CN112733766A - 基于像素技术的视频火焰检测方法及装置和设备 - Google Patents
基于像素技术的视频火焰检测方法及装置和设备 Download PDFInfo
- Publication number
- CN112733766A CN112733766A CN202110056646.1A CN202110056646A CN112733766A CN 112733766 A CN112733766 A CN 112733766A CN 202110056646 A CN202110056646 A CN 202110056646A CN 112733766 A CN112733766 A CN 112733766A
- Authority
- CN
- China
- Prior art keywords
- flame
- pixel
- image data
- channel data
- identified
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000005516 engineering process Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000000926 separation method Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 20
- 238000009499 grossing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于像素技术的视频火焰检测方法,包括:将采集到的监测区域的图像数据按照RGB颜色模型分离为R通道数据、G通道数据和B通道数据;基于R通道数据、G通道数据和B通道数据,结合HSI颜色模型对图像数据中的各像素点进行检测判断,检测并识别出图像数据中的火焰像素;根据检测识别出的火焰像素,确定图像数据中的火焰区域。其通过分离得到的RGB通道数据对图像数据中的像素点进行检测识别,并根据检测识别出的对应为火焰的像素点确定图像数据中的火焰区域,实现了由图像数据中自动识别出火焰区域的功能。并且,由图像数据中各像素点出发,对图像数据中的像素点进行是否对应为火焰的检测识别,最终得到的检测结果更加准确。
Description
技术领域
本申请涉及安全防护技术领域,尤其涉及一种基于像素技术的视频火焰检测方法及装置和设备。
背景技术
森林火灾位居破坏森林的三大自然灾害(病害、虫害、火灾)之首,其不仅给人类的经济建设造成巨大损失,破坏生态环境,而且还会威胁到人民生命财产安全。目前,在森林火灾防护方式中可以通过森林防火智能视频监控系统,由森林防火智能视频监控系统采集森林监控区域的图像或视频,然后通过所采集到的图像或视频进行火灾区域的识别。在相关技术中,通过森林防火智能视频监控系统进行森林火灾区域的检测时,一般是由人工来识别图像或视频中的火焰,从而实现对森林火灾区域的检测识别的。而通过人工识别的方式,不仅效率低,并且还很容易出现误判和错判的情况,影像最终检测识别结果的效率。
发明内容
有鉴于此,本申请提出了一种基于像素技术的视频火焰检测方法,可以有效提高火焰区域的检测识别结果的效率。
根据本申请的一方面,提供了一种基于像素技术的视频火焰检测方法,包括:
将采集到的监测区域的图像数据按照RGB颜色模型分离为R通道数据、 G通道数据和B通道数据;
基于所述R通道数据、所述G通道数据和所述B通道数据,结合HSI颜色模型对所述图像数据中的各像素点进行检测判断,检测并识别出所述图像数据中的火焰像素;
根据检测识别出的所述火焰像素,确定所述图像数据中的火焰区域。
在一种可能的实现方式中,结合HSI颜色模型对所述图像数据中的各像素点进行检测判断,检测并识别出所述图像数据中的火焰像素,包括:
基于R通道数据、所述G通道数据和所述B通道数据,分别计算出所述图像数据中各像素点的像素信息;
根据各所述像素点的像素信息,与预设的限制条件进行比较;
在各所述像素点的像素信息满足所述限制条件时,确定当前比较判断的像素点为所述火焰像素;
其中,所述限制条件为根据所述HSI颜色模型确定的R分量、G分量和B 分量之间关系的约束条件。
在一种可能的实现方式中,各所述像素点的像素信息包括:各所述像素点的R分量像素参数、G分量像素参数和B分量像素参数;
其中,所述像素参数包括色度和饱和度中的至少一种。
在一种可能的实现方式中,所述限制条件为以下至少一条:
rule1:R≥G≥B;
rule2:R≥RT;
rule3:S≥((255-R)*ST/RT),;
其中,RT为R分量阈值,ST为饱和度阈值。
在一种可能的实现方式中,检测并识别出所述图像数据中的火焰像素时,还包括:
根据检测识别出的所述火焰像素,对所述图像数据进行二值化处理。
在一种可能的实现方式中,检测并识别出所述图像数据中的火焰像素后,还包括:
对检测并识别出所述火焰像素的图像数据进行平滑滤波处理。
在一种可能的实现方式中,检测并识别出所述图像数据中的火焰像素后,还包括:
对检测并识别出所述火焰像素的图像数据进行数学形态学处理。
在一种可能的实现方式中,根据检测识别出的所述火焰像素,确定所述图像数据中的火焰区域,包括:
统计计算出所检测识别出的所述火焰像素在所在矩形区域中的比率,在所述比率达到预设比率时,确定所述火焰像素所在的矩形区域为所述火焰区域;
其中,所述比率为所述矩形区域内火焰像素的个数与所述矩形区域内的像素总个数之间的比值。
根据本申请的一方面,还提供了一种基于像素技术的视频火焰检测装置,包括:图像分离模块、火焰像素检测模块和火焰区域确定模块;
所述图像分离模块,被配置为将采集到的监测区域的图像数据按照RGB 颜色模型分离为R通道数据、G通道数据和B通道数据;
所述火焰像素检测模块,被配置为基于所述R通道数据、所述G通道数据和所述B通道数据,结合HSI颜色模型对所述图像数据中的各像素点进行检测判断,检测并识别出所述图像数据中的火焰像素;
所述火焰区域确定模块,被配置为根据检测识别出的所述火焰像素,确定所述图像数据中的火焰区域。
根据本申请的另一方面,还提供了一种基于像素技术的视频火焰检测设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现前面任一所述的方法。
通过将采集到的监测区域的图像数据按照RGB颜色模型分离为R通道数据、G通道数据和B通道数据,通过分离得到的RGB通道数据对图像数据中的像素点进行检测识别,并根据检测识别出的对应为火焰的像素点确定图像数据中的火焰区域,实现了由图像数据中自动识别出火焰区域的功能。并且,在由图像数据中自动识别出火焰区域时,由图像数据中各像素点出发,对图像数据中的像素点进行是否对应为火焰的检测识别,从而使得最终得到的检测结果更加准确。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出本申请一实施例的基于像素技术的视频火焰检测方法的流程图;
图2示出本申请另一实施例的基于像素技术的视频火焰检测方法的流程图;
图3示出本申请一实施例的基于像素技术的视频火焰检测装置的结构框图;
图4示出本申请一实施例的基于像素技术的视频火焰检测设备的结构框图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
图1示出根据本申请一实施例的基于像素技术的视频火焰检测方法的流程图。如图1所示,该方法包括:步骤S100,将采集到的监测区域的图像数据按照RGB颜色模型分离为R通道数据、G通道数据和B通道数据。此处,本领域技术人员可以理解的是,RGB颜色模型指的就是红绿蓝颜色模型,其是一种加色模型,将红(Red)、绿(Green)和蓝(Blue)三原色的色光以不同的比例相加,以产生多种多样的色光。
然后,通过步骤S200,基于R通道数据、G通道数据和B通道数据,结合 HSI颜色模型对图像数据中的各像素点进行检测判断,检测并识别出图像数据中的火焰像素。即,通过分离得到的R通道数据、G通道数据和B通道数据,对图像数据中的每个像素点进行检测,由图像数据中识别出可能为火焰的像素点。此处,需要解释说明的是,火焰像素指的是图像数据中表征为火焰的像素点。进而再通过步骤S300,根据检测识别出的火焰像素,确定图像数据中的火焰区域。
由此,本申请实施例的基于像素技术的视频火焰检测方法,通过将采集到的监测区域的图像数据按照RGB颜色模型分离为R通道数据、G通道数据和B通道数据,通过分离得到的RGB通道数据对图像数据中的像素点进行检测识别,并根据检测识别出的对应为火焰的像素点确定图像数据中的火焰区域,实现了由图像数据中自动识别出火焰区域的功能。并且,在由图像数据中自动识别出火焰区域时,由图像数据中各像素点出发,对图像数据中的像素点进行是否对应为火焰的检测识别,从而使得最终得到的检测结果更加准确。
在一种可能的实现方式中,结合HSI颜色模型对图像数据中的各像素点进行检测判断,检测并识别出图像数据中的火焰像素时,可以通过以下方式来实现。
即,基于R通道数据、G通道数据和B通道数据,分别计算出图像数据中各像素点的像素信息;然后,根据各像素点的像素信息,与预设的限制条件进行比较,在各像素点的像素信息满足限制条件时,确定当前比较判断的像素点为火焰像素。
此处,需要说明的是,限制条件为根据HSI颜色模型确定的R分量、G分量和B分量之间关系的约束条件。
即,由于在所采集到的图像数据中,对应火焰区域处的像素点的像素信息与非火焰区域处的像素点的像素信息是不同的,比如:在颜色的色度和饱和度上会有非常明显的差别,因此在进行图像数据中火焰像素的检测识别时,可以通过计算各像素点的像素信息(如:色度和饱和度中的至少一种),然后基于计算得到的像素信息与预设的限制条件进行比较,在比较出像素信息满足预设的限制条件时,则表明该像素点的色度和饱和度与火焰像素点的色度和饱和度非常接近,其大概率为火焰像素,因此可以将该像素点标记为火焰像素。在比较出像素信息不满足预设的限制条件时,则表明此时检测的像素点的像素信息不符合火焰像素点的信息,其与火焰像素点的信息不匹配,因此可将其标记为非火焰像素点或忽略,进而进行下一像素点的检测识别。
其中,在采用上述方式进行图像数据中火焰像素的检测识别时,所预设的限制条件直接影响检测识别出来的火焰像素的准确率。因此,在进行限制条件的设定时,可以结合HSI颜色模型进行约束限定。
这是由于,一般情况下,用于人眼观看的颜色模型通常为RGB模型,对于火焰而言,红色分量(即,R)和绿色分量(即,G)会很大,并且绿色分量(G)会大于蓝色分量(B)。HSI颜色模型则分别用H(色度)、S(饱和度)和I(亮度)描述颜色特性,其与人们感受颜色的方式紧密相连。在本申请实施例的方法中,通过在RGB颜色模型的判断基础上,结合HSI颜色模型,附加HSI颜色模型的约束条件,对图像数据中的各像素点进行检测识别时,就会大大提高检测结果的准确率,有效避免了错判和误判的情况。
具体的,根据前面所述,在结合RGB颜色模型和HSI颜色模型对图像数据中的各像素点进行是否为火焰像素的检测识别时,各像素点的像素信息包括各像素点的R分量像素参数、G分量像素参数和B分量像素参数。其中,像素参数包括色度和饱和度中的至少一种。
更加具体的,在一种可能的实现方式中,根据HSI颜色模型确定的R分量、G分量和B分量之间关系的约束条件(即,限制条件)可以为以下条件中的至少一条:
rule1:R≥G≥B;
rule2:R≥RT;
rule3:S≥((255-R)*ST/RT);
其中,RT为R分量阈值,ST为饱和度阈值。
此处,需要指出的是,火焰像素的判定主要取决于红色分量(R)的色度和饱和度,因此在进行像素点是否为火焰像素的检测识别时,可以通过计算出该像素点在红色分量上的色度和饱和度,进而再与预先设置的限制条件进行比较,判断其是否满足预设的限制条件。
若一个像素的颜色值同时满足上述的约束条件rule1、rule2和role3,则可以确定该像素点为火焰像素。若一个像素的颜色值不满足上述约束条件,则可以确定该像素点不是火焰像素。
其中,需要说明的是,在所设置的限制条件中,阈值的取值(即,R分量阈值和饱和度阈值)同样也是影响识别结果准确度的关键因素,因此,上述各个阈值的取值可以根据实际需求进行适应性调整。具体的,对于R分量阈值和饱和度阈值的取值在进行设置时,可以根据具体的待检测视频的亮度、饱和度和色度的变化等因素进行灵活设置。
优选的,R分量阈值的取值范围可以为:[106,249];饱和度阈值的取值范围则为:[0.69,0.99]。比如:R分量阈值的取值可以为:[116,239];饱和度阈值的取值则为:[0.74,0.99]。
进一步的,在检测并识别出图像数据中的火焰像素时,还包括:步骤S220,根据检测识别出的火焰像素,对图像数据进行二值化处理。即,在通过步骤 S210,检测出图像数据中的各像素点是否为火焰像素后,还可以通过步骤 S220,将该像素点进行二值化处理,以便于后面进行火焰区域的确定时减少计算量。
举例来说,在对图像数据进行二值化处理时,可以采用将检测识别为火焰像素的像素点二值化为白色,检测识别出不是火焰像素的像素点二值化为黑色。
此外,为了更进一步地提高本申请实施例的方法的准确度,在一种可能的实现方式中,检测并识别出图像数据中的火焰像素后,还包括:对检测并识别出火焰像素的图像数据进行平滑滤波处理。即,通过对图像数据中的各像素点进行是否为火焰像素的检测识别,并对检测识别出的像素点进行二值化处理得到对应的火焰像素二值化图像之后,还需要对检测识别出火焰像素的图像数据进行预处理,以找到图像数据中遗漏的像素点,并剔除图像数据中的异常像素点。
其中,在对检测识别出火焰像素的图像数据进行预处理时,可以采用平滑滤波的方式。即,由于图像数据中存在噪声和离散点,因此可以采用平滑滤波的方式对检测识别出火焰像素的图像数据进行平滑滤波。
更加具体的,在对检测识别出火焰像素的图像数据进行平滑滤波时,可以采用中值滤波的方式。中值滤波作为典型的非线性滤波,用像素点邻域灰度值的中值来代替该像素点的灰度值,从而可以有效消除一些误判为火焰像素的像素点。同时,通过中值滤波对检测识别出火焰像素的图像数据进行处理,还可以消除一些异常的火焰的离散点。
其中,在一种可能的实现方式中,参阅图2,对检测并识别出火焰像素的图像数据进行平滑滤波处理时可以依次进行两次滤波处理,即,分别执行步骤S031和步骤S032,通过步骤S031,对检测并识别出火焰像素的图像数据进行平滑滤波,以消除误判的像素点。通过步骤S032,对检测并识别出火焰像素的图像数据进行再次平滑滤波,以消除异常像素点。
具体的,在对检测并识别出火焰像素的图像数据进行平滑滤波时,对于平滑滤波中的参数可以做如下设置:平滑滤波采用中值滤波算法,中值滤波算法的二维滑动模版采用2x3区域的椭圆形模版。
另外,还需要说明的是,参阅图2,在本申请实施例的方法中,在检测并识别出图像数据中的火焰像素后,还包括:步骤S033,对检测并识别出火焰像素的图像数据进行数学形态学处理。其中,最基本的形态学操作有两种,分别是膨胀和腐蚀,通过对检测并识别出火焰像素的图像数据进行数学形态学操作,可以连通图像数据中的一些遗漏的区域,从而使得检测的数据更加完整,这也就更进一步地提高了对图像数据中火焰区域的识别结果的精确度。
在一具体实施例中,对检测并识别出火焰像素的图像数据进行膨胀和腐蚀处理时,关于膨胀和腐蚀处理过程中的参数,可以设置为:膨胀和腐蚀处理中采用的卷积核函数,内核形状采用矩形,内核尺寸3X3,内核锚点为中心点,迭代次数设定为2。
在通过上述任一种方式由图像数据中检测并识别出火焰像素,同时对检测并识别出的图像数据进行相应的处理之后,即可根据检测识别出的火焰像素,确定图像数据中的火焰区域。
其中,在一种可能的实现方式中,根据检测识别出的火焰像素,确定图像数据中的火焰区域时,首先,统计计算出所检测识别出的火焰像素所在矩形区域中的比率,在比率达到预设比率时,确定火焰像素所在的矩形区域为火焰区域。应当指出的是,比率可以为矩形区域内火焰像素的个数与矩形区域内的像素总个数之间的比值。
同时,还需要说明的是,此处的矩形区域指的是由图像数据中检测识别出的火焰像素的最大坐标与最小坐标所形成的区域。
也就是说,在本申请实施例的方法中,所检测识别出来的火焰像素的个数通常为多个,多个火焰像素构成一个数据集。同时,每个火焰像素均对应有一个坐标值。该坐标值可以为二维坐标下的坐标。
通过由该数据集中提取出最小横坐标、最大横坐标、最小纵坐标和最大纵坐标,进而再基于所提取出的最小横坐标、最大横坐标、最小纵坐标和最大纵坐标构建相应的矩形区域,然后再通过统计该矩形区域内,火焰像素的个数与矩形区域内所包含的所有像素点的总个数,并通过相应的数学运算即可得到火焰像素在所在矩形区域中的比率。
最后,再通过对所得到的火焰像素在所在矩形区域中的比率与预设比率进行比较即可得到该矩形区域是否为矩形区域的识别结果。
其中,在一种可能的实现方式中,预设比率的取值可以根据实际情况灵活设置,在本申请实施例的方法中,预设比率的取值范围可以为:[0.65,0.95]。优选的,预设比率的取值可以为:[0.7,0.9]。
此外,在本申请实施例的方法中,当通过上述任一种方式识别出当前所采集到的图像数据中存在火焰区域时,表明此时所监测区域处可能即将或已经发生了火灾,因此可以通过显示或其他方式进行报警,以提示相关人员尽快防护。
需要说明的是,尽管以图1和图2作为示例介绍了如上所述的基于像素技术的视频火焰检测方法,但本领域技术人员能够理解,本申请应不限于此。事实上,用户完全可根据个人喜好和/或实际应用场景灵活设定各步骤的具体实现方式,只要能够实现自动识别图像数据中是否存在火焰区域即可。
相应的,基于前面任一所述的基于像素技术的视频火焰检测方法,本申请还提供了一种基于像素技术的视频火焰检测装置。由于本申请提供的基于像素技术的视频火焰检测装置的工作原理与本申请提供的基于像素技术的视频火焰检测方法的原理相同或相似,因此重复之处不再赘述。
参阅图3,本申请提供的基于像素技术的视频火焰检测装置100,包括:图像分离模块110、火焰像素检测模块120和火焰区域确定模块130。其中,图像分离模块110,被配置为将采集到的监测区域的图像数据按照RGB颜色模型分离为R通道数据、G通道数据和B通道数据。火焰像素检测模块120,被配置为基于R通道数据、G通道数据和B通道数据,结合HSI颜色模型对图像数据中的各像素点进行检测判断,检测并识别出图像数据中的火焰像素。火焰区域确定模块130,被配置为根据检测识别出的火焰像素,确定图像数据中的火焰区域。
更进一步地,根据本申请的另一方面,还提供了一种基于像素技术的视频火焰检测设备200。参阅图4,本申请实施例的基于像素技术的视频火焰检测设备200包括处理器210以及用于存储处理器210可执行指令的存储器220。其中,处理器210被配置为执行可执行指令时实现前面任一所述的基于像素技术的视频火焰检测方法。
此处,应当指出的是,处理器210的个数可以为一个或多个。同时,在本申请实施例的基于像素技术的视频火焰检测设备200中,还可以包括输入装置230和输出装置240。其中,处理器210、存储器220、输入装置230和输出装置240之间可以通过总线连接,也可以通过其他方式连接,此处不进行具体限定。
存储器220作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序和各种模块,如:本申请实施例的基于像素技术的视频火焰检测方法所对应的程序或模块。处理器210通过运行存储在存储器220中的软件程序或模块,从而执行基于像素技术的视频火焰检测设备200的各种功能应用及数据处理。
输入装置230可用于接收输入的数字或信号。其中,信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置240可以包括显示屏等显示设备。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于像素技术的视频火焰检测方法,其特征在于,包括:
将采集到的监测区域的图像数据按照RGB颜色模型分离为R通道数据、G通道数据和B通道数据;
基于所述R通道数据、所述G通道数据和所述B通道数据,结合HSI颜色模型对所述图像数据中的各像素点进行检测判断,检测并识别出所述图像数据中的火焰像素;
根据检测识别出的所述火焰像素,确定所述图像数据中的火焰区域。
2.根据权利要求1所述的方法,其特征在于,结合HSI颜色模型对所述图像数据中的各像素点进行检测判断,检测并识别出所述图像数据中的火焰像素,包括:
基于R通道数据、所述G通道数据和所述B通道数据,分别计算出所述图像数据中各像素点的像素信息;
根据各所述像素点的像素信息,与预设的限制条件进行比较;
在各所述像素点的像素信息满足所述限制条件时,确定当前比较判断的像素点为所述火焰像素;
其中,所述限制条件为根据所述HSI颜色模型确定的R分量、G分量和B分量之间关系的约束条件。
3.根据权利要求2所述的方法,其特征在于,各所述像素点的像素信息包括:各所述像素点的R分量像素参数、G分量像素参数和B分量像素参数;
其中,所述像素参数包括色度和饱和度中的至少一种。
4.根据权利要求2所述的方法,其特征在于,所述限制条件为以下至少一条:
rule1:R≥G≥B;
rule2:R≥RT;
rule3:S≥((255-R)*ST/RT);
其中,RT为R分量阈值,ST为饱和度阈值。
5.根据权利要求1所述的方法,其特征在于,检测并识别出所述图像数据中的火焰像素时,还包括:
根据检测识别出的所述火焰像素,对所述图像数据进行二值化处理。
6.根据权利要求1所述的方法,其特征在于,检测并识别出所述图像数据中的火焰像素后,还包括:
对检测并识别出所述火焰像素的图像数据进行平滑滤波处理。
7.根据权利要求1所述的方法,其特征在于,检测并识别出所述图像数据中的火焰像素后,还包括:
对检测并识别出所述火焰像素的图像数据进行数学形态学处理。
8.根据权利要求1所述的方法,其特征在于,根据检测识别出的所述火焰像素,确定所述图像数据中的火焰区域,包括:
统计计算出所检测识别出的所述火焰像素在所在矩形区域中的比率,在所述比率达到预设比率时,确定所述火焰像素所在的矩形区域为所述火焰区域;
其中,所述比率为所述矩形区域内火焰像素的个数与所述矩形区域内的像素总个数之间的比值。
9.一种基于像素技术的视频火焰检测装置,其特征在于,包括:图像分离模块、火焰像素检测模块和火焰区域确定模块;
所述图像分离模块,被配置为将采集到的监测区域的图像数据按照RGB颜色模型分离为R通道数据、G通道数据和B通道数据;
所述火焰像素检测模块,被配置为基于所述R通道数据、所述G通道数据和所述B通道数据,结合HSI颜色模型对所述图像数据中的各像素点进行检测判断,检测并识别出所述图像数据中的火焰像素;
所述火焰区域确定模块,被配置为根据检测识别出的所述火焰像素,确定所述图像数据中的火焰区域。
10.一种基于像素技术的视频火焰检测设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056646.1A CN112733766A (zh) | 2021-01-15 | 2021-01-15 | 基于像素技术的视频火焰检测方法及装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056646.1A CN112733766A (zh) | 2021-01-15 | 2021-01-15 | 基于像素技术的视频火焰检测方法及装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112733766A true CN112733766A (zh) | 2021-04-30 |
Family
ID=75591688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110056646.1A Pending CN112733766A (zh) | 2021-01-15 | 2021-01-15 | 基于像素技术的视频火焰检测方法及装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733766A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103486872A (zh) * | 2013-09-26 | 2014-01-01 | 栗琳 | 煅烧窑燃烧状态监测方法、设备及煅烧窑系统 |
CN104008368A (zh) * | 2014-05-13 | 2014-08-27 | 重庆大学 | 一种基于最大熵阈值分割的火灾识别方法 |
CN109300110A (zh) * | 2018-08-24 | 2019-02-01 | 哈尔滨理工大学 | 一种基于改进颜色模型的森林火灾图像检测方法 |
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 |
CN110263654A (zh) * | 2019-05-23 | 2019-09-20 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火焰检测方法、装置及嵌入式设备 |
CN111931612A (zh) * | 2020-07-24 | 2020-11-13 | 东风商用车有限公司 | 一种基于图像处理的室内火焰识别方法及设备 |
-
2021
- 2021-01-15 CN CN202110056646.1A patent/CN112733766A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103486872A (zh) * | 2013-09-26 | 2014-01-01 | 栗琳 | 煅烧窑燃烧状态监测方法、设备及煅烧窑系统 |
CN104008368A (zh) * | 2014-05-13 | 2014-08-27 | 重庆大学 | 一种基于最大熵阈值分割的火灾识别方法 |
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 |
CN109300110A (zh) * | 2018-08-24 | 2019-02-01 | 哈尔滨理工大学 | 一种基于改进颜色模型的森林火灾图像检测方法 |
CN110263654A (zh) * | 2019-05-23 | 2019-09-20 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火焰检测方法、装置及嵌入式设备 |
CN111931612A (zh) * | 2020-07-24 | 2020-11-13 | 东风商用车有限公司 | 一种基于图像处理的室内火焰识别方法及设备 |
Non-Patent Citations (1)
Title |
---|
COLDPLAYPLAY: "OpenCV学习记录之视频中的火焰检测识别", pages 1, Retrieved from the Internet <URL:《https://blog.csdn.net/coldplayplay/article/details/70212483/》> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10854062B2 (en) | Fire monitoring system | |
CN112560657B (zh) | 烟火识别方法、装置、计算机设备和存储介质 | |
US6718051B1 (en) | Red-eye detection method | |
US8184900B2 (en) | Automatic detection and correction of non-red eye flash defects | |
CN105453153A (zh) | 交通灯检测 | |
Pritam et al. | Detection of fire using image processing techniques with LUV color space | |
CA3153067C (en) | Picture-detecting method and apparatus | |
EP2068569A1 (en) | Method of and apparatus for detecting and adjusting colour values of skin tone pixels | |
CN109300110A (zh) | 一种基于改进颜色模型的森林火灾图像检测方法 | |
JP6993852B2 (ja) | 建物被害推定装置 | |
CN108830184B (zh) | 黑眼圈识别方法及装置 | |
CN110812753B (zh) | 具有明火点识别功能的人工智能灭火方法及灭火器设备 | |
Dzigal et al. | Forest fire detection based on color spaces combination | |
CN111797726A (zh) | 一种火焰检测方法、装置、电子设备及存储介质 | |
CN113221763A (zh) | 一种基于视频图像亮度的火焰识别方法 | |
CN107292897A (zh) | 用于yuv域的图像边缘提取方法、装置及终端 | |
CN112733766A (zh) | 基于像素技术的视频火焰检测方法及装置和设备 | |
CN105761282B (zh) | 图像偏色的检测方法和装置 | |
CN112613452B (zh) | 人员越线识别方法、装置、设备及存储介质 | |
CN102609710A (zh) | 针对火灾图像视频中烟雾笼罩场景的烟火目标分割方法 | |
CN113537092A (zh) | 烟火检测方法、装置、设备及存储介质 | |
JP6593791B2 (ja) | 炎検出装置および炎検出方法 | |
CN111988569A (zh) | 一种变电站工业视频监控画面着火现象监控方法及系统 | |
CN110796826A (zh) | 一种用于识别烟雾火焰的报警方法及系统 | |
CN114037725A (zh) | 一种刺火检测方法及设备 |
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 |