CN110111336A - 一种烟雾检测方法、系统、计算机可读存储介质及设备 - Google Patents

一种烟雾检测方法、系统、计算机可读存储介质及设备 Download PDF

Info

Publication number
CN110111336A
CN110111336A CN201910162624.6A CN201910162624A CN110111336A CN 110111336 A CN110111336 A CN 110111336A CN 201910162624 A CN201910162624 A CN 201910162624A CN 110111336 A CN110111336 A CN 110111336A
Authority
CN
China
Prior art keywords
region
profile
image
smoke
detection method
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
Application number
CN201910162624.6A
Other languages
English (en)
Inventor
潘瑞晗
陈文杰
张宇
周祥东
石宇
罗代建
程俊
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.)
Chongqing Institute of Green and Intelligent Technology of CAS
Original Assignee
Chongqing Institute of Green and Intelligent Technology of CAS
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 Chongqing Institute of Green and Intelligent Technology of CAS filed Critical Chongqing Institute of Green and Intelligent Technology of CAS
Priority to CN201910162624.6A priority Critical patent/CN110111336A/zh
Publication of CN110111336A publication Critical patent/CN110111336A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种烟雾检测方法，包括读取新的一帧近红外图像，将所述近红外图像转换为灰度图像，对所述灰度图像进行缩放，得到新图像；对每一帧所述新图像进行滤波；将滤波后的新图像缓存；提取所述新图像中的运动前景区域；对所述运动前景区域进行形态学开运算；检测运动前景区域图像中的连通区域轮廓；对所述连通区域轮廓进行聚类，得到若干关键轮廓区域；对每个所述关键轮廓区域的亮度判定，根据所述亮度滤除亮度不足的干扰区域；提取符合亮度要求的关键轮廓区域的LBP纹理特征；将每个所述关键轮廓区域的LBP纹理特征输入到已经训练好的SVM分类器中，得到烟雾区域；根据烟雾区域输出最小矩形包络；若检测到烟雾区域的矩形包络，则发出提示报警。

Description

一种烟雾检测方法、系统、计算机可读存储介质及设备
技术领域
本发明涉及烟雾检测领域，具体涉及一种基于近红外视频图像的烟雾检测方法及系统。
背景技术
火灾具有成长性、浮动性、偶发性、盲目性等特点，引发较为突然，在不受外力干扰的条件下蔓延扩散的速度很快，无时无刻不在威胁着人民的生命财产安全。对于散热不良的工厂设备、炎热气候下的森林植被等重点区域，极易发生火灾，且一旦发生火灾通常会造成较为严重的损失。为避免或尽量减少因火灾而引起的损失，针对火灾的提前预防就显得尤为重要。
在火灾初期，烟雾的出现通常先于明火。因而，如果能够通过视频监控对环境中的烟雾进行实时监测并及时预警，则将在极大程度上降低由火灾而引起的损失。对于夜间或一些光线条件不良的环境(隧道、矿井等)，普通的视频监控难以发挥作用，而采用近红外摄像机则能够很好地解决这一问题。由于近红外相机所拍摄图像的近灰度特性，以至于无法提取颜色等特征，对于烟雾检测算法也提出了更高的要求。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于近红外视频图像的烟雾检测方法、系统，用于解决现有技术中因近红外相机所拍摄图像的近灰度特性而导致检测算法精度不高的问题。
为实现上述目的及其他相关目的，本发明提供一种烟雾检测方法，该检测方法包括：
读取新的一帧近红外图像，将所述近红外图像转换为灰度图像，对所述灰度图像进行缩放，得到新图像；
对每一帧所述新图像进行滤波；
将滤波后的新图像缓存；
提取所述新图像中的运动前景区域；
对所述运动前景区域进行形态学开运算；
检测运动前景区域图像中的连通区域轮廓；
对所述连通区域轮廓进行聚类，得到若干关键轮廓区域；
对每个所述关键轮廓区域的亮度判定，根据所述亮度滤除亮度不足的干扰区域；
提取符合亮度要求的关键轮廓区域的LBP纹理特征；
将每个所述关键轮廓区域的LBP纹理特征输入到已经训练好的SVM分类器中，得到烟雾区域；
根据烟雾区域输出最小矩形包络；
若检测到烟雾区域的矩形包络，则发出提示报警。
可选地，采用帧间差分法提取所述新图像中的运动前景区域。
可选地，采用OpenCV中的findContours函数并结合[TehChin89]中的算法检测运动前景区域图像中的连通区域轮廓。
可选地，采用DBSCAN聚类方法对所述连通区域轮廓进行聚类。
可选地，若关键轮廓区域的历史记忆为空，则直接将当前关键轮廓区域作为当前时刻的烟雾区域输出，并存储为历史记忆；若关键轮廓区域的历史记忆不为空，则将当前时刻的关键轮廓区域与上一时刻的关键轮廓区域历史记忆求并集，作为当前时刻的烟雾区域输出，并将历史记忆更新为当前时刻的关键轮廓区域。
可选地，若矩形包络的历史记忆为空，则直接将当前矩形包络作为当前时刻的烟雾区域矩形输出，并存储为历史记忆；若矩形包络的历史记忆不为空，则将当前时刻的矩形包络与上一时刻的矩形包络历史记忆按比例进行融合，融合后的矩形包络作为当前时刻的烟雾区域矩形输出，并将历史记忆更新为当前时刻的斜矩形包络。
可选地，融合后的烟雾区域矩形四个角点的坐标值为Rfus，Rfus＝αRcur+(1-α)Rmem，其中，α为融合比例系数，Rcur为当前矩形包络四个角点的坐标值，Rmem为历史记忆矩形包络四个角点的坐标值。
为实现上述目的及其他相关目的，本发明还提供一种烟雾检测装置，该检测装置包括：
图像帧提取模块，用于读取新的一帧近红外图像，将所述近红外图像转换为灰度图像，对所述灰度图像进行缩放，得到新图像；
第一滤波模块，用于对每一帧所述新图像进行滤波；
缓存模块，用于将滤波后的新图像缓存；
前景区域提取模块，用于提取所述新图像中的运动前景区域；
形态学运算模块，用于对所述运动前景区域进行形态学开运算；
连通区域轮廓检测模块，用于检测运动前景区域图像中的连通区域轮廓；
聚类模块，用于对所述连通区域轮廓进行聚类，得到若干关键轮廓区域；
第二滤波模块，用于对每个所述关键轮廓区域的亮度判定，根据所述亮度滤除亮度不足的干扰区域；
纹理特征提取模块，用于提取符合亮度要求的关键轮廓区域的LBP纹理特征；
分类模块，用于将每个所述关键轮廓区域的LBP纹理特征输入到已经训练好的SVM分类器中，得到烟雾区域；
矩形包络输出模块，根据烟雾区域输出最小矩形包络；
报警模块，在检测到烟雾区域的矩形包络时，则发出提示报警。
为实现上述目的及其他相关目的，本发明还提供一种计算机可读存储介质，存储计算机程序，所述计算机程序被处理器运行时执行所述的检测方法。
为实现上述目的及其他相关目的，本发明还提供一种设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器存储的计算机程序，以使所述设备执行所述的检测方法。
如上所述，本发明的一种基于近红外视频图像的烟雾检测方法及系统，具有以下有益效果：
1、本发明主要用于处理近红外摄像机所采集到的图像，传统基于颜色特征的方法并不能够应用于近红外图像，而本方法能够较好地处理这一问题；
2、本发明提出了一种全新的K帧差分算法，融合一段较长时间窗内的帧间变化，从而能够提取出更加丰富的运动信息；
3、本发明对于环境噪声有着很好的抗性，采用DBSCAN聚类算法能够对所提取出的烟雾区域进行有效合并；
4、本发明中所采用的K帧差分算法，以及加入关键区域轮廓和矩形包络的历史记忆，能够很好地平滑烟雾区域的输出结果，避免因环境噪声或烟雾自身而引起的跳变。
附图说明
图1为本发明实施例所述的一种烟雾检测方法的流程图；
图2为本发明实施例所述的一种烟雾检测装置的原理框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本发明提出了一种基于近红外视频图像的烟雾检测方法，包括以下步骤：
在算法开始，初始化一个最大长度为K的队列，最初为空，用来缓存以K为长度的时间窗中的历史帧；初始化一个不定长点集集合，最初为空，用以存储关键轮廓区域的历史记忆；初始化一个长度为4的点集，最初为空，用以存储矩形包络的历史记忆。
S1、读取新的一帧近红外图像，将所述近红外转换为灰度图像，而后对原始图像大小进行合理缩放，得到固定大小的新图像；
由于近红外摄像头所采集到的原始图像尺寸可能过大，因此，于一具体实施中，缩放后的图像的长宽为原始图像的一半，即缩小图像至四分之一的面积大小。
S2、对每一帧新图像进行滤波，以去除噪点；
在一具体实施例中，采用高斯滤波的方法进行滤波，更加具体地，高斯滤波的核大小为5。
S3、若队列长度未满，则将新图像加入到队列尾；若队列长度已满，则将队列头的历史帧删除出队列，而后将新图像加入到队列尾；
S4、将滤波后的新图像缓存，若队列长度仍然未满，则回到S1步骤；若队列长度已满，则进入S5步骤；
S5、提取所述新图像中的运动前景区域；
于一具体实施例中，采用帧间差分方法提取所述运动前景区域。具体地，以当前时刻为时间窗右端点，计算时间窗队列中的K帧差分(取K为较小奇数)，并根据相应阈值对差分图像进行二值化，在经过一系列与或运算后得到图像中的运动前景区域，若前景区域为空，则回到S1步骤。
更加具体地，
记It为t时刻的对应图像，记K(K为奇数)帧时间窗的中点时刻为0，则I0表示时间窗的中点时刻图像，I-(K-1)/2表示时间窗中的远端时刻图像，I(K-1)/2表示时间窗中的近端时刻图像；
首先，将时间窗中的各帧构造成若干三元组，形如[I-i,I0,I+i]，即[I-1,I0,I+1]，[I-2,I0,I+2]，……，[I-(K-1)/2,I0,I(K-1)/2]；
接着，对于每个三元组，分别计算差分图像Idiffi-＝abs(I-i-I0)和Idiffi+＝abs(I+i-I0)，而后根据相应阈值对差分图像进行二值化(大于阈值为1，小于阈值为0)，具体实施中阈值取 10；
然后，对每一对经过二值化后的差分图像进行与运算，即Idiffi＝Idiffi-&Idiffi+，得到对应该三元组的二值运动差分图像；
最后，对由所有三元组得到的二值运动差分图像进行或运算，即 Imotion＝Idiff1|Idiff2|...|Idiff(K-1)/2，最终得到表示运动前景区域的二值图像；
虽然该K帧差分算法存在(K-1)/2帧的延迟，但在图像帧率较高且K较小时，这一延迟的影响可以忽略不计；在具体实施中K取5。
S6、对提取出的二值运动前景区域进行形态学开运算，以达到平滑轮廓的目的。其中，开运算，即先腐蚀后膨胀，具体实施中，腐蚀运算的核大小取5，膨胀运算的核大小取11。
S7、采用OpenCV中的findContours函数并结合[TehChin89]中的算法检测出运动前景区域图像中的连通区域轮廓(形式为轮廓边界上的点集)，若轮廓点集为空，则回到S1步骤；
[TehChin89]可参见Teh,C.H.and Chin,R.T.,On the Detection of DominantPoints on Digital Curve.PAMI11 8,pp 859-872(1989)。
S8、对所述连通区域轮廓进行聚类，得到若干关键轮廓区域。具体地，可以对所提取出的区域轮廓进行DBSCAN聚类，用以滤除离群噪声和面积过小的区域，得到若干关键轮廓，若关键轮廓为空，则回到S1步骤。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是Martin Ester, Hans-PeterKriegel等人于1996年提出的一种基于密度的空间的数据聚类方法(可参见Ester, Martin；Kriegel,Hans-Peter；Sander,Xu,Xiaowei(1996).Simoudis,Evangelos；Han,Jiawei； Fayyad,Usama M.,eds.A density-based algorithmfor discovering clusters in large spatial databases with noise.Proceedings ofthe Second International Conference on Knowledge Discovery and Data Mining(KDD-96).AAAI Press.pp.226–231.CiteSeerX10.1.1.121.9220.ISBN1-57735-004-9.)，与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类，这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。
同一类别的样本，他们之间的紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样本存在。通过将紧密相连的样本划为一类，这样就得到了一个聚类类别。通过将所有各组紧密相连的样本划为各个不同的类别，就得到了最终的所有聚类类别结果。
具体实施中，取区域轮廓中心为特征点，对所有区域轮廓的中心进行DBSCAN聚类，簇内距离阈值取30，邻居个数阈值取2，面积阈值取2000，即距离30以内存在2个邻居则为同一簇，面积小于2000的簇被滤除；
S9、根据阈值，对每个关键轮廓的平均亮度进行判定，用以滤除亮度不足的干扰区域，若合法区域为空，则回到S2步骤；
其中，亮度阈值取125，即当平均亮度大小125时，可以认为该区域符合要求，其亮度足够，而当亮度阈值小于125时，则认为该区域亮度次足，应予滤除。
S10、提取每个关键轮廓区域的LBP纹理特征，输入到已训练好的SVM分类器中，用以滤除不属于烟雾的干扰区域，若合法区域为空，则回到S1步骤。
所述的SVM分类器能够通过LBP纹理特征实现对烟雾和非烟雾区域的识别。
LBP(Local Binary Pattern，局部二值模式)是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T.Ojala,M.和D. Harwood在1994年提出(可参见T.Ojala,M.and D.Harwood(1994),"Performance evaluation of texture measures with classification based onKullback discrimination of distributions", Proceedings of the 12th IAPRInternational Conference on Pattern Recognition(ICPR 1994),vol.1, pp.582-585.)，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征。常用的特征描述子有：HOG、Harris、LBP等等，其中LBP是最为简单且有效的一种特征描述子。
原始的LBP算子定义在一个3×3的窗口内，以窗口中心像素为阈值，与相邻的8个像素的灰度值比较，若周围的像素值大于中心像素值，则该位置被标记为1，否则标记为0。如此可以得到一个8位二进制数(通常还要转换为10进制，即LBP码，共256种)，将这个值作为窗口中心像素点的LBP值，以此来反映这个3×3区域的纹理信息。
若关键轮廓区域的历史记忆为空，则直接将当前关键轮廓区域作为当前时刻的烟雾区域输出，并存储为历史记忆；若关键轮廓区域的历史记忆不为空，则将当前时刻的关键轮廓区域与上一时刻的关键轮廓区域历史记忆求并集，作为当前时刻的烟雾区域输出，并将历史记忆更新为当前时刻的关键轮廓区域。
S11、采用OpenCV中的minAreaRect函数得到当前时刻烟雾轮廓输出的最小矩形包络；
若矩形包络的历史记忆为空，则直接将当前矩形包络作为当前时刻的烟雾区域矩形输出，并存储为历史记忆；若矩形包络的历史记忆不为空，则将当前时刻的矩形包络与上一时刻的矩形包络历史记忆按比例进行融合，融合后的矩形包络作为当前时刻的烟雾区域矩形输出，并将历史记忆更新为当前时刻的矩形包络。
记融合比例系数为α，当前矩形包络四个角点的坐标值为Rcur，历史记忆矩形包络四个角点的坐标值为Rmem，融合后的烟雾区域矩形四个角点的坐标值为Rfus，则 Rfus＝αRcur+(1-α)Rmem。在具体实施中，融合比例系数取0.5。
S12、若检测到的烟雾区域矩形为空，则不报警，并回到S1步骤；若检测到的烟雾区域矩形不为空，则在输出图像中绘制出烟雾区域矩形的位置，并发出提示报警，而后回到S1步骤。
如图2所示，本发明还提供一种烟雾检测装置，该检测装置包括：
图像帧提取模块1，用于读取新的一帧近红外图像，将所述近红外图像转换为灰度图像，对所述灰度图像进行缩放，得到新图像；
第一滤波模块2，用于对每一帧所述新图像进行滤波；
缓存模块3，用于将滤波后的新图像缓存；
前景区域提取模块4，用于提取所述新图像中的运动前景区域；具体可以采用帧间差分方法提取运动前景区域；
形态学运算模块5，用于对所述运动前景区域进行形态学开运算；通过开运算来达到平滑轮廓的目的。其中，开运算，即先腐蚀后膨胀，具体实施中，腐蚀运算的核大小取5，膨胀运算的核大小取11。
连通区域轮廓检测模块6，用于检测运动前景区域图像中的连通区域轮廓；具体可以通过 OpenCV中的findContours函数并结合[TehChin89]中的算法检测出运动前景区域图像中的连通区域轮廓。
聚类模块7，用于对所述连通区域轮廓进行聚类，得到若干关键轮廓区域；具体可以通过 DBSCAN方法进行聚类。
第二滤波模块8，用于对每个所述关键轮廓区域的亮度判定，根据所述亮度滤除亮度不足的干扰区域；其中，亮度阈值取125，即当平均亮度大小125时，可以认为该区域符合要求，其亮度足够，而当亮度阈值小于125时，则认为该区域亮度次足，应予滤除。
纹理特征提取模块9，用于提取符合亮度要求的关键轮廓区域的LBP纹理特征；
分类模块10，用于将每个所述关键轮廓区域的LBP纹理特征输入到已经训练好的SVM 分类器中，得到烟雾区域；
若关键轮廓区域的历史记忆为空，则直接将当前关键轮廓区域作为当前时刻的烟雾区域输出，并存储为历史记忆；若关键轮廓区域的历史记忆不为空，则将当前时刻的关键轮廓区域与上一时刻的关键轮廓区域历史记忆求并集，作为当前时刻的烟雾区域输出，并将历史记忆更新为当前时刻的关键轮廓区域。
矩形包络输出模块11，根据烟雾区域输出最小矩形包络；最小矩形包括可采用OpenCV 中的minAreaRect函数得到。
若矩形包络的历史记忆为空，则直接将当前矩形包络作为当前时刻的烟雾区域矩形输出，并存储为历史记忆；若矩形包络的历史记忆不为空，则将当前时刻的矩形包络与上一时刻的矩形包络历史记忆按比例进行融合，融合后的矩形包络作为当前时刻的烟雾区域矩形输出，并将历史记忆更新为当前时刻的矩形包络。
记融合比例系数为α，当前矩形包络四个角点的坐标值为Rcur，历史记忆矩形包络四个角点的坐标值为Rmem，融合后的烟雾区域矩形四个角点的坐标值为Rfus，则 Rfus＝αRcur+(1-α)Rmem。在具体实施中，融合比例系数取0.5。
报警模块12，在检测到烟雾区域的矩形包络时，则发出提示报警。
若检测到的烟雾区域矩形包络为空，则不报警；若检测到的烟雾区域矩形包络不为空，则在输出图像中绘制出烟雾区域矩形的位置，并发出提示报警。
在本发明中，各个模块的功能实现都可以通过前述方法中对应的步骤来实现，此处就不再赘述。
本发明还提供一种计算机可读存储介质，存储计算机程序，所述计算机程序被处理器运行时执行前述的检测方法。
本发明还提供一种设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器存储的计算机程序，以使所述设备执行所述的检测方法。
所述处理器可以是中央处理单元(Central Processing Unit,CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specifi。Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是内部存储单元或外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器还可以既包括内部存储单元，也包括外部存储设备。所述存储器用于存储所述计算机程序以及其他程序和数据。所述存储器还可以用于暂时地存储己经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的藕合或直接藕合或通讯连接可以是通过一些接口，装置或单元的间接藕合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种烟雾检测方法，其特征在于，该检测方法包括：
读取新的一帧近红外图像，将所述近红外图像转换为灰度图像，对所述灰度图像进行缩放，得到新图像；
对每一帧所述新图像进行滤波；
将滤波后的新图像缓存；
提取所述新图像中的运动前景区域；
对所述运动前景区域进行形态学开运算；
检测运动前景区域图像中的连通区域轮廓；
对所述连通区域轮廓进行聚类，得到若干关键轮廓区域；
对每个所述关键轮廓区域的亮度判定，根据所述亮度滤除亮度不足的干扰区域；
提取符合亮度要求的关键轮廓区域的LBP纹理特征；
将每个所述关键轮廓区域的LBP纹理特征输入到已经训练好的SVM分类器中，得到烟雾区域；
根据烟雾区域输出最小矩形包络；
若检测到烟雾区域的矩形包络，则发出提示报警。
2.根据权利要求1所述的一种烟雾检测方法，其特征在于，采用帧间差分法提取所述新图像中的运动前景区域。
3.根据权利要求1所述的一种烟雾检测方法，其特征在于，采用OpenCV中的findContours函数并结合[TehChin89]中的算法检测运动前景区域图像中的连通区域轮廓。
4.根据权利要求1所述的一种烟雾检测方法，其特征在于，采用DBSCAN聚类方法对所述连通区域轮廓进行聚类。
5.根据权利要求1所述的一种烟雾检测方法，其特征在于，若关键轮廓区域的历史记忆为空，则直接将当前关键轮廓区域作为当前时刻的烟雾区域输出，并存储为历史记忆；若关键轮廓区域的历史记忆不为空，则将当前时刻的关键轮廓区域与上一时刻的关键轮廓区域历史记忆求并集，作为当前时刻的烟雾区域输出，并将历史记忆更新为当前时刻的关键轮廓区域。
6.根据权利要求1所述的一种烟雾检测方法，其特征在于，若矩形包络的历史记忆为空，则直接将当前矩形包络作为当前时刻的烟雾区域矩形输出，并存储为历史记忆；若矩形包络的历史记忆不为空，则将当前时刻的矩形包络与上一时刻的矩形包络历史记忆按比例进行融合，融合后的矩形包络作为当前时刻的烟雾区域矩形输出，并将历史记忆更新为当前时刻的斜矩形包络。
7.根据权利要求7所述的一种烟雾检测方法，其特征在于，融合后的烟雾区域矩形四个角点的坐标值为Rfus，Rfus＝αRcur+(1-α)Rmem，其中，α为融合比例系数，Rcur为当前矩形包络四个角点的坐标值，Rmem为历史记忆矩形包络四个角点的坐标值。
8.一种烟雾检测装置，其特征在于，该检测装置包括：
图像帧提取模块，用于读取新的一帧近红外图像，将所述近红外图像转换为灰度图像，对所述灰度图像进行缩放，得到新图像；
第一滤波模块，用于对每一帧所述新图像进行滤波；
缓存模块，用于将滤波后的新图像缓存；
前景区域提取模块，用于提取所述新图像中的运动前景区域；
形态学运算模块，用于对所述运动前景区域进行形态学开运算；
连通区域轮廓检测模块，用于检测运动前景区域图像中的连通区域轮廓；
聚类模块，用于对所述连通区域轮廓进行聚类，得到若干关键轮廓区域；
第二滤波模块，用于对每个所述关键轮廓区域的亮度判定，根据所述亮度滤除亮度不足的干扰区域；
纹理特征提取模块，用于提取符合亮度要求的关键轮廓区域的LBP纹理特征；
分类模块，用于将每个所述关键轮廓区域的LBP纹理特征输入到已经训练好的SVM分类器中，得到烟雾区域；
矩形包络输出模块，根据烟雾区域输出最小矩形包络；
报警模块，在检测到烟雾区域的矩形包络时，则发出提示报警。
9.一种计算机可读存储介质，存储计算机程序，其特征在于，所述计算机程序被处理器运行时执行如权利要求1～7任意一项所述的检测方法。
10.一种设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器存储的计算机程序，以使所述设备执行如权利要求1～7任意一项所述的检测方法。
CN201910162624.6A 2019-03-05 2019-03-05 一种烟雾检测方法、系统、计算机可读存储介质及设备 Pending CN110111336A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910162624.6A CN110111336A (zh) 2019-03-05 2019-03-05 一种烟雾检测方法、系统、计算机可读存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910162624.6A CN110111336A (zh) 2019-03-05 2019-03-05 一种烟雾检测方法、系统、计算机可读存储介质及设备

Publications (1)

Publication Number Publication Date
CN110111336A true CN110111336A (zh) 2019-08-09

Family

ID=67484249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910162624.6A Pending CN110111336A (zh) 2019-03-05 2019-03-05 一种烟雾检测方法、系统、计算机可读存储介质及设备

Country Status (1)

Country Link
CN (1) CN110111336A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554694A (zh) * 2021-09-22 2021-10-26 中国人民解放军国防科技大学 一种烟幕释放过程中红外有效遮蔽面积的获取方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012175207A (ja) * 2011-02-18 2012-09-10 Panasonic Corp 画像処理装置、画像処理方法、及びコンピュータプログラム
CN107633212A (zh) * 2017-08-30 2018-01-26 清华大学苏州汽车研究院（吴江） 一种基于视频图像的烟火检测方法和装置
CN108876856A (zh) * 2018-06-29 2018-11-23 北京航空航天大学 一种大型建筑火灾火源识别定位方法及系统
CN108898098A (zh) * 2018-06-27 2018-11-27 天津大学 基于监控平台的早期视频烟雾检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012175207A (ja) * 2011-02-18 2012-09-10 Panasonic Corp 画像処理装置、画像処理方法、及びコンピュータプログラム
CN107633212A (zh) * 2017-08-30 2018-01-26 清华大学苏州汽车研究院（吴江） 一种基于视频图像的烟火检测方法和装置
CN108898098A (zh) * 2018-06-27 2018-11-27 天津大学 基于监控平台的早期视频烟雾检测方法
CN108876856A (zh) * 2018-06-29 2018-11-23 北京航空航天大学 一种大型建筑火灾火源识别定位方法及系统

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
张楠: "基于视频图像的火灾检测与识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 05, 15 May 2014 (2014-05-15), pages 17 - 20 *
张楠: "基于视频图像的火灾检测与识别方法研究", no. 05, pages 17 - 20 *
蒋先刚: "数字图像模式识别工程项目研究", 西南交通大学出版社, pages: 241 *
袁洁等: "一种基于纹理特征的主动红外烟雾识别方法" *
袁洁等: "一种基于纹理特征的主动红外烟雾识别方法", 《安全与环境学报》, vol. 16, no. 2, 25 April 2016 (2016-04-25), pages 1 - 3 *
袁洁等: "一种基于纹理特征的主动红外烟雾识别方法", vol. 16, no. 2, pages 1 - 3 *
赵昆等: "一种基于视觉特征的自主目标跟踪算法" *
赵昆等: "一种基于视觉特征的自主目标跟踪算法", 《第三十一届中国控制会议论文集C卷》, 15 July 2012 (2012-07-15), pages 2 *
赵昆等: "一种基于视觉特征的自主目标跟踪算法", pages 2 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554694A (zh) * 2021-09-22 2021-10-26 中国人民解放军国防科技大学 一种烟幕释放过程中红外有效遮蔽面积的获取方法和系统

Similar Documents

Publication Publication Date Title
Li et al. Statistical modeling of complex backgrounds for foreground object detection
Yousif et al. Fast human-animal detection from highly cluttered camera-trap images using joint background modeling and deep learning classification
CN104303193B (zh) 基于聚类的目标分类
McKenna et al. Tracking groups of people
CN106803301A (zh) 一种基于深度学习的人脸识别门禁方法及系统
Choudhury et al. An evaluation of background subtraction for object detection vis-a-vis mitigating challenging scenarios
US20100034420A1 (en) System and method for video based fire detection
CN111191573A (zh) 一种基于眨眼规律识别的驾驶员疲劳检测方法
US10445885B1 (en) Methods and systems for tracking objects in videos and images using a cost matrix
CN102201146A (zh) 基于主动红外视频的零照度环境火灾烟雾识别方法
CN104616026B (zh) 一种面向智能视频监控的监控场景类型辨识方法
Gonzalez-Gonzalez et al. Wavelet-based smoke detection in outdoor video sequences
CN111723773B (zh) 遗留物检测方法、装置、电子设备及可读存储介质
CN106951869A (zh) 一种活体验证方法及设备
CN107273894A (zh) 车牌的识别方法、装置、存储介质及处理器
CN108921215A (zh) 一种基于局部极值共生模式和能量分析的烟雾检测
Reddy et al. Adaptive patch-based background modelling for improved foreground object segmentation and tracking
Mathur et al. Research on intelligent video surveillance techniques for suspicious activity detection critical review
Klare et al. Background subtraction in varying illuminations using an ensemble based on an enlarged feature set
CN103927519A (zh) 一种实时人脸检测与过滤方法
CN109377499A (zh) 一种像素级物体分割方法及装置
CN110111336A (zh) 一种烟雾检测方法、系统、计算机可读存储介质及设备
CN108765454A (zh) 一种基于视频的烟雾检测方法、装置及设备终端
Ghasemi et al. A real-time multiple vehicle classification and tracking system with occlusion handling
Li et al. Disguised face detection and recognition under the complex background

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

Application publication date: 20190809

RJ01 Rejection of invention patent application after publication