CN109272496B - 一种煤矿火灾视频监控用火灾图像识别方法 - Google Patents

Abstract

本发明公开了一种煤矿火灾视频监控用火灾图像识别方法，包括步骤：一、构建火焰像素比对样本数据和非火焰像素比对样本数据并存储在监控计算机中；二、图像采集及传输：设置在煤矿火灾监控点处的摄像头拍摄其周围图像并将其拍摄到的煤矿火灾监控图像发送给监控计算机；三、图像增强：监控计算机调用图像增强处理模块并依次采用改进的反锐化掩膜法和直方图均衡化方法对煤矿火灾监控图像进行图像增强处理；四、火灾图像识别：监控计算机调用火灾图像识别模块并采用KNN算法对进行图像增强处理后的煤矿火灾监控图像进行分析处理，判断是否为火灾图像。本发明实现方便，能够可靠地识别煤矿火灾，有效减少煤矿火灾的危害，实用性强，便于推广使用。

Description

一种煤矿火灾视频监控用火灾图像识别方法

技术领域

本发明属于煤矿火灾监控技术领域，具体涉及煤矿火灾视频监控用火灾图像识别方法。

背景技术

煤炭行业是我们国家支柱产业，是我们国家实现高速发展过程中的必需品。在我国煤炭存储量约1100亿吨左右，煤炭能源消费约占总能源的消费的75％。而在我国不断发展的过程中，煤炭的开采及开采安全问题也越来越突出，比如煤矿瓦斯，火灾等问题。所以对煤矿火灾的预测与防治工作变得尤为重要。

在早期煤矿火灾监测中，主要以人工的方式进行，但由于人的精力、视野等问题，使得火灾等问题容易遗漏，后来煤科院研制的胶带传送机火灾监测系统虽能够监测与处理火灾的发生，但是监测位置太少，仅仅只能同时监测3～5个重要位置，且无法准确定位。目前，煤矿火灾监测技术主要有基于传感器的煤矿火灾检测，及基于煤矿智能监测视频技术。前者由于本身电子元器件的因素，导致其必须放置于火灾着火地点，且其易受其他比如温度、湿度等因素的影响，所以在运用的时候受到了诸多条件的制约。而后者则通过不同的算法对煤矿火灾进行实时监控并预测。其有区域生长发、阀值分割法及模糊聚类法等算法，但由于没有运用的先验知识，所以无法保证预测的准确性。美国Plumb等利用黑白相机对不同区域的点传感器的所获得的亮度变化情况进行监测，通过建立热能转移流模型来实现对火源的位置、尺寸和强度的求解；该方法的优点在于可以对火焰位置进行较精确地定位，但需要预设采样点位置并且要使用热传感器；英国Healey和Foo等基于颜色特征对高速相机所采集的视频图像进行火焰区域的提取，但该系统要求环境理想，而且对相机视窗要手工初始化；Turgay根据普通摄像机采集的图像序列对其建立颜色统计模型，根据红、绿、蓝三通道的高斯分布建立自适应背景模型，此法可以较好地进行火灾检测，但算法复杂度高。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种煤矿火灾视频监控用火灾图像识别方法，其方法步骤简单，实现方便，能够可靠地识别煤矿火灾，有效减少煤矿火灾的危害，实用性强，使用效果好，便于推广使用。

为解决上述技术问题，本发明采用的技术方案是：一种煤矿火灾视频监控用火灾图像识别方法，该方法包括以下步骤：

步骤一、构建火焰像素比对样本数据和非火焰像素比对样本数据并存储在监控计算机中；

步骤二、图像采集及传输：设置在煤矿火灾监控点处的摄像头拍摄其周围图像并将其拍摄到的煤矿火灾监控图像发送给监控计算机；

步骤三、图像增强：监控计算机调用图像增强处理模块并依次采用改进的反锐化掩膜法和直方图均衡化方法对煤矿火灾监控图像进行图像增强处理；

步骤四、火灾图像识别：监控计算机调用火灾图像识别模块并采用KNN算法对进行图像增强处理后的煤矿火灾监控图像进行分析处理，判断是否为火灾图像。

上述的一种煤矿火灾视频监控用火灾图像识别方法，步骤一中所述构建火焰像素比对样本数据和非火焰像素比对样本数据并存储在监控计算机中的具体过程为：

步骤101、将火灾图像样本数据集存储到监控计算机中；

步骤102、监控计算机调用火灾像素与非火灾像素特征提取模块对火灾图像样本数据集进行特征提取，得到火灾图像样本数据集中各火灾图像的火焰像素颜色模型和非火焰像素颜色模型；

步骤103、监控计算机调用火焰像素分析模块并采用基于粒子群算法优化的K-中值算法分别对各火灾图像的火焰像素颜色模型进行聚类，得到各火灾图像的火焰像素颜色模型的K个聚类；具体过程为：

步骤1031、监控计算机定义各火灾图像的火焰像素颜色模型分别为样本X₁,X₂,…,X_n；其中，n为各火灾图像的火焰像素颜色模型的数量；

步骤1032、监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ₁,μ₂,…,μ_K，其中，K为不大于n的正整数；

步骤1033、监控计算机根据相似度函数

计算样本与聚类中心的相似度，对每个样本X_i，找到与其最接近的聚类中心μ_j后，将其标记为聚类中心μ_j的类别；其中，i的取值为1～n的正整数，j的取值为1～K的正整数，D(X_i,μ_j)为待分类样本与已知样本之间的欧氏距离，C(X_i,μ_j)为待分类样本与已知样本之间的相关距离；

步骤1034、监控计算机根据公式

将每个类别中心更新为隶属该类别的所有样本的均值；其中，N_j为属于聚类中心μ_j的样本数；

步骤1035、重复步骤1033和步骤1034，直到类别中心的变化小于预先设定的类别中心变化阈值，并将K个更新后的类别中心定义为各火灾图像的火焰像素颜色模型的K个聚类；

步骤104、监控计算机调用非火焰像素分析模块并采用基于粒子群算法优化的K-中值算法分别对各火灾图像的非火焰像素颜色模型进行聚类，得到非火焰像素颜色模型的K个聚类；具体过程为：

步骤1041、监控计算机定义各火灾图像的非火焰像素颜色模型分别为样本X₁,X₂,…,X_n；其中，n为各火灾图像的非火焰像素颜色模型的数量；

步骤1042、监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ₁,μ₂,…,μ_K，其中，K为不大于n的正整数；

步骤1043、监控计算机根据相似度函数

计算样本与聚类中心的相似度，对每个样本X_i，找到与其最接近的聚类中心μ_j后，将其标记为聚类中心μ_j的类别；其中，i的取值为1～n的正整数，j的取值为1～K的正整数，D(X_i,μ_j)为待分类样本与已知样本之间的欧氏距离，C(X_i,μ_j)为待分类样本与已知样本之间的相关距离；

步骤1044、监控计算机2根据公式

将每个类别中心更新为隶属该类别的所有样本的均值；其中，N_j为属于聚类中心μ_j的样本数；

步骤1045、重复步骤1043和步骤1044，直到类别中心的变化小于预先设定的类别中心变化阈值，并将

个更新后的类别中心定义为各火灾图像的非火焰像素颜色模型的

个聚类；

步骤105、监控计算机定义各火灾图像的火焰像素颜色模型的K个聚类为火焰像素比对样本数据并存储，定义各火灾图像的非火焰像素颜色模型的K个聚类为非火焰像素比对样本数据并存储。

上述的一种煤矿火灾视频监控用火灾图像识别方法，步骤1032中所述监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ₁,μ₂,…,μ_K的具体过程与步骤1042中所述监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出

个类别中心

的具体过程相同且均为：

步骤A、初始化粒子群；即随机设定各粒子的初始位置和初始速度V；

步骤B、根据初始位置和速度产生各粒子新的位置；

步骤C、计算每个粒子的适应度值，采用的适应度函数表示为式fitness＝k/J，其中，J为总的类内离散度和，k为常数；

步骤D、对于每个粒子，比较它的适应度值和它经历过的最好位置P_id的适应度值，当适应度值更好时就更新；

步骤E、对于每个粒子，比较它的适应度值和群体所经历的最好位置P_gd的适应度值，当适应度值更好时就更新；

步骤F、根据公式v_id(t+1)＝ωv_id(t)+η₁rand()(p_id-z_id(t))+η₂rand()(p_gd-z_id(t))和公式z_id(t+1)＝z_id(t)+v_id(t+1)调整粒子的速度和位置；其中，P_id为每个粒子经历过的最好位置，P_gd为群体所经历的最好位置，v_id(t+1)表示第i个粒子在t+1次迭代中第d维上的速度，v_id(t)表示第i个粒子在t次迭代中第d维上的速度，z_id(t+1)表示第i个粒子在t+1次迭代中第d维上的位置，z_id(t)表示第i个粒子在t次迭代中第d维上的位置，ω为惯性权重，η₁和η₂均为加速常数，rand()为0-1之间的随机数；

步骤G、当达到最大迭代次数时结束，否则返回步骤C继续迭代执行。

上述的一种煤矿火灾视频监控用火灾图像识别方法，步骤三中所述监控计算机调用图像增强处理模块并依次采用改进的反锐化掩膜法和直方图均衡化方法对煤矿火灾监控图像进行图像增强处理的具体过程为：

步骤301、监控计算机接收煤矿火灾监控图像；

步骤302、监控计算机调用方差计算模块计算煤矿火灾监控图像的方差、调用均值计算模块计算煤矿火灾监控图像的均值，并调用信息熵计算模块计算煤矿火灾监控图像的信息熵；

步骤303、监控计算机将煤矿火灾监控图像的方差、均值、信息熵输入监控计算机预先训练好并存储在其中的图像增强参数预测BP神经网络中，得到图像增强的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂；

步骤304、监控计算机调用两层小波分解模块，先对煤矿火灾监控图像进行小波分解，得到第一层低频图像L₁，再对第一层低频图像L₁进行小波分解，得到第二层低频图像L₂；

步骤305、监控计算机用煤矿火灾监控图像减去第一层低频图像L₁，得到第一层所有高频图像的和H₁；

步骤306、监控计算机用第一层低频图像L₁减去第二层低频图像L₂，得到第二层所有高频图像的和H₂；

步骤307、监控计算机根据公式∑H＝H₁+H₂计算高频图像的和∑H；

步骤308、监控计算机根据公式g(x,y)＝λ∑H+τ₁H₁+τ₂H₂建立改进后的反锐化掩膜法图像模型g(x,y)；

步骤309、监控计算机调用直方图均衡化模块对改进后的反锐化掩膜法图像模型g(x,y)进行直方图均衡化处理，得到图像增强处理后的煤矿火灾监控图像。

上述的一种煤矿火灾视频监控用火灾图像识别方法，步骤303中所述监控计算机预先训练图像增强参数预测BP神经网络的具体过程为：

步骤3031、以煤矿火灾监控图像的方差、均值、信息熵作为BP神经网络的输入，输入层节点数n₁为3个，以图像增强的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂作为BP神经网络的输出，输出层节点数n₃为3个，根据公式

确定所述BP网络的隐含层节点数n₂，建立三层BP神经网络；其中，取a为1～10的自然数；

步骤3032、选取M张煤矿火灾监控图像作为训练样本图像，对每张煤矿火灾监控图像，均进行步骤30321～步骤303329的操作，得到M张煤矿火灾监控图像有好的增强效果的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂，并记录M张煤矿火灾监控图像对应的方差、均值、信息熵、高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂；其中，M的取值为不小于50的正整数；

步骤30321、监控计算机调用方差计算模块计算煤矿火灾监控图像的方差、调用均值计算模块计算煤矿火灾监控图像的均值，并调用信息熵计算模块计算煤矿火灾监控图像的信息熵；

步骤30322、设定图像增强的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂并存在在监控计算机中；

步骤30323、监控计算机调用两层小波分解模块，先对煤矿火灾监控图像进行小波分解，得到第一层低频图像L₁，再对第一层低频图像L₁进行小波分解，得到第二层低频图像L₂；

步骤30324、监控计算机用煤矿火灾监控图像减去第一层低频图像L₁，得到第一层所有高频图像的和H₁；

步骤30325、监控计算机用第一层低频图像L₁减去第二层低频图像L₂，得到第二层所有高频图像的和H₂；

步骤30326、监控计算机根据公式∑H＝H₁+H₂计算高频图像的和∑H；

步骤30327、监控计算机根据公式g(x,y)＝λ∑H+τ₁H₁+τ₂H₂建立改进后的反锐化掩膜法图像模型g(x,y)；

步骤30328、监控计算机调用直方图均衡化模块对改进后的反锐化掩膜法图像模型g(x,y)进行直方图均衡化处理，得到图像增强处理后的煤矿火灾监控图像；

步骤30329、人为观察图像增强处理后的煤矿火灾监控图像的图像增强效果，当图像增强效果不满意时，调整图像增强的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂并存在在监控计算机中，然后重复执行步骤30323～步骤30328，直至图像增强效果满意；

步骤3033、将M张煤矿火灾监控图像的方差、均值、信息熵作为输入，有好的增强效果的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂作为输出，对步骤3031中建立的BP神经网络进行训练，得到训练好的三层BP神经网络。

上述的一种煤矿火灾视频监控用火灾图像识别方法，步骤四中所述监控计算机调用火灾图像识别模块并采用KNN算法对进行图像增强处理后的煤矿火灾监控图像进行分析处理，判断是否为火灾图像的具体过程为：

步骤401：计算进行图像增强处理后的煤矿火灾监控图像中每个像素与火焰像素比对样本数据中每个样本之间的距离，以及每个像素与非火焰像素比对样本数据中每个样本之间的距离，并将计算出的距离进行从小到大排列；

步骤402：监控计算机提取距离最近的前K个样本，并判断距离最近的前K个样本分别是距离火焰像素比对样本数据之间的距离，还是距离非火焰像素比对样本之间的距离，并统计距离火焰像素比对样本数据之间的距离数量S1和距离非火焰像素比对样本数据之间的距离数量S2，当S1大于S2时，判定为火焰像素，并将改像素二值化为1，当S1不大于S2时，判定为非火焰像素，并将该像素二值化为0，得到二值化后的火灾图像BW；

步骤403：监控计算机统计图像BW中二值化为1的像素个数，当其大于预先设定的像素数阈值时，判断该图像为火灾图像，否则判断该图像为非火灾图像。

上述的一种煤矿火灾视频监控用火灾图像识别方法，所述摄像头为红外摄像头。

本发明与现有技术相比具有以下优点：

1、本发明基于大量火灾图像像素，采用改进的K-中值算法对其进行离线训练，然后采用改进的反锐化掩膜法和直方图均衡化方法对煤矿火灾监控图像进行图像增强处理，最后利用KNN算法对火灾图像中的像素进行分类，最终判断出火焰图像，判断精度高，能够可靠地识别煤矿火灾，能够推动煤矿智能监测视频技术的发展。

2、本发明的改进的反锐化掩膜法，利用小波分解寻找低频图像，再用小波分解前的原图像减去低频图像，得到高频图像，利用两层小波分解的各层高频图像的和与两层小波分解的低频图像进行线性运算处理并重构，得到改进后的反锐化掩膜法图像模型，且采用BP神经网络获得线性运算处理的系数，最后采用直方图均衡化处理，得到图像增强处理后的煤矿火灾监控图像，经过这样的处理后，煤矿火灾监控图像的细节更加清晰,边缘部分也能够得到补偿，能够有效的解决图像轮廓模糊及图像细节不够清晰的问题。

3、将本发明应用于煤矿火灾实时检测中，将能够有效减少煤矿火灾的危害，对煤矿火灾的预测与防治具有重要意义；本发明的实用性强，使用效果好，便于推广使用。

综上所述，本发明的方法步骤简单，实现方便，能够可靠地识别煤矿火灾，有效减少煤矿火灾的危害，实用性强，使用效果好，便于推广使用。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的方法流程框图。

图2为本发明监控计算机调用火灾像素与非火灾像素特征提取模块对火灾图像样本数据集进行特征提取的方法流程框图。

具体实施方式

如图1所示，本发明的煤矿火灾视频监控用火灾图像识别方法，包括以下步骤：

步骤一、构建火焰像素比对样本数据和非火焰像素比对样本数据并存储在监控计算机中；

本实施例中，步骤一中所述构建火焰像素比对样本数据和非火焰像素比对样本数据并存储在监控计算机中的具体过程为：

步骤101、将火灾图像样本数据集存储到监控计算机中；

具体实施时，所述火灾图像样本数据集为自己拍摄的煤矿火灾图像集；

步骤102、监控计算机调用火灾像素与非火灾像素特征提取模块对火灾图像样本数据集进行特征提取，得到火灾图像样本数据集中各火灾图像的火焰像素颜色模型和非火焰像素颜色模型；

具体实施时，所述火灾像素与非火灾像素特征提取模块进行特征提取采用的方法为David Martin等人提出的基于人工分割自然图像方法；流程框图如图2所示。

步骤103、监控计算机调用火焰像素分析模块并采用基于粒子群算法优化的K-中值算法分别对各火灾图像的火焰像素颜色模型进行聚类，得到各火灾图像的火焰像素颜色模型的K个聚类；具体过程为：

步骤1031、监控计算机定义各火灾图像的火焰像素颜色模型分别为样本X₁,X₂,…,X_n；其中，n为各火灾图像的火焰像素颜色模型的数量；

步骤1032、监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ₁,μ₂,…,μ_K，其中，K为不大于n的正整数；

步骤1033、监控计算机根据相似度函数

计算样本与聚类中心的相似度，对每个样本X_i，找到与其最接近的聚类中心μ_j后，将其标记为聚类中心μ_j的类别；其中，i的取值为1～n的正整数，j的取值为1～K的正整数，D(X_i,μ_j)为待分类样本与已知样本之间的欧氏距离，C(X_i,μ_j)为待分类样本与已知样本之间的相关距离；

步骤1034、监控计算机根据公式

将每个类别中心更新为隶属该类别的所有样本的均值；其中，N_j为属于聚类中心μ_j的样本数；

步骤1035、重复步骤1033和步骤1034，直到类别中心的变化小于预先设定的类别中心变化阈值，并将K个更新后的类别中心定义为各火灾图像的火焰像素颜色模型的K个聚类；

步骤104、监控计算机调用非火焰像素分析模块并采用基于粒子群算法优化的K-中值算法分别对各火灾图像的非火焰像素颜色模型进行聚类，得到非火焰像素颜色模型的

个聚类；具体过程为：

步骤1041、监控计算机定义各火灾图像的非火焰像素颜色模型分别为样本X₁,X₂,…,X_n；其中，n为各火灾图像的非火焰像素颜色模型的数量；

步骤1042、监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出

个类别中心μ₁,μ₂,…,μ_K，其中，K为不大于n的正整数；

步骤1043、监控计算机根据相似度函数

计算样本与聚类中心的相似度，对每个样本X_i，找到与其最接近的聚类中心μ_j后，将其标记为聚类中心μ_j的类别；其中，i的取值为1～n的正整数，j的取值为

的正整数，D(X_i,μ_j)为待分类样本与已知样本之间的欧氏距离，C(X_i,μ_j)为待分类样本与已知样本之间的相关距离；

步骤1044、监控计算机2根据公式

将每个类别中心更新为隶属该类别的所有样本的均值；其中，N_j为属于聚类中心μ_j的样本数；

步骤1045、重复步骤1043和步骤1044，直到类别中心的变化小于预先设定的类别中心变化阈值，并将

个更新后的类别中心定义为各火灾图像的非火焰像素颜色模型的

个聚类；

步骤105、监控计算机定义各火灾图像的火焰像素颜色模型的K个聚类为火焰像素比对样本数据并存储，定义各火灾图像的非火焰像素颜色模型的

个聚类为非火焰像素比对样本数据并存储。

本实施例中，步骤1032中所述监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ₁,μ₂,…,μ_K的具体过程与步骤1042中所述监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出

个类别中心

的具体过程相同且均为：

步骤A、初始化粒子群；即随机设定各粒子的初始位置和初始速度V；

步骤B、根据初始位置和速度产生各粒子新的位置；

步骤C、计算每个粒子的适应度值，采用的适应度函数表示为式fitness＝k/J，其中，J为总的类内离散度和，k为常数；即粒子所代表的聚类划分的总类间离散度越小，粒子的适应度越大；

步骤D、对于每个粒子，比较它的适应度值和它经历过的最好位置P_id的适应度值，当适应度值更好时就更新；

步骤E、对于每个粒子，比较它的适应度值和群体所经历的最好位置P_gd的适应度值，当适应度值更好时就更新；

步骤F、根据公式v_id(t+1)＝ωv_id(t)+η₁rand()(p_id-z_id(t))+η₂rand()(p_gd-z_id(t))和公式z_id(t+1)＝z_id(t)+v_id(t+1)调整粒子的速度和位置；其中，P_id为每个粒子经历过的最好位置，即为每个粒子当前搜索到的最优解，P_gd为群体所经历的最好位置，即为全局目前最优解，v_id(t+1)表示第i个粒子在t+1次迭代中第d维上的速度，v_id(t)表示第i个粒子在t次迭代中第d维上的速度，z_id(t+1)表示第i个粒子在t+1次迭代中第d维上的位置，z_id(t)表示第i个粒子在t次迭代中第d维上的位置，ω为惯性权重，η₁和η₂均为加速常数，rand()为0-1之间的随机数；

步骤G、当达到最大迭代次数时结束，否则返回步骤C继续迭代执行。

步骤二、图像采集及传输：设置在煤矿火灾监控点处的摄像头拍摄其周围图像并将其拍摄到的煤矿火灾监控图像发送给监控计算机；

步骤三、图像增强：监控计算机调用图像增强处理模块并依次采用改进的反锐化掩膜法和直方图均衡化方法对煤矿火灾监控图像进行图像增强处理；

本实施例中，步骤三中所述监控计算机调用图像增强处理模块并依次采用改进的反锐化掩膜法和直方图均衡化方法对煤矿火灾监控图像进行图像增强处理的具体过程为：

步骤301、监控计算机接收煤矿火灾监控图像；

步骤302、监控计算机调用方差计算模块计算煤矿火灾监控图像的方差、调用均值计算模块计算煤矿火灾监控图像的均值，并调用信息熵计算模块计算煤矿火灾监控图像的信息熵；

步骤303、监控计算机将煤矿火灾监控图像的方差、均值、信息熵输入监控计算机预先训练好并存储在其中的图像增强参数预测BP神经网络中，得到图像增强的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂；

本实施例中，步骤303中所述监控计算机预先训练图像增强参数预测BP神经网络的具体过程为：

步骤3031、以煤矿火灾监控图像的方差、均值、信息熵作为BP神经网络的输入，输入层节点数n₁为3个，以图像增强的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂作为BP神经网络的输出，输出层节点数n₃为3个，根据公式

确定所述BP网络的隐含层节点数n₂，建立三层BP神经网络；其中，取a为1～10的自然数；

步骤3032、选取M张煤矿火灾监控图像作为训练样本图像，对每张煤矿火灾监控图像，均进行步骤30321～步骤303329的操作，得到M张煤矿火灾监控图像有好的增强效果的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂，并记录M张煤矿火灾监控图像对应的方差、均值、信息熵、高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂；其中，M的取值为不小于50的正整数；

步骤30321、监控计算机调用方差计算模块计算煤矿火灾监控图像的方差、调用均值计算模块计算煤矿火灾监控图像的均值，并调用信息熵计算模块计算煤矿火灾监控图像的信息熵；

步骤30322、设定图像增强的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂并存在在监控计算机中；

步骤30323、监控计算机调用两层小波分解模块，先对煤矿火灾监控图像进行小波分解，得到第一层低频图像L₁，再对第一层低频图像L₁进行小波分解，得到第二层低频图像L₂；

步骤30324、监控计算机用煤矿火灾监控图像减去第一层低频图像L₁，得到第一层所有高频图像的和H₁；

步骤30325、监控计算机用第一层低频图像L₁减去第二层低频图像L₂，得到第二层所有高频图像的和H₂；

步骤30326、监控计算机根据公式∑H＝H₁+H₂计算高频图像的和∑H；

步骤30327、监控计算机根据公式g(x,y)＝λ∑H+τ₁H₁+τ₂H₂建立改进后的反锐化掩膜法图像模型g(x,y)；

步骤30328、监控计算机调用直方图均衡化模块对改进后的反锐化掩膜法图像模型g(x,y)进行直方图均衡化处理，得到图像增强处理后的煤矿火灾监控图像；

步骤30329、人为观察图像增强处理后的煤矿火灾监控图像的图像增强效果，当图像增强效果不满意时，调整图像增强的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂并存在在监控计算机中，然后重复执行步骤30323～步骤30328，直至图像增强效果满意；

步骤3033、将M张煤矿火灾监控图像的方差、均值、信息熵作为输入，有好的增强效果的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂作为输出，对步骤3031中建立的BP神经网络进行训练，得到训练好的三层BP神经网络。

步骤304、监控计算机调用两层小波分解模块，先对煤矿火灾监控图像进行小波分解，得到第一层低频图像L₁，再对第一层低频图像L₁进行小波分解，得到第二层低频图像L₂；

步骤305、监控计算机用煤矿火灾监控图像减去第一层低频图像L₁，得到第一层所有高频图像的和H₁；

步骤306、监控计算机用第一层低频图像L₁减去第二层低频图像L₂，得到第二层所有高频图像的和H₂；

步骤307、监控计算机根据公式∑H＝H₁+H₂计算高频图像的和∑H；

步骤308、监控计算机根据公式g(x,y)＝λ∑H+τ₁H₁+τ₂H₂建立改进后的反锐化掩膜法图像模型g(x,y)；

步骤309、监控计算机调用直方图均衡化模块对改进后的反锐化掩膜法图像模型g(x,y)进行直方图均衡化处理，得到图像增强处理后的煤矿火灾监控图像。

传统的反锐化掩膜法进行高频增强是建立在小波的分解和重建的基础上的，首先利用小波分解寻找到图像的低频和高频部分，然后对图像的高频部分进行线性运算，最后对所得到的高频和低频图像进行重建；其原理就是利用小波分解寻找到高频和低频图像，保留低频图像信息，对高频图像进行线性处理，这样便可使图像的高频信息得到增强，轮廓得到补偿，图像看起来更加的清晰；

但是，传统的反锐化掩膜法着重增强了图像的边缘部分，但是最终得到的图像往往偏暗，对比度增强效果差。本发明的改进的反锐化掩膜法，利用小波分解寻找低频图像，再用小波分解前的原图像减去低频图像，得到高频图像，利用两层小波分解的各层高频图像的和与两层小波分解的低频图像进行线性运算处理并重构，得到改进后的反锐化掩膜法图像模型，且采用BP神经网络获得线性运算处理的系数，最后采用直方图均衡化处理，得到图像增强处理后的煤矿火灾监控图像，经过这样的处理后，煤矿火灾监控图像的细节更加清晰,边缘部分也能够得到补偿，能够有效的解决图像轮廓模糊及图像细节不够清晰的问题。

步骤四、火灾图像识别：监控计算机调用火灾图像识别模块并采用KNN算法对进行图像增强处理后的煤矿火灾监控图像进行分析处理，判断是否为火灾图像。

本实施例中，步骤四中所述监控计算机调用火灾图像识别模块并采用KNN算法对进行图像增强处理后的煤矿火灾监控图像进行分析处理，判断是否为火灾图像的具体过程为：

步骤401：计算进行图像增强处理后的煤矿火灾监控图像中每个像素与火焰像素比对样本数据中每个样本之间的距离，以及每个像素与非火焰像素比对样本数据中每个样本之间的距离，并将计算出的距离进行从小到大排列；

步骤402：监控计算机提取距离最近的前K个样本，并判断距离最近的前K个样本分别是距离火焰像素比对样本数据之间的距离，还是距离非火焰像素比对样本之间的距离，并统计距离火焰像素比对样本数据之间的距离数量S1和距离非火焰像素比对样本数据之间的距离数量S2，当S1大于S2时，判定为火焰像素，并将改像素二值化为1，当S1不大于S2时，判定为非火焰像素，并将该像素二值化为0，得到二值化后的火灾图像BW；

步骤403：监控计算机统计图像BW中二值化为1的像素个数，当其大于预先设定的像素数阈值时，判断该图像为火灾图像，否则判断该图像为非火灾图像。

本实施例中，所述摄像头为红外摄像头。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (5)

1.一种煤矿火灾视频监控用火灾图像识别方法，其特征在于，该方法包括以下步骤：

步骤一、构建火焰像素比对样本数据和非火焰像素比对样本数据并存储在监控计算机中；

步骤二、图像采集及传输：设置在煤矿火灾监控点处的摄像头拍摄其周围图像并将其拍摄到的煤矿火灾监控图像发送给监控计算机；

步骤三、图像增强：监控计算机调用图像增强处理模块并依次采用改进的反锐化掩膜法和直方图均衡化方法对煤矿火灾监控图像进行图像增强处理；

步骤三中所述监控计算机调用图像增强处理模块并依次采用改进的反锐化掩膜法和直方图均衡化方法对煤矿火灾监控图像进行图像增强处理的具体过程为：

步骤301、监控计算机接收煤矿火灾监控图像；

步骤302、监控计算机调用方差计算模块计算煤矿火灾监控图像的方差、调用均值计算模块计算煤矿火灾监控图像的均值，并调用信息熵计算模块计算煤矿火灾监控图像的信息熵；

步骤303、监控计算机将煤矿火灾监控图像的方差、均值、信息熵输入监控计算机预先训练好并存储在其中的图像增强参数预测BP神经网络中，得到图像增强的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂；

步骤304、监控计算机调用两层小波分解模块，先对煤矿火灾监控图像进行小波分解，得到第一层低频图像L₁，再对第一层低频图像L₁进行小波分解，得到第二层低频图像L₂；

步骤305、监控计算机用煤矿火灾监控图像减去第一层低频图像L₁，得到第一层所有高频图像的和H₁；

步骤306、监控计算机用第一层低频图像L₁减去第二层低频图像L₂，得到第二层所有高频图像的和H₂；

步骤307、监控计算机根据公式∑H＝H₁+H₂计算高频图像的和∑H；

步骤308、监控计算机根据公式g(x,y)＝λ∑H+τ₁H₁+τ₂H₂建立改进后的反锐化掩膜法图像模型g(x,y)；

步骤309、监控计算机调用直方图均衡化模块对改进后的反锐化掩膜法图像模型g(x,y)进行直方图均衡化处理，得到图像增强处理后的煤矿火灾监控图像；

步骤四、火灾图像识别：监控计算机调用火灾图像识别模块并采用KNN算法对进行图像增强处理后的煤矿火灾监控图像进行分析处理，判断是否为火灾图像；

步骤四中所述监控计算机调用火灾图像识别模块并采用KNN算法对进行图像增强处理后的煤矿火灾监控图像进行分析处理，判断是否为火灾图像的具体过程为：

步骤401：计算进行图像增强处理后的煤矿火灾监控图像中每个像素与火焰像素比对样本数据中每个样本之间的距离，以及每个像素与非火焰像素比对样本数据中每个样本之间的距离，并将计算出的距离进行从小到大排列；

步骤402：监控计算机提取距离最近的前K个样本，并判断距离最近的前K个样本分别是距离火焰像素比对样本数据之间的距离，还是距离非火焰像素比对样本之间的距离，并统计距离火焰像素比对样本数据之间的距离数量S1和距离非火焰像素比对样本数据之间的距离数量S2，当S1大于S2时，判定为火焰像素，并将该像素二值化为1，当S1不大于S2时，判定为非火焰像素，并将该像素二值化为0，得到二值化后的火灾图像BW；

步骤403：监控计算机统计图像BW中二值化为1的像素个数，当其大于预先设定的像素数阈值时，判断该图像为火灾图像，否则判断该图像为非火灾图像。

2.按照权利要求1所述的一种煤矿火灾视频监控用火灾图像识别方法，其特征在于：步骤一中所述构建火焰像素比对样本数据和非火焰像素比对样本数据并存储在监控计算机中的具体过程为：

步骤101、将火灾图像样本数据集存储到监控计算机中；

步骤102、监控计算机调用火灾像素与非火灾像素特征提取模块对火灾图像样本数据集进行特征提取，得到火灾图像样本数据集中各火灾图像的火焰像素颜色模型和非火焰像素颜色模型；

步骤103、监控计算机调用火焰像素分析模块并采用基于粒子群算法优化的K-中值算法分别对各火灾图像的火焰像素颜色模型进行聚类，得到各火灾图像的火焰像素颜色模型的K个聚类；具体过程为：

步骤1031、监控计算机定义各火灾图像的火焰像素颜色模型分别为样本X₁,X₂,…,X_n；其中，n为各火灾图像的火焰像素颜色模型的数量；

步骤1032、监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ₁,μ₂,…,μ_K，其中，K为不大于n的正整数；

步骤1033、监控计算机根据相似度函数

计算样本与聚类中心的相似度，对每个样本X_i，找到与其最接近的聚类中心μ_j后，将其标记为聚类中心μ_j的类别；其中，i的取值为1～n的正整数，j的取值为1～K的正整数，D(X_i,μ_j)为待分类样本与已知样本之间的欧氏距离，C(X_i,μ_j)为待分类样本与已知样本之间的相关距离；

步骤1034、监控计算机根据公式

将每个类别中心更新为隶属该类别的所有样本的均值；其中，N_j为属于聚类中心μ_j的样本数；

步骤1035、重复步骤1033和步骤1034，直到类别中心的变化小于预先设定的类别中心变化阈值，并将K个更新后的类别中心定义为各火灾图像的火焰像素颜色模型的K个聚类；

步骤104、监控计算机调用非火焰像素分析模块并采用基于粒子群算法优化的K-中值算法分别对各火灾图像的非火焰像素颜色模型进行聚类，得到非火焰像素颜色模型的K个聚类；具体过程为：

步骤1041、监控计算机定义各火灾图像的非火焰像素颜色模型分别为样本X₁,X₂,…,X_n；其中，n为各火灾图像的非火焰像素颜色模型的数量；

步骤1042、监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出

个类别中心μ₁,μ₂,…,μ_K，其中，

为不大于n的正整数；

步骤1043、监控计算机根据相似度函数

计算样本与聚类中心的相似度，对每个样本X_i，找到与其最接近的聚类中心μ_j后，将其标记为聚类中心μ_j的类别；其中，i的取值为1～n的正整数，j的取值为

的正整数，D(X_i,μ_j)为待分类样本与已知样本之间的欧氏距离，C(X_i,μ_j)为待分类样本与已知样本之间的相关距离；

步骤1044、监控计算机2根据公式

将每个类别中心更新为隶属该类别的所有样本的均值；其中，N_j为属于聚类中心μ_j的样本数；

步骤1045、重复步骤1043和步骤1044，直到类别中心的变化小于预先设定的类别中心变化阈值，并将

个更新后的类别中心定义为各火灾图像的非火焰像素颜色模型的

个聚类；

步骤105、监控计算机定义各火灾图像的火焰像素颜色模型的K个聚类为火焰像素比对样本数据并存储，定义各火灾图像的非火焰像素颜色模型的

个聚类为非火焰像素比对样本数据并存储。

3.按照权利要求2所述的一种煤矿火灾视频监控用火灾图像识别方法，其特征在于：步骤1032中所述监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出K个类别中心μ₁,μ₂,…,μ_K的具体过程与步骤1042中所述监控计算机调用初始聚类中心确定模块并采用粒子群算法确定出

个类别中心

的具体过程相同且均为：

步骤A、初始化粒子群；即随机设定各粒子的初始位置和初始速度V；

步骤B、根据初始位置和速度产生各粒子新的位置；

步骤C、计算每个粒子的适应度值，采用的适应度函数表示为式fitness＝k/J，其中，J为总的类内离散度和，k为常数；

步骤D、对于每个粒子，比较它的适应度值和它经历过的最好位置P_id的适应度值，当适应度值更好时就更新；

步骤E、对于每个粒子，比较它的适应度值和群体所经历的最好位置P_gd的适应度值，当适应度值更好时就更新；

步骤F、根据公式v_id(t+1)＝ωv_id(t)+η₁rand()(p_id-z_id(t))+η₂rand()(p_gd-z_id(t))和公式z_id(t+1)＝z_id(t)+v_id(t+1)调整粒子的速度和位置；其中，P_id为每个粒子经历过的最好位置，P_gd为群体所经历的最好位置，v_id(t+1)表示第i个粒子在t+1次迭代中第d维上的速度，v_id(t)表示第i个粒子在t次迭代中第d维上的速度，z_id(t+1)表示第i个粒子在t+1次迭代中第d维上的位置，z_id(t)表示第i个粒子在t次迭代中第d维上的位置，ω为惯性权重，η₁和η₂均为加速常数，rand()为0-1之间的随机数；

步骤G、当达到最大迭代次数时结束，否则返回步骤C继续迭代执行。

4.按照权利要求1所述的一种煤矿火灾视频监控用火灾图像识别方法，其特征在于：步骤303中所述监控计算机预先训练图像增强参数预测BP神经网络的具体过程为：

步骤3031、以煤矿火灾监控图像的方差、均值、信息熵作为BP神经网络的输入，输入层节点数n₁为3个，以图像增强的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂作为BP神经网络的输出，输出层节点数n₃为3个，根据公式

确定所述BP网络的隐含层节点数n₂，建立三层BP神经网络；其中，取a为1～10的自然数；

步骤3032、选取M张煤矿火灾监控图像作为训练样本图像，对每张煤矿火灾监控图像，均进行步骤30321～步骤303329的操作，得到M张煤矿火灾监控图像有好的增强效果的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂，并记录M张煤矿火灾监控图像对应的方差、均值、信息熵、高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂；其中，M的取值为不小于50的正整数；

步骤30321、监控计算机调用方差计算模块计算煤矿火灾监控图像的方差、调用均值计算模块计算煤矿火灾监控图像的均值，并调用信息熵计算模块计算煤矿火灾监控图像的信息熵；

步骤30322、设定图像增强的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂并存在在监控计算机中；

步骤30323、监控计算机调用两层小波分解模块，先对煤矿火灾监控图像进行小波分解，得到第一层低频图像L₁，再对第一层低频图像L₁进行小波分解，得到第二层低频图像L₂；

步骤30324、监控计算机用煤矿火灾监控图像减去第一层低频图像L₁，得到第一层所有高频图像的和H₁；

步骤30325、监控计算机用第一层低频图像L₁减去第二层低频图像L₂，得到第二层所有高频图像的和H₂；

步骤30326、监控计算机根据公式∑H＝H₁+H₂计算高频图像的和∑H；

步骤30327、监控计算机根据公式g(x,y)＝λ∑H+τ₁H₁+τ₂H₂建立改进后的反锐化掩膜法图像模型g(x,y)；

步骤30328、监控计算机调用直方图均衡化模块对改进后的反锐化掩膜法图像模型g(x,y)进行直方图均衡化处理，得到图像增强处理后的煤矿火灾监控图像；

步骤30329、人为观察图像增强处理后的煤矿火灾监控图像的图像增强效果，当图像增强效果不满意时，调整图像增强的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂并存在在监控计算机中，然后重复执行步骤30323～步骤30328，直至图像增强效果满意；

步骤3033、将M张煤矿火灾监控图像的方差、均值、信息熵作为输入，有好的增强效果的高频参数λ、第一层低频参数τ₁和第二层低频参数τ₂作为输出，对步骤3031中建立的BP神经网络进行训练，得到训练好的三层BP神经网络。

5.按照权利要求1所述的一种煤矿火灾视频监控用火灾图像识别方法，其特征在于：所述摄像头为红外摄像头。

Images