CN113450301A - 小火焰检测方法及计算机装置 - Google Patents

小火焰检测方法及计算机装置 Download PDF

Info

Publication number
CN113450301A
CN113450301A CN202010214512.3A CN202010214512A CN113450301A CN 113450301 A CN113450301 A CN 113450301A CN 202010214512 A CN202010214512 A CN 202010214512A CN 113450301 A CN113450301 A CN 113450301A
Authority
CN
China
Prior art keywords
image
frame
contour
area
small flame
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
Application number
CN202010214512.3A
Other languages
English (en)
Inventor
周严伟
占兆武
谢恺
罗为
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Longhua New Generation Communication And Intelligent Computing Research Institute
Fuhuake Precision Industry Shenzhen Co ltd
Original Assignee
Shenzhen Longhua New Generation Communication And Intelligent Computing Research Institute
Fuhuake Precision Industry Shenzhen Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Longhua New Generation Communication And Intelligent Computing Research Institute, Fuhuake Precision Industry Shenzhen Co ltd filed Critical Shenzhen Longhua New Generation Communication And Intelligent Computing Research Institute
Priority to CN202010214512.3A priority Critical patent/CN113450301A/zh
Publication of CN113450301A publication Critical patent/CN113450301A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种小火焰检测方法及计算机装置。所述方法包括：从视频流中得到每帧图像；将所述每帧图像输入到颜色模型中，并根据所述颜色模型的颜色过滤条件和轮廓筛选条件从所述每帧图像中分析得到所述每帧图像的关键区域；利用帧差法消除所述每帧图像的关键区域中的静止区块得到候选区域；将每帧图像的候选区域送入训练好的机器学习模型进行检测得到检测结果；及根据所述检测结果对每帧图像结果进行显示。本发明能够及时发现火灾初期的小火焰，并对较大范围环境内的小火焰的位置定位，较早地上报火灾信息，降低小火灾演变成大火灾的概率。

Description

小火焰检测方法及计算机装置
技术领域
本发明涉及图像的识别技术领域，具体涉及一种基于可见光图像特征和机器学习的小火焰检测方法及计算机装置。
背景技术
火灾一直威胁着人类生命和财产的安全，提前检测出火灾并发出预警信息一直是一个重要的研究课题。传统的火灾检测方法主要根据光电传感器件或粒子传感器监测火灾发生过程中产生的副产品或一些其他的环境变量，比如温度的监测，火焰颜色的监测，烟雾颗粒浓度的监测，环境湿度的监测等。但是传统火灾探测器一般是基于单一数据判别的检测方法，仅适用于室内低小空间，距离近，干扰少的情况，有很大的局限性。随着科技的快速发展，基于视觉的火灾检测技术成为预防火灾的一个主要研究方向，基于视觉的火灾检测运用监控视频可以得到更丰富的信息，抗干扰能力更强，适用的区域也更广泛。然而目前基于视觉的火灾检测的研究工作主要是对于已经燃烧起来的火焰进行分析，针对初期的小火焰检测研究较少。
目前对于火灾检测研究主要集中在室外火灾如森林火灾，建筑物火灾等，火焰面积相对较大，此种类型的火灾通过颜色模型(如RGB、YCbCr等)检测或者机器学习方法可以达到一定的检测效果。但对于火灾初期，如果火焰面积比较小，在图片中占比面积较小，用上述RGB、YCbCr两种颜色模型方法去检测，效果可能不太理想甚至检测不到，如果用颜色模型检测小火焰，条件设置的宽松可能会有误检测，设置的严苛可能会检测不到；如果用机器学习的方法去检测，现有机器学习模型一般基于大火焰数据训练，而且小火焰数据集较少并且难以收集，现有基于较大火焰训练出的机器学习模型不容易检测到小火焰。
发明内容
鉴于以上内容，有必要提出一种小火焰检测方法及计算机装置，以及时发现火灾初期的小火焰，并对较大范围环境内的小火焰的位置定位，较早地上报火灾信息，降低小火灾演变成大火灾的概率。
本申请的第一方面提供一种小火焰检测方法，所述方法包括：
从视频流中得到每帧图像；
将所述每帧图像输入到颜色模型中，并根据所述颜色模型的颜色过滤条件和轮廓筛选条件从所述每帧图像中分析得到所述每帧图像的关键区域；
利用帧差法消除所述每帧图像的关键区域中的静止区块得到候选区域；
将所述每帧图像的候选区域送入训练好的机器学习模型进行检测得到检测结果；及
根据所述检测结果对所述每帧图像进行显示。
优选地，所述颜色模型为RGB颜色模型，所述根据所述颜色模型的颜色过滤条件和轮廓筛选条件从所述每帧图像中分析得到所述每帧图像的关键区域包括：
对所述每帧图像按照颜色过滤条件进行RGB颜色过滤得到所述每帧图像的模板；
对所述每帧图像的模板进行膨胀；
对膨胀后的模板按照所述轮廓筛选条件进行轮廓查找和过滤得到所述每帧图像的关键区域。
优选地，所述颜色过滤条件为：
Figure RE-GDA0002626934930000031
其中，(x,y)为图像的像素点位置，R(x,y)， G(x,y)，B(x,y)分别在像素点位置(x,y)对应的R值、G值、B值。
优选地，所述轮廓筛选条件为按照轮廓参数对所述每帧图像进行轮廓查找和过滤，所述轮廓参数包括多边形拟合精度、轮廓长宽比、轮廓面积上下限、轮廓多边形拟合的顶点数及/或白色区域占比。
优选地，所述利用帧差法消除所述每帧图像的关键区域中的静止区块得到候选区域包括：
通过帧差法对当前帧图像及与所述当前帧图像连续的前一帧图像进行差分运算以将两帧图像对应的像素点相减得到差分图像；
对所述差分图像按照逐个像素点进行二值化处理得到二值化图像；及
从所述二值化图像中确定出所述当前帧图像中的静止区块，并去除所述静止区块得到候选区域。
优选地，所述方法还包括：在得到所述二值化图像还判断所述二值化图像中的白色区域占比是否超过预设阈值，并将白色区域未超过预设阈值的区域作为所述静止区块。
优选地，所述机器学习模型为卷积神经网络，所述卷积神经网络包括多个卷积层、最大池采样层、全连接层，其中，多个所述卷积层和多个所述最大池采样层交替连接组成，所述多个全连接层相互连接，所述多个所述最大池采样层中的最后一个最大池采样层与多个所述全连接层的第一全连接层连接，多个所述全连接层中的最后一个全连接层为分类器。
优选地，所述方法还包括：
通过采用梯度下降法最小化损失函数对所述卷积神经网络的权重参数逐层反向调节以训练所述卷积神经网络。
优选地，所述根据检测结果对每帧图像结果进行显示包括：
记录所述每帧图像中所述检测结果为火灾的区域的坐标位置；及
显示所述检测结果为火灾的帧图像及所述帧图像的坐标位置。
本申请的第二方面提供一种计算机装置，所述计算机装置包括处理器及存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述小火焰检测方法。
本案在得到所述每帧图像的关键区域后将每帧图像的候选区域送入训练好的机器学习模型进行检测得到检测结果，并根据所述检测结果对每帧图像结果进行显示，可以及时发现火灾初期的小火焰，并且能对较大范围环境内的小火焰的位置定位，较早的上报火灾信息，降低了小火灾演变成大火灾的概率，为及时消除安全隐患提供了很好的信息支持。
附图说明
图1是本发明一实施方式中的小火焰检测方法的流程图。
图2是本发明一实施方式中小火焰检测方法的应用环境示意图。
图3是本发明一实施方式中利用帧差法消除所述每帧图像的关键区域中的静止区块得到候选区域的示意。
图4为本发明一实施方式中小火焰检测装置的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
优选地，本发明的小火焰检测方法应用在一个或者多个计算机装置中。所述计算机装置是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于处理器、外部存储介质、内存等。
所述计算机装置可以是，但不限于，台式计算机、笔记本电脑、云端服务器、智能手机等设备。所述计算机装置可以与用户通过键盘、鼠标、遥控器、触摸板、手势识别设备、声控设备等方式进行人机交互。
实施例一
图1是本发明一实施方式中的小火焰检测方法的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。为了便于说明，仅示出了与本发明实施例相关的部分。
如图1所示，所述小火焰检测方法具体包括以下步骤。
步骤S11、从视频流中得到每帧图像。
参阅图2，所示为本发明一实施方式中小火焰检测方法的应用环境示意图。所述方法应用在计算机装置1中。所述计算机装置1包括摄像头11，所述计算机装置1通过摄像头11采集视频流并从视频流中得到每帧图像。在另一实施方式中，所述计算机装置1可以从其内部的存储装置中获取视频流。在其他实施方式中，所述计算机装置1还可以从与其通信连接的电子装置2 中获取视频流。其中，所述电子装置2可以是，但不限于服务器、服务器群集、手机、平板电脑等装置。所述计算机装置1可以通过一网络与所述电子装置2通信连接并从所述电子装置2中获取视频流。在一具体实施方式中，用于支持计算机装置1与电子装置2进行通信的网络可以是有线网络，也可以是无线网络，例如无线电、无线保真(WirelessFidelity,WIFI)、蜂窝、卫星、广播等。
步骤S12、将所述每帧图像输入到颜色模型中，并根据所述颜色模型的颜色过滤条件和轮廓筛选条件从所述每帧图像中分析得到所述每帧图像的关键区域。
本实施方式中，所述颜色模型为RGB颜色模型，所述根据所述颜色模型的颜色过滤条件和轮廓筛选条件从所述每帧图像中分析得到所述每帧图像的关键区域包括：对所述每帧图像按照颜色过滤条件进行RGB颜色过滤得到所述每帧图像的模板；对所述每帧图像的模板进行膨胀；对膨胀后的模板按照所述轮廓筛选条件进行轮廓查找和过滤得到所述每帧图像的关键区域。本实施方式中，所述颜色过滤条件为：
Figure RE-GDA0002626934930000061
R(x，y)＞G(x，y)＞B(x，y)
0.25≤G(x，y)/(R(x，y)+1)≤0.65
0.05≤B(x，y)/(R(x，y)+1)≤0.45
0.20≤B(x，y)/(G(x，y)+1)≤0.60
其中，(x，y)为图像的像素点位置，R(x，y)，G(x，y)，B(x，y)分别在像素点位置(x，y)对应的R值、G值、B值。
本实施方式中，对所述每帧图像的灰度图进行火焰区域的轮廓查找。其中，轮廓可以认为成连续的点连在一起的曲线，具有相同的颜色或者灰度。本实施方式中，所述轮廓筛选条件为按照轮廓参数对所述每帧图像进行轮廓查找和过滤。所述轮廓参数包括，但不限于多边形拟合精度、轮廓长宽比、轮廓面积上下限、轮廓多边形拟合的顶点数及/或白色区域占比。本实施方式中，所述多边形拟合精度是指在对图像的轮廓进行多边形拟合时设置的拟合出的多边形与原轮廓的最大距离，其中多边形拟合精度设置的越小，拟合出的多边形定点数会越多，但时间耗费也较多。在具体实施方式中，可以根据图像的轮廓周长动态设定多边形拟合精度。由于每张图像中的火灾区域的轮廓拟合出的多边形顶点会相对较多，因此，本实施方式中，在按照多边形拟合精度对图像的轮廓进行多边形拟合时还按照轮廓多边形拟合的顶点数对图像的轮廓进行轮廓查找和过滤以去除图像中比较规则的检测区域。本实施方式中，在检测出每帧图像的轮廓时还根据轮廓的轮廓长宽比去除轮廓中超出轮廓长宽比的检测区域。例如，每帧图像中存在较长的黄色栏杆等干扰颜色时，根据轮廓长宽比去除轮廓中超出轮廓长宽比的区域可以将黄色栏杆去除。本实施方式中，在检测出每帧图像的轮廓时根据轮廓面积上下限可以去除每帧图像中排除面积过小或者过大的检测区域。所述白色区域占比是指每帧图像中的白色区域占每帧图像中的纯白图的比值。请参考表1，所示为本发明一实施方式中轮廓参数及轮廓参数的设置值的示意图。
表1
Figure RE-GDA0002626934930000071
步骤S13、利用帧差法消除所述每帧图像的关键区域中的静止区块得到候选区域。
本实施方式中，所述利用帧差法消除所述每帧图像的关键区域中的静止区块得到候选区域包括：通过帧差法对当前帧图像及与当前帧图像连续的前一帧图像进行差分运算以将两帧图像对应的像素点相减得到差分图像；对所述差分图像按照逐个像素点进行二值化处理得到二值化图像；从所述二值化图像中确定出当前帧图像中的静止区块，并去除所述静止区块得到候选区域。请参考图3，所示为本发明一实施方式中利用帧差法消除所述每帧图像的关键区域中的静止区块得到候选区域的示意。本实施方式中，所述视频中当前帧记为第n帧，当前帧的前一帧记为为第n-1帧，两帧对应的图像分别记为 Fn和Fn-1，两帧图像对应像素点的灰度值记为fn(x,y)和fn-1(x,y),将两帧图像对应像素点的灰度值进行相减并取绝对值，得到差分图像记为Dn,其中 Dn(x，y)＝|fn(x，y)-fn-1(x，y)|；设定阈值T，并按照公式
Figure RE-GDA0002626934930000081
对差分图像进行二值化处理，得到二值化图像；将所述二值化图像中灰度值为0的点集作为当前帧图像中的静止区块，及将所述二值化图像中灰度值为255的点集作为运动目标区域，并去除所述静止区块得到候选区域。本实施方式中，在得到所述二值化图像还判断所述二值化图像中的白色区域占比是否超过预设阈值，并将白色区域未超过预设阈值的区域作为所述静止区块，如此防止图像的微小变动带来的影响从而造成火焰的误检测情况发生。
步骤S14、将每帧图像的候选区域送入训练好的机器学习模型进行检测得到检测结果。
本实施方式中，所述机器学习模型为卷积神经网络。所述卷积神经网络包括多个卷积层、最大池采样层、全连接层。其中，卷积层和最大池采样层交替连接组成，用于对所述每帧图像进行特征提取。所述多个全连接层相互连接。多个所述最大池采样层中的最后一个最大池采样层与多个所述全连接层的第一全连接层连接，用于向所述第一全连接层输入经过特征提取得到的特征图像，多个所述全连接层中的最后一个全连接层为一个分类器，所述分类器用于对所述特征图像进行分类得到检测结果。本实施方式中，所述分类结果为火灾和非火灾。本实施方式中，所述卷积神经网络为Alexnet网络，所述Alexnet网络包括五个卷积层、三个最大池采样层及三个全连接层。
本实施方式中，所述方法在步骤S14之前还包括：通过采用梯度下降法最小化损失函数对所述卷积神经网络中的权重参数逐层反向调节以训练所述卷积神经网络。
本实施方式中，所述方法在步骤S14之前还包括：对每帧图像的候选区域进行扩展。
步骤S15、根据所述检测结果对所述每帧图像进行显示。
本实施方式中，所述根据检测结果对所述每帧图像进行显示包括：记录每帧图像中所述检测结果为火灾的区域的坐标位置；显示所述检测结果为火灾的帧图像及所述帧图像的坐标位置。
本案在得到所述每帧图像的关键区域后将每帧图像的候选区域送入训练好的机器学习模型进行检测得到检测结果，并根据所述检测结果对每帧图像结果进行显示，可以及时发现火灾初期的小火焰，并且能对较大范围环境内的小火焰的位置定位，较早的上报火灾信息，降低了小火灾演变成大火灾的概率，为及时消除安全隐患提供了很好的信息支持。
实施例二
图4为本发明实施例二提供的小火焰检测装置的结构图，为了方便说明，仅示出了与本发明实施例相关的部分，详述如下。
参考图4，小火焰检测装置100根据其所执行的功能，可以被划分为多个功能模块，所述各个功能模块用于执行图1对应实施例中的各个步骤，以实现小火焰检测的功能。本发明实施例中，小火焰检测装置100的功能模块可以包括图像获取模块101、分析模块102、静止区块消除模块103、检测模块104以及显示模块105。各个功能模块的功能将在下面的实施例中进行详述。
所述图像获取模块101从视频流中得到每帧图像。
本实施方式中，所述图像获取模块101通过摄像头11采集视频流并从视频流中得到每帧图像。在另一实施方式中，所述图像获取模块101可以从所述计算机装置1内部的存储装置中获取视频流。在其他实施方式中，所述所述图像获取模块101还可以从与其通信连接的电子装置2中获取视频流。其中，所述电子装置2可以是，但不限于服务器、服务器群集、手机、平板电脑等装置。所述计算机装置1可以通过一网络与所述电子装置2通信连接并从所述电子装置2中获取视频流。在一具体实施方式中，用于支持计算机装置1与电子装置2进行通信的网络可以是有线网络，也可以是无线网络，例如无线电、无线保真(WirelessFidelity，WIFI)、蜂窝、卫星、广播等。
所述分析模块102将所述每帧图像输入到颜色模型中，并根据所述颜色模型的颜色过滤条件和轮廓筛选条件从所述每帧图像中分析得到所述每帧图像的关键区域。
本实施方式中，所述颜色模型为RGB颜色模型，所述分析模块102对所述每帧图像按照颜色过滤条件进行RGB颜色过滤得到所述每帧图像的模板；对所述每帧图像的模板进行膨胀；对膨胀后的模板按照所述轮廓筛选条件进行轮廓查找和过滤得到所述每帧图像的关键区域。本实施方式中，所述颜色过滤条件为：
Figure RE-GDA0002626934930000101
R(x，y)＞G(x，y)＞B(x，y)
0.25≤G(x，y)/(R(x，y)+1)≤0.65
0.05≤B(x，y)/(R(x，y)+1)≤0.45
0.20≤B(x，y)/(G(x，y)+1)≤0.60
其中，(x，y)为图像的像素点位置，R(x，y)，G(x，y)，B(x，y)分别在像素点位置(x，y)对应的R值、G值、B值。
本实施方式中，所述分析模块102对所述每帧图像的灰度图进行火焰区域的轮廓查找。其中，轮廓可以认为成连续的点连在一起的曲线，具有相同的颜色或者灰度。本实施方式中，所述轮廓筛选条件为按照轮廓参数对所述每帧图像进行轮廓查找和过滤。所述轮廓参数包括，但不限于多边形拟合精度、轮廓长宽比、轮廓面积上下限、轮廓多边形拟合的顶点数及/或白色区域占比。本实施方式中，所述多边形拟合精度是指在对图像的轮廓进行多边形拟合时设置的拟合出的多边形与原轮廓的最大距离，其中多边形拟合精度设置的越小，拟合出的多边形定点数会越多，但时间耗费也较多。在具体实施方式中，可以根据图像的轮廓周长动态设定多边形拟合精度。由于每张图像中的火灾区域的轮廓拟合出的多边形顶点会相对较多，因此，本实施方式中，在按照多边形拟合精度对图像的轮廓进行多边形拟合时还按照轮廓多边形拟合的顶点数对图像的轮廓进行轮廓查找和过滤以去除图像中比较规则的检测区域。本实施方式中，在检测出每帧图像的轮廓时还根据轮廓的轮廓长宽比去除轮廓中超出轮廓长宽比的检测区域。例如，每帧图像中存在较长的黄色栏杆等干扰颜色时，根据轮廓长宽比去除轮廓中超出轮廓长宽比的区域可以将黄色栏杆去除。本实施方式中，在检测出每帧图像的轮廓时根据轮廓面积上下限可以去除每帧图像中排除面积过小或者过大的检测区域。所述白色区域占比是指每帧图像中的白色区域占每帧图像中的纯白图的比值。
所述静止区块消除模块103利用帧差法消除所述每帧图像的关键区域中的静止区块得到候选区域。
本实施方式中，所述静止区块消除模块103通过帧差法对当前帧图像及与当前帧图像连续的前一帧图像进行差分运算以将两帧图像对应的像素点相减得到差分图像；对所述差分图像按照逐个像素点进行二值化处理得到二值化图像；从所述二值化图像中确定出当前帧图像中的静止区块，并去除所述静止区块得到候选区域。请参考图3，本实施方式中，所述视频中当前帧记为第n帧，当前帧的前一帧记为为第n-1帧，两帧对应的图像分别记为Fn和 Fn-1，两帧图像对应像素点的灰度值记为fn(x,y)和fn-1(x,y),所述静止区块消除模块103将两帧图像对应像素点的灰度值进行相减并取绝对值，得到差分图像记为Dn,其中Dn(x，y)＝|fn(x，y)-fn-1(x，y)|；设定阈值T，并按照公式
Figure RE-GDA0002626934930000111
对差分图像进行二值化处理，得到二值化图像；将所述二值化图像中灰度值为0的点集作为当前帧图像中的静止区块，及将所述二值化图像中灰度值为255的点集作为运动目标区域，并去除所述静止区块得到候选区域。本实施方式中，在得到所述二值化图像还判断所述二值化图像中的白色区域占比是否超过预设阈值，并将白色区域未超过预设阈值的区域作为所述静止区块，如此防止图像的微小变动带来的影响从而造成火焰的误检测情况发生。
所述检测模块104将每帧图像的候选区域送入训练好的机器学习模型进行检测得到检测结果。
本实施方式中，所述机器学习模型为卷积神经网络。所述卷积神经网络包括多个卷积层、最大池采样层、全连接层。其中，卷积层和最大池采样层交替连接组成，用于对所述每帧图像进行特征提取。所述多个全连接层相互连接。多个所述最大池采样层中的最后一个最大池采样层与多个所述全连接层的第一全连接层连接，用于向所述第一全连接层输入经过特征提取得到的特征图像，多个所述全连接层中的最后一个全连接层为一个分类器，所述分类器用于对所述特征图像进行分类得到检测结果。本实施方式中，所述分类结果为火灾和非火灾。本实施方式中，所述卷积神经网络为Alexnet网络，所述Alexnet网络包括五个卷积层、三个最大池采样层及三个全连接层。
本实施方式中，所述检测模块104还用于通过采用梯度下降法最小化损失函数对所述卷积神经网络中的权重参数逐层反向调节以训练所述卷积神经网络。
本实施方式中，所述检测模块104还用于对每帧图像的候选区域进行扩展。
所述显示模块105根据所述检测结果对所述每帧图像进行显示。
本实施方式中，所述显示模块105记录每帧图像中所述检测结果为火灾的区域的坐标位置；显示所述检测结果为火灾的帧图像及所述帧图像的坐标位置。
本案在得到所述每帧图像的关键区域后将每帧图像的候选区域送入训练好的机器学习模型进行检测得到检测结果，并根据所述检测结果对每帧图像结果进行显示，可以及时发现火灾初期的小火焰，并且能对较大范围环境内的小火焰的位置定位，较早的上报火灾信息，降低了小火灾演变成大火灾的概率，为及时消除安全隐患提供了很好的信息支持。
实施例三
参考图2，所述计算机装置10包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40。所述处理器30 执行所述计算机程序40时实现上述小火焰检测方法实施例中的步骤，例如图 1所示的步骤S11～S15。或者，所述处理器30执行所述计算机程序40时实现上述小火焰检测装置实施例中各模块/单元的功能，例如图4中的模块 101～105。
示例性的，所述计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序40在所述计算机装置10中的执行过程。例如，所述计算机程序40可以被分割成图4中的图像获取模块101、分析模块102、静止区块消除模块103、检测模块104以及显示模块105，各模块具体功能参见实施例二。
本实施方式中，所述计算机装置10可以是台式计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图2仅仅是计算机装置10的示例，并不构成对计算机装置10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机装置10还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以包括其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器30是所述计算机装置 10的控制中心，利用各种接口和线路连接整个计算机装置10的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述计算机装置10的各种功能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置10的使用所创建的数据(比如音频数据、电话本等)等。存储器20可以包括外部存储介质，也可以包括内存。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card, SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置10集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例的方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应该理解到，所揭露的计算机装置和方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种小火焰检测方法，其特征在于，所述方法包括：
从视频流中得到每帧图像；
将所述每帧图像输入到颜色模型中，并根据所述颜色模型的颜色过滤条件和轮廓筛选条件从所述每帧图像中分析得到所述每帧图像的关键区域；
利用帧差法消除所述每帧图像的关键区域中的静止区块得到候选区域；
将所述每帧图像的候选区域送入训练好的机器学习模型进行检测得到检测结果；及
根据所述检测结果对所述每帧图像进行显示。
2.如权利要求1所述的小火焰检测方法，其特征在于，所述颜色模型为RGB颜色模型，所述根据所述颜色模型的颜色过滤条件和轮廓筛选条件从所述每帧图像中分析得到所述每帧图像的关键区域包括：
对所述每帧图像按照颜色过滤条件进行RGB颜色过滤得到所述每帧图像的模板；
对所述每帧图像的模板进行膨胀；
对膨胀后的模板按照所述轮廓筛选条件进行轮廓查找和过滤得到所述每帧图像的关键区域。
3.如权利要求2所述的小火焰检测方法，其特征在于，所述颜色过滤条件为：
Figure FDA0002423935170000011
R(x，y)＞G(x，y)＞B(x，y)
0.25≤G(x，y)/(R(x，y)+1)≤0.65
0.05≤B(x，y)/(R(x，y)+1)≤0.45
0.20≤B(x，y)/(G(x，y)+1)≤0.60
其中，(x，y)为图像的像素点位置，R(x，y)，G(x，y)，B(x，y)分别在像素点位置(x，y)对应的R值、G值、B值。
4.如权利要求2所述的小火焰检测方法，其特征在于，所述轮廓筛选条件为按照轮廓参数对所述每帧图像进行轮廓查找和过滤，所述轮廓参数包括多边形拟合精度、轮廓长宽比、轮廓面积上下限、轮廓多边形拟合的顶点数及/或白色区域占比。
5.如权利要求1所述的小火焰检测方法，其特征在于，所述利用帧差法消除所述每帧图像的关键区域中的静止区块得到候选区域包括：
通过帧差法对当前帧图像及与所述当前帧图像连续的前一帧图像进行差分运算以将两帧图像对应的像素点相减得到差分图像；
对所述差分图像按照逐个像素点进行二值化处理得到二值化图像；及
从所述二值化图像中确定出所述当前帧图像中的静止区块，并去除所述静止区块得到候选区域。
6.如权利要求5所述的小火焰检测方法，其特征在于，所述方法还包括：在得到所述二值化图像还判断所述二值化图像中的白色区域占比是否超过预设阈值，并将白色区域未超过预设阈值的区域作为所述静止区块。
7.如权利要求1所述的小火焰检测方法，其特征在于，所述机器学习模型为卷积神经网络，所述卷积神经网络包括多个卷积层、最大池采样层、全连接层，其中，多个所述卷积层和多个所述最大池采样层交替连接组成，所述多个全连接层相互连接，所述多个所述最大池采样层中的最后一个最大池采样层与多个所述全连接层的第一全连接层连接，多个所述全连接层中的最后一个全连接层为分类器。
8.如权利要求7所述的小火焰检测方法，其特征在于，所述方法还包括：
通过采用梯度下降法最小化损失函数对所述卷积神经网络的权重参数逐层反向调节以训练所述卷积神经网络。
9.如权利要求1所述的小火焰检测方法，其特征在于，所述根据所述检测结果对所述每帧图像进行显示包括：
记录所述每帧图像中所述检测结果为火灾的区域的坐标位置；及
显示所述检测结果为火灾的帧图像及所述帧图像的坐标位置。
10.一种计算机装置，其特征在于，所述计算机装置包括处理器及存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1-9中任一项所述的小火焰检测方法。
CN202010214512.3A 2020-03-24 2020-03-24 小火焰检测方法及计算机装置 Pending CN113450301A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010214512.3A CN113450301A (zh) 2020-03-24 2020-03-24 小火焰检测方法及计算机装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010214512.3A CN113450301A (zh) 2020-03-24 2020-03-24 小火焰检测方法及计算机装置

Publications (1)

Publication Number Publication Date
CN113450301A true CN113450301A (zh) 2021-09-28

Family

ID=77806566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010214512.3A Pending CN113450301A (zh) 2020-03-24 2020-03-24 小火焰检测方法及计算机装置

Country Status (1)

Country Link
CN (1) CN113450301A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359247A (zh) * 2022-08-30 2022-11-18 新创碳谷控股有限公司 一种基于动态特征的火焰检测方法、设备及存储介质
CN115394040A (zh) * 2022-08-30 2022-11-25 新创碳谷控股有限公司 一种火焰检测方法、计算机设备及存储介质
CN115713833A (zh) * 2022-08-30 2023-02-24 新创碳谷集团有限公司 一种基于面积特征的火焰检测方法、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815863A (zh) * 2019-01-11 2019-05-28 北京邮电大学 基于深度学习和图像识别的烟火检测方法和系统
CN110135269A (zh) * 2019-04-18 2019-08-16 杭州电子科技大学 一种基于混合颜色模型与神经网络的火灾图像检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815863A (zh) * 2019-01-11 2019-05-28 北京邮电大学 基于深度学习和图像识别的烟火检测方法和系统
CN110135269A (zh) * 2019-04-18 2019-08-16 杭州电子科技大学 一种基于混合颜色模型与神经网络的火灾图像检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
严云洋;高尚兵;郭志波;盛明超;: "基于视频图像的火灾自动检测" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359247A (zh) * 2022-08-30 2022-11-18 新创碳谷控股有限公司 一种基于动态特征的火焰检测方法、设备及存储介质
CN115394040A (zh) * 2022-08-30 2022-11-25 新创碳谷控股有限公司 一种火焰检测方法、计算机设备及存储介质
CN115713833A (zh) * 2022-08-30 2023-02-24 新创碳谷集团有限公司 一种基于面积特征的火焰检测方法、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110660066B (zh) 网络的训练方法、图像处理方法、网络、终端设备及介质
CN113450301A (zh) 小火焰检测方法及计算机装置
CN109409238B (zh) 一种障碍物检测方法、装置及终端设备
CN106878668B (zh) 对物体的移动检测
CN109766779B (zh) 徘徊人员识别方法及相关产品
US20160162497A1 (en) Video recording apparatus supporting smart search and smart search method performed using video recording apparatus
JP2009265827A (ja) 対象物検出装置及び方法、対象物検出システム、プログラム
JP4999794B2 (ja) 静止領域検出方法とその装置、プログラム及び記録媒体
CN101316371B (zh) 火焰侦测方法及装置
EP3428838A2 (en) Skin condition detection method and electronic device
CN112560649A (zh) 一种行为动作检测方法、系统、设备及介质
CN111814725A (zh) 一种基于cnn+lstm+mlp组合神经网络判断监控视频着火的预警方法
US20160210759A1 (en) System and method of detecting moving objects
CN112750162A (zh) 一种目标识别定位方法和装置
JP2013214143A (ja) 車両異常管理装置、車両異常管理システム、車両異常管理方法、及びプログラム
CN112464797A (zh) 一种吸烟行为检测方法、装置、存储介质及电子设备
CN115294528A (zh) 一种行人安全监控方法及装置
US20170091572A1 (en) System And Method For Text Detection In An Image
CN110765261A (zh) 潜在专利纠纷的监控方法、装置、服务器和存储介质
CN111191556A (zh) 人脸识别方法、装置及电子设备
CN112333537B (zh) 视频整合方法、装置及计算机可读存储介质
CN113947744A (zh) 基于视频的火灾图像检测方法、系统、设备及存储介质
CN113537204A (zh) 基于红外特征、机器学习的小火焰检测方法及计算机装置
CN113963162A (zh) 安全帽佩戴识别方法、装置、计算机设备和存储介质
CN111062388B (zh) 基于深度学习的广告文字的识别方法、系统、介质及设备

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210928

WD01 Invention patent application deemed withdrawn after publication