CN112614165A - 烟火监控方法、装置、摄像机、电子装置和存储介质 - Google Patents
烟火监控方法、装置、摄像机、电子装置和存储介质 Download PDFInfo
- Publication number
- CN112614165A CN112614165A CN202011404560.5A CN202011404560A CN112614165A CN 112614165 A CN112614165 A CN 112614165A CN 202011404560 A CN202011404560 A CN 202011404560A CN 112614165 A CN112614165 A CN 112614165A
- Authority
- CN
- China
- Prior art keywords
- firework
- suspicious
- camera
- target
- monitoring
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000000779 smoke Substances 0.000 title claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013136 deep learning model Methods 0.000 claims description 14
- 238000012806 monitoring device Methods 0.000 claims description 10
- 230000000903 blocking effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
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)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Fire-Detection Mechanisms (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种烟火监控方法、装置、摄像机、电子装置和存储介质,其中,该烟火监控方法包括:获取主相机的第一拍摄画面的第一可疑烟火区域;对该主相机和从相机进行主从相机标定,根据主从相机标定的结果,将该第一可疑烟火区域中的可疑目标映射至该从相机的第二拍摄画面;根据该可疑目标获取该第二拍摄画面的第二烟火可疑区域,并对该第二烟火可疑区域进行烟火识别,进而得到烟火监控结果。通过本申请,解决了烟火监控的准确性低的问题,实现了全面、准确的烟火监控。
Description
技术领域
本申请涉及图像处理技术领域,特别是烟火监控方法、装置、摄像机、电子装置和存储介质。
背景技术
由于火灾具有突发性、灾害发生的随机性、短时间内能造成巨大损失的特点,因此一旦有烟火事件发生,必须以极快的速度采取扑救措施。扑救的及时性和准确性,大都取决于对火情的发现是否及时,分析是否准确合理,决策措施是否得当。随着安防设备以及智能功能的推广,越来越多的智能需求用于烟火事件预警,以减少生命财产损失。
在相关技术中,烟火监控方式包括视频监控、地面巡护和卫星遥感,视频监控就是利用长焦镜头配合低照度摄像机来获取图像,通过图像方式来识别烟火。这种方式的缺点是,由于是被动探测,夜间没有可见光,难以获得准确画面;在很多火灾中,很大一部分是由不明显的隐火引发的,人的肉眼或者用视频监控,一般很难发现隐性火灾苗头。探测距离较短,需要多地布点。地面巡护需要人力非常多,巡护面积小,视野小。卫星遥感方式的缺点是发现的时候,已经是大火,预警时间较晚,从而导致烟火监控的准确性较低。
目前针对相关技术中烟火监控的准确性低的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种烟火监控方法、装置、摄像机、电子装置和存储介质,以至少解决相关技术中烟火监控的准确性低的问题。
第一方面,本申请实施例提供了一种烟火监控方法,所述方法包括:
获取主相机的第一拍摄画面的第一可疑烟火区域;
对所述主相机和从相机进行主从相机标定,根据主从相机标定的结果,将所述第一可疑烟火区域中的可疑目标映射至所述从相机的第二拍摄画面;
根据所述可疑目标获取所述第二拍摄画面的第二烟火可疑区域,并对所述第二烟火可疑区域进行烟火识别,进而得到烟火监控结果。
在一个可行的实施例中,获取所述可疑目标还包括:
在获取所述第一可疑烟火区域失败的情况下,根据所述从相机的巡航结果获取所述可疑目标。
在一个可行的实施例中,所述获取主相机的第一拍摄画面的第一可疑烟火区域包括:
在所述主相机抖动的情况下,对所述第一拍摄画面进行分块处理以获得多个图像块;利用深度学习模型,对所述多个图像块进行识别,进而获得所述第一可疑烟火区域;或者,
在所述主相机静止的情况下,利用高斯背景建模获取运动区域,并利用所述深度学习模型,对所述运动区域进行识别,进而获得所述第一可疑烟火区域。
在一个可行的实施例中,所述对所述主相机和从相机进行主从相机标定包括:
将所述第一拍摄画面进行区域划分,以获得N块区域;其中,N为大于1的自然数;
将所述第二拍摄画面和对应的所述N块区域相重合;
利用最小二乘法,获取所述N块区域的像素坐标与所述第二拍摄画面之间的映射关系对,并完成所述主从相机标定。
在一个可行的实施例中,所述根据主从相机标定的结果,将所述第一可疑烟火区域中的可疑目标映射至所述从相机的第二拍摄画面包括:
获取所述可疑目标在所述第二拍摄画面中的尺寸结果;
利用所述映射关系对和所述尺寸结果将所述可疑目标映射至所述第二拍摄画面的中心,并根据预设目标尺寸和所述尺寸结果获取可疑目标倍率。
在一个可行的实施例中,所述对所述第二烟火可疑区域进行烟火识别,进而得到烟火监控结果之后,所述方法还包括:
根据所述烟火监控结果,对所述第二烟火可疑区域中检测到的烟火目标和人机非目标进行位置判别;
在根据位置判别的结果,检测到所述烟火目标和所述人机非目标在预设帧数范围内的重合度大于预设阈值的情况下,向终端发送特殊烟火事件的报警信息。
在一个可行的实施例中,所述对所述第二烟火可疑区域进行烟火识别包括:
对所述第二烟火可疑区域进行多帧时序的烟火识别。
第二方面,本申请实施例提供了一种烟火监控装置,所述装置包括:拍摄模块、标定模块和监控模块;
所述拍摄模块,用于获取主相机的第一拍摄画面的第一可疑烟火区域;
所述标定模块,用于对所述主相机和从相机进行主从相机标定,根据主从相机标定的结果,将所述第一可疑烟火区域中的可疑目标映射至所述从相机的第二拍摄画面;
所述监控模块,用于根据所述可疑目标获取所述第二拍摄画面的第二烟火可疑区域,并对所述第二烟火可疑区域进行烟火识别,进而得到烟火监控结果。
第三方面,本申请实施例提供了一种摄像机,所述摄像机包括:控制装置、主相机、以及从相机;
所述控制装置,分别连接于所述主相机和所述从相机,用于实现如上述第一方面所述的的烟火监控方法。
第四方面,本申请实施例提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的的烟火监控方法。
第五方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的的烟火监控方法。
相比于相关技术,本申请实施例提供的烟火监控方法、装置、摄像机、电子装置和存储介质,通过获取主相机的第一拍摄画面的第一可疑烟火区域;对该主相机和从相机进行主从相机标定,根据主从相机标定的结果,将该第一可疑烟火区域中的可疑目标映射至该从相机的第二拍摄画面;根据该可疑目标获取该第二拍摄画面的第二烟火可疑区域,并对该第二烟火可疑区域进行烟火识别,进而得到烟火监控结果,解决了烟火监控的准确性低的问题,实现了全面、准确的烟火监控。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种烟火监控方法的流程图;
图2是根据本申请实施例的另一种烟火监控方法的流程图;
图3是根据本申请实施例的又一种烟火监控方法的流程图;
图4是根据本申请实施例的再一种烟火监控方法的流程图;
图5是根据本申请优选实施例的一种烟火监控方法的流程图;
图6是根据本申请实施例的一种烟火监控装置的结构框图;
图7是根据本申请实施例的一种摄像机的结构框图;
图8是根据本申请实施例的一种计算机设备内部的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
在本实施例中,提供了一种烟火监控方法,图1是根据本申请实施例的一种烟火监控方法的流程图,如图1所示,该流程包括如下步骤:
步骤S102,获取主相机的第一拍摄画面的第一可疑烟火区域。其中,该主相机进行全局监控,对可疑目标进行监测识别,当发现可疑目标时,获取该主相机监控到的第一拍摄画面中包含有该可疑目标的第一可疑烟火区域。该主相机可以选用全景相机或广角相机等视场角较大的相机。
步骤S104,对该主相机和从相机进行主从相机标定,根据主从相机标定的结果,将该第一可疑烟火区域中的可疑目标映射至该从相机的第二拍摄画面。其中,当该主相机发现可疑目标时,通过上述主从相机标定,使得该可疑目标处于该第二拍摄画面中合适位置。该从相机可以选用球机或云台等可旋转变倍相机。
步骤S106,根据该可疑目标获取该第二拍摄画面的第二烟火可疑区域,并对该第二烟火可疑区域进行烟火识别,进而得到烟火监控结果。具体地,识别该第二拍摄画面,利用深度学习模型再次获取第二烟火可疑区域位置,并对该第二烟火可疑区域进行烟火识别,最终确定该可疑目标是否为烟火。需要说明的是,上述烟火识别方法可以为:采用Separable 3D CNN(简称为S3D)进行多帧时序烟火识别,每次选择8张图像作为一个序列进行识别。
在相关技术中,烟火监控通过范围有限且需要部署较多设备;而本申请实施例通过上述步骤S102至步骤S106,通过主从相机协同模式进行场景烟火监控,主相机发现可疑目标,通过主从标定联动从相机动作,使可疑目标映射到从相机的第二拍摄画面中,并在第二拍摄画面中进行烟火识别,上述方法采用主相机进行前期预检,能够覆盖较大场景,然后通过从相机进行二次确认,提高烟火事件监测的准确性,因此这种主从相机识别烟火的协调模式既能监控全局,实现较大场景覆盖,又能获取某一可疑区域细节信息,从而可以有效减少误报和漏报事件,解决了烟火监控的准确性低的问题,实现了全面、准确的烟火监控。
在一个可行的实施例中,获取该可疑目标还包括如下步骤:在获取该第一可疑烟火区域失败的情况下,根据该从相机的巡航结果获取该可疑目标。其中,如果获取该第一可疑烟火区域失败,说明此时主相机未发现可疑目标,则通过从相机覆盖主相机视野进行合适倍率的巡航,根据该从相机的巡航结果判断是否有可疑目标;如果判断发现可疑目标,则可以根据可疑目标的位置和宽高,使可疑目标处于从相机的第二拍摄画面中心并变倍到合适倍率,以对该第二烟火可疑区域中的可疑目标进行烟火识别。
在相关技术中,由于全景或者广角相机因为监控区域大,烟火目标小,容易造成误报和漏报;而本申请通过上述实施例,在主相机获取包含有可疑目标的第一可疑烟火区域失败的情况下通过从相机巡航获取可疑目标,从而避免了出现主相机漏报导致的烟火监控出错的问题,有效提高了烟火监控的准确性。
在一个可行的实施例中,提供了一种烟火监控方法,图2是根据本申请实施例的另一种烟火监控方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,在该主相机抖动的情况下,对该第一拍摄画面进行分块处理以获得多个图像块;利用深度学习模型,对该多个图像块进行识别,进而获得该第一可疑烟火区域。
具体地,首先判断主相机是否存在相机抖动;例如,若该主相机存在大量运动区域,且当前图像和静止时保存的背景图像进行特征比的差异较大,则可以认为该主相机抖动,否则则认为该主相机静止。
若根据上述判断确定该主相机抖动,则将第一拍摄画面的图像按网络分辨率进行分块处理,得到多个图像块,且各图像块之间存在一定重叠;然后利用深度学习模型对每个图像块进行烟火识别,将识别后的结果计算到原始的第一拍摄画面的图像中,最终完成主相机的可疑目标确定,并得到包含该可疑目标的第一可疑烟火区域。
步骤S204,或者,在该主相机静止的情况下,利用高斯背景建模获取运动区域,并利用该深度学习模型,对该运动区域进行识别,进而获得该第一可疑烟火区域。
具体地,若根据上述判断确定该主相机静止,则采用高斯背景建模方式获取可疑烟火的运动区域,截取适应深度学习网络大小的运动区域的图像送入深度学习模型进行识别,将识别后的可疑目标计算返回第一拍摄画面的图像中,最终完成主相机的可疑目标确定,并得到包含该可疑目标的第一可疑烟火区域。
通过上述步骤S202至步骤S204,通过判别确定主相机是否存在抖动或静止,分别采取与判别结果相应的两个识别模式进行可疑目标确定,在主相机静止时采用将运动区域抠出送入深度学习网络的方式来提高烟火监控事件的召回率,减少漏报,在主相机抖动时采用图像分块模式,避免出现高分辨率图像中烟火较小且图像缩放引起的召回率降低问题,从而进一步提高了烟火监控的准确性。
在一个可行的实施例中,对该主相机和从相机进行主从相机标定包括如下步骤:将该第一拍摄画面进行区域划分,以获得N块区域;其中,N为大于1的自然数;将该第二拍摄画面和对应的该N块区域相重合;利用最小二乘法,获取该N块区域的像素坐标与该第二拍摄画面之间的映射关系对,并完成该主从相机标定。
具体地,以将该第一拍摄画面中的全景图像划分为8块区域为例,将从相机分别转动到8块区域中心位置,使各从相机的第二拍摄画面,与相对应的8块区域分块画面一一重合;将分块画面和第二拍摄画面进行特征提取、匹配,并采用最小二乘方法,确定每块区域的分块画面像素坐标与从相机PT之间的映射关系;完成上述全景图像的坐标(x,y)处于第二拍摄画面中心这一过程时,通过从相机对应的PT值,形成全景像素坐标和球机PT映射关系对(x,y;P,T)。
通过上述实施例,通过映射关系对实现主从相机标定,使得第一拍摄画面中的可疑目标可以快速、准确地映射到第二拍摄画面中的合适位置进行二次识别,从而提高了烟火监控的准确性和效率。
在一个可行的实施例中,提供了一种烟火监控方法,图3是根据本申请实施例的又一种烟火监控方法的流程图,如图3所示,该流程包括如下步骤:
步骤S302,对该主相机和从相机进行主从相机标定;获取该可疑目标在该第二拍摄画面中的尺寸结果。具体地,主从相机标定后,通过从相机旋转使第一拍摄画面中可疑目标的左上和右下顶点分别处于画面中心时,将从相机转动的PT角度分别记为(P1,T1),并记录当前倍率Z1。此时第二拍摄画面的图像宽为W,图像高为H,水平视场角为FW,垂直视场角为FH;该尺寸结果包括:可疑目标在该第二拍摄画面中的宽w1和高h1。粗略估计有:w1/P1=W/FW,h1/T1=H/FH。
步骤S304,利用该映射关系对和该尺寸结果将该可疑目标映射至该第二拍摄画面的中心,并根据预设目标尺寸和该尺寸结果获取可疑目标倍率。具体地,通过主从相机标定使该可疑目标处于第二拍摄画面的中心。并且,在通过上述步骤S302获取尺寸结果后,根据深度学习模型的检测需求,设置烟火识别效果较好的目标宽度w和目标高度h。粗略估算球机中可疑目标需要到合适的尺寸,球机倍率变换情况;w/w1为当前目标宽度需要变换的倍率,h/h1为当前目标高度需要变换的倍率;FW×w/w1为目标变化到合适大小时从相机的水平视场角,FH×h/h1为目标变化到合适大小时从相机的垂直视场角。根据从相机自身的倍率和视场角关系,最终得出使目标预测深度学习识别合适大小时的倍率Z2。
通过上述步骤S302至步骤S304,通过映射关系对在从相机的第二拍摄画面中将可疑目标居中,并且使该可疑目标在第二拍摄画面的图像中处于最佳大小,由于深度学习模型一般在检测目标大小合适时检测效果较好,因此上述方法有利于提高烟火识别中深度学习模型的检测效果,从而大大提升了烟火事件的召回率和准确性。
在一个可行的实施例中,提供了一种烟火监控方法,图4是根据本申请实施例的再一种烟火监控方法的流程图,如图4所示,该流程包括如下步骤:
步骤S402,根据该烟火监控结果,对该第二烟火可疑区域中检测到的烟火目标和人机非目标进行位置判别。其中,该人机非目标是指人体目标、机动车目标和非机动车目标。具体地,根据该烟火监控结果中的烟火位置信息,判断该烟火监控结果中检测到的烟火目标与人机非目标的位置是否相近。
步骤S404,在根据位置判别的结果,检测到该烟火目标和该人机非目标在预设帧数范围内的重合度大于预设阈值的情况下,向终端发送特殊烟火事件的报警信息。其中,该预设帧数范围和该预设阈值可以预先进行设置,例如可以将该预设帧数范围设置为50~100帧,或可以将该预设阈值设置为60%。具体地,如果检测到烟火目标框和机动车、非机动车目标框存在较大重合且持续多帧,则判断机动车、非机动车着火或冒烟,并将该类事件作为特殊烟火事件,通过该报警信息上报到终端上布置的烟火监控平台,例如,抓拍第一拍摄画面和第二拍摄画面,将抓拍的结果与算法报警一起推送到该烟火监控平台;否则作为普通烟火事件上报该烟火监控平台。
通过上述步骤S402至步骤S404,通过对该第二烟火可疑区域中检测到的烟火目标和人机非目标进行位置判别,从而实现了在从相机加入人机非非目标识别,能够结合烟火识别发现车辆冒烟或着火等事件,并且在发生上述事件时及时向终端发送特殊烟火事件的报警信息,避免了无法及时发现烟火产生的易燃易爆事件而对公众人身、财产造成的损害,有效提高了烟火监控的安全性。
下面结合实际应用场景对本发明的实施例进行详细说明。图5是根据本申请优选实施例的一种烟火监控方法的流程图,如图5所示,该流程包括如下步骤:
步骤S501,主从相机标定;其中,通过主从相机标定可以获取从相机同一目标不同像素大小下的倍率关系,以及完成主从相机标定后主相机像素坐标和该目标处于从相机机画面中心的PT映射关系。
步骤S502,判断主相机是否抖动。
步骤S503,若是,对主相机的第一拍摄画面的图像进行图像分块,各图像块进行深度学习烟火检测,最后将各个分块后图像检测结果计算回原始图像。
步骤S504,若否,进行背景建模获取运动区域,对运动区域进行烟火识别。
步骤S505,通过上述步骤S503和步骤步骤S504的计算结果,获取第一烟火可疑区域。
步骤S506,若主相机通过上述步骤S505发现可疑目标,利用步骤S501中完成的主从相机标定,使可疑目标清晰处于从相机的第二拍摄画面中心。
步骤S507,对步骤S506中的第二拍摄画面进行烟火识别,获取第二可疑烟火区域,对该区域采用多帧时序进行判别,最终确定该目标是否为烟火。
步骤S508,从相机标定;若主相机通过上述步骤S505未发现可疑目标,从相机覆盖主相机视野进行合适倍率的巡航;若从相机巡航时发现可疑目标,根据可疑目标的位置和宽高,使可疑目标处于球机画面中心并变倍到合适倍率,对可疑目标重复上述步骤S507。
步骤S509,对球机画面进行人机非识别,结合步骤d、e检测到烟火位置信息,判断是否为机动车、非机动车等产生的烟火;将与人机非目标相关的烟火作为特殊烟火事件,其余作为普通烟火事件,将主相机、从相机图像进行抓拍,和算法报警一起推送到终端。
应该理解的是,虽然图1至图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1至图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本实施例还提供了一种烟火监控装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本申请实施例的一种烟火监控装置的结构框图,如图6所示,该装置包括:拍摄模块62、标定模块64和监控模块66;该拍摄模块62,用于获取主相机的第一拍摄画面的第一可疑烟火区域;该标定模块64,用于对该主相机和从相机进行主从相机标定,根据主从相机标定的结果,将该第一可疑烟火区域中的可疑目标映射至该从相机的第二拍摄画面;该监控模块66,用于根据该可疑目标获取该第二拍摄画面的第二烟火可疑区域,并对该第二烟火可疑区域进行烟火识别,进而得到烟火监控结果。
通过上述实施例,通过主从相机协同模式进行场景烟火监控,拍摄模块62通过主相机发现可疑目标,标定模块64通过主从标定联动从相机动作,使可疑目标映射到从相机的第二拍摄画面中,监控模块66在第二拍摄画面中进行烟火识别,这种主从相机识别烟火的协调模式既能监控全局,实现较大场景覆盖,又能获取某一可疑区域细节信息,从而可以有效减少误报和漏报事件,解决了烟火监控的准确性低的问题,实现了全面、准确的烟火监控。
在一个可行的实施例中,该烟火监控装置还包括目标模块;该目标模块,用于在获取该第一可疑烟火区域失败的情况下,根据该从相机的巡航结果获取该可疑目标。
在一个可行的实施例中,该拍摄模块62还用于在该主相机抖动的情况下,对该第一拍摄画面进行分块处理以获得多个图像块;利用深度学习模型,对该多个图像块进行识别,进而获得该第一可疑烟火区域;或者,该拍摄模块62在该主相机静止的情况下,利用高斯背景建模获取运动区域,并利用该深度学习模型,对该运动区域进行识别,进而获得该第一可疑烟火区域。
在一个可行的实施例中,该标定模块64还用于将该第一拍摄画面进行区域划分,以获得N块区域;其中,N为大于1的自然数;该标定模块64将该第二拍摄画面和对应的该N块区域相重合;该标定模块64利用最小二乘法,获取该N块区域的像素坐标与该第二拍摄画面之间的映射关系对,并完成该主从相机标定。
在一个可行的实施例中,该标定模块64还用于获取该可疑目标在该第二拍摄画面中的尺寸结果;该标定模块64利用该映射关系对和该尺寸结果将该可疑目标映射至该第二拍摄画面的中心,并根据预设目标尺寸和该尺寸结果获取可疑目标倍率。
在一个可行的实施例中,该烟火监控装置还包括报警模块;该报警模块,用于根据该烟火监控结果,对该第二烟火可疑区域中检测到的烟火目标和人机非目标进行位置判别;该报警模块在根据位置判别的结果,检测到该烟火目标和该人机非目标在预设帧数范围内的重合度大于预设阈值的情况下,向终端发送特殊烟火事件的报警信息。
在一个可行的实施例中,该监控模块66还用于对该第二烟火可疑区域进行多帧时序的烟火识别。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种摄像机,图7是根据本申请实施例的一种摄像机的结构框图,如图7所示,该摄像机包括:控制装置74、主相机72、以及从相机76;该控制装置74,分别连接于该主相机72和该从相机76,用于执行上述任一项方法实施例中的步骤。
通过上述实施例,控制装置74通过主从相机协同模式进行场景烟火监控,主相机72发现可疑目标,控制装置74通过主从标定联动从相机动作,使可疑目标映射到从相机76的第二拍摄画面中,并在第二拍摄画面中进行烟火识别,这种主从相机识别烟火的协调模式既能监控全局,实现较大场景覆盖,又能获取某一可疑区域细节信息,从而可以有效减少误报和漏报事件,解决了烟火监控的准确性低的问题,实现了全面、准确的烟火监控。
本实施例还提供了一种计算机设备,该计算机设备可以是服务器,图8是根据本申请实施例的一种计算机设备内部的结构图,如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储可疑目标。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述烟火监控方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取主相机的第一拍摄画面的第一可疑烟火区域。
S2,对该主相机和从相机进行主从相机标定,根据主从相机标定的结果,将该第一可疑烟火区域中的可疑目标映射至该从相机的第二拍摄画面。
S3,根据该可疑目标获取该第二拍摄画面的第二烟火可疑区域,并对该第二烟火可疑区域进行烟火识别,进而得到烟火监控结果。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例中的烟火监控方法,本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种烟火监控方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种烟火监控方法,其特征在于,所述方法包括:
获取主相机的第一拍摄画面的第一可疑烟火区域;
对所述主相机和从相机进行主从相机标定,根据主从相机标定的结果,将所述第一可疑烟火区域中的可疑目标映射至所述从相机的第二拍摄画面;
根据所述可疑目标获取所述第二拍摄画面的第二烟火可疑区域,并对所述第二烟火可疑区域进行烟火识别,进而得到烟火监控结果。
2.根据权利要求1所述的烟火监控方法,其特征在于,获取所述可疑目标还包括:
在获取所述第一可疑烟火区域失败的情况下,根据所述从相机的巡航结果获取所述可疑目标。
3.根据权利要求1所述的烟火监控方法,其特征在于,所述获取主相机的第一拍摄画面的第一可疑烟火区域包括:
在所述主相机抖动的情况下,对所述第一拍摄画面进行分块处理以获得多个图像块;利用深度学习模型,对所述多个图像块进行识别,进而获得所述第一可疑烟火区域;或者,
在所述主相机静止的情况下,利用高斯背景建模获取运动区域,并利用所述深度学习模型,对所述运动区域进行识别,进而获得所述第一可疑烟火区域。
4.根据权利要求1所述的烟火监控方法,其特征在于,所述对所述主相机和从相机进行主从相机标定包括:
将所述第一拍摄画面进行区域划分,以获得N块区域;其中,N为大于1的自然数;
将所述第二拍摄画面和对应的所述N块区域相重合;
利用最小二乘法,获取所述N块区域的像素坐标与所述第二拍摄画面之间的映射关系对,并完成所述主从相机标定。
5.根据权利要求4所述的烟火监控方法,其特征在于,所述根据主从相机标定的结果,将所述第一可疑烟火区域中的可疑目标映射至所述从相机的第二拍摄画面包括:
获取所述可疑目标在所述第二拍摄画面中的尺寸结果;
利用所述映射关系对和所述尺寸结果将所述可疑目标映射至所述第二拍摄画面的中心,并根据预设目标尺寸和所述尺寸结果获取可疑目标倍率。
6.根据权利要求1所述的烟火监控方法,其特征在于,所述对所述第二烟火可疑区域进行烟火识别,进而得到烟火监控结果之后,所述方法还包括:
根据所述烟火监控结果,对所述第二烟火可疑区域中检测到的烟火目标和人机非目标进行位置判别;
在根据位置判别的结果,检测到所述烟火目标和所述人机非目标在预设帧数范围内的重合度大于预设阈值的情况下,向终端发送特殊烟火事件的报警信息。
7.根据权利要求1至6任一项所述的烟火监控方法,其特征在于,所述对所述第二烟火可疑区域进行烟火识别包括:
对所述第二烟火可疑区域进行多帧时序的烟火识别。
8.一种烟火监控装置,其特征在于,所述装置包括:拍摄模块、标定模块和监控模块;
所述拍摄模块,用于获取主相机的第一拍摄画面的第一可疑烟火区域;
所述标定模块,用于对所述主相机和从相机进行主从相机标定,根据主从相机标定的结果,将所述第一可疑烟火区域中的可疑目标映射至所述从相机的第二拍摄画面;
所述监控模块,用于根据所述可疑目标获取所述第二拍摄画面的第二烟火可疑区域,并对所述第二烟火可疑区域进行烟火识别,进而得到烟火监控结果。
9.一种摄像机,其特征在于,所述摄像机包括:控制装置、主相机、以及从相机;
所述控制装置,分别连接于所述主相机和所述从相机,用于执行权利要求1至7中任一项所述的烟火监控方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的烟火监控方法。
11.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至7中任一项所述的烟火监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011404560.5A CN112614165B (zh) | 2020-12-04 | 2020-12-04 | 烟火监控方法、装置、摄像机、电子装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011404560.5A CN112614165B (zh) | 2020-12-04 | 2020-12-04 | 烟火监控方法、装置、摄像机、电子装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112614165A true CN112614165A (zh) | 2021-04-06 |
CN112614165B CN112614165B (zh) | 2024-03-15 |
Family
ID=75229919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011404560.5A Active CN112614165B (zh) | 2020-12-04 | 2020-12-04 | 烟火监控方法、装置、摄像机、电子装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614165B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536918A (zh) * | 2021-06-10 | 2021-10-22 | 浙江大华技术股份有限公司 | 烟火检测方法、系统、电子装置和存储介质 |
CN113657305A (zh) * | 2021-08-20 | 2021-11-16 | 深圳技术大学 | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 |
CN115082834A (zh) * | 2022-07-20 | 2022-09-20 | 成都考拉悠然科技有限公司 | 一种基于深度学习工程车冒黑烟监测方法及系统 |
CN116071656A (zh) * | 2023-03-06 | 2023-05-05 | 河北工业大学 | 地下变电站红外图像积水检测智能报警方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751744A (zh) * | 2008-12-10 | 2010-06-23 | 中国科学院自动化研究所 | 一种烟雾检测和预警方法 |
CN101872526A (zh) * | 2010-06-01 | 2010-10-27 | 重庆市海普软件产业有限公司 | 基于可编程摄像技术的烟火智能识别方法 |
CN104581076A (zh) * | 2015-01-14 | 2015-04-29 | 国网四川省电力公司电力科学研究院 | 基于360度全景红外鱼眼摄像机之山火监控识别方法及装置 |
KR101624510B1 (ko) * | 2015-11-02 | 2016-05-26 | (주)코렉스시스템 | 다기능 범죄·화재감시 추적 시스템 |
CN105931409A (zh) * | 2016-05-30 | 2016-09-07 | 重庆大学 | 一种基于红外与可见光摄像机联动的森林火灾监测方法 |
KR20160118515A (ko) * | 2015-04-02 | 2016-10-12 | (주)이공감 | 화재감시 시스템 및 그 동작방법 |
CN107843939A (zh) * | 2017-10-24 | 2018-03-27 | 防灾科技学院 | 基于无人机热红外影像的煤火识别方法 |
CN108830305A (zh) * | 2018-05-30 | 2018-11-16 | 西南交通大学 | 一种结合dclrn网络和光流法的实时火灾监测方法 |
-
2020
- 2020-12-04 CN CN202011404560.5A patent/CN112614165B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751744A (zh) * | 2008-12-10 | 2010-06-23 | 中国科学院自动化研究所 | 一种烟雾检测和预警方法 |
CN101872526A (zh) * | 2010-06-01 | 2010-10-27 | 重庆市海普软件产业有限公司 | 基于可编程摄像技术的烟火智能识别方法 |
CN104581076A (zh) * | 2015-01-14 | 2015-04-29 | 国网四川省电力公司电力科学研究院 | 基于360度全景红外鱼眼摄像机之山火监控识别方法及装置 |
KR20160118515A (ko) * | 2015-04-02 | 2016-10-12 | (주)이공감 | 화재감시 시스템 및 그 동작방법 |
KR101624510B1 (ko) * | 2015-11-02 | 2016-05-26 | (주)코렉스시스템 | 다기능 범죄·화재감시 추적 시스템 |
CN105931409A (zh) * | 2016-05-30 | 2016-09-07 | 重庆大学 | 一种基于红外与可见光摄像机联动的森林火灾监测方法 |
CN107843939A (zh) * | 2017-10-24 | 2018-03-27 | 防灾科技学院 | 基于无人机热红外影像的煤火识别方法 |
CN108830305A (zh) * | 2018-05-30 | 2018-11-16 | 西南交通大学 | 一种结合dclrn网络和光流法的实时火灾监测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536918A (zh) * | 2021-06-10 | 2021-10-22 | 浙江大华技术股份有限公司 | 烟火检测方法、系统、电子装置和存储介质 |
CN113536918B (zh) * | 2021-06-10 | 2024-04-16 | 浙江华感科技有限公司 | 烟火检测方法、系统、电子装置和存储介质 |
CN113657305A (zh) * | 2021-08-20 | 2021-11-16 | 深圳技术大学 | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 |
CN113657305B (zh) * | 2021-08-20 | 2023-08-04 | 深圳技术大学 | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 |
CN115082834A (zh) * | 2022-07-20 | 2022-09-20 | 成都考拉悠然科技有限公司 | 一种基于深度学习工程车冒黑烟监测方法及系统 |
CN115082834B (zh) * | 2022-07-20 | 2023-03-17 | 成都考拉悠然科技有限公司 | 一种基于深度学习工程车冒黑烟监测方法及系统 |
CN116071656A (zh) * | 2023-03-06 | 2023-05-05 | 河北工业大学 | 地下变电站红外图像积水检测智能报警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112614165B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112614165A (zh) | 烟火监控方法、装置、摄像机、电子装置和存储介质 | |
CN110660186B (zh) | 基于雷达信号在视频图像中识别目标对象的方法及装置 | |
CN108521808B (zh) | 一种障碍信息显示方法、显示装置、无人机及系统 | |
EP3641298B1 (en) | Method and device for capturing target object and video monitoring device | |
CN101123722B (zh) | 全景视频智能监控方法和系统 | |
CN110738150B (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
CN111368615B (zh) | 一种违章建筑预警方法、装置及电子设备 | |
CN110491060B (zh) | 一种机器人及其安全监控方法、装置及存储介质 | |
TW201619910A (zh) | 監控系統及其影像處理方法 | |
CN111914819A (zh) | 一种多摄像头融合的人群密度预测方法、装置、存储介质及终端 | |
KR20120124785A (ko) | 물체의 이동 경로를 추적하는 물체 추적 시스템 및 그 방법 | |
CN107396069A (zh) | 监控展示方法、装置及系统 | |
CN112508865A (zh) | 一种无人机巡检避障方法、装置、计算机设备和存储介质 | |
US11386669B2 (en) | Building evacuation method and building evacuation system | |
CN110267010B (zh) | 图像处理方法、装置、服务器及存储介质 | |
CN110853002A (zh) | 一种基于双目视觉的变电站异物检测方法 | |
CN110557603A (zh) | 移动目标的监控方法、装置和可读存储介质 | |
CN114155595A (zh) | 行为检测监控方法、智能摄像头及智能监控系统 | |
CN116052103A (zh) | 监控数据处理方法、装置、计算机设备和存储介质 | |
CN113536980A (zh) | 拍摄行为检测方法、装置、电子装置和存储介质 | |
CN113518174A (zh) | 一种拍摄方法、装置及系统 | |
JP2006041939A (ja) | 監視装置及び監視プログラム | |
TWI542194B (zh) | 立體影像處理系統、裝置與方法 | |
JP4873229B2 (ja) | 監視映像処理装置及び方法 | |
KR102630275B1 (ko) | 다중카메라 화재감지기 |
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 |