CN113221763B - 一种基于视频图像亮度的火焰识别方法 - Google Patents
一种基于视频图像亮度的火焰识别方法 Download PDFInfo
- Publication number
- CN113221763B CN113221763B CN202110537573.8A CN202110537573A CN113221763B CN 113221763 B CN113221763 B CN 113221763B CN 202110537573 A CN202110537573 A CN 202110537573A CN 113221763 B CN113221763 B CN 113221763B
- Authority
- CN
- China
- Prior art keywords
- image
- brightness
- flame
- low
- segmentation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Abstract
本发明公开了一种基于视频图像亮度的火焰识别方法，考虑到火焰发生时会有着不同的亮度，按照大多数算法所采用的单一的火焰分割技术，并不能将有效的火焰部分进行分割，研究了一种以亮度为基准的火焰识别算法，可更有效得在多种环境下实现对于火焰的识别。本发明包括以下步骤：首先读取视频图像信息；然后根据亮度判据将图像分为高低亮度图像，分别采用高低亮度火焰分割算法，得到疑似火焰区域；再对该区域采取形态学处理，得到低噪且小空洞得到填充的图像；对分割出的部分提取其圆形度、颜色矩和纹理等特征组合为特征向量；最后使用支持向量机进行火焰的分类。本发明提高了火焰识别的准确性和可靠性，使用效果好，适用于复杂多变的环境。
Description
技术领域
本发明涉及火灾火焰识别领域，特别是涉及一种基于视频图像亮度的火焰识别方法。
背景技术
传统的火灾检测中，主要依靠的是温度、烟雾和光敏等传感器，通过传感器的数据到达一定大小时来判定是否有火灾的出现，而这种方法则存在很大的问题，主要表现在火灾检测的范围、精准度以及时效性上：当传感器所放置的环境空间较大，单一的传感器不能很好的满足要求，需要部署大量的节点进行检测，造成资源的浪费；受传感器自身精度和环境中其他如光照、雾霾等因素的影响，会很大程度得影响检测的结果，使得准确度不高，误报警率很高，造成不必要的人力资源的浪费；火灾的发生是一个循序渐进的过程，而火灾所造成的环境信息反映到传感器上也会有一段时延，使得错过了宝贵的在火灾初期进行扑灭的机会。除了这些问题，对于是否真的有火灾发生，大多数情况仍需进行人工到现场进行确认，费时费力，不利于早期火灾的监测。
发明内容
有鉴于此，本发明的目的在于提供一种基于视频图像亮度的火焰识别方法，用以解决传统火灾检测中使用传感器进行检测所带来的准确率低、效率低下、时延大等问题。本发明通过机器学习算法来提升检测的有效性，且相对于大多数火焰识别算法，能在提高识别率的同时，适用于更多的应用场景。
为实现上述目的，本发明采用如下技术方案：
一种基于视频图像亮度的火焰识别方法，包括如下步骤：
步骤S1、读取视频流，获取其中某一帧图像的RGB信息，并且根据据RGB颜色空间与YCbCr颜色空间的转换关系，得到该图像的YCbCr信息；
步骤S2、根据步骤S1中得到该图像的RGB信息和YCbCr信息，基于图像的亮度将图像分类为高亮度图像与低亮度图像；
步骤S3、进行图像的疑似火焰区域的分割处理，若图像被分类为高亮度图像，则对该图像采用高亮度火焰分割算法进行处理，若图像被分类为低亮度图像，则对该图像采用低亮度火焰分割算法进行处理，得到图像中被分割出的疑似火焰区域的二值图；
步骤S4、对步骤S3中得到的二值图进行形态学处理，剔除图像中的像素块，并且将图像中的空洞进行填充，得到处理后的二值图；
步骤S5、对步骤S4中得到的处理后的二值图进行特征提取，提取疑似火焰区域的圆形度特征、颜色矩特征和纹理特征，并组成特征向量；
步骤S6、将步骤S5中得到的特征向量输入训练好的支持向量机中进行火焰的分类，实现火焰识别。
进一步的，在所述步骤S1中，所述RGB信息包括：R(x，y)、G(x，y)、B(x，y)，其中，所述R(x，y)、G(x，y)、B(x，y)分别表示在(x，y)空间位置的像素点的红、绿、蓝三个分量的值；
所述YCbCr信息包括：Y(x，y)、Cb(x，y)、Cr(x，y)，其中，所述Y(x，y)、Cb(x，y)、Cr(x，y)分别表示在(x，y)空间位置的像素点在YCbCr颜色空间的亮度分量、蓝色色度分量与亮度Y的差值、红色色度分量与亮度Y的差值。
进一步的，所述步骤S2具体包括：
步骤S201、根据高亮度火焰分割准则，对步骤S1中获取的图像进行第一分类，具体为，将该图像中满足所述高亮度火焰分割准则的区域定义为高亮度火焰区域Shigh，fire，将该图像中不满足所述高亮度火焰分割准则的区域定义为高亮度非火焰区域Shigh，nofire，所述高亮度火焰分割准则的表达式为：
Y(x，y)≥TY (1)
R(x，y)≥TR (2)
公式(1)和和公式(2)中，TY为Y通道的阈值，TR为R通道的阈值。
步骤S202、求出所述高亮度火焰区域Shigh，fire的Cr均值Crmeanfire，同时求出所述高亮度非火焰区域Shigh，nofire的Cr均值Crmeannofire，然后将均值Crmeanfire与均值Crmeannofire作差，得到Crdiff＝Crmeanfire-Crmeannofire；
步骤S203、根据预先设定的高亮度阈值Thigh和低亮度阈值Tlow，对步骤S1中获取的图像进行第二分类，具体为，
若步骤S202中求出的Crdiff小于所述高亮度阈值Thigh，则判定该图像为高亮度火焰图像；
若步骤S202中求出的Crdiff高于所述低亮度阈值Tlow，则判定该图像为低亮度火焰图像；
若步骤S202中求出的Crdiff介于所述高亮度阈值Thigh与所述低亮度阈值Tlow之间，则进行第三分类；
步骤S204、根据低亮度火焰分割准则，对步骤S1中获取的图像进行第三分类，具体为，该图像中满足所述低亮度火焰分割准则的区域视为低亮度火焰区域Slow，fire，并且定义区域比值变量计算该图像的区域比值变量S，若该图像的区域比值变量S介于Slow和Shigh之间，则判定为该图像为高亮度火焰图像，否则为低亮度火焰图像；所述低亮度火焰分割准则的表达式为：
Y(x，y)＞Cb(x，y) (3)
Cr(x，y)＞Cb(x，y) (4)
Y(x，y)＞Ymean (5)
Cb(x，y)＞Cbmean (6)
Cr(x，y)＞Crmean (7)
|Cr(x，y)-Cb(x，y)|≥t (8)
公式(3)-公式(8)中，Ymean、Cbmean、Crmean分别表示为整个图像Y、Cb、Cr三个通道的均值，t表示为预先设定的阀值。
进一步的，在所述步骤S3中，对于高亮度图像，采用所述步骤S201中的高亮度火焰分割准则进行图像分割；对于低亮度图像，采用所述步骤S204中的低亮度火焰分割准则进行图像分割。
进一步的，所述步骤S4具体包括：首先对二值图进行由先腐蚀后膨胀所构成的开运算操作，然后再进行由先膨胀后腐蚀所构成的闭运算，最后对图像中的小空洞进行填充。
进一步的，所述高亮度阈值Thigh为-14.68，所述低亮度阈值Tlow为0.69，所述Slow为0.2，所述Shigh为1。
进一步的，在所述步骤S5中，所提取的圆形度特征的表达式为：
公式(9)中，s为分割出的疑似火焰区域的面积，L为该区域的长度；
所提取的颜色矩特征由一阶矩μ、二阶矩σ和三阶矩s所构成，以Y、Cb、Cr三个通道的信息为基准，取其颜色矩作为输入的特征；
所提取的纹理特征基于灰度共生矩阵，包括角二阶矩、对比度、相关度和熵；通过选取0、45、90、135四个方向的灰度共生矩阵，用以得到一个16维的特征向量来表征纹理特征。
进一步的，，所述步骤S6具体包括，将火焰图像和非火焰图像进行标注作为测试集；
提取出测试集的特征向量并送入支持向量机进行训练，得到训练好的火焰识别模型；
最后将步骤S5中得到的特征向量输入至所述训练好的火焰识别模型中进行识别，实现火焰分类。
本发明的有益效果是：
本发明为传统的火灾检测提供了一种更加高效、准确且快速的检测方式，可有效地降低火灾发生时可能带来的损失；对比于已有的火焰识别算法，在疑似火焰区域的分割上，采用了两种分割方式，避免了单一模式在对部分火焰图像进行分割时的错误分割，提高了提取区域的有效性。在提高了识别的准确度的同时，可使算法适用于更多的场景，算法具有更强的鲁棒性。
附图说明
图1为本发明提供的一种基于视频图像亮度的火焰识别方法的流程图。
图2为本发明提供的一种基于视频图像亮度的火焰识别方法中对于图像进行高低亮度分类的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
实施例1
参见图1-图2，本实施例提供一种基于视频图像亮度的火焰识别方法，包括如下步骤：
步骤S1、首先读取到视频流信息，并捕获其中的一帧图像，作为本方法实施的基础信息。原始的信息一般为图像的RGB信息，相对应的像素点(x，y)的各通道值为R(x，y)、G(x，y)、B(x，y)以此为基础，通过RGB颜色空间与YCbCr颜色空间的转换关系，得到图像的YCbCr信息，相对应的像素点(x，y)的各通道值为Y(x，y)、Cb(x，y)、Cr(x，y)，以供后续算法使用。
具体的说，R(x，y)、G(x，y)、B(x，y)分别表示在(x，y)空间位置的像素点的红、绿、蓝三个分量的值；Y(x，y)、Cb(x，y)、Cr(x，y)分别表示在(x，y)空间位置的像素点在YCbCr颜色空间的亮度分量、蓝色色度分量与亮度Y的差值、红色色度分量与亮度Y的差值。
步骤S2、用于对图像进行高低亮度的分类，要实现这一目的，需要对图像进行一些处理，具体为：
步骤S201、根据高亮度火焰分割准则，对步骤S1中获取的图像进行第一分类，具体为，将该图像中满足所述高亮度火焰分割准则的区域定义为高亮度火焰区域Shigh，fire，将该图像中不满足所述高亮度火焰分割准则的区域定义为高亮度非火焰区域Shigh，nofire，所述高亮度火焰分割准则的表达式为：
Y(x，y)≥TY (1)
R(x，y)≥TR (2)
公式(1)和和公式(2)中，TY为Y通道的阈值，TR为R通道的阈值，在本实施例中TY取值为200，TR取值为190。
步骤S202、求出所述高亮度火焰区域Shigh，fire的Cr均值Crmeanfire，同时求出所述高亮度非火焰区域Shigh，nofire的Cr均值Crmeannofire，然后将均值Crmeanfire与均值Crmeannofire作差，得到Crdiff＝Crmeanfire-Crmeannofire；
步骤S203、根据预先设定的高亮度阈值Thigh和低亮度阈值Tlow，对步骤S1中获取的图像进行第二分类，具体为，
若步骤S202中求出的Crdiff小于所述高亮度阈值Thigh，则判定该图像为高亮度火焰图像；
若步骤S202中求出的Crdiff高于所述低亮度阈值Tlow，则判定该图像为低亮度火焰图像；
若步骤S202中求出的Crdiff介于所述高亮度阈值Thigh与所述低亮度阈值Tlow之间，则进行第三分类。
具体的说，具体的说，从图像数据集挑出有火焰的部分，并根据火焰的亮度高低，将图像分为高亮度火焰图像与低亮度火焰，再分别针对两种图像求取其Crdiff的值，并假设其服从正态分布，得到高、低亮度火焰图像中Crdiff的均值与方差，实验得到高亮度火焰图像的Crdiff的均值为-17.93，低亮度火焰的Crdiff的均值为-5.44，再分别对两个分布求取其95％置信区间。可在高亮度火焰的分布中得到一阈值Tlow，实验得到的Tlow为0.69，当Crdiff的值大于它的时候，其为高亮度的可能性已经很低了，而相应的低亮度的可能性很高，可将图像分类至低亮度图像；在低亮度火焰的分布中到一阈值Thigh，实验得到的Thigh为-14.68，当Crdiff小于它的时候，其为低亮度的可能性已经很低了，而相应的高亮度的可能性很高，可将图像分类至高亮度图像；而当Crdiff介于Thigh和Tlow之间时，则需要进一步的判断。
步骤S204、根据低亮度火焰分割准则，对步骤S1中获取的图像进行第三分类，具体为，该图像中满足所述低亮度火焰分割准则的区域视为低亮度火焰区域Slow，fire，并且定义区域比值变量计算该图像的区域比值变量S，若该图像的区域比值变量S介于Slow和Shigh之间，则判定为该图像为高亮度火焰图像，否则为低亮度火焰图像；所述低亮度火焰分割准则的表达式为：
Y(x，y)＞Cb(x，y) (3)
Cr(x，y)＞Cb(x，y) (4)
Y(x，y)＞Ymean (5)
Cb(x，y)＞Cbmean (6)
Cr(x，y)＞Crmean (7)
|Cr(x，y)-Cb(x，y)|≥t (8)
公式(3)-公式(8)中，Ymean、Cbmean、Crmean分别表示为整个图像Y、Cb、Cr三个通道的均值，t表示为预先设定的阀值，在本实施例中取值为50，不同的阈值对应着不同的误报率和检测率，当同时满足此准则的区域视为高亮度火焰区域Slow，fire。
具体的说，上述的高亮度火焰分割准则，可将高亮度火焰进行准确的分割，而对于低亮度火焰，分割出的部分则毫无规律可言，而低亮度火焰分割准则，可将低亮度火焰进行准确的分割，而对于高亮度火焰，分割出的部分正好为火焰所照亮的部分。
根据两种分割准则的特性，可定义区域比值变量对于高亮度火焰，S是有物理意义的，可视为火焰区域与被火焰所照亮区域的比值，而对于低亮度火焰，S则是无规律的，因此可通过该值的取值范围来对图像亮度进行分类。
对于之前分好的高亮度火焰图像与低亮度火焰，分别求取其S值，最终得到低亮度火焰的S值分布分散，而高亮度火焰的S值则集中在[0.2，1]，分别设为Slow和Shigh，从而可以通过求取图像的S值，来对未能直接实现分类的图像进行二次分类。
步骤S3、进行图像的疑似火焰区域的分割处理，若图像被分类为高亮度图像，则对该图像采用高亮度火焰分割算法进行处理，若图像被分类为低亮度图像，则对该图像采用低亮度火焰分割算法进行处理，得到图像中被分割出的疑似火焰区域的二值图；
步骤S4、对步骤S3中得到的二值图进行形态学处理，剔除图像中的像素块，并且将图像中的空洞进行填充，得到处理后的二值图；
具体的说，对分割得到的二值图，可能会存在一些零星的像素点、像素块，由于过于小，所包含的特征不够明显，会妨碍提取特征的有效性，需要将其进行剔除。在处理时，先对其进行腐蚀的操作，将分割出的部分往里缩一段距离，可抹除掉这些小的像素块，但也损害了原有火焰部分的特征，于是再通过一个膨胀的操作，将大块的火焰部分恢复至原本的形状，完成一个开运算的操作。
同时，分割得到的二值图，可能在火焰的内部存在一些由于障碍物遮挡等原因所造成的小空洞，需要对其进行填充，已使整个火焰的特征更加完整。在处理时，先对其进行膨胀的操作，完成内部小空洞的填充，但这也引入了大量边缘的非火焰的特征，于是再通过一个腐蚀的操作，将火焰部分的边缘部分恢复至原本的形状，完成一个闭运算的操作。
步骤S5、对步骤S4中得到的处理后的二值图进行特征提取，提取疑似火焰区域的圆形度特征、颜色矩特征和纹理特征，并组成特征向量；
具体的说，所提取的特征包含了圆形度、颜色矩以及纹理特征。
所提取的圆形度特征R如下：
其中s为分割出的疑似火焰区域的面积，可通过统计疑似火焰区域的像素点个数得到，L为该区域的长度，可通过统计火焰轮廓的像素点个数得到。对于火焰的轮廓提取，可通过将二值图进行一次腐蚀运算，再与原二值图进行异或运算来实现。
而对于分割出的火焰区域，有时会有多个不连续的火焰部分，从圆形度的定义式可知，R的值与S的一次方成正比，与L的二次方成反比，从而不能直接将各个部分的s和L直接叠加再求取R值。从而将多个火焰部分进行分割，再分别求取各个部分的R值，最后再加权求和得到最终的R值，可表示为：
所提取的颜色矩特征由一阶矩(均值)μ、二阶矩(方差)σ和三阶矩(斜度)s所构成，可表示为：
使用Y、Cb、Cr三个通道的信息为基准，取其颜色矩作为输入的特征，从而得到一个9维的特征向量。
所提取的纹理特征基于灰度共生矩阵，包含了角二阶矩(ASM)、对比度(CON)、相关度(COR)和熵(ENT)，分别可表示为：
其中P(i,j)为灰度共生矩阵，μ和σ表示为：
对于上述四个特征，又有0、45、90、135四个方向的灰度共生矩阵，最终得到一个16维的特征向量V＝[ASM1,CON1,COR1,ENT1,…,ASM4,CON4,COR4,ENT4]来表征火焰的纹理特征
最终将圆形度、颜色矩和纹理特征进行整合，得到一个26维的特征向量。
步骤S6、将步骤S5中得到的特征向量输入训练好的支持向量机中进行火焰的分类，实现火焰识别。
具体的说，将已有的图像数据集进行是否有火焰的标记，再按照3:7的比例随机地分为训练集与测试集。将测试集进行步骤S2到S5的处理，得到特征向量，作为支持向量机的输入。支持向量机的核函数选用径向基核函数，并采用交叉验证的方法求取最优的惩罚因子和核函数参数，再以此参数进行模型的训练。
最后将测试集进行步骤S2到S5的处理，并代入至训练好的模型中，可得到测试集的识别率为94.7％。
得到此模型后，便能将新输入的视频图像按照步骤S1至S6，得到图像中是否有火焰的结论。至此完成整个火焰识别算法流程。
结合具体实施，可以得到本发明的优点是，相对于传统的火灾检测，提供了一种更加可靠、精准的方法实现快速检测。在对于疑似火焰区域的分割上，考虑到了更多的因素，可分割出更有效的火焰区域，且对区域进行了更加细致的处理，让可供特征提取的区域更加合理，且通过多方面的特征，全面地描述了火焰的特征，在提高了火焰识别的精准度的同时，增强了算法的鲁棒性，可应用在更多的场景下。
本发明未详述之处，均为本领域技术人员的公知技术。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种基于视频图像亮度的火焰识别方法，其特征在于，包括如下步骤：
步骤S1、读取视频流，获取其中某一帧图像的RGB信息，并且根据据RGB颜色空间与YCbCr颜色空间的转换关系，得到该图像的YCbCr信息；
步骤S2、根据步骤S1中得到该图像的RGB信息和YCbCr信息，基于图像的亮度将图像分类为高亮度图像与低亮度图像；
步骤S3、进行图像的疑似火焰区域的分割处理，若图像被分类为高亮度图像，则对该图像采用高亮度火焰分割算法进行处理，若图像被分类为低亮度图像，则对该图像采用低亮度火焰分割算法进行处理，得到图像中被分割出的疑似火焰区域的二值图；
步骤S4、对步骤S3中得到的二值图进行形态学处理，剔除图像中的像素块，并且将图像中的空洞进行填充，得到处理后的二值图；
步骤S5、对步骤S4中得到的处理后的二值图进行特征提取，提取疑似火焰区域的圆形度特征、颜色矩特征和纹理特征，并组成特征向量；
步骤S6、将步骤S5中得到的特征向量输入训练好的支持向量机中进行火焰的分类，实现火焰识别；
所述步骤S2具体包括：
步骤S201、根据高亮度火焰分割准则，对步骤S1中获取的图像进行第一分类，具体为，将该图像中满足所述高亮度火焰分割准则的区域定义为高亮度火焰区域Shigh，fire，将该图像中不满足所述高亮度火焰分割准则的区域定义为高亮度非火焰区域Shigh，nofire，所述高亮度火焰分割准则的表达式为：
Y(x，y)≥TY (1)
R(x，y)≥TR (2)
公式(1)和和公式(2)中，TY表示为Y通道的阈值，TR表示为R通道的阈值；
步骤S202、求出所述高亮度火焰区域Shigh，fire的Cr均值Crmeanfire，同时求出所述高亮度非火焰区域Shigh，nofire的Cr均值Crmeannofire，然后将均值Crmeanfire与均值Crmeannofire作差，得到Crdiff＝Crmeanfire-Crmeannofire；
步骤S203、根据预先设定的高亮度阈值Thigh和低亮度阈值Tlow，对步骤S1中获取的图像进行第二分类，具体为，
若步骤S202中求出的Crdiff小于所述高亮度阈值Thigh，则判定该图像为高亮度火焰图像；
若步骤S202中求出的Crdiff高于所述低亮度阈值Tlow，则判定该图像为低亮度火焰图像；
若步骤S202中求出的Crdiff介于所述高亮度阈值Thigh与所述低亮度阈值Tlow之间，则进行第三分类；
步骤S204、根据低亮度火焰分割准则，对步骤S1中获取的图像进行第三分类，具体为，该图像中满足所述低亮度火焰分割准则的区域视为低亮度火焰区域Slow，fire，并且定义区域比值变量计算该图像的区域比值变量S，若该图像的区域比值变量S介于Slow和Shigh之间，则判定为该图像为高亮度火焰图像，否则为低亮度火焰图像；所述低亮度火焰分割准则的表达式为：
Y(x，y)＞Cb(x，y) (3)
Cr(x，y)＞Cb(x，y) (4)
Y(x，y)＞Ymean (5)
Cb(x，y)＞Cbmean (6)
Cr(x，y)＞Crmean (7)
|Cr(x，y)-Cb(x，y)|≥t (8)
公式(3)-公式(8)中，Ymean、Cbmean、Crmean分别表示为整个图像Y、Cb、Cr三个通道的均值，t表示为预先设定的阀值。
2.根据权利要求1所述的一种基于视频图像亮度的火焰识别方法，其特征在于，在所述步骤S1中，所述RGB信息包括：R(x，y)、G(x，y)、B(x，y)，其中，所述R(x，y)、G(x，y)、B(x，y)分别表示在(x，y)空间位置的像素点的红、绿、蓝三个分量的值；
所述YCbCr信息包括：Y(x，y)、Cb(x，y)、Cr(x，y)，其中，所述Y(x，y)、Cb(x，y)、Cr(x，y)分别表示在(x，y)空间位置的像素点在YCbCr颜色空间的亮度分量、蓝色色度分量与亮度Y的差值、红色色度分量与亮度Y的差值。
3.根据权利要求1所述的一种基于视频图像亮度的火焰识别方法，其特征在于，在所述步骤S3中，对于高亮度图像，采用所述步骤S201中的高亮度火焰分割准则进行图像分割；对于低亮度图像，采用所述步骤S204中的低亮度火焰分割准则进行图像分割。
4.根据权利要求3所述的一种基于视频图像亮度的火焰识别方法，其特征在于，所述步骤S4具体包括：首先对二值图进行由先腐蚀后膨胀所构成的开运算操作，然后再进行由先膨胀后腐蚀所构成的闭运算，最后对图像中的小空洞进行填充。
5.根据权利要求4所述的一种基于视频图像亮度的火焰识别方法，其特征在于，所述高亮度阈值Thigh为-14.68，所述低亮度阈值Tlow为0.69，所述Slow为0.2，所述Shigh为1。
6.根据权利要求5所述的一种基于视频图像亮度的火焰识别方法，其特征在于，在所述步骤S5中，所提取的圆形度特征的表达式为：
公式(9)中，s为分割出的疑似火焰区域的面积，L为该区域的长度；
所提取的颜色矩特征由一阶矩μ、二阶矩σ和三阶矩s所构成，以Y、Cb、Cr三个通道的信息为基准，取其颜色矩作为输入的特征；
所提取的纹理特征基于灰度共生矩阵，包括角二阶矩、对比度、相关度和熵；通过选取0、45、90、135四个方向的灰度共生矩阵，用以得到一个16维的特征向量来表征纹理特征。
7.根据权利要求6所述的一种基于视频图像亮度的火焰识别方法，其特征在于，所述步骤S6具体包括，将火焰图像和非火焰图像进行标注作为测试集；
提取出测试集的特征向量并送入支持向量机进行训练，得到训练好的火焰识别模型；
最后将步骤S5中得到的特征向量输入至所述训练好的火焰识别模型中进行识别，实现火焰分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110537573.8A CN113221763B (zh) | 2021-05-18 | 2021-05-18 | 一种基于视频图像亮度的火焰识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110537573.8A CN113221763B (zh) | 2021-05-18 | 2021-05-18 | 一种基于视频图像亮度的火焰识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113221763A CN113221763A (zh) | 2021-08-06 |
| CN113221763B true CN113221763B (zh) | 2024-04-16 |
Family
ID=77092704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110537573.8A Active CN113221763B (zh) | 2021-05-18 | 2021-05-18 | 一种基于视频图像亮度的火焰识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113221763B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116452831A (zh) * | 2023-04-27 | 2023-07-18 | 中国长江三峡集团有限公司 | 天然气掺氢燃烧系统调整方法、装置及电子设备 |
| CN116665136B (zh) * | 2023-07-31 | 2023-10-31 | 山东长兴塑料助剂股份有限公司 | 一种化工生产安全风险实时监控系统 |
| CN117612319A (zh) * | 2024-01-24 | 2024-02-27 | 上海意静信息科技有限公司 | 一种基于传感器和图片的报警信息分级预警方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610654A (zh) * | 2017-08-15 | 2018-01-19 | 天津大学 | 一种基于图像内容的多原色背光区域调光方法 |
| CN108765314A (zh) * | 2018-05-02 | 2018-11-06 | 深圳供电局有限公司 | 一种含高亮度区域的图像去雾方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5067886B2 (ja) * | 2008-10-30 | 2012-11-07 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
-
2021
- 2021-05-18 CN CN202110537573.8A patent/CN113221763B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610654A (zh) * | 2017-08-15 | 2018-01-19 | 天津大学 | 一种基于图像内容的多原色背光区域调光方法 |
| CN108765314A (zh) * | 2018-05-02 | 2018-11-06 | 深圳供电局有限公司 | 一种含高亮度区域的图像去雾方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113221763A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113221763B (zh) | 一种基于视频图像亮度的火焰识别方法 | |
| US8774503B2 (en) | Method for color feature extraction | |
| CN112381775B (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
| CN112966646B (zh) | 基于双路模型融合的视频分割方法、装置、设备及介质 | |
| CN110298297B (zh) | 火焰识别方法和装置 | |
| Luo et al. | A physical model-based approach to detecting sky in photographic images | |
| CN113537099B (zh) | 一种公路隧道火灾烟雾动态检测方法 | |
| CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
| CN113658132A (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
| JP2008085695A (ja) | 電子透かし埋め込み装置および検出装置 | |
| JP2004348674A (ja) | 領域検出方法及びその装置 | |
| CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
| CN106203461B (zh) | 一种图像处理方法及装置 | |
| CN111428556A (zh) | 一种基于胶囊神经网络的交通标志识别方法 | |
| US7620246B2 (en) | Method and apparatus for image processing | |
| Yusuf et al. | Human face detection using skin color segmentation and watershed algorithm | |
| CN113221842A (zh) | 模型训练方法、图像识别方法、装置、设备及介质 | |
| KR100488014B1 (ko) | ＹＣｒＣｂ 칼라 기반 얼굴 영역 추출 방법 | |
| KR102377056B1 (ko) | 이미지 위조 탐지 장치 및 방법 | |
| Manjare et al. | Skin detection for face recognition based on HSV color space | |
| Berbar | Skin colour correction and faces detection techniques based on HSL and R colour components | |
| CN110175257B (zh) | 一种线稿图像匹配方法、电子设备、存储介质 | |
| De Siqueira et al. | Adaptive detection of human skin in color images | |
| Chen et al. | Fire alarm using multi-rules detection and texture features classification in video surveillance | |
| CN111311696A (zh) | 一种基于高光谱解混技术的车牌真伪检测方法 |
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 |