CN115082866A - 一种楼宇智能化消防火灾识别方法 - Google Patents

一种楼宇智能化消防火灾识别方法 Download PDF

Info

Publication number
CN115082866A
CN115082866A CN202210995725.3A CN202210995725A CN115082866A CN 115082866 A CN115082866 A CN 115082866A CN 202210995725 A CN202210995725 A CN 202210995725A CN 115082866 A CN115082866 A CN 115082866A
Authority
CN
China
Prior art keywords
fire
pixel
color
flame
fighting monitoring
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
Application number
CN202210995725.3A
Other languages
English (en)
Other versions
CN115082866B (zh
Inventor
王景丽
张进中
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.)
Jiangsu Nantong Second Construction Group Xunteng Yunchuang Intelligent Technology Co ltd
Original Assignee
Jiangsu Nantong Second Construction Group Xunteng Yunchuang Intelligent Technology 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 Jiangsu Nantong Second Construction Group Xunteng Yunchuang Intelligent Technology Co ltd filed Critical Jiangsu Nantong Second Construction Group Xunteng Yunchuang Intelligent Technology Co ltd
Priority to CN202210995725.3A priority Critical patent/CN115082866B/zh
Publication of CN115082866A publication Critical patent/CN115082866A/zh
Application granted granted Critical
Publication of CN115082866B publication Critical patent/CN115082866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • 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
    • G06V20/41—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明涉及数据处理与识别技术领域，具体涉及一种楼宇智能化消防火灾识别方法，该方法步骤包括：利用电子设备获取消防监控图像；对每一帧消防监控图像进行数据处理得到火焰区域内每个位置的闪烁度，并将闪烁度大于阈值的位置作为目标位置；根据全部目标位置构建火焰多维直方图确定任一位置为火焰的先验概率分布；根据先验概率分布计算出当前帧每个位置为火焰的概率，结合每个位置的相邻时刻差异度，通过进一步的数据处理获取每个位置的综合评分；根据综合评分构建SLIC超像素分割算法距离度量准则，利用该准则对图像数据进行处理，最终识别出准确的火灾区域；本发明对火焰位置的特征进行数据分析与处理，保证识别出的火灾区域更加准确。

Description

一种楼宇智能化消防火灾识别方法
技术领域
本发明涉及数据处理与识别技术领域，具体涉及一种楼宇智能化消防火灾识别方法。
背景技术
消防火灾识别监控系统基于智能视频分析，实现对监控区域内的烟雾和火焰进行识别。并且能动态识别烟雾从有到无、火焰从小到大的过程，并根据识别情况实时分析报警。目前火焰识别方法主要有基于人工设计的图像特征和基于卷积神经网络提取的图像的深度特征。
为了准确的识别出火焰区域，现有技术中利用超像素定位火焰区域。一种基于超像素定位火焰区域引导的FasterＲ-CNN的模型结合掩膜卷积技术，在超像素定位的火焰区域中的超像素的聚类中心设置锚点，减少了FasterＲ-CNN火焰检测的计算量，提高了检测效率，并提高了图像火焰检测的性能。但是基于FasterＲ-CNN的超像素定位引导的图像火焰检测方法，检测的准确性依赖于超像素分割结果的准确性。同时传统的SLIC超像素分割算法距离度量准则不能保证对火焰区域进行超像素分割的准确性，需要结合像素点为火焰的的特征构建适用于火焰分割的SLIC超像素分割算法距离度量准则。
发明内容
本发明提供一种楼宇智能化消防火灾识别方法，针对FasterＲ-CNN火焰检测方法的准确性依赖于超像素分割结果的准确性，根据像素点为火焰颜色的概率和帧间差异度构建SLIC超像素分割算法距离度量准则，利用该距离度量准则对消防监控图像进行超像素分割获取准确的超像素分割图像，提高了消防监控图像中火焰区域的定位准确性。
本发明的一种楼宇智能化消防火灾识别方法采用如下技术方案：该方法包括：
获取消防监控视频中发生火灾时间段内的多帧消防监控图像；
计算出每一帧所述消防监控图像人为标注火焰区域内每个像素点的闪烁度，并获取闪烁度大于阈值的像素点作为目标像素点；
根据全部所述目标像素点构建火焰RGB颜色-颜色均值多维直方图，并且根据RGB颜色-颜色均值多维直方图获取任一像素点为火焰的先验概率分布；
根据所述先验概率分布计算出在当前帧消防监控图像中每个像素点为火焰的概率，同时计算当前帧所述每个像素点在多帧消防监控图像中的帧间灰度差异度；
根据所述帧间灰度差异度和所述概率获取当前帧所述每个像素点的综合评分，根据所述综合评分构建SLIC超像素分割算法距离度量准则；
根据所述距离度量准则对当前帧消防监控图像进行超像素分割获取当前帧超像素分割图像，并将当前帧超像素分割图像输入超像素定位火焰模型识别当前帧消防监控图像中的火焰并标注。
上述闪烁度s计算公式如下式所示：
Figure 508772DEST_PATH_IMAGE001
其中，
Figure 360185DEST_PATH_IMAGE002
表示第m帧消防监控图像中第
Figure 104150DEST_PATH_IMAGE003
个像素点的颜色值；
Figure 622987DEST_PATH_IMAGE004
表示第m-1帧消防监控图像中第
Figure 302361DEST_PATH_IMAGE003
个像素点的颜色值；
Figure 700457DEST_PATH_IMAGE005
表示遍历以第
Figure 248113DEST_PATH_IMAGE003
个像素点为中心3×3邻域内的全部像素点。
上述根据全部所述目标像素点构建火焰RGB颜色-颜色均值多维直方图，包括：
获取全部所述目标像素点在红色通道内的颜色数值、在绿色通道内的颜色数值、在蓝色通道内的颜色数值；
同时获取全部所述目标像素点对应的八邻域像素点在红色通道内的颜色均值、在绿色通道内的颜色均值、在蓝色通道内的颜色均值；
根据全部所述目标像素点的颜色数值和所述颜色均值构建火焰RGB颜色-颜色均值多维直方图。
上述并且根据RGB颜色-颜色均值多维直方图获取任一像素点为火焰的先验概率分布，包括：
所述任一像素点为火焰的先验概率分布
Figure 355877DEST_PATH_IMAGE006
如下式所示：
Figure 799628DEST_PATH_IMAGE007
其中，
Figure 422370DEST_PATH_IMAGE008
为像素点在红色通道内的颜色数值；
Figure 200750DEST_PATH_IMAGE009
为像素点在绿色通道内的颜色数值；
Figure 631862DEST_PATH_IMAGE010
为像素点在蓝色通道内的颜色数值；
Figure 308831DEST_PATH_IMAGE011
为像素点对应的八邻域像素点在红色通道内的颜色均值；
Figure 90974DEST_PATH_IMAGE012
为像素点对应的八邻域像素点在绿色通道内的颜色均值；
Figure 980432DEST_PATH_IMAGE013
为像素点对应的八邻域像素点在蓝色通道内的颜色均值；
Figure 125106DEST_PATH_IMAGE014
表示像素点颜色均值分别为
Figure 579833DEST_PATH_IMAGE015
时，像素点颜色数值为
Figure 239485DEST_PATH_IMAGE016
的先验概率。
上述获取消防监控视频中发生火灾时间段内的多帧消防监控图像，包括：
对每一秒的消防监控视频进行火焰识别，识别出发生火灾时间段内的消防监控视频；
根据所述发生火灾时间段内的消防监控视频获取多帧消防监控图像。
上述根据所述先验概率分布计算出在当前帧消防监控图像中每个像素点为火焰的概率，包括：
获取当前帧消防监控图像中每个像素点在N帧消防监控图像中所对应的全部像素点；
由所述全部像素点组成一数据集；
根据所述数据集和所述先验概率分布计算出在当前帧消防监控图像中每个像素点为火焰的概率
Figure 542421DEST_PATH_IMAGE009
，概率
Figure 338339DEST_PATH_IMAGE009
计算公式如下式所示：
Figure 560373DEST_PATH_IMAGE017
其中，
Figure 645004DEST_PATH_IMAGE018
为像素点在红色通道内的颜色数值；
Figure 14281DEST_PATH_IMAGE019
为像素点在绿色通道内的颜色数值；
Figure 664705DEST_PATH_IMAGE020
为像素点在蓝色通道内的颜色数值；
Figure 464165DEST_PATH_IMAGE021
为像素点对应的八邻域像素点在红色通道内的颜色均值；
Figure 973774DEST_PATH_IMAGE022
为像素点对应的八邻域像素点在绿色通道内的颜色均值；
Figure 274306DEST_PATH_IMAGE023
为像素点对应的八邻域像素点在蓝色通道内的颜色均值；
Figure 917252DEST_PATH_IMAGE024
表示像素点颜色均值分别为
Figure 949930DEST_PATH_IMAGE025
时，像素点颜色数值为
Figure 805891DEST_PATH_IMAGE026
的先验概率；其中，
Figure 192004DEST_PATH_IMAGE027
为判断函数，该判断函数对具体规则如下：
Figure 158298DEST_PATH_IMAGE028
当
Figure 424195DEST_PATH_IMAGE029
时，
Figure 642818DEST_PATH_IMAGE030
，当
Figure 488414DEST_PATH_IMAGE031
时，
Figure 233516DEST_PATH_IMAGE032
。
上述同时计算当前帧所述每个像素点在多帧消防监控图像中的帧间灰度差异度，包括：
将所述N帧消防监控图像转换为灰度图像；
计算当前帧所述每个像素点在所述N帧消防监控图像中的帧间灰度差异度，帧间差异度
Figure 873576DEST_PATH_IMAGE033
的计算公式如下式所示：
Figure 576565DEST_PATH_IMAGE034
其中，
Figure 960273DEST_PATH_IMAGE035
为当前帧每个像素点在第
Figure 294302DEST_PATH_IMAGE036
帧图像中的灰度值；
Figure 42947DEST_PATH_IMAGE037
为当前帧每个像素点在第
Figure 298479DEST_PATH_IMAGE038
帧图像中的灰度值。
上述综合评分的计算公式如下式所示：
Figure 282615DEST_PATH_IMAGE039
其中，
Figure 937063DEST_PATH_IMAGE009
为当前帧消防监控图像中每个像素点为火焰的概率；
Figure 184505DEST_PATH_IMAGE033
为当前帧每个像素点在多帧消防监控图像中的帧间灰度差异度；
Figure 192912DEST_PATH_IMAGE027
为判断函数，该判断函数对具体规则如下：
Figure 856106DEST_PATH_IMAGE028
当
Figure 633569DEST_PATH_IMAGE029
时，
Figure 786332DEST_PATH_IMAGE030
，当
Figure 16457DEST_PATH_IMAGE031
时，
Figure 605045DEST_PATH_IMAGE032
。
上述SLIC超像素分割算法距离度量准则的计算公式如下式所示：
Figure 971436DEST_PATH_IMAGE040
其中，
Figure 232784DEST_PATH_IMAGE041
为人为设定超像素种子点的综合得分；
Figure 950204DEST_PATH_IMAGE042
为种子点邻域2S×2S范围内第
Figure 283097DEST_PATH_IMAGE003
个像素点的综合得分，S×S为人为设定超像素种子点的分割区域；
Figure 566310DEST_PATH_IMAGE043
为人为设定种子点在消防监控图像中的坐标；
Figure 326456DEST_PATH_IMAGE044
为种子点邻域2S×2S范围内第
Figure 223784DEST_PATH_IMAGE003
个像素点的坐标；S为归一化系数。
上述根据所述距离度量准则对当前帧消防监控图像进行超像素分割获取当前帧超像素分割图像，包括：
人为设定K个超像素的种子点并将其均匀地分配在当前帧所述消防监控图像图像上，人为设定超像素种子点的分割区域为S×S；
根据所述距离度量准则计算所述种子点的邻域2S×2S的范围内全部像素点与所述种子点的距离，重复迭代并赋值，将相似特征像素生成超像素获取当前帧超像素分割图像。
本发明的有益效果是：
为了准确的识别出火焰区域，现有技术中利用超像素定位火焰区域。一种基于超像素定位火焰区域引导的FasterＲ-CNN的模型结合掩膜卷积技术，在超像素定位的火焰区域中的超像素的聚类中心设置锚点，减少了FasterＲ-CNN火焰检测的计算量，提高了检测效率，并提高了图像火焰检测的性能。但是基于FasterＲ-CNN的超像素定位引导的图像火焰检测方法，检测的准确性依赖于超像素分割结果的准确性，如果不能针对火焰的特征准确的获取超像素分割图像则很难保证识别出准确的火焰区域。
本发明提供一种楼宇智能化消防火灾识别方法，引入邻域颜色均值和帧间差异度来计算消防监控图像的每个像素的综合评分，用以表征每个像素属于火焰的概率。为了在消防监控图像中准确定位火焰区域，需要保证超像素分割的准确性，传统的SLIC超像素分割算法距离度量准则不能保证对火焰区域进行超像素分割的准确性，需要结合像素点为火焰的颜色概率、帧间差异度以及坐标构建适用于火焰分割的SLIC超像素分割算法距离度量准则，提高了超像素分割结果的准确性，进而提高FasterＲ-CNN火焰检测方法的准确性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种楼宇智能化消防火灾识别方法的实施例总体步骤的流程示意图。
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。
本发明的一种楼宇智能化消防火灾识别方法的实施例，该方法包括：
S1、获取消防监控视频中发生火灾时间段内的多帧消防监控图像。
其中，通过设置在楼宇间的消防监控摄像头获取消防监控视频。通过对每一秒的消防监控视频进行火焰识别。识别出发生火灾时一秒时间段内的消防监控视频；根据一秒时间段内的消防监控视频获取N帧消防监控图像。
获取N帧消防监控图像后对消防监控图像进行去噪。获取消防监控图像的过程中，由于环境条件和硬件质量的影响，出现的噪声会影响有效信息的提取，甚至最终会导致误检，因此需要先对消防监控图像进行去噪处理。通过空间滤波器对消防监控图像进行滤波处理，达到去噪效果。本发明通过中值滤波器对消防监控图像进行滤波，具体为通过像素邻域内像素的灰度值的中值来代替其灰度值，实现消防监控图像去噪。
S2、计算出每一帧所述消防监控图像人为标注火焰区域内每个像素点的闪烁度，并获取闪烁度大于阈值的像素点作为目标像素点。
闪烁度
Figure 360367DEST_PATH_IMAGE045
计算公式如下式所示：
Figure 435771DEST_PATH_IMAGE046
其中，
Figure 429134DEST_PATH_IMAGE002
表示第m帧消防监控图像中第
Figure 121147DEST_PATH_IMAGE047
个像素点的颜色值；
Figure 530263DEST_PATH_IMAGE004
表示第m-1帧消防监控图像中第
Figure 991331DEST_PATH_IMAGE047
个像素点的颜色值；
Figure 28033DEST_PATH_IMAGE005
表示遍历以第
Figure 676183DEST_PATH_IMAGE003
个像素点为中心3×3邻域内的全部像素点。设置阈值
Figure 951306DEST_PATH_IMAGE048
，获取闪烁度
Figure 266881DEST_PATH_IMAGE045
大于阈值的像素点作为目标像素点。
本发明首先对获取的N帧消防监控图像人为标注火焰区域，计算N帧消防监控图像中人为标注的火焰区域内每个像素点的闪烁度。而闪烁度的计算是根据两帧消防监控图像来计算的。例如：计算第m帧消防监控图像中第
Figure 211835DEST_PATH_IMAGE003
个像素点的闪烁度时配合第m-1帧消防监控图像进行计算。同时在计算第m帧消防监控图像中第
Figure 878439DEST_PATH_IMAGE003
个像素点的闪烁度时需要以第i个像素点为中心对3×3邻域内的全部像素点进行依次遍历计算，用第i个像素点八邻域内的像素点来反应第i个像素点的变化。同时在计算第m-1帧消防监控图像中第
Figure 626428DEST_PATH_IMAGE003
个像素点的闪烁度时需要配合第m-2帧消防监控图像进行计算，依次完成N张消防监控图像火焰区域内全部像素点闪烁度的计算。
S3、根据全部所述目标像素点构建火焰RGB颜色-颜色均值多维直方图，并且根据RGB颜色-颜色均值多维直方图获取任一像素点为火焰的先验概率分布。
其中，获取全部所述目标像素点在红色通道内的颜色数值、在绿色通道内的颜色数值、在蓝色通道内的颜色数值；同时获取全部所述目标像素点对应的八邻域像素点在红色通道内的颜色均值、在绿色通道内的颜色均值、在蓝色通道内的颜色均值；根据全部所述目标像素点的颜色数值和所述颜色均值构建火焰RGB颜色-颜色均值多维直方图。
所述任一像素点为火焰的先验概率分布
Figure 62088DEST_PATH_IMAGE006
如下式所示：
Figure 36998DEST_PATH_IMAGE007
其中，
Figure 863002DEST_PATH_IMAGE008
为像素点在红色通道内的颜色数值；
Figure 683191DEST_PATH_IMAGE009
为像素点在绿色通道内的颜色数值；
Figure 707779DEST_PATH_IMAGE010
为像素点在蓝色通道内的颜色数值；
Figure 384748DEST_PATH_IMAGE011
为像素点对应的八邻域像素点在红色通道内的颜色均值；
Figure 757436DEST_PATH_IMAGE012
为像素点对应的八邻域像素点在绿色通道内的颜色均值；
Figure 850157DEST_PATH_IMAGE013
为像素点对应的八邻域像素点在蓝色通道内的颜色均值；
Figure 260409DEST_PATH_IMAGE014
表示像素点颜色均值分别为
Figure 718067DEST_PATH_IMAGE015
时，像素点颜色数值为
Figure 580980DEST_PATH_IMAGE016
的先验概率。
S4、根据所述先验概率分布计算出在当前帧消防监控图像中每个像素点为火焰的概率，同时计算当前帧所述每个像素点在多帧消防监控图像中的帧间灰度差异度。
火焰的颜色具有一定的规律，所述通过火焰RGB颜色-颜色均值多维直方图获得的火焰颜色的先验概率分布能够表现这些规律，对于消防监控图像的每一帧图像的每个像素，颜色越服从这些规律，则是火焰的概率越大。
但是仅仅通过颜色判断像素点是否为火焰会导致和火焰颜色相似的区域误检为火焰，因此需要引入新的特征使识别结果更准确。由于火焰在燃烧过程中是在不断闪烁的，对应在消防监控图像中，即为存在帧间差异的像素。
其中，根据所述先验概率分布计算出在当前帧消防监控图像中每个像素点为火焰的概率，包括：获取当前帧消防监控图像中每个像素点在N帧消防监控图像中所对应的全部像素点；由所述全部像素点组成一数据集；根据所述数据集和所述先验概率分布计算出在当前帧消防监控图像中每个像素点为火焰的概率
Figure 477392DEST_PATH_IMAGE009
，概率
Figure 742151DEST_PATH_IMAGE009
计算公式如下式所示：
Figure 961256DEST_PATH_IMAGE049
其中，
Figure 108203DEST_PATH_IMAGE018
为像素点在红色通道内的颜色数值；
Figure 542727DEST_PATH_IMAGE019
为像素点在绿色通道内的颜色数值；
Figure 661992DEST_PATH_IMAGE020
为像素点在蓝色通道内的颜色数值；
Figure 54928DEST_PATH_IMAGE021
为像素点对应的八邻域像素点在红色通道内的颜色均值；
Figure 564538DEST_PATH_IMAGE022
为像素点对应的八邻域像素点在绿色通道内的颜色均值；
Figure 68331DEST_PATH_IMAGE023
为像素点对应的八邻域像素点在蓝色通道内的颜色均值；
Figure 370000DEST_PATH_IMAGE024
表示像素点颜色均值分别为时，像素点颜色数值为
Figure 603010DEST_PATH_IMAGE026
的先验概率；其中，
Figure 927812DEST_PATH_IMAGE050
为判断函数，该判断函数对具体规则如下：
Figure 704139DEST_PATH_IMAGE028
当
Figure 63576DEST_PATH_IMAGE029
时，
Figure 532734DEST_PATH_IMAGE030
，当
Figure 79253DEST_PATH_IMAGE031
时，
Figure 190429DEST_PATH_IMAGE032
。
其中，同时计算当前帧所述每个像素点在多帧消防监控图像中的帧间灰度差异度，包括：将所述N帧消防监控图像转换为灰度图像；计算当前帧所述每个像素点在所述N帧消防监控图像中的帧间灰度差异度，帧间差异度
Figure 932601DEST_PATH_IMAGE033
的计算公式如下式所示：
Figure 838240DEST_PATH_IMAGE051
其中，
Figure 606476DEST_PATH_IMAGE035
为当前帧每个像素点在第m帧图像中的灰度值；
Figure 990184DEST_PATH_IMAGE037
为当前帧每个像素点在第
Figure 730738DEST_PATH_IMAGE038
帧图像中的灰度值。
S5、根据所述帧间灰度差异度和所述概率获取当前帧所述每个像素点的综合评分，根据所述综合评分构建SLIC超像素分割算法距离度量准则。
结合概率和帧间差异度获取每个像素点的综合得分。其中，概率越大，帧间差异度越大，所述像素点综合得分越高，该像素点是火焰的概率越大。
其中，所述综合评分的计算公式如下式所示：
Figure 541699DEST_PATH_IMAGE039
其中，
Figure 62810DEST_PATH_IMAGE009
为当前帧消防监控图像中每个像素点为火焰的概率；
Figure 44017DEST_PATH_IMAGE033
为当前帧每个像素点在多帧消防监控图像中的帧间灰度差异度；
Figure 701395DEST_PATH_IMAGE027
为判断函数，该判断函数对具体规则如下：
Figure 620940DEST_PATH_IMAGE028
当
Figure 629348DEST_PATH_IMAGE029
时，
Figure 620437DEST_PATH_IMAGE052
，当
Figure 132321DEST_PATH_IMAGE031
时，
Figure 347402DEST_PATH_IMAGE032
。
其中，本发明需要识别火焰，因此，超像素分割的目的是尽可能的将火焰和背景区分开来，因此SLIC超像素分割算法距离度量准则不适合本发明分割火焰，需要构建可以准确将火焰分割出来的距离度量准则，所述度量准则的公式如下：
Figure 598034DEST_PATH_IMAGE053
其中，
Figure 127235DEST_PATH_IMAGE041
为人为设定超像素种子点的综合得分；
Figure 431309DEST_PATH_IMAGE042
为种子点邻域2S×2S范围内第
Figure 20553DEST_PATH_IMAGE003
个像素点的综合得分，S×S为人为设定超像素种子点的分割区域；
Figure 3553DEST_PATH_IMAGE043
为人为设定种子点在消防监控图像中的坐标；
Figure 336445DEST_PATH_IMAGE044
为种子点邻域2S×2S范围内第i个像素点的坐标；S为归一化系数，S也是根据超像素种子点的分割区域确定的。
S6、根据所述距离度量准则对当前帧消防监控图像进行超像素分割获取当前帧超像素分割图像，并将当前帧超像素分割图像输入超像素定位火焰模型识别当前帧消防监控图像中的火焰并标注。
其中，人为设定K个超像素的种子点并将其均匀地分配在当前帧所述消防监控图像图像上，人为设定超像素种子点的分割区域为S×S；根据所述距离度量准则计算所述种子点的邻域2S×2S的范围内全部像素点与所述种子点的距离，重复迭代并赋值，将相似特征像素生成超像素获取当前帧超像素分割图像。
将超像素分割图像输入预先训练好的超像素定位火焰模型，获取基于该模型生成的火焰候选区域，将超像素定位后的图片输入卷积层，进行特征提取，将输出的特征图输入RPN网络，同时通过超像素定位火焰模型进行引导，在候选火焰区域每一个超像素的聚类中心生成锚，将得到经过筛选和回归后的火焰区域输入分类网络，得到最终的分类和精准的检测框。
至此，本发明实现了对消防监控图像中的火焰区域的识别和标注。
综上所述，本发明提供一种楼宇智能化消防火灾识别方法，引入邻域颜色均值和帧间差异度来计算消防监控图像的每个像素的综合评分，用以表征每个像素属于火焰的概率。为了在消防监控图像中准确定位火焰区域，需要保证超像素分割的准确性，传统的SLIC超像素分割算法距离度量准则不能保证对火焰区域进行超像素分割的准确性，需要结合像素点为火焰的颜色概率、帧间差异度以及坐标构建适用于火焰分割的SLIC超像素分割算法距离度量准则，提高了超像素分割结果的准确性，进而提高FasterＲ-CNN火焰检测方法的准确性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种楼宇智能化消防火灾识别方法，其特征在于，该方法包括：
获取消防监控视频中发生火灾时间段内的多帧消防监控图像；
计算出每一帧所述消防监控图像人为标注火焰区域内每个像素点的闪烁度，并获取闪烁度大于阈值的像素点作为目标像素点；
根据全部所述目标像素点构建火焰RGB颜色-颜色均值多维直方图，并且根据RGB颜色-颜色均值多维直方图获取任一像素点为火焰的先验概率分布；
根据所述先验概率分布计算出在当前帧消防监控图像中每个像素点为火焰的概率，同时计算当前帧所述每个像素点在多帧消防监控图像中的帧间灰度差异度；
根据所述帧间灰度差异度和所述概率获取当前帧所述每个像素点的综合评分，根据所述综合评分构建SLIC超像素分割算法距离度量准则；
根据所述距离度量准则对当前帧消防监控图像进行超像素分割获取当前帧超像素分割图像，并将当前帧超像素分割图像输入超像素定位火焰模型识别当前帧消防监控图像中的火焰并标注；
所述根据全部所述目标像素点构建火焰RGB颜色-颜色均值多维直方图，包括：
获取全部所述目标像素点在红色通道内的颜色数值、在绿色通道内的颜色数值、在蓝色通道内的颜色数值；
同时获取全部所述目标像素点对应的八邻域像素点在红色通道内的颜色均值、在绿色通道内的颜色均值、在蓝色通道内的颜色均值；
根据全部所述目标像素点的颜色数值和所述颜色均值构建火焰RGB颜色-颜色均值多维直方图。
2.根据权利要求1所述的一种楼宇智能化消防火灾识别方法，其特征在于，所述闪烁度
Figure DEST_PATH_IMAGE002
计算公式如下式所示：
Figure DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE006
表示第m帧消防监控图像中第
Figure DEST_PATH_IMAGE008
个像素点的颜色值；
Figure DEST_PATH_IMAGE010
表示第m-1帧消防监控图像中第
Figure 495770DEST_PATH_IMAGE008
个像素点的颜色值；
Figure DEST_PATH_IMAGE012
表示遍历以第
Figure 599861DEST_PATH_IMAGE008
个像素点为中心3×3邻域内的全部像素点。
3.根据权利要求1所述的一种楼宇智能化消防火灾识别方法，其特征在于，所述并且根据RGB颜色-颜色均值多维直方图获取任一像素点为火焰的先验概率分布，包括：
所述任一像素点为火焰的先验概率分布
Figure DEST_PATH_IMAGE014
如下式所示：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
为像素点在红色通道内的颜色数值；
Figure DEST_PATH_IMAGE020
为像素点在绿色通道内的颜色数值；
Figure DEST_PATH_IMAGE022
为像素点在蓝色通道内的颜色数值；
Figure DEST_PATH_IMAGE024
为像素点对应的八邻域像素点在红色通道内的颜色均值；
Figure DEST_PATH_IMAGE026
为像素点对应的八邻域像素点在绿色通道内的颜色均值；
Figure DEST_PATH_IMAGE028
为像素点对应的八邻域像素点在蓝色通道内的颜色均值；
Figure DEST_PATH_IMAGE030
表示像素点颜色均值分别为
Figure DEST_PATH_IMAGE032
时，像素点颜色数值为
Figure DEST_PATH_IMAGE034
的先验概率。
4.根据权利要求1所述的一种楼宇智能化消防火灾识别方法，其特征在于，所述获取消防监控视频中发生火灾时间段内的多帧消防监控图像，包括：
对每一秒的消防监控视频进行火焰识别，识别出发生火灾时间段内的消防监控视频；
根据所述发生火灾时间段内的消防监控视频获取多帧消防监控图像。
5.根据权利要求1所述的一种楼宇智能化消防火灾识别方法，其特征在于，所述根据所述先验概率分布计算出在当前帧消防监控图像中每个像素点为火焰的概率，包括：
获取当前帧消防监控图像中每个像素点在N帧消防监控图像中所对应的全部像素点；
由所述全部像素点组成一数据集；
根据所述数据集和所述先验概率分布计算出在当前帧消防监控图像中每个像素点为火焰的概率
Figure 750570DEST_PATH_IMAGE020
，概率
Figure 737591DEST_PATH_IMAGE020
计算公式如下式所示：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE038
为像素点在红色通道内的颜色数值；
Figure DEST_PATH_IMAGE040
为像素点在绿色通道内的颜色数值；
Figure DEST_PATH_IMAGE042
为像素点在蓝色通道内的颜色数值；
Figure DEST_PATH_IMAGE044
为像素点对应的八邻域像素点在红色通道内的颜色均值；
Figure DEST_PATH_IMAGE046
为像素点对应的八邻域像素点在绿色通道内的颜色均值；
Figure DEST_PATH_IMAGE048
为像素点对应的八邻域像素点在蓝色通道内的颜色均值；
Figure DEST_PATH_IMAGE050
表示像素点颜色均值分别为
Figure DEST_PATH_IMAGE052
时，像素点颜色数值为
Figure DEST_PATH_IMAGE054
的先验概率；其中，
Figure DEST_PATH_IMAGE056
为判断函数，该判断函数对具体规则如下：
Figure DEST_PATH_IMAGE058
当
Figure DEST_PATH_IMAGE060
时，
Figure DEST_PATH_IMAGE062
，当
Figure DEST_PATH_IMAGE064
时，
Figure DEST_PATH_IMAGE066
。
6.根据权利要求5所述的一种楼宇智能化消防火灾识别方法，其特征在于，所述同时计算当前帧所述每个像素点在多帧消防监控图像中的帧间灰度差异度，包括：
将所述N帧消防监控图像转换为灰度图像；
计算当前帧所述每个像素点在所述N帧消防监控图像中的帧间灰度差异度，帧间差异度
Figure DEST_PATH_IMAGE068
的计算公式如下式所示：
Figure DEST_PATH_IMAGE070
其中，
Figure DEST_PATH_IMAGE072
为当前帧每个像素点在第
Figure DEST_PATH_IMAGE074
帧图像中的灰度值；
Figure DEST_PATH_IMAGE076
为当前帧每个像素点在第
Figure DEST_PATH_IMAGE078
帧图像中的灰度值。
7.根据权利要求6所述的一种楼宇智能化消防火灾识别方法，其特征在于，所述综合评分的计算公式如下式所示：
Figure DEST_PATH_IMAGE080
其中，
Figure 658622DEST_PATH_IMAGE020
为当前帧消防监控图像中每个像素点为火焰的概率；
Figure 277822DEST_PATH_IMAGE068
为当前帧每个像素点在多帧消防监控图像中的帧间灰度差异度；
Figure 357905DEST_PATH_IMAGE056
为判断函数，该判断函数对具体规则如下：
Figure DEST_PATH_IMAGE058A
当
Figure 648816DEST_PATH_IMAGE060
时，
Figure 645590DEST_PATH_IMAGE062
，当
Figure 452004DEST_PATH_IMAGE064
时，
Figure 3071DEST_PATH_IMAGE066
。
8.根据权利要7所述的一种楼宇智能化消防火灾识别方法，其特征在于，所述SLIC超像素分割算法距离度量准则的计算公式如下式所示：
Figure DEST_PATH_IMAGE082
其中，
Figure DEST_PATH_IMAGE084
为人为设定超像素种子点的综合得分；
Figure DEST_PATH_IMAGE086
为种子点邻域2S×2S范围内第
Figure 927033DEST_PATH_IMAGE008
个像素点的综合得分，S×S为人为设定超像素种子点的分割区域；
Figure DEST_PATH_IMAGE088
为人为设定种子点在消防监控图像中的坐标；
Figure DEST_PATH_IMAGE090
为种子点邻域2S×2S范围内第
Figure 604746DEST_PATH_IMAGE008
个像素点的坐标；S为归一化系数。
9.根据权利要求8所述的一种楼宇智能化消防火灾识别方法，其特征在于，所述根据所述距离度量准则对当前帧消防监控图像进行超像素分割获取当前帧超像素分割图像，包括：
人为设定K个超像素的种子点并将其均匀地分配在当前帧所述消防监控图像图像上，人为设定超像素种子点的分割区域为S×S；
根据所述距离度量准则计算所述种子点的邻域2S×2S的范围内全部像素点与所述种子点的距离，重复迭代并赋值，将相似特征像素生成超像素获取当前帧超像素分割图像。
CN202210995725.3A 2022-08-19 2022-08-19 一种楼宇智能化消防火灾识别方法 Active CN115082866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210995725.3A CN115082866B (zh) 2022-08-19 2022-08-19 一种楼宇智能化消防火灾识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210995725.3A CN115082866B (zh) 2022-08-19 2022-08-19 一种楼宇智能化消防火灾识别方法

Publications (2)

Publication Number Publication Date
CN115082866A true CN115082866A (zh) 2022-09-20
CN115082866B CN115082866B (zh) 2022-11-29

Family

ID=83243987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210995725.3A Active CN115082866B (zh) 2022-08-19 2022-08-19 一种楼宇智能化消防火灾识别方法

Country Status (1)

Country Link
CN (1) CN115082866B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101711393A (zh) * 2007-01-16 2010-05-19 Utc消防及保安公司 基于视频的火灾检测的系统和方法
CN106056139A (zh) * 2016-05-26 2016-10-26 东华大学 一种基于图像分割的森林火灾烟雾检测方法
CN107644429A (zh) * 2017-09-30 2018-01-30 华中科技大学 一种基于强目标约束视频显著性的视频分割方法
CN109145689A (zh) * 2017-06-28 2019-01-04 南京理工大学 一种机器人火灾检测方法
CN111062293A (zh) * 2019-12-10 2020-04-24 太原理工大学 一种基于深度学习的无人机森林火焰识别方法
CN113658132A (zh) * 2021-08-16 2021-11-16 沭阳九鼎钢铁有限公司 基于计算机视觉的结构件焊缝检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101711393A (zh) * 2007-01-16 2010-05-19 Utc消防及保安公司 基于视频的火灾检测的系统和方法
CN106056139A (zh) * 2016-05-26 2016-10-26 东华大学 一种基于图像分割的森林火灾烟雾检测方法
CN109145689A (zh) * 2017-06-28 2019-01-04 南京理工大学 一种机器人火灾检测方法
CN107644429A (zh) * 2017-09-30 2018-01-30 华中科技大学 一种基于强目标约束视频显著性的视频分割方法
CN111062293A (zh) * 2019-12-10 2020-04-24 太原理工大学 一种基于深度学习的无人机森林火焰识别方法
CN113658132A (zh) * 2021-08-16 2021-11-16 沭阳九鼎钢铁有限公司 基于计算机视觉的结构件焊缝检测方法

Also Published As

Publication number Publication date
CN115082866B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN105160297B (zh) 基于肤色特征的蒙面人事件自动检测方法
CN112052797A (zh) 基于MaskRCNN的视频火灾识别方法及系统
Habiboglu et al. Real-time wildfire detection using correlation descriptors
CN107085714A (zh) 一种基于视频的森林火灾检测方法
CN108197604A (zh) 基于嵌入式设备的快速人脸定位跟踪方法
CN110222644A (zh) 基于图像分割的森林火灾烟雾检测方法
CN108009479A (zh) 分布式机器学习系统及其方法
CN108074234A (zh) 一种基于目标跟踪和多特征融合的大空间火焰检测方法
CN103473788A (zh) 一种基于高清视频图像的室内火灾火焰检测方法
CN105913441A (zh) 一种用于改善视频中目标检测性能的阴影去除方法
CN107016691A (zh) 基于超像素特征的运动目标检测方法
CN103208126A (zh) 一种自然环境下运动物体监测方法
CN112132043B (zh) 基于监控视频的消防通道占用自适应检测方法
CN113537099A (zh) 一种公路隧道火灾烟雾动态检测方法
CN107067412A (zh) 一种多信息融合的视频火焰烟雾检测方法
CN106228150A (zh) 基于视频图像的烟雾检测方法
Xiong et al. Early smoke detection of forest fires based on SVM image segmentation
CN111274964B (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN109886146B (zh) 基于机器视觉检测的洪灾信息遥感智能采集方法及设备
Surkutlawar et al. Shadow suppression using rgb and hsv color space in moving object detection
CN115049954A (zh) 目标识别方法、装置、电子设备和介质
CN117789394B (zh) 一种基于运动历史图像的早期火灾烟雾检测方法
CN109344758B (zh) 基于改进局部二值模式的人脸识别方法
CN114677667A (zh) 一种基于深度学习的变电站电气设备红外故障识别方法
CN114241383A (zh) 一种图像识别建筑火灾的方法及装置

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