概率分布；
匹配所述指定帧待测烟雾图像与所述高斯混合模型的概率分布；
根据匹配结果确定所述指定帧待测烟雾图像中的所述前景。
32.如权利要求29所述的烟雾检测设备，其特征在于，在所述待测烟雾图像中确定烟雾相对于所述运动区域的对应位置的运动方向，包括：
根据所述运动区域在所述指定帧待测烟雾图像中的位置，确定所述运动区域在所述待测烟雾图像中对应位置的目标区块；
在与所述对应位置相距预设值的至少一个位置，在所述待测烟雾图像中提取待测区块；
获取所提取的各个待测区块与所述目标区块之间的灰度差异值；
根据各个待测区块对应的灰度差异值确定所述运动方向。
33.如权利要求32所述的烟雾检测设备，其特征在于，判断所述运动方向是否满足第一预设条件，包括：
从各个待测区块对应的灰度差异值中确定满足设定条件的灰度差异值；
在所述待测烟雾图像中，判断满足设定条件的灰度差异值所对应的待测区块相对于所述目标区块是否位于上方。
34.如权利要求33所述的烟雾检测设备，其特征在于，从所述待测烟雾图像中提取颜色特征和运动特征中的至少一种，确定所述待测烟雾图像中的候选烟雾区域，包括：
从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述候选烟雾区域。
35.如权利要求34述的烟雾检测设备，其特征在于，从满足设定条件的灰度差异值所对应的待测区块中提取颜色特征，包括：
在满足设定条件的灰度差异值所对应的待测区块中提取HSV颜色空间的亮度值与饱和度；
根据满足第二预定条件的颜色特征对应的待测区块，确定所述候选烟雾区域，包括：
获取预设数量的烟雾图像的亮度平均值，所述预设数量的烟雾图像的时序位于所述颜色特征对应的烟雾图像之前；
匹配所述亮度值与亮度平均值、和匹配所述饱和度与饱和度阈值；
根据匹配结果确定所述候选烟雾图像。
36.如权利要求29述的烟雾检测设备，其特征在于，若根据所述烟雾检测结果确定所述候选烟雾区域为烟雾区域，则生成报警信息。
37.一种电子设备，其特征在于，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行权利要求1-18任一项所述的目标跟踪方法。
38.一种计算机可读存储介质，其特征在于，包括与电子设备结合使用的程序，程序可被处理器执行以完成权利要求1-18任一项所述的目标跟踪方法。
CN201810506665.8A 2018-05-24 2018-05-24 烟雾检测方法及设备 Active CN109086647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810506665.8A CN109086647B (zh) 2018-05-24 2018-05-24 烟雾检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810506665.8A CN109086647B (zh) 2018-05-24 2018-05-24 烟雾检测方法及设备

Publications (2)

Publication Number Publication Date
CN109086647A true CN109086647A (zh) 2018-12-25
CN109086647B CN109086647B (zh) 2022-01-07

Family

ID=64839718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810506665.8A Active CN109086647B (zh) 2018-05-24 2018-05-24 烟雾检测方法及设备

Country Status (1)

Country Link
CN (1) CN109086647B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390788A (zh) * 2019-08-21 2019-10-29 深圳云感物联网科技有限公司 一种森林防火烟火识别方法及其系统
CN116152667A (zh) * 2023-04-14 2023-05-23 英特灵达信息技术(深圳)有限公司 一种火灾检测方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090219389A1 (en) * 2006-09-25 2009-09-03 Siemens Schweiz Ag Detection of Smoke with a Video Camera
US20100097474A1 (en) * 2008-10-17 2010-04-22 Hao-Ting Zhao Smoke detecting method and system
CN103077530A (zh) * 2012-09-27 2013-05-01 北京工业大学 一种基于改进混合高斯和图像剪切的运动目标检测方法
CN104794486A (zh) * 2015-04-10 2015-07-22 电子科技大学 基于多特征融合的视频烟雾检测方法
CN105844295A (zh) * 2016-03-21 2016-08-10 北京航空航天大学 一种基于颜色模型与运动特征的视频烟雾精细分类方法
CN106228150A (zh) * 2016-08-05 2016-12-14 南京工程学院 基于视频图像的烟雾检测方法
CN107609470A (zh) * 2017-07-31 2018-01-19 成都信息工程大学 野外火灾早期烟雾视频检测的方法
CN107749067A (zh) * 2017-09-13 2018-03-02 华侨大学 基于运动特性和卷积神经网络的火灾烟雾检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090219389A1 (en) * 2006-09-25 2009-09-03 Siemens Schweiz Ag Detection of Smoke with a Video Camera
US20100097474A1 (en) * 2008-10-17 2010-04-22 Hao-Ting Zhao Smoke detecting method and system
CN103077530A (zh) * 2012-09-27 2013-05-01 北京工业大学 一种基于改进混合高斯和图像剪切的运动目标检测方法
CN104794486A (zh) * 2015-04-10 2015-07-22 电子科技大学 基于多特征融合的视频烟雾检测方法
CN105844295A (zh) * 2016-03-21 2016-08-10 北京航空航天大学 一种基于颜色模型与运动特征的视频烟雾精细分类方法
CN106228150A (zh) * 2016-08-05 2016-12-14 南京工程学院 基于视频图像的烟雾检测方法
CN107609470A (zh) * 2017-07-31 2018-01-19 成都信息工程大学 野外火灾早期烟雾视频检测的方法
CN107749067A (zh) * 2017-09-13 2018-03-02 华侨大学 基于运动特性和卷积神经网络的火灾烟雾检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李文辉 等: "一种基于块的视频烟雾检测算法", 《吉林大学学报（理学版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390788A (zh) * 2019-08-21 2019-10-29 深圳云感物联网科技有限公司 一种森林防火烟火识别方法及其系统
CN116152667A (zh) * 2023-04-14 2023-05-23 英特灵达信息技术(深圳)有限公司 一种火灾检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN109086647B (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
Zhao et al. SVM based forest fire detection using static and dynamic features
Prema et al. A novel efficient video smoke detection algorithm using co-occurrence of local binary pattern variants
Çetin et al. Video fire detection–review
Ko et al. Spatiotemporal bag-of-features for early wildfire smoke detection
US8983180B2 (en) Method of detecting smoke of forest fire using spatiotemporal BoF of smoke and random forest
CN110363104B (zh) 一种柴油黑烟车的检测方法
CN110516609A (zh) 一种基于图像多特征融合的火灾视频检测及预警方法
CN111680632A (zh) 基于深度学习卷积神经网络的烟火检测方法及系统
CN107862705A (zh) 一种基于运动特征和深度学习特征的无人机小目标检测方法
CN107609512A (zh) 一种基于神经网络的视频人脸捕捉方法
CN109389185B (zh) 使用三维卷积神经网络的视频烟雾识别方法
CN110276284A (zh) 基于视频质量评估的火焰识别方法、装置、设备及存储介质
CN110490043A (zh) 一种基于区域划分和特征提取的森林烟火检测方法
Maksymiv et al. Video-based flame detection using LBP-based descriptor: influences of classifiers variety on detection efficiency
CN112699801B (zh) 基于视频图像的火灾识别方法及系统
Tao et al. Smoke vehicle detection based on spatiotemporal bag-of-features and professional convolutional neural network
CN108073940B (zh) 一种非结构化环境中的3d目标实例物体检测的方法
CN108921215A (zh) 一种基于局部极值共生模式和能量分析的烟雾检测
CN111754519A (zh) 一种基于类激活映射的对抗防御方法
CN109086647A (zh) 烟雾检测方法及设备
Tao et al. Smoky vehicle detection based on range filtering on three orthogonal planes and motion orientation histogram
Tao et al. Contour-based smoky vehicle detection from surveillance video for alarm systems
Wang et al. Research on flame detection algorithm based on multi-feature fusion
CN110991245A (zh) 一种基于深度学习与光流法的实时烟雾检测方法
Liang et al. Random forest feature selection and back propagation neural network to detect fire using video

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
TA01 Transfer of patent application right

Effective date of registration: 20210927

Address after: 215000 unit 2-b702, creative industry park, 328 Xinghu street, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Applicant after: SUZHOU FEISOU TECHNOLOGY Co.,Ltd.

Address before: Room 1216, 12 / F, Beijing Beiyou science and technology and cultural exchange center, 10 Xitucheng Road, Haidian District, Beijing, 100876

Applicant before: BEIJING FEISOU TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant