CN111368771A - 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 - Google Patents
一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111368771A CN111368771A CN202010166268.8A CN202010166268A CN111368771A CN 111368771 A CN111368771 A CN 111368771A CN 202010166268 A CN202010166268 A CN 202010166268A CN 111368771 A CN111368771 A CN 111368771A
- Authority
- CN
- China
- Prior art keywords
- flame
- feature
- early warning
- motion
- fire early
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000009499 grossing Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004380 ashing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像处理的隧道火灾预警方法，包括：获取隧道视频流数据并对数据进行预处理，所述预处理包括灰度化和平滑化；对上述预处理后的数据进行分割，得到分割结果，所述分割结果包括火焰运动前景；从所述火焰运动前景提取火焰运动特征，所述火焰运动特征包括火焰形状特征、火焰纹理特征和火焰面积特征，从所述隧道视频流数据中提取火焰颜色特征；将所述火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行多特征融合后通过预训练好的神经网络进行火焰预测，然后基于火焰预测结果输出火灾预警信息。本发明具有有助于提高火灾识别准确率的效果。
Description
技术领域
本发明涉及隧道火灾监测的技术领域，尤其是涉及一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质。
背景技术
目前，常用火灾监测技术分为基于传感原理检测和基于图像检测两大类，其中常见的基于传感原理检测的火灾探测器包括以下五个类型：感温类、感烟类、感光类、气敏型以及复合式探测器。现有的火灾报警系统很多都是靠基于传感原理检测的火灾探测器来进行报警的，但随着用户需求的变化和检测要求的增高，它们的局限性日益突显，主要表现为以下几点：(1)报警范围和实用空间十分有限；(2)可靠性不高；(3)快速报警能力有限；(4)无法提供重要的火灾过程信息；(5)成本高，但通用性和可扩展性有限。而基于图像的检测技术是一种新型的火灾检测技术，不仅适用范围广、处理速度快，且具有记录功能和远程控制调用功能。目前，隧道重点路段上已基本安装了摄像装置，为基于图像的火灾检测技术提供了基础设备支持。
现有的中国专利CN101393603B-一种识别和检测隧道火灾火焰的方法，从获取的视频帧图片中提取出前景图像并通过该前景图像判断是否存在疑似静止目标，若存在疑似静止目标则再结合火焰的动、静态特征确定疑似火焰区域。
上述中的现有技术方案存在以下缺陷：没有将火焰的动、静态特征进行融合再进行识别，识别准确率不够高。
发明内容
针对现有技术存在的不足，本发明的目的之一是提供一种基于图像处理的隧道火灾预警方法，目的之二是提供一种基于图像处理的隧道火灾预警装置，目的之三是提供一种计算机设备，目的之四是提供一种计算机可读存储介质，具有有助于提高火灾识别准确率的效果。
本发明的上述发明目的一是通过以下技术方案得以实现的：
提供一种基于图像处理的隧道火灾预警方法，包括以下步骤：
获取隧道视频流数据并对数据进行预处理，所述预处理包括灰度化和平滑化；
对上述预处理后的数据进行分割，得到分割结果，所述分割结果包括火焰运动前景；
从所述火焰运动前景提取火焰运动特征，所述火焰运动特征包括火焰形状特征、火焰纹理特征和火焰面积特征，从所述隧道视频流数据中提取火焰颜色特征；
将所述火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行多特征融合后通过预训练好的神经网络进行火焰预测，然后基于火焰预测结果输出火灾预警信息。
通过采用上述技术方案，从隧道摄像机获取视频流数据并进行灰度化和平滑化预处理后从中分割出火焰运动前景，从该火焰运动前景中提取出火焰形状特征、火焰纹理特征和火焰面积特征并从视频流数据中提取火焰颜色特征，然后将上述特征进行融合处理后通过与训练好的神经网络分类器进行分类预测，最后根据预测结果进行火灾预警，从而有助于提高火灾识别准确率。
本发明在一较佳示例中可以进一步配置为：所述灰度化预处理包括阈值变换。
通过采用上述技术方案，通过阈值变换将原始彩色图像转化为灰度图，不仅可以降低数据信息的处理量和存储量，而且减少了计算时间成本，增加了识别效率。
本发明在一较佳示例中可以进一步配置为：所述平滑化包括滤波处理。
通过采用上述技术方案，通过平滑滤波可以有效消除图像中的随机噪声，有助于进一步提高识别准确率。
本发明在一较佳示例中可以进一步配置为：通过帧间差分法对所述预处理后的数据进行分割，得到所述分割结果，所述分割结果包括火焰运动前景。
通过采用上述技术方案，通过帧间差分法对相邻两帧图像像素值进行相减，相减结果作为所述火焰运动前景，该方法实现简单，运算速度快，对于动态环境自适应性是很强的，有助于提高图像处理的效率。
本发明在一较佳示例中可以进一步配置为：所述从所述火焰运动前景提取火焰运动特征，所述火焰运动特征包括火焰形状特征、火焰纹理特征和火焰面积特征，从所述隧道视频流数据中提取火焰颜色特征，包括：
通过相邻两帧的火焰像素变化计算所述火焰面积特征；
通过统计学特征获取所述火焰纹理特征；
通过计算圆形度获取所述火焰形状特征；以及
通过空间差异分析法从所述预处理后的数据提取所述火焰颜色特征。
通过采用上述技术方案，分别获取各个火焰特征，可以从各个维度初步识别火焰并方便将这些特征融合，以进一步确认是否火焰，从而逐渐提高火灾识别的准确率。
本发明在一较佳示例中可以进一步配置为：将所述火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行多特征融合后通过预训练好的神经网络进行火焰预测。
通过采用上述技术方案，将火焰的各个特征进行融合处理，并使用预训练好的神经网络进行火焰预测，从而有助于提高火灾识别的准确率。
本发明在一较佳示例中可以进一步配置为：所述神经网络的预训练包括获取训练数据、构建神经网络模型、训练神经网络模型并测试验证。
通过采用上述技术方案，构建、训练、验证神经网络模型有助于提高神经网络的预测准确率和稳定性，从而提高火灾识别的准确率。
本发明的上述发明目的二是通过以下技术方案得以实现的：
提供一种基于图像处理的隧道火灾预警装置，包括：
获取及预处理模块，用于获取隧道视频流数据并对数据进行预处理，所述预处理包括灰化和平滑化；
分割模块，用于对上述预处理后的数据进行分割，得到分割结果，所述分割结果包括火焰运动前景；
提取模块，用于从所述火焰运动前景提取火焰运动特征，所述火焰运动特征包括火焰形状特征、火焰纹理特征和火焰面积特征，从所述隧道视频流数据中提取火焰颜色特征；
预测模块，用于将所述火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行多特征融合后通过预训练好的神经网络进行火焰预测，然后基于火焰预测结果输出火灾预警信息。
通过采用上述技术方案，获取及预处理模块从隧道摄像机获取视频流数据并进行灰度化和平滑化预处理后通过分割模块从中分割出火焰运动前景，通过提取模块从该火焰运动前景中提取出火焰形状特征、火焰纹理特征和火焰面积特征并从视频流数据中提取火焰颜色特征，然后通过预测模块将上述特征进行融合处理后通过与训练好的神经网络分类器进行分类预测，最后根据预测结果进行火灾预警，从而有助于提高火灾识别准确率。
本发明的上述发明目的三是通过以下技术方案得以实现的：
提供一种计算机设备，所述计算机设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于图像处理的隧道火灾预警方法中的步骤。
通过采用上述技术方案，处理器执行所述的基于图像处理的隧道火灾预警方法中的步骤，有助于提高火灾识别准确率的效果。
本发明的上述发明目的四是通过以下技术方案得以实现的：
提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于图像处理的隧道火灾预警方法中的步骤。
通过采用上述技术方案，计算机程序被处理器执行时实现所述的基于图像处理的隧道火灾预警方法中的步骤，有助于提高火灾识别准确率的效果。
综上所述，本发明包括以下至少一种有益技术效果：
1.通过数据预处理、特征提取和融合并使用神经网络进行预测，有助于提高火灾识别准确率；
2.通过灰度化处理可以降低数据信息的处理量和存储量，而且减少了计算时间成本，增加了识别效率。
附图说明
图1是本发明公开的一种基于图像处理的隧道火灾预警方法的流程图；
图2是本发明公开的一种基于图像处理的隧道火灾预警装置的结构示意图；
图3是本发明的一种计算机设备的结构示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
参照图1，为本发明公开的一种基于图像处理的隧道火灾预警方法的流程图，包括以下步骤：
101.获取隧道视频流数据并对数据进行预处理，所述预处理包括灰度化和平滑化；
102.对上述预处理后的数据进行分割，得到分割结果，所述分割结果包括火焰运动前景；
103.从所述火焰运动前景提取火焰运动特征，所述火焰运动特征包括火焰形状特征、火焰纹理特征和火焰面积特征，从所述隧道视频流数据中提取火焰颜色特征；
104.将所述火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行多特征融合后通过预训练好的神经网络进行火焰预测，然后基于火焰预测结果输出火灾预警信息。
其中，隧道视频流数据的灰度化预处理包括阈值变换；通过安装于隧道的红外相机或者普通的相机可以获取到隧道内相关的火焰图像或者视频信息，基于这些图像和视频信息就可以把它们转化为灰度图像，灰度图像(Gray-Scale Image)是一种像素亮度从黑到白连续变化的单色图像，其像素只含有亮度信息，不含色调和饱和度等色彩信息。图像的灰度化处理就是将彩色图像转化为灰度图像的过程，图像灰度化处理不仅可以降低数据信息的处理量和存储量，而且减少了计算时间成本，增加了识别效率。在进行火焰图像的灰度化处理时可以采用线性函数进行变换而得到特征更加明显的灰度图像，除了线性变换以外，还有对数变换、伽玛变换以及阈值变换等方法，其中的阈值变换为：通过设置一灰度阈值T，然后将原始图像中的每个像素与该灰度该阈值T相比，比较结果为小于则将输出像素设为0，为大于则设为255，处理过程比较简单实用。
平滑化预处理包括滤波处理。图像在形成、传输、接收和处理的过程中, 由于通过的传输介质的实际性能和接收设备性能的限制, 不可避免地存在着外部干扰和内部干扰,因此会产生各种各样的噪声。而火焰在形成的过程当中也会受到天气，光照等噪声影响，因此在进行火焰识别前应当对火焰图像进行平滑滤波处理。图像的平滑滤波方法大致有均值滤波、高斯滤波以及中值滤波。其中，均值滤波运算简单，对高斯噪声具有良好的去噪能力，但是在抑制噪声的过程中会损失图像的边缘等细节信息从而导致整幅图像模糊的问题；高斯滤波由于对任一像素都采用固定窗口的平滑操作，而没有考虑像素本身的特点及局部纹理区域的相关性，故造成图像边缘被模糊；中值滤波可以有效消除图像中的随机噪声，而且不会使图像边缘变得模糊，能够有效保护原始信号，但是中值滤波需要使用排序找出中值，其计算时间复杂度高，因而不能满足海量、高分辨率图像实时滤波处理的需求。故此，在火焰图像滤波的过程当中，应该根据具体的噪声原因选择效果较好的滤波器做到具体问题具体分析，使滤波器对于不同噪声都能达到平滑的效果。
进一步的，通过帧间差分法对上述预处理后的数据进行分割，得到包括火焰运动前景的分割结果。帧间差分法又称为时间差分法(temporal difference)，该算法的基本原理是在视频序列中处于不同时刻的两帧或多帧图像间，将相同坐标处像素点的灰度值或颜色亮度值进行差分（相减），并且通过二值化阈值处理提取图像中含有运动信息的像素区域作为运动前景。当监控场景中不存在运动物体或目标时，此时环境亮度的变化不大，反映在影像中则表现为图像序列间对应位置处的像素亮度值差别不大；如果连续图像间的对应位置处像素的亮度值变化很大，那么可以认为监控场景中存在着运动物体，以二值化阈值处理的方式将图像中的运动像素标记为1像素，这些标记像素记录下运动物体在图像序列中的位置。通过两帧相减，如果灰度值很小，可以认为该点无运动物体经过；反之灰度变化很大，则认为有物体经过。假设第k帧和k+1帧的图像
(x，y)、
(x，y)之间的变化用一个二值差分图像D(x，y)表示，则如下式:
其中， T为差分图像二值化时选取的阈值，D(x,y) = 1表示前景，D(x,y) = 0表示背景。
二值图像中所有值为 1 的像素被认为是物体运动的结果，包括可疑火焰像素在内的运动像素组成的火焰运动前景。但在实际应用中的很多1值像素是由于噪声而引起的，可以通过腐蚀运算将这些噪声点去除，也可以去除掉一些慢速运动区域。帧间差分法的特点是实现简单，运算速度快，对于动态环境自适应性是很强的。
进一步的，通过相邻两帧的火焰像素变化计算出火焰面积变化率作为上述火焰面积特征。火焰发生时其形状和大小在不断变化，且在初期呈现连续增长趋势，而一般物体的面积并不会频繁发生变化，即使有干扰源其面积也能保持相对稳定，所以同样可以设置一个面积变化率阈值来判断某个区域是否可能是火焰区域，因此火焰面积变化率可以作为识别火焰膨胀变化的重要标准。火焰面积变化率
可以根据上述经过预处理后的视频流数据中相邻两帧
(x，y)、
(x，y)的火焰像素变化来计算，具体如下：
其中，
、
表示第k帧和第k+1帧的火焰像素数量；然后可以将
与预设的面积变化率阈值来判断是否是火焰区域。
通过统计学特征获取上述火焰纹理特征；纹理特征的实质是其像素值在空间上的变化，可通过统计学方法得到统计特征作为上述火焰纹理特征，包括：
一阶统计量：一阶统计学特征表征各个像素值自身的属性，而不考虑像素与邻近像素之间的联系；一阶统计学特征通过区域灰度级直方图来计算，常见的一阶统计学特征有均值、方差、倾斜度等；
二阶统计量：二阶统计学特征表示像素点与其相邻的像素点之间的空间联系，使用灰度共生矩阵计算，灰度直方图是对图像上单个像素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。常见的二阶统计学特征有熵、对比度等。
通过计算圆形度获取上述火焰形状特征；其中，圆形度的计算公式如下：
其中
表示区域的面积，
表示区域的周长，
表示区域的圆形度。在相同的周长下，圆是面积最大的几何图形。若物体形状越接近圆形，则
越大，反之形状越复杂
越小，
的值在0和1之间。同样,由于火焰形状的不规则，可以设置一个阈值C（如1/2.56），当
<C时，认为这个区域可能是火焰区域。
进一步的，通过空间差异分析法从上述隧道视频流数据中提取火焰颜色特征；火焰在小区域内也是由几种不同的颜色组成的，通过空间差异分析法可以分析像素的空间颜色变化，从而可以区别火焰是车灯还是着火物，具体地，可以通过绿色分量直方图的标准差来分析规律并作为火焰颜色特征来初步判断是否是火焰。
设绿色分量区域的所有像素点的个数为N个，即
,
,...，
,令每个像素点的值分别为
,k在1到N之间，所有像素点值的平均值为
,则绿色分量直方图的标准差
由下式计算：
绿色分量直方图的标准差
的一个经验阈值
=55,如果上式计算得到的
大于55则前景区域为火焰，反之则不是。
更进一步的，将所述火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行多特征融合后通过预训练好的神经网络进行火焰预测。
为了进一步挖掘图像的信息,可以将上述获取到的火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行融合，各个特征分别记为f1、f2、f3、f4, 对这四个特征进行加权拼接, 拼接后的特征称为融合特征，用F来表示, 则图像的融合特征可以表示为:
F=[w1×f1,w2×f2，w3×f3 ，w4×f4]F
式中, w表示对应的权值. 这里权值分配可以通过单个特征的识别率进行设置, 设上述各个特征的单独识别率分别为A1、A2、、A3、A4，则有：
w1=A1/（A1+A2+A3+A4）,w2= A2/（A1+A2+A3+A4）,w3= A3/（A1+A2+A3+A4）, w4= A4/（A1+A2+A3+A4）。
为了避免不同的特征的数量级差别较大在特征融合时数量级较大的淹没数量级较小的特征, 需要对上述各个火焰特征进行归一化, 然后按照上述给每个特征赋予相应的权值进行加权拼接, 拼接后的特征作为图像的融合特征，输入到预训练好的神经网络分类器进行分类识别和预测，分类器可以使用支持向量机SVM分类器、深度卷积神经网络DCNN或极限学习机等。神经网络的预训练包括构建神经网络、获取并预处理训练数据及使用dropout方法训练神经网络防止过拟合而提高模型的预测准确度, 由于一对多在设计时是将一类和其余类训练一个分类器这样常常会出现数据失衡的问题造成最后的识别率并不可靠. 训练完神经网络分类器后, 对于测试图像数据也需经过相同的过程提取图像的融合特征, 归一化后加权拼接, 最后输入到神经网络分类器进行分类决策，如二分类，从而可以得出是火焰的概率。
综上所述，本实施例的实施原理为：从隧道摄像机获取视频流数据并进行灰度化和平滑化预处理后从中分割出火焰运动前景，从该火焰运动前景中提取出火焰形状特征、火焰纹理特征和火焰面积特征并从视频流数据中提取火焰颜色特征，然后将上述特征进行融合处理后通过与训练好的神经网络分类器进行分类预测，最后根据预测结果进行火灾预警，从而有助于提高火灾识别准确率。
参考图2，图2是本发明提供的一种基于图像处理的隧道火灾预警装置的结构示意图，上述装置200包括：
获取及预处理模块201，用于获取隧道视频流数据并对数据进行预处理，所述预处理包括灰化和平滑化；
分割模块202，用于对上述预处理后的数据进行分割，得到分割结果，所述分割结果包括火焰运动前景；
提取模块203，用于从所述火焰运动前景提取火焰运动特征，所述火焰运动特征包括火焰形状特征、火焰纹理特征和火焰面积特征，从所述隧道视频流数据中提取火焰颜色特征；
预测模块204，用于将所述火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行多特征融合后通过预训练好的神经网络进行火焰预测，然后基于火焰预测结果输出火灾预警信息。
本发明实施例提供的一种基于图像处理的隧道火灾预警装置能够实现图1的方法实施例中的各个步骤，以及实现相应的有益效果，为避免重复，这里不再赘述。
参考图3，图3是本发明提供的一种计算机设备，该计算机设备300包括：存储器302、处理器301及存储在存储器302上并可在处理器301上运行的计算机程序，处理器301执行计算机程序时实现上述的基于图像处理的隧道火灾预警方法中的步骤，且均能达到相同或相似的有益效果。
本发明的具体实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述的基于图像处理的隧道火灾预警方法的步骤。
示例性的，计算机可读存储介质的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。
本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种基于图像处理的隧道火灾预警方法，其特征在于，包括：
获取隧道视频流数据并对数据进行预处理，所述预处理包括灰度化和平滑化；
对上述预处理后的数据进行分割，得到分割结果，所述分割结果包括火焰运动前景；
从所述火焰运动前景提取火焰运动特征，所述火焰运动特征包括火焰形状特征、火焰纹理特征和火焰面积特征，从所述隧道视频流数据中提取火焰颜色特征；
将所述火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行多特征融合后通过预训练好的神经网络进行火焰预测，然后基于火焰预测结果输出火灾预警信息。
2.根据权利要求1所述的基于图像处理的隧道火灾预警方法，其特征在于：所述灰度化预处理包括阈值变换。
3.根据权利要求2所述的基于图像处理的隧道火灾预警方法，其特征在于：所述平滑化包括滤波处理。
4.根据权利要求3所述的基于图像处理的隧道火灾预警方法，其特征在于：通过帧间差分法对所述预处理后的数据进行分割，得到所述分割结果，所述分割结果包括火焰运动前景。
5.根据权利要求4所述的基于图像处理的隧道火灾预警方法，其特征在于：所述从所述火焰运动前景提取火焰运动特征，所述火焰运动特征包括火焰形状特征、火焰纹理特征和火焰面积特征，从所述隧道视频流数据中提取火焰颜色特征，包括：
通过相邻两帧的火焰像素变化计算所述火焰面积特征；
通过统计学特征获取所述火焰纹理特征；
通过计算圆形度获取所述火焰形状特征；以及
通过空间差异分析法从所述预处理后的数据提取所述火焰颜色特征。
6.根据权利要求5所述的基于图像处理的隧道火灾预警方法，其特征在于：将所述火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行多特征融合后通过预训练好的神经网络进行火焰预测。
7.根据权利要求1所述的基于图像处理的隧道火灾预警方法，其特征在于：所述神经网络的预训练包括获取训练数据、构建神经网络模型、训练神经网络模型并测试验证。
8.一种基于图像处理的隧道火灾预警装置，其特征在于，包括：
获取及预处理模块，用于获取隧道视频流数据并对数据进行预处理，所述预处理包括灰化和平滑化；
分割模块，用于对上述预处理后的数据进行分割，得到分割结果，所述分割结果包括火焰运动前景；
提取模块，用于从所述火焰运动前景提取火焰运动特征，所述火焰运动特征包括火焰形状特征、火焰纹理特征和火焰面积特征，从所述隧道视频流数据中提取火焰颜色特征；
预测模块，用于将所述火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行多特征融合后通过预训练好的神经网络进行火焰预测，然后基于火焰预测结果输出火灾预警信息。
9.一种计算机设备，其特征在于：所述计算机设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现根据权利要求1至7中任一项所述的基于图像处理的隧道火灾预警方法中的步骤。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至7中任一项所述的基于图像处理的隧道火灾预警方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010166268.8A CN111368771A (zh) | 2020-03-11 | 2020-03-11 | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010166268.8A CN111368771A (zh) | 2020-03-11 | 2020-03-11 | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111368771A true CN111368771A (zh) | 2020-07-03 |
Family
ID=71208694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010166268.8A Pending CN111368771A (zh) | 2020-03-11 | 2020-03-11 | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111368771A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882810A (zh) * | 2020-07-31 | 2020-11-03 | 广州市微智联科技有限公司 | 一种火灾识别与预警方法及其系统 |
| CN112001375A (zh) * | 2020-10-29 | 2020-11-27 | 成都睿沿科技有限公司 | 一种火焰检测方法、装置、电子设备及存储介质 |
| CN112634567A (zh) * | 2020-12-17 | 2021-04-09 | 深圳市金安宏安全技术咨询有限公司 | 一种火灾报警的方法及装置 |
| CN112699801A (zh) * | 2020-12-30 | 2021-04-23 | 上海船舶电子设备研究所(中国船舶重工集团公司第七二六研究所) | 基于视频图像的火灾识别方法及系统 |
| CN112907584A (zh) * | 2021-01-08 | 2021-06-04 | 昆明理工大学 | 改进mtbcd火焰图像特征提取的转炉炼钢终点碳含量预测方法 |
| CN113177467A (zh) * | 2021-04-27 | 2021-07-27 | 上海鹰觉科技有限公司 | 火焰识别方法及系统、装置、介质 |
| CN113344909A (zh) * | 2021-07-01 | 2021-09-03 | 中国石油大学(北京) | 一种火电锅炉透火焰高温滤镜结焦识别显示方法和装置 |
| CN113947711A (zh) * | 2021-07-29 | 2022-01-18 | 苏州森合知库机器人科技有限公司 | 一种用于巡检机器人的双通道火焰检测算法 |
| CN114022451A (zh) * | 2021-11-05 | 2022-02-08 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于图像分割识别的火焰智能检测方法 |
| CN114663415A (zh) * | 2022-03-31 | 2022-06-24 | 北京工业大学 | 一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置 |
| CN114821996A (zh) * | 2022-01-25 | 2022-07-29 | 深圳市朗鑫智能科技有限公司 | 一种烟雾报警方法、系统、电子设备及其计算机存储介质 |
| CN114880935A (zh) * | 2022-05-13 | 2022-08-09 | 西南交通大学 | 隧道火灾超前预测方法 |
| CN115880490A (zh) * | 2022-11-21 | 2023-03-31 | 广东石油化工学院 | 一种基于孤立森林的火焰分割方法 |
| CN116597603A (zh) * | 2023-07-19 | 2023-08-15 | 山东哲远信息科技有限公司 | 一种智能消防火灾报警系统及其控制方法 |
| CN117291293A (zh) * | 2023-08-29 | 2023-12-26 | 西南交通大学 | 隧道火场灾情感知和态势发展预测方法 |
| CN117593588A (zh) * | 2023-12-14 | 2024-02-23 | 小黄蜂智能科技(广东)有限公司 | 火焰影像的智能识别方法及装置 |
| CN117893964A (zh) * | 2023-12-19 | 2024-04-16 | 上海芭比信息技术服务有限公司 | 一种视频流监控用烟火检测预警方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101393603A (zh) * | 2008-10-09 | 2009-03-25 | 浙江大学 | 一种识别和检测隧道火灾火焰的方法 |
| 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 |
| CN103116746A (zh) * | 2013-03-08 | 2013-05-22 | 中国科学技术大学 | 一种基于多特征融合技术的视频火焰探测方法 |
| CN103400111A (zh) * | 2013-07-10 | 2013-11-20 | 重庆大学 | 基于视频检测技术的高速公路隧道火灾事件检测方法 |
| US20180293442A1 (en) * | 2017-04-06 | 2018-10-11 | Ants Technology (Hk) Limited | Apparatus, methods and computer products for video analytics |
| CN109145796A (zh) * | 2018-08-13 | 2019-01-04 | 福建和盛高科技产业有限公司 | 一种基于视频图像融合分析算法的电力管廊火源识别及火点测距方法 |
-
2020
- 2020-03-11 CN CN202010166268.8A patent/CN111368771A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101393603A (zh) * | 2008-10-09 | 2009-03-25 | 浙江大学 | 一种识别和检测隧道火灾火焰的方法 |
| 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 |
| CN103116746A (zh) * | 2013-03-08 | 2013-05-22 | 中国科学技术大学 | 一种基于多特征融合技术的视频火焰探测方法 |
| CN103400111A (zh) * | 2013-07-10 | 2013-11-20 | 重庆大学 | 基于视频检测技术的高速公路隧道火灾事件检测方法 |
| US20180293442A1 (en) * | 2017-04-06 | 2018-10-11 | Ants Technology (Hk) Limited | Apparatus, methods and computer products for video analytics |
| CN109145796A (zh) * | 2018-08-13 | 2019-01-04 | 福建和盛高科技产业有限公司 | 一种基于视频图像融合分析算法的电力管廊火源识别及火点测距方法 |
Non-Patent Citations (1)
| Title |
|---|
| 朱国兴: ""基于视频的公路隧道火灾检测方法研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882810B (zh) * | 2020-07-31 | 2022-07-01 | 广州市微智联科技有限公司 | 一种火灾识别与预警方法及其系统 |
| CN111882810A (zh) * | 2020-07-31 | 2020-11-03 | 广州市微智联科技有限公司 | 一种火灾识别与预警方法及其系统 |
| CN112001375A (zh) * | 2020-10-29 | 2020-11-27 | 成都睿沿科技有限公司 | 一种火焰检测方法、装置、电子设备及存储介质 |
| CN112634567A (zh) * | 2020-12-17 | 2021-04-09 | 深圳市金安宏安全技术咨询有限公司 | 一种火灾报警的方法及装置 |
| CN112634567B (zh) * | 2020-12-17 | 2024-01-30 | 深圳市金安宏安全技术咨询有限公司 | 一种火灾报警的方法及装置 |
| CN112699801A (zh) * | 2020-12-30 | 2021-04-23 | 上海船舶电子设备研究所(中国船舶重工集团公司第七二六研究所) | 基于视频图像的火灾识别方法及系统 |
| CN112907584A (zh) * | 2021-01-08 | 2021-06-04 | 昆明理工大学 | 改进mtbcd火焰图像特征提取的转炉炼钢终点碳含量预测方法 |
| CN112907584B (zh) * | 2021-01-08 | 2022-07-19 | 昆明理工大学 | 改进mtbcd火焰图像特征提取的转炉炼钢终点碳含量预测方法 |
| CN113177467A (zh) * | 2021-04-27 | 2021-07-27 | 上海鹰觉科技有限公司 | 火焰识别方法及系统、装置、介质 |
| CN113344909B (zh) * | 2021-07-01 | 2023-12-08 | 中国石油大学(北京) | 一种火电锅炉透火焰高温滤镜结焦识别显示方法和装置 |
| CN113344909A (zh) * | 2021-07-01 | 2021-09-03 | 中国石油大学(北京) | 一种火电锅炉透火焰高温滤镜结焦识别显示方法和装置 |
| CN113947711A (zh) * | 2021-07-29 | 2022-01-18 | 苏州森合知库机器人科技有限公司 | 一种用于巡检机器人的双通道火焰检测算法 |
| CN114022451A (zh) * | 2021-11-05 | 2022-02-08 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于图像分割识别的火焰智能检测方法 |
| CN114821996A (zh) * | 2022-01-25 | 2022-07-29 | 深圳市朗鑫智能科技有限公司 | 一种烟雾报警方法、系统、电子设备及其计算机存储介质 |
| CN114663415B (zh) * | 2022-03-31 | 2024-06-04 | 北京工业大学 | 一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置 |
| CN114663415A (zh) * | 2022-03-31 | 2022-06-24 | 北京工业大学 | 一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置 |
| CN114880935A (zh) * | 2022-05-13 | 2022-08-09 | 西南交通大学 | 隧道火灾超前预测方法 |
| CN115880490A (zh) * | 2022-11-21 | 2023-03-31 | 广东石油化工学院 | 一种基于孤立森林的火焰分割方法 |
| CN115880490B (zh) * | 2022-11-21 | 2023-10-27 | 广东石油化工学院 | 一种基于孤立森林的火焰分割方法 |
| CN116597603B (zh) * | 2023-07-19 | 2023-10-10 | 山东哲远信息科技有限公司 | 一种智能消防火灾报警系统及其控制方法 |
| CN116597603A (zh) * | 2023-07-19 | 2023-08-15 | 山东哲远信息科技有限公司 | 一种智能消防火灾报警系统及其控制方法 |
| CN117291293A (zh) * | 2023-08-29 | 2023-12-26 | 西南交通大学 | 隧道火场灾情感知和态势发展预测方法 |
| CN117593588A (zh) * | 2023-12-14 | 2024-02-23 | 小黄蜂智能科技(广东)有限公司 | 火焰影像的智能识别方法及装置 |
| CN117893964A (zh) * | 2023-12-19 | 2024-04-16 | 上海芭比信息技术服务有限公司 | 一种视频流监控用烟火检测预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368771A (zh) | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 | |
| CN110298297B (zh) | 火焰识别方法和装置 | |
| CN111723644A (zh) | 一种监控视频遮挡检测方法及系统 | |
| CN109377499B (zh) | 一种像素级物体分割方法及装置 | |
| CN111985314B (zh) | 一种基于ViBe与改进LBP的烟雾检测方法 | |
| Lou et al. | An illumination invariant change detection algorithm | |
| KR101243294B1 (ko) | 이동 객체 추출 및 추적 방법 및 장치 | |
| CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
| CN106355566A (zh) | 一种应用于固定摄像机动态视频序列的烟雾与火焰探测方法 | |
| CN115131340A (zh) | 一种电厂煤粉泄露识别方法、装置、设备及刻度存储介质 | |
| He et al. | A Pedestrian Detection Method Using SVM and CNN Multistage Classification. | |
| CN109859200B (zh) | 一种基于背景分析的低空慢速无人机快速检测方法 | |
| Jia et al. | A two-step approach to see-through bad weather for surveillance video quality enhancement | |
| CN108737814B (zh) | 一种基于动态模式分解的视频镜头检测方法 | |
| KR101430257B1 (ko) | 디지털 감시 카메라 시스템을 위한 적응적 임계값을 사용하는 자동 장면 전환 검출 장치 | |
| CN112749714A (zh) | 一种单帧红外图像中多形态暗弱小目标检测方法 | |
| Chaiyawatana et al. | Robust object detection on video surveillance | |
| Liu et al. | An adaptive cast shadow detection with combined texture and color models | |
| Jadav et al. | Shadow Extraction and Elimination of Moving Vehicles for Tracking Vehicles | |
| Satoh et al. | Robust object detection and segmentation by peripheral increment sign correlation image | |
| KR20150055481A (ko) | 영상 내 그림자 화소 제거를 위한 배경 기반 방법 | |
| El Rai et al. | Moving Objects Segmentation in Infrared Scene Videos | |
| CN116156149B (zh) | 一种用于检测摄像头移动的检测方法及装置 | |
| CN110197122B (zh) | 获取图像的局部特征描述子的方法及异常行为图像检索法 | |
| Niju | Robust Human Tracking Using Sparse Collaborative Model in Surveillance Videos |
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: 20200703 |
|
| RJ01 | Rejection of invention patent application after publication |