CN112101232A - 一种基于多分类器的火焰检测方法 - Google Patents

Abstract

本发明提供一种基于多分类器的火焰检测方法，包含步骤：S1、基于自适应参数更新的前景提取方法，提取所采集图像中的前景区域；S2、基于所述前景区域是否为火焰区域，通过颜色、形状、运动、温度分类器分别对前景区域进行分类并投票；S3、计算每个分类器投票值的权重，根据每个分类器的投票值及对应的权重，判断前景区域是否为火焰区域。本发明采用颜色，形状，运动，温度四种分类器综合生成火焰区域判断结果，有效地解决了环境光照等对判断结果的干扰。通过使用四种分类器，有效地实现了数据降维，降低了算法的时间复杂度，具有良好的实时性。

Description

一种基于多分类器的火焰检测方法

技术领域

本发明涉及电力应急机器人灭火作业领域，特别涉及一种基于多分类器的火焰检测方法。

背景技术

近年来，自然灾害频发多发，世界多地陆续发生大面积停电事故，且在进行电力应急灭火作业过程中发生了人员伤亡事故，造成了巨大的人员和财产损失，电力应急管理体系建设和智能电力应急灭火作业越来越受到重视。电力故障应急处理有着特殊的危险性，如不可预知的二次爆炸、火灾产生的高温和有毒有害气体等，应急人员往往无法在保证人身安全的前提下第一时间深入现场，对变电站、开关站、配电房等室内故障进行迅速处置，进而延误了应急消防作业的最佳时机。

随着人工智能的快速发展，制造业的生产方式也在逐步发生变革。近些年，环境感知技术在应急作业机器人领域大放异彩，基于机器视觉的感知技术可以获取机器人周边环境的二维或三维图像信息，进而可以对作业环境进行感知。

传统的基于采集图像信息的火焰检测算法多采用基于火焰颜色特征和动态特征的方法，这些方法易受环境的光照和其他运动干扰物的影响，而目前一些基于浅层机器学习或深度学习的方法往往会产生高维的特征向量，算法时间复杂度过高，对机器人的硬件配置有较高的要求，无法保证火焰检测算法的实时性。

如何通过实时采集的图像信息，快速、自动、准确地检测图像中是否有火焰，预防电力系统火灾事故的发生是目前急需解决的问题。

发明内容

本发明的目的是提供一种基于多分类器的火焰检测方法，通过机器人采集前端厂房内的图像，通过本发明提取图像中的前景区域，并通过颜色、形状、运动、温度四种分类器综合生成火焰区域判定结果，实现从复杂的厂房图像中准确的判断火焰区域的功能。

为了达到上述目的，一种基于多分类器的火焰检测方法，包含步骤：

S1、基于自适应参数更新的前景提取方法，提取所采集图像中的前景区域；

S2、基于所述前景区域是否为火焰区域，通过颜色、形状、运动、温度分类器分别对前景区域进行分类并投票；

S3、计算每个分类器投票值的权重；根据每个分类器的投票值及对应的权重，判断前景区域是否为火焰区域。

步骤S1中具体包含：

S11、收集前N帧图像建立背景模型，所述背景模型为样本集G(x_i)＝{G₁(x_i),...,G_k(x_i),...,G_N(x_i)}；其中x_i表示第i个像素点，样本G_k(x_i)表示像素点x_i在第k帧图像的像素值；

S12、基于所述背景模型，判断x_i是否属于前景区域，方法如下：

F(x_i)为对x_i的判断结果；其中I(x_i)为x_i在当前帧的像素值，dist(·)表示欧氏距离，R(x_i)表示x_i的判别阈值，min为设定的数值；若样本集G(x_i)中与I(x_i)的欧氏距离小于R(x_i)的样本个数比min少，则F(x_i)＝1，表示x_i属于前景区域。

步骤S1中还包含更新所述背景模型：

S13、随机选取背景模型中的一个样本G_k(x_i)，将当前帧中x_i的邻域内，随机选取一个像素点y_i，将y_i在当前帧的像素值I(y_i)以更新率

与G_k(x_i)进行替换，G_k(x_i)被替换的概率为

实现更新背景模型。

步骤S1中还包含计算背景复杂度，根据所述背景复杂度自适应更新判别阈值R(x_i)和更新率

具体包含：

S14、计算背景复杂度，包含：

分别计算背景模型各个样本点被更新后，当前帧中像素点x_i的像素值I(x_i)到更背景模型各点的距离最小值d_min(x_i)＝min_k dist(I(x_i),G_k(x_i))；

建立距离模型D(x_i)＝{D₁(x_i),...,D_k(x_i),...,D_N(x_i)}，其中D_k(x_i)表示当背景模型中第k个像素点被更新替换时，当前帧的像素值I(x_i)到样本集B(x_i)中各个样本点的距离的最小值；

得到背景复杂度

S15、更新R(x_i)：

其中，

是判别阈值的变化量，θ用于控制背景复杂度对判别阈值的调整；

S16、更新T(x_i)：

T_lower＜T(x_i)＜T_upper；

其中，T_inc和T_dec分别表示更新率增加、减小的幅度，T_lower和T_upper分别表示更新率上下限。

步骤S2中通过颜色分类器对所述前景区域是否为火焰区域进行分类并投票，具体包含：

将当前帧图像从RGB空间转换为YUV空间。

令x′_p为前景区域中的像素点，令x″_q为当前帧图像中的任一像素点，其中p∈[1,A]，q∈[1,B]，A为前景区域中像素点的总个数，B为当前帧图像中所有像素点的总个数；

Y(·)、U(·)、V(·)分别表示像素点的像素值在YUV空间的Y、U、V分量；前景区域所有像素点在Y、U、V分量的平均值分别为Y_A、U_A、V_A，前景区域所有像素点在Y、U、V分量的平均值分别为

图像所有像素点在Y、U、V分量的平均值分别为

将前景区域分为两类，第一类别为火焰区域，第二类别为非火焰区域，若满足Y_A＞U_A,V_A＞U_A,|V_A-U_A|≥τ_c，且满足Y_A＞Y_B，U_A＜U_B、V_A＞V_B，则表示前景区域为火焰区域，颜色分类器对第一类别给出投票值1，对第二类别给出投票值0；否则，颜色分类器对第二类别给出投票值1，对第一类别给出投票值0；其中τ_c为设定的判决阈值。

步骤S2中通过形状分类器对所述前景区域是否为火焰区域进行分类并投票，具体包含：

将前景区域分为两类，第一类别为火焰区域，第二类别为非火焰区域，记当前帧为第t帧，计算前景区域在第t帧图像与第t-1帧中图像中形状变化的剧烈程度

以

作为形状分类器的打分值，若

超过设定的形状打分阈值，则表示前景区域为火焰区域；形状分类器对第一类别给出投票值1，对第二类别给出投票值0；否则，形状分类器对第二类别给出投票值1，对第一类别给出投票值0；其中

P_t为前景区域在第t帧图像中的周长、A_t为前景区域在第t帧图像中的面积。

步骤S2中通过运动分类器分别对所述前景区域是否为火焰区域进行分类并投票，具体包含：

记当前帧为第t帧，通过SIFT算法提取前景区域在第t、第t-1帧图像中的角点；基于最小欧氏距离对第t、第t-1帧图像中的角点进行匹配，得到由两帧角点组成的若干向量；

计算所述向量与图像x轴方向的夹角，将0°到360°按角度值大小平均分为第一至第六角度空间，并将所述夹角分配至对应的角度空间；

将前景区域分为两类，第一类别为火焰区域，第二类别为非火焰区域，统计落入第一至第六角度空间的向量个数h₁～h₆；计算运动器打分值

其中H＝max(h₁,…,h₆)；当hm高于设定的运动打分阈值时，表示前景区域为火焰区域，运动分类器对第一类别给出投票值1，对第二类别给出投票值0；否则，运动分类器对第二类别给出投票值1，对第一类别给出投票值0。

步骤S2中通过温度分类器对所述前景区域是否为火焰区域进行分类并投票，具体包含：

通过红外相机采集环境的温度信息建立温度图，将RGB空间下的前景区域映射到所述温度图的对应区域；若所述对应区域的温度平均值高于温度图的温度平均值以及设定的温度阈值，表示前景区域为火焰区域，具体判别规则可用如下公式表示

且

x_k表示当前帧前景区域中的像素点，x_k′表示当前帧图像中的任一像素点，T(·)表示像素点的温度值；A为前景区域中的像素点总个数，B为当前帧图像中所有像素点的总个数；τ为设定的温度阈值。

将前景区域分为两类，第一类别为火焰区域，第二类别为非火焰区域，所述对应区域的温度平均值高于温度图的温度平均值以及设定的温度阈值，温度分类器对第一类别给出投票值1，对第二类别给出投票值0；否则，温度分类器对第二类别给出投票值1，对第一类别给出投票值0。

步骤S3中具体包含：

S31、将颜色、形状、运动、温度分类器分别计为第一至第四分类器；基于贝叶斯方法，计算第k分类器在其将前景区域判定为火焰区域的条件下，该前景区域确实为火焰区域的概率w_k(i)，k∈[1,4]；计算公式如下：

其中：b表示前景区域；i代表判断类别：i＝1表示第一类别，前景区域为火焰区域；i＝2表示第二类别，前景区域为非火焰区域；c_k(b)＝i代表第k分类器对前景区域的判断为第i类别；

表示被第k分类器判断为第i类别，而其本身属于第j类别的样本个数；M代表类别总数；

S32、基于第k分类器判断前景区域为第i类别的投票值a_ik(b)，和该投票值对应的权重w_k(i)，求得前景区域为火焰区域或非火焰区域的最终投票值F(i)：

F(i＝1)表示前景区域为火焰区域的最终投票值，F(i＝2)表示前景区域为非火焰区域的最终投票值；若F(i＝1)＞F(i＝2)，则判断前景区域为火焰区域。

与现有技术相比，本发明的有益效果在于：

1)本发明采用自适应参数的前景提取算法，能够准确得到待检测的前景区域，解决了室内环境下火焰微小跳动被判断为背景的问题；

2)本发明采用多分类器集成的方法，综合采用颜色，形状，运动，温度四种分类器对火焰区域的判断结果进行加权打分，最终生成火焰区域判定结果，有效地避免了环境光照，运动物体、高温物体等环境干扰对火焰检测准确性的影响；

3)本发明通过四种分类器分析采集结果，有效地实现了数据降维，降低了算法的时间复杂度，避免了高维度的特征计算使得算法过拟合等泛化性不良的问题，且本发明具有良好的实时性。

附图说明

为了更清楚地说明本发明技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，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、图3为本发明的基于多分类器的火焰检测方法流程示意图；

图2为本发明中自适应参数更新的前景提取方法流程示意图；

图4为本发明的实施例中，通过运动分类器对所述前景区域是否为火焰区域进行打分时，所生成的向量示意图；

图5为火焰区域向量角度分布直方图、刚性物体运动时向量角度分布直方图的对比示意图。

具体实施方式

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，都属于本发明保护的范围。

如图1、图3所示，本发明提供一种基于多分类器的火焰检测方法，包含步骤：

S1、基于自适应参数更新的前景提取方法，提取所采集图像中的前景区域；本发明中首先通过采集的前N帧图像建立背景模型，将当前帧像素点的像素值与背景模型中对应像素点的像素值做差(计算欧氏距离)，得到的差值如果超过相应的判别阈值，则有理由认为该像素点为前景区域中的像素点，之后再对背景模型进行实时更新。在更新背景时首先计算出背景复杂度，根据背景复杂度动态地调整背景模型的更新率以及所述判别阈值。

如图2所示，步骤S1中具体包含：

S11、收集前N帧图像建立背景模型，所述背景模型为样本集G(x_i)＝{G₁(x_i),...,G_k(x_i),...,G_N(x_i)}；其中x_i表示第i个像素点，样本G_k(x_i)表示像素点x_i在第k帧图像的像素值；

S12、基于所述背景模型，判断x_i是否属于前景区域，方法如下：

F(x_i)为对x_i的判断结果；其中I(x_i)为x_i在当前帧的像素值，dist(·)表示欧氏距离，R(x_i)表示x_i的判别阈值，min为设定的数值；若样本集G(x_i)中与I(x_i)的欧氏距离小于R(x_i)的样本个数比min少，则F(x_i)＝1，表示x_i属于前景区域。

步骤S1中还包含更新所述背景模型：

S13、随机选取背景模型中的一个样本G_k(x_i)，将当前帧中x_i的邻域内，随机选取一个像素点y_i，将y_i在当前帧的像素值I(y_i)以更新率

与G_k(x_i)进行替换，G_k(x_i)被替换的概率为

实现更新背景模型。

步骤S1中还包含计算背景复杂度，根据所述背景复杂度自适应更新判别阈值R(x_i)和更新率

具体包含：

S14、计算背景复杂度，包含：

分别计算背景模型各个样本点被更新后，当前帧中像素点x_i的像素值I(x_i)到更背景模型各点的距离最小值d_min(x_i)＝min_kdist(I(x_i),G_k(x_i))；

建立距离模型D(x_i)＝{D₁(x_i),...,D_k(x_i),...,D_N(x_i)}，其中D_k(x_i)表示当背景模型中第k个像素点被更新替换时，当前帧的像素值I(x_i)到样本集G(x_i)中各个样本点的距离的最小值；

得到背景复杂度

S15、更新R(x_i)：

其中，

是判别阈值的变化量，θ用于控制背景复杂度对判别阈值的调整；背景越复杂，判断阈值应该越大，保证背景像素不被误判为前景，背景越简单，微小的变化都是由前景引起，判断阈值应该越小。

S16、更新T(x_i)：

T_lower＜T(x_i)＜T_upper；

其中，T_inc和T_dec分别表示更新率增加、减小的幅度，T_lower和T_upper分别表示更新率上下限。

S2、基于所述前景区域是否为火焰区域，通过颜色、形状、运动、温度分类器分别对前景区域进行分类并投票；

一般火焰区域中，在RGB空间下像素点的红色分量大于蓝色分量大于绿色分量，火焰区域像素点的红色分量高于整张图像的平均红色分量。步骤S2中通过颜色分类器对所述前景区域是否为火焰区域进行分类并投票，具体包含：

将当前帧图像从RGB空间转换为YUV空间。

令x′_p为前景区域中的像素点，令x″_q为当前帧图像中的任一像素点，其中p∈[1,A]，q∈[1,B]，A为前景区域中像素点的总个数，B为当前帧图像中所有像素点的总个数；

Y(·)、U(·)、V(·)分别表示像素点的像素值在YUV空间的Y、U、V分量；前景区域所有像素点在Y、U、V分量的平均值分别为Y_A、U_A、V_A，前景区域所有像素点在Y、U、V分量的平均值分别为

图像所有像素点在Y、U、V分量的平均值分别为

将前景区域分为两类，第一类别为火焰区域，第二类别为非火焰区域，若满足Y_A＞U_A,V_A＞U_A,|V_A-U_A|≥τ_c，且满足Y_A＞Y_B，U_A＜U_B、V_A＞V_B，则表示前景区域为火焰区域，颜色分类器对第一类别给出投票值1，对第二类别给出投票值0；否则，颜色分类器对第二类别给出投票值1，对第一类别给出投票值0。

形状分类的核心思想是分析两个连续帧中待检测区域(也即提取的前景区域)的形状变化的剧烈程度。通过比较当前帧待检测区域的形状复杂度与其前一帧待检测区域的形状复杂度(即待检测区域最小包络矩形的周长-面积比)，来评估所述形状变化的剧烈程度。由于火焰的变化较为剧烈，所以当计算得到的形状变化的剧烈程度值超过一定的阈值时就可以判定该区域为火焰区域。步骤S2中通过形状分类器对所述前景区域是否为火焰区域进行分类并投票，具体包含：

将前景区域分为两类，第一类别为火焰区域，第二类别为非火焰区域，记当前帧为第t帧，计算前景区域在第t帧图像与第t-1帧中图像中形状变化的剧烈程度

以

作为形状分类器的打分值，若

超过设定的形状打分阈值，则表示前景区域为火焰区域；形状分类器对第一类别给出投票值1，对第二类别给出投票值0；否则，形状分类器对第二类别给出投票值1，对第一类别给出投票值0；其中

P_t为前景区域在第t帧图像中的周长、A_t为前景区域在第t帧图像中的面积。

步骤S2中通过运动分类器分别对所述前景区域是否为火焰区域进行分类并投票，具体包含：

记当前帧为第t帧，通过SIFT算法提取前景区域在第t、第t-1帧图像中的角点；基于最小欧氏距离对第t、第t-1帧图像中的角点进行匹配，得到由两帧角点组成的若干向量；在本发明的实施例中，如图4所示，首先为采集的图像建立坐标系，图中点m₁为第t-1帧图像中的角点，图中点m₂为第t帧图像中的角点，点m₁与点m₂的欧式距离小于点m₁与第t帧图像中的所有其他角点的欧式距离，建立向量m₁m₂。

计算所述向量与图像x轴方向的夹角，将0°到360°按角度值大小平均分为第一至第六角度空间，并将所述夹角分配至对应的角度空间；

统计落入第一至第六角度空间的向量个数h₁～h₆；将第一至第六角度空间记为d₁～d₆。如图5所示，由于火焰的运动不规则，则所述夹角在各方向的分布较为平均，而一般规则运动的刚性物体所对应的夹角分布则会在某个方向上较为集中。通过夹角方向分布的一致性来判断该区域是否为火焰区域。

将前景区域分为两类，第一类别为火焰区域，第二类别为非火焰区域，计算运动器打分值

其中H＝max(h₁,…,h₆)；当hm高于设定的运动打分阈值时，表示前景区域为火焰区域，运动分类器对第一类别给出投票值1，对第二类别给出投票值0；否则，运动分类器对第二类别给出投票值1，对第一类别给出投票值0。

步骤S2中通过温度分类器对所述前景区域是否为火焰区域进行分类并投票，具体包含：

通过红外相机采集环境的温度信息建立温度图，将RGB空间下的前景区域映射到所述温度图的对应区域；若所述对应区域的温度平均值高于温度图的温度平均值以及设定的温度阈值，表示前景区域为火焰区域，具体判别规则可用如下公式表示

且

x_k表示当前帧前景区域中的像素点，x_k′表示当前帧图像中的任一像素点，T(·)表示像素点的温度值；A为前景区域中的像素点总个数，B为当前帧图像中所有像素点的总个数；τ为设定的温度阈值。

将前景区域分为两类，第一类别为火焰区域，第二类别为非火焰区域，所述对应区域的温度平均值高于温度图的温度平均值以及设定的温度阈值，温度分类器对第一类别给出投票值1，对第二类别给出投票值0；否则，温度分类器对第二类别给出投票值1，对第一类别给出投票值0。

S3、计算每个分类器投票值的权重；根据每个分类器的投票值及对应的权重，判断前景区域是否为火焰区域。

步骤S3中具体包含：

S31、将颜色、形状、运动、温度分类器分别计为第一至第四分类器；基于贝叶斯方法，计算第k分类器在其将前景区域判定为火焰区域的条件下，该前景区域确实为火焰区域的概率w_k(i)，k∈[1,4]；计算公式如下：

其中：b表示前景区域；i代表判断类别：i＝1表示第一类别，前景区域为火焰区域；i＝2表示第二类别，前景区域为非火焰区域；c_k(b)＝i代表第k分类器对前景区域的判断为第i类别；

表示被第k分类器判断为第i类别，而其本身属于第j类别的样本个数；M代表类别总数；也就是求被第k分类器分为正样本(火焰区域)的同时其本身也是正样本的样本数与所有正样本数的商，即正样本的正检率，同理，求出负样本(非火焰区域)的正检率。

S32、基于第k分类器判断前景区域为第i类别的投票值a_ik(b)，和该投票值对应的权重w_k(i)，求得前景区域为火焰区域或非火焰区域的最终投票值F(i)：

F(i＝1)表示前景区域为火焰区域的最终投票值，F(i＝2)表示前景区域为非火焰区域的最终投票值；若F(i＝1)＞F(i＝2)，则判断前景区域为火焰区域。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于多分类器的火焰检测方法，其特征在于，包含步骤：

S1、基于自适应参数更新的前景提取方法，提取所采集图像中的前景区域；

S2、基于所述前景区域是否为火焰区域，通过颜色、形状、运动、温度分类器分别对前景区域进行分类并投票；

S3、计算每个分类器投票值的权重；根据每个分类器的投票值及对应的权重，判断前景区域是否为火焰区域。

2.如权利要求1所述的基于多分类器的火焰检测方法，其特征在于，步骤S1中具体包含：

S11、收集前N帧图像建立背景模型，所述背景模型为样本集G(x_i)＝{G₁(x_i),...,G_k(x_i),...,G_N(x_i)}；其中x_i表示第i个像素点，样本G_k(x_i)表示像素点x_i在第k帧图像的像素值；

S12、基于所述背景模型，判断x_i是否属于前景区域，方法如下：

F(x_i)为对x_i的判断结果；其中I(x_i)为x_i在当前帧的像素值，dist(·)表示欧氏距离，R(x_i)表示x_i的判别阈值，min为设定的数值；若样本集G(x_i)中与I(x_i)的欧氏距离小于R(x_i)的样本个数比min少，则F(x_i)＝1，表示x_i属于前景区域。

3.如权利要求2所述的基于多分类器的火焰检测方法，其特征在于，步骤S1中还包含更新所述背景模型：

S13、随机选取背景模型中的一个样本G_k(x_i)，将当前帧中x_i的邻域内，随机选取一个像素点y_i，将y_i在当前帧的像素值I(y_i)以更新率

与G_k(x_i)进行替换，G_k(x_i)被替换的概率为

实现更新背景模型。

4.如权利要求3所述的基于多分类器的火焰检测方法，其特征在于，步骤S1中还包含计算背景复杂度，根据所述背景复杂度自适应更新判别阈值R(x_i)和更新率

具体包含：

S14、计算背景复杂度，包含：

分别计算背景模型各个样本点被更新后，当前帧中像素点x_i的像素值I(x_i)到更背景模型各点的距离最小值d_min(x_i)＝min_kdist(I(x_i),G_k(x_i))；

建立距离模型D(x_i)＝{D₁(x_i),...,D_k(x_i),...,D_N(x_i)}，其中D_k(x_i)表示当背景模型中第k个像素点被更新替换时，当前帧的像素值I(x_i)到样本集G(x_i)中各个样本点的距离的最小值；

得到背景复杂度

S15、更新R(x_i)：

其中，

是判别阈值的变化量，θ用于控制背景复杂度对判别阈值的调整；

S16、更新T(x_i)：

T_lower＜T(x_i)＜T_upper；

其中，T_inc和T_dec分别表示更新率增加、减小的幅度，T_lower和T_upper分别表示更新率上下限。

5.如权利要求1所述的基于多分类器的火焰检测方法，其特征在于，步骤S2中通过颜色分类器对所述前景区域是否为火焰区域进行分类并投票，具体包含：

将当前帧图像从RGB空间转换为YUV空间；

令x′_p为前景区域中的像素点，令x″_q为当前帧图像中的任一像素点，其中p∈[1,A]，q∈[1,B]，A为前景区域中像素点的总个数，B为当前帧图像中所有像素点的总个数；

Y(·)、U(·)、V(·)分别表示像素点的像素值在YUV空间的Y、U、V分量；前景区域所有像素点在Y、U、V分量的平均值分别为Y_A、U_A、V_A，前景区域所有像素点在Y、U、V分量的平均值分别为

图像所有像素点在Y、U、V分量的平均值分别为

将前景区域分为两类，第一类别为火焰区域，第二类别为非火焰区域，若满足Y_A＞U_A,V_A＞U_A,|V_A-U_A|≥τ_c，其中τ_c为设定的判决阈值，且满足Y_A＞Y_B，U_A＜U_B、V_A＞V_B，则表示前景区域为火焰区域，颜色分类器对第一类别给出投票值1，对第二类别给出投票值0；否则，颜色分类器对第二类别给出投票值1，对第一类别给出投票值0。

6.如权利要求1所述的基于多分类器的火焰检测方法，其特征在于，步骤S2中通过形状分类器对所述前景区域是否为火焰区域进行分类并投票，具体包含：

将前景区域分为两类，第一类别为火焰区域，第二类别为非火焰区域，记当前帧为第t帧，计算前景区域在第t帧图像与第t-1帧中图像中形状变化的剧烈程度

以

作为形状分类器的打分值，若

超过设定的形状打分阈值，则表示前景区域为火焰区域；形状分类器对第一类别给出投票值1，对第二类别给出投票值0；否则，形状分类器对第二类别给出投票值1，对第一类别给出投票值0；其中

P_t为前景区域在第t帧图像中的周长、A_t为前景区域在第t帧图像中的面积。

7.如权利要求1所述的基于多分类器的火焰检测方法，其特征在于，步骤S2中通过运动分类器分别对所述前景区域是否为火焰区域进行分类并投票，具体包含：

记当前帧为第t帧，通过SIFT算法提取前景区域在第t、第t-1帧图像中的角点；基于最小欧氏距离对第t、第t-1帧图像中的角点进行匹配，得到由两帧角点组成的若干向量；

计算所述向量与图像x轴方向的夹角，将0°到360°按角度值大小平均分为第一至第六角度空间，并将所述夹角分配至对应的角度空间；

将前景区域分为两类，第一类别为火焰区域，第二类别为非火焰区域，统计落入第一至第六角度空间的向量个数h₁～h₆；计算运动器打分值

其中H＝max(h₁,…,h₆)；当hm高于设定的运动打分阈值时，表示前景区域为火焰区域，运动分类器对第一类别给出投票值1，对第二类别给出投票值0；否则，运动分类器对第二类别给出投票值1，对第一类别给出投票值0。

8.如权利要求1所述的基于多分类器的火焰检测方法，其特征在于，步骤S2中通过温度分类器对所述前景区域是否为火焰区域进行分类并投票，具体包含：

通过红外相机采集环境的温度信息建立温度图，将RGB空间下的前景区域映射到所述温度图的对应区域；若所述对应区域的温度平均值高于温度图的温度平均值以及设定的温度阈值，表示前景区域为火焰区域，具体判别规则可用如下公式表示

且

x_k表示当前帧前景区域中的像素点，x′_k表示当前帧图像中的任一像素点，T(·)表示像素点的温度值；A为前景区域中的像素点总个数，B为当前帧图像中所有像素点的总个数；τ为设定的温度阈值；

将前景区域分为两类，第一类别为火焰区域，第二类别为非火焰区域，所述对应区域的温度平均值高于温度图的温度平均值以及设定的温度阈值，温度分类器对第一类别给出投票值1，对第二类别给出投票值0；否则，温度分类器对第二类别给出投票值1，对第一类别给出投票值0。

9.如权利要求1所述的基于多分类器的火焰检测方法，其特征在于，步骤S3中具体包含：

S31、将颜色、形状、运动、温度分类器分别计为第一至第四分类器；基于贝叶斯方法，计算第k分类器在其将前景区域判定为火焰区域的条件下，该前景区域确实为火焰区域的概率w_k(i)，k∈[1,4]；计算公式如下：

其中：b表示前景区域；i代表判断类别：i＝1表示第一类别，前景区域为火焰区域；i＝2表示第二类别，前景区域为非火焰区域；c_k(b)＝i代表第k分类器对前景区域的判断为第i类别；

表示被第k分类器判断为第i类别，而其本身属于第j类别的样本个数；M代表类别总数；

S32、基于第k分类器判断前景区域为第i类别的投票值a_ik(b)，和该投票值对应的权重w_k(i)，求得前景区域为火焰区域或非火焰区域的最终投票值F(i)：

F(i＝1)表示前景区域为火焰区域的最终投票值，F(i＝2)表示前景区域为非火焰区域的最终投票值；若F(i＝1)＞F(i＝2)，则判断前景区域为火焰区域。

Images