CN111489342B - 一种基于视频的火焰检测方法、系统及可读存储介质 - Google Patents
一种基于视频的火焰检测方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN111489342B CN111489342B CN202010275318.6A CN202010275318A CN111489342B CN 111489342 B CN111489342 B CN 111489342B CN 202010275318 A CN202010275318 A CN 202010275318A CN 111489342 B CN111489342 B CN 111489342B
- Authority
- CN
- China
- Prior art keywords
- flame
- position coordinate
- detection
- suspected
- coordinate information
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000010367 cloning Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明属于火焰检测领域，公开了一种基于视频的火焰检测方法、系统及可读存储介质，包括以下步骤：实时获取目标区域的YUV图像数据，将当前帧与前一帧图像帧均进行克隆得到F1和F2；将F1通过神经网络模型进行目标检测和识别，从F1中裁剪得到若干第一矩形图像；将若干第一矩形图像进行火焰颜色特征检验；从F2中裁剪得到若干第二矩形图像，将第一矩形图像和第二矩形图像进行火焰动态特征检测；当火焰颜色特征检验和火焰动态特征检测均满足时，当前目标区域包含火焰并在YUV图像数据中标定，生成报警信息；否则，进行S1。充分利用了卷积神经网络提取物体特征优势，同时又将火焰的动态特征与之有效结合，有效的提升了火焰检测的准确率、召回率和检测速度。
Description
技术领域
本发明属于火焰检测领域，涉及一种基于视频的火焰检测方法、系统及可读存储介质。
背景技术
随着人类社会的发展进步，火灾成为了不可忽视的多发性问题，它一次次的展示了其对于人们生命安全和社会财产的巨大破坏性。所以，火灾的预防和检测一直是人类与火灾斗争过程中关注的焦点。然而，传统的基于温感、烟感、光感等火灾探测器具有以下缺点：1.响应速度慢，误检率较高；2.检测范围有限，易受外界干扰；3.难以适应复杂环境的火灾探测要求。
随着人工智能与图像处理理论研究的不断深入，以及视频监控设备的不断普及，越来越多的目光聚集到使用计算机视觉来检测视频火焰的方式上。但是，在各种被提出的视频火焰检测方法中也有着许多不足之处，比如：1.基于火焰颜色的检测模型较简单，检测火焰类型单一；2.基于火焰几何特征检测的方式，对于距离、遮挡等环境要求苛刻；3.基于红外图像的视频火焰检测存在成本高以及对相似颜色较敏感等缺点；4.许多现有的视频火焰检测技术使用后端服务器进行相关算法处理，受网络和带宽的影响，有一定的延时，无法保证检测效果的实时性。
现有视频火焰检测技术方案中存在火焰检测的准确率低、受环境影响程度高、检测延时长等缺点。
发明内容
本发明的目的在于克服上述现有技术中火焰检测的准确率低、受环境影响程度高以及检测延时长的缺点，提供一种基于视频的火焰检测方法、系统及可读存储介质。
为达到上述目的，本发明采用以下技术方案予以实现：
本发明一方面，一种基于视频的火焰检测方法，包括以下步骤：
S1：实时获取目标区域的YUV图像数据，将当前帧与前一帧图像帧均进行克隆得到F1和F2；将F1通过神经网络模型进行目标检测和识别，得到若干疑似火焰的位置坐标信息，根据疑似火焰的位置坐标信息从F1中裁剪得到若干第一矩形图像；
S2：将若干第一矩形图像进行火焰颜色特征检验；
S3：根据疑似火焰的位置坐标信息从F2中裁剪得到若干第二矩形图像，将相同位置坐标信息的第一矩形图像和第二矩形图像进行火焰动态特征检测；
S4：当火焰颜色特征检验和火焰动态特征检测均满足时，判定当前目标区域包含火焰并在YUV图像数据中标定，同时生成报警信息；否则，进行S1。
本发明基于视频的火焰检测方法进一步的改进在于：
所述神经网络模型为RFCN算法模型。
所述神经网络模型为改进的RFCN算法模型。
所述S2的具体方法为：
将每个第一矩形图像均通过RGB判据和HIS判据进行火焰颜色特征检验。
所述第一矩形图像通过RGB判据和HIS判据进行火焰颜色特征检验的具体方法为：
将第一矩形图像的图像颜色空间转化为RGB空间，记录R通道值大于第一预设判断阈值的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第一疑似火焰区域；记录R通道值大于等于G通道值的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第二疑似火焰区域；记录G通道值大于等于B通道值的包含疑似火焰的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第三疑似火焰区域；然后通过下式得到包含疑似火焰的矩形区域的颜色饱和度S：
(1-3.0*minValue/(R通道值+G通道值+B通道值))＝S，
其中，minValue为包含疑似火焰的矩形区域的R通道值、G通道值和B通道值中的最小值，记录颜色饱和度S大于第二预设判断阈值的包含疑似火焰的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第四疑似火焰区域，记录颜色饱和度S大于第三预设判断阈值的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第五疑似火焰区域；当F1上有位置坐标上同时标记第一疑似火焰区域、第二疑似火焰区域、第三疑似火焰区域、第四疑似火焰区域和第五疑似火焰区域时，当前YUV图像数据的图像帧满足火焰颜色特征检验。
所述S3的具体方法为：
根据疑似火焰的位置坐标信息从F2中裁剪得到若干第二矩形图像，将相同位置坐标信息的第一矩形图像和第二矩形图像进行高斯滤波，然后进行帧间差分法得到帧间差分法图像，将帧间差分法图像进行膨胀操作后进行二值化，得到帧间差分检测结果，记录帧间差分检测结果大于第四预设判断阈值的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第六疑似火焰区域，当F1上有位置坐标上标记第六疑似火焰区域时，当前YUV图像数据的图像帧满足火焰动态特征检验。
所述第一预设判断阈值设定为115，第二预设判断阈值为0.2，第三预设判断阈值为(255-R通道值)*45/115，第四预设判断阈值为80。
本发明第二方面，一种基于视频的火焰检测方法，采用R4替代上述基于视频的火焰检测方法中的S4；
R4：设定检测标识并给检测标识设定初值和目标值，当火焰颜色特征检验和火焰动态特征检测均满足时，判定检测标是否为目标值，当检测标识不为目标值时，检测标识加1，然后进行S1；当检测标识为目标值时，判定当前目标区域包含火焰并在目标区域的YUV图像数据中标定，同时生成报警信息；
否则，将检测标识重置为初始值，进行S1。
本发明第三方面，一种基于视频的火焰检测系统，包括相机设备和监控终端，所述相机设备包括图像传感器、存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器的输入端连接图像传感器，输出端连接监控终端，图像传感器用于实时获取目标区域的YUV图像数据并发送至处理器，所述处理器执行所述计算机程序时实现上述基于视频的火焰检测方法的步骤，得到处理结果并输送至监控终端实时显示。
本发明第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于视频的火焰检测方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明基于视频的火焰检测方法，采用神经网络模型进行目标火焰检测，检测方法复杂度低，可以对小火苗实时检测，并结合火焰颜色特征检验和火焰动态特征检测，进一步分析疑似火焰区域，确保检测结果的高准确度；应用范围广泛，经在多种环境中实地测试，可适用于工厂、夜间等诸多复杂环境，不易受外界干扰；充分利用了卷积神经网络提取物体特征优势的同时，又将火焰的动态特征与之有效结合，提升了检测方法的鲁棒性，在复杂的环境下，有效的提升了火焰检测的准确率、召回率和检测速度。
进一步的，采用改进的RFCN算法模型，将原来的的3*3的卷积核改进为5*5卷积核，最终的检测准确率最高，对小火苗的检测效果有明显的提升。
进一步的，设定检测标识并给检测标识设定初值和目标值，使得后续在进行目标值次数的连续的前后两帧图像帧的检测后，再得出判定结论，以此提升检测准确度，同时也不会影响检测的实时性。
本发明基于视频的火焰检测系统，通过在相机设备内植入基于视频的火焰检测方法，将检测方法与硬件设备相结合弥补了前端成像所带来的干扰问题，在复杂的环境下，进一步提升了火焰检测的准确率、召回率和检测速度；同时，可与现有监控系统相结合，应用成本低，通用性强，便于系统的维护升级，将检测移植到前端的相机设备，相比现有的后端处理技术，减少了因网络和带宽影响带来的时间开销，进一步保障了检测效果的实时性。
附图说明
图1为本发明的改进后RFCN算法模型处理的流程图；
图2为本发明的结合RGB/HIS判据进行动态特征检测的流程图；
图3为本发明基于神经网络与动态特征的火焰检测方法的流程图；
图4为本发明的相机设备的安装示意图。
其中：1-摄像头；2-相机支架；3-相机镜头。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
参见图1至3，本发明一方面，基于视频的火焰检测方法，采取了神经网络和火焰动态特征两个方面，这种神经网络与动态特征结合的火焰检测方法，充分利用了卷积神经网络提取物体特征优势，同时又将火焰的动态特征与之有效结合，提升了检测方法的鲁棒性，同时还可以将检测方法与硬件设备相结合弥补了前端成像所带来的干扰问题，在复杂的环境下，有效的提升了火焰检测的准确率、召回率和检测速度。具体的，包括以下步骤：
S1：通过前端图像传感器实时获取目标区域的YUV图像数据，将当前帧与前一帧图像帧均进行克隆得到F1和F2；将F1通过RFCN算法模型或改进的RFCN算法模型进行特征提取和目标检测，得到若干疑似火焰的位置坐标信息，根据疑似火焰的位置坐标信息从F1中裁剪得到若干第一矩形图像。其中，改进的RFCN算法模型是针对RFCN(Region-based FullyConvolutional Networks)算法模型来说，这里是在原有RFCN算法模型的基础上进行改进，在利用卷积神经网络进行特征提取时，在经过Position Sensitive卷积层处理时，将原来的的3*3的卷积核改进为5*5卷积核，其余均保持RFCN算法模型现有设计，即可得到改进的RFCN算法模型。测试显示，按照5*5的分割方式，最终的检测准确率最高，因此，选用改进的RFCN算法模型对小火苗的检测效果有明显的提升。
S2：设定检测标识symbol，并给检测标识设定初值和目标值，本实施例中初值和目标值分别为0和3，使得后续在进行连续三组连续的前后两帧图像帧的检测后，再得出判定结论，以此提升检测准确度，同时也不会影响检测的实时性；然后对图像帧进行火焰颜色特征检验和火焰动态特征检测。首先，将将当前帧与前一帧图像帧均进行克隆，用于火焰颜色特征检验和火焰动态特征检测，然后将F1和F2进行轮廓提取和图像分割处理，根据疑似火焰的位置坐标信息从F1中裁剪得到若干第一矩形图像，根据疑似火焰的位置坐标信息从F2中裁剪得到若干第二矩形图像；接着对若干第一矩形图像根据RGB判据和HIS判据进行火焰颜色特征检验，然后将相同位置坐标信息的第一矩形图像和第二矩形图像进行火焰动态特征检测。
其中，火焰颜色特征检验的具体方法为：首先根据RGB判据进行火焰颜色特征检验，将第一矩形图像的图像颜色空间转化为RGB空间，记录R通道值大于第一预设判断阈值的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第一疑似火焰区域；记录R通道值大于等于G通道值的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第二疑似火焰区域；记录G通道值大于等于B通道值的包含疑似火焰的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第三疑似火焰区域；在这里第一预设判断阈值设定为115，但不以此为限，可以根据实际情况人为进行设定。然后，结合HIS判据进行火焰颜色特征检验，通过下式得到包含疑似火焰的矩形区域的颜色饱和度S：
(1-3.0*minValue/(R通道值+G通道值+B通道值))＝S
其中，minValue为包含疑似火焰的矩形区域的R通道值、G通道值和B通道值中的最小值，记录颜色饱和度S大于第二预设判断阈值的包含疑似火焰的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第四疑似火焰区域，记录颜色饱和度S大于第三预设判断阈值的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第五疑似火焰区域；在这里第二预设判断阈值为0.2，第三预设判断阈值为(255-R通道值)*45/115，但不以此为限，可以根据实际情况人为进行设定。
当F1上有位置坐标上同时标记第一疑似火焰区域、第二疑似火焰区域、第三疑似火焰区域、第四疑似火焰区域和第五疑似火焰区域时，当前YUV图像数据的图像帧满足火焰颜色特征检验，即该包含疑似火焰的矩形区域同时满足RGB和HIS判据，则该包含疑似火焰的矩形区域含有火焰的可信度较高。
根据疑似火焰的位置坐标信息从F2中裁剪得到若干第二矩形图像，将相同位置坐标信息的第一矩形图像和第二矩形图像进行高斯滤波，然后进行帧间差分法得到帧间差分法图像，将帧间差分法图像进行膨胀操作后进行二值化，得到帧间差分检测结果，记录帧间差分检测结果大于第四预设判断阈值的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第六疑似火焰区域，当F1上有位置坐标上标记第六疑似火焰区域时，当前YUV图像数据的图像帧满足火焰动态特征检验，在这里第四预设判断阈值为80，但不以此为限，可以根据实际情况人为进行设定。
S3：当F1内存在第一矩形图像的火焰颜色特征检验和火焰动态特征检测均满足时，判定检测标识symbol是否为目标值，当检测标识symbol不为目标值时，检测标识symbol加1，然后进行S1；当检测标识symbol为目标值时，判定当前目标区域包含火焰并在目标区域的YUV图像数据的当前图像帧中火焰颜色特征检验和火焰动态特征检测均满足的第一矩形图像的位置坐标上标定，然后生成报警信息。否则，将检测标识symbol重置为初始值，进行S1。
参见图4，本发明另一方面，基于视频的火焰检测系统，包括相机设备和监控终端；所述相机设备包括图像传感器、存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器的输入端连接图像传感器，输出端连接监控终端，图像传感器用于实时获取目标区域的YUV图像数据并发送至处理器，所述处理器执行所述计算机程序时实现上述基于视频的火焰检测方法的步骤，得到处理结果并输送至监控终端实时显示。处理器可能是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor、DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
相机设备在安装过程中可根据实际需求进行安装。相机设备的摄像头1的安装角度与垂直方向夹角θ为30°～50°，相机设备的相机支架2的高度为2.8～3.5m，相机设备的相机镜头3的焦距为10～22mm。
在示例性实施例中，还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于视频的火焰检测方法的步骤。
本发明基于视频的火焰检测方法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。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。其中，所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本发明基于视频的火焰检测方法，采用改进后的RFCN算法模型进行目标火焰检测，算法复杂度低，可以对小火苗实时检测；结合火焰的颜色特征和动态特征，进一步分析疑似火焰区域，确保检测结果的高准确度；应用范围广泛，经在多种环境中实地测试，可适用于工厂、夜间等诸多复杂环境，不易受外界干扰；充分利用了卷积神经网络提取物体特征优势的同时，又将火焰的动态特征与之有效结合，提升了检测方法的鲁棒性，同时又将检测方法与硬件设备相结合弥补了前端成像所带来的干扰问题，在复杂的环境下，有效的提升了火焰检测的准确率、召回率和检测速度。同时，可与现有监控系统相结合，应用成本低，通用性强，便于系统的维护升级，将系统移植到前端设备，相比现有的后端处理技术，减少了因网络和带宽影响带来的时间开销，进一步保障了检测效果的实时性。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (8)
1.一种基于视频的火焰检测方法，其特征在于，包括以下步骤：
S1：实时获取目标区域的YUV图像数据，将当前帧与前一帧图像帧均进行克隆得到F1和F2；将F1通过神经网络模型进行目标检测和识别，得到若干疑似火焰的位置坐标信息，根据疑似火焰的位置坐标信息从F1中裁剪得到若干第一矩形图像；
S2：将若干第一矩形图像进行火焰颜色特征检验；
S3：根据疑似火焰的位置坐标信息从F2中裁剪得到若干第二矩形图像，将相同位置坐标信息的第一矩形图像和第二矩形图像进行火焰动态特征检测；
S4：当火焰颜色特征检验和火焰动态特征检测均满足时，判定当前目标区域包含火焰并在YUV图像数据中标定，同时生成报警信息；否则，进行S1；
所述S2的具体方法为：
将每个第一矩形图像均通过RGB判据和HIS判据进行火焰颜色特征检验；
所述第一矩形图像通过RGB判据和HIS判据进行火焰颜色特征检验的具体方法为：
将第一矩形图像的图像颜色空间转化为RGB空间，记录R通道值大于第一预设判断阈值的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第一疑似火焰区域；记录R通道值大于等于G通道值的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第二疑似火焰区域；记录G通道值大于等于B通道值的包含疑似火焰的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第三疑似火焰区域；然后通过下式得到包含疑似火焰的矩形区域的颜色饱和度S：
(1-3.0*minValue/(R通道值+G通道值+B通道值))＝S，
其中，minValue为包含疑似火焰的矩形区域的R通道值、G通道值和B通道值中的最小值，记录颜色饱和度S大于第二预设判断阈值的包含疑似火焰的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第四疑似火焰区域，记录颜色饱和度S大于第三预设判断阈值的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第五疑似火焰区域；当F1上有位置坐标上同时标记第一疑似火焰区域、第二疑似火焰区域、第三疑似火焰区域、第四疑似火焰区域和第五疑似火焰区域时，当前YUV图像数据的图像帧满足火焰颜色特征检验。
2.根据权利要求1所述的基于视频的火焰检测方法，其特征在于，所述神经网络模型为RFCN算法模型。
3.根据权利要求1所述的基于视频的火焰检测方法，其特征在于，所述神经网络模型为改进的RFCN算法模型。
4.根据权利要求1所述的基于视频的火焰检测方法，其特征在于，所述S3的具体方法为：
根据疑似火焰的位置坐标信息从F2中裁剪得到若干第二矩形图像，将相同位置坐标信息的第一矩形图像和第二矩形图像进行高斯滤波，然后进行帧间差分法得到帧间差分法图像，将帧间差分法图像进行膨胀操作后进行二值化，得到帧间差分检测结果，记录帧间差分检测结果大于第四预设判断阈值的第一矩形图像的位置坐标信息，并在F1上该位置坐标信息对应的位置坐标上标记第六疑似火焰区域，当F1上有位置坐标上标记第六疑似火焰区域时，当前YUV图像数据的图像帧满足火焰动态特征检验。
5.根据权利要求4所述的基于视频的火焰检测方法，其特征在于，所述第一预设判断阈值设定为115，第二预设判断阈值为0.2，第三预设判断阈值为(255-R通道值)*45/115，第四预设判断阈值为80。
6.一种基于视频的火焰检测方法，其特征在于，采用R4替代权利要求1中的S4；
R4：设定检测标识并给检测标识设定初值和目标值，当火焰颜色特征检验和火焰动态特征检测均满足时，判定检测标是否为目标值，当检测标识不为目标值时，检测标识加1，然后进行S1；当检测标识为目标值时，判定当前目标区域包含火焰并在目标区域的YUV图像数据中标定，同时生成报警信息；
否则，将检测标识重置为初始值，进行S1。
7.一种基于视频的火焰检测系统，包括相机设备和监控终端，所述相机设备包括图像传感器、存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，处理器的输入端连接图像传感器，输出端连接监控终端，图像传感器用于实时获取目标区域的YUV图像数据并发送至处理器，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述基于视频的火焰检测方法的步骤，得到处理结果并输送至监控终端实时显示。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述基于视频的火焰检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010275318.6A CN111489342B (zh) | 2020-04-09 | 2020-04-09 | 一种基于视频的火焰检测方法、系统及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010275318.6A CN111489342B (zh) | 2020-04-09 | 2020-04-09 | 一种基于视频的火焰检测方法、系统及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111489342A CN111489342A (zh) | 2020-08-04 |
| CN111489342B true CN111489342B (zh) | 2023-09-26 |
Family
ID=71811779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010275318.6A Active CN111489342B (zh) | 2020-04-09 | 2020-04-09 | 一种基于视频的火焰检测方法、系统及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111489342B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070083A (zh) * | 2020-09-04 | 2020-12-11 | 北京灵汐科技有限公司 | 图像内容检测方法、装置、电子设备和存储介质 |
| CN112001375B (zh) * | 2020-10-29 | 2021-01-05 | 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 |
| CN113033553B (zh) * | 2021-03-22 | 2023-05-12 | 深圳市安软科技股份有限公司 | 多模式融合的火灾检测方法、装置、相关设备及存储介质 |
| CN113283332A (zh) * | 2021-05-20 | 2021-08-20 | 国电南瑞科技股份有限公司 | 一种消防机器人火焰识别方法、设备及存储介质 |
| CN113379999B (zh) * | 2021-06-22 | 2024-05-24 | 徐州才聚智能科技有限公司 | 火情检测方法、装置、电子设备及存储介质 |
| CN114897897B (zh) * | 2022-07-13 | 2022-09-20 | 潍坊科技学院 | 一种水平射流型火焰稳定性的评价方法 |
| CN115394040B (zh) * | 2022-08-30 | 2023-05-23 | 新创碳谷集团有限公司 | 一种火焰检测方法、计算机设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001057819A2 (en) * | 2000-02-07 | 2001-08-09 | Vsd Limited | Smoke and flame detection |
| CN102306436A (zh) * | 2011-07-08 | 2012-01-04 | 中兴智能交通（无锡）有限公司 | 一种基于视频图像检测烟火的方法和系统 |
| CN103473788A (zh) * | 2013-07-31 | 2013-12-25 | 中国电子科技集团公司第三十八研究所 | 一种基于高清视频图像的室内火灾火焰检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR0209543A (pt) * | 2001-05-11 | 2005-04-26 | Detector Electronics | Método e aparelho de detecção de fogo através de formação de imagem da chama |
| CN108369764B (zh) * | 2015-10-16 | 2020-04-07 | 霍尼韦尔国际公司 | 用于调整火焰检测器的视场的方法和系统 |
-
2020
- 2020-04-09 CN CN202010275318.6A patent/CN111489342B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001057819A2 (en) * | 2000-02-07 | 2001-08-09 | Vsd Limited | Smoke and flame detection |
| CN102306436A (zh) * | 2011-07-08 | 2012-01-04 | 中兴智能交通（无锡）有限公司 | 一种基于视频图像检测烟火的方法和系统 |
| CN103473788A (zh) * | 2013-07-31 | 2013-12-25 | 中国电子科技集团公司第三十八研究所 | 一种基于高清视频图像的室内火灾火焰检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 洪伟 ; 李朝锋 ; .基于区域全卷积网络结合残差网络的火焰检测方法.激光与光电子学进展.2017,(04),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111489342A (zh) | 2020-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111489342B (zh) | 一种基于视频的火焰检测方法、系统及可读存储介质 | |
| US10713798B2 (en) | Low-complexity motion detection based on image edges | |
| WO2022001961A1 (zh) | 一种高空抛物动目标检测方法、检测设备和检测系统 | |
| CN110718067A (zh) | 违规行为告警方法及相关装置 | |
| JP2010097412A (ja) | 煙検出装置 | |
| CN107886544A (zh) | 用于车辆标定的图像采集控制方法和装置 | |
| JPWO2014103673A1 (ja) | 情報処理システム、情報処理方法及びプログラム | |
| CN103870847B (zh) | 一种低照度环境下对地监控的运动目标检测方法 | |
| CN113947744A (zh) | 基于视频的火灾图像检测方法、系统、设备及存储介质 | |
| CN104021576A (zh) | 在场景中追踪移动物体的方法及系统 | |
| JP7074174B2 (ja) | 識別器学習装置、識別器学習方法およびコンピュータプログラム | |
| CN111753587A (zh) | 一种倒地检测方法及装置 | |
| KR101889051B1 (ko) | 모니터링 시스템들에서 신뢰성을 증가시키는 방법 | |
| JPH06308256A (ja) | 雲霧検出方法 | |
| Kim et al. | Three plot correlation-based small infrared target detection in dense sun-glint environment for infrared search and track | |
| CN113379772B (zh) | 基于背景消除及跟踪算法的复杂环境下的移动测温方法 | |
| KR20140037354A (ko) | 방치물 및 도난물 탐지 시스템 | |
| KR20130065567A (ko) | 프라이버시 마스킹용 휴먼 추적 시스템 및 방법 | |
| KR20220107494A (ko) | 근적외선 카메라를 사용한 딥 러닝 기반 드론 감지 시스템 | |
| KR101951900B1 (ko) | 프레임 내에서 객체를 탐지하는 장치 및 방법 | |
| CN113674315B (zh) | 一种物体检测方法、设备及计算机可读存储介质 | |
| US20220101704A1 (en) | Mitigating Effects Caused by Fast Moving Objects in a Scene | |
| CN111144312B (zh) | 图像处理方法、装置、设备和介质 | |
| US12056910B2 (en) | Method and system of evaluating the valid analysis region of a specific scene | |
| JP4634920B2 (ja) | 監視装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |