CN114037959B - 一种监控画面中危险情况的检测方法及装置 - Google Patents

Abstract

本发明公开了一种监控画面中危险情况的检测方法及装置，该方法中将当前监控画面划分为各个图像块，基于当前监控画面中的待检测危险情况，分别获取各个图像块基于人工提取的第一特征和基于第一特征确定第一检测结果，获取各个图像块基于预设检测模型提取的第二特征和第二检测结果，当前将监控画面的检测结果基于人工检测的第一特征、第一检测结果和预设检测模型的第二特征和第二检测结果共同确定，而且第一检测结果和第二检测结果均是基于对应的特征确定的，相较于基于像素差的检测方式，提高了危险情况检测的准确度。

Description

一种监控画面中危险情况的检测方法及装置

技术领域

本发明涉及安防监控技术领域，尤其涉及一种监控画面中危险情况的检测方法及装置。

背景技术

监控摄像头固定于某一场景中，其对应画面往往在很长时间内保持不变。利用这样的特性，在进行监控画面中危险情况的检测时，业内常见的做法是将摄像头画面分块以后，检测相邻两帧图像或当前帧图像与正常帧图像的像素差，如各图像块的像素差超出一定范围，则认为监控画面内容有较大改变，例如发生发烟或起火等危险情况；否则，为正常状态。

但是，以上方法作为通用的检测画面变动的方法，没有考虑危险情况的特殊特征，极其容易因物体运动、光照改变等因素误报，准确率低。

发明内容

鉴于上述问题，本发明提供了一种监控画面中危险情况的检测方法及装置，用于解决现有技术中通用的检测画面变动的方法，没有考虑危险情况的特殊特征，极其容易因物体运动、光照改变等因素误报，准确率低的问题，具体方案如下：

一种监控画面中危险情况的检测方法，包括：

获取当前监控画面的待检测危险情况，其中，所述待检测危险情况为发烟、起火及发烟和起火中的一个；

将所述当前监控画面划分为各个图像块；

依据所述待检测危险情况，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果；

将所述第一特征、所述第一检测结果、所述第二特征和所述第二检测结果传递给预设分类网络模型，得到所述当前监控画面的检测结果。

上述的方法，可选的，在所述待检测危险情况为发烟的情况下，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果，包括：

获取当前图像块各通道的像素均值特征、拉普拉斯算子特征以及像素标准差特征；

若所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征和所述当前图像块相邻的图像块的标准差的绝对值均大于对应的阈值，且所述绝对值在后续帧中依次增加，则判定发生了发烟，反之，判定未发生发烟；

将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，所述像素均值特征、所述拉普拉斯算子特征和所述像素标准差特征作为第一特征，是否发生了发烟作为第一检测结果。

上述的方法，可选的，在所述待检测危险情况为起火的情况下，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果，包括：

获取当前图像块R通道的像素均值特征、Y通道的像素均值特征和小波变换特征；

若所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征均大于对应的阈值，则判定发生了起火，反之，判定未发生起火；

将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征作为第一特征，是否发生了起火作为第一检测结果。

上述的方法，可选的，在所述待检测危险情况为发烟和起火的情况下，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果，包括：

获取当前图像块的各通道的像素均值特征、拉普拉斯算子特征、像素标准差特征、R通道的像素均值特征、Y通道的像素均值特征和小波变换特征；

若所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征和所述当前图像块相邻的图像块的标准差的绝对值均大于对应的阈值并且所述绝对值在后续帧中依次增加，且，所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征均大于对应的阈值，则判定发生了发烟和起火，反之，判定未发生发烟和起火；

将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征、所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征作为第一特征，是否发生了发烟和起火作为第一检测结果。

上述的方法，可选的，将所述第一特征、所述第一检测结果、所述第二特征和所述第二检测结果传递给预设分类网络模型，得到所述当前监控画面的检测结果，包括：

将所述第一特征、第一检测结果、第二特征和第二检测结果传递给预设分类网络模型，得到待检测危险情况的置信度；

将所述置信度与预设的置信度阈值进行比较，在所述置信度大于所述预设的置信度阈值的情况下，判定所述待检测危险情况存在，反之，判定所述待检测危险情况不存在。

一种监控画面中危险情况的检测装置，包括：

第一获取模块，用于获取当前监控画面的待检测危险情况，其中，所述待检测危险情况为发烟、起火及发烟和起火中的一个；

划分模块，用于将所述当前监控画面划分为各个图像块；

第二获取模块，用于依据所述待检测危险情况，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果；

判定模块，用于将所述第一特征、所述第一检测结果、所述第二特征和所述第二检测结果传递给预设分类网络模型，得到所述当前监控画面的检测结果。

上述的装置，可选的，在所述待检测危险情况为发烟的情况下，所述第二获取模块包括：

第一获取单元，用于获取当前图像块各通道的像素均值特征、拉普拉斯算子特征以及像素标准差特征；

第一判定单元，用于若所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征和所述当前图像块相邻的图像块的标准差的绝对值均大于对应的阈值，且所述绝对值在后续帧中依次增加，则判定发生了发烟，反之，判定未发生发烟；

第一提取单元，用于第一将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，所述像素均值特征、所述拉普拉斯算子特征和所述像素标准差特征作为第一特征，是否发生了发烟作为第一检测结果。

上述的装置，可选的，在所述待检测危险情况为起火的情况下，所述第二获取模块包括：

第二获取单元，用于获取当前图像块R通道的像素均值特征、Y通道的像素均值特征和小波变换特征；

第二判定单元，用于若所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征均大于对应的阈值，则判定发生了起火，反之，判定未发生起火；

第二提取单元，用于将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征作为第一特征，是否发生了起火作为第一检测结果。

上述的装置，可选的，在所述待检测危险情况为发烟和起火的情况下，所述第二获取模块包括：

第三获取单元，用于获取当前图像块的各通道的像素均值特征、拉普拉斯算子特征、像素标准差特征、R通道的像素均值特征、Y通道的像素均值特征和小波变换特征；

第三判定单元，用于若所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征和所述当前图像块相邻的图像块的标准差的绝对值均大于对应的阈值并且所述绝对值在后续帧中依次增加，且，所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征均大于对应的阈值，则判定发生了发烟和起火，反之，判定未发生发烟和起火；

第三提取单元，用于将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征、所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征作为第一特征，是否发生了发烟和起火作为第一检测结果。

上述的装置，可选的，所述判定模块包括：

确定单元，用于将所述第一特征、第一检测结果、第二特征和第二检测结果传递给预设分类网络模型，得到待检测危险情况的置信度；

比较和判定单元，用于将所述置信度与预设的置信度阈值进行比较，在所述置信度大于所述预设的置信度阈值的情况下，判定所述待检测危险情况存在，反之，判定所述待检测危险情况不存在。

与现有技术相比，本发明包括以下优点：

本发明公开了一种监控画面中危险情况的检测方法及装置，该方法中将当前监控画面划分为各个图像块，基于当前监控画面中的待检测危险情况，分别获取各个图像块基于人工提取的第一特征和基于第一特征确定第一检测结果，获取各个图像块基于预设检测模型提取的第二特征和第二检测结果，当前将监控画面的检测结果基于人工检测的第一特征、第一检测结果和预设检测模型的第二特征和第二检测结果共同确定，而且第一检测结果和第二检测结果均是基于对应的特征确定的，相较于基于像素差的检测方式，提高了危险情况检测的准确度。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种监控画面中危险情况的检测方法流程图；

图2为本发明实施例公开的一种周围图像块示意图；

图3为本发明提供的一种监控画面中危险情况的检测装置结构框图。

具体实施方式

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，所描述的实施例仅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。

本发明公开了一种监控画面中危险情况的检测方法及装置，应用于，在视频监控过程中对危险情况的检测过程中，本发明实施例中，所述危险情况可以为发烟、起火以及发烟和起火中的一种，现有技术中通过对相邻两帧图像或者当前帧图像与正常帧图像的像素差来判断是否发生危险情况，但是上述方法由于没有考虑危险情况中的特殊特征，极其容易因物体运动、光照等因素误报，导致检测准确率低，为了解决上述问题，本发明提供了一种监控画面中危险情况的检测方法，所述方法的执行流程如图1所示，包括步骤：

S101、获取当前监控画面的待检测危险情况，其中，所述待检测危险情况为发烟、起火及发烟和起火中的一个；

本发明实施例中，针对所述当前监控画面的待检测危险情况，可以基于经验或者具体情况进行预先设定，本发明实施例中，所述待检测危险情况可以为发烟、起火及发烟和起火中的一个。

S102、将所述当前监控画面划分为各个图像块；

本发明实施例中，为了方便后续检测，需要将所述当前监控画面划分为各个图像块，其中，图像块一般类似于棋盘格的方式，将所述当前监控画面划分为m*n的小格子，每个格子里的图像组成一个图像块。图像块太大，起火点对图像块整体的影响被其他正常部分的图像拉低，方法的灵敏性不足，对起火的判断比较容易滞后。图像块太小，正常的光照明暗变化、图像噪声等会引起相关特征的急剧变化，容易误判。所以，图像块的大小一定要在系统的实时性和误判率之间找到平衡。一般根据图像的整体大小划分图像块，而不是根据像素划分。大量实验下来，图像块的高度占到总图像的1/20～1/7之间，宽度占总图像的1/15～1/5之间效果最好。优选的，本发明实施例中，实际选用的数据分别是1/11和1/9。

S103、依据所述待检测危险情况，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果；

本发明实施例中，针对所述待检测危险情况的不同，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果。

在所述待检测危险情况为发烟的情况下，由于烟通常会遮盖住其所在局部区域，引起该区域内图像像素均值的增加(白烟)或减少(黑烟)；同时，烟具有快速弥散性，其边缘变化剧烈且逐渐扩展，引起发烟点周围区域像素标准差在空间和时间上的剧烈变化，因此，发烟的检测过程如下：与正常状态下各图像块对应的特征相比，计算各通道像素均值特征、拉普拉斯算子特征以及标准差特征的差值，其中，所述像素均值特征、所述拉普拉斯算子特征和所述像素标准差特征作为第一特征，是否发生了发烟作为第一检测结果。具体的计算过程如下：

彩色图像一般是由R、G、B三个通道组成，每个通道对应一个向量。假定每个图像块高度是h，宽度是w，则像素均值特征即为每个通道的像素值的平均值，令三个通道的像素均值分别是Ar，Ag，Ab,则有：

其中，R(i,j)、G(i,j)、B(i,j)分别为第i行、j列的像素值，一般是在0～255之间的整数。像素均值特征代表了当前图像各个通道的颜色深浅，数值越大，颜色越深，也就更接近于白色，更有利于描述发烟特征。

令三个通道的像素标准差分别是Sr,Sg,Sb,则有：

像素标准差代表了当前像素各个通道的颜色差异化，差异化越大，说明图像变化越剧烈，有利于衡量刚刚发烟时的图像变化程度，对于及时发现发烟特征十分有利。

拉普拉斯算子的计算是在灰度图上进行的，将图像转化为灰度图以后，从三个通道也就变换到了一个通道上。拉普拉斯模板：

将所述当前监控画面转换为灰度图，令转换后的灰度图与上述模板进行卷积操作，得到新的图像。令该新图像上第i行、j列的像素值为Gray(i,j)，则拉普拉斯算子特征Lgray可以通过如下式子计算：

拉普拉斯算子则用于评估图像中物体的边缘锐利程度，主要用于检测那些瞬时发烟的场景，瞬间充满整个画面的场景，弥补像素标准差的不足，同时佐证像素均值特征的判别。

基于上述方法进行计算，如果各通道像素均值特征、拉普拉斯算子特征以及标准差特征的差值的绝对值大于相应阈值，同时所述当前图像块周围的图像块的标准差特征差值的绝对值大于相应阈值，且在接下来的一定帧内继续增加，则判定为出现了发烟状况，其中，所述当前图像块周围的图像块指紧邻的图像块，例如，如图2所示，分成3种情况：

(1)周围2个图像块：指的是那些位于图像四个角的图像块，如1、6、31、36号图像块。

(2)周围3个图像块：位于图像边线上的图像块，如2-5、32-35等。

(3)周围4个图像块：位于图像中间的图像块，如8-11、14-17等。

进一步的，本发明实施例中，仅仅采用手动构建的第一特征和第一检测结果是不足的，无法覆盖更为本质的烟、火特征，因此，本发明实施例中通过机器学习算法构建预设检测模型，其中，所述预设检测模型的输入为图像块，输出为第二特征和第二检测结果，其中，所述第二特征和第二检测结果与所述待检测危险情况有关，在所述待检测危险情况为发烟的情况下，所述第二特征为与发烟特征有关的特征，所述第二检测结果为是否发烟，其中，所述第一特征与所述第二特征可以存在重合部分。

优选的，需要预先对所述预设检测模型进行训练，训练过程中采集了一些发烟、起火视频，并对视频中发烟、起火的区域进行了标注，而后搭建了一个基于3层卷积神经网络的分类模型，该模型的输出作为图像块中发烟、起火以及发烟和起火的特征。优选的，所述预设检测模型可以基于所述待检测危险情况选择发烟、起火以及发烟和起火的第二特征以及对应的第二检测结果。

在所述待检测模型为起火的情况下，由于火焰通常呈白色或橙红色(橙红色更为普遍)，伴有局部强光照，且边缘变化剧烈。因此，其不仅会对该局部区域的R通道有剧烈影响，而且还对图像在YUV空间内的Y通道(明亮度)有剧烈影响。同时，不断变化的火焰边缘还会使得该图像区域的像素标准差在时间上有剧烈变化。如果R通道像素均值特征、Y通道均值特征、小波变换特征的差值的绝对值大于相应阈值，则认为出现了起火状况。所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征作为第一特征，是否发生了起火作为第一检测结果。

将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果，其中，在所述待检测危险情况为起火的情况下，所述第二检测特征为与起火有关的特征，所述第二检测结果为是否起火。其中，所述第一特征与所述第二特征可以存在重合部分。

在所述待检测危险情况为发烟和起火的情况下，获取当前图像块的各通道的像素均值特征、拉普拉斯算子特征、像素标准差特征、R通道的像素均值特征、Y通道的像素均值特征和小波变换特征，若所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征和所述当前图像块相邻的图像块的标准差的绝对值均大于对应的阈值并且所述绝对值在后续帧中依次增加，且，所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征均大于对应的阈值，则判定发生了发烟和起火，反之，判定未发生发烟和起火，将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果，其中，在所述待检测危险情况为发烟和起火的情况下，所述第二检测特征为与发烟和起火有关的特征，所述第二检测结果为是否发烟和起火。其中，所述第一特征与所述第二特征可以存在重合部分。

S104、将所述第一特征、所述第一检测结果、所述第二特征和所述第二检测结果传递给预设分类网络模型，得到所述当前监控画面的检测结果。

本发明实施例中，所述预设分类网络模型输入为所述第一特征、所述第一检测结果、所述第二特征和所述第二检测结果，输出为所述当前监控画面中是否存在对应的待检测危险情况，其中，所述预设分类网络模型需要预先进行训练，其中，具体的训练过程本发明实施例中不进行具体的限定。所述预设分类网络模型的具体执行过程如下：将所述第一特征、第一检测结果、第二特征和第二检测结果传递给预设分类网络模型，得到待检测危险情况的置信度，将所述置信度与预设的置信度阈值进行比较，在所述置信度大于所述预设的置信度阈值的情况下，判定所述待检测危险情况存在，反之，判定所述待检测危险情况不存在。其中，所述预设的置信度阈值可以基于经验或者具体情况进行设定，本发明实施例中不进行具体限定。

本发明公开了一种监控画面中危险情况的检测方法，该方法中将当前监控画面划分为各个图像块，基于当前监控画面中的待检测危险情况，分别获取各个图像块基于人工提取的第一特征和基于第一特征确定第一检测结果，获取各个图像块基于预设检测模型提取的第二特征和第二检测结果，当前将监控画面的检测结果基于人工检测的第一特征、第一检测结果和预设检测模型的第二特征和第二检测结果共同确定，而且第一检测结果和第二检测结果均是基于对应的特征确定的，相较于基于像素差的检测方式，提高了危险情况检测的准确度。

本发明实施例中，由于通过卷积神经网络构建的特征需要对一定量数据进行分块、标注，当前场景下的发烟、起火状况的判断需要在前期积累一定量的数据，并投入人力进行标注。因此，本发明适合对正在运行的系统的改造。由于人工设计的判别规则主要考虑橙红色和白色火焰，因此，本发明中的规则判定系统对绿色火焰、蓝色火焰等可能效果不佳，且仅仅适合彩色相机，对黑白相机也不适用。因此，本发明的目的是：对现有监控系统进行改造，利用原有的监控数据，在现有彩色视频流的基础上，构造发烟、起火的特征与判别方法。

进一步的，现有监控系统以彩色摄像头为主，本发明对现有系统的改造无需对硬件结构进行改动，成本较低，发烟、起火特征的构建不仅采用手工特征，而且还通过训练一个分类模型构造了一种卷积神经网络特征，对发烟、起火状态的描述比较精确，采用两种判别方式来决定发烟、起火状态，减少了发烟、起火状况漏报，通过设置较高的预设的置信度阈值，减少了发烟、起火状态的误报。

基于上述的一种监控画面中危险情况的检测方法，本发明实施例中还提供了一种监控画面中危险情况的检测装置，所述检测装置的结构框图如图3所示，包括：

第一获取模块201、划分模块202、第二获取模块203和判定模块204。

其中，

所述第一获取模块201，用于获取当前监控画面的待检测危险情况，其中，所述待检测危险情况为发烟、起火及发烟和起火中的一个；

所述划分模块202，用于将所述当前监控画面划分为各个图像块；

所述第二获取模块203，用于依据所述待检测危险情况，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果；

所述判定模块204，用于将所述第一特征、所述第一检测结果、所述第二特征和所述第二检测结果传递给预设分类网络模型，得到所述当前监控画面的检测结果。

本发明公开了一种监控画面中危险情况的检测装置，该装置中将当前监控画面划分为各个图像块，基于当前监控画面中的待检测危险情况，分别获取各个图像块基于人工提取的第一特征和基于第一特征确定第一检测结果，获取各个图像块基于预设检测模型提取的第二特征和第二检测结果，当前将监控画面的检测结果基于人工检测的第一特征、第一检测结果和预设检测模型的第二特征和第二检测结果共同确定，而且第一检测结果和第二检测结果均是基于对应的特征确定的，相较于基于像素差的检测方式，提高了危险情况检测的准确度。

本发明实施例中，在所述待检测危险情况为发烟的情况下，所述第二获取模块203包括：

第一获取单元205、第一判断单元206和第一提取单元207。

其中，

所述第一获取单元205，用于获取当前图像块各通道的像素均值特征、拉普拉斯算子特征以及像素标准差特征；

所述第一判定单元206，用于若所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征和所述当前图像块相邻的图像块的标准差的绝对值均大于对应的阈值，且所述绝对值在后续帧中依次增加，则判定发生了发烟，反之，判定未发生发烟；

所述第一提取单元207，用于第一将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，所述像素均值特征、所述拉普拉斯算子特征和所述像素标准差特征作为第一特征，是否发生了发烟作为第一检测结果。

本发明实施例中，在所述待检测危险情况为起火的情况下，所述第二获取模块203包括：

第二获取单元208、第二判定单元209和第二提取单元210。

其中，

所述第二获取单元208，用于获取当前图像块R通道的像素均值特征、Y通道的像素均值特征和小波变换特征；

所述第二判定单元209，用于若所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征均大于对应的阈值，则判定发生了起火，反之，判定未发生起火；

所述第二提取单元210，用于将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征作为第一特征，是否发生了起火作为第一检测结果。

本发明实施例中，在所述待检测危险情况为发烟和起火的情况下，所述第二获取模块203包括：

第三获取单元211、第三判定单元212和第三提取单元213。

其中，

所述第三获取单元211，用于获取当前图像块的各通道的像素均值特征、拉普拉斯算子特征、像素标准差特征、R通道的像素均值特征、Y通道的像素均值特征和小波变换特征；

所述第三判定单元212，用于若所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征和所述当前图像块相邻的图像块的标准差的绝对值均大于对应的阈值并且所述绝对值在后续帧中依次增加，且，所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征均大于对应的阈值，则判定发生了发烟和起火，反之，判定未发生发烟和起火；

所述第三提取单元213，用于将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征、所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征作为第一特征，是否发生了发烟和起火作为第一检测结果。

本发明实施例中，所述判定模块204包括：

确定单元214和比较和判断单元215。

其中，

所述确定单元214，用于将所述第一特征、第一检测结果、第二特征和第二检测结果传递给预设分类网络模型，得到待检测危险情况的置信度；

所述比较和判定单元215，用于将所述置信度与预设的置信度阈值进行比较，在所述置信度大于所述预设的置信度阈值的情况下，判定所述待检测危险情况存在，反之，判定所述待检测危险情况不存在。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种监控画面中危险情况的检测方法，其特征在于，包括：

获取当前监控画面的待检测危险情况，其中，所述待检测危险情况为发烟、起火及发烟和起火中的一个；

将所述当前监控画面划分为各个图像块；

依据所述待检测危险情况，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果，其中，发烟情况对应的所述第一特征为像素均值特征、拉普拉斯算子特征和像素标准差，所述起火情况对应的所述第一特征为R通道的像素均值特征、Y通道的像素均值特征和小波变换特征，所述发烟和起火情况对应的所述第一特征值为像素均值特征、拉普拉斯算子特征、像素标准差特征、R通道的像素均值特征、Y通道的像素均值特征和小波变换特征；

将所述第一特征、所述第一检测结果、所述第二特征和所述第二检测结果传递给预设分类网络模型，得到所述当前监控画面的检测结果。

2.根据权利要求1所述的方法，其特征在于，在所述待检测危险情况为发烟的情况下，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果，包括：

获取当前图像块各通道的所述像素均值特征、所述拉普拉斯算子特征以及所述像素标准差特征；

若所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征和所述当前图像块相邻的图像块的标准差的绝对值均大于对应的阈值，且所述绝对值在后续帧中依次增加，则判定发生了发烟，反之，判定未发生发烟；

将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，是否发生了发烟作为第一检测结果。

3.根据权利要求1所述的方法，其特征在于，在所述待检测危险情况为起火的情况下，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果，包括：

获取当前图像块所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征；

若所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征均大于对应的阈值，则判定发生了起火，反之，判定未发生起火；

将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，是否发生了起火作为第一检测结果。

4.根据权利要求1所述的方法，其特征在于，在所述待检测危险情况为发烟和起火的情况下，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果，包括：

获取当前图像块的各通道的所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征、所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征；

若所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征和所述当前图像块相邻的图像块的标准差的绝对值均大于对应的阈值并且所述绝对值在后续帧中依次增加，且，所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征均大于对应的阈值，则判定发生了发烟和起火，反之，判定未发生发烟和起火；

将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，是否发生了发烟和起火作为第一检测结果。

5.根据权利要求1所述的方法，其特征在于，将所述第一特征、所述第一检测结果、所述第二特征和所述第二检测结果传递给预设分类网络模型，得到所述当前监控画面的检测结果，包括：

将所述第一特征、第一检测结果、第二特征和第二检测结果传递给预设分类网络模型，得到待检测危险情况的置信度；

将所述置信度与预设的置信度阈值进行比较，在所述置信度大于所述预设的置信度阈值的情况下，判定所述待检测危险情况存在，反之，判定所述待检测危险情况不存在。

6.一种监控画面中危险情况的检测装置，其特征在于，包括：

第一获取模块，用于获取当前监控画面的待检测危险情况，其中，所述待检测危险情况为发烟、起火及发烟和起火中的一个；

划分模块，用于将所述当前监控画面划分为各个图像块；

第二获取模块，用于依据所述待检测危险情况，获取所述各个图像块基于人工提取的第一特征和基于所述第一特征确定第一检测结果，获取所述各个图像块基于预设检测模型提取的第二特征和第二检测结果，其中，发烟情况对应的所述第一特征为像素均值特征、拉普拉斯算子特征和像素标准差，所述起火情况对应的所述第一特征为R通道的像素均值特征、Y通道的像素均值特征和小波变换特征，所述发烟和起火情况对应的所述第一特征值为像素均值特征、拉普拉斯算子特征、像素标准差特征、R通道的像素均值特征、Y通道的像素均值特征和小波变换特征；

判定模块，用于将所述第一特征、所述第一检测结果、所述第二特征和所述第二检测结果传递给预设分类网络模型，得到所述当前监控画面的检测结果。

7.根据权利要求6所述的装置，其特征在于，在所述待检测危险情况为发烟的情况下，所述第二获取模块包括：

第一获取单元，用于获取当前图像块各通道的所述像素均值特征、所述拉普拉斯算子特征以及所述像素标准差特征；

第一判定单元，用于若所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征和所述当前图像块相邻的图像块的标准差的绝对值均大于对应的阈值，且所述绝对值在后续帧中依次增加，则判定发生了发烟，反之，判定未发生发烟；

第一提取单元，用于第一将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，是否发生了发烟作为第一检测结果。

8.根据权利要求6所述的装置，其特征在于，在所述待检测危险情况为起火的情况下，所述第二获取模块包括：

第二获取单元，用于获取当前图像块所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征；

第二判定单元，用于若所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征均大于对应的阈值，则判定发生了起火，反之，判定未发生起火；

第二提取单元，用于将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，是否发生了起火作为第一检测结果。

9.根据权利要求6所述的装置，其特征在于，在所述待检测危险情况为发烟和起火的情况下，所述第二获取模块包括：

第三获取单元，用于获取当前图像块的各通道的所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征、所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征；

第三判定单元，用于若所述像素均值特征、所述拉普拉斯算子特征、所述像素标准差特征和所述当前图像块相邻的图像块的标准差的绝对值均大于对应的阈值并且所述绝对值在后续帧中依次增加，且，所述R通道的像素均值特征、所述Y通道的像素均值特征和所述小波变换特征均大于对应的阈值，则判定发生了发烟和起火，反之，判定未发生发烟和起火；

第三提取单元，用于将所述当前图像块传递给所述预设检测模型提取第二特征和第二检测结果；

其中，是否发生了发烟和起火作为第一检测结果。

10.根据权利要求6所述的装置，其特征在于，所述判定模块包括：

确定单元，用于将所述第一特征、第一检测结果、第二特征和第二检测结果传递给预设分类网络模型，得到待检测危险情况的置信度；

比较和判定单元，用于将所述置信度与预设的置信度阈值进行比较，在所述置信度大于所述预设的置信度阈值的情况下，判定所述待检测危险情况存在，反之，判定所述待检测危险情况不存在。