CN116259005A - 一种基于屋顶光伏消防的智能监控系统 - Google Patents

一种基于屋顶光伏消防的智能监控系统 Download PDF

Info

Publication number
CN116259005A
CN116259005A CN202310055286.2A CN202310055286A CN116259005A CN 116259005 A CN116259005 A CN 116259005A CN 202310055286 A CN202310055286 A CN 202310055286A CN 116259005 A CN116259005 A CN 116259005A
Authority
CN
China
Prior art keywords
region
suspected smoke
suspected
smoke
saliency
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
CN202310055286.2A
Other languages
English (en)
Other versions
CN116259005B (zh
Inventor
王宏韬
冯跃亮
冯振源
李自刚
张鲲鹏
邱志强
陈炜强
汪励雯
王勇
富俐玥
苗振林
汪圣羽
金荫洲
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.)
Jiaxing Hengguang Power Construction Co ltd Nanhu Branch
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Jiaxing Hengguang Power Construction Co ltd Nanhu Branch
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power 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 Jiaxing Hengguang Power Construction Co ltd Nanhu Branch, Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Jiaxing Hengguang Power Construction Co ltd Nanhu Branch
Priority to CN202310055286.2A priority Critical patent/CN116259005B/zh
Publication of CN116259005A publication Critical patent/CN116259005A/zh
Application granted granted Critical
Publication of CN116259005B publication Critical patent/CN116259005B/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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于屋顶光伏消防的智能监控系统，该系统包括：第一获取模块，用于获取消防监控视频并将其分割成多个视频片段；处理模块，用于对视频片段中每帧监控图像的像素点进行聚类处理得到多个聚类簇，识别疑似烟雾区域；第二获取模块，用于根据信息熵和疑似烟雾区域的区域分布特征，获取第一显著性值调整系数；第三获取模块，用于获取疑似烟雾区域的第二显著性调整系数；调整模块，用于调整疑似烟雾区域内每个像素点的显著性值，得到目标显著性值，目标显著性值用于识别监控图像中的烟雾。本发明能够准确地获取监控图像中每个像素点的显著性值，从而提高屋顶光伏消防隐患监控的可靠性。

Description

一种基于屋顶光伏消防的智能监控系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于屋顶光伏消防的智能监控系统。
背景技术
屋顶光伏系统是将太阳能转换为电能来对建筑物进行供电的系统。屋顶光伏系统包括烟雾传感器、温度传感器以及消防监控等,消防监控能够为建筑物内的消防设备进行供电同时结合建筑物内的其余的消防传感器进行消防隐患监控。
在通过消防监控进行消防隐患监控时，监控员通过实时对消防监控图像进行观察消防隐患(例如烟雾)。但由于监控图像中的消防隐患不易识别，因此往往通过显著性检测算法对监控图像进行显著性检测分析，以提升监控员对消防隐患的监控的直观性。而传统的显著性检测算法中，通过计算目标区域和背景区域之间的对比度获取图像中每个像素点的显著性值，由于烟雾的边缘受到环境背景的影响，烟雾的边缘较为不明显，会使得计算出来的显著性值出现较大的误差，进而导致屋顶光伏消防隐患监控的可靠性不足。
发明内容
为了解决上述技术问题，本发明提供一种基于屋顶光伏消防的智能监控系统，所采用的技术方案具体如下：
本发明提出了一种基于屋顶光伏消防的智能监控系统，包括：
第一获取模块，用于获取消防监控视频，将所述消防监控视频分割成多个视频片段；
处理模块，用于对所述视频片段中每帧监控图像的像素点进行聚类处理，得到多个聚类簇，从所述多个聚类簇所处的区域中识别疑似烟雾区域；
第二获取模块，用于获取所述疑似烟雾区域的信息熵，根据所述信息熵和所述疑似烟雾区域的区域分布特征，获取所述疑似烟雾区域的第一显著性值调整系数；
第三获取模块，用于根据所述监控图像与所述监控图像的上一帧监控图像中的相同疑似烟雾区域之间的分布差异，获取所述疑似烟雾区域的第二显著性调整系数；
调整模块，用于根据所述第一显著性调整系数和所述第二显著性调整系数调整所述疑似烟雾区域内每个像素点的显著性值，得到目标显著性值，所述目标显著性值用于识别所述监控图像中的烟雾。
一些实施例中，所述将所述消防监控视频分割成多个视频片段，包括：
获取消防监控系统的放电量数据，将所述放电量数据按照时刻顺序进行排列得到放电量数据序列；
获取所述放电量数据序列中相邻放电量数据之间的斜率，并将所述斜率进行排序得到斜率序列；
获取所述斜率序列中相邻斜率之间的斜率差异，并将所述斜率差异进行归一化处理得到对应时刻的放电量波动程度；
将所述放电量波动程度大于设定波动阈值的时刻作为分割时刻，以所述分割时刻为分割边界，将所述消防监控视频分割成所述多个视频片段。
一些实施例中，所述从所述多个聚类簇所处的区域中识别疑似烟雾区域，包括：
对所述聚类簇所处的区域进行凸包检测得到凸包边缘，对所述凸包边缘进行链码表示得到链码序列；
获取所述链码序列中相邻链码之间的差值作为差分码，并获取所述差分码的差分码数量；
获取所述区域内像素点的灰度值和总数量，根据所述总数量、所述灰度值、所述差分码数量和所述差分码的数值，获取所述区域为所述疑似烟雾区域的概率；
在所述概率大于设定概率阈值时，确定所述区域为所述疑似烟雾区域。
一些实施例中，所述根据所述总数量、所述灰度值、所述差分码数量和所述差分码的数值，获取所述区域为所述疑似烟雾区域的概率，对应的计算公式包括：
Figure SMS_1
其中，Pij为第i帧监控图像中第j个聚类簇所处区域为烟雾区域的概率，Nij为第i帧监控图像中第j个聚类簇所处区域内像素点的总数量，
Figure SMS_2
为第i帧监控图像中第j个聚类簇所处区域内第nij个像素点的灰度值，Mij为第i帧监控图像中第j个聚类簇对应的差分码序列的差分码数量，/>
Figure SMS_3
为第i帧监控图像中第j个聚类簇的对应的差分码序列中第mij个差分码的数值，i为监控图像的帧索引，j为监控图像中聚类簇的索引，nij为第i帧监控图像中第j个聚类簇所处区域内像素点的索引，mij为第i帧监控图像中第j个聚类簇对应的差分码序列中差分码的索引。
一些实施例中，所述获取所述疑似烟雾区域的信息熵，根据所述信息熵和所述疑似烟雾区域的区域分布特征，获取所述疑似烟雾区域的第一显著性值调整系数，包括：
获取所述疑似烟雾区域的区域中心点之间的欧式距离，将所述欧式距离小于设定距离的疑似烟雾区域进行组合，得到组合疑似烟雾区域；
获取所述组合疑似烟雾区域内每个像素点的初始显著性值调整系数，以及所述疑似烟雾区域的信息熵比例，计算所述初始显著性值调整系数于所述信息熵比例之间的乘积作为所述第一显著性值调整系数。
一些实施例中，所述获取所述组合疑似烟雾区域内每个像素点的初始显著性值调整系数，包括：
获取所述区域中心点的纵坐标，以所述纵坐标为横坐标，所述信息熵为纵坐标建立坐标系；
将所述疑似烟雾区域对应的第一坐标点映射于所述坐标系中，获取所述坐标系每个第一坐标点的斜率；
确定所述斜率为正的第一坐标点对应的疑似烟雾区域为目标疑似烟雾区域，获取所述目标疑似烟雾区域的第一数量和所述组合疑似烟雾区域内所述疑似烟雾区域的第二数量，计算所述第一数量与所述第二数量之间的比值作为所述初始显著性调整系数。
一些实施例中，所述根据所述监控图像与所述监控图像的上一帧监控图像中的所述疑似烟雾区域之间的分布差异，获取所述疑似烟雾区域的第二显著性调整系数，包括：
识别所述监控图像与所述监控图像的上一帧监控图像之间的相同组合疑似烟雾区域；
以所述区域中心点的横坐标为三维坐标系的第一坐标，所述纵坐标为所述三维坐标系的第二坐标，所述疑似烟雾区域的灰度均值为第三坐标，构建所述三维坐标系；
分别将两个所述相同组合疑似烟雾区域中每个所述疑似烟雾区域对应的第二坐标点映射于所述三维坐标系中，并连接所述三维坐标系中的所述第二坐标点，得到两个三维组合曲线；
获取两个所述三维组合曲线之间的方向差值作为所述分布差值，将所述方向差异作为所述第二显著性调整系数。
所述方向差异的获取过程，包括：
采用余弦相似度计算方法计算两个所述三维组合曲线之间的法向量差异作为所述方向差异。
本发明具有如下有益效果：对每个视频片段中每帧监控图像的像素点进行聚类处理得到多个聚类簇，可以初步将将监控图像分割成多个类别区域，以便于后续疑似烟雾区域的识别。信息熵反映了疑似烟雾区域的内部像素分布特征，根据疑似烟雾区域的内部像素分布特征和区域分布特征，能够准确地获取第一显著性值调整系数。监控图像与监控图像的上一帧监控图像中的相同疑似烟雾区域之间的分布差异，反映了连续帧监控图像中疑似烟雾区域的变化情况，根据该分布差异能够准确地获取第二显著性值调整系数。根据第一显著性调整系数和第二显著性调整系数调整疑似烟雾区域内每个像素点的显著性值，得到目标显著性值，能够提高每个像素点的显著性值的准确性，从而提高烟雾监测的准确性，进而提高屋顶光伏消防隐患监控的可靠性。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例所提供的一种基于屋顶光伏消防的智能监控系统的结构示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于屋顶光伏消防的智能监控系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面结合附图具体的说明本发明所提供的一种基于屋顶光伏消防的智能监控系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于屋顶光伏消防的智能监控系统的结构示意图，该基于屋顶光伏消防的智能监控系统10包括第一获取模块101、处理模块102、第二获取模块103、第三获取模块104和调整模块105。
第一获取模块101，用于获取消防监控视频，将消防监控视频分割成多个视频片段。
传统的基于局部特征和全局的特征的显著性检测算法中，通过计算目标区域和背景区域之间的对比度获取图像中每个像素点的显著性值，但是由于烟雾的边缘受到环境背景的影响，烟雾的边缘较为不明显，进而使得烟雾的边缘与背景区域无明显差异，即对应的目标区域和背景区域之间的对比度较小，会使得计算出来的显著性值出现较大的误差。
本发明实施例中，由于对消防监控视频进行消防隐患识别的过程中，烟雾的分布特征是连续帧图像的变化，因此需要对连续帧的监控图像进行分帧区间处理，获取每一帧区间中监控图像的累计的烟雾分布变化。若某个时间段可能出现消防隐患，则对应的其他消防传感器的用电数据会发生变化，例如在烟雾传感器中其静态的功耗和报警的功耗有较大的差异，因此为了结合消防监控传感器和监控图像之间的关系，根据屋顶光伏系统的用于消防监控设备供电的放电量数据对消防监控视频进行帧区间的划分，也即是说，将消防监控视频分割成多个视频片段。
本发明实施例中，将消防监控视频分割成多个视频片段，包括：获取消防监控系统的放电量数据，将放电量数据按照时刻顺序进行排列得到放电量数据序列；获取放电量数据序列中相邻放电量数据之间的斜率，并将斜率进行排序得到斜率序列；获取斜率序列中相邻斜率之间的斜率差异，并将斜率差异进行归一化处理得到对应时刻的放电量波动程度；将放电量波动程度大于设定波动阈值的时刻作为分割时刻，以分割时刻为分割边界，将消防监控视频分割成多个视频片段。
一些实施例中，可以采用softmax函数对斜率差异进行归一化处理。
其中，在获取放电量数据序列之后可以对放电量数据序列中的放电量数据进行预处理，其中，预处理包括但不限于平滑处理、去噪处理等。
需要说明的是，设定波动阈值可以根据实际场景需求进行设定，此处不做任何限定，可选地，设定波动阈值可以为0.6。
举例而言，假设第a时刻的放电量数据与第a-1时刻的放电量数据之间的斜率为k(a-1,a)，第a时刻的放电量数据与第a+1时刻的放电量数据之间的斜率为k(a,a+1)，则|k(a-1,a)-k(a,a+1)|为第a时刻的放电量波动程度。
处理模块102，用于对视频片段中每帧监控图像的像素点进行聚类处理，得到多个聚类簇，从多个聚类簇所处的区域中识别疑似烟雾区域。
一些实施例中，可以通过K-Means聚类算法对视频片段中每帧监控图像的像素点进行聚类处理。其中，K-Means聚类算法为公知技术，此处不再赘述，本发明实施例中可以将K-Means聚类算法中的K值设置为6。
本发明实施例中，聚类簇所处的区域包括烟雾区域、背景中的物品区域等，因此，需要识别聚类簇所处的区域。
聚类簇所处区域为烟雾区域的概率与聚簇的本身的特征有关，烟雾往往是呈现白灰色特征，并且烟雾具有易形变特征，即烟雾的形状相比于其他的物品的形状呈现不规律性，因此若区域中的灰度值越大并且聚类簇的形状越不规则，则表明该聚类簇所处区域为烟雾区域的概率就大。
本发明实施例中，从多个聚类簇所处的区域中识别疑似烟雾区域，包括：对聚类簇所处的区域进行凸包检测得到凸包边缘，对凸包边缘进行链码表示得到链码序列；获取链码序列中相邻链码之间的差值作为差分码，并获取差分码的差分码数量；获取区域内像素点的灰度值和总数量，根据总数量、灰度值、差分码数量和差分码的数值，获取区域为疑似烟雾区域的概率；在概率大于设定概率阈值时，确定区域为疑似烟雾区域。
需要说明的是，设定概率阈值可以根据实际场景需求进行设定，此处不做任何限定，可选地，设定概率阈值可以为0.4。
可选地，可以通过下述公式计算每个聚类簇所处区域为疑似烟雾区域的的概率：
Figure SMS_4
其中，Pij为第i帧监控图像中第j个聚类簇所处区域为烟雾区域的概率，Nij为第i帧监控图像中第j个聚类簇所处区域内像素点的总数量，
Figure SMS_5
为第i帧监控图像中第j个聚类簇所处区域内第nij个像素点的灰度值，Mij为第i帧监控图像中第j个聚类簇对应的差分码序列的差分码数量，/>
Figure SMS_6
为第i帧监控图像中第j个聚类簇的对应的差分码序列中第mij个差分码的数值，i为监控图像的帧索引，j为监控图像中聚类簇的索引，nij为第i帧监控图像中第j个聚类簇所处区域内像素点的索引，mij为第i帧监控图像中第j个聚类簇对应的差分码序列中差分码的索引。
其中，
Figure SMS_7
表示第i帧监控图像中第j个聚类簇所处区域灰度均值，灰度均值越大，则表明该聚类簇越呈现白色特征，为烟雾区域的概率越大。/>
Figure SMS_8
表示第i帧监控图像中第j个聚类簇所处区域对应的差分码序列的差分码均值，该差分码均值越大，表明凸包前一个边缘的链码与后一个边缘的链码差异较大，则该聚类簇的形状越不规则，为烟雾区域的概率越大。
第二获取模块103，用于获取疑似烟雾区域的信息熵，根据信息熵和疑似烟雾区域的区域分布特征，获取疑似烟雾区域的第一显著性值调整系数。
单帧监控图像中烟雾都是从同一个消防隐患的燃点中产生，则对应的这些烟雾在图像中的分布都是具有关联性的，表现为烟雾区域之间距离较近，并且若烟雾区域越靠近燃点，则该烟雾区域灰度值越大，并且灰度值较为单一。可以理解的是，若烟雾区域比较分散，则可以看到烟雾所遮挡的背景区域的图像特征，则对应的这个烟雾区域的灰度值较为散乱，并且离燃点位置较远；若烟雾区域比较凝聚，则看不到烟雾遮挡的背景区域，则对应的这个烟雾区域的灰度值较为单一，并且离燃点位置较近。
因此可以获取所有疑似烟雾区域的聚类簇的信息熵，根据聚类簇之间的欧式距离以及聚类簇的信息熵的变化来量化聚类簇之间的分布关联性特征，若分布关联性特征越大，则对应的该聚类簇之间的显著性值越大，并且越靠近燃点的位置显著性值越大。
本发明实施例中，获取疑似烟雾区域的信息熵，根据信息熵和疑似烟雾区域的区域分布特征，获取疑似烟雾区域的第一显著性值调整系数，包括：获取疑似烟雾区域的区域中心点之间的欧式距离，将欧式距离小于设定距离的疑似烟雾区域进行组合，得到组合疑似烟雾区域；获取组合疑似烟雾区域内每个像素点的初始显著性值调整系数，以及疑似烟雾区域的信息熵比例，计算初始显著性值调整系数于信息熵比例之间的乘积作为第一显著性值调整系数。
需要说明的是，设定距离可以根据实际场景需求进行设定，此处不做任何限定，可选地，设定距离可以为20。
本发明实施例中，获取组合疑似烟雾区域内每个像素点的初始显著性值调整系数，包括：获取区域中心点的纵坐标，以该纵坐标为横坐标，信息熵为纵坐标建立坐标系；将疑似烟雾区域对应的第一坐标点映射于坐标系中，获取坐标系每个第一坐标点的斜率；确定斜率为正的第一坐标点对应的疑似烟雾区域为目标疑似烟雾区域，获取目标疑似烟雾区域的第一数量和组合疑似烟雾区域内疑似烟雾区域的第二数量，计算第一数量与第二数量之间的比值作为初始显著性调整系数。
可以将每个聚类簇对应的第一坐标点映射于坐标系中，然后将第一坐标点连接，得到分布关联曲线，由于烟雾往往是从下往上飘散的，若分布关联曲线呈逐步上升的区域，则表明对应的组合疑似烟雾区域中的疑似烟雾区域的分布关联性特征较为明显，也即是说，组合疑似烟雾区域为烟雾区域的可能性较大，相应地，组合疑似烟雾区域的显著性值应较大。
具体地，可以通过以下公式计算初始显著性调整系数：
Figure SMS_9
其中，γ为初始显著性值调整系数，u1为第一数量，U为第二数量。
本发明实施例中，第一数量越大，组合疑似烟雾区域中的疑似烟雾区域的分布关联性特征较为明显，对应的初始显著性调整系数越大。
在获取组合疑似烟雾区域的初始显著性值后，可以对初始显著性值进行分配，其中，信息熵值越大，分配的权重就越大，因此可以以组合疑似烟雾区域内每个疑似烟雾区域的信息熵比例，分配初始显著性值调整系数。
具体地，可以通过下述公式计算组合疑似烟雾区域内每个疑似烟雾区域的第一显著性值调整系数。
Figure SMS_10
其中，γ1l为组合疑似烟雾区域中第l个疑似烟雾区域的第一显著性值调整系数，Hl为组合疑似烟雾区域中第l个疑似烟雾区域的信息熵，Hb为组合疑似烟雾区域中第b个疑似烟雾区域的信息熵，l和b为组合疑似烟雾区域内疑似烟雾区域的索引，u1为第一数量，γ为初始显著性值调整系数。
需要说明的是，每个疑似烟雾区域内每个像素点的第一显著性值调整系数一致，对于监控图像中的非疑似烟雾区域，本发明实施例不进行显著性值的调整。
第三获取模块104，用于根据监控图像与监控图像的上一帧监控图像中的疑似烟雾区域之间的分布特征差异，获取疑似烟雾区域的第二显著性调整系数。
由于第一显著性调整系数仅是根据单帧监控图像获取的，而烟雾存在一定时间段的连续帧的分布特征的变化，因此，若仅根据单帧监控图像获取第一显著性调整系数对显著性值进行调整，会存在较大的误差，因此为了获取更加准确的烟雾分布特征，减少误差的影响，需要对连续帧中疑似烟雾区域的动态变化进行分析，以获取第二显著性调整系数，以对显著性值进一步进行调整。
本发明实施例中，根据监控图像与监控图像的上一帧监控图像中的疑似烟雾区域之间的分布差异，获取疑似烟雾区域的第二显著性调整系数，包括：识别监控图像与监控图像的上一帧监控图像之间的相同组合疑似烟雾区域；以区域中心点的横坐标为三维坐标系的第一坐标，纵坐标为三维坐标系的第二坐标，疑似烟雾区域的灰度均值为第三坐标，构建三维坐标系；分别将两个相同组合疑似烟雾区域中每个疑似烟雾区域对应的第二坐标点映射于三维坐标系中，并连接三维坐标系中的第二坐标点，得到两个三维组合曲线；获取两个三维组合曲线之间的方向差值作为分布差值，将方向差异作为第二显著性调整系数。
可选地，第一坐标为X轴坐标，第二坐标为Y轴坐标，第三坐标为Z轴坐标。
一个可燃点产生的聚类簇在连续帧监控图像中的移动方向是基本相同的，并且在连续帧监控图像中同一个烟雾区域的飘动过程中，由于烟雾的扩散性特征，其烟雾区域的总移动方向基本相同，即对应的区域内的像素点在连续帧监控图像中存在沿着某个方向运动，并且在移动方向基本相同时，对应的烟雾区域的灰度值变化也变化连续。在实际场景中，若存在风向，则烟雾会随风扩散，扩散方向与风的方向相同。
由于燃点不会在连续帧监控图像之间发生过大的变化，监控图像与监控图像的上一帧监控图像之间的相同组合疑似烟雾区域的位置变化较小。可以获取该监控图像中每个组合疑似烟雾区域的三维组合曲线与上一个帧监控图像中每个组合疑似烟雾区域的三维组合曲线之间的动态时间弯曲距离(Dynamic time warping，DTW)距离，其中,DTW距离越小，表明该两条三维组合曲线各自对应的疑似烟雾区域为由同一个燃点产生的可能性越大，即该两条三维组合曲线各自对应的疑似烟雾区域为相同疑似烟雾区域的可能性越大。因此，可以选取DTW距离最小的两个三维组合曲线各自对应的疑似烟雾区域为相同疑似烟雾区域，应说明的是，该两个三维组合曲线为分别为监控图像中的组合疑似烟雾区域和上一帧监控图像中的组合疑似烟雾区域对应的三维组合曲线。
一些实施例中，根据三维组合分布曲线上面的坐标点进行随机抽样一致算法(RANdom SAmple Consensus，RANSAC)拟合三维平面，进而获取三维平面的法向量，根据三维平面的法向量来表征三维平面的方向。则对应的两个三维组合曲线的方向差异通过拟合的两个三维平面法向量之间的差异性表征，其中法向量的差异性通过余弦相似度计算获取，余弦相似度越大，则表明两个三维平面的法向量越相似。可以将两个三维组合曲线之间的法向量差异作为两个三维组合曲线之间方向差异，并将该方向差异作为第二显著性调整系数。
调整模块105，用于根据第一显著性调整系数和第二显著性调整系数调整疑似烟雾区域内每个像素点的显著性值，得到目标显著性值，目标显著性值用于识别监控图像中的烟雾。
本发明实施例中，可以采用显著性检测算法获取监控图像中每个像素点的显著性值。
在获取每个组合疑似烟雾区域中每个疑似烟雾区域的第一显著性调整系数和第二显著性调整系数后，可以根据第一显著性调整系数和第二显著性调整系数调整每个组合疑似烟雾区域中每个疑似烟雾区域内每个像素点的显著性值，得到目标显著性值。
具体地，可以通过下述公式计算目标显著性值：
ε( ′ i，k，f)＝(1+γ1(i，k，f)+γ2(i，k，f))×ε(i，k，f)
其中，ε( ′ i，k，f)为第i帧监控图像中第k个组合疑似烟雾区域中第f个疑似烟雾区域内像素点的目标显著性值，γ1(i，k，f)为第i帧监控图像中第k个组合疑似烟雾区域中第f个疑似烟雾区域内像素点的第一调整系数值，γ2(i，k，f)为第i帧监控图像中第k个组合疑似烟雾区域中第f个疑似烟雾区域内像素点的第二调整系数值，ε(i，k，f)表示第i帧监控图像中第k个组合疑似烟雾区域中第f个疑似烟雾区域内像素点的显著性值，k为组合疑似烟雾区域的索引，f为疑似烟雾区域的索引。
需要说明的是，疑似烟雾区域内的每个像素点的显著性值的调整方式一致。
在对监控图像中的疑似烟雾区域内每个像素点的显著性值调整成对应的目标显著性值后，可以获取非疑似烟雾区域内每个像素点的显著性值，以结合目标显著性值，生成监控图像的显著性图，并将该显著性图的传输至监控中心，以根据该显著性图中的目标显著性值监控烟雾。由于目标显著性值较为准确，提高了监控烟雾的准确性，即提高了屋顶光伏消防隐患监控的可靠性。
综上所述，本发明实施例中，对每个视频片段中每帧监控图像的像素点进行聚类处理得到多个聚类簇，可以初步将将监控图像分割成多个类别区域，以便于后续疑似烟雾区域的识别。信息熵反映了疑似烟雾区域的内部像素分布特征，根据疑似烟雾区域的内部像素分布特征和区域分布特征，能够准确地获取第一显著性值调整系数。监控图像与监控图像的上一帧监控图像中的相同疑似烟雾区域之间的分布差异，反映了连续帧监控图像中疑似烟雾区域的变化情况，根据该分布差异能够准确地获取第二显著性值调整系数。根据第一显著性调整系数和第二显著性调整系数调整疑似烟雾区域内每个像素点的显著性值，得到目标显著性值，能够提高每个像素点的显著性值的准确性，从而提高烟雾监测的准确性，进而提高屋顶光伏消防隐患监控的可靠性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (8)

1.一种基于屋顶光伏消防的智能监控系统，其特征在于，包括：
第一获取模块，用于获取消防监控视频，将所述消防监控视频分割成多个视频片段；
处理模块，用于对所述视频片段中每帧监控图像的像素点进行聚类处理，得到多个聚类簇，从所述多个聚类簇所处的区域中识别疑似烟雾区域；
第二获取模块，用于获取所述疑似烟雾区域的信息熵，根据所述信息熵和所述疑似烟雾区域的区域分布特征，获取所述疑似烟雾区域的第一显著性值调整系数；
第三获取模块，用于根据所述监控图像与所述监控图像的上一帧监控图像中的所述疑似烟雾区域之间的分布特征差异，获取所述疑似烟雾区域的第二显著性调整系数；
调整模块，用于根据所述第一显著性调整系数和所述第二显著性调整系数调整所述疑似烟雾区域内每个像素点的显著性值，得到目标显著性值，所述目标显著性值用于识别所述监控图像中的烟雾。
2.根据权利要求1所述的系统，其特征在于，所述将所述消防监控视频分割成多个视频片段，包括：
获取消防监控系统的放电量数据，将所述放电量数据按照时刻顺序进行排列得到放电量数据序列；
获取所述放电量数据序列中相邻放电量数据之间的斜率，并将所述斜率进行排序得到斜率序列；
获取所述斜率序列中相邻斜率之间的斜率差异，并将所述斜率差异进行归一化处理得到对应时刻的放电量波动程度；
将所述放电量波动程度大于设定波动阈值的时刻作为分割时刻，以所述分割时刻为分割边界，将所述消防监控视频分割成所述多个视频片段。
3.根据权利要求1所述的系统，其特征在于，所述从所述多个聚类簇所处的区域中识别疑似烟雾区域，包括：
对所述聚类簇所处的区域进行凸包检测得到凸包边缘，对所述凸包边缘进行链码表示得到链码序列；
获取所述链码序列中相邻链码之间的差值作为差分码，并获取所述差分码的差分码数量；
获取所述区域内像素点的灰度值和总数量，根据所述总数量、所述灰度值、所述差分码数量和所述差分码的数值，获取所述区域为所述疑似烟雾区域的概率；
在所述概率大于设定概率阈值时，确定所述区域为所述疑似烟雾区域。
4.根据权利要求3所述的系统，其特征在于，所述根据所述总数量、所述灰度值、所述差分码数量和所述差分码的数值，获取所述区域为所述疑似烟雾区域的概率，对应的计算公式包括：
Figure FDA0004060435610000021
其中，Pij为第i帧监控图像中第j个聚类簇所处区域为烟雾区域的概率，Nij为第i帧监控图像中第j个聚类簇所处区域内像素点的总数量，
Figure FDA0004060435610000022
为第i帧监控图像中第j个聚类簇所处区域内第nij个像素点的灰度值，Mij为第i帧监控图像中第j个聚类簇对应的差分码序列的差分码数量，/>
Figure FDA0004060435610000023
为第i帧监控图像中第j个聚类簇的对应的差分码序列中第mij个差分码的数值，i为监控图像的帧索引，j为监控图像中聚类簇的索引，nij为第i帧监控图像中第j个聚类簇所处区域内像素点的索引，mij为第i帧监控图像中第j个聚类簇对应的差分码序列中差分码的索引。
5.根据权利要求1所述的系统，其特征在于，所述获取所述疑似烟雾区域的信息熵，根据所述信息熵和所述疑似烟雾区域的区域分布特征，获取所述疑似烟雾区域的第一显著性值调整系数，包括：
获取所述疑似烟雾区域的区域中心点之间的欧式距离，将所述欧式距离小于设定距离的疑似烟雾区域进行组合，得到组合疑似烟雾区域；
获取所述组合疑似烟雾区域内每个像素点的初始显著性值调整系数，以及所述疑似烟雾区域的信息熵比例，计算所述初始显著性值调整系数于所述信息熵比例之间的乘积作为所述第一显著性值调整系数。
6.根据权利要求5所述的系统，其特征在于，所述获取所述组合疑似烟雾区域内每个像素点的初始显著性值调整系数，包括：
获取所述区域中心点的纵坐标，以所述纵坐标为横坐标，所述信息熵为纵坐标建立坐标系；
将所述疑似烟雾区域对应的第一坐标点映射于所述坐标系中，获取所述坐标系每个第一坐标点的斜率；
确定所述斜率为正的第一坐标点对应的疑似烟雾区域为目标疑似烟雾区域，获取所述目标疑似烟雾区域的第一数量和所述组合疑似烟雾区域内所述疑似烟雾区域的第二数量，计算所述第一数量与所述第二数量之间的比值作为所述初始显著性调整系数。
7.根据权利要求6所述的系统，其特征在于，所述根据所述监控图像与所述监控图像的上一帧监控图像中的所述疑似烟雾区域之间的分布差异，获取所述疑似烟雾区域的第二显著性调整系数，包括：
识别所述监控图像与所述监控图像的上一帧监控图像之间的相同组合疑似烟雾区域；
以所述区域中心点的横坐标为三维坐标系的第一坐标，所述纵坐标为所述三维坐标系的第二坐标，所述疑似烟雾区域的灰度均值为第三坐标，构建所述三维坐标系；
分别将两个所述相同组合疑似烟雾区域中每个所述疑似烟雾区域对应的第二坐标点映射于所述三维坐标系中，并连接所述三维坐标系中的所述第二坐标点，得到两个三维组合曲线；
获取两个所述三维组合曲线之间的方向差值作为所述分布差值，将所述方向差异作为所述第二显著性调整系数。
8.根据权利要求7所述的系统，其特征在于，所述方向差异的获取过程，包括：
采用余弦相似度计算方法计算两个所述三维组合曲线之间的法向量差异作为所述方向差异。
CN202310055286.2A 2023-02-04 2023-02-04 基于屋顶光伏消防的智能监控系统 Active CN116259005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310055286.2A CN116259005B (zh) 2023-02-04 2023-02-04 基于屋顶光伏消防的智能监控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310055286.2A CN116259005B (zh) 2023-02-04 2023-02-04 基于屋顶光伏消防的智能监控系统

Publications (2)

Publication Number Publication Date
CN116259005A true CN116259005A (zh) 2023-06-13
CN116259005B CN116259005B (zh) 2024-05-28

Family

ID=86680268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310055286.2A Active CN116259005B (zh) 2023-02-04 2023-02-04 基于屋顶光伏消防的智能监控系统

Country Status (1)

Country Link
CN (1) CN116259005B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116453064A (zh) * 2023-06-16 2023-07-18 烟台黄金职业学院 基于监控数据的隧道路段路况异常识别方法
CN117058670A (zh) * 2023-10-12 2023-11-14 深圳市华加生物科技有限公司 一种电子烟油柔顺度评价方法
CN117079167A (zh) * 2023-10-18 2023-11-17 山东龙翼航空科技有限公司 一种基于图像处理的高层消防无人机监测方法
CN117496218A (zh) * 2023-10-07 2024-02-02 广州市平可捷信息科技有限公司 一种基于图像识别的烟感探测方法及系统
CN117856799A (zh) * 2024-03-07 2024-04-09 山东博物馆 一种展厅烟雾探测器数据的高效采集分析方法
CN117911880A (zh) * 2024-03-20 2024-04-19 浙江大学 基于遥感影像的城市碳排放时空分布模拟方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101869442B1 (ko) * 2017-11-22 2018-06-20 공주대학교 산학협력단 화재 감지 장치 및 방법
CN108280409A (zh) * 2018-01-09 2018-07-13 浙江工业大学 一种基于多特征融合的大空间视频烟雾检测方法
JP2020057236A (ja) * 2018-10-03 2020-04-09 ホーチキ株式会社 煙検出装置及び煙識別方法
US20200146557A1 (en) * 2018-11-09 2020-05-14 Electrical and Mechanical Services Department, The Government of the Hong Kong Special Administrativ Smart Body Temperature Screening System at Controlled Area
WO2021212443A1 (zh) * 2020-04-20 2021-10-28 南京邮电大学 一种基于轻量化3D-RDNet模型的烟雾视频检测方法及系统
CN115223105A (zh) * 2022-09-20 2022-10-21 万链指数(青岛)信息科技有限公司 基于大数据的风险信息监控分析方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101869442B1 (ko) * 2017-11-22 2018-06-20 공주대학교 산학협력단 화재 감지 장치 및 방법
CN108280409A (zh) * 2018-01-09 2018-07-13 浙江工业大学 一种基于多特征融合的大空间视频烟雾检测方法
JP2020057236A (ja) * 2018-10-03 2020-04-09 ホーチキ株式会社 煙検出装置及び煙識別方法
US20200146557A1 (en) * 2018-11-09 2020-05-14 Electrical and Mechanical Services Department, The Government of the Hong Kong Special Administrativ Smart Body Temperature Screening System at Controlled Area
WO2021212443A1 (zh) * 2020-04-20 2021-10-28 南京邮电大学 一种基于轻量化3D-RDNet模型的烟雾视频检测方法及系统
CN115223105A (zh) * 2022-09-20 2022-10-21 万链指数(青岛)信息科技有限公司 基于大数据的风险信息监控分析方法及系统

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116453064A (zh) * 2023-06-16 2023-07-18 烟台黄金职业学院 基于监控数据的隧道路段路况异常识别方法
CN116453064B (zh) * 2023-06-16 2023-08-18 烟台黄金职业学院 基于监控数据的隧道路段路况异常识别方法
CN117496218A (zh) * 2023-10-07 2024-02-02 广州市平可捷信息科技有限公司 一种基于图像识别的烟感探测方法及系统
CN117496218B (zh) * 2023-10-07 2024-05-07 广州市平可捷信息科技有限公司 一种基于图像识别的烟感探测方法及系统
CN117058670A (zh) * 2023-10-12 2023-11-14 深圳市华加生物科技有限公司 一种电子烟油柔顺度评价方法
CN117058670B (zh) * 2023-10-12 2024-01-02 深圳市华加生物科技有限公司 一种电子烟油柔顺度评价方法
CN117079167A (zh) * 2023-10-18 2023-11-17 山东龙翼航空科技有限公司 一种基于图像处理的高层消防无人机监测方法
CN117079167B (zh) * 2023-10-18 2024-01-09 山东龙翼航空科技有限公司 一种基于图像处理的高层消防无人机监测方法
CN117856799A (zh) * 2024-03-07 2024-04-09 山东博物馆 一种展厅烟雾探测器数据的高效采集分析方法
CN117856799B (zh) * 2024-03-07 2024-05-31 山东博物馆 一种展厅烟雾探测器数据的高效采集分析方法
CN117911880A (zh) * 2024-03-20 2024-04-19 浙江大学 基于遥感影像的城市碳排放时空分布模拟方法及系统
CN117911880B (zh) * 2024-03-20 2024-05-31 浙江大学 基于遥感影像的城市碳排放时空分布模拟方法及系统

Also Published As

Publication number Publication date
CN116259005B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN116259005B (zh) 基于屋顶光伏消防的智能监控系统
CN116611748B (zh) 一种钛合金家具生产质量监控系统
CN106529559A (zh) 一种指针式圆形多仪表盘实时读数识别方法
CN110456320B (zh) 一种基于自由空间步态时序特征的超宽带雷达身份识别方法
CN116092018B (zh) 一种基于智慧建筑的消防隐患监测方法及系统
CN105931257B (zh) 基于纹理特征和结构相似度的sar图像质量评估方法
CN105184823B (zh) 基于视觉感知的运动目标检测算法性能的评价方法
CN103530648A (zh) 一种基于多帧图像的人脸识别方法
CN108710841A (zh) 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法
CN114549589B (zh) 一种基于轻量化神经网络的旋转体振动位移测量方法及系统
CN110503092A (zh) 基于领域适应的改进ssd监控视频目标检测方法
CN105550703A (zh) 一种适用于人体再识别的图片相似度计算方法
CN106407966A (zh) 一种应用于考勤的人脸识别方法
CN118038494A (zh) 一种损坏场景鲁棒的跨模态行人重识别方法
CN114155489A (zh) 一种多设备协同的无人机飞手检测方法、设备及存储介质
CN116257651B (zh) 一种贯通道渡板异响智能监测系统
CN116777919A (zh) 一种混凝土试件智能养护方法及系统
CN116935356A (zh) 基于弱监督的自动驾驶多模态图片和点云实例分割方法
CN116110006A (zh) 一种用于智慧旅游系统的景区游客异常行为识别方法
CN113537397B (zh) 基于多尺度特征融合的目标检测与图像清晰联合学习方法
CN115657004A (zh) 基于分区调参cnn模型的毫米波雷达检测人员跌倒的方法
CN110378425B (zh) 一种智能图像比对的方法及其系统
CN110674755B (zh) 一种基于最适宜步态流型空间的步态识别方法
Thike et al. Parking space detection using complemented-ULBP background subtraction
CN112084985A (zh) 一种基于cssd的电力检修行人多目标跟踪算法

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