CN111428630A - 一种矿井烟雾检测方法、系统及设备 - Google Patents
一种矿井烟雾检测方法、系统及设备 Download PDFInfo
- Publication number
- CN111428630A CN111428630A CN202010207514.XA CN202010207514A CN111428630A CN 111428630 A CN111428630 A CN 111428630A CN 202010207514 A CN202010207514 A CN 202010207514A CN 111428630 A CN111428630 A CN 111428630A
- Authority
- CN
- China
- Prior art keywords
- smoke
- area
- suspected
- mine
- smoke detection
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 131
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 230000003068 static effect Effects 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 231100001261 hazardous Toxicity 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000001914 filtration Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000391 smoking effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect 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
- G06V20/40—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种矿井烟雾检测方法,包括:提取监控区域视频帧流的动态特征,得到疑似烟区;提取所述疑似烟区的静态特征;基于所述静态特征,判断是否存在包含烟雾的危险区域。本发明基于视频分析矿井输送带烟雾,能够实现无人值守的不间断工作,自动发现监控区域内的异常烟雾和火灾苗头,以最快、最佳的方式进行告警和协助相关人员处理火灾危机,并最大限度的降低误报和漏报现象。
Description
技术领域
本发明涉及机器视觉检测方法,更具体地说,涉及一种矿井烟雾检测方法、系统及设备。
背景技术
目前国内针对烟雾或明火监控基本上还是采用传统的烟雾颗粒传感器或者红外线、激光技术。传统烟雾颗粒感应系统需要烟雾颗粒进入传感器才能引起报警,红外及激光技术也需要烟雾遮挡才能引发报警。这些前提要求场合是相对封闭的空间,烟雾浓度到达一定范围后才会引发相应报警。像矿井这类烟雾或明火检测要求高实时性、高灵敏性,传统烟火设备表现较差,现在往往采用人员值守看管,造成管理成本上升,并且传感器或红外线、激光技术安装和维护成本也较高。
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矿井烟雾检测方法、系统及设备,用于解决现有技术的缺陷。
为实现上述目的及其他相关目的,本发明提供一种矿井烟雾检测方法,包括:
提取监控区域视频帧流的动态特征,得到疑似烟区;
提取所述疑似烟区的静态特征;
基于所述静态特征,判断是否存在包含烟雾的危险区域。
可选地,所述提取监控区域的动态特征,得到疑似烟区,包括:
获取监控区域视频帧流的差分图像;
对所述差分图像进行分块,得到一个或多个图像块;
根据所述一个或多个图像块中的运动像素比例得到当前视频帧中的一个或多个运动区域;
对所述一个或多个运动区域进行聚类,得到一个或多个疑似烟区。
可选地,对所述监控区域的视频帧流进行多帧差分,得到差分图像。
可选地,对所述差分图像进行滤波。
可选地,利用DBSCAN算法对所述一个或多个运动区域进行聚类。
可选地,所述基于所述静态特征,判断是否存在包含烟雾的危险区域,包括:
利用已训练好的烟雾检测模型对所述疑似烟区进行判断,判断是否存在包含烟雾的危险区域。
可选地,所述利用已训练好的烟雾检测模型对所述疑似烟区进行判断,包括:
获取一个或多个个疑似烟区中心的LBP纹理特征;
将所述一个或多个疑似烟区中心的LBP纹理特征输入到训练好的烟雾检测模型中进行判别。
可选地,所述烟雾检测模型包括以下至少之一:训练好的支持向量机分类器、训练好的基于神经网络的检测模型。
为实现上述目的及其他相关目的,本发明提供一种矿井烟雾检测系统,包括:
动态特征提取模块,用于提取监控区域视频帧流的动态特征,得到疑似烟区;
静态特征提取模块,用于提取所述疑似烟区的静态特征;
危险区域判断模块,用于基于所述静态特征,判断是否存在包含烟雾的危险区域。
为实现上述目的及其他相关目的,本发明提供一种设备,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,以使所述设备执行如权利要求1~8所述的方法。
如上所述,本发明的一种矿井烟雾检测方法、系统及设备,具有以下有益效果:
本发明的一种矿井烟雾检测方法、系统及设备,包括提取监控区域视频帧流的动态特征,得到疑似烟区;提取所述疑似烟区的静态特征;基于所述静态特征,判断是否存在包含烟雾的危险区域。本发明基于视频分析矿井输送带烟雾,能够实现无人值守的不间断工作,自动发现监控区域内的异常烟雾和火灾苗头,以最快、最佳的方式进行告警和协助相关人员处理火灾危机,并最大限度的降低误报和漏报现象。
附图说明
图1为本发明一实施例一种矿井烟雾检测方法的流程图;
图2为本发明一实施例获取疑似烟区方法的流程图;
图3为本发明一实施例对所述疑似烟区进行判断的流程图;
图4为本发明一实施例一种矿井烟雾检测系统的示意图;
图5为本发明一实施例动态特征提取模块的示意图。
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。
一种矿井烟雾检测方法,通过输入环境中所采集到的视频图像,根据烟雾、明火区域的动态特征(趋势变化特征)以及静态特征(图像纹理特征),采用适当的分析算法对视频图像中的烟雾、明火等不良状况进行监测,若检测到烟雾或者明火,则在画面中标示出对应的危险区域并及时发出预警提示。而对于绝大多数火灾而言,烟雾的出现通常都早于明火,因而本发明主要着力于烟雾区域的检测和预警。
具体地,对烟雾进行检测,首先需要建立烟雾检测模型,该烟雾检测模型的建立方法为:人为模拟真实场景的传送带冒烟场景,根据采集到的冒烟视频图像,研究烟雾区域的图像纹理特征(静态特征)及趋势变化特征(动态特征),通过一定的算法建立烟雾检测模型。
然后,在实施运行阶段,则首先对监控区域建立实时背景模型,通过对实时监控视频与背景模型的比较,当出现异常状况时,利用预先建立的烟雾检测模型,判断异常状况是否为冒烟。若出现冒烟,则及时启动声光报警器报警并保存视频,以便人工复查及样本采集与模型更新。
本发明所述的一种矿井烟雾检测方法,包括两个阶段,,第一阶段根据动态特征提取出画面中的疑似烟区,第二阶段根据静态特征对第一阶段所得到的疑似烟区进行判别,最终判断出是否包含烟雾的危险区域。具体地,如图1所示,烟雾检测方法包括以下步骤:
S1提取监控区域视频帧流的动态特征,得到疑似烟区;
S2提取所述疑似烟区的静态特征;
S3基于所述静态特征,判断是否存在包含烟雾的危险区域。
本发明基于视频分析矿井输送带烟雾,能够实现无人值守的不间断工作,自动发现监控区域内的异常烟雾和火灾苗头,以最快、最佳的方式进行告警和协助相关人员处理火灾危机,并最大限度的降低误报和漏报现象。
在本实施例中,由于矿井、隧道等环境下光照条件不良,普通的视频监控设备难以发挥作用,因而采用近红外相机进行图像采集,并以所采集到的视频帧流作为烟雾检测算法的输入。
所述的动态特征反应的是趋势变化特征,静态特征为图像纹理特征,也可以叫作局部二值模式。
在一实施例中,如图2所示,所述提取监控区域的动态特征,得到疑似烟区,包括以下子步骤:
S21获取监控区域视频帧流的差分图像;
S22对所述差分图像进行分块,得到一个或多个图像块;
S23根据所述一个或多个图像块中的运动像素比例得到当前视频帧中的一个或多个运动区域;
S24对所述一个或多个运动区域进行聚类,得到一个或多个疑似烟区。
其中,可以通过对监控区域视频帧流进行多帧差分,得到差分图像。这里所说的差分图像可以表示图像的运动特征。
多帧差分:将输入的每一视频帧转换为单通道灰度图像,令当前视频帧为第i帧,则分别取出第i帧、第i-k帧、第i-2k帧,得到第i帧图像和第i-k帧图像的绝对差图像、第i帧图像和第i-2k帧图像的绝对差图像(绝对差图像中的每一像素点的灰度值等于对应位置上两图像像素点灰度值之差的绝对值),计算两者的和,最终得到所求的差分图像;具体实施时,k可取1、2…,需要先缓存长度为2k的历史帧队列,若缓存队列未满可跳过计算,而后每输入一帧便实时更新缓存。
为了减少环境的噪声影响,可以利用差分图像进行滤波。滤波方法可以采用例如中值滤波。
中值滤波:中值滤波是一种非线性平滑算法,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值;中值滤波对脉冲噪声或椒盐噪声有良好的滤除作用,特别是在滤除噪声的同时,能够保护信号的边缘,使之不被模糊。
对滤波后的差分图像进行分块,得到一个或多个图像块;根据所述一个或多个图像块中的运动像素比例得到当前视频帧中的一个或多个运动区域。
图像分块:将图像按照矩形网格划分为彼此相邻的分块,在每一分块内部分别进行计算和处理;具体实施时,也可以按照边长相等的正方形来分块,且取值时应使得图像长宽的最大公约数是分块边长的整数倍。运动像素比例:在滤波后的差分图像中,若像素值大于某一阈值,则视该位置像素为运动像素;在同一分块图像中,若运动像素个数超过总像素个数的某一比例,则视该分块区域为运动区域;具体实施时,运动像素阈值可取10,像素比例可取40%。
在获取一个或多个运动区域后,可以对所述一个或多个运动区域进行聚类,得到一个或多个疑似烟区。其中,聚类方法可以采用例如:DBSCAN算法。
DBSCAN聚类算法:DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)是一个比较有代表性的基于密度的聚类算法。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。可参见:Ester,M.,Kriegel,H.P.,Sander,J.,&Xu,X.(1996,August).A density-based algorithm for discoveringclusters in large spatial databases with noise.In Kdd(Vol.96,No.34,pp.226-231)。在完成运动区域聚类后,就可以提取出疑似烟区。
在一实施例中,所述基于所述静态特征,判断是否存在包含烟雾的危险区域,包括:
利用已训练好的烟雾检测模型对所述疑似烟区进行判断,判断是否存在包含烟雾的危险区域。
其中,烟雾检测模型是预先训练好的,可以为支持向量机(SVM)分类器、训练好的基于神经网络的检测模型。
具体地,如图3所示,所述利用已训练好的检测模型对所述疑似烟区进行判断,包括:
S31获取一个或多个个疑似烟区中心的LBP纹理特征;
S32将所述一个或多个疑似烟区中心的LBP纹理特征输入到训练好的烟雾检测模型中进行判别。
通过烟雾检测模型区分出了不符合烟血管纹理特征的干扰区域,可以得到最终的危险烟区。根据危险烟区的具体位置,在画面中绘制出对应的最小矩形边界框包络;若检测到危险烟区,则发出提示报警。
LBP纹理特征: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,和D.Harwood在1994年提出,用于纹理特征提取。可参见:T.Ojala,M.Pietikainen,D.Harwood.Performance evaluation of texture measures withclassification based on Kullback discrimination of distributions[C]//PatternRecognition,1994.Vol.1-Conference A:Computer Vision&ImageProcessing.Proceedings of the 12th IAPR International Conference on.IEEE,1994.
SVM支持向量机:支持向量机(Support Vector Machine,SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalizedlinear classifier),其决策边界是对学习样本求解的最大边距超平面(maximum-marginhyperplane);SVM使用铰链损失函数(hinge loss)计算经验风险(empirical risk)并在求解系统中加入了正则化项以优化结构风险(structural risk),是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法(kernel method)进行非线性分类,是常见的核学习(kernel learning)方法之一;可参加:Cortes,Corinna,Vapnik,Vladimir.Support-vector networks[J].Machine Learning,20(3):273-297。
最小矩形边界框包络:一个包含所有危险区域且面积最小的矩形包络;具体实施时,可以通过OpenCV中的minAreaRect函数来实现。
本发明利用计算机视觉、机器学习以及视频监控技术,通过视频图像来检测烟火。自动分析、识别视频图像内的烟雾,产生告警信息,在数秒内完成火灾探测及报警,大大缩短了火灾告警时间。该系统具有非接触式探测的特点,不受空间高度、热障、易爆、有毒等环境条件的限制,使得该系统为煤矿输送带冒烟检测提供了一种有效的解决途径。
如图4所示,一种矿井烟雾检测系统,包括:
动态特征提取模块41,用于提取监控区域视频帧流的动态特征,得到疑似烟区;
静态特征提取模块42,用于提取所述疑似烟区的静态特征;
危险区域判断模块43,用于基于所述静态特征,判断是否存在包含烟雾的危险区域。
在一实施例中,如图5所示,所述动态特征提取模块41,包括:
差分图像获取子模块51,用于获取监控区域视频帧流的差分图像;
图像分块子模块52,用于对所述差分图像进行分块,得到一个或多个图像块;
运动区域获取子模块53,用于根据所述一个或多个图像块中的运动像素比例得到当前视频帧中的一个或多个运动区域;
聚类子模块54,用地对所述一个或多个运动区域进行聚类,得到一个或多个疑似烟区。
在一实施例中,对所述监控区域的视频帧流进行多帧差分,得到差分图像。
在一实施例中,对所述差分图像进行滤波。
在一实施例中,利用DBSCAN算法对所述一个或多个运动区域进行聚类。
在一实施例中,所述基于所述静态特征,判断是否存在包含烟雾的危险区域,包括:
利用已训练好的烟雾检测模型对所述疑似烟区进行判断,判断是否存在包含烟雾的危险区域。
可选地,所述利用已训练好的烟雾检测模型对所述疑似烟区进行判断,包括:
获取一个或多个个疑似烟区中心的LBP纹理特征;
将所述一个或多个疑似烟区中心的LBP纹理特征输入到训练好的烟雾检测模型中进行判别。
可选地,所述烟雾检测模型包括以下至少之一:训练好的支持向量机分类器、训练好的基于神经网络的检测模型。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例的内容请参见方法部分的实施例的描述,这里暂不赘述。
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耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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)
1.一种矿井烟雾检测方法,其特征在于,包括:
提取监控区域视频帧流的动态特征,得到疑似烟区;
提取所述疑似烟区的静态特征;
基于所述静态特征,判断是否存在包含烟雾的危险区域。
2.根据权利要求1所述的矿井烟雾检测方法,其特征在于,所述提取监控区域的动态特征,得到疑似烟区,包括:
获取监控区域视频帧流的差分图像;
对所述差分图像进行分块,得到一个或多个图像块;
根据所述一个或多个图像块中的运动像素比例得到当前视频帧中的一个或多个运动区域;
对所述一个或多个运动区域进行聚类,得到一个或多个疑似烟区。
3.根据权利要求2所述的矿井烟雾检测方法,其特征在于,对所述监控区域的视频帧流进行多帧差分,得到差分图像。
4.根据权利要求2所述的矿井烟雾检测方法,其特征在于,对所述差分图像进行滤波。
5.根据权利要求2所述的矿井烟雾检测方法,其特征在于,利用DBSCAN算法对所述一个或多个运动区域进行聚类。
6.根据权利要求1所述的矿井烟雾检测方法,其特征在于,所述基于所述静态特征,判断是否存在包含烟雾的危险区域,包括:
利用已训练好的烟雾检测模型对所述疑似烟区进行判断,判断是否存在包含烟雾的危险区域。
7.根据权利要求6所述的矿井烟雾检测方法,其特征在于,所述利用已训练好的检测模型对所述疑似烟区进行判断,包括:
获取一个或多个个疑似烟区中心的LBP纹理特征;
将所述一个或多个疑似烟区中心的LBP纹理特征输入到训练好的烟雾检测模型中进行判别。
8.根据权利要求6所述的矿井烟雾检测方法,其特征在于,所述烟雾检测模型包括以下至少之一:训练好的支持向量机分类器、训练好的基于神经网络的检测模型。
9.一种矿井烟雾检测系统,其特征在于,包括:
动态特征提取模块,用于提取监控区域视频帧流的动态特征,得到疑似烟区;
静态特征提取模块,用于提取所述疑似烟区的静态特征;
危险区域判断模块,用于基于所述静态特征,判断是否存在包含烟雾的危险区域。
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1~8所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010207514.XA CN111428630A (zh) | 2020-03-23 | 2020-03-23 | 一种矿井烟雾检测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010207514.XA CN111428630A (zh) | 2020-03-23 | 2020-03-23 | 一种矿井烟雾检测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111428630A true CN111428630A (zh) | 2020-07-17 |
Family
ID=71549680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010207514.XA Pending CN111428630A (zh) | 2020-03-23 | 2020-03-23 | 一种矿井烟雾检测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428630A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170011264A1 (en) * | 2015-07-07 | 2017-01-12 | Disney Enterprises, Inc. | Systems and methods for automatic key frame extraction and storyboard interface generation for video |
CN106339664A (zh) * | 2016-08-10 | 2017-01-18 | 杭州电子科技大学 | 一种基于颜色混合模型和多特征组合的视频烟雾检测方法 |
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 |
CN109214392A (zh) * | 2017-07-04 | 2019-01-15 | 北京航天长峰科技工业集团有限公司 | 一种通过视频监控进行烟雾检测的方法 |
-
2020
- 2020-03-23 CN CN202010207514.XA patent/CN111428630A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170011264A1 (en) * | 2015-07-07 | 2017-01-12 | Disney Enterprises, Inc. | Systems and methods for automatic key frame extraction and storyboard interface generation for video |
CN106339664A (zh) * | 2016-08-10 | 2017-01-18 | 杭州电子科技大学 | 一种基于颜色混合模型和多特征组合的视频烟雾检测方法 |
CN109214392A (zh) * | 2017-07-04 | 2019-01-15 | 北京航天长峰科技工业集团有限公司 | 一种通过视频监控进行烟雾检测的方法 |
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 |
Non-Patent Citations (3)
Title |
---|
吴南: "基于视频图像的煤垛自燃检测算法研究", 《万方数据》 * |
王博: "采用机器学习的火焰前景提取算法", 《万方数据》 * |
高美凤: "分块帧差和背景差相融合的运动目标检测", 《万方数据》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428522B (zh) | 一种智慧新城的智能安防系统 | |
CN110516609B (zh) | 一种基于图像多特征融合的火灾视频检测及预警方法 | |
Bertini et al. | Multi-scale and real-time non-parametric approach for anomaly detection and localization | |
US8744125B2 (en) | Clustering-based object classification | |
CN111626188B (zh) | 一种室内不可控明火监测方法及系统 | |
CN109766779B (zh) | 徘徊人员识别方法及相关产品 | |
CN109377713B (zh) | 一种火灾预警方法及系统 | |
CN107222660B (zh) | 一种分布式网络视觉监控系统 | |
CN101711393A (zh) | 基于视频的火灾检测的系统和方法 | |
CN110852179B (zh) | 基于视频监控平台的可疑人员入侵的检测方法 | |
KR101030257B1 (ko) | 카메라의 영상을 이용한 보행자 계수 방법 및 장치 | |
CN115691034A (zh) | 一种智能家居异常情况告警方法、系统及存储介质 | |
CN112270253A (zh) | 一种高空抛物的检测方法及装置 | |
Patil et al. | Suspicious movement detection and tracking based on color histogram | |
CN114885119A (zh) | 一种基于计算机视觉的智能监控报警系统及方法 | |
Tao et al. | Smoky vehicle detection based on multi-feature fusion and ensemble neural networks | |
Alsheikhy | A fire detection algorithm using convolutional neural network | |
CN101984451B (zh) | 基于视频的遮挡火焰检测方法及装置 | |
CN107704818A (zh) | 一种基于视频图像的火灾检测系统 | |
CN112770090A (zh) | 一种基于异动检测与目标跟踪的监控方法 | |
Kumar et al. | Computer vision-based early fire detection using machine learning | |
KR101581162B1 (ko) | 실시간 영상 기반의 화염, 연기 및 물체 움직임 자동 감지 방법, 장치 및 시스템 | |
CN111428630A (zh) | 一种矿井烟雾检测方法、系统及设备 | |
Rahangdale et al. | Event detection using background subtraction for surveillance systems | |
Vaishnavi et al. | Implementation of Abnormal Event Detection using Automated Surveillance System |
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: 20200717 |