KR20090106133A - 베이지안 네트워크를 이용한 화재 감지 장치 및 방법 - Google Patents

베이지안 네트워크를 이용한 화재 감지 장치 및 방법 Download PDF

Info

Publication number
KR20090106133A
KR20090106133A KR1020080031653A KR20080031653A KR20090106133A KR 20090106133 A KR20090106133 A KR 20090106133A KR 1020080031653 A KR1020080031653 A KR 1020080031653A KR 20080031653 A KR20080031653 A KR 20080031653A KR 20090106133 A KR20090106133 A KR 20090106133A
Authority
KR
South Korea
Prior art keywords
fire
value
color
video data
values
Prior art date
Application number
KR1020080031653A
Other languages
English (en)
Other versions
KR100948568B1 (ko
Inventor
정광호
고병철
남재열
Original Assignee
계명대학교 산학협력단
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 계명대학교 산학협력단 filed Critical 계명대학교 산학협력단
Priority to KR1020080031653A priority Critical patent/KR100948568B1/ko
Publication of KR20090106133A publication Critical patent/KR20090106133A/ko
Application granted granted Critical
Publication of KR100948568B1 publication Critical patent/KR100948568B1/ko

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters

Abstract

본 발명은 화재 감지 방법 및 장치에 관한 것이다. 이러한 본 발명의 화재 감지 방법은, 비디오 데이터를 입력받아 움직임 영역을 검출하는 단계; 상기 비디오 데이터를 입력받아 학습에 의해 결정된 화재 색상 확률 모델에 따라 상기 비디오 데이터에서 화재 색상의 픽셀들을 추출하는 단계; 상기 움직임 영역 내에 속하는 상기 화재 색상의 픽셀들에 대해 평준화된 색상값과 수평(LH), 수직(HL), 대각선(HH) 웨이블릿 계수인 고주파 성분들을 검출하는 단계; 상기 평준화된 색상값과 고주파 성분들 각각에 대해 왜도를 산출하는 단계; 상기 고주파 성분들간의 결합 확률인 제1값을 구하는 단계; 상기 평준화된 색상값과 상기 제1값간의 결합 확률인 제2값을 구하는 단계; 상기 제2값이 미리 정해둔 값 이상이면 화재 픽셀로 결정하는 단계로 구성된다.
화재 감지, 베이지안 네트워크

Description

베이지안 네트워크를 이용한 화재 감지 장치 및 방법{fire detection apparatus and method using Bayesian Networks}
본 발명은 화재 감지 기술에 관한 것으로, 더욱 상세하게는 카메라를 통해 촬상된 비디오 데이터를 분석하여 색상 및 움직임 정보, 그리고 확률적 모델을 이용하여 화재 영역을 정확하게 판별하는 장치 및 방법에 관한 것이다.
건물의 대형화와 복잡화는 실생활의 편의성을 높이는 반면에 화재와 같은 안전사고에 있어서 막대한 재산 및 인명 피해를 야기한다. 이에 따라 정확한 화재 경보 시스템 구축의 필요성이 대두되고 있다. 현재의 화재 경보 시스템은 열, 연기 등의 센서 기반 감지기들이 대부분이며, 이들 감지기는 화재가 발생한 후 일정시간이 지나 열이나 연기가 확산되어 센서에 도달해야 비로소 감지가 가능하다. 이러한 방식들은 조기에 화재를 감지하지 못하는 문제점과 넓은 장소와 개방된 공간에서는 그 성능이 떨어지는 단점이 있다. 이에 반하여 카메라를 이용한 화재 감지 시스템은 건물 내외에 설치되어 있는 감시 카메라를 이용하여 구현이 가능하므로 추가적인 비용이 들지 않고, 화재나 연기가 발생할 경우에는 열이나 연기의 확산을 기다릴 필요 없이 카메라를 통해 원격지에서 즉각적인 감지가 가능한 장점 등이 있다.
상기 카메라를 이용한 화재 감지 시스템과 관련된 연구를 위해 B. U. T등은 움직임 영역 감지와 웨이블릿 변환을 통해 얻어진 웨이블릿 에너지를 이용한 화재 감지 방법을 제안하였고 T. Celik 등은 화재의 컬러 픽셀 통계치와 전경 물체 정보를 결합한 방법을 제안하였다. W. Phillips 등은 컬러와 프레임간 이미지의 시간적 변화량을 기반으로 하여 화재를 감지하는 알고리즘을 제안하였고, T. Chen 등은 화재 컬러와 프레임간의 차 영상을 이용하여 화재 연기를 감지하는 방법을 제안하였다.
컬러정보와 픽셀들의 시간적인 변화량을 이용하는 대부분의 비전 기반 방식들은 휴리스틱한 특성으로 인해서 제한적인 환경에서는 좋은 결과를 보이지만 일반적인 화재 환경에 대해서는 오검출율이 높아지는 문제점이 있다.
이를 해결하기 위해 K. Cheong등은 10개의 연속된 프레임에서 화소들의 웨이블릿 변화를 모델링하고 이를 SVM(Support Vector Machine)에 적용하여 화재와 비-화재를 검증하는 방법을 제안하였지만, 이 방법은 성능의 우수함에 비해 많은 연산을 필요로 하기 때문에 실시간 화재 감지를 위해서는 적합하지 않은 문제점이 있다.
따라서 본 발명은 상기와 같은 종래 기술의 문제점을 해결하기 위하여 안출한 것으로서, 카메라로부터 입력된 영상에 대해 움직임을 감지하고 화재 컬러모델을 적용하여 화재 후보 영역을 도출하고 이 화재 후보 영역에 대해서 평준화된 색 상값과 웨이블릿 변환을 이용하여 얻어진 3가지 고주파(LH, HL, HH) 성분을 연속된 미리 정해둔 수의 프레임들로부터 추출하고, 상기 추출된 값들에 대해 왜도(Skewness)를 추정하여 확률모델을 구성하고, 상기 확률 모델을 베이지안 추론을 위한 값으로 적용하여 계산 시간을 감소시키고 검출 성능을 향상시키는 화재 감지 방법 및 장치를 제공하는 것을 그 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 화재 감지 방법은, 비디오 데이터를 입력받아 움직임 영역을 검출하는 단계; 상기 비디오 데이터를 입력받아 학습에 의해 결정된 화재 색상 확률 모델에 따라 상기 비디오 데이터에서 화재 색상의 픽셀들을 추출하는 단계; 상기 움직임 영역 내에 속하는 상기 화재 색상의 픽셀들에 대해 평준화된 색상값과 수평(LH), 수직(HL), 대각선(HH) 웨이블릿 계수인 고주파 성분들을 검출하는 단계; 상기 평준화된 색상값과 고주파 성분들 각각에 대해 왜도를 산출하는 단계; 상기 고주파 성분들간의 결합 확률인 제1값을 구하는 단계; 상기 평준화된 색상값과 상기 제1값간의 결합 확률인 제2값을 구하는 단계; 상기 제2값이 미리 정해둔 값 이상이면 화재 픽셀로 결정하는 단계를 포함하는 것을 특징으로 한다.
상기한 본 발명은 카메라를 이용해서 입력된 영상에 대해서 색상정보와 움직임 정보를 이용해서 화재 후보 영역을 감지하고 추출된 후보 영역에 대해서 평준화된 색상값과 웨이블릿 계수 성분에 대한 왜도로부터 스무드 커널을 적용하여 확률 모델을 추정하였다. 각 특징들의 확률 분포는 베이지안 네트워크의 각 단계별 노드에 적용되어 추론에 사용되었고 그 결과값에 따라 최종 화재영역과 비-화재 영역을 검증하였다. 본 발명에 따른 상기와 같은 방법으로 이용함으로써 휴리스틱한 특성으로 인해서 빈번한 오검출의 발생 등 다수의 문제들이 존재하는 기존의 비전 기반 화재 감지 방법들의 단점들을 극복하고 검출결과를 향상시킬 수 있었다.
본 발명의 바람직한 실시예에 따른 화재 감지 장치의 구성을 도 1을 참조하여 설명한다.
상기 화재 감지 장치는 적응적 배경 추출모듈(100), 화염 색상 픽셀 추출 모듈(102), 화염 픽셀 검증 모듈(104)로 구성되며, 각 모듈은 소프트웨어 또는 하드웨어 모듈로 구성될 수 있다.
이에 상기 화재 감지 장치를 구성하는 움직임 픽셀 추출모듈(100), 화염 색상 픽셀 추출 모듈(102), 화염 픽셀 검증 모듈(104)의 동작을 각각 구별하여 설명한다.
<적응적 배경 추출모듈>
먼저 상기 화재 감지 장치의 움직임 픽셀 추출모듈(100)의 동작을 설명한다.
본 발명에 따른 배경 초기화와 업데이트 방식을 이용한 움직임 픽셀을 감지하기 위한 적응적 배경 추출모듈(100)은, 공기의 흐름이나 재료 혹은 연료에 따라서 그 모양이 수시로 바뀌는 불꽃의 특성에 따라 첫 프레임의 그레이 영상을 배경으로 초기화한 뒤 현재 프레임을 반영하여 이전 배경 프레임을 업데이트하는 방식 을 이용한다.
Figure 112008024621445-PAT00001
여기서
Figure 112008024621445-PAT00002
는 현재 프레임에서
Figure 112008024621445-PAT00003
위치에 대한 그레이 영상이고
Figure 112008024621445-PAT00004
는 현재 프레임에서 배경을 의미한다. 상기 수학식 1의 배경과 현재 프레임의 차분이 임계치 값
Figure 112008024621445-PAT00005
의 값보다 크다면 해당 픽셀을 움직임 픽셀 값이 된다. 전경 혹은 배경 영역에 포함된 각 픽셀 값은 수학식 2에 의해서 업데이트되고 임계값은 수학식 3에 의해서 업데이트된다.
Figure 112008024621445-PAT00006
Figure 112008024621445-PAT00007
여기서 α,β와 γ는 가중치 값으로 현재 프레임과 이전 배경 프레임의 반영 정도를 의미한다.
상기한 방식에 따라 움직임 영역을 추출한 예를 도 2를 참조하여 설명한다.
도 2의 (a)는 화재 상태를 촬상한 비디오 데이터이고, 도 2의 (c)는 비화재 상태를 촬상한 비디오 데이터이고, 상기 도 2의 (c)는 도 2의 (a)의 비디오 데이터 중 움직임 부분만을 현재 프레임의 값으로 반영한 것이고, 도 2의 (d)는 도 2의 (c)의 비디오 데이터 중 움직임 부분만을 현재 프레임의 값으로 반영한 것을 예시한 것이다.
<화염 색상 픽셀 추출 모듈>
그리고 본 발명의 바람직한 실시예에 따르는 화염 색상 픽셀 추출 모듈(102)의 동작을 설명한다.
상기 화염 색상 픽셀 추출 모듈(102)은 RGB 채널에 대한 확률적 모델을 구성하고 이로부터 화재 후보 픽셀을 감지하는 것이다. 즉, 각 RGB 색상 채널의 분포는 서로 독립적이고 가우시안 분포를 보인다고 가정하고, 100개의 학습용 화재 프레임내의 화재 영상으로부터 화재 색상 픽셀을 추출한 뒤에 수학식 4를 이용하여 화재 색상 확률 모델을 생성한다.
Figure 112008024621445-PAT00008
여기서 μ는 학습 데이터로부터 얻어진 i색상 채널의 평균을 의미하며, σ는 색상 채널의 분산을 의미한다.
이렇게 구해진 각 채널의 확률 모델로부터 새로운 입력 픽셀 Ii(x,y)의 i채널 확률값을 수학식 5에 따라 산출한다.
Figure 112008024621445-PAT00009
여기서 τ는 임계값을 뜻하며, 구해진 각 색상 채널의 확률값을 이용하여 수학식 5와 같이 전체 색상 채널의 확률값을 계산하고 이 값이 임계값 τ보다 클 경우에 이 픽셀은 화재 색상 픽셀이 된다.
여기서, 본 발명에 따른 가우시안 분포로 가정된 화재 색상 확률 그래프를 도 3을 참조하여 설명한다. 상기 화재 색상 확률 그래프는 화재 색상 정보를 이용하여 화재 후보 픽셀을 감지하기 위한 것으로, 학습데이터로부터 구해진 0에서 255까지의 값을 갖는 RGB 채널에 대한 각각의 가우시안 확률 값들이 그래프로 표식한 것이다.
그리고 도 4는 본 발명에 따라 움직임 픽셀 감지와 색상 정보를 이용하여 화재 후보 픽셀을 감지한 예를 도시한 것이다.
도 4를 살펴보면 화재 영상(a), (b)와 비-화재 영상(c), (d)에 대한 결과로 각각 화재 후보 픽셀로 감지된 부분이 붉은 색 영역으로 나타난 것을 확인할 수 있다. (a)와 (b)는 화재 영역이 정확히 검출 되었지만 (c)와 (d)에서 움직임 객체에 포함되어 있는 일부 영역들이 화재 영역으로 잘못 검출된 것을 알 수 있다.
<화재 픽셀 검증 모듈>
상기한 바와 같이 화재 영역으로 잘못 검출되던 문제를 해소하기 위해 본 발명은 화재 후보 픽셀에 대한 검증과정을 거친다.
상기 화재 후보 픽셀에 대한 검증을 이행하는 화재 픽셀 검증 모듈의 동작을 설명한다.
상기 화재 픽셀이 검증을 위해, 먼저 불규칙적인 픽셀 변화량을 갖는 화재 영상의 특성을 분석하여 이를 확률적으로 모델링하며, 이를 위해 100개의 이전 프레임을 내부 큐에 저장하고 각각의 픽셀에 대해 동일한 위치의 이전 100개의 프레임에 대해 시간 축 상의 움직임 변화를 분석하고 그 결과를 모델링한다.
도 5는 화재 영역에서 픽셀의 평준화된 R 값과 웨이블릿 계수(LH, HL, HH)의 시간적 변화 모습을 나타낸 도면으로, 화재 영역은 픽셀의 변화량이 연속적이며 불규칙적이다. 여기서, 상기 평준화된 R 값은 100개의 프레임에 대해 화재 후보 영역의 픽셀의 R 값을 R,G,B 값을 더한 값으로 나눈 값들에 대한 평균을 구한 후에 평준화시킨 값이다.
그리고 상기 웨이블릿 계수(LH, HL, HH) 성분은 웨이블릿 변환 후 각 서브 고주파 영역으로부터 추출된 값으로 역시 같은 방법으로 100개의 프레임에서 연속적으로 추출된다.
도 6은 움직임 영역에서 픽셀의 평준화된 R 값과 웨이블릿 계수(LH, HL, HH)의 시간적 변화 모습을 나타낸 도면으로, 물체가 단순히 움직이는 경우에는 상 기 평준화된 R 값과 웨이블릿 계수(LH, HL, HH)는 실제 움직임이 발생한 시간적 구간에서만 변화된다.
본 발명의 화재 픽셀 검증 모듈(104)은 평준화된 R 값과 웨이블릿 계수(LH, HL, HH)의 시간적 변화에 따른 특징을 이용하여 화재 영역을 검증한다.
또한 본 발명은 상기 불규칙적으로 변화하는 픽셀의 특성을 모두 반영하기에는 특징 벡터의 차원이 너무 큼에 따라, 각 픽셀의 변화량을 표현하는 왜도(Skewness)를 이용하여 화재 픽셀의 검증을 이행하며, 각 픽셀에 대한 왜도는 수학식 6을 통해 산출된다.
Figure 112008024621445-PAT00010
상기 수학식 6에서
Figure 112008024621445-PAT00011
는 평균을 의미하고 σ는 표준편차를 의미한다.
상기 왜도가 산출되면, 상기 화재 픽셀 검증 모듈(104)은 베이지안 네트워크에서 각 노드의 입력으로 사용될 확률 분포 함수를 추정한다. 여기서, 일반적으로 확률 밀도 함수 추정을 위해 확률 분포가 가우시안 분포를 보인다고 가정하지만 화재 영역은 시간축상에서 불규칙한 특성을 가짐으로 데이터의 분포 형태를 가우시안 분포로 가정할 수 없다.
이에 따라 본 발명의 화재 픽셀 검증 모듈(104)은 수학식 7에 따르는 스무드 커널(Smooth-Kernel)을 채용한다. 일반적으로 비모수적 확률밀도함수를 생성하기 위해 히스토그램이나 일반 파즌(Parzen) 커널(kernerl)이 사용되지만, 이 경우 확률 분포가 부드럽게 생성되지 못하는 단점이 있음으로, 보다 자연스러운 확률 분포를 구성하기 위해 커널 중에서 확률 분포를 부드럽게 만들어 주는 가우시안 스무드 커널을 사용한다.
Figure 112008024621445-PAT00012
여기서, h는 스무딩 파라미터로 표본 추정의 대역폭을 의미하고, x는 추정점을, xn은 N개의 표본 중 n번째 표본을 의미한다. 여기서, 가우시안 커널의 완만함 정도를 나타내는 파라미터 h의 값은 실험을 통해 성능이 가장 좋은 값으로 판단되는 0.3으로 결정한다.
도 7은 화재/비-화재 영역에서 평준화된 R과 웨이블릿 계수의 확률밀도를 나타낸 도면으로, 화재와 움직임 영역내의 왜도 확률 밀도 함수가 각 성분에 대해서 서로 구별되는 것을 알 수 있다.
이에따라 본 발명의 화재 픽셀 검증 모듈(104)은 화재 후보 영역에 대해 불확실성에 강인한 확률 모델인 베이지안 추론(Bayesian inference)을 이용하여 최종적으로 화재를 검증한다.
도 8은 화재와 비화재의 가설(hypotheses)과 명암도로 평준화된 R의 왜도와 수평(LH), 수직(HL), 대각선(HH) 웨이블릿 계수의 왜도를 노드(node)로 갖도록 설계된 도면이다.
도 8을 살펴보면 최상위 부모 노드 H: Fire는 하부 추론 근거 E 1 와 E 2 의 결합 확률로 결정되며, 추론 근거 E 2 의 확률은 하부 추론 근거 E 2 -1 , E 2 -2 , E 2 -3 의 결합확률로 결정되는 것을 알 수 있다.
Figure 112008024621445-PAT00013
그리고 추론 근거 E 2 에 대한 확률값이 결정되고 나서 화재 영역을 검증하기 위해서 수학식 9를 이용한다.
Figure 112008024621445-PAT00014
수학식 9의 노드 E 2 의 확률분포는 수학식 8에 따라 자식노드인 E 2 -1 , E 2 -2 , E 2 - 3 의 조건부 확률로부터 추론된다.
도 9는 본 발명에 따른 베이지안 네트워크의 추론근거를 나타낸 도면이다.
수학식 9에서 필요한 사전확률 P(F)와 P(￢F)는 각각 0.5로 정의하였으며 P(E i |F)와 P(E i |￢F)는 도 7의 R과 웨이블릿 왜도 확률모델에서 추정할 수 있다.
상기 수학식 9에서 계산된 값이 0.5 이상이면 해당 픽셀은 화재 영역으로 최종 판단하게 된다.
도 10은 본 발명에 따른 화재 감지를 위한 결과를 가장 최근의 관련 연구인 T의 알고리즘과 Cheong의 알고리즘을 이용한 실험결과와 비교한 표이다. 본 발명은 Method1로 T의 알고리즘은 Method2, Cheong의 알고리즘은 Method 3으로 나타내었다.
도 10을 살펴보면 평균 감지율은 method 1, 2, 3의 순서대로 94.2%, 68.9%, 87.8%이고, 평균 미감지율은 5.7%, 26.2%, 12.1%, 그리고 평균 오보율은 0%, 4.9%, 0.1%로 나타났다. 특히 T의 방식은 movie 2와 movie 4에서 벽이나 땅 등에 불꽃으로부터 반사된 빛으로 인하여 화재가 발생하지 않은 영역을 화재로 오인하거나 화재가 발생한 영역을 놓치게 되는 경우가 많았다. 하지만 본 발명에 따른 방식은 이러한 오보들을 적응적 배경 감산 모델과 베이지안 네트워크를 이용한 화재 검증 단계를 이용하여 성공적으로 줄일 수 있었다. 화재 색상을 갖는 움직임 물체를 포함한 영상인 movie 6, 7, 8, 9의 경우 평균 감지율과 오보율은 3가지 방식 모두 비슷한 결과를 보였다. 도 10에서 보는 것과 같이 본 발명에 따른 방식의 평균 감지율 은 다른 두 방식에 비해서 6.4%～25.3% 정도 개선한 것을 알 수 있다. 평균 감지 속도 역시 14.6 fps로 다른 두 방식과 비교하여 개선되었다.
도 11은 본 발명에 따른 화재 감지 결과를 나타낸 도면이다.
도 1은 본 발명에 따른 카메라로 입력된 영상을 분석하여 화재를 감지하는 장치의 구성도를 도시한 도면.
도 2는 본 발명에 따른 배경 초기화와 업데이트를 이용한 움직임 영역을 도시한 도면.
도 3은 본 발명에 따른 후보 화재 색상을 이용한 화재 색상 모델을 도시한 도면.
도 4는 본 발명에 따른 움직임 픽셀을 감지 후 화재 색상 모델을 적용한 화재 후보 영역을 도시한 도면.
도 5는 본 발명에 따른 화재 영역에서 픽셀의 평준화된 R과 웨이블릿 계수(LH, HL, HH)의 시간적 변화 모습을 도시한 도면.
도 6은 본 발명에 따른 움직임 영역에서 픽셀의 평준화된 R과 웨이블릿 계수(LH, HL, HH)의 시간적 변화 모습을 도시한 도면.
도 7은 본 발명에 따른 화재/비-화재 영역에서 평준화된 R과 웨이블릿 계수의 확률밀도 그래프를 도시한 도면.
도 8은 본 발명에 따른 화재와 비화재의 가설(hypotheses)과 명암도로 평준화된 R의 왜도와 수평(LH), 수직(HL), 대각선(HH) 웨이블릿 계수의 왜도를 노드(node)로 갖도록 설계된 베이지안 네트워크를 도시한 도면.
도 9는 본 발명에 따른 베이지안 네트워크의 추론근거표를 도시한 도면.
도 10은 본 발명에 따른 화재감지 결과와 T의 알고리즘, 그리고 Cheong의 알 고리즘을 이용한 실험 결과 대조표를 도시한 도면.
도 11은 본 발명에 따른 화재 감지 결과 화면을 도시한 도면.

Claims (12)

  1. 화재 감지 방법에 있어서,
    비디오 데이터를 입력받아 움직임 영역을 검출하는 단계;
    상기 비디오 데이터를 입력받아 학습에 의해 결정된 화재 색상 확률 모델에 따라 상기 비디오 데이터에서 화재 색상의 픽셀들을 추출하는 단계;
    상기 움직임 영역 내에 속하는 상기 화재 색상의 픽셀들에 대해 평준화된 색상값과 수평(LH), 수직(HL), 대각선(HH) 웨이블릿 계수인 고주파 성분들을 검출하는 단계;
    상기 평준화된 색상값과 고주파 성분들 각각에 대해 왜도를 산출하는 단계;
    상기 고주파 성분들간의 결합 확률인 제1값을 구하는 단계;
    상기 평준화된 색상값과 상기 제1값간의 결합 확률인 제2값을 구하는 단계;
    상기 제2값이 미리 정해둔 값 이상이면 화재 픽셀로 결정하는 단계
    를 포함하는 것을 특징으로 하는 화재 감지 방법.
  2. 제1항에 있어서,
    상기 제1값의 산출식은,
    Figure 112008024621445-PAT00015
    이고,
    상기 제2값의 산출식은,
    Figure 112008024621445-PAT00016
    이며,
    상기 E1은 평준화된 R 값의 왜도이고,
    상기 E2-1, E2-2, E2-3은 수평(LH), 수직(HL), 대각선(HH) 웨이블릿 계수의 왜도임을 특징으로 하는 화재 감지 방법.
  3. 제1항에 있어서,
    상기 평준화된 색상값은,
    미리 정해둔 수의 프레임들이 비디오 데이터에 대해 화재 후보 영역의 픽셀의 색상값 중 R값을 R,G,B 값을 더한 값으로 나눈 값들에 대한 평균을 구한 후에 평준화시킨 값임을 특징으로 하는 화재 감지 방법.
  4. 제1항에 있어서,
    상기 수평(LH), 수직(HL), 대각선(HH) 웨이블릿 계수는,
    미리 정해둔 수의 프레임들의 비디오 데이터를 웨이블릿 변환한 후에 각 서브 고주파 영역으로부터 추출된 값임을 특징으로 하는 화재 감지 방법.
  5. 제1항에 있어서,
    상기 왜도를 위한 수학식은,
    Figure 112008024621445-PAT00017
    임을 특징으로 하는 화재 감지 방법.
  6. 제1항에 있어서,
    상기 왜도값들은 비모수적 밀도 추정 방법의 하나의 가우시안 스무딩 커널을 통과하며 상기 스무딩 커널의 입력값 처리는,
    Figure 112008024621445-PAT00018
    에 따르며, 상기 h는 스무딩 파라미터로 표본 추정의 대역폭을 의미하고, 상기 x는 추정점을, 상기 xn은 N개의 표본 중 n번째 표본을 의미함을 특징으로 하는 화재 감지 방법.
  7. 화재 감지 장치에 있어서,
    비디오 데이터를 입력받아 움직임 영역을 검출하는 제1모듈;
    상기 비디오 데이터를 입력받아 학습에 의해 결정된 화재 색상 확률 모델에 따라 상기 비디오 데이터에서 화재 색상의 픽셀들을 추출하는 제2모듈;
    상기 움직임 영역 내에 속하는 상기 화재 색상의 픽셀들에 대해 평준화된 색상값과 수평(LH), 수직(HL), 대각선(HH) 웨이블릿 계수인 고주파 성분들을 검출하고, 상기 평준화된 색상값과 고주파 성분들 각각에 대해 왜도를 산출하고, 상기 고주파 성분들간의 결합 확률인 제1값을 구하고, 상기 평준화된 R 값과 상기 제1값간의 결합 확률인 제2값을 구하고, 상기 제2값이 미리 정해둔 값 이상이면 화재 픽셀로 결정하는 제3모듈
    을 포함하는 것을 특징으로 하는 화재 감지 장치.
  8. 제7항에 있어서,
    상기 제1값의 산출식은,
    Figure 112008024621445-PAT00019
    이고,
    상기 제2값의 산출식은,
    Figure 112008024621445-PAT00020
    이며,
    상기 E1은 평준화된 R 값의 왜도이고,
    상기 E2-1, E2-2, E2-3은 수평(LH), 수직(HL), 대각선(HH) 웨이블릿 계수의 왜도임을 특징으로 하는 화재 감지 장치.
  9. 제7항에 있어서,
    상기 평준화된 색상값은,
    미리 정해둔 수의 프레임들이 비디오 데이터에 대해 화재 후보 영역의 픽셀의 색상값 중 R값을 R,G,B 값을 더한 값으로 나눈 값들에 대한 평균을 구한 후에 평준화시킨 값임을 특징으로 하는 화재 감지 장치.
  10. 제7항에 있어서,
    상기 수평(LH), 수직(HL), 대각선(HH) 웨이블릿 계수는,
    미리 정해둔 수의 프레임들의 비디오 데이터를 웨이블릿 변환한 후에 각 서브 고주파 영역으로부터 추출된 값임을 특징으로 하는 화재 감지 장치.
  11. 제7항에 있어서,
    상기 왜도를 위한 수학식은,
    Figure 112008024621445-PAT00021
    임을 특징으로 하는 화재 감지 장치.
  12. 제7항에 있어서,
    상기 왜도값들은 비모수적 밀도 추정 방법의 하나의 가우시안 스무딩 커널을 통과하며 상기 스무딩 커널의 입력값 처리는,
    Figure 112008024621445-PAT00022
    에 따르며, 상기 h는 스무딩 파라미터로 표본 추정의 대역폭을 의미하고, 상기 x는 추정점을, 상기 xn은 N개의 표본 중 n번째 표본을 의미함을 특징으로 하는 화재 감지 장치.
KR1020080031653A 2008-04-04 2008-04-04 베이지안 네트워크를 이용한 화재 감지 장치 및 방법 KR100948568B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020080031653A KR100948568B1 (ko) 2008-04-04 2008-04-04 베이지안 네트워크를 이용한 화재 감지 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020080031653A KR100948568B1 (ko) 2008-04-04 2008-04-04 베이지안 네트워크를 이용한 화재 감지 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20090106133A true KR20090106133A (ko) 2009-10-08
KR100948568B1 KR100948568B1 (ko) 2010-03-18

Family

ID=41535783

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080031653A KR100948568B1 (ko) 2008-04-04 2008-04-04 베이지안 네트워크를 이용한 화재 감지 장치 및 방법

Country Status (1)

Country Link
KR (1) KR100948568B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101054649B1 (ko) * 2010-04-14 2011-08-08 부산대학교 산학협력단 터널 내 실시간 화재 감시 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101270718B1 (ko) * 2011-11-30 2013-06-03 아이브스테크놀러지(주) 영상에서 화재를 검출하기 위한 영상처리 장치 및 방법
KR101353952B1 (ko) 2012-10-05 2014-01-23 계명대학교 산학협력단 시공간적 비오에프와 랜덤 포레스트를 이용한 산불 연기 감지 방법
CN107688793A (zh) * 2017-09-05 2018-02-13 国网安徽省电力公司检修公司 一种变电站室外火灾自动监测预警方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3827426B2 (ja) 1997-11-06 2006-09-27 能美防災株式会社 火災検出装置
KR100268771B1 (ko) * 1998-03-07 2000-10-16 장인순 화상에 확률 분포함수를 이용한 화재 감시 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101054649B1 (ko) * 2010-04-14 2011-08-08 부산대학교 산학협력단 터널 내 실시간 화재 감시 방법

Also Published As

Publication number Publication date
KR100948568B1 (ko) 2010-03-18

Similar Documents

Publication Publication Date Title
KR102153607B1 (ko) 영상에서의 전경 검출 장치 및 방법
JP7163945B2 (ja) 移動状況推定装置、移動状況推定方法およびプログラム記録媒体
KR101323056B1 (ko) 여러 종류의 입력을 이용한 사람의 식별 방법 및 시스템
KR101075063B1 (ko) 퍼지 규칙을 이용한 화재 불꽃 감지 방법
McHugh et al. Foreground-adaptive background subtraction
US9159137B2 (en) Probabilistic neural network based moving object detection method and an apparatus using the same
JP4619987B2 (ja) シーンをモデル化する方法
KR101910542B1 (ko) 객체 검출을 위한 영상분석 서버장치 및 방법
JP7272024B2 (ja) 物体追跡装置、監視システムおよび物体追跡方法
US9307251B2 (en) Methods and systems for determining data-adaptive weights for motion estimation in a video sequence
US20170004629A1 (en) Low-complexity motion detection based on image edges
JP5360052B2 (ja) 物体検出装置
JP6654789B2 (ja) 変化点で複数候補を考慮して物体を追跡する装置、プログラム及び方法
KR101855057B1 (ko) 화재 경보 시스템 및 방법
KR102002812B1 (ko) 객체 검출을 위한 영상분석 서버장치 및 방법
KR100948568B1 (ko) 베이지안 네트워크를 이용한 화재 감지 장치 및 방법
KR101441107B1 (ko) 승강기내 이상 행동 판별 방법 및 그 장치
KR101270718B1 (ko) 영상에서 화재를 검출하기 위한 영상처리 장치 및 방법
KR101398684B1 (ko) 승강기 도어 개폐 감지 방법 및 장치
JP6600288B2 (ja) 統合装置及びプログラム
KR101460317B1 (ko) 불안정한 카메라 환경에서의 이동 객체 검출 장치 및 방법
CN109598276A (zh) 图像处理装置和方法及监控系统
KR102107137B1 (ko) 팬틸트줌 카메라를 이용한 이벤트 감지방법 및 장치
KR101893677B1 (ko) 컬러 영상 내의 변화영역을 검출하는 방법 및 그 장치
JP6851241B2 (ja) 画像解析装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20130221

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20140227

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20160310

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20170221

Year of fee payment: 8

LAPS Lapse due to unpaid annual fee