CN112446304A - 一种火焰检测方法及其系统 - Google Patents

一种火焰检测方法及其系统 Download PDF

Info

Publication number
CN112446304A
CN112446304A CN202011247197.0A CN202011247197A CN112446304A CN 112446304 A CN112446304 A CN 112446304A CN 202011247197 A CN202011247197 A CN 202011247197A CN 112446304 A CN112446304 A CN 112446304A
Authority
CN
China
Prior art keywords
flame
video
rgb
frame
region
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
CN202011247197.0A
Other languages
English (en)
Inventor
张鹏
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.)
CHENGDU PENGYE SOFTWARE CO LTD
Original Assignee
CHENGDU PENGYE SOFTWARE CO LTD
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 CHENGDU PENGYE SOFTWARE CO LTD filed Critical CHENGDU PENGYE SOFTWARE CO LTD
Priority to CN202011247197.0A priority Critical patent/CN112446304A/zh
Publication of CN112446304A publication Critical patent/CN112446304A/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
    • G06V20/40—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种火焰检测方法及其系统，包括：获取包含同一待检测区域的数字采集视频和RGB采集视频；通过对所述数字采集视频进行高亮区域检测和运动区域检测生成火焰区域掩膜视频；通过对所述火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的火焰区域RGB视频；对所述火焰区域掩膜视频的有效性进行验证并生成包含火焰区域RGB视频的预警信息。本发明通过获取过滤干扰区域的数字采集视频，并通过高亮区域检测作为火焰区域判定第一条件以及通过运动区域检测作为火焰区域判定第二条件，有效的提升了火焰区域的检测精度。同时，通过对火焰区域掩膜视频进行视角变换获取火焰区域RGB视频作为证据，使得用户能够根据火焰区域RGB视频判定火焰起因。

Description

一种火焰检测方法及其系统
技术领域
本发明涉及图像分析技术领域，具体涉及一种火焰检测方法及其系统。
背景技术
随着计算机视觉的发展，基于计算机视觉的火焰检测技术得到了大量的研究。相较于传统的烟雾等定点传感器，从图像中检测火焰更加迅速，可以在火灾的初期检测到火焰，从而对火灾进行提前预警。
目前，火焰检测大致有两种方式：直接基于RGB彩色图像进行检测；采用红外测温传感器或红外测温摄像头进行检测。但是直接基于RGB彩色图像进行检测的检测系统具有误报率高、使用环境复杂时的适应性差的问题，采用红外测温传感器或红外测温摄像头进行检测的检测系统具有使用环境复杂时的适应性差和无法有效留存证据的问题。
因此，现有的火焰检测系统具有适应性差、检测准确性低及功能单一的问题。
发明内容
有鉴于此，本发明提供一种火焰检测方法及其系统，通过改进检测方法及其系统构成，解决了现有的火焰检测系统具有适应性差、检测准确性低及功能单一的问题。
为解决以上问题，本发明的技术方案为采用一种火焰检测方法，包括：基于第一摄像单元和第二摄像单元获取包含同一待检测区域的数字采集视频和RGB采集视频；通过对所述数字采集视频进行高亮区域检测和运动区域检测生成火焰区域掩膜视频；通过对所述火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的火焰区域RGB视频；对所述火焰区域掩膜视频的有效性进行验证并生成包含火焰区域RGB视频的预警信息。
可选地，生成所述火焰区域掩膜视频包括：将所述数字采集视频逐帧分解为多个数字图像；利用公式
Figure RE-GDA0002884911380000021
逐一处理全部所述数字图像并生成多个高亮区域图像，其中，src为数字图像，mask高亮区域图像， (i，j)为像素坐标，threshold为特征提取值；对所述数字采集视频的每一帧图像的全部像素点进行高斯混合建模，并通过遍历每一帧的像素值不属于第一预设阈值区间的像素点得到每一帧的运动区域图像；逐帧基于所述高亮区域图像及其对应帧的所述运动区域图像生成多个掩膜区域图像；基于所述多个掩膜区域图像生成所述火焰区域掩膜视频。
可选地对所述数字采集视频的每一帧图像的全部像素点进行高斯混合建模，并通过遍历每一帧的像素值不属于第一预设阈值区间的像素点得到每一帧的运动区域图像包括：利用公式
Figure RE-GDA0002884911380000022
更新像素点的像素值的概率分布，其中，p(x)为像素点(i，j)像素值的概率分布，由K个高斯分布的线性组合构成，αk为高斯分布系数，μk为高斯分布均值，σk为标准差；对于像素点(i，j)，其像素值为x，如果其满足|x-μk|≤D1σk，则x属于第k个高斯分布，该像素点(i，j) 为背景点，否则像素点(i，j)为前景点，其中，D1为常数；遍历每一帧的全部前景点生成每一帧的运动区域图像。
可选地，通过对所述火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的所述火焰区域RGB视频包括：将所述数字采集视频和所述RGB采集视频逐帧分解为多个帧相同的数字图像和RGB图像对；基于所述数字图像和RGB图像对进行特征点检测和特征点匹配，建立所述数字图像和RGB图像对中所述数字图像与所述RGB图像的映射关系；基于相同帧的所述掩膜区域图像、所述数字图像和RGB 图像对和所述映射关系生成火焰区域RGB图像；重复上述步骤直至遍历生成全部帧的所述火焰区域RGB图像，并基于全部帧的所述火焰区域RGB图像生成所述火焰区域RGB视频。其中，可以利用Opencv的sift算法对所述数字图像和RGB图像对进行特征点检测和特征点匹配，建立所述数字图像和RGB图像对中所述数字图像与所述RGB图像的映射关系。
可选地，对所述火焰区域掩膜视频的有效性进行验证包括：获取火焰数据集；搭建基于CNN+RNN的神经网络模型Fire Detection；使用火焰数据集对Fire Detection模型进行训练；使用Fire Detection模型对所述火焰区域掩膜视频进行验证。
相应的，本发明提供，一种火焰检测系统，包括：第一摄像单元，设置有滤光片，用于获取待检测区域的数字采集视频；第二摄像单元，用于获取所述待检测区域的RGB采集视频；数据处理单元，用于对所述数字采集视频进行高亮区域检测和运动区域检测生成火焰区域掩膜视频，并通过对所述火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的火焰区域RGB视频，且对所述火焰区域掩膜视频的有效性进行验证并生成包含火焰区域RGB视频的预警信息。
可选地，所述数据处理单元生成所述火焰区域掩膜视频包括：将所述数字采集视频逐帧分解为多个数字图像；利用公式
Figure RE-GDA0002884911380000031
逐一处理全部所述数字图像并生成多个高亮区域图像，其中，src为数字图像，mask 高亮区域图像，(i，j)为像素坐标，threshold为特征提取值；对所述数字采集视频的每一帧图像的全部像素点进行高斯混合建模，并通过遍历每一帧的像素值不属于第一预设阈值区间的像素点得到每一帧的运动区域图像；逐帧基于所述高亮区域图像及其对应帧的所述运动区域图像生成多个掩膜区域图像；基于所述多个掩膜区域图像生成所述火焰区域掩膜视频。
可选地，对所述数字采集视频的每一帧图像的全部像素点进行高斯混合建模，并通过遍历每一帧的像素值不属于第一预设阈值区间的像素点得到每一帧的运动区域图像包括：利用公式
Figure RE-GDA0002884911380000041
更新像素点的像素值的概率分布，其中，p(x)为像素点(i，j)像素值的概率分布，由K个高斯分布的线性组合构成，αk为高斯分布系数，μk为高斯分布均值，σk为标准差；对于像素点(i，j)，其像素值为x，如果其满足|x-μk|≤D1σk，则x属于第k个高斯分布，该像素点(i，j) 为背景点，否则像素点(i，j)为前景点，其中，D1为常数；遍历每一帧的全部前景点生成每一帧的运动区域图像。
可选地，所述数据处理单元对所述火焰区域掩膜视频进行视角变换获取RGB 采集视频中包含的所述火焰区域RGB视频包括：将所述数字采集视频和所述RGB 采集视频逐帧分解为多个帧相同的数字图像和RGB图像对；基于所述数字图像和 RGB图像对进行特征点检测和特征点匹配，建立所述数字图像和RGB图像对中所述数字图像与所述RGB图像的映射关系；基于相同帧的所述掩膜区域图像、所述数字图像和RGB图像对和所述映射关系生成火焰区域RGB图像；重复上述步骤直至遍历生成全部帧的所述火焰区域RGB图像，并基于全部帧的所述火焰区域RGB 图像生成所述火焰区域RGB视频。
可选地，所述火焰检测系统还包括用于对所述火焰区域掩膜视频的有效性进行验证的神经网络单元，其中，所述神经网络单元获取火焰数据集，搭建基于 CNN+RNN的神经网络模型Fire Detection；，并使用火焰数据集对Fire Detection模型进行训练，通过FireDetection模型对所述火焰区域掩膜视频进行验证。
本发明的首要改进之处为提供的火焰检测方法及其系统，通过设置第一摄像单元获取过滤干扰区域的数字采集视频，并通过高亮区域检测作为火焰区域判定第一条件以及通过运动区域检测作为火焰区域判定第二条件，有效的提升了火焰区域的检测精度。同时，通过对火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的火焰区域RGB视频作为证据，使得用户能够根据RGB视频判定火焰起因。
附图说明
图1是本发明的火焰检测方法的简化流程图；和
图2是本发明的火焰检测的简化模块连接图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示，一种火焰检测方法，包括：基于第一摄像单元和第二摄像单元获取包含同一待检测区域的数字采集视频和RGB采集视频；通过对所述数字采集视频进行高亮区域检测和运动区域检测生成火焰区域掩膜视频；通过对所述火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的火焰区域RGB视频；对所述火焰区域掩膜视频的有效性进行验证并生成包含火焰区域RGB视频的预警信息。其中，对所述火焰区域掩膜视频的有效性进行验证包括：获取火焰数据集；搭建基于CNN+RNN的神经网络模型Fire Detection；使用火焰数据集对Fire Detection模型进行训练；使用Fire Detection模型对所述火焰区域掩膜视频进行验证。具体的，所述神经网络模型Fire Detection的工作步骤为输入N张连续RGB火焰区域图片，通过CNN模块对每张图像进行特征提取，然后对N张图片形成的特征序列通过RNN 模型进行分类，判断该序列是否为火焰，其中N为常数，取值可以是10。
具体的，第一摄像单元和第二摄像单元均为常规的RGB摄像头，第一摄像单元的探头处设置有950nm滤光片，使得第一摄像单元采集的视频能够将波长低于950nm的光波全部过滤掉，只留下红外波，而只有热源才能够辐射红外波，从而在视频中去除掉干扰信息，产生近似黑白图像的数字采集视频。
但是发明人在实际试验中发现热源可能不仅火焰这一种，因此仅通过高亮区域检测无法准确获取火焰区域，因此本发明通过设置第一摄像单元获取过滤干扰区域的数字采集视频，并通过高亮区域检测作为火焰区域判定第一条件以及通过运动区域检测作为火焰区域判定第二条件，有效的提升了火焰区域的检测精度。同时，通过对火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的火焰区域RGB视频作为证据，使得用户能够根据RGB视频判定火焰起因。
进一步的，生成所述火焰区域掩膜视频包括：将所述数字采集视频逐帧分解为多个数字图像；利用公式
Figure RE-GDA0002884911380000061
逐一处理全部所述数字图像并生成多个高亮区域图像，其中，src为数字图像，mask高亮区域图像，(i，j)为像素坐标，threshold为特征提取值，可以是160；对所述数字采集视频的每一帧图像的全部像素点进行高斯混合建模，并通过遍历每一帧的像素值不属于第一预设阈值区间的像素点得到每一帧的运动区域图像；逐帧基于所述高亮区域图像及其对应帧的所述运动区域图像生成多个掩膜区域图像；基于所述多个掩膜区域图像生成所述火焰区域掩膜视频。其中，对所述数字采集视频的每一帧图像的全部像素点进行高斯混合建模，并通过遍历每一帧的像素值不属于第一预设阈值区间的像素点得到每一帧的运动区域图像包括：利用公式
Figure RE-GDA0002884911380000062
更新像素点的像素值的概率分布，其中，p(x)为像素点(i，j)像素值的概率分布，由 K个高斯分布的线性组合构成，αk为高斯分布系数，μk为高斯分布均值，σk为标准差；对于像素点(i，j)，其像素值为x，如果其满足|x-μk|≤D1σk，则x属于第k 个高斯分布，该像素点(i，j)为背景点，否则像素点(i，j)为前景点，D1为常数；遍历每一帧的全部前景点生成每一帧的运动区域图像。其中，D1可以是2.5，第一预设阈值区间被定义为由|x-μk|≤D1σk限定，满足该公式的像素点(i，j)的像素值x的阈值区间即为所述第一预设阈值区间。
更进一步的，通过对所述火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的所述火焰区域RGB视频包括：将所述数字采集视频和所述RGB采集视频逐帧分解为多个帧相同的数字图像和RGB图像对；基于所述数字图像和RGB图像对进行特征点检测和特征点匹配，建立所述数字图像和RGB图像对中所述数字图像与所述RGB图像的映射关系；基于相同帧的所述掩膜区域图像、所述数字图像和RGB图像对和所述映射关系生成火焰区域RGB图像；重复上述步骤直至遍历生成全部帧的所述火焰区域RGB图像，并基于全部帧的所述火焰区域RGB图像生成所述火焰区域RGB视频。
相应的，本发明提供，如图2所示，一种火焰检测系统，包括：第一摄像单元，设置有滤光片，用于获取待检测区域的数字采集视频；第二摄像单元，用于获取所述待检测区域的RGB采集视频；数据处理单元，用于对所述数字采集视频进行高亮区域检测和运动区域检测生成火焰区域掩膜视频，并通过对所述火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的火焰区域RGB视频，且对所述火焰区域掩膜视频的有效性进行验证并生成包含火焰区域RGB视频的预警信息。其中，所述火焰检测系统还包括用于对所述火焰区域掩膜视频的有效性进行验证的神经网络单元，其中，所述神经网络单元获取火焰数据集，搭建基于CNN+RNN的神经网络模型Fire Detection；，并使用火焰数据集对Fire Detection模型进行训练，通过Fire Detection模型对所述火焰区域掩膜视频进行验证。具体的，所述数据处理单元分别与第一摄像单元、第二摄像单元、神经网络单元和终端建立通信连接，在所述数据处理单元生成所述预警信息时将所述预警信息传输至所述终端。
进一步的，所述数据处理单元生成所述火焰区域掩膜视频包括：将所述数字采集视频逐帧分解为多个数字图像；利用公式
Figure RE-GDA0002884911380000081
逐一处理全部所述数字图像并生成多个高亮区域图像，其中，src为数字图像，mask 高亮区域图像，(i，j)为像素坐标，threshold为特征提取值；对所述数字采集视频的每一帧图像的全部像素点进行高斯混合建模，并通过遍历每一帧的像素值不属于第一预设阈值区间的像素点得到每一帧的运动区域图像；逐帧基于所述高亮区域图像及其对应帧的所述运动区域图像生成多个掩膜区域图像；基于所述多个掩膜区域图像生成所述火焰区域掩膜视频。其中，对所述数字采集视频的每一帧图像的全部像素点进行高斯混合建模，并通过遍历每一帧的像素值不属于第一预设阈值区间的像素点得到每一帧的运动区域图像包括：利用公式
Figure RE-GDA0002884911380000082
更新像素点的像素值的概率分布，其中，p(x)为像素点(i，j)像素值的概率分布，由K 个高斯分布的线性组合构成，αk为高斯分布系数，μk为高斯分布均值，σk为标准差；对于像素点(i，j)，其像素值为x，如果其满足|x-μk|≤D1σk，则x属于第k个高斯分布，该像素点(i，j)为背景点，否则像素点(i，j)为前景点，其中，D1为常数；遍历每一帧的全部前景点生成每一帧的运动区域图像。
更进一步的，所述数据处理单元对所述火焰区域掩膜视频进行视角变换获取 RGB采集视频中包含的所述火焰区域RGB视频包括：将所述数字采集视频和所述 RGB采集视频逐帧分解为多个帧相同的数字图像和RGB图像对；基于所述数字图像和RGB图像对进行特征点检测和特征点匹配，建立所述数字图像和RGB图像对中所述数字图像与所述RGB图像的映射关系；基于相同帧的所述掩膜区域图像、所述数字图像和RGB图像对和所述映射关系生成火焰区域RGB图像；重复上述步骤直至遍历生成全部帧的所述火焰区域RGB图像，并基于全部帧的所述火焰区域 RGB图像生成所述火焰区域RGB视频。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种火焰检测方法，其特征在于，包括：
基于第一摄像单元和第二摄像单元获取包含同一待检测区域的数字采集视频和RGB采集视频；
通过对所述数字采集视频进行高亮区域检测和运动区域检测生成火焰区域掩膜视频；
通过对所述火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的火焰区域RGB视频；
对所述火焰区域掩膜视频的有效性进行验证并生成包含火焰区域RGB视频的预警信息。
2.根据权利要求1所述的火焰检测方法，其特征在于，生成所述火焰区域掩膜视频包括：
将所述数字采集视频逐帧分解为多个数字图像；
利用公式
Figure RE-FDA0002884911370000011
逐一处理全部所述数字图像并生成多个高亮区域图像，其中，src为数字图像，mask高亮区域图像，(i，j)为像素坐标，threshold为特征提取值；
对所述数字采集视频的每一帧图像的全部像素点进行高斯混合建模，并通过遍历每一帧的像素值不属于第一预设阈值区间的像素点得到每一帧的运动区域图像；
逐帧基于所述高亮区域图像及其对应帧的所述运动区域图像生成多个掩膜区域图像；
基于所述多个掩膜区域图像生成所述火焰区域掩膜视频。
3.根据权利要求2所述的火焰检测方法，其特征在于，对所述数字采集视频的每一帧图像的全部像素点进行高斯混合建模，并通过遍历每一帧的像素值不属于第一预设阈值区间的像素点得到每一帧的运动区域图像包括：
利用公式
Figure RE-FDA0002884911370000021
更新像素点的像素值的概率分布，其中，p(x)为像素点(i，j)像素值的概率分布，由K个高斯分布的线性组合构成，αk为高斯分布系数，μk为高斯分布均值，σk为标准差；
对于像素点(i，j)，其像素值为x，如果其满足|x-μk|≤D1σk，则x属于第k个高斯分布，该像素点(i，j)为背景点，否则像素点(i，j)为前景点，其中，D1为常数；
遍历每一帧的全部前景点生成每一帧的运动区域图像。
4.根据权利要求3所述的火焰检测方法，其特征在于，通过对所述火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的所述火焰区域RGB视频包括：
将所述数字采集视频和所述RGB采集视频逐帧分解为多个帧相同的数字图像和RGB图像对；
基于所述数字图像和RGB图像对进行特征点检测和特征点匹配，建立所述数字图像和RGB图像对中所述数字图像与所述RGB图像的映射关系；
基于相同帧的所述掩膜区域图像、所述数字图像和RGB图像对和所述映射关系生成火焰区域RGB图像；
重复上述步骤直至遍历生成全部帧的所述火焰区域RGB图像，并基于全部帧的所述火焰区域RGB图像生成所述火焰区域RGB视频。
5.根据权利要求4所述的火焰检测方法，其特征在于，对所述火焰区域掩膜视频的有效性进行验证包括：
获取火焰数据集；
搭建基于CNN+RNN的神经网络模型Fire Detection；
使用火焰数据集对Fire Detection模型进行训练；
使用Fire Detection模型对所述火焰区域掩膜视频进行验证。
6.一种火焰检测系统，其特征在于，包括：
第一摄像单元，设置有滤光片，用于获取待检测区域的数字采集视频；
第二摄像单元，用于获取所述待检测区域的RGB采集视频；
数据处理单元，用于对所述数字采集视频进行高亮区域检测和运动区域检测生成火焰区域掩膜视频，并通过对所述火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的火焰区域RGB视频，且对所述火焰区域掩膜视频的有效性进行验证并生成包含火焰区域RGB视频的预警信息。
7.根据权利要求6所述的火焰检测系统，其特征在于，所述数据处理单元生成所述火焰区域掩膜视频包括：将所述数字采集视频逐帧分解为多个数字图像；利用公式
Figure RE-FDA0002884911370000031
逐一处理全部所述数字图像并生成多个高亮区域图像，其中，src为数字图像，mask高亮区域图像，(i，j)为像素坐标，threshold为特征提取值；对所述数字采集视频的每一帧图像的全部像素点进行高斯混合建模，并通过遍历每一帧的像素值不属于第一预设阈值区间的像素点得到每一帧的运动区域图像；逐帧基于所述高亮区域图像及其对应帧的所述运动区域图像生成多个掩膜区域图像；基于所述多个掩膜区域图像生成所述火焰区域掩膜视频。
8.根据权利要求7所述的火焰检测系统，其特征在于，所述数据处理单元更新像素值包括：
利用公式
Figure RE-FDA0002884911370000032
更新像素点的像素值的概率分布，其中，p(x)为像素点(i，j)像素值的概率分布，由K个高斯分布的线性组合构成，αk为高斯分布系数，μk为高斯分布均值，σk为标准差；
对于像素点(i，j)，其像素值为x，如果其满足|x-μk|≤D1σk，则x属于第k个高斯分布，该像素点(i，j)为背景点，否则像素点(i，j)为前景点，其中，D1为常数；
遍历每一帧的全部前景点生成每一帧的运动区域图像。
9.根据权利要求6所述的火焰检测系统，其特征在于，所述数据处理单元对所述火焰区域掩膜视频进行视角变换获取RGB采集视频中包含的所述火焰区域RGB视频包括：将所述数字采集视频和所述RGB采集视频逐帧分解为多个帧相同的数字图像和RGB图像对；基于所述数字图像和RGB图像对进行特征点检测和特征点匹配，建立所述数字图像和RGB图像对中所述数字图像与所述RGB图像的映射关系；基于相同帧的所述掩膜区域图像、所述数字图像和RGB图像对和所述映射关系生成火焰区域RGB图像；重复上述步骤直至遍历生成全部帧的所述火焰区域RGB图像，并基于全部帧的所述火焰区域RGB图像生成所述火焰区域RGB视频。
10.根据权利要求8所述的火焰检测系统，其特征在于，所述火焰检测系统还包括用于对所述火焰区域掩膜视频的有效性进行验证的神经网络单元，其中，
所述神经网络单元获取火焰数据集，搭建基于CNN+RNN的神经网络模型FireDetection；，并使用火焰数据集对Fire Detection模型进行训练，通过Fire Detection模型对所述火焰区域掩膜视频进行验证。
CN202011247197.0A 2020-11-10 2020-11-10 一种火焰检测方法及其系统 Pending CN112446304A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011247197.0A CN112446304A (zh) 2020-11-10 2020-11-10 一种火焰检测方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011247197.0A CN112446304A (zh) 2020-11-10 2020-11-10 一种火焰检测方法及其系统

Publications (1)

Publication Number Publication Date
CN112446304A true CN112446304A (zh) 2021-03-05

Family

ID=74736251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011247197.0A Pending CN112446304A (zh) 2020-11-10 2020-11-10 一种火焰检测方法及其系统

Country Status (1)

Country Link
CN (1) CN112446304A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758139A (zh) * 2022-06-16 2022-07-15 成都鹏业软件股份有限公司 基坑积水检测方法
CN115228027A (zh) * 2022-04-29 2022-10-25 三一汽车制造有限公司 消防控制方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115228027A (zh) * 2022-04-29 2022-10-25 三一汽车制造有限公司 消防控制方法及系统
CN114758139A (zh) * 2022-06-16 2022-07-15 成都鹏业软件股份有限公司 基坑积水检测方法
CN114758139B (zh) * 2022-06-16 2022-10-21 成都鹏业软件股份有限公司 基坑积水检测方法

Similar Documents

Publication Publication Date Title
CN111739250B (zh) 结合图像处理技术与红外传感器的火灾探测方法及系统
KR101237089B1 (ko) 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법
CN109299703B (zh) 对鼠情进行统计的方法、装置以及图像采集设备
CN111579083B (zh) 基于红外图像人脸检测的体温测量的方法和装置
CN111339951A (zh) 体温测量方法、装置及系统
CN111122490B (zh) 一种室内气体泄漏信息采集方法及其装置
CN107622497B (zh) 图像裁剪方法、装置、计算机可读存储介质和计算机设备
CN112446304A (zh) 一种火焰检测方法及其系统
CN112149513A (zh) 基于深度学习的工业制造现场安全帽佩戴识别系统和方法
CN107862713B (zh) 针对轮询会场的摄像机偏转实时检测预警方法及模块
CN115171361B (zh) 一种基于计算机视觉的危险行为智能检测预警方法
CN112131976B (zh) 一种自适应人像温度匹配和口罩识别方法及装置
CN112287867A (zh) 一种多摄像头的人体动作识别方法及装置
CN109698906A (zh) 基于图像的抖动处理方法及装置、视频监控系统
CN111488775A (zh) 注视度判断装置及方法
CN111259763A (zh) 目标检测方法、装置、电子设备及可读存储介质
CN111444837B (zh) 在极端环境下提升人脸检测可用性的测温方法及测温系统
CN116797977A (zh) 巡检机器人动态目标识别与测温方法、装置和存储介质
CN111461076A (zh) 帧差法与神经网络结合的烟雾检测方法和检测系统
CN107464225B (zh) 图像处理方法、装置、计算机可读存储介质和移动终端
CN107424134B (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
CN116630332B (zh) 一种基于图像处理的pvc塑料管口缺陷检测方法
CN110688926B (zh) 主体检测方法和装置、电子设备、计算机可读存储介质
CN115880643B (zh) 一种基于目标检测算法的社交距离监测方法和装置
CN116168345A (zh) 火灾检测方法及相关设备

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