CN113298027A - 一种火焰检测方法、装置、电子设备和存储介质 - Google Patents
一种火焰检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113298027A CN113298027A CN202110660886.2A CN202110660886A CN113298027A CN 113298027 A CN113298027 A CN 113298027A CN 202110660886 A CN202110660886 A CN 202110660886A CN 113298027 A CN113298027 A CN 113298027A
- Authority
- CN
- China
- Prior art keywords
- flame
- value
- video frames
- brightness
- preset number
- 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 101
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 239000000779 smoke Substances 0.000 description 6
- 238000002485 combustion reaction Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation 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
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本申请公开了一种火焰检测方法、装置、电子设备和存储介质,该方法包括:获取预设数量的视频帧,将预设数量的视频帧转换为HSV格式的视频帧,得到预设数量的HSV格式的视频帧;确定预设数量的HSV格式的视频帧对应Value通道的亮度概值;根据预设数量的HSV格式的视频帧对应Value通道的亮度概值,生成亮度脉冲波形图;将亮度脉冲波形图输入火焰脉冲检测器进行检测,得到火焰检测结果。该方法利用火焰亮度脉冲波形图判断是否存在火焰,能够有效减少火焰告警误报率,提高红外模式下火灾报警的准确度,避免了相关技术中在红外场景下利用火焰的颜色、形状特点,火焰检测难度大,无法准确检测并产生较多误检测缺陷。
Description
技术领域
本申请涉及火焰检测技术领域,特别涉及一种火焰检测方法、装置、电子设备和存储介质。
背景技术
针对正常场景下的火焰检测,由于正常场景下的火焰有颜色、形态等较为明显的特征,这些特征有利于神经网络学习,从而训练出较好的检测模型。而针对于红外场景下,火焰失去颜色信息,形态也会变成像路灯、车灯一样的光球,特征不明显,这些因素将大大增加检测难度,还会伴随误检。
因此,如何提供一种红外场景下提高火焰检测的准确度的方案是本领域技术人员目前需要解决的问题。
发明内容
本申请的目的是提供一种火焰检测方法、装置、电子设备和存储介质,利用火焰亮度脉冲波形图判断是否存在火焰,能够有效减少火焰告警误报率,提高红外模式下火灾报警的准确度。其具体方案如下:
第一方面,本申请公开了一种火焰检测方法,包括:
获取预设数量的视频帧,将所述预设数量的视频帧转换为HSV格式的视频帧,得到所述预设数量的HSV格式的视频帧;
确定所述预设数量的HSV格式的视频帧对应Value通道的亮度概值;
根据所述预设数量的HSV格式的视频帧对应Value通道的亮度概值,生成亮度脉冲波形图;
将所述亮度脉冲波形图输入火焰脉冲检测器进行检测,得到火焰检测结果。
可选的,所述根据所述预设数量的HSV格式的视频帧对应Value通道的亮度概值,生成亮度脉冲波形图,包括:
根据所述预设数量的HSV格式的视频帧对应Value通道的亮度概值,确定相邻视频帧对应亮度概值的差值绝对值;
利用所述相邻视频帧对应亮度概值的差值绝对值,生成所述亮度脉冲波形图。
可选的,所述确定所述预设数量的HSV格式的视频帧对应Value通道的亮度概值,包括:
其中,所述binvalue为Value通道的像素值,取值范围为N到255,所述N根据火焰亮度范围确定;所述binnum为像素值为所述binvalue的数目。
可选的,当所述火焰检测结果为存在火焰时,在所述得到火焰检测结果之后,还包括:
提取所述预设数量的HSV格式的视频帧中的Value通道的图像,并将所述Value通道的图像分割为指定数量的图像块;
确定所述预设数量的Value通道的图像中相邻图像对应图像块的亮度差值绝对值之和最大的图像块;
获取所述预设数量的视频帧中最后一帧的二值图,并根据所述二值图,确定所述二值图中疑似火焰的外接矩形框;
根据所述二值图中疑似火焰的外接矩形框和所述亮度差值绝对值之和最大的图像块,确定火焰坐标框。
可选的,所述根据所述二值图中疑似火焰的外接矩形框和所述亮度差值绝对值之和最大的图像块,确定火焰坐标框,包括:
将所述二值图中疑似火焰的外接矩形框中,距离所述亮度差值绝对值之和最大的图像块最近的矩形框作为所述火焰坐标框。
可选的,在所述提取所述预设数量的HSV格式的视频帧中的Value通道的图像之前,还包括:
缩放所述预设数量的HSV格式的视频帧,得到缩放后的预设数量的HSV格式的视频帧;
对应的,所述提取所述预设数量的HSV格式的视频帧中的Value通道的图像,包括:
提取所述缩放后的预设数量的HSV格式的视频帧中的Value通道的图像。
可选的,所述根据所述二值图,确定所述二值图中疑似火焰的外接矩形框,包括:
根据所述二值图,确定所述二值图中疑似火焰的初始外接矩形;
根据所述二值图对应的初始外接矩形的面积进行阈值过滤,得到所述二值图中疑似火焰的外接矩形框。
第二方面,本申请公开了一种火焰检测装置,包括:
获取模块,用于获取预设数量的视频帧,将所述预设数量的视频帧转换为HSV格式的视频帧,得到所述预设数量的HSV格式的视频帧;
确定模块,用于确定所述预设数量的HSV格式的视频帧对应Value通道的亮度概值;
生成模块,用于根据所述预设数量的HSV格式的视频帧对应Value通道的亮度概值,生成亮度脉冲波形图;
检测模块,用于将所述亮度脉冲波形图输入火焰脉冲检测器进行检测,得到火焰检测结果。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述火焰检测方法的步骤。
第四方面,本申请公开了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述火焰检测方法的步骤。
本申请提供一种火焰检测方法,包括:获取预设数量的视频帧,将所述预设数量的视频帧转换为HSV格式的视频帧,得到所述预设数量的HSV格式的视频帧;确定所述预设数量的HSV格式的视频帧对应Value通道的亮度概值;根据所述预设数量的HSV格式的视频帧对应Value通道的亮度概值,生成亮度脉冲波形图;将所述亮度脉冲波形图输入火焰脉冲检测器进行检测,得到火焰检测结果。
可见,本申请中由于火焰的不稳定燃烧会产生脉冲抖动,因此利用火焰亮度变化产生亮度脉冲,生成亮度脉冲波形图,将亮度脉冲波形图输入火焰脉冲检测器检测是否存在火焰,即本申请利用火焰的亮度脉冲波形图来检测是否存在火焰,能够有效识别红外场景下的火焰,避免了相关技术中在红外场景下利用火焰的颜色、形状特点,火焰检测难度大,无法准确检测并产生较多误检测缺陷,本申请利用火焰亮度脉冲波形图判断是否存在火焰,能够有效减少火焰告警误报率,提高红外模式下火灾报警的准确度。本申请同时还提供了一种火焰检测装置、一种电子设备和计算机可读存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种火焰检测方法的流程图;
图2a为本申请实施例所提供的一种有火焰的亮度脉冲波形图;
图2b为本申请实施例所提供的一种无火焰的亮度脉冲波形图;
图3为本申请实施例所提供的一种具体实施例的火焰检测的流程示意图;
图4为本申请实施例所提供的又一种火焰检测方法的流程图;
图5为本申请实施例所提供的一种具体实施例中定位火焰位置方法的流程示意图;
图6为本申请实施例所提供的一种火焰检测结果示意图;
图7为本申请实施例所提供的一种火焰检测装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
当前的火焰检测方案中,大多是检测正常场景下的火焰,而智能监控设备到了晚上会自动转为红外模式,正常场景下的火焰检测算法在红外场景下就失效了,无法高精度的检测出火焰。且相关技术中的基于红外视频图像的火焰检测识别方法,利用亮度阈值对相邻两帧红外图像分别提取疑似火焰区域,再对相邻两帧的疑似火焰区域进行目标匹配,对目标匹配结果进行目标删除判定,利用设定的目标置信度和相邻两帧相同目标的相关性进行火焰目标识别。该方案是在已知红外场景下进行的,而且只对红外视频相邻两帧进行分析判定并确定火焰位置,缺陷是没有考虑红外场景下类似火焰的灯光带来的误检问题,如果红外场景下只有灯光,且存在行人、车辆等移动物体对其遮挡的情况,此方案就会产生很多误报。还有一种烟火检测方法及装置,该方法首先确定当前采用白天模式还是晚上模式。白天模式下,采集多帧图像,根据每帧图像中的每个像素点的像素值确定是否为烟雾像素点,根据候选烟雾像素点的数量确定疑似烟雾区域,根据每个疑似烟雾区内像素点属性信息,确定目标烟雾区域。夜晚模式下,根据多帧图像中的像素点灰度值确定疑似火焰像素点,根据疑似火焰像素点灰度值确定火焰闪烁区域,最后根据闪烁区域内的像素点属性信息确定目标火焰区域。该方案通过多帧图像中的像素点的灰度值确定疑似火焰像素点,这一步骤中的疑似火焰像素点灰度值阈值需要经过实验来确定,受环境影响较大,鲁棒性较差,会有较多误检。而根据疑似火焰像素点在前几帧每相邻两帧图像中像素点的灰度值,确定火焰闪烁区域,也会造成闪烁区域的误判,对火焰位置的定位造成较大干扰。
基于上述技术问题,本实施例提供一种火焰检测方法,利用火焰亮度脉冲波形图判断是否存在火焰,能够有效减少火焰告警误报率,提高红外模式下火灾报警的准确度。具体请参考图1,图1为本申请实施例所提供的一种火焰检测方法的流程图,具体包括:
S101、获取预设数量的视频帧,将预设数量的视频帧转换为HSV格式的视频帧,得到预设数量的HSV格式的视频帧。
本实施例并不限定预设数量的具体大小,可根据实际需求进行选取,例如可以是7个视频帧。可以理解的是,无论是正常场景还是红外场景,监控设备录取的视频的图像都是以RGB格式读入,本实施例将预设数量的RGB格式视频帧转化为HSV格式的视频帧,得到预设数量的HSV格式的视频帧,其中,HSV颜色模型(Hue,Saturation,Value)是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间,也称六角锥体模型(Hexcone Model),H代表色调,S代表饱和度、V代表亮度。
S102、确定预设数量的HSV格式的视频帧对应Value通道的亮度概值。
可以理解的是,HSV格式的视频帧包含三个通道,本实施例在得到预设数量的HSV格式的视频帧之后,确定预设数量的HSV格式的视频帧中Value通道的亮度概值。还可以理解的是,视频帧中存在多个像素值,可将亮度概值理解为亮度均值,但不是真正意义的亮度均值。
本实施例并不限定确定亮度概值的具体方式,可以根据相邻视频帧对应的亮度概值的差值绝对值,来绘制亮度脉冲波形图,例如,获取7个视频帧的亮度概值,取相邻两帧差值的绝对值,总共6个数据,绘制成亮度脉冲波形图;还可以是非相邻视频帧之间对应亮度概值的差值绝对值,来绘制亮度脉冲波形图,例如,第1,3,5,7视频帧对应亮度概值的差值绝对值,来绘制亮度脉冲波形图。在一种具体的实施例中,确定预设数量的HSV格式的视频帧对应Value通道的亮度概值,可以包括:
其中,binvalue为Value通道的像素值,取值范围为N到255,N根据火焰亮度范围确定;binnum为像素值为binvalue的数目。
本实施例中利用上述公式来计算亮度概值V_value,其中,binvalue为Value通道的像素值,取值范围为N到255,N根据火焰亮度范围确定;binnum为像素值为binvalue的数目。可以理解的是,亮度概值的分母是一个固定的值(比如是55,1-10相加结果),相当于对结果做了一次归一化处理,让结果平滑,不至于差异很大,无论是binnum或者binvalue的增加,最终按照比例将结果绘制在一张图上,亮度概值都可以直观的反应出亮度变化。亮度平均值的分母是不确定的(比如图像大小为10*10),分母的范围就是1-100之间,举个例子:binnum的数量是15,binvalue的数值是15,那结果就是15;binnum的数量是1,binvalue的数量是255,那结果就是255,15个像素点的变化反而被1个像素点的变化影响了,最终按照比例将结果绘制在一张图上,15个像素点的亮度变化基本是无法反应出来的。实际场景中15个像素点可能就是火焰,而一个像素点一定不是火焰,所以不能用亮度平均值反应亮度变化,而是用亮度概值反应亮度的变化。
S103、根据预设数量的HSV格式的视频帧对应Value通道的亮度概值,生成亮度脉冲波形图。
可以理解的是,由于火焰的不稳定燃烧会产生忽明忽暗的脉冲抖动,因此本实施例在确定了预设数量的视频帧的亮度概值后,根据得到的亮度概值,生成亮度脉冲波形图,以利用亮度脉冲波形图进行火焰检测。本实施例并不限定根据得到的亮度概值,生成亮度脉冲波形图的具体方式,可以根据相邻视频帧对应的亮度概值的差值绝对值,来绘制亮度脉冲波形图,例如,获取7个视频帧的亮度概值,取相邻两帧差值的绝对值,总共6个数据,绘制成亮度脉冲波形图;还可以是非相邻视频帧之间对应亮度概值的差值绝对值,来绘制亮度脉冲波形图,例如,第1,3,5,7视频帧对应亮度概值的差值绝对值,来绘制亮度脉冲波形图。
在一种具体的实施例中,根据预设数量的HSV格式的视频帧对应Value通道的亮度概值,生成脉冲波形图,可以包括:
根据预设数量的HSV格式的视频帧对应Value通道的亮度概值,确定相邻视频帧对应亮度概值的差值绝对值;
利用相邻视频帧对应亮度概值的差值绝对值,生成脉冲波形图。
本实施例中根据相邻视频帧对应的亮度概值的差值绝对值,来绘制亮度脉冲波形图,即首先根据预设数量的HSV格式的视频帧对应Value通道的亮度概值,确定相邻视频帧对应亮度概值的差值绝对值,然后,再根据相邻视频帧对应亮度概值的差值绝对值,绘制亮度脉冲波形图。图2a为本实施例提供的一种有火焰的亮度脉冲波形图;图2b为本实施例提供的一种无火焰的亮度脉冲波形图。
S104、将亮度脉冲波形图输入火焰脉冲检测器进行检测,得到火焰检测结果。
本实施例并限定火焰脉冲检测器所采用的具体算法,可以是CNN算法(Convolutional Neural Network,卷积神经网络),还可以是其他算法。本实施例将亮度脉冲波形图输入到火焰脉冲检测器进行检测,得到火焰检测结果,即包含有火焰的信息,或是无火焰的信息。例如,当采用CNN网络模型时,火焰脉冲检测器可由四个卷积层和三个全连接层组成的CNN网络,输出为0和1,0代表无火,1代表有火。
可以理解的是,本实施例主要是针对红外场景下的火焰检测,但是正常场景下的火焰检测也是适用的,但是检测效果不如红外场景。因此,为了提高火焰检测准确率,本实施例中在将亮度脉冲波形图输入到火焰脉冲检测器进行检测之前,还可通过HSV格式的视频帧对应Hue通道直方图,判断当前场景处在正常场景还是红外场景,若在红外场景下,Hue通道直方图的每个像素点的像素值都为0,判断为红外场景之后,再将亮度脉冲波形图送到火焰脉冲检测器中进行预测。图3为本实施例提供的一种具体实施例的火焰检测的流程示意图。
基于上述技术方案,本实施例由于火焰的不稳定燃烧会产生脉冲抖动,因此利用火焰的脉冲特性,生成脉冲波形图,将脉冲波形图输入火焰脉冲检测器检测是否存在火焰,即本申请利用火焰的脉冲特性来检测是否存在火焰,能够有效识别红外场景下的火焰。
基于上述实施例,为了能够在确定存在火焰的情况下,精确报警并对其进行火焰定位,本实施例提供一种火焰检测方法,具体请参考图4,图4为本申请实施例所提供的另一种火焰检测方法的流程图,包括:
S401、获取预设数量的视频帧,将预设数量的视频帧转换为HSV格式的视频帧,得到预设数量的HSV格式的视频帧。
S402、确定预设数量的HSV格式的视频帧对应Value通道的亮度概值。
S403、根据预设数量的HSV格式的视频帧对应Value通道的亮度概值,生成脉冲波形图。
S404、将脉冲波形图输入火焰脉冲检测器进行检测,得到火焰检测结果。
步骤S401至步骤S401可参考上述实施例,本实施例不再进行赘述。
S405、提取预设数量的HSV格式的视频帧中的Value通道的图像,并将Value通道的图像分割为指定数量的图像块。
本实施例首先提取预设数量的HSV格式的视频帧中的Value通道的图像,然后将Value通道的图像分割为指定数量的图像块,本实施例并不限定指定数量的具体大小,可以是6*4=24,还可以是分割为其他数量的图像块。
在一种具体的实施例中,为了提高图像分割的粒度,并提高判别火焰位置的准确性,本实施例在提取预设数量的HSV格式的视频帧中Value通道的图像之前,还可以包括:
缩放预设数量的HSV格式的视频帧,得到缩放后的预设数量的HSV格式的视频帧;
可以理解的是,本实施例通过对预设数量的HSV格式的视频帧进行缩放,然后再进行分割图像块,能够提高分割粒度,更精确的定位火焰位置。本实施例并不限定缩放的具体大小,例如可以缩放为384*216大小。
对应的,提取预设数量的HSV格式的视频帧中Value通道的图像,可以包括:
提取缩放后的预设数量的HSV格式的视频帧中Value通道的图像。
若对预设数量的HSV格式的视频帧进行缩放后,对应的,提取缩放后的预设数量的HSV格式的视频帧中Value通道的图像。
S406、确定预设数量的Value通道的图像中相邻图像对应图像块的亮度差值绝对值之和最大的图像块。
可以理解的是,火焰是动态的,亮度变化较大。因此利用该特性,本实施例根据多帧图像之间亮度变化,取亮度差值绝对值之和最大的图像块,可有效提高定位火焰位置的准确性。本实施例并不限定确定相邻图像对应图像块的亮度差值绝对值之和最大的图像块的具体过程,可以是计算预设数量的目标图像中相邻图像对应图像块的亮度差值绝对值之和,得到指定数量的亮度差值绝对值之和;再将亮度差值绝对值之和从大到小排序,从指定数量的亮度差值绝对值之和中,选取指定数量的亮度差值绝对值之和最大的图像块。例如,将提取的7帧Value通道的图像缩放至384*216大小,分割成6*4=24的图像块,统计第1帧至第7帧图像中相邻帧对应图像块亮度差值绝对值之和,将亮度差值绝对值之和从大到小排序,取亮度差值绝对值之和最大的图像块,可初步确定火焰的位置。
S407、获取预设数量的视频帧中最后一帧的二值图,并根据二值图,确定二值图中疑似火焰的外接矩形框。
可以理解的是,在初步确定火焰位置后,为了进一步提高定位火焰位置的准确度,可以结合多帧图像亮度变化以及单帧图像疑似火焰外接矩形框确定火焰位置,精准报警并对其进行火焰定位。
本实施例中获取预设数量的视频帧中最后一帧的二值图,并确定该二值图中疑似火焰的外接矩形框。其中,二值图(Binary Image)是指将图像上的每一个像素只有两种可能的取值或灰度等级状态,经常用黑白图像表示二值图。本实施例确定最后一帧的二值图的方式,可以是将像素值大于像素阈值的置为255,小于像素阈值的置为0。本实施例并不限定像素阈值的具体大小,可根据实际经验进行设定。例如,共有7帧视频帧,对已经做过缩放和颜色通道转换的第7帧Value通道的图像并进行阈值分割,像素值大于像素阈值的全部置为255,小于像素阈值的全部置为0。
可以理解的是,在确定存在火焰并定位火焰位置后,将火焰位置进行上报,因此,需要获取最后一帧的二值图,再确定该二值图中疑似火焰的外接矩形框,本实施例不再赘述根据二值图,确定疑似火焰的外接矩形框的具体方式,可参考现有技术。
在一种具体的实施例中,为了减小较小反光物体产生的误检干扰,根据二值图,确定二值图中疑似火焰的外接矩形框,可以包括:
根据二值图,确定二值图中疑似火焰的初始外接矩形;
根据二值图中疑似火焰的初始外接矩形的面积进行阈值过滤,得到二值图中疑似火焰的外接矩形框。
本实施例在确定在二值图中疑似火焰的初始外接矩形后,还进行了阈值过滤。可以理解的是,夜间会存在反光物体对火焰的定位进行干扰,例如,夜晚的灯泡和车灯照在金属物上,产生微弱光对火焰定位造成误检,由于产生的微弱光的面积较小,因此可通过面积阈值过滤,减小误检率。,因此,本实施例可通过根据二值图中疑似火焰的初始外接矩形的面积进行阈值过滤,具体的,可以是将二值图中疑似火焰的初始外接矩形的面积小于面积阈值的过滤掉,大于面积阈值的可确定为二值图中疑似火焰的外接矩形框,即得到疑似火焰外接矩形框。
S408、根据二值图中疑似火焰的外接矩形框和亮度差值绝对值之和最大的图像块,确定火焰坐标框。
本实施例在确定了二值图中疑似火焰的外接矩形框,和亮度差值绝对值之和最大的图像块后,即可进一步的更加精确的确定火焰坐标框,即确定火焰的具体位置。
本实施例并不限定根据二值图中疑似火焰的外接矩形框和亮度差值绝对值之和最大的图像块,确定火焰坐标框的具体方式,可以是将二值图中疑似火焰的外接矩形框中,与亮度差值绝对值之和最大的图像块距离最近的矩形框作为火焰坐标框;还可以是其他方式。
在一种具体的实施例中,根据二值图中疑似火焰的外接矩形框和亮度差值绝对值之和最大的图像块,确定火焰坐标框,可以包括:
将二值图中疑似火焰的外接矩形框中,距离亮度差值绝对值之和最大的图像块最近的矩形框作为火焰坐标框。
基于上述的实施例,在红外场景下,火焰的颜色和形状都会发生变化,用于正常场景下的火焰检测算法无法达到较高的准确度,这时候就需要考虑火焰的其他特点。红外场景下的火焰有两个特点:一是由于火焰的不稳定燃烧会产生忽明忽暗的脉冲抖动;二是监控设备的红外模式一般是处于夜间,夜间的火焰亮度与背景形成明显差异,并且多帧之间亮度会有较大变化。结合这两个特点可以有效地识别红外场景下的火焰并能对其精确定位。图5为本实施例提供的一种具体实施例中定位火焰位置方法的流程示意图。图6为本实施例提供的一种火焰检测结果示意图,图中矩形框即为火焰所在位置。
基于上述技术方案,本实施例提取多帧图像亮度信息,计算亮度概值并绘制亮度脉冲波形图,将亮度脉冲波形图输入到火焰脉冲检测器中判断红外场景下是否有火焰,利用火焰亮度变化特性,通过亮度脉冲波形图判断是否发生火灾,提高了红外模式下火灾报警的准确度;在判断为有火焰的情况下,根据单帧即最后一帧的二值图获取疑似火焰外接矩形,结合多帧图像获取亮度变化最大图块的位置确定红外场景下火焰位置,精准报警并对其进行火焰定位,减少误报带来的报警骚扰。
下面对本申请实施例提供的一种火焰检测装置进行介绍,下文描述的火焰检测装置与上文描述的火焰检测方法可相互对应参照,相关模块均设置于中,参考图7,图7为本申请实施例所提供的一种火焰检测装置的结构示意图,包括:
在一些具体的实施例中,具体包括:
获取模块701,用于获取预设数量的视频帧,将预设数量的视频帧转换为HSV格式的视频帧,得到预设数量的HSV格式的视频帧;
确定模块702,用于确定预设数量的HSV格式的视频帧对应Value通道的亮度概值;
生成模块703,用于根据预设数量的HSV格式的视频帧对应Value通道的亮度概值,生成亮度脉冲波形图;
检测模块704,用于将亮度脉冲波形图输入火焰脉冲检测器进行检测,得到火焰检测结果。
在一些具体的实施例中,生成模块703,包括:
第一确定单元,用于根据预设数量的HSV格式的视频帧对应Value通道的亮度概值,确定相邻视频帧对应亮度概值的差值绝对值;
生成单元,用于利用相邻视频帧对应亮度概值的差值绝对值,生成亮度脉冲波形图。
在一些具体的实施例中,确定模块702,包括:
其中,binvalue为Value通道的像素值,取值范围为N到255,N根据火焰亮度范围确定;binnum为像素值为binvalue的数目。
在一些具体的实施例中,还包括:
提取模块,用于提取预设数量的HSV格式的视频帧中的Value通道的图像,并将Value通道的图像分割为指定数量的图像块;
第一确定模块,用于确定预设数量的Value通道的图像中相邻图像对应图像块的亮度差值绝对值之和最大的图像块;
第二确定模块,用于获取预设数量的视频帧中最后一帧的二值图,并根据二值图,确定二值图中疑似火焰的外接矩形框;
第三确定模块,用于根据二值图中疑似火焰的外接矩形框和亮度差值绝对值之和最大的图像块,确定火焰坐标框。
在一些具体的实施例中,第三确定模块,包括:
火焰坐标框单元,用于将二值图中疑似火焰的外接矩形框中,距离亮度差值绝对值之和最大的图像块最近的矩形框作为火焰坐标框。
在一些具体的实施例中,还包括:
缩放模块,用于缩放预设数量的HSV格式的视频帧,得到缩放后的预设数量的HSV格式的视频帧;
对应的,提取模块,包括:
提取单元,用于提取缩放后的预设数量的HSV格式的视频帧中Value通道的图像。
在一些具体的实施例中,第二确定模块,包括:
第二确定单元,用于根据二值图,确定二值图中疑似火焰的初始外接矩形;
过滤单元,用于根据二值图中疑似火焰的初始外接矩形的面积进行阈值过滤,得到二值图中疑似火焰的外接矩形框。
由于火焰检测装置部分的实施例与火焰检测方法部分的实施例相互对应,因此火焰检测装置部分的实施例请参见火焰检测方法部分的实施例的描述,这里暂不赘述。
下面对本申请实施例提供的一种电子设备进行介绍,下文描述的电子设备与上文描述的火焰检测方法可相互对应参照。
本申请公开一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述火焰检测方法的步骤。
由于电子设备部分的实施例与火焰检测方法部分的实施例相互对应,因此电子设备部分的实施例请参见火焰检测方法部分的实施例的描述,这里暂不赘述。
下面对本申请实施例提供的一种计算机可读存储介质进行介绍,下文描述的计算机可读存储介质与上文描述的火焰检测方法可相互对应参照。
本申请还公开一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述火焰检测方法的步骤。
由于计算机可读存储介质部分的实施例与火焰检测方法部分的实施例相互对应,因此计算机可读存储介质部分的实施例请参见火焰检测方法部分的实施例的描述,这里暂不赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种火焰检测方法、装置、电子设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种火焰检测方法,其特征在于,包括:
获取预设数量的视频帧,将所述预设数量的视频帧转换为HSV格式的视频帧,得到所述预设数量的HSV格式的视频帧;
确定所述预设数量的HSV格式的视频帧对应Value通道的亮度概值;
根据所述预设数量的HSV格式的视频帧对应Value通道的亮度概值,生成亮度脉冲波形图;
将所述亮度脉冲波形图输入火焰脉冲检测器进行检测,得到火焰检测结果。
2.根据权利要求1所述的火焰检测方法,其特征在于,所述根据所述预设数量的HSV格式的视频帧对应Value通道的亮度概值,生成亮度脉冲波形图,包括:
根据所述预设数量的HSV格式的视频帧对应Value通道的亮度概值,确定相邻视频帧对应亮度概值的差值绝对值;
利用所述相邻视频帧对应亮度概值的差值绝对值,生成所述亮度脉冲波形图。
4.根据权利要求1至3任一项所述的火焰检测方法,其特征在于,当所述火焰检测结果为存在火焰时,在所述得到火焰检测结果之后,还包括:
提取所述预设数量的HSV格式的视频帧中的Value通道的图像,并将所述Value通道的图像分割为指定数量的图像块;
确定所述预设数量的Value通道的图像中相邻图像对应图像块的亮度差值绝对值之和最大的图像块;
获取所述预设数量的视频帧中最后一帧的二值图,并根据所述二值图,确定所述二值图中疑似火焰的外接矩形框;
根据所述二值图中疑似火焰的外接矩形框和所述亮度差值绝对值之和最大的图像块,确定火焰坐标框。
5.根据权利要求4所述的火焰检测方法,其特征在于,所述根据所述二值图中疑似火焰的外接矩形框和所述亮度差值绝对值之和最大的图像块,确定火焰坐标框,包括:
将所述二值图中疑似火焰的外接矩形框中,距离所述亮度差值绝对值之和最大的图像块最近的矩形框作为所述火焰坐标框。
6.根据权利要求4所述的火焰检测方法,其特征在于,在所述提取所述预设数量的HSV格式的视频帧中的Value通道的图像之前,还包括:
缩放所述预设数量的HSV格式的视频帧,得到缩放后的预设数量的HSV格式的视频帧;
对应的,所述提取所述预设数量的HSV格式的视频帧中的Value通道的图像,包括:
提取所述缩放后的预设数量的HSV格式的视频帧中的Value通道的图像。
7.根据权利要求4所述的火焰检测方法,其特征在于,所述根据所述二值图,确定所述二值图中疑似火焰的外接矩形框,包括:
根据所述二值图,确定所述二值图中疑似火焰的初始外接矩形;
根据所述二值图中疑似火焰的初始外接矩形的面积进行阈值过滤,得到所述二值图中疑似火焰的外接矩形框。
8.一种火焰检测装置,其特征在于,包括:
获取模块,用于获取预设数量的视频帧,将所述预设数量的视频帧转换为HSV格式的视频帧,得到所述预设数量的HSV格式的视频帧;
确定模块,用于确定所述预设数量的HSV格式的视频帧对应Value通道的亮度概值;
生成模块,用于根据所述预设数量的HSV格式的视频帧对应Value通道的亮度概值,生成亮度脉冲波形图;
检测模块,用于将所述亮度脉冲波形图输入火焰脉冲检测器进行检测,得到火焰检测结果。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述火焰检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述火焰检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660886.2A CN113298027B (zh) | 2021-06-15 | 2021-06-15 | 一种火焰检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660886.2A CN113298027B (zh) | 2021-06-15 | 2021-06-15 | 一种火焰检测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298027A true CN113298027A (zh) | 2021-08-24 |
CN113298027B CN113298027B (zh) | 2023-01-13 |
Family
ID=77328218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110660886.2A Active CN113298027B (zh) | 2021-06-15 | 2021-06-15 | 一种火焰检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298027B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091959A (zh) * | 2022-11-21 | 2023-05-09 | 武汉坤达安信息安全技术有限公司 | 基于全天候烟火的双光联动识别方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819735A (zh) * | 2012-08-17 | 2012-12-12 | 深圳辉锐天眼科技有限公司 | 基于视频帧图像的火焰检测方法 |
CN106650594A (zh) * | 2016-10-09 | 2017-05-10 | 北方民族大学 | 视频火灾检测方法、装置及系统 |
CN106897720A (zh) * | 2017-01-11 | 2017-06-27 | 济南中维世纪科技有限公司 | 一种基于视频分析的烟火检测方法及装置 |
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 |
CN110082781A (zh) * | 2019-05-20 | 2019-08-02 | 东北大学秦皇岛分校 | 基于slam技术与图像识别的火源定位方法及系统 |
CN110276284A (zh) * | 2019-06-11 | 2019-09-24 | 暨南大学 | 基于视频质量评估的火焰识别方法、装置、设备及存储介质 |
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 |
CN110675588A (zh) * | 2019-09-30 | 2020-01-10 | 北方民族大学 | 一种森林火灾检测装置和方法 |
CN111598905A (zh) * | 2020-05-13 | 2020-08-28 | 云垦智能科技(上海)有限公司 | 一种使用图像分割技术识别高炉火焰类型的方法 |
-
2021
- 2021-06-15 CN CN202110660886.2A patent/CN113298027B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819735A (zh) * | 2012-08-17 | 2012-12-12 | 深圳辉锐天眼科技有限公司 | 基于视频帧图像的火焰检测方法 |
CN106650594A (zh) * | 2016-10-09 | 2017-05-10 | 北方民族大学 | 视频火灾检测方法、装置及系统 |
CN106897720A (zh) * | 2017-01-11 | 2017-06-27 | 济南中维世纪科技有限公司 | 一种基于视频分析的烟火检测方法及装置 |
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 |
CN110082781A (zh) * | 2019-05-20 | 2019-08-02 | 东北大学秦皇岛分校 | 基于slam技术与图像识别的火源定位方法及系统 |
CN110276284A (zh) * | 2019-06-11 | 2019-09-24 | 暨南大学 | 基于视频质量评估的火焰识别方法、装置、设备及存储介质 |
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 |
CN110675588A (zh) * | 2019-09-30 | 2020-01-10 | 北方民族大学 | 一种森林火灾检测装置和方法 |
CN111598905A (zh) * | 2020-05-13 | 2020-08-28 | 云垦智能科技(上海)有限公司 | 一种使用图像分割技术识别高炉火焰类型的方法 |
Non-Patent Citations (3)
Title |
---|
JUAN CHEN 等: "Multi-feature fusion based fast video flame detection", 《ELSEVIER》 * |
SIMON Y. FOO: "A rule-based machine vision system for fire detection in aircraft dry bays and engine compartments", 《ELSEVIER》 * |
刘昊: "基于视频序列多特征的火焰检测算法的研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091959A (zh) * | 2022-11-21 | 2023-05-09 | 武汉坤达安信息安全技术有限公司 | 基于全天候烟火的双光联动识别方法及装置 |
CN116091959B (zh) * | 2022-11-21 | 2024-03-22 | 武汉坤达安信息安全技术有限公司 | 基于全天候烟火的双光联动识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113298027B (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8045761B2 (en) | Detection of environmental conditions in a sequence of images | |
CN106373320B (zh) | 基于火焰颜色离散度和连续帧图像相似度的火灾识别方法 | |
KR101432440B1 (ko) | 화재 연기 감지 방법 및 장치 | |
CN111368771A (zh) | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 | |
EP2178056A2 (en) | Smoke detecting apparatus | |
KR101953342B1 (ko) | 멀티 센서 화재감지 방법 및 시스템 | |
JP4653207B2 (ja) | 煙検出装置 | |
CN108230607B (zh) | 一种基于区域特征分析的图像火灾探测方法 | |
CN110210379A (zh) | 一种结合关键运动特征和颜色特征的镜头边界检测方法 | |
CN111461078A (zh) | 一种基于计算机视觉技术的防钓监控方法 | |
Xiong et al. | Early smoke detection of forest fires based on SVM image segmentation | |
CN113298027B (zh) | 一种火焰检测方法、装置、电子设备和存储介质 | |
CN111047624A (zh) | 图像弱小目标检测方法、装置、设备及存储介质 | |
CN112699801A (zh) | 基于视频图像的火灾识别方法及系统 | |
CN114885119A (zh) | 一种基于计算机视觉的智能监控报警系统及方法 | |
CN113065454B (zh) | 一种高空抛物目标识别比较的方法及装置 | |
US20040114054A1 (en) | Method of detecting a significant change of scene | |
CN113936252A (zh) | 基于视频监控的电瓶车智能管理系统及方法 | |
CN113657250A (zh) | 一种基于监控视频的火焰检测方法及系统 | |
CN113052055A (zh) | 一种基于光流改进与Yolov3的烟雾检测方法 | |
AU2002232008A1 (en) | Method of detecting a significant change of scene | |
CN112560574A (zh) | 河流黑水排放检测方法及应用其的识别系统 | |
JP2010218046A (ja) | 煙検出装置 | |
CN111914606A (zh) | 一种基于对透射率时空特征进行深度学习的烟雾检测方法 | |
CN114757962A (zh) | 一种架空线路山火识别方法 |
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 |