CN110751014A - 一种火焰检测系统及方法 - Google Patents

一种火焰检测系统及方法 Download PDF

Info

Publication number
CN110751014A
CN110751014A CN201910808411.6A CN201910808411A CN110751014A CN 110751014 A CN110751014 A CN 110751014A CN 201910808411 A CN201910808411 A CN 201910808411A CN 110751014 A CN110751014 A CN 110751014A
Authority
CN
China
Prior art keywords
video image
flame
moving target
flame detection
pixel
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
CN201910808411.6A
Other languages
English (en)
Inventor
符强
昌涛
孙希延
纪元法
任风华
严素清
付文涛
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201910808411.6A priority Critical patent/CN110751014A/zh
Publication of CN110751014A publication Critical patent/CN110751014A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fire-Detection Mechanisms (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种火焰检测系统及方法，包括通信模块、服务器、报警模块和摄像头模块；通过摄像头的长期扫描，能够实现高精度地对摄像头覆盖范围内的火焰进行检测，当检测到火焰时该系统可以进行语音报警或发送警报短信和APP警报提示，从而让该区域的人或者相关人员第一时间知道该区域存在火焰，可能引发火灾。在这样的系统下，能够实时准确地检测出摄像头覆盖范围内是否存在可能引发火灾的火焰，从而可以在火焰引发火灾之前发现火焰并采取相应措施，使得火灾发生的概率大大地降低，保障了人们的生命和财产安全。

Description

一种火焰检测系统及方法
技术领域
本发明涉及计算机技术领域，尤其涉及一种火焰检测系统及方法。
背景技术
伴随着信息社会的发展，安全成为人们越来越关注的问题。火灾作为最常见的灾害之一，严重威胁着人们的生命和财产安全，火焰是火灾初期的物理现象，如果能够及时发现火焰并且发出警报信息，让相关人员能够及时采取措施将其扑灭，则可以避免大面积火灾的发生，从而使生命和财产损失降到最低。其中火灾是石油和化工厂中最严重的的事故之一，可能导致相当大的生产损失、设备损坏和人员伤亡，而通过传统的火灾检测方法来及时发现火灾是不现实的。越来越多的视频监控产品在安全领域已被广泛使用。但是,目前大多数的视频监控系统无法对火焰进行检测或者存在检测精度较低的缺点。
发明内容
有鉴于此，本发明的目的是提供一种火焰检测系统及方法，不仅对火灾进行快速及时的响应，同样可以提供清楚的火灾现场情况，保存事故发生的信息；有效提高了复杂背景下的火焰识别的准确率，具有良好的泛化能力和鲁棒性。
本发明通过以下技术手段解决上述技术问题：
一种火焰检测系统，包括通信模块、服务器、报警模块和摄像头模块；
所述摄像头模块用于获取被监测区域的视频图像，并对获取到的视频图像中的移动目标进行检测；当检测到所述视频图像中有移动目标时，将获取到的所述视频图像通过所述通信模块上传到服务器中；
所述服务器用于对所述摄像头模块上传的视频图像中的移动目标进行进一步检测分析，以确定视频图像中的移动目标是否为火焰；若确定所述移动目标为火焰时，通过所述通信模块对所述报警模块发送报警信号。
进一步，所述服务器先通过高斯背景建模方法从所述视频图像中提取出所述移动目标，然后再判断提取出的移动目标是否为火焰。
进一步，所述服务器对对所述摄像头模块上传的视频图像进行进一步检测分析时，把所述视频图像中的每个像素点的值都认为是服从高斯分布的随机变量，并且每个像素的高斯分布都是独立的，通过判断像素点的颜色值是否符合此像素的高斯分布来判断是否属于背景像素，高斯公式如下：
Figure BDA0002184342420000021
其中It(x，y)为t时刻的视频图像，μ(x，y)和σ2(x，y)为像素值的均值和方差。
进一步，所述服务器通过高斯背景建模方法从所述视频图像中提取出所述移动目标时，采用的高斯背景建模方法如下：
S1:初始化，将μ(x，y)初始化为首帧图像值，σ(x，y)2赋值为相对较大的值；
S2:对于t时刻图像中的每点进行如下判断，输出outputt(x,y)图像，可以得到前景像素，其中k为固定系数，一般取2；
Figure BDA0002184342420000022
S3:使用公式(2)进行判断，如果判断为0，则需使用以下公式对背景执行更新操作：
μt(x,y)＝(1-α)μt-1(x,y)+αXt (3)
Figure BDA0002184342420000023
其中Xt为t时刻该点的像素值，σ值范围为0＜α＜1，它的作用是控制背景更新的速度，σ值设置较大时背景的更新速度快，反之则更新慢；
S4:对每一个新的图像程序重新执行上述步骤S1、S2，直到将所述移动目标提取出来。
进一步，所述服务器通过由火焰数据集训练完成的火焰检测网络对所述移动目标进行处理，所述火焰检测网络采用深度卷积网络作为特征提取器，对于不同大小尺度的火焰目标所述火焰检测网络采用多层次提取目标特征策略，以在不同的网络层得到不同尺度的特征。
进一步，所述通信模块包括WIFI模块和4G模块。
进一步，所述报警模块为智能手机。
本发明还提供了一种火焰检测检测方法，包括：
获取被监测区域的视频图像，并对获取到的视频图像中的移动目标进行检测；
当检测到所述视频图像中有移动目标时，对所述视频图像中的移动目标进行进一步检测分析，以确定视频图像中的移动目标是否为火焰。
进一步，先通过高斯背景建模方法从所述视频图像中提取出所述移动目标，然后再判断提取出的移动目标是否为火焰。
进一步，把所述视频图像中的每个像素点的值都认为是服从高斯分布的随机变量，并且每个像素的高斯分布都是独立的，通过判断像素点的颜色值是否符合此像素的高斯分布来判断是否属于背景像素，高斯公式如下：
Figure BDA0002184342420000031
其中It(x，y)为t时刻的视频图像，μ(x，y)和σ2(x，y)为像素值的均值和方差。
进一步，通过高斯背景建模方法从所述视频图像中提取出所述移动目标时，采用的高斯背景建模方法如下：
S1:初始化，将μ(x，y)初始化为首帧图像值，σ(x，y)2赋值为相对较大的值；
S2:对于t时刻图像中的每点进行如下判断，输出outputt(x,y)图像，可以得到前景像素，其中k为固定系数，一般取2；
Figure BDA0002184342420000041
S3:使用公式(2)进行判断，如果判断为0，则需使用以下公式对背景执行更新操作：
μt(x,y)＝(1-α)μt-1(x,y)+αXt (3)
Figure BDA0002184342420000042
其中Xt为t时刻该点的像素值，σ值范围为0＜α＜1，它的作用是控制背景更新的速度，σ值设置较大时背景的更新速度快，反之则更新慢；
S4:对每一个新的图像程序重新执行上述步骤S1、S2，直到将所述移动目标提取出来。
本发明的有益效果：本发明通过摄像头的长期扫描，能够实现高精度地对摄像头覆盖范围内的火焰进行检测，当检测到火焰时该系统可以进行语音报警或发送警报短信和APP警报提示，从而让该区域的人或者相关人员第一时间知道该区域存在火焰，可能引发火灾。在这样的系统下，能够实时准确地检测出摄像头覆盖范围内是否存在可能引发火灾的火焰，从而可以在火焰引发火灾之前发现火焰并采取相应措施，使得火灾发生的概率大大地降低，保障了人们的生命和财产安全。
附图说明
图1是本发明实施例提供的一种火焰检测系统的系统结构示意图；
图2是本发明实施例提供的一种火焰检测系统及方法的火焰检测算法的流程框图；
图3是本发明实施例提供的一种火焰检测系统的火焰检测网络的网络结构图。
具体实施方式
以下将结合附图和具体实施例对本发明进行详细说明：
如图1-图2所示，本发明的一种火焰检测系统，包括通信模块、服务器、报警模块和摄像头模块；所述摄像头模块用于获取被监测区域的视频图像，并对获取到的视频图像中的移动目标进行检测；当检测到所述视频图像中有移动目标时，将获取到的所述视频图像通过所述通信模块上传到服务器中；所述服务器用于对所述摄像头模块上传的视频图像中的移动目标进行进一步检测分析，以确定视频图像中的移动目标是否为火焰；若确定所述移动目标为火焰时，通过所述通信模块对所述报警模块发送报警信号。服务器可以是Android嵌入式系统，Ardroid嵌入式系统通过WIFI模块或者4G通信模块连接网络，如果出现其中一种模块网络信号差时，可以进行连接网络方式的切换，尽可能保证网络传输数据的稳定，嵌入式系统内的APP接收摄像头传来的数据，通过火焰检测算法检测到火焰后通过4G通信模块向个人手机终端报警，个人手机终端通过APP实现通过嵌入式系统调用摄像头确认异常信息是否属实。也可以通过语音报警模块播放警报信息，让该区域的人第一时间知道发生了意外，然后及时采取相应措施。摄像头连接云台再连接嵌入式系统，云台可控制摄像头自由旋转，覆盖更广阔的视角。摄像头在系统连接电源后开始工作，对摄像头覆盖的区域进行扫描，当摄像头正常工作时，视频流通过摄像头模块获得，接着本发明通过改进的高斯背景建模方法将视频图像中的移动目标(例如火焰或人)检测出来，该方法旨在消除摄像头读取的视频图像中大部分静态背景图像，同时极大地缩减了视频图像计算的资源。
服务器先通过高斯背景建模方法从所述视频图像中提取出所述移动目标，然后再判断提取出的移动目标是否为火焰。服务器对对所述摄像头模块上传的视频图像进行进一步检测分析时，把所述视频图像中的每个像素点的值都认为是服从高斯分布的随机变量，并且每个像素的高斯分布都是独立的，通过判断像素点的颜色值是否符合此像素的高斯分布来判断是否属于背景像素，高斯公式如下：
Figure BDA0002184342420000061
其中It(x，y)为t时刻的视频图像，μ(x，y)和σ2(x，y)为像素值的均值和方差，此公式表示从时间上，每点像素颜色值都服从高斯分布函数。
服务器通过高斯背景建模方法从所述视频图像中提取出所述移动目标时，采用的高斯背景建模方法如下：
S1:初始化，将μ(x，y)初始化为首帧图像值，σ(x，y)2赋值为相对较大的值；
S2:对于t时刻图像中的每点进行如下判断，输出outputt(x,y)图像，可以得到前景像素，其中k为固定系数，一般取2；
Figure BDA0002184342420000062
S3:使用公式(2)进行判断，如果判断为0，则需使用以下公式对背景执行更新操作：
μt(x,y)＝(1-α)μt-1(x,y)+αXt (3)
Figure BDA0002184342420000063
其中Xt为t时刻该点的像素值，σ值范围为0＜α＜1，它的作用是控制背景更新的速度，σ值设置较大时背景的更新速度快，反之则更新慢；
S4:对每一个新的图像程序重新执行上述步骤S1、S2，直到将所述移动目标提取出来。
所述服务器通过由火焰数据集训练完成的火焰检测网络对所述移动目标进行处理，所述火焰检测网络采用深度卷积网络作为特征提取器，对于不同大小尺度的火焰目标所述火焰检测网络采用多层次提取目标特征策略，以在不同的网络层得到不同尺度的特征。
由于火灾检测是一种单物体(火灾)检测，所以本发明将原Faster R-CNN的多分类层改为输出为2类的新分类层。同时由于火灾发生的初期是火焰检测的关键时期，此时的火焰形态多为小型火焰，这就要求火焰检测网络对小目标具有较高的检测能力，而原FasterR-CNN网络对小尺度目标的检测效果不理想，本发明利用多尺度目标检测算法来对火焰进行检测，即将原Faster R-CNN的单层次提取目标特征的策略修改为多层次提取目标特征策略，从而适用于多尺度火焰的检测，火焰检测网络的网络结构图如图3所示。
该火焰检测网络采用深度卷积网络作为特征提取器，对于不同大小尺度的火焰目标该网络采用多层次提取目标特征策略，在不同的网络层可以得到不同尺度的特征，对于小型火焰目标，经过5次卷积和2次池化操作之后可以很好地提取小型火焰目标的特征，特征过多提取则会导致小型火焰目标的特征丢失或者扭曲，过少提取则会导致特征提取不完全。而对于较大型火焰目标，特征提取采用13次卷积和4次池化操作，如果减少卷积和池化的次数则会导致特征冗余，不利于对较大型火焰目标的进行检测。于是本发明的火焰检测网络分别在第5次卷积和第13次卷积后获得特征映射图FMs和FML；其中FMs用于小型火焰目标的检测，FML用于较大型火焰目标的检测，整个网络采用同样大小的卷积核(3*3)和池化尺寸(2*2)。
火焰检测网络中的RPN是用来生成高质量的火焰候选区域框的，它是一个全卷积神经网络，通过RPN来提取火焰候选区域。在训练火焰检测网络的过程中，如果一个候选框和任意一个火焰的真实框的边框重叠度(Intersection over Union，IOU)最大或者大于0.7，则该候选框被标记为正样本，如果其IOU小于0.3，该候选框被标记为负样本，对于每一个区域候选框其损失函数定义为：
Figure BDA0002184342420000081
上式中，i为候选区域的编号，pi是第i个候选区域是火焰的概率，
Figure BDA0002184342420000082
表示候选区域为正样本，
Figure BDA0002184342420000083
表示候选区域为负样本，ti＝(tx,ty,tw,th)表示边框的坐标值，λ为权重系数，λ＝1，其中Lcls为分类损失函数，Lreg为回归损失函数：
Figure BDA0002184342420000084
Figure BDA0002184342420000085
Figure BDA0002184342420000086
本发明采用小批量梯度下降法来训练该网络。在训练完成之后，就可以使用该网络来检测捕获视频图像中的火焰区域。当检测到视频图像中存在火焰区域时，该系统就会通过4G通信模块向个人手机终端报警(报警方式可以通过在手机终端APP显示信息或者直接向手机终端发短信来实现)，个人手机终端通过APP实现通过嵌入式系统调用摄像头确认异常信息是否属实。也可以通过语音报警模块播放警报信息，让该区域的人第一时间知道发生了意外，然后及时采取措施。
本发明实施例还提供了一种火焰检测检测方法，包括：
获取被监测区域的视频图像，并对获取到的视频图像中的移动目标进行检测；
当检测到所述视频图像中有移动目标时，对所述视频图像中的移动目标进行进一步检测分析，以确定视频图像中的移动目标是否为火焰。
具体的，先通过高斯背景建模方法从所述视频图像中提取出所述移动目标，然后再判断提取出的移动目标是否为火焰。把所述视频图像中的每个像素点的值都认为是服从高斯分布的随机变量，并且每个像素的高斯分布都是独立的，通过判断像素点的颜色值是否符合此像素的高斯分布来判断是否属于背景像素，高斯公式如下：
Figure BDA0002184342420000091
其中It(x，y)为t时刻的视频图像，μ(x，y)和σ2(x，y)为像素值的均值和方差，此公式表示从时间上，每点像素颜色值都服从高斯分布函数。。
具体的，通过高斯背景建模方法从所述视频图像中提取出所述移动目标时，采用的高斯背景建模方法如下：
S1:初始化，将μ(x，y)初始化为首帧图像值，σ(x，y)2赋值为相对较大的值；
S2:对于t时刻图像中的每点进行如下判断，输出outputt(x,y)图像，可以得到前景像素，其中k为固定系数，一般取2；
Figure BDA0002184342420000092
S3:使用公式(2)进行判断，如果判断为0，则需使用以下公式对背景执行更新操作：
μt(x,y)＝(1-α)μt-1(x,y)+αXt (3)
Figure BDA0002184342420000093
其中Xt为t时刻该点的像素值，σ值范围为0＜α＜1，它的作用是控制背景更新的速度，σ值设置较大时背景的更新速度快，反之则更新慢；
S4:对每一个新的图像程序重新执行上述步骤S1、S2，直到将所述移动目标提取出来。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。

Claims (11)

1.一种火焰检测系统，其特征在于：包括通信模块、服务器、报警模块和摄像头模块；
所述摄像头模块用于获取被监测区域的视频图像，并对获取到的视频图像中的移动目标进行检测；当检测到所述视频图像中有移动目标时，将获取到的所述视频图像通过所述通信模块上传到服务器中；
所述服务器用于对所述摄像头模块上传的视频图像中的移动目标进行进一步检测分析，以确定视频图像中的移动目标是否为火焰；若确定所述移动目标为火焰时，通过所述通信模块对所述报警模块发送报警信号。
2.根据权利要求1所述的一种火焰检测系统，其特征在于：所述服务器先通过高斯背景建模方法从所述视频图像中提取出所述移动目标，然后再判断提取出的移动目标是否为火焰。
3.根据权利要求2所述的一种火焰检测系统，其特征在于：所述服务器对对所述摄像头模块上传的视频图像进行进一步检测分析时，把所述视频图像中的每个像素点的值都认为是服从高斯分布的随机变量，并且每个像素的高斯分布都是独立的，通过判断像素点的颜色值是否符合此像素的高斯分布来判断是否属于背景像素，高斯公式如下：
Figure RE-FDA0002325376400000011
其中It(x，y)为t时刻的视频图像，μ(x，y)和σ2(x，y)为像素值的均值和方差。
4.根据权利要求3所述的一种火焰检测系统，其特征在于：所述服务器通过高斯背景建模方法从所述视频图像中提取出所述移动目标时，采用的高斯背景建模方法如下：
S1:初始化，将μ(x，y)初始化为首帧图像值，σ(x，y)2赋值为相对较大的值；
S2:对于t时刻图像中的每点进行如下判断，输出outputt(x,y)图像，可以得到前景像素，其中k为固定系数，一般取2；
Figure RE-FDA0002325376400000021
S3:使用公式(2)进行判断，如果判断为0，则需使用以下公式对背景执行更新操作：
μt(x,y)＝(1-α)μt-1(x,y)+αXt (3)
Figure RE-FDA0002325376400000022
其中Xt为t时刻该点的像素值，σ值范围为0＜α＜1，它的作用是控制背景更新的速度，σ值设置较大时背景的更新速度快，反之则更新慢；
S4:对每一个新的图像程序重新执行上述步骤S1、S2，直到将所述移动目标提取出来。
5.根据权利要求4所述的一种火焰检测系统，其特征在于：所述服务器通过由火焰数据集训练完成的火焰检测网络对所述移动目标进行处理，所述火焰检测网络采用深度卷积网络作为特征提取器，对于不同大小尺度的火焰目标所述火焰检测网络采用多层次提取目标特征策略，以在不同的网络层得到不同尺度的特征。
6.根据权利要求5所述的一种火焰检测系统，其特征在于：所述通信模块包括WIFI模块和4G模块。
7.根据权利要求6所述的一种火焰检测系统，其特征在于：所述报警模块为智能手机。
8.一种火焰检测检测方法，其特征在于，包括：
获取被监测区域的视频图像，并对获取到的视频图像中的移动目标进行检测；
当检测到所述视频图像中有移动目标时，对所述视频图像中的移动目标进行进一步检测分析，以确定视频图像中的移动目标是否为火焰。
9.根据权利要求8所述的一种火焰检测检测方法，其特征在于：先通过高斯背景建模方法从所述视频图像中提取出所述移动目标，然后再判断提取出的移动目标是否为火焰。
10.根据权利要求9所述的一种火焰检测检测方法，其特征在于：把所述视频图像中的每个像素点的值都认为是服从高斯分布的随机变量，并且每个像素的高斯分布都是独立的，通过判断像素点的颜色值是否符合此像素的高斯分布来判断是否属于背景像素，高斯公式如下：
Figure RE-FDA0002325376400000031
其中It(x，y)为t时刻的视频图像，μ(x，y)和σ2(x，y)为像素值的均值和方差。
11.根据权利要求10所述的一种火焰检测检测方法，其特征在于：通过高斯背景建模方法从所述视频图像中提取出所述移动目标时，采用的高斯背景建模方法如下：
S1:初始化，将μ(x，y)初始化为首帧图像值，σ(x，y)2赋值为相对较大的值；
S2:对于t时刻图像中的每点进行如下判断，输出outputt(x,y)图像，可以得到前景像素，其中k为固定系数，一般取2；
Figure RE-FDA0002325376400000032
S3:使用公式(2)进行判断，如果判断为0，则需使用以下公式对背景执行更新操作：
μt(x,y)＝(1-α)μt-1(x,y)+αXt (3)
Figure RE-FDA0002325376400000033
其中Xt为t时刻该点的像素值，σ值范围为0＜α＜1，它的作用是控制背景更新的速度，σ值设置较大时背景的更新速度快，反之则更新慢；
S4:对每一个新的图像程序重新执行上述步骤S1、S2，直到将所述移动目标提取出来。
CN201910808411.6A 2019-08-29 2019-08-29 一种火焰检测系统及方法 Pending CN110751014A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910808411.6A CN110751014A (zh) 2019-08-29 2019-08-29 一种火焰检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910808411.6A CN110751014A (zh) 2019-08-29 2019-08-29 一种火焰检测系统及方法

Publications (1)

Publication Number Publication Date
CN110751014A true CN110751014A (zh) 2020-02-04

Family

ID=69275944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910808411.6A Pending CN110751014A (zh) 2019-08-29 2019-08-29 一种火焰检测系统及方法

Country Status (1)

Country Link
CN (1) CN110751014A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111298735A (zh) * 2020-02-12 2020-06-19 苏州垣瑞环境科技有限公司 用于油泥资源化利用的自循环智能供热系统
CN113657250A (zh) * 2021-08-16 2021-11-16 南京图菱视频科技有限公司 一种基于监控视频的火焰检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441712A (zh) * 2008-12-25 2009-05-27 北京中星微电子有限公司 一种火焰的视频识别方法和一种火灾监控方法及其系统
CN101493980A (zh) * 2009-03-05 2009-07-29 中国科学技术大学 一种基于多特征融合的快速视频火焰探测方法
CN108229458A (zh) * 2017-12-22 2018-06-29 湖南源信光电科技股份有限公司 一种基于运动检测和多特征提取的火焰智能识别方法
CN108447219A (zh) * 2018-05-21 2018-08-24 中国计量大学 基于视频图像的火灾检测系统及方法
CN108765833A (zh) * 2018-04-27 2018-11-06 天津大学 基于改进混合高斯与机器学习的早期火灾检测算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441712A (zh) * 2008-12-25 2009-05-27 北京中星微电子有限公司 一种火焰的视频识别方法和一种火灾监控方法及其系统
CN101493980A (zh) * 2009-03-05 2009-07-29 中国科学技术大学 一种基于多特征融合的快速视频火焰探测方法
CN108229458A (zh) * 2017-12-22 2018-06-29 湖南源信光电科技股份有限公司 一种基于运动检测和多特征提取的火焰智能识别方法
CN108765833A (zh) * 2018-04-27 2018-11-06 天津大学 基于改进混合高斯与机器学习的早期火灾检测算法
CN108447219A (zh) * 2018-05-21 2018-08-24 中国计量大学 基于视频图像的火灾检测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
严云洋,朱晓妤,刘以安,高尚兵: "基于Faster R-CNN模型的火焰检测", 《南京师大学报(自然科学版)》 *
李晓光,付陈平,李晓莉,王章辉: "面向多尺度目标检测的改进Faster R-CNN算法", 《计算机辅助设计与图形学学报》 *
禹明娟: "基于视频的室内老人摔倒检测研究", 《中国优秀硕士学位论文全文》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111298735A (zh) * 2020-02-12 2020-06-19 苏州垣瑞环境科技有限公司 用于油泥资源化利用的自循环智能供热系统
CN113657250A (zh) * 2021-08-16 2021-11-16 南京图菱视频科技有限公司 一种基于监控视频的火焰检测方法及系统

Similar Documents

Publication Publication Date Title
CN111091072A (zh) 一种基于YOLOv3的火焰及浓烟检测方法
CN112396116B (zh) 一种雷电检测方法、装置、计算机设备及可读介质
CN107437318B (zh) 一种可见光智能识别算法
CN111414807B (zh) 一种基于yolo技术的潮水识别与危机预警方法
CN104463253B (zh) 基于自适应背景学习的消防通道安全检测方法
CN107301375A (zh) 一种基于稠密光流的视频图像烟雾检测方法
CN112733690A (zh) 一种高空抛物检测方法、装置及电子设备
CN112183472A (zh) 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法
WO2024051297A1 (zh) 一种轻量化的火灾烟雾检测方法、终端设备及存储介质
US20240005759A1 (en) Lightweight fire smoke detection method, terminal device, and storage medium
CN113537226A (zh) 一种基于深度学习的烟雾检测方法
CN110751014A (zh) 一种火焰检测系统及方法
CN111814776B (zh) 一种图像处理方法、设备、服务器及存储介质
CN110796580B (zh) 智能交通系统管理方法及相关产品
CN114399734A (zh) 一种基于视觉信息的森林火灾预警方法
CN116310922A (zh) 石化厂区监控视频风险识别方法、系统、电子设备及存储介质
CN117787690A (zh) 吊装作业安全风险识别方法及识别装置
CN113095160A (zh) 基于人工智能和5g的电力系统人员安全行为识别方法及系统
CN113505643A (zh) 违章目标物检测方法及相关装置
CN117475353A (zh) 基于视频的异常烟雾识别方法及系统
CN115171006B (zh) 基于深度学习的自动识别人员进入电力危险区的检测方法
CN110796008A (zh) 一种基于视频图像的早期火灾检测方法
KR102457470B1 (ko) 영상 분석을 이용한 인공지능 기반 강수 판단장치 및 방법
CN115995097A (zh) 一种基于深度学习的安全头盔佩戴标准判断方法
CN111127433B (zh) 一种检测火焰的方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200204