CN112487994A - 一种烟火检测方法及系统、存储介质及终端 - Google Patents

一种烟火检测方法及系统、存储介质及终端 Download PDF

Info

Publication number
CN112487994A
CN112487994A CN202011386562.6A CN202011386562A CN112487994A CN 112487994 A CN112487994 A CN 112487994A CN 202011386562 A CN202011386562 A CN 202011386562A CN 112487994 A CN112487994 A CN 112487994A
Authority
CN
China
Prior art keywords
smoke
flame
video image
area
fire 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
Application number
CN202011386562.6A
Other languages
English (en)
Inventor
郭志辉
钟卫宁
李倩
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.)
Shanghai Yuan'an Intelligent Technology Co ltd
Original Assignee
Shanghai Yuan'an Intelligent Technology 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 Shanghai Yuan'an Intelligent Technology Co ltd filed Critical Shanghai Yuan'an Intelligent Technology Co ltd
Priority to CN202011386562.6A priority Critical patent/CN112487994A/zh
Publication of CN112487994A publication Critical patent/CN112487994A/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • 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
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明提供一种烟火检测方法及系统、存储介质及终端，包括以下步骤：获取包含有火焰和/或烟雾的视频图像；基于深度学习算法识别所述视频图像中的火焰区域和/或烟雾区域；基于计算机视觉技术从所述视频图像中剪裁出所述火焰区域和/或所述烟雾区域；基于所述火焰区域和/或所述烟雾区域进行火焰和/或烟雾检测。本发明的烟火检测方法及系统、存储介质及终端基于人工智能深度学习技术和计算机视觉技术实现对视频画面中烟雾和火焰的检测、定位和跟踪，准确度高，灵活性好，适用于应用场景广泛。

Description

一种烟火检测方法及系统、存储介质及终端
技术领域
本发明涉及图像处理的技术领域，特别是涉及一种烟火检测方法及系统、存储介质及终端。
背景技术
计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，就像人类和许多其他类生物每天所做的那样。
目前，基于计算机视觉的图像识别技术已经相对比较成熟。但是，对于火焰、烟雾的识别依然存在以下不足：
(1)基于单特征的识别算法存在效率低、耗时长、系统资源占用高等问题。
(2)基于单帧的识别算法使用边缘、纹理、亮度和运动特征的原始图像特征分析，在不同光照条件、背景条件下，如：背光、对比度，会产生不同程度的噪声影响。
(3)基于图像分割技术，采用阈值法、区域生长、边缘检测以及其他数学模型的算法，针对单一场景能取得较好的效果。但是，由于应用场景的多样性，当环境变化后，单一数学模型在更换场景后都存在各种不足。
(4)基于时间序列的多帧计算，随着摄像头画面清晰度的逐渐增加计算量级也呈几何级增长。也就是说，随着视频画面分辨率的增加，计算耗时会增加，计算效率会产生下降。
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烟火检测方法及系统、存储介质及终端，基于人工智能深度学习技术和计算机视觉技术实现对视频画面中烟雾和火焰的检测、定位和跟踪，准确度高，灵活性好，适用于应用场景广泛。
为实现上述目的及其他相关目的，本发明提供一种烟火检测方法，包括以下步骤：获取包含有火焰和/或烟雾的视频图像；基于深度学习算法识别所述视频图像中的火焰区域和/或烟雾区域；基于计算机视觉技术从所述视频图像中剪裁出所述火焰区域和/或所述烟雾区域；基于所述火焰区域和/或所述烟雾区域进行火焰和/或烟雾检测。
于本发明一实施例中，基于所述火焰区域进行火焰检测包括以下步骤：
提取所述火焰区域上的火焰关键点信息；
基于所述视频图像中前后帧的火焰关键点信息，将所述前后帧的火焰关键点信息进行集合运算，并将前帧关键点补集和后帧关键点补集作为火焰关键点变化信息；
对所述火焰关键点变化信息中的的每个火焰关键点进行过滤，将符合红绿分量和绿色分量特征的火焰关键点作为有效变化火焰关键点；
将前后帧火焰关键点并集和所有的有效变化火焰关键点进行连接，得到的封闭区间即为所述火焰区域。
于本发明一实施例中，基于计算机视觉应用OpenCV的特征检测器和特征分析器来提取所述火焰关键点信息。
于本发明一实施例中，基于所述烟雾区域进行烟雾检测包括以下步骤：
基于光流跟踪算法对所述烟雾区域进行烟雾识别；
对烟雾识别结果进行过滤和验证，以获取检测到的烟雾。
于本发明一实施例中，基于图像二值化、sobel和canny边缘提取、光流法、阈值法、区域生长、小波变换中的一种或多种进行过滤和验证。
于本发明一实施例中，基于DNN网络的目标检测算法来识别所述视频图像中的火焰区域和/或烟雾区域。
对应地，本发明提供一种烟火检测系统，包括获取模块、识别模块、裁剪模块和检测模块；
所述获取模块用于获取包含有火焰和/或烟雾的视频图像；
所述识别模块用于基于深度学习算法识别所述视频图像中的火焰区域和/或烟雾区域；
所述裁剪模块用于基于计算机视觉技术从所述视频图像中剪裁出所述火焰区域和/或所述烟雾区域；
所述检测模块用于基于所述火焰区域和/或所述烟雾区域进行火焰和/或烟雾检测。
本发明提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的烟火检测方法。
本发明提供一种烟火检测终端，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述烟火检测终端执行上述的烟火检测方法。
最后，本发明提供一种烟火检测系统，包括上述的烟火检测终端和视频图像采集装置；
所述视频图像采集装置用于采集包含有火焰和/或烟雾的视频图像，并发送至所述烟火检测终端。
如上所述，本发明的烟火检测方法及系统、存储介质及终端，具有以下有益效果：
(1)将人工智能和计算机视觉相结合，利用DNN强大的神经网络进行高效运算，克服了计算机视觉算法不能很好的适应各种差异化环境的问题，且通过深度学习及对样本的扩充，有效提高了各种环境下的准确率；
(2)仅需依靠普通网络摄像头，无需再增加传感器等其他设备进行辅助，从而减少不同设备之间配合不同步的问题，避免由此导致的可靠性下降的问题；
(3)准确度高，灵活性好，能够高度适应目标应用环境。
附图说明
图1显示为本发明的烟火检测方法于一实施例中的流程图；
图2显示为本发明的火焰检测方法于一实施例中的图像示意图；
图3显示为本发明的烟雾检测方法于一实施例中的图像示意图；
图4显示为本发明的烟火检测系统于一实施例中的结构示意图；
图5显示为本发明的烟火检测终端于一实施例中的结构示意图；
图6显示为本发明的烟火检测系统于一实施例中的结构示意图。
元件标号说明
41 获取模块
42 识别模块
43 裁剪模块
44 检测模块
51 处理器
52 存储器
61 烟火检测终端
62 视频图像采集装置
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。
需要说明的是，本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。
随着人工智能技术的飞速发展，大量深度神经网络(Deep Neural Network，DNN)技术不断被应用，类似YOLO(You only look once)、物体识别(Object detection)以及其他深度学习技术也更加成熟，各算法的计算效率和性能近几年也有数倍的提高。同时，用于人工智能应用(包括机器学习、深度学习)的硬件技术和种类也越来越多，硬件算力也有大幅度提高。因此，本发明的烟火检测方法及系统、存储介质及终端，本发明采用的人工智能和计算机视觉联合检测的方法基于人工智能深度学习技术和计算机视觉技术实现对视频画面中烟雾和火焰的检测、定位和跟踪，其中人工智能技术进行初步筛选，计算机视觉技术完成特征检测和分析，从而有效提高了准确度，灵活性好，适用于应用场景广泛。
如图1所示，于一实施例中，本发明的烟火检测方法包括以下步骤：
步骤S1、获取包含有火焰和/或烟雾的视频图像。
具体地，视频图像采集装置，如摄像头采集包含有火焰和/或烟雾的视频图像，并通过有线或无线的方式发送至本发明的烟火检测终端，以供所述烟火检测终端进行火焰和/或烟雾的检测。
步骤S2、基于深度学习算法识别所述视频图像中的火焰区域和/或烟雾区域。
对于深度学习算法，针对目标应用环境中的图片集进行深度学习和训练，通过正样本集的不断丰富，不断迭代训练和回归，能够更好的适应特定环境，彻底解决传统计算机视觉所面临的环境多样性问题；通过负样本的不断丰富、不断迭代和回归，能够有效降低干扰源带来的噪声影响。因此，通过训练好的深度学习算法能够有效提升火焰区域和/或烟雾区域的识别准确度。具体地，所述烟火检测终端采用深度学习算法，如DNN网络的目标检测算法来识别所述视频图像中的火焰区域和/或烟雾区域，从而实现火焰区域和/或烟雾区域的分类识别。
其中，所述DNN通过建立类似于人脑的分层网络模型结构，对输入数据逐级提取从底层到高层的特征，能够更好地获得从底层信号到高层语义的映射关系。卷积神经网络(Convolutional Neural Networks，CNN)作为其中最重要的网络模型之一，伴随大数据和高性能计算的驱动，在图像分类、物体识别方面取得突破性进展。ResNet解决了深度CNN模型难训练的问题，随着网络的加深，出现了训练集准确率下降的现象。为了克服这种由于网络深度加深而产生的学习效率变低，准确率无法有效提升的问题(也称为网络退化)，深度残差网络(Deep Residual Networks)应运而生，其允许网络尽可能的加深，如果网络已经到达最优，继续加深网络，residual mapping将被push为0，只剩下identity mapping，这样理论上网络一直处于最优状态了，网络的性能也就不会随着深度增加而降低了。ResNet通过加入shortcut connections变得更加容易被优化。
步骤S3、基于计算机视觉技术从所述视频图像中剪裁出所述火焰区域和/或所述烟雾区域。
具体地，采用计算机视觉技术从所述视频图像中裁剪所述火焰区域和/或所述烟雾区域。其中，对于所述火焰区域，通过使用YUV颜色编码体系进行变换，以火焰的红绿分量比，作为火焰区域进行评估。其中，火焰红绿分量(R)和蓝色分量(B)或者绿色分量(G)强度值在图像中的比例在一定的范围内，绿红分量面积比例作即为红绿分量比。对于所述烟雾区域，采用计算机视觉技术进行灰度化，以获取所述烟雾区域，便于后续检测。
步骤S4、基于所述火焰区域和/或所述烟雾区域进行火焰和/或烟雾检测。
具体地，在准确获取所述火焰区域和/或所述烟雾区域后，再进行火焰和/或烟雾的检测，从而有效提升检测的准确度。
于本发明一实施例中，基于所述火焰区域进行火焰检测包括以下步骤：
A)提取所述火焰区域上的火焰关键点信息。
具体地，基于计算机视觉应用OpenCV的特征检测器和特征分析器来提取所述火焰关键点信息。
B)基于所述视频图像中前后帧的火焰关键点信息，将所述前后帧的火焰关键点信息进行集合运算，并将前帧关键点补集和后帧关键点补集作为火焰关键点变化信息。
C)对所述火焰关键点变化信息中的的每个火焰关键点进行过滤，将符合红绿分量和绿色分量特征的火焰关键点作为有效变化火焰关键点。
D)将前后帧火焰关键点并集和所有的有效变化火焰关键点进行连接，得到的封闭区间即为所述火焰区域。
于本发明一实施例中，基于所述烟雾区域进行烟雾检测包括以下步骤：
a)基于光流跟踪算法对所述烟雾区域进行烟雾识别。
b)对烟雾识别结果进行过滤和验证，以获取检测到的烟雾。
于本发明一实施例中，本发明中所采用的过滤和验证方法包括图像二值化、sobel和canny边缘提取、光流法、阈值法、区域生长、小波变换中的一种或多种。
下面通过具体实施例来进一步阐述本发明的烟火检测方法。
如图2所示，对于图像A1和B1的火焰检测，裁剪得到的火焰区域分别为图像A2和B2，图像A3和B3中包含有火焰关键点信息，图像A4和B4为最终检测到的火焰图像。
如图3所示，对于图像C1和D1的烟雾检测，裁剪得到的烟雾区域分别为图像C2和D2，图像E为最终检测到的烟雾图像。
如图4所示，于一实施例中，本发明的烟火检测系统包括获取模块41、识别模块42、裁剪模块43和检测模块44。
所述获取模块41用于获取包含有火焰和/或烟雾的视频图像。
所述识别模块42与所述获取模块41相连，用于基于深度学习算法识别所述视频图像中的火焰区域和/或烟雾区域。
所述裁剪模块43与所述识别模块42相连，用于基于计算机视觉技术从所述视频图像中剪裁出所述火焰区域和/或所述烟雾区域。
所述检测模块44与所述裁剪模块43相连，用于基于所述火焰区域和/或所述烟雾区域进行火焰和/或烟雾检测。
其中，获取模块41、识别模块42、裁剪模块43和检测模块44的结构和原理与上述烟火检测方法中的步骤一一对应，故在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
本发明的存储介质存储有计算机程序，该程序被处理器执行时实现上述的烟火检测方法。所述存储介质包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图5所示，于一实施例中，本发明的烟火检测终端包括：处理器51及存储器52。
所述存储器52用于存储计算机程序。
所述存储器52包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器51与所述存储器52相连，用于执行所述存储器52存储的计算机程序，以使所述烟火检测终端执行上述的烟火检测方法。
优选地，所述处理器51可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称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。
如图6所示，于一实施例中，本发明的烟火检测系统包括上述的烟火检测终端61和视频图像采集装置62。
所述视频图像采集装置62与所述烟火检测终端61通过有线或无线方式相连，用于采集包含有火焰和/或烟雾的视频图像，并发送至所述烟火检测终端61。
优选地，所述视频图像采集装置62采用网络摄像头。
综上所述，本发明的烟火检测方法及系统、存储介质及终端将人工智能和计算机视觉相结合，利用DNN强大的神经网络进行高效运算，克服了计算机视觉算法不能很好的适应各种差异化环境的问题，且通过深度学习及对样本的扩充，有效提高了各种环境下的准确率；仅需依靠普通网络摄像头，无需再增加传感器等其他设备进行辅助，从而减少不同设备之间配合不同步的问题，避免由此导致的可靠性下降的问题；准确度高，灵活性好，能够高度适应目标应用环境。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
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)

1.一种烟火检测方法，其特征在于：包括以下步骤：
获取包含有火焰和/或烟雾的视频图像；
基于深度学习算法识别所述视频图像中的火焰区域和/或烟雾区域；
基于计算机视觉技术从所述视频图像中剪裁出所述火焰区域和/或所述烟雾区域；
基于所述火焰区域和/或所述烟雾区域进行火焰和/或烟雾检测。
2.根据权利要求1所述的烟火检测方法，其特征在于：基于所述火焰区域进行火焰检测包括以下步骤：
提取所述火焰区域上的火焰关键点信息；
基于所述视频图像中前后帧的火焰关键点信息，将所述前后帧的火焰关键点信息进行集合运算，并将前帧关键点补集和后帧关键点补集作为火焰关键点变化信息；
对所述火焰关键点变化信息中的的每个火焰关键点进行过滤，将符合红绿分量和绿色分量特征的火焰关键点作为有效变化火焰关键点；
将前后帧火焰关键点并集和所有的有效变化火焰关键点进行连接，得到的封闭区间即为所述火焰区域。
3.根据权利要求2所述的烟火检测方法，其特征在于：基于计算机视觉应用OpenCV的特征检测器和特征分析器来提取所述火焰关键点信息。
4.根据权利要求1所述的烟火检测方法，其特征在于：基于所述烟雾区域进行烟雾检测包括以下步骤：
基于光流跟踪算法对所述烟雾区域进行烟雾识别；
对烟雾识别结果进行过滤和验证，以获取检测到的烟雾。
5.根据权利要求2或4所述的烟火检测方法，其特征在于：基于图像二值化、sobel和canny边缘提取、光流法、阈值法、区域生长、小波变换中的一种或多种进行过滤和验证。
6.根据权利要求1所述的烟火检测方法，其特征在于：基于DNN网络的目标检测算法来识别所述视频图像中的火焰区域和/或烟雾区域。
7.一种烟火检测系统，其特征在于：包括获取模块、识别模块、裁剪模块和检测模块；
所述获取模块用于获取包含有火焰和/或烟雾的视频图像；
所述识别模块用于基于深度学习算法识别所述视频图像中的火焰区域和/或烟雾区域；
所述裁剪模块用于基于计算机视觉技术从所述视频图像中剪裁出所述火焰区域和/或所述烟雾区域；
所述检测模块用于基于所述火焰区域和/或所述烟雾区域进行火焰和/或烟雾检测。
8.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6中任一项所述的烟火检测方法。
9.一种烟火检测终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述烟火检测终端执行权利要求1至6中任一项所述的烟火检测方法。
10.一种烟火检测系统，其特征在于：包括权利要求9所述的烟火检测终端和视频图像采集装置；
所述视频图像采集装置用于采集包含有火焰和/或烟雾的视频图像，并发送至所述烟火检测终端。
CN202011386562.6A 2020-12-01 2020-12-01 一种烟火检测方法及系统、存储介质及终端 Pending CN112487994A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011386562.6A CN112487994A (zh) 2020-12-01 2020-12-01 一种烟火检测方法及系统、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011386562.6A CN112487994A (zh) 2020-12-01 2020-12-01 一种烟火检测方法及系统、存储介质及终端

Publications (1)

Publication Number Publication Date
CN112487994A true CN112487994A (zh) 2021-03-12

Family

ID=74938693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011386562.6A Pending CN112487994A (zh) 2020-12-01 2020-12-01 一种烟火检测方法及系统、存储介质及终端

Country Status (1)

Country Link
CN (1) CN112487994A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706815A (zh) * 2021-08-31 2021-11-26 沈阳二一三电子科技有限公司 一种结合YOLOv3和光流法的车辆火灾识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493980A (zh) * 2009-03-05 2009-07-29 中国科学技术大学 一种基于多特征融合的快速视频火焰探测方法
CN101814133A (zh) * 2009-12-04 2010-08-25 四川川大智胜软件股份有限公司 一种基于计算机视觉监视技术的火焰智能检测器
CN102163358A (zh) * 2011-04-11 2011-08-24 杭州电子科技大学 一种基于视频图像分析的烟雾/火焰检测方法
CN104091354A (zh) * 2014-07-30 2014-10-08 北京华戎京盾科技有限公司 一种基于视频图像的火灾检测方法及其火灾检测装置
CN109726620A (zh) * 2017-10-31 2019-05-07 北京国双科技有限公司 一种视频火焰检测方法及装置
CN110516609A (zh) * 2019-08-28 2019-11-29 南京邮电大学 一种基于图像多特征融合的火灾视频检测及预警方法
CN111126293A (zh) * 2019-12-25 2020-05-08 国网智能科技股份有限公司 一种火焰和烟雾异常情况检测方法及系统
CN111274896A (zh) * 2020-01-15 2020-06-12 深圳市守行智能科技有限公司 一种烟火识别算法
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493980A (zh) * 2009-03-05 2009-07-29 中国科学技术大学 一种基于多特征融合的快速视频火焰探测方法
CN101814133A (zh) * 2009-12-04 2010-08-25 四川川大智胜软件股份有限公司 一种基于计算机视觉监视技术的火焰智能检测器
CN102163358A (zh) * 2011-04-11 2011-08-24 杭州电子科技大学 一种基于视频图像分析的烟雾/火焰检测方法
CN104091354A (zh) * 2014-07-30 2014-10-08 北京华戎京盾科技有限公司 一种基于视频图像的火灾检测方法及其火灾检测装置
CN109726620A (zh) * 2017-10-31 2019-05-07 北京国双科技有限公司 一种视频火焰检测方法及装置
CN110516609A (zh) * 2019-08-28 2019-11-29 南京邮电大学 一种基于图像多特征融合的火灾视频检测及预警方法
CN111126293A (zh) * 2019-12-25 2020-05-08 国网智能科技股份有限公司 一种火焰和烟雾异常情况检测方法及系统
CN111274896A (zh) * 2020-01-15 2020-06-12 深圳市守行智能科技有限公司 一种烟火识别算法
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张霞等: "结合LBP直方图和SVM的视频火焰检测", 《计算机应用与软件》, no. 08, 15 August 2016 (2016-08-15) *
沈诗林等: "一种基于质心距脉动特征的火焰轮廓识别算法", 《安全与环境学报》, no. 01, 25 February 2009 (2009-02-25) *
罗伊·希尔克罗特等: "《深入理解OpenCV》", 上海财经大学出版社 *
蒋先刚等: "《基于稀疏表达的火焰与烟雾探测方法研究》", 30 September 2014, pages: 30 *
陈宁等: "一种改进的帧差法实现火焰目标分割", 《火灾科学》, no. 04, 15 October 2012 (2012-10-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706815A (zh) * 2021-08-31 2021-11-26 沈阳二一三电子科技有限公司 一种结合YOLOv3和光流法的车辆火灾识别方法

Similar Documents

Publication Publication Date Title
Yeh et al. Lightweight deep neural network for joint learning of underwater object detection and color conversion
CN109344701B (zh) 一种基于Kinect的动态手势识别方法
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
CN108717524B (zh) 一种基于双摄手机和人工智能系统的手势识别系统
CN111126379A (zh) 一种目标检测方法与装置
US10614736B2 (en) Foreground and background detection method
CN112329702B (zh) 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质
CN114783003B (zh) 一种基于局部特征注意力的行人重识别方法和装置
CN110689021A (zh) 一种基于深度学习的低可见度环境下实时目标检测方法
Geng et al. Using deep learning in infrared images to enable human gesture recognition for autonomous vehicles
CN110929593A (zh) 一种基于细节辨别区别的实时显著性行人检测方法
Lyu et al. Small object recognition algorithm of grain pests based on SSD feature fusion
CN109190456B (zh) 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法
CN111445459A (zh) 一种基于深度孪生网络的图像缺陷检测方法及系统
CN110929685A (zh) 基于混合特征金字塔和混合膨胀卷积的行人检测网络结构
CN110532959B (zh) 基于双通道三维卷积神经网络的实时暴力行为检测系统
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
CN113011253B (zh) 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质
Baek et al. Multimodal camera-based gender recognition using human-body image with two-step reconstruction network
Zhong et al. T-net: Effective permutation-equivariant network for two-view correspondence learning
Liu et al. Two-stream refinement network for RGB-D saliency detection
CN116229406B (zh) 车道线检测方法、系统、电子设备及存储介质
CN112487994A (zh) 一种烟火检测方法及系统、存储介质及终端
CN112883940A (zh) 静默活体检测方法、装置、计算机设备及存储介质

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