CN110717419A - 一种从视频图像中提取火焰特征的方法 - Google Patents
一种从视频图像中提取火焰特征的方法 Download PDFInfo
- Publication number
- CN110717419A CN110717419A CN201910911445.8A CN201910911445A CN110717419A CN 110717419 A CN110717419 A CN 110717419A CN 201910911445 A CN201910911445 A CN 201910911445A CN 110717419 A CN110717419 A CN 110717419A
- Authority
- CN
- China
- Prior art keywords
- flame
- extracting
- image
- images
- target
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明公开了一种从视频图像中提取火焰特征的方法,其中,该方法包括:从输入视频图像中提取火焰目标;将提取的连续多帧火焰图像进行合成;处理合成后的火焰图像,提取并输出火焰特征;利用模型对特征进行分类,判断是否发生火灾。本发明实施例,能够提高火焰图像特征的稳定性进而提高火灾检测的准确率,而且不必对每帧图像进行特征提取和判断,减少了计算量,进而减小了算法对硬件资源的需求,有利于大范围推广。
Description
技术领域
本发明涉及视频图像识别和火灾探测技术领域,尤其涉及一种从视频图像中提取火焰特征的方法。
背景技术
基于嵌入式视频分析的火灾探测方法能够对视频图像中的火焰目标进行识别,根据识别结果进行火灾报警。与一般目标的图像识别技术相比,火焰图像识别的难度在于火焰图像是运动的非刚体目标,形状和大小时时刻刻都在发生变化,而且相邻帧的火焰图像之间变化无明显规律,这些都造成火焰图像的静态特征不稳定,也难以提取到准确的动态特征,所以目前基于视频图像分析的火灾探测方法中,广泛采用多特征融合判断的方法,为提高火灾检测的准确性,尽可能多地提取火焰目标的颜色、形状、动态特征,然后进行综合判断,导致这种方法本身数据量和计算量都较大,所需的硬件资源也较多,限制了该方法的广泛应用。
发明内容
本发明的目的在于提供一种从视频图像中提取火焰特征的方法,旨在解决现有火灾探测方法数据量和计算量都较大,所需的硬件资源较多,不利于广泛应用的问题。
为实现上述目的,本发明提供了一种从视频图像中提取火焰特征的方法,包括:
从输入视频图像中提取火焰目标,得到连续多帧的火焰图像;
将提取的连续多帧火焰图像进行合成;
处理合成后的火焰图像,提取并输出火焰特征;
利用SVM支持向量机模型对特征进行分类,判断是否发生火灾。
其中,所述从输入视频图像中提取火焰目标包括第一步筛选,所述第一步筛选是指采用基于vibe背景建模的运动目标检测算法对火焰目标进行筛选。
其中,所述从输入视频图像中提取火焰目标包括第二步筛选,所述第二步筛选是指利用颜色阈值对所述第一步筛选的火焰目标进行进一步的筛选,过滤掉颜色和火焰不符的运动目标。
其中,所述颜色阈值过滤规则为:
像素点在RGB颜色系统中R、G、B通道中有不同的值,所述像素点在R通道中的值要大于火焰的红色分量的经验阈值,所述经验阈值为170;
所述像素点在R通道中的值大于G通道的值,所述像素点在G通道的值大于在B通道的值。
其中,所述将提取的连续多帧火焰图像进行合成包括保存连续的多帧图像,计算像素点在多幅图像中的像素值的数学期望,然后用像素点的数学期望构成新的融合后的火焰目标图像。
其中,所述处理合成后的火焰图像包括对所述新的融合后的火焰目标图像进行连通域分析,去除连通域中面积小于阈值的连通域噪点。
其中,所述提取并输出火焰特征包括用技术手段区分内焰和外焰,所述区分内外焰的技术手段为每个连通域内采用大津算法,根据所述融合火焰图像中亮度不同,将火焰目标分为稳定的内焰部分和闪烁变化的外焰部分。
其中,分别对内焰和外焰提取特征,将内外焰特征一起作为火焰图像特征输出。
其中,所述利用模型对特征进行分类,判断是否发生火灾包括SVM支持向量机模型对提取到的特征进行分类,判别是否发生火灾。
其中,所述SVM模型构建方法如下:
选择真实的火焰目标图像特征和干扰目标图像构成的数据集进行训练,所述SVM核函数选择RBF核函数,利用网格搜索和交叉验证法确定参数C和g。
本发明采用图像合成方法将连续的多帧火焰图像合成为一张图像,然后进行特征提取。这种方法能够提高火焰图像特征的稳定性进而提高火灾检测的准确率,而且不必对每帧图像进行特征提取和判断,减少了计算量,进而减小了算法对硬件资源的需求,有利于大范围推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于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得其他的附图。
图1是本发明的火灾图像特征提取流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1本发明提供一种从视频图像中提取火焰特征的方法,包括:
S101输入视频图像;
所述输入视频图像是指从其他装置中获得的视频图像。
S102从输入视频图像中提取火焰目标,得到连续多帧火焰图像;
所述从输入视频图像中提取火焰目标包括第一步筛选,所述第一步筛选是指采用基于Vibe背景建模的运动目标检测算法对火焰目标进行筛选。
在本实施方式中,提出融入特征的Vibe背景建模,根据筛选过程中特征的变化情况以及局部像素复杂程度,改变了对前景的判定与背景的更新方式,解决筛选过程中不同目标相似造成的误筛选。
所述从输入视频图像中提取火焰目标包括第二步筛选,所述第二步筛选是指利用颜色阈值对所述第一步筛选的火焰目标进行进一步的筛选,过滤掉颜色和火焰不符的运动目标。
所述颜色阈值过滤规则为:
像素点在RGB颜色系统中R、G、B通道中有不同的值,所述像素点在R通道中的值要大于火焰的红色分量的经验阈值,所述经验阈值为170;
所述像素点在R通道中的值大于G通道的值,所述像素点在G通道的值大于在B通道的值。
在本实施方式中,通过对比像素点与经验阈值在颜色系统中不同通道的大小,进一步对非火焰的运动目标进行筛选,使得火焰目标的筛选结果更加准确。
S103将所述提取的连续多帧火焰图像进行合成包括保存连续的多帧图像,计算像素点在多幅图像中的像素值的数学期望,然后用像素点的数学期望构成新的融合后的火焰目标图像。
在本实施方式中,保存连续的N帧图像,计算像素点在N幅图像中的像素值的数学期望,然后用像素点的数学期望构成新的融合后的火焰目标图像。N的取值可根据实际情况,在5~15中选取。融合后图像中像素点的值和原来N幅图像对应点像素值的关系如下:
其中,P(x,y)为融合后像素点的像素值,pi(x,y)为第i帧图像中对应点的像素值。融合多帧图像然后提取特征的火焰特征提取方法,提高了火焰的静态特征的稳定性,提高了火灾检测的准确度和鲁棒性。
具体实施例如下:
对应点坐标为(x,y),N取5,
p1(x,y)=20为第1帧图像中对应点的R通道像素值;
p2(x,y)=30为第2帧图像中对应点的R通道像素值;
p3(x,y)=40为第3帧图像中对应点的R通道像素值;
p4(x,y)=50为第4帧图像中对应点的R通道像素值;
p5(x,y)=60为第5帧图像中对应点的R通道像素值,
即P(x,y)=40为融合后图像中对应点的R通道像素值。
融合后图像中对应点的G通道和B通道像素值计算方法同上。
在本实施方式中,与单帧火焰特征提取方法相比,大量地减少了算法的计算量,同时不会对火灾检测的实时性产生较大影响,降低了对硬件资源的需求,有利于大范围推广应用。
S104所述处理合成后的火焰图像包括对所述新的融合后的火焰目标图像进行连通域分析,去除连通域中面积小于阈值的连通域噪点。
在本实施方式中,阈值的选取和图像大小相关,一般不超过图像总像素面积的5%。
S105所述提取并输出火焰特征包括用技术手段区分内焰和外焰,所述区分内外焰的技术手段为每个连通域内采用大津算法,根据所述融合火焰图像中亮度不同,将火焰目标分为稳定的内焰部分和闪烁变化的外焰部分。
S106分别对内焰和外焰提取特征,将内外焰特征一起作为火焰图像特征输出。
在本实施方式中,提取的特征包括颜色直方图、面积、圆形度、矩形度和质心高度,提出的分离火焰内焰外焰并分别提取特征的方法,能够有效地反应火焰图像在连续时间内变化的动态特征。
S107利用SVM模型对特征进行分类,判断是否发生火灾包括SVM支持向量机模型对提取到的特征进行分类,判别是否发生火灾。
所述SVM模型构建方法如下:
选择真实的火焰目标图像特征和干扰目标图像构成的数据集进行训练,所述SVM核函数选择RBF核函数,利用网格搜索和交叉验证法确定参数。
在本实施方式中,SVM模型构建方法如下:
选择真实的火焰目标图像特征和干扰目标图像构成的数据集进行训练,干扰目标图像有行人、行驶的汽车、路灯、广告牌等。SVM核函数选择RBF核函数,利用网格搜索和交叉验证法确定最优参数。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (10)
1.一种从视频图像中提取火焰特征的方法,其特征在于,包括:
从输入视频图像中提取火焰目标,得到连续多帧的火焰图像;
将提取的连续多帧火焰图像进行合成;
处理合成后的火焰图像,提取并输出火焰特征;
利用SVM支持向量机模型对特征进行分类,判断是否发生火灾。
2.如权利要求1所述的一种从视频图像中提取火焰特征的方法,其特征在于,所述从输入视频图像中提取火焰目标,包括:
第一步筛选,所述第一步筛选是指采用基于vibe背景建模的运动目标检测算法对火焰目标进行筛选。
3.如权利要求2所述的一种从视频图像中提取火焰特征的方法,其特征在于,所述从输入视频图像中提取火焰目标包括第二步筛选,所述第二步筛选是指利用颜色阈值对所述第一步筛选的火焰目标进行进一步的筛选,过滤掉颜色和火焰不符的运动目标。
4.如权利要求3所述的一种从视频图像中提取火焰特征的方法,其特征在于,所述利用颜色阈值对所述第一步筛选的火焰目标进行进一步的筛选包括:
像素点在RGB颜色系统中R、G、B通道中有不同的值,所述像素点在R通道中的值要大于火焰的红色分量的经验阈值,所述经验阈值为170;
所述像素点在R通道中的值大于G通道的值,所述像素点在G通道的值大于在B通道的值。
5.如权利要求1所述的一种从视频图像中提取火焰特征的方法,其特征在于,将所述提取的连续多帧火焰图像进行合成,包括:
保存连续的多帧图像,计算像素点在多幅图像中的像素值的数学期望,然后用像素点的数学期望构成新的融合后的火焰目标图像。
6.如权利要求5所述的一种从视频图像中提取火焰特征的方法,其特征在于,所述处理合成后的火焰图像,包括:
对所述新的融合后的火焰目标图像进行连通域分析,去除连通域中面积小于阈值的连通域噪点。
7.如权利要求1所述的一种从视频图像中提取火焰特征的方法,其特征在于,所述提取并输出火焰特征,包括:
对每个连通域采用大津算法,根据所述融合火焰图像中亮度不同,将火焰目标分为稳定的内焰部分和闪烁变化的外焰部分。
8.如权利要求7所述的一种从视频图像中提取火焰特征的方法,其特征在于,所述提取并输出火焰特征,包括:
分别对内焰和外焰提取特征,将内外焰特征一起作为火焰图像特征输出。
9.如权利要求1所述的一种从视频图像中提取火焰特征的方法,其特征在于,所述SVM支持向量机模型的构建方法为:
选择真实的火焰目标图像特征和干扰目标图像构成的数据集进行训练。
10.如权利要求9所述的一种从视频图像中提取火焰特征的方法,其特征在于,所述SVM支持向量机模型的核函数选择RBF核函数,利用网格搜索和交叉验证法确定参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911445.8A CN110717419A (zh) | 2019-09-25 | 2019-09-25 | 一种从视频图像中提取火焰特征的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911445.8A CN110717419A (zh) | 2019-09-25 | 2019-09-25 | 一种从视频图像中提取火焰特征的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717419A true CN110717419A (zh) | 2020-01-21 |
Family
ID=69210869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910911445.8A Pending CN110717419A (zh) | 2019-09-25 | 2019-09-25 | 一种从视频图像中提取火焰特征的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717419A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761529A (zh) * | 2013-12-31 | 2014-04-30 | 北京大学 | 一种基于多色彩模型和矩形特征的明火检测方法和系统 |
CN105046868A (zh) * | 2015-06-16 | 2015-11-11 | 苏州华启智能科技股份有限公司 | 一种狭长环境中基于红外热像仪的火灾预警方法 |
CN105512667A (zh) * | 2014-09-22 | 2016-04-20 | 中国石油化工股份有限公司 | 红外和可见光视频图像融合识别火灾的方法 |
CN105788142A (zh) * | 2016-05-11 | 2016-07-20 | 中国计量大学 | 一种基于视频图像处理的火灾检测系统及检测方法 |
CN108108695A (zh) * | 2017-12-22 | 2018-06-01 | 湖南源信光电科技股份有限公司 | 基于红外视频图像的火焰检测识别方法 |
CN109376747A (zh) * | 2018-12-11 | 2019-02-22 | 北京工业大学 | 一种基于双流卷积神经网络的视频火焰检测方法 |
-
2019
- 2019-09-25 CN CN201910911445.8A patent/CN110717419A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761529A (zh) * | 2013-12-31 | 2014-04-30 | 北京大学 | 一种基于多色彩模型和矩形特征的明火检测方法和系统 |
CN105512667A (zh) * | 2014-09-22 | 2016-04-20 | 中国石油化工股份有限公司 | 红外和可见光视频图像融合识别火灾的方法 |
CN105046868A (zh) * | 2015-06-16 | 2015-11-11 | 苏州华启智能科技股份有限公司 | 一种狭长环境中基于红外热像仪的火灾预警方法 |
CN105788142A (zh) * | 2016-05-11 | 2016-07-20 | 中国计量大学 | 一种基于视频图像处理的火灾检测系统及检测方法 |
CN108108695A (zh) * | 2017-12-22 | 2018-06-01 | 湖南源信光电科技股份有限公司 | 基于红外视频图像的火焰检测识别方法 |
CN109376747A (zh) * | 2018-12-11 | 2019-02-22 | 北京工业大学 | 一种基于双流卷积神经网络的视频火焰检测方法 |
Non-Patent Citations (2)
Title |
---|
李杰 等: "《无人系统设计与集成》", 30 September 2014, 国防工业出版社 * |
韩斌 等: "基于红外视觉的船舶机舱火灾探测", 《船舶工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
EP1805715B1 (en) | A method and system for processing video data | |
CN110135269B (zh) | 一种基于混合颜色模型与神经网络的火灾图像检测方法 | |
EP1683105B1 (en) | Object detection in images | |
US8355079B2 (en) | Temporally consistent caption detection on videos using a 3D spatiotemporal method | |
CN102567722B (zh) | 一种基于码本模型和多特征的早期烟雾检测方法 | |
CN106846339A (zh) | 一种图像检测方法和装置 | |
WO2021139197A1 (zh) | 一种图像处理方法及装置 | |
CN104616026B (zh) | 一种面向智能视频监控的监控场景类型辨识方法 | |
CN111027475A (zh) | 一种基于视觉的实时交通信号灯识别方法 | |
CN107704797B (zh) | 基于安防视频中行人和车辆的实时检测方法和系统及设备 | |
CN103198479A (zh) | 基于语义信息分类的sar图像分割方法 | |
CN106331746B (zh) | 用于识别视频文件中的水印位置的方法和装置 | |
CN106373096A (zh) | 一种多特征权值自适应的阴影消除方法 | |
CN111127358B (zh) | 图像处理方法、装置及存储介质 | |
CN111062331A (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
CN107832732B (zh) | 基于三叉树遍历的车道线检测方法 | |
CN102521610B (zh) | 图片过滤方法和装置 | |
CN113221763A (zh) | 一种基于视频图像亮度的火焰识别方法 | |
CN112633179A (zh) | 基于视频分析的农贸市场过道物体占道检测方法 | |
CN111931580A (zh) | 一种口罩佩戴检测方法 | |
CN110717419A (zh) | 一种从视频图像中提取火焰特征的方法 | |
CN113298027B (zh) | 一种火焰检测方法、装置、电子设备和存储介质 | |
JP2017228297A (ja) | テキスト検出方法および装置 | |
CN109784176B (zh) | 车载热成像行人检测RoIs提取方法和装置 |
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 |