CN113269166A - 一种跨媒体分析与推理的火灾检测算法 - Google Patents
一种跨媒体分析与推理的火灾检测算法 Download PDFInfo
- Publication number
- CN113269166A CN113269166A CN202110810334.5A CN202110810334A CN113269166A CN 113269166 A CN113269166 A CN 113269166A CN 202110810334 A CN202110810334 A CN 202110810334A CN 113269166 A CN113269166 A CN 113269166A
- Authority
- CN
- China
- Prior art keywords
- fire
- search
- fire scene
- rings
- area
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 230000001537 neural effect Effects 0.000 claims abstract description 4
- 238000002485 combustion reaction Methods 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 26
- 230000006870 function Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 239000000446 fuel Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation 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
- G06V20/10—Terrestrial scenes
-
- 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
Abstract
本发明提供一种跨媒体分析与推理的火灾检测算法,包括火场识别、特征提取、区域分割,还包括特征拟合、移动预估、以及若干个采集设备,所述特征拟合用于对火灾的移动路径进行识别;所述移动预估基于所述特征拟合的数据,对着火区域的移动路径进行预估;各个采集设备获取火场数据用于对火场进行位置识别;所述火场的区域基于前馈神经识别网络识别,并对识别后的火场区域进行特征提取以及对火势移动的范围进行预估。本发明通过采用对搜索环对火场的识别,并结合对火势的移动路径进行非线性的拟合,使得火场的过火范围能够被精准的识别;同时,结合偏心率和圆形度进行分析,使得对火场的着火分析更加的准确。
Description
技术领域
本发明涉及火灾救援技术领域,尤其涉及一种跨媒体分析与推理的火灾检测算法。
背景技术
现有的图像型火灾探测方法多是基于固定摄像机进行火灾检测与识别,场景相对固定,对一般室内、大空间的火灾具有一定探测效果,而对航空遥感视频快速变化场景下的探测,到目前为止仍然不能满足实际的应用需求。
如CN101493980A一种基于多特征融合的视频火焰探测方法及中国专利CN101587622A基于视频图像智能分析的森林的烟火检测与识别方法及设备,使用基于混合高斯模型的方法来分割出火焰运动区域,此方法不能适应快速变化场景下的火灾区域分割。中国专利CN102163358A一种基于视频图像分析的烟雾/火焰检测方法该专利在进行火焰颜色检测时虽然增加了RGB颜色的限制条件,试图检测出完整的火灾区域,但是其忽视了RGB通道间的相关性及火焰色彩的丰富性,容易将与火灾区域某些颜色相近的物体误检为森林火灾。另外,中国专利CN102496234A一种森林火灾预警方法,借助红外摄像机完成森林火灾探测,该专利未涉及具体的图像处理算法。中国专利CN201885804U和中国专利CN201844880U采用双波段红外来探测火焰,中国专利CN202195883U和中国专利CN201191222紫外波段火灾探测,中国专利CN202306757U属于多波段符合性检测技术,相对于可见光波段的探测器,它们增加了红外、紫外或多波段传感器,系统较为复杂、价格昂贵,因而限制了其推广。
为了解决本领域普遍存在无法跨媒体进行融合、无法进行预测、识别精度差和极易引起误判等等问题,作出了本发明。
发明内容
本发明的目的在于,针对目前火灾检测识别所存在的不足,提出了一种跨媒体分析与推理的火灾检测算法。
为了克服现有技术的不足,本发明采用如下技术方案:
一种跨媒体分析与推理的火灾检测算法,包括火场识别、特征提取、区域分割,还包括特征拟合、移动预估、以及若干个采集设备,所述特征拟合用于对火灾的移动路径进行识别;所述移动预估基于所述特征拟合的数据,对着火区域的移动路径进行预估;各个采集设备获取火场数据用于对火场进行位置识别;所述火场的区域基于前馈神经识别网络识别,并对识别后的火场区域进行特征提取以及对火势移动的范围进行预估;
可选的,所述特征提取包括依据搜索环对所述火场特征进行识别,其中,以各个区别点之间的最小间距作为搜索半径,并以各个区别点作为圆心划出搜索环;在各个搜索环中寻找特征点,则特征点的适应度为,则处在被识别的区域的概率为:
可选的, 对火场的所述移动预估包括:通过各个不同搜索环之间占用状态对着火区域的移动路径进行预估;对不同占用环的占用状态确认包括:识别不同的搜索环是否为占满状态;
若设定的搜索环是共有的环,则对该搜索环相邻的搜索环之间的占用情况进行检测,用以对着火区域进行拟合;
其中,在不同搜索环的特征点存在不同的,对同心环上特征点的分析还对同环占用的次数,为同心环的占用总次数;对于非同心环的分析,对整个环的占用次数,为整个搜索环的占用的总次数;在火势进行蔓延的过程中,通过对非同心环的整个环的占用因子和同心环的占用因子的确定,用以对火势的移动路径进行非线性的拟合;
可选的, 各个采集设备获取的火场数据包括传感器、相机或摄像机采集的图像或者视频数据。
可选的, 所述圆形度为过火面积S与圆形度参数F之比,圆形度参数F为:
可选的, 所述区域图像质心坐标通过各个采集设备提供的火场数据中的区域图像的像素值进行求取。
可选的,所述区域图像为火灾现场燃烧位置的图像。
本发明所取得的有益效果是:
1. 通过采用对各个区别点之间的分布形成的输入向量,并经由高斯函数进行处理,使得火场的范围能够被精准的识别出来;
2.通过采用对火场区域进行识别,还进一步的提升周围与火场相邻的区域不会对火场的确定产生干扰;
3.通过基于搜索环形成的环状的搜索范围能够对火场的范围进行限定,同时,还包括对火场的识别限定在各个特征点的所在位置形成的区域中,同时,对各个特征点形成的位置区域进行识别还对离群的异常特征点进行抛弃,使得火场位置的确定能够更加的准确;
4.通过采用多次的遍历能够保证火灾的起火位置或者过火的移动路径进行检测,提升对整个识别过程的可靠性;
5.通过多次的遍历还防止对火灾的异常检测引起的误判,提升识别的准确性;
6.通过对搜索环对火场的识别,并结合对火势的移动路径进行非线性的拟合,使得火场的过火范围能够被精准的识别,同时,结合偏心率和圆形度进行分析,使得对火场的着火分析更加的准确。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定对应的部分。
图1为本发明的控制流程示意图。
图2为所述特征区域的控制流程示意图。
图3为对所述特征区域的识别的控制流程的示意图。
图4为对过火路径确定的控制流程示意图。
图5为所述搜索环与对过火区域的偏心率和圆形度的示意图。
图6为对着火区域的移动路径进行预估操作中非同心环占用状态的示意图。
图7为本发明理想状态下的应用场景示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明;应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。对于本领域技术人员而言,在查阅以下详细描述之后,本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内、包括在本发明的范围内,并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征,并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
结合附图1-图6,本实例提供一种跨媒体分析与推理的火灾检测算法,包括火场识别、特征提取,还包括特征拟合、移动预估、以及若干个采集设备,所述特征拟合用于对火灾的移动路径进行识别;所述移动预估基于所述特征拟合的数据,对着火区域的移动路径进行预估;各个采集设备获取火场数据用于对火场进行位置识别;所述火场的区域基于前馈神经识别网络识别,并对识别后的火场区域进行特征提取以及对火势移动的范围进行预估;还包括处理器,所述处理器对整个检测算法进行处理,并与各个所述采集设备进行控制连接,使得各个所述采集设备的数据能够进行分析或者检测;另外,各个所述采集设备包括但是不局限于以下列举的几种:卫星图像、摄像机、照相机、监控探头或者执法记录仪等设备,并通过各个设备之间的相互配合,进行跨媒体的数据的占用;另外,通过火场识别、区域的分割、特征拟合、特征的提取和火势移动预估,使得对火现场进行分析,有效提升整个对火灾识别的高效性和准确性;同时,在火灾进行检测的过程中,能够基于火灾现场对移动的路径进行预估,兼顾对火灾现场的预估和预警,为火灾救援提供路径的规划或者预估;
如图2所示,所述火场识别包括从多个采集设备中获取n个图像数据或者视频数据,假设检测的区域范围中存在有h个区别点,则根据区别点确定的径向基函数的输入向量为,把高斯函数作为区别点的激活函数,则区别点i的输出函数为:
其中,i=1,2,3,…,h;为第i个径向基函数的宽度;为第i个区别点的中心;依据以区别点的分布为搜索半径进行火场特征的识别;为区别点i输出函数,其中,i∈h;通过所述高斯函数径向基函数进行激活,使得对火场的图像数据进行处理,进一步的对所述火场的区别点的位置分布能够被准确的求出;所述径向基函数为一种常规的神经网络,其具有优点:逼近能力、分类能力和学习速度均优于其他种类的神经网络,结构简单,训练简单,学习收敛速度快,可以逼近任意非线性函数,克服局部极小值问题。同时,所述径向基函数是对中心点径向对称且衰减的非负线性函数,该函数是局部响应函数,具体的局部响应体现在其可见层到隐藏层的变换跟其它的网络不同,如果应用到火灾图像中,具有更快的检测速度,获得火灾图像中的区别点。另外,在对所述径向基函数还需要通过高斯函数进行激活,即:根据输入向量和权值向量之间的距离作为自变量。而对于一幅图像的权重向量可以根据高斯(核)函数模糊,对其值进行求取。通过高斯函数对图形进行处理是本领域的技术人员所熟知的技术手段,本领域的技术人员通过查询相关的手册获知该技术,因而在本实施例中不再一一赘述;
另外,对于为第i个区别点的中心值可以通过常用的方式包括随机采样、聚类等方式确定,以加快对火灾图像的检测速度;所述区别点可以为过火面积中异常位置或者其他人为标记的点,所述异常位置包括但是不局限于以下列举的几种:凸出点、凹陷点或者高像素点等等,即:能与周围的区域存在区别的异常位置的点位;同时,对区别点的识别,可以对图像数据进行灰度化,并选定或识别出区别点,也可对根据实际的需要在图像数据中根据经验人为的设置区别点;优选的,通过图像本身具有的区别点能够提升整个识别操作的速度,也能够更贴合火场的实际的火势蔓延的实际需要;通过对各个区别点之间的分布形成的输入向量,并经由所述高斯函数进行处理,使得火场的范围能够被精准的识别出来;同时,通过对火场区域进行识别,还进一步的提升周围与火场相邻的分割,较少图像数据的处理难度,同时,检测速度更快;
进一步的,所述特征提取包括依据搜索环对所述火场特征进行识别,其中,以各个区别点之间的最小间距作为搜索半径,并以各个区别点作为圆心划出搜索环;在各个搜索环中寻找特征点,则特征点的适应度为,则处在被识别的区域的概率为:
其中,j∈N,且属于任意正整数;若超过最低阈值,则所述特征点被所述搜索环所识别;需要指出的是,每次依据图像数据并输出的区别点位置点也不完全相同,因而获得多个位置的搜索环,并能找寻多个特征点。从而根据特征点与搜索环之间的关系,处理多种采集设备的图像实现对火灾的识别。
基于所述搜索环形成的环状的搜索范围能够对火场中的着火的位置区域进行限定;同时,还包括对火场的识别限定在各个特征点所在位置形成的区域中,对各个特征点形成的位置区域进行识别还对离群的异常特征点进行抛弃,使得火场位置的确定能够更加的准确;同时,处于各个所述搜索环中的各个特征点能够识别出,基于适应度和概率进行确定;即:超过设定的最低阈值才能被识别并形成搜索环中的特征点;所述阈值包括但是不局限于以下列举的:特征点密度、特征点的最低距离或者确定特征点的灰度值等;阈值具体的数值根据实际考查的范围进行人为的预置或者设置,因而不再一一赘述;
其中,t为更新时间节点;为旋转的角度偏移量,将设置在限定范围内,则可以各个特征点进行动态的调整;所述限定范围设置为(0,2π);在对特征点进行检测的过程中,针对不同的检测周期中不同的特征点的分布矩阵进行多次进行检测,使得对同一火场图像进行不同周期的检测,确保整个火场的数据能够高效和可靠的检测;另外,对于的角度偏移量的设置可以根据实际的需要进行确定;同时,值的取值越小,动态调整的精度越高,但检测的耗时增加,若的取值越大,动态调整的精度越低,检测的速度越快;对于值的确定也可以根据经验法进行设定或者进行多次的试验获得,在此处不再一一赘述; 在本实例取值为0.25π,获得如图6所示,且图中为理想状态下的,即:同心环;在本实施例中,对各个采集设备的获取通过多次遍历执行以获得不同的检测范围,每次遍历执行为一个检测周期;通过多次遍历执行能够保证火灾的起火位置或者着火位置的移动路径更加的精确,提升对整个识别过程的可靠性;另外,通过多次的遍历还防止对火灾的异常检测引起的误判,提升识别的准确性;
一个检测周期包括以下的步骤:
Step1:从n个图像数据中选取h个区别点,则根据区别点确定的径向基函数的输入向量为,把高斯函数作为区别点的激活函数,并识别出区别点,并根据区别点的输出对生成以各个区别点之间的最小间距作为搜索半径,并以各个区别点作为圆心划出搜索环(如图5中的R1和R2,图中为理想状态下的同心环),并对各个搜索环进行火势的移动路径拟合;
Step5:对确定的搜索环的占用情况进行确定,区分同心环和非同心环两种情况;
Step6:确定着火的区域与搜索环的关系,通过偏心率和圆形度进行分析,以获得最准确拟合出的火势的移动路径;
在遍历执行的过程中,逐步增大搜索环的半径,即:检测过的特征点,则依次进行抛弃,选用新的特征点;并循环执行上述Step1-Step6的步骤,直到获取最佳的拟合出火势的移动路径为止;
进一步的,如图4所示,火场的移动预估路径还通过各个不同搜索环之间占用对火势的移动路径进行预估,若设定的搜索环是共有的环,则与该搜索环相邻的搜索环之间的占用情况进行检测,即可对火势移动的路径进行确定;在对识别出来的特征区域中,还需要通过对过火的面积进行检测和预估,实现救援工作或者火灾的防护提供最佳的方案;同时,对火场移动预估的路径还能在火场移动的路径上建立隔离带,有效的损失最小化,保障生命财产安全;若过火面积超过搜索环,则该搜索环就设置为共享的搜索环,并检测与该搜索环相邻近的搜索环占用情况,并对其进行叠加;若存在所述搜索环中的过火面积未占满所述搜索环,则通过对火场分布的偏心率和圆形度进行分析,使得火场的过火面积能够被精准确定;另外,上述的火势的移动路径是基于相邻的一个连续的检测周期进行确定,使得在该检测周期中的火势的移动路径能被精准确定;
另外,对火场的所述移动预估包括:通过各个不同搜索环之间占用状态对着火区域的移动路径进行预估;对不同占用环的占用状态确认包括:识别不同的搜索环是否为占满状态;
若设定的搜索环是共有的环,则对该搜索环相邻的搜索环之间的占用情况进行检测,用以对着火区域进行拟合;
其中,在不同搜索环的特征点存在不同的,对同心环上特征点的分析还对同环占用的次数,为同心环的占用总次数;对于非同心环的分析,对整个环的占用次数,为整个搜索环的占用的总次数;在火势进行蔓延的过程中,通过对非同心环的整个环的占用因子和同心环的占用因子的确定,用以对火势的移动路径进行非线性的拟合;
其中,和为校准参数,其值与搜索半径正相关;在本实施例中,由于火势的蔓延是不规则的,因而通过近似拟合的方式进行拟合,以获得火势的移动路径趋势;另外,火势移动的路径与搜索环的占用呈非线性关系;对于同心环和非同心环的确定均需要通过偏心率和圆形度对超过搜索环的其他的着火区域进行拟合,以获取所述火势的移动路径;
若在同心环中, 1)存在>,则为占满的状态,此时,则比较同心环相邻的搜索环的情况,相邻的搜索环未被完全占满,则通过偏心率和圆形度进行拟合,并叠加上次和本次的区域,则此时所述火势的移动路径为叠加的区域;相邻的搜索环被完全占满,则进入下一相邻搜索环的情况进行确定,直到识别出所述火势的移动路径为止;其中,搜索环的半径逐步增大,由内环逐步向外依次检测占满情况;2)存在<,则为未占满状态,通过偏心率和圆形度进行拟合,拟合的区域为所述火势的移动路径;
同理,若在非同心环中,取最小搜索环(如图6中A搜索环,其中,选用的最小搜索环必须为占满状态)作为基础,并检测该搜索环的占满情况,1)若存在>,则为占满的状态,则通过与该搜索环相交的相邻的搜索环的占用情况进行确定,则对该搜索环的和的关系进行确定,若也为占满状态,则占满区域累加,并选用另一相交的搜索环循环进行并逐步累计,直到识别出所述火势的移动路径为止;2)若最小搜索环环中存在<,则为未占满状态,则直接通过偏心率和圆形度进行拟合,拟合的区域为所述火势的移动路径;图6中的阴影部分为燃烧的区域;
另外,对于占用因子的确定还基于校准参数、搜索半径有关,通过对所述校准参数或者搜索半径进行调整,使得对过火区域进行拟合,以获得最准确的过火区域;若为同心搜搜环的场景,则为理想的状态,如图7所示;
进一步的,各个采集设备获取的火场数据包括传感器、相机或摄像机采集的图像或者视频数据;各个所述采集设备获取的数据还包括风力的大小、风向和温度等参数,使得对火灾的识别能够被精准的把控;
进一步的,对着火区域进行拟合包括对火场过火面积的偏心率和圆形度进行分析,其中,所述偏心率为,即:火场的区域图像质心坐标到边界的最大距离与火场的区域图像质心坐标到边界的最小距离之比;对于所述采集设备的图像数据,优选的检测角度采用垂直于所述火场的正视图像,使得对所述偏心率和所述圆形度能够更加的贴切的进行检测;另外,对所述火场的其他方向采集的图像数据也能对所述火场的偏心率和圆形度进行识别,在对这类图像数据进行检测的过程中,需要获取采集设备的更加多的采集参数,所述采集参数包括:如:采集设备与火场的距离、角度、采集设备采集的高度等参数,并转化为垂直于火场的正视图像的检测方法;而对于所述采集设备在不同角度获取图像数据持有的采集参数,是可以通过测量的手段获取的,也是本领域的技术人员熟知的一种手段,因而在本实施例中,不再一一赘述;
以下是基于垂直于所述火场的正视视图的特征图像进行识别的方法,其他角度采集的图像数据也可以转换为正视视图的特征图像再进行识别,此处不再过多赘述;
所述圆形度为过火面积S与圆形度参数F之比,圆形度参数F为:
其中,为边界的像素点总数;(U,V)为区域图像质心坐标;u为目标区域图像的横坐标;v为目标区域图像的纵坐标;为边界像素点个数,,取值范围为的任意正整数;所述区域图像的范围可以通过置入或者限定某一设定的范围,使得所述检测区域能够的圆形度能被精准的识别出来;
进一步的,所述过火图像质心通过各个采集设备提供的图像数据中的区域图像的像素值进行求取;
对于区域图像中的质心的确定的方法包括:
在U方向和V方向上分别独立的找出质心;即:对于U方向的质心,图像在质心左右两边的像素和相等;对于V方向的质心,图像在质心上下两边的像素和相等;设图像中每一像素在U方向上坐标为;对应的像素值为:;质心在U方向上的坐标为u,则存在:
进一步转换可得:
其中,m为在图像中像素的个数;
对于v方向上的质心的求解与u方向上的质心的求解类似,不再一一赘述;通过求出过火图像的质心坐标(U,V)后,即可获得圆形度参数和圆形度;
进一步的,所述区域图像质心坐标通过各个采集设备提供的火场数据中的区域图像的像素值进行求取,同时,所述区域图像为火灾现场燃烧位置的图像。
另外,结合附图1-图7,除了包含以上内容以外,还在于:基于各个采集设备采集的数据,对各个采集设备获取的火场数据包括传感器、相机或摄像机采集的图像或者视频数据。各个所述采集设备获取的数据还包括风力的大小、风向和温度等参数,使得对火灾的识别能够被精准的把控。若对正在燃烧的火场进行检测,则通过所述传感器对所述火场的风力或者风力进行检测,使得对整个检测的过程更加的精准和可靠。公知的,风速对燃烧速率的影响取决于燃料层厚度,较大尺寸的燃料因孔隙率大其燃烧速率增加明显,通过对燃料层的厚度以及燃料材料的影响综合考虑,并获取或者测量燃料层的厚度以及燃料材料,则能获得过火面积S的精准值,并结合实施例一所描述的方法,即:考虑火场的风速和材料的材质等因素的影响,还能进一步的获取火势的移动路径的精度更高。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。也就是说上面讨论的方法,系统和设备是示例。各种配置可以适当地省略,替换或添加各种过程或组件。例如,在替代配置中,可以以与所描述的顺序不同的顺序执行方法,和/或可以添加,省略和/或组合各种部件。而且,关于某些配置描述的特征可以以各种其他配置组合,如可以以类似的方式组合配置的不同方面和元素。此外,随着技术发展其中的元素可以更新,即许多元素是示例,并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而,可以在没有这些具体细节的情况下实践配置例如,已经示出了众所周知的电路,过程,算法,结构和技术而没有不必要的细节,以避免模糊配置。该描述仅提供示例配置,并且不限制权利要求的范围,适用性或配置。相反,前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下,可以对元件的功能和布置进行各种改变。
综上,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (9)
1.一种跨媒体分析与推理的火灾检测算法,包括火场识别、特征提取、区域分割,其特征在于,还包括特征拟合、移动预估、以及若干个采集设备,所述特征拟合用于对火灾的移动路径进行识别;所述移动预估基于所述特征拟合的数据,对着火区域的移动路径进行预估;各个采集设备获取火场数据用于对火场进行位置识别;所述火场的区域基于前馈神经识别网络识别,并对识别后的火场区域进行特征提取以及对火势移动的范围进行预估;
4.根据权利要求3所述的一种跨媒体分析与推理的火灾检测算法,其特征在于,对火场的所述移动预估包括:通过各个不同搜索环之间占用状态对着火区域的移动路径进行预估;对不同占用环的占用状态确认包括:识别不同的搜索环是否为占满状态;
若设定的搜索环是共有的环,则对该搜索环相邻的搜索环之间的占用情况进行检测,用以对着火区域进行拟合;
其中,在不同搜索环的特征点存在不同的,对同心环上特征点的分析还对同环占用的次数,为同心环的占用总次数;对于非同心环的分析,对整个环的占用次数,为整个搜索环的占用的总次数;在火势进行蔓延的过程中,通过对非同心环的整个环的占用因子和同心环的占用因子的确定,用以对火势的移动路径进行非线性的拟合;
5.根据权利要求4所述的一种跨媒体分析与推理的火灾检测算法,其特征在于,各个采集设备获取的火场数据包括传感器、相机或摄像机采集的图像或者视频数据。
8.根据权利要求6或7任一项所述的一种跨媒体分析与推理的火灾检测算法,其特征在于,所述区域图像质心坐标通过各个采集设备提供的火场数据中的区域图像的像素值进行求取。
9.根据权利要求8所述的一种跨媒体分析与推理的火灾检测算法,其特征在于,所述区域图像为火灾现场燃烧位置的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810334.5A CN113269166B (zh) | 2021-07-19 | 2021-07-19 | 一种跨媒体分析与推理的火灾检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810334.5A CN113269166B (zh) | 2021-07-19 | 2021-07-19 | 一种跨媒体分析与推理的火灾检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269166A true CN113269166A (zh) | 2021-08-17 |
CN113269166B CN113269166B (zh) | 2021-09-24 |
Family
ID=77236675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110810334.5A Active CN113269166B (zh) | 2021-07-19 | 2021-07-19 | 一种跨媒体分析与推理的火灾检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269166B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7541938B1 (en) * | 2006-03-29 | 2009-06-02 | Darell Eugene Engelhaupt | Optical flame detection system and method |
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 |
CN110097123A (zh) * | 2019-05-05 | 2019-08-06 | 北京印刷学院 | 一种快件物流过程状态检测多分类系统 |
CN111882810A (zh) * | 2020-07-31 | 2020-11-03 | 广州市微智联科技有限公司 | 一种火灾识别与预警方法及其系统 |
CN112001217A (zh) * | 2020-06-18 | 2020-11-27 | 天津博诺智创机器人技术有限公司 | 基于深度学习的多人人体姿态估计算法 |
CN112307884A (zh) * | 2020-08-19 | 2021-02-02 | 航天图景(北京)科技有限公司 | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 |
-
2021
- 2021-07-19 CN CN202110810334.5A patent/CN113269166B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7541938B1 (en) * | 2006-03-29 | 2009-06-02 | Darell Eugene Engelhaupt | Optical flame detection system and method |
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 |
CN110097123A (zh) * | 2019-05-05 | 2019-08-06 | 北京印刷学院 | 一种快件物流过程状态检测多分类系统 |
CN112001217A (zh) * | 2020-06-18 | 2020-11-27 | 天津博诺智创机器人技术有限公司 | 基于深度学习的多人人体姿态估计算法 |
CN111882810A (zh) * | 2020-07-31 | 2020-11-03 | 广州市微智联科技有限公司 | 一种火灾识别与预警方法及其系统 |
CN112307884A (zh) * | 2020-08-19 | 2021-02-02 | 航天图景(北京)科技有限公司 | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 |
Non-Patent Citations (1)
Title |
---|
张晓婷 等: "王正非林火蔓延模型改进研究", 《山东林业科技》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113269166B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392015B (zh) | 一种基于半监督学习的入侵检测方法 | |
US20240062518A1 (en) | Method, apparatus, computer device and storage medium for detecting objects thrown from height | |
Shih | A robust occupancy detection and tracking algorithm for the automatic monitoring and commissioning of a building | |
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 | |
Zhao et al. | SVM based forest fire detection using static and dynamic features | |
CN112132090A (zh) | 一种基于yolov3的烟火自动检测预警方法 | |
CN115691026B (zh) | 一种森林防火的智能预警监控管理方法 | |
CN107437318B (zh) | 一种可见光智能识别算法 | |
US20150213299A1 (en) | Infrared image based early detection of oil spills in water | |
CN106646651A (zh) | 一种火灾火点检测方法 | |
CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
KR102195706B1 (ko) | 침입 탐지방법 및 그 장치 | |
CN112069975A (zh) | 一种基于紫外、红外、视觉的综合火焰检测方法 | |
CN112068111A (zh) | 一种基于多传感器信息融合的无人机目标侦测方法 | |
CN107633215B (zh) | 一种高空视频监控中小微模糊目标的甄别方法 | |
CN112001327B (zh) | 一种阀厅设备故障识别方法及系统 | |
CN107688793A (zh) | 一种变电站室外火灾自动监测预警方法 | |
CN105575034A (zh) | 一种双波段森林防火智能监控软件图像处理分析方法 | |
CN114664048B (zh) | 一种基于卫星遥感监测的火情监测及火灾预警方法 | |
CN108682105A (zh) | 一种基于多光谱的输电线路山火勘测预警装置及预警方法 | |
US20140040173A1 (en) | System and method for detection of a characteristic in samples of a sample set | |
CN113076899B (zh) | 一种基于目标跟踪算法的高压输电线路异物检测方法 | |
CN113269166B (zh) | 一种跨媒体分析与推理的火灾检测算法 | |
CN109658429A (zh) | 一种基于边界分维数的红外图像卷云检测方法 | |
CN114120171A (zh) | 基于视频帧的火灾烟雾检测方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |