CN110503034A - 一种烟火图像精准识别方法及装置 - Google Patents
一种烟火图像精准识别方法及装置 Download PDFInfo
- Publication number
- CN110503034A CN110503034A CN201910775464.2A CN201910775464A CN110503034A CN 110503034 A CN110503034 A CN 110503034A CN 201910775464 A CN201910775464 A CN 201910775464A CN 110503034 A CN110503034 A CN 110503034A
- Authority
- CN
- China
- Prior art keywords
- image
- pyrotechnics
- identified
- classifier
- sample image
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种烟火图像精准识别方法及装置。该方法包括:收集预设数量的森林烟火图像,对所述监控图像预处理形成样本图像;通过提取样本图像特征输入到支持向量机,训练得到分类器;视频监控设备采集到待识别烟火图像后,将所述待识别烟火图像输入到所述分类器,判断是否发生森林火灾。通过该方案解决传统判断森林火灾发生方法存在识别时间长的问题,可以有效缩短识别时间,保证火灾检测的实时性,方便及时提供森林火灾预警。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种烟火图像精准识别方法及装置。
背景技术
森林火灾对于人们的生命及财产常会造成巨大损失,为减少财产损失,保障相关人员的生命安全,有必要对森林火灾进行预警,但火灾前期往往只有烟出现在监控视野内,很难准确判定是否为森林火灾。
采用视频监控设备可以实时采集视频数据,通过对视频数据识别处理获得识别结果。现有的烟火识别报警技术,大多采用预置位方法,具体就是云台运行到固定点进行静态图像识别后,再进行下一固定点的烟火识别动作。该方法可以较为准确的识别烟火,进行火灾预警,但识别时间较长,实时性差。
发明内容
有鉴于此,本发明实施例提供了一种烟火图像精准识别方法及装置,以解决现有森林火灾识别判定时间长、实时性差的问题。
在本发明实施例的第一方面,提供了一种方法,包括:
收集预设数量的森林烟火图像,对所述监控图像预处理形成样本图像;
通过提取样本图像特征输入到支持向量机,训练得到分类器;
视频监控设备采集到待识别烟火图像后,将所述待识别烟火图像输入到所述分类器,判断是否发生森林火灾。
在本发明实施例的第二方面,提供了一种装置,包括:
收集模块,用于收集预设数量的森林烟火图像,对所述监控图像预处理形成样本图像;
训练模块,用于通过提取样本图像特征输入到支持向量机,训练得到分类器;
识别模块,用于视频监控设备采集到待识别烟火图像后,将所述待识别烟火图像输入到所述分类器,判断是否发生森林火灾。
本发明实施例中,收集森林火灾样本图片,基于样本图片具有的特征对支持向量机训练得到分类器,通过摄像机监控现场,实时采集图像,通过分类器判定是否发生火灾。基于图像的多重特征作为判据,使火灾探测的灵敏度和可靠性都得到很大的提高,而且不受室外大空间和恶劣环境的影响,有效缩短火灾识别判断时间,保障实时性,同时可以提高识别精度,能够在早期发现火灾并报警,适用于森林火灾的监测工作。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述的附图仅仅是本发明的一些实施例,对本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他附图。
图1为本发明的一个实施例提供的烟火图像精准识别方法的流程示意图;
图2为本发明的一个实施例提供的烟火图像精准识别装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
实施例一:
请参阅图1,本发明实施例提供的一种烟火图像精准识别方法的流程示意图,包括:
S101、收集预设数量的森林烟火图像,对所述监控图像预处理形成样本图像;
实际中,自然的林火难以及时捕捉到,因此可以选择适当的山林环境及各类天气、季节和植被反复多次模拟森林火灾,利用野外视频摄像头采集视频数据,以烟火的特征值组成特征向量进行特征提取。在此过程中需要人为的参与,即需要标注识别出的热区是否为真实的烟火热区,即正样本,将未发生森林火灾时摄像头采集的视频信息,及疑似热区的特征向量标识为负样本。对于所有森林烟火图像样本的特征向量及样本类别存入数据库作为训练样本库。
在样本图像的显示的特征中颜色特征是最显著的视觉特征,对于基于颜色特征的图像检索,有多种方案。在烟火识别过程中,烟火往往是整幅图像中的一部分(区域),因此在对图像进行特征提取之前,首先需要筛选出目标颜色区域,利用颜色矩来作过滤缩小范围的作用,以此作为预处理区域。
可选的,基于所述监控图像中烟火的颜色特征,使用加权欧氏距离度量划分得到的子区域是否与样本颜色特征相匹配;
将相匹配的子区域进行插值填充,并连接所有的子区域;
对小于预定大小的子区域进行去噪处理,获得目标样本图像。
S102、通过提取样本图像特征输入到支持向量机,训练得到分类器;
支持向量机(Support Vector Machine,SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器,是从线性可分情况下的最优分类面提出的。所谓最优分类面就是要求分类线不但能将两类正确分开,而且使分类间隔最大,既可以保证经验风险最小,而且使推广性的界中置信范围最小,从而使真实风险最小,推广到高维空间,最优分类线就成为最优分类面。
示例性的,烟火样本图像中除颜色特征外还有:纹理特征、几何特征(形状)以及动态特征。其中,动态特征可以包括:烟火中心相对移动速率、烟火面积相对变化速率、烟火外沿飘动轨迹。几何特征特征可以包括:圆形度(又称复杂度)、度量边界的能量、密集度、矩形度、充满程度、平均密度、区域偏心度等重要形状测度。
可选的,遍历所述样本图像,获取明火区域与烟区域的边界像素点;
按明火区域与烟区域的区域大小,分别选取预设数量的明火区域与烟区域存储至数组中,其中,每个火区域或烟区域由预定义的结构体表示,在所述结构体中包含有明火区域或烟区域的特征数据。
S103、视频监控设备采集到待识别烟火图像后,将所述待识别烟火图像输入到所述分类器,判断烟火类型。
从监控视频给中不间断捕获图像数据,保存连续的图像用于识别判断,如,以每个0.7秒步长截取连续的两幅图像,按Dib格式保存用于检测识别。
对于截取的待识别烟火图像,获取原像的宽高信息和原像的HSI、RGB和灰度图像内存块。为方便后续处理,图像已经过上下转正处理,存储每行像素所需的字节数直接与图像宽度和存储每像素所需的字节数相关。
可选的,对所述待识别烟火图像预处理,当基于颜色特征未检测到所述待识别烟火图像中存在烟火区域,则判定所述待识别烟火图像为未发生火灾类型。初步判别图像中是否存在疑似烟火区域以便减小后续处理的工作量,同时可以为特征提取提供基础数据。
对待检测烟火图像预处理,提取烟火图像中的烟火区域,加快提取速度每幅实际图像存在两个相同的数据结构,分别存储烟和明火区域的基础数据及各项特征值。
示例性的,对于一副图像而言,设定找出三块热区,查找的热区可能小于三甚至为零。热区按面积大小排列,并将每个热区相关数据存储到结构体中。如数组pPArray,其最多可对应三块热区。数组中的每一元素为一指针,指向一个point类型的数组,本数组存储区域的边界像素点。
对于烟火图像先进行图像分析,根据图像中物体或区域的颜色、形状和纹理等特征以及这些特征的组合,提取特征值,再由这些特征值构建分类器的分类函数,对样本图像提取图像特征向量,利用样本图像训练分类器,将待识别烟火图像的特征向量代入分类函数,利用分类函数计算出该图像是否属于火灾,便于发出进行警示。
本实施例提供的方法,通过收集样本图像对支持向量机训练得到分类器后,对视频监控实际采集的待识别烟火图像进行检测判断,可以提高图像检测效率,缩短识别时间,同时,基于烟火图像特征可以实现精准判断,为森林防火提供可靠预警。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定,
实施例二:
图2为本发明实施例二提供的一种烟火图像精准识别装置的结构示意图,该装置包括:
收集模块210,用于收集预设数量的森林烟火图像,对所述监控图像预处理形成样本图像;
可选的,所述对所述监控图像预处理形成样本图像还包括:
基于所述监控图像中烟火的颜色特征,使用加权欧氏距离度量划分得到的子区域是否与样本特征相匹配;
将相匹配的子区域进行插值填充,并连接所有的子区域;
对小于预定大小的子区域进行去噪处理,获得目标样本图像。
训练模块220,用于通过提取样本图像特征输入到支持向量机,训练得到分类器;
可选的,所述通过提取样本图像特征输入到支持向量机,训练得到分类器之前还包括:
遍历所述样本图像,获取明火区域与烟区域的边界像素点
按明火区域与烟区域的区域大小,分别选取预设数量的明火区域与烟区域存储至数组中,其中,每个火区域或烟区域由预定义的结构体表示,在所述结构体中包含有明火区域或烟区域的特征数据。
识别模块230,用于视频监控设备采集到待识别烟火图像后,将所述待识别烟火图像输入到所述分类器,判断是否发生森林火灾。
可选的,所述识别模块230还包括:
预判断模块,用于对所述待识别烟火图像预处理,当基于颜色特征未检测到所述待识别烟火图像中存在烟火区域,则判定所述待识别烟火图像为未发生火灾类型。
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理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括步骤S101至S103,所述的存储介质包括如:ROM/RAM、磁碟、光盘等。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种烟火图像精准识别方法,其特征在于,包括:
收集预设数量的森林烟火图像,对所述监控图像预处理形成样本图像;
通过提取样本图像特征输入到支持向量机,训练得到分类器;
视频监控设备采集到待识别烟火图像后,将所述待识别烟火图像输入到所述分类器,判断是否发生森林火灾。
2.根据权利要求1所述的方法,其特征在于,所述对所述监控图像预处理形成样本图像还包括:
基于所述监控图像中烟火的颜色特征,使用加权欧氏距离度量划分得到的子区域是否与样本颜色特征相匹配;
将相匹配的子区域进行插值填充,并连接所有的子区域;
对小于预定大小的子区域进行去噪处理,获得目标样本图像。
3.根据权利要求1所述的方法,其特征在于,所述通过提取样本图像特征输入到支持向量机,训练得到分类器之前还包括:
遍历所述样本图像,获取明火区域与烟区域的边界像素点;
按明火区域与烟区域的区域大小,分别选取预设数量的明火区域与烟区域存储至数组中,其中,每个火区域或烟区域由预定义的结构体表示,在所述结构体中包含有明火区域或烟区域的特征数据。
4.根据权利要求1所述的方法,其特征在于,所述视频监控设备采集到待识别烟火图像后,将所述待识别烟火图像输入到所述分类器,判断是否发生森林火灾还包括:
对所述待识别烟火图像预处理,当基于颜色特征未检测到所述待识别烟火图像中存在烟火区域,则判定所述待识别烟火图像为未发生火灾类型。
5.一种烟火图像精准识别装置,其特征在于,包括:
收集模块,用于收集预设数量的森林烟火图像,对所述监控图像预处理形成样本图像;
训练模块,用于通过提取样本图像特征输入到支持向量机,训练得到分类器;
识别模块,用于视频监控设备采集到待识别烟火图像后,将所述待识别烟火图像输入到所述分类器,判断是否发生森林火灾。
6.根据权利要求5所述的装置,其特征在于,所述对所述监控图像预处理形成样本图像还包括:
基于所述监控图像中烟火的颜色特征,使用加权欧氏距离度量划分得到的子区域是否与样本特征相匹配;
将相匹配的子区域进行插值填充,并连接所有的子区域;
对小于预定大小的子区域进行去噪处理,获得目标样本图像。
7.根据权利要求5所述的装置,其特征在于,所述通过提取样本图像特征输入到支持向量机,训练得到分类器之前还包括:
遍历所述样本图像,获取明火区域与烟区域的边界像素点;
按明火区域与烟区域的区域大小,分别选取预设数量的明火区域与烟区域存储至数组中,其中,每个火区域或烟区域由预定义的结构体表示,在所述结构体中包含有明火区域或烟区域的特征数据。
8.根据权利要求5所述的装置,其特征在于,所述识别模块还包括:
预判断模块,用于对所述待识别烟火图像预处理,当基于颜色特征未检测到所述待识别烟火图像中存在烟火区域,则判定所述待识别烟火图像为未发生火灾类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910775464.2A CN110503034A (zh) | 2019-08-21 | 2019-08-21 | 一种烟火图像精准识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910775464.2A CN110503034A (zh) | 2019-08-21 | 2019-08-21 | 一种烟火图像精准识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110503034A true CN110503034A (zh) | 2019-11-26 |
Family
ID=68588786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910775464.2A Pending CN110503034A (zh) | 2019-08-21 | 2019-08-21 | 一种烟火图像精准识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503034A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770644A (zh) * | 2010-01-19 | 2010-07-07 | 浙江林学院 | 森林火灾远程视频监控烟火识别方法 |
CN109165577A (zh) * | 2018-08-07 | 2019-01-08 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
-
2019
- 2019-08-21 CN CN201910775464.2A patent/CN110503034A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770644A (zh) * | 2010-01-19 | 2010-07-07 | 浙江林学院 | 森林火灾远程视频监控烟火识别方法 |
CN109165577A (zh) * | 2018-08-07 | 2019-01-08 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lv et al. | Land cover change detection techniques: Very-high-resolution optical images: A review | |
Long et al. | Safety helmet wearing detection based on deep learning | |
CN103324937B (zh) | 标注目标的方法和装置 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN109977790A (zh) | 一种基于迁移学习的视频烟雾检测与识别方法 | |
CN109886130A (zh) | 目标对象的确定方法、装置、存储介质和处理器 | |
CN110310264A (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
CN108985169A (zh) | 基于深度学习目标检测与动态背景建模的商店跨门经营检测方法 | |
CN108416774A (zh) | 一种基于细粒度神经网络的织物种类识别方法 | |
CN112215182B (zh) | 一种适用于森林火灾的烟雾识别方法 | |
CN106981063A (zh) | 一种基于深度学习的电网设备状态监测装置 | |
CN111368690A (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
CN107845091B (zh) | 基于预筛查的快速标注方法和系统 | |
CN108764082A (zh) | 一种飞机目标检测方法、电子设备、存储介质及系统 | |
CN109086648A (zh) | 一种融合目标检测和特征匹配的目标跟踪方法 | |
CN108664970A (zh) | 一种快速目标检测方法、电子设备、存储介质及系统 | |
CN109615604A (zh) | 基于图像重构卷积神经网络的零件外观瑕疵检测方法 | |
CN113780342A (zh) | 一种基于自监督预训练的智能检测方法、装置及机器人 | |
CN112465854A (zh) | 基于无锚点检测算法的无人机跟踪方法 | |
CN115719463A (zh) | 一种基于超分辨率重构和自适应挤压激励的烟火检测方法 | |
CN108717522A (zh) | 一种基于深度学习和相关滤波的人体目标跟踪方法 | |
CN113673618A (zh) | 一种融合注意力模型的烟虫目标检测方法 | |
CN111611866B (zh) | 基于YCrCb和LAB颜色空间的火焰检测识别方法及系统 | |
CN112464933A (zh) | 一种地基凝视红外成像弱小目标智能识别方法 | |
CN110503034A (zh) | 一种烟火图像精准识别方法及装置 |
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: 20191126 |
|
RJ01 | Rejection of invention patent application after publication |