CN101833838A - 一种大范围火灾分析预警*** - Google Patents

Abstract

本发明提出了一种大范围火灾分析预警***。所述***包括：火灾特征数据库，包含烟雾/火焰图像模型；视频采集模块，用于获取大范围内的数字视频图像；温度采集模块，用于通过热成像产品获取温度信息；视频质量提升模块，用于对视频图像进行质量提升；火灾特征提取模块，用于对视频序列进行前景提取、目标匹配、目标分类；火灾特征识别模块，根据用户设定的参数，将视频对象与所述火灾特征数据库进行比对识别；火灾管控触发规则判断模块，根据用户事先设定好的规则，结合视频特征与温度值，判断规则是否被打破，如果打破了规则发出异常信息；火灾实时管控平台，用于接收视频分析结果，并根据分析结果发布管控命令。

Description

一种大范围火灾分析预警***

技术领域

本发明涉及计算机视觉领域和人工智能领域，特别是智能视频监控领域，提出了一种大范围火灾分析预警***。

背景技术

近年来，随着科技的发展，公共安全视频监控***是对城市社会治安主动掌握并打击的有力手段，如在车站、码头、机场、港口、城市交通要道及出入口等地建立公共安全视频监控***，发挥其现代技术防范手段的优势，对维护社会政治和治安稳定意义重大。

在一些对火险等级要求高的应用场合，如仓库、弹药库、林场、景区等地，需要对火灾特征进行分析识别，这些特征包括烟雾、火焰、温度等，希望能在火灾发生的初期，经智能分析得知火灾发生的地点，使人们能够及时发现火灾，并及时采取有效措施，扑灭初期火灾，最大限度的减少因火灾造成的生命和财产的损失，因此基于视频图像的火灾分析监测技术近年来得到蓬勃发展。

随着监控行业的发展和需求，新技术的不断应用，市场上出现了云台摄像机以及智能化球型摄像机，云台摄像机是在摄像机外有一个承载摄像机进行水平和垂直两个方向转动的云台，通过控制云台运动可以带动摄像机运动，从而得到更大视野的画面；智能化球型摄像机则集摄像机、高速云台于一体，具有360°旋转、180°翻转等功能，并可以设置多个预置位进行巡航扫描。无疑，在对林场、景区等大面积区域进行火灾监控时，云台摄像机以及智能化球型摄像机更具有实用性，因为仅用一台摄像机就可以实现大范围监测。

烟雾和火焰的产生是火灾发生的最明显特征。烟雾是火灾发生的前兆，一般来说，在火焰产生之前，如果物体温度比较低，产生的烟雾是偏白色的，如果物体温度非常高，产生的烟雾是偏黑色的，然后，当物体和氧气充分作用后产生出明亮且闪烁的火焰，烟雾和火焰可以用来在摄像机运动过程中初步判断火灾是否发生，进而固定摄像视角，进一步监测预警。

现有的火灾预警***往往只能单一识别火焰特征或者烟雾特征，因此存在火焰预警不准确、误报率高的问题。另外，现有的火灾预警***对处理小范围、静态场景的火灾特征较为有效，对于大范围、运动场景的火灾特征的识别、预警往往不能奏效。

发明内容

本发明的目的在于解决上述技术问题，提供一种大范围火灾分析预警***，以解决在现有技术条件下火灾预警***仅能单一识别火焰特征或烟雾特征、误报率高，不能实现对大范围、运动场景的火灾预警工作的问题。

为了解决上述技术问题，根据本发明提供的具体实施例，本发明公布了如下技术方案：

一种大范围火灾分析预警***，包括：

火灾特征数据库，包含烟雾/火焰图像模型；

视频采集模块，用于获取大范围内的数字视频图像；

温度采集模块，用于通过热成像产品获取温度信息；

视频质量提升模块，用于对视频图像进行质量提升；

火灾特征提取模块，用于对视频序列进行前景提取、目标匹配、目标分类；

火灾特征识别模块，根据用户设定的参数，进一步将视频对象与所述火灾特征数据库进行比对识别；

火灾管控触发规则判断模块，根据用户事先设定好的规则，结合视频特征与温度值，判断规则是否被打破，如果打破了规则发出异常信息；

火灾实时管控平台，用于接收视频分析结果，并根据分析结果发布管控命令；

所述的火灾特征提取模块，用于获取烟雾、火焰特征，首先通过运动背景中烟雾、火焰的静态特征初步确定获取的图像中是否有火灾发生的迹象；如果有火灾迹象，则固定摄像机视角，进一步通过静止背景中的烟雾、火焰的动态特征进一步判断是否发生火灾。

进一步的，上述的火灾特征数据库进一步包括：

数据采集子模块，用于采集不同方向、不同环境、不同发生阶段的火灾图片以及没有火灾发生的正常环境的图片，作为目标样本库；

数据标定子模块，用于对采集得到的样本图片进行标定分类，分为火灾和非火灾两类；

数据训练子模块，用于对采集的样本图片进行特征提取，并根据采集并标定好类别的样本图片及图片的特征进行分类训练；

特征比对子模块，当输入新的待测图片时，首先提取其特征，然后将这些特征输入训练好的分类器，即得出分类结果。

进一步的，上述的视频采集模块所采用的视频设备可以是云台摄像机或智能化球型摄像机。

进一步的，上述的视频采集模块进行视频采集时，其巡航方式可以是多预置位定点巡航，也可以是匀速巡航。

进一步的，上述的视频质量提升模块进一步包括：

噪声去除子模块，使用可调阿尔法均值滤波器对视频序列进行噪声去除；

信号增强子模块，使用可调幂变换方法对视频序列进行信号增强。

进一步的，上述的火灾特征提取模块，进一步包括：

前景提取子模块，用于提取视频图像的前景；

目标匹配子模块，用于将每一帧图像检测出的火灾前景与后一桢检测出的火灾前景目标进行轮廓相交以及颜色直方图匹配，得到火灾前景目标的运动属性；

目标分类子模块，用于对烟雾前景和火焰前景的大小进行分类。

进一步的，上述的运动背景中烟雾、火焰的静态特征是指利用烟雾的颜色特征、火焰的颜色和亮度特征进行判断；

将烟雾分为白烟、灰烟、黑烟，判断一个像素点(x，y)是否是烟雾的公式如下：

R(x，y)±α＝G(x，y)±α＝B(x，y)±α

W^L≤I(x，y)≤W^H或G^L≤I(x，y)≤G^H或B^L≤I(x，y)≤B^H

其中，RGB是像素的三个颜色分类，I(x，y)是像素的强度值，α是修正变量，WL和WH对应于白色烟雾强度上下限值，GL和GH对应于青色烟雾强度上下限值，BL和BH对应于黑色烟雾强度上下限值；

当影像表现为高亮度时，取RGB三基色的阈值C_R，C_G，C_B，根据阈值的大小得到火灾可能发生的区域。

进一步的，上述的大范围火灾分析预警***，其特征在于，在初步确定获取的图形中有火灾发生的迹象后，利用烟雾、火焰的动态特征多特征结合进一步判断是否发生火灾；

所述的烟雾动态特征，包括烟雾形状不规则性、面积增长性和边缘模糊特征等；

定义STP为烟雾边缘长度，SEP为烟雾面积，判断：

$\frac{\mathrm{STP}}{\mathrm{SEP}}>\mathrm{Th}$

其中，Th为设定的阈值，若上式成立，判断为烟雾目标，否则不是烟雾目标；

将获取的视频图像进行小波分解，得到四个子图像，分别是低频图像(LL)、高频垂直方向图像(HL)、高频水平方向图像(LH)以及高频对角方向图像(HH)，将子图像HL、LH、HH分为m×n大小的块，计为b1、b2、b3、......，计算每个块的能量：

$E_{\mathrm{bi}}=\underset{(x,y)\∈\mathrm{Ri}}{\mathrm{\Σ}}\mathrm{\ω}(x,y)$

ω(x，y)＝|HL(x，y)|²+|HL(x，y)|²+|HL(x，y)|²

其中，Ri表示第bi个m×n大小的块区域，如果某个块的能量值E_bi减少，则判断此区域产生了烟雾；

上述的火焰动态特征，利用火焰形状特性，计算目标形状的圆形度，设目标的面积为S，周长为C，圆形度计算公式如下：

圆形度＝(C*C/S)/4*3.14

当圆形度大于设定阈值时，则判断目标为火焰；

利用火焰发生边缘抖动的特性，计算火焰的尖角位置，如果火焰的尖角发生跳动变化，则判断目标为火焰。

进一步的，上述的火灾管控触发规则判断模块用于进行管控触发规则判断，根据用户事先设定好的规则和景深、灵敏度、最大最小像素、场景类型，结合视频特征和温度信息判断特定事件是否发生；

将视频特征和温度特征相互配合，有效进行检测，其中以视频特征为主，温度特征为辅；

当检测到温度有异常则自动将视频检测灵敏度调高；

当视频中出现烟雾或火焰等火灾目标，伴随红外图像相应位置有发热物体，则认为发生着火现象。

进一步的，上述的火灾实时管控平台接收视频分析结果，根据分析结果发布各种管控命令；同时，管控平台负责输出视频采集命令、为终端智能分析配置***参数和规则参数、对视频数据进行浏览、存储、检索等工作。

本发明与现有技术相比具有如下优点：

1、实现开阔区域的巡航监控。为更好地满足火灾监控应用，本发明利用云台摄像机或智能化球型摄像机通过巡航模式，获取大范围内的数字视频图像，首先利用烟雾、火焰的静态特征即颜色特征初步确定获取的图像中是否有火灾发生的迹象，如果有火灾迹象，则固定摄像机视角，进一步利用烟雾、火焰的动态特征(如不规则性、扩散性、火焰闪烁性、烟雾边缘模糊性等)排除干扰，增强算法鲁棒性；如果没有火灾迹象则继续执行巡航指令。实现了开阔区域的巡航监控。

2、加入了温度的辅助作用。利用红外辐射信号成像是一种检测火灾发生的手段，利用红外热成像仪可以在火灾发生初期发现隐患，把火灾消灭在最初源头，但是由于在实际建筑、环境中，存在大量的热辐射源，因此单纯依靠红外辐射，容易造成误报。本发明通过热成像产品采集得到温度值以及高温地点、范围，辅助检测火灾是否发生，使***的精确度有了很大的提高。

3、建立了烟雾/火焰模型特征库。火灾特征由于其复杂性，一般较难将烟雾、火焰作为目标进行提取。本发明在算法底层内建有烟雾模型特征库，通过烟雾模型特征库来进一步检测识别火灾特征，预警火灾的发生，提高了视频分析能力及准确性，达到更准确的分析效果，增强产品在现实复杂环境中的可用性。

4、质量提升以改善信息质量。本发明在对视频信号进行分析处理前，首先对信号进行去噪、增强等前期处理以提高信号的价值，为后期分析处理做好准备。信号在获取(数字化)和传输过程中会不可避免的产生噪声(在获取过程中主要受环境条件和传感元器件自身质量影响而产生噪声，在传输过程中主要由于所用的传输信道的干扰受到噪声污染)，去噪的过程就是对信号复原的过程。而信号增强的目的是为了显现被模糊了的细节，尤其对于较差、光线昏暗或过于强烈的信号，突出信号中感兴趣的特征。信号去噪和信号增加的最终目的都是为了改善信号，这对大范围火灾分析预警***的有效运转做出了贡献。

5、结合烟雾和火焰，判断火灾是否发生。烟雾是火灾发生的前兆，在火焰产生之前，如果物体温度比较低，产生的烟雾是偏白色的，如果物体温度非常高，产生的烟雾是偏黑色的，而后，当物体和氧气充分作用后产生出明亮且闪烁的火焰。因此烟雾和火焰都是火灾发生的重要信号。

6、本发明可以以纯软件或软硬件结合两种方式实现，在软硬件结合工作方式时，提供嵌入式火灾分析预警服务器，安装简单，用DSP运算替代计算机运算保证监控***稳定可靠。

附图说明

图1***逻辑结构图

图2视频采集模块

图3视频质量提升模块

图4特征提取模块

具体实施方式

为将智能视频监控技术有效地应用到火灾预警领域，特别是在空旷无人大范围区域内实现巡航监控，及时发现火灾并采取有效措施，本发明在有效提取火灾特征、建立烟火模型库的基础上，提出了一种有效的大范围火灾分析预警***。

大范围火灾分析预警***可以有两种实现方式：纯软件实现和软硬件结合实现。

软硬件结合实现大范围火灾分析预警***时，软件部分为客户端管控平台，硬件部分为嵌入式视频智能分析管控服务器。

嵌入式视频智能分析服务器采用嵌入式硬件平台开发、DSP算法移植与优化、网络编解码等先进技术，内嵌智能视频分析算法：包括视频的采集、视频特征提取、温度采集、特征识别、规则判断等算法。

平台管控软件安装在客户端电脑，包含以下几个模块：为终端智能分析配置***参数和规则参数、根据分析结果发布管控命令、输出视频采集命令以及处理视频数据。

纯软件实现大范围火灾分析预警***时，嵌入式视频智能分析管控服务器的工作全部交由平台管控软件来处理，即平台管控软件不仅要负责视频的采集、视频特征提取、温度采集、特征识别、规则判断等算法，同时也要为终端智能分析配置***参数和规则参数、根据分析结果发布管控命令、输出视频采集命令以及处理视频数据。

大范围火灾分析预警***有三种工作模式：

1.后端分析：大范围火灾分析预警***在视频信息上显示屏之前对其做智能分析管控。对前端传送来的视频信息进行编解码、智能分析等处理，并根据分析结果发布管控命令。

为有效减少带宽压力，***可以采取分布式智能分析方式与前端分析方式。

2.前端分析：大范围火灾分析预警***在视频信号采集设备之后对其做智能分析管控。在前端对视频信息进行编解码、智能分析等处理，将分析结果发送到后端，后端根据分析结果发布管控命令。

3.分布式分析：即嵌入式火灾分析预警***在视频信号采集设备之后进行视频采集和特征提取工作，并将特征流发送到后端，后端接收前端的数据流后进一步进行识别，完成分析工作，并根据分析结果发布管控命令。

大范围火灾分析预警***逻辑上主要经过视频采集、火灾特征提取、温度采集、特征识别、规则判断、实时管控、火灾特征数据库几个部分。如图1所示，工作原理如下：

视频采集模块用于获取数字视频序列。其中原始输入视频信号可以是来自摄像机、录像或其他设备任意分辨率的模拟视频信号或通过网络传输而来的编码视频流。根据来源不同，视频采集过程分为A/D或解码、格式转换两个部分，如图2所示。

在对视频信号进行采集处理时，前置A/D转换和解码器，如果输入是模拟信号，首先要经A/D转换为数字信号，如果输入是经mpeg4/h.264/h.263/AVS编码的码流，首先要经解码器解码；经解码或A/D转换后的数字视频信号，按不同的分析需求，转换为QCIF/CIF/D1大小的YUV4:2:2/RGB数字图像序列待用。

温度采集模块通过红外热成像产品获取温度值。利用红外线获得图像信息的仪器主要有使用红外线胶片的照相机，具有红外摄影功能的数码相机、热像仪等。在成像图像中，可以得到温度的分布状况，并与视频图像做对比，得到高温地点以及范围。

视频质量提升模块，用于对视频图像进行质量提升。为便于后续分析工作，在特征提取前可以对视频序列做质量提升的工作。质量提升技术包括对视频序列进行去噪、图像增强等图像处理技术。如图3所示。

信号的获取(数字化)和传输过程会不可避免的产生噪声。如在获取过程中主要受环境条件和传感元器件自身质量影响而产生噪声，在传输过程中主要由于所用的传输信道的干扰受到噪声污染。噪声去除的过程就是对信号复原的过程。

而信号增强的目的是为了显现被模糊了的细节，尤其对于较差、光线昏暗或过于强烈的信号，突出信号中感兴趣的特征。

信号噪声去除和信号增加的最终目的都是为了改善信号，这对整个大范围火灾分析预警***的有效运转做出了贡献。

视频质量提升模块，进一步包括：

噪声去除子模块，使用可调阿尔法均值滤波器对视频序列进行噪声去除；

信号增强子模块，使用可调幂变换方法对视频序列进行信号增强。

a.可调阿尔法均值滤波器去噪：

其中0≤d≤(n-1)可调

对于视频信号，

表示在点(x，y)处去除噪声后的像素点灰度值，N表示中心点在(x，y)，大小为m×n的矩形子图像窗口，G(i)表示在子窗口内像素点的灰度值；上述公式的意义为：在N领域内去掉灰度值G(i)最高的d/2个像素和最低的d/2个像素。用G_r(i)来代表剩余的mn-d个像素，由这些剩余像素点的平均值作为(x，y)点的去噪后灰度值。

当d＝0时，阿尔法均值滤波器退变为算术均值滤波器，对抑制高斯和均匀随机分布的噪声有很好的效果；当d＝mn-1时，阿尔法均值滤波器退变为中值滤波器，对抑制椒盐噪声有很好的效果。d取其他值时，修正后的阿尔法均值滤波器在包括多种噪声的情况下非常适用，例如高斯噪声和椒盐噪声混合的情况。

b.可调幂变换增强信号

幂变换的基本形式为：

S＝cR^γ，其中c和γ为正常数

R为原始信号，S为增强后信号，调整γ参数会得到增强后信号。以图像为例，偏暗图像(如夜晚)在γ＞1时会得到对比度的提升，偏白图像(如雾天)在γ＜1时会得到对比度的提升。

火灾特征提取模块，如图4所示，进一步包括：

前景提取子模块，用于提取视频图像的前景；

目标匹配子模块，用于将每一帧图像检测出的火灾前景与后一桢检测出的火灾前景目标进行轮廓相交匹配，得到火灾前景目标的运动属性；

目标分类子模块，用于对烟雾前景和火焰前景的大小进行分类。

提取火灾前景目标，在火灾发生前期常常是大量烟雾的出现，进而才是火焰的出现，因此大范围火灾分析预警***将烟雾、火焰等作为火灾目标，根据它们不同的特征，从视频中将它们提取出来。

首先利用烟雾、火焰的静态特征即颜色特征初步确定获取的图像中是否有火灾发生的迹象，如果有火灾迹象，则固定摄像机视角，进一步利用烟雾、火焰的动态特征(如不规则性、扩散性、火焰闪烁性、烟雾边缘模糊性等)排除干扰，增强算法鲁棒性；如果没有火灾迹象则继续执行巡航指令。

a通过运动背景中的静态特征初步判断是否有火灾迹象，这主要指烟雾和火焰的颜色特征。

对于烟雾，由于燃烧物不同、氧气供应的不同、温度的不同有白烟、青烟、黑烟之分，一般来说，在火焰产生之前，如果物体温度比较低，产生的烟雾多是偏白色的，如果物体温度非常高，产生的烟雾是偏黑色的，针对烟雾的这种颜色特征，得出判断一个像素点(x，y)是否是烟雾的公式如下：

R(x，y)±α＝G(x，y)±α＝B(x，y)±α

W^L≤I(x，y)≤W^H或G^L≤I(x，y)≤G^H或B^L≤I(x，y)≤B^H

其中，RGB是像素的三个颜色分类，I(x，y)是像素的强度值，α是修正变量，WL和WH对应于白色烟雾强度上下限值，GL和GH对应于青色烟雾强度上下限值，BL和BH对应于黑色烟雾强度上下限值。强度上下限值通过实验得到，如对于大多数偏灰的烟雾，又可分为偏白的浅灰和偏黑的深灰，实验表明浅灰色烟雾的强度值在80-150之间，深灰色烟雾的强度值在150-220之间，α的值一般选15-20。

对于火焰，是物体在燃烧过程中产生的，而一般物体以常温反射为主，很难达到火焰的亮度，因此，在连续影像中长时间的表现为高亮度时，是火灾存在的最直接特征，根据特定的环境，取RGB三基色的阀值Cr，Cg，Cb，根据阀值的大小得到火灾可能发生的区域。

b通过静止背景中的动态特征再次判断是否发生火灾，这包括烟雾的不规则性，扩散，烟雾的出现会弱化原有图像的边缘等，火焰具有边缘闪烁、具有多个尖角且尖角位置变化、形状不规则等；

烟雾具有形状不规则性以及面积增长性，定义STP为烟雾边缘长度，SEP为烟雾面积，判断：

$\frac{\mathrm{STP}}{\mathrm{SEP}}>\mathrm{Th}$

其中，Th为设定的阈值。若上式成立，判断为烟雾目标，否则不是烟雾目标。

随着烟雾的扩散，原有图像中的边缘和纹理渐渐变的模糊，而在一幅图像中，边缘和纹理信息对应于频域中的高频信息，二维小波变换可以将图像分为不同频带，因此也就是说，随着烟雾的扩散，小波变换之后的高频带能量会出现下降的趋势。原图形经过小波分解后得到四个子图像，分别是低频图像(LL)、高频垂直方向图像(HL)、高频水平方向图像(LH)以及高频对角方向图像(HH)，将子图像HL、LH、HH分为m×n大小的块，计为b1、b2、b3、......，计算每个块的能量：

$E_{\mathrm{bi}}=\underset{(x,y)\∈\mathrm{Ri}}{\mathrm{\Σ}}\mathrm{\ω}(x,y)$

ω(x，y)＝|HL(x，y)|²+|HL(x，y)|²+|HL(x，y)|²

其中，Ri表示第bi个m×n大小的块区域，如果某个块的能量值E_bi减少，说明场景中此位置可能产生了烟雾。

火焰边缘的抖动是火焰的另一特性，而其它高温物体、灯光和稳定火焰的边缘比较稳定。火焰的边缘变化同其它的高温物体和灯光及稳定火焰的边缘变化也有一定的区别，可以利用火焰边缘的变化来进行进一步判别。

火焰具有尖角，尖角数量较多且随火焰抖动位置会发生跳动变化，这也是判断识别火焰目标的一个根据。

针对火焰的形状不规则性，可以用圆形度来衡量，形状越不规则，圆形度越大，设目标的面积为S，周长为C，圆形度计算公式如下：

圆形度＝(C*C/S)/4*3.14

目标匹配适用于同一场景有多个火源的情况，目标匹配指每一帧图像所检测出的火灾前景(烟雾目标和火焰目标)，与后一帧检测出的火灾前景目标进行轮廓相交匹配，得到火灾前景目标的运动属性，如运动方向、所在位置等：

根据目标属性，对目标进行分类，如按烟雾前景和火焰前景的大小分为不同等级(8/25/50/100/500/1000/10000/10万像素点)。

火灾特征识别模块根据用户设定的参数，进一步与内嵌的烟雾/火焰图像模型库进行比对，减少误报及漏报，提高视频分析及报警效率，达到更准确的分析效果，增强产品的可用性。

火灾管控触发规判断模块进行管控触发规则判断。根据用户事先设定好的景深、灵敏度、最大最小像素、场景类型，结合视频特征和温度信息判断特定事件是否发生。

视频特征和温度特征相互配合，有效地进行检测，其中以视频特征为主，温度特征为辅：

在检测到温度有异常则自动将视频监测灵敏度调高；

当视频中出现烟雾或火焰等火灾目标，伴随红外图像相应位置有发热物体，则认为发生着火现象。

火灾实时管控平台接收到视频分析结果，根据分析结果发布各种管控命令。同时，管控平台负责输出视频采集命令、为终端智能分析配置***参数和规则参数、对视频数据进行浏览、存储、检索等工作。具体如：选择多种显示方式(多种画面分割显示/全屏显示)远程浏览多路实时监控视频图像、多路视频选择、设备查询、云镜控制(PTZ控制/预置位设置/巡航设定等)、实时显示报警信息、播放报警视频/停止报警视频、查看报警截图、按条件(设备/时间/事件/状态等)查询报警信息、录像(实时录像/报警联动录像/手动录像/周期录像/定时录像)、录像检索、播放录像、录像导出、电子地图、查询操作日志。

实时管控平台的功能包括：

1)根据分析结果发布各种管控命令

如：云镜控制(PTZ控制/预置位设置/巡航设定等)、实时显示报警信息、设备查询、远程喊话、电子地图、查询操作日志等

2)输出视频采集命令，并为终端智能分析配置***参数和规则参数

如：多路视频选择、视频开始、视频关闭、为终端智能分析配置***参数和规则参数等。

3)视频数据处理

如：选择多种显示方式(多种画面分割显示/全屏显示)远程浏览多路实时监控视频图像、播放报警视频/停止报警视频、查看报警截图、按条件(设备/时间/事件/状态等)查询报警信息、录像(实时录像/报警联动录像/手动录像/周期录像/定时录像)、录像检索、播放录像、录像导出。

本发明一种大范围火灾分析预警***进一步包括火灾特征数据库。

火灾特征数据库进一步包括：

数据采集子模块，用于采集不同方向、不同环境、不同发生阶段的火灾图片以及没有火灾发生的正常环境的图片，作为目标样本库；

数据标定子模块，用于对采集得到的样本图片进行标定分类，分为火灾和非火灾两类；

数据训练子模块，用于对采集的样本图片进行特征提取，并根据采集并标定好类别的样本图片及图片的特征进行分类训练；

特征比对子模块，当输入新的待测图片时，首先提取其特征，然后将这些特征输入训练好的分类器，即得出分类结果。

数据采集子模块用于尽可能多地采集不同方向、不同环境的火灾图片、火灾发生不同阶段的图片以及正常环境没有火灾发生的图片作为目标样本库

数据训练子模块用于对采集的样本图片进行特征提取，并根据采集并标定好类别的样本图片及图片的特征进行分类训练。

SIFT特征是现在广泛使用的一种图像的局部特征。首先检测样本图像中一些显著区域，然后计算特征区域附近的梯度信息的统计直方图，用这个128维直方图的值来表示当前这个点的一个特征。对一副普通大小的图片，通常有几百到几千个SIFT特征来描述。另外，对每个特征来说，除了128维的特征值，还包括了特征点的位置，尺度，方向等参数。

SVM(support vector machine)是一种常用的分类器，已知采集并标定好类别的样本图片以及这些图片的特征，SVM分类***的目标是利用标定好的类别，训练出合理的分类器，当今后遇到类似的情况，可以直接分辨出是哪个类别。对分类***来说，输入是图片的特征，而输出则是这个图片的类别。

Adaboost是一种迭代算法，核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。

特征比对子模块用于当输入新的待测图片时，首先提取其SIFT特征，然后将这些特征输入已经训练好的分类器，最终得到结果，即图片中是否发生了火灾。

Claims (10)

1.一种大范围火灾分析预警***，其特征在于，包括：

火灾特征数据库，包含烟雾/火焰图像模型；

视频采集模块，用于获取大范围内的数字视频图像；

温度采集模块，用于通过热成像产品获取温度信息；

视频质量提升模块，用于对视频图像进行质量提升；

火灾特征提取模块，用于对视频序列进行前景提取、目标匹配、目标分类；

火灾特征识别模块，根据用户设定的参数，进一步将视频对象与所述火灾特征数据库进行比对识别；

火灾管控触发规则判断模块，根据用户事先设定好的规则，结合视频特征与温度值，判断规则是否被打破，如果打破了规则发出异常信息；

火灾实时管控平台，用于接收视频分析结果，并根据分析结果发布管控命令；

所述的火灾特征提取模块，用于获取烟雾、火焰特征，首先通过运动背景中烟雾、火焰的静态特征初步确定获取的图像中是否有火灾发生的迹象；如果有火灾迹象，则固定摄像机视角，进一步通过静止背景中的烟雾、火焰的动态特征判断是否发生火灾。

2.如权利要求1所述的大范围火灾分析预警***，其特征在于，所述的火灾特征数据库进一步包括：

数据采集子模块，用于采集不同方向、不同环境、不同发生阶段的火灾图片以及没有火灾发生的正常环境的图片，作为目标样本库；

数据标定子模块，用于对采集得到的样本图片进行标定分类，分为火灾和非火灾两类；

数据训练子模块，用于对采集的样本图片进行特征提取，并根据采集并标定好类别的样本图片及图片的特征进行分类训练；

特征比对子模块，当输入新的待测图片时，首先提取其特征，然后将这些特征输入训练好的分类器，即得出分类结果。

3.根据权利要求1所述的大范围火灾分析预警***，其特征在于，所述的视频采集模块所采用的视频设备可以是云台摄像机或智能化球型摄像机。

4.根据权利要求1或3所述的大范围火灾分析预警***，所述的视频采集模块进行视频采集时，其巡航方式可以是多预置位定点巡航，也可以是匀速巡航。

5.根据权利要求1所述的大范围火灾分析预警***，其特征在于，所述的视频质量提升模块进一步包括：

噪声去除子模块，使用可调阿尔法均值滤波器对视频序列进行噪声去除；

信号增强子模块，使用可调幂变换方法对视频序列进行信号增强。

6.根据权利要求1所述的大范围火灾分析预警***，其特征在于，所述的火灾特征提取模块，进一步包括：

前景提取子模块，用于提取视频图像的前景；

目标匹配子模块，用于将每一帧图像检测出的火灾前景与后一桢检测出的火灾前景目标进行轮廓相交以及颜色直方图匹配，得到火灾前景目标的运动属性；

目标分类子模块，用于对烟雾前景和火焰前景的大小进行分类。

7.根据权利要求1所述的大范围火灾分析预警***，其特征在于，所述的运动背景中烟雾、火焰的静态特征是指利用烟雾的颜色特征、火焰的颜色和亮度特征进行判断；

将烟雾分为白烟、灰烟、黑烟，判断一个像素点(x，y)是否是烟雾的公式如下：

R(x，y)±α＝G(x，y)±α＝B(x，y)±α

W^L≤I(x，y)≤W^H或G^L≤I(x，y)≤G^H或B^L≤I(x，y)≤B^H

其中，RGB是像素的三个颜色分类，I(x，y)是像素的强度值，α是修正变量，WL和WH对应于白色烟雾强度上下限值，GL和GH对应于青色烟雾强度上下限值，BL和BH对应于黑色烟雾强度上下限值；

当影像表现为高亮度时，取RGB三基色的阈值C_R，C_G，C_B，根据阈值的大小得到火灾可能发生的区域。

8.根据权利要求1所述的大范围火灾分析预警***，其特征在于，在初步确定获取的图形中有火灾发生的迹象后，利用烟雾、火焰的动态特征多特征结合进一步判断是否发生火灾；

所述的烟雾动态特征，包括烟雾形状不规则性、面积增长性和边缘模糊特征等；

定义STP为烟雾边缘长度，SEP为烟雾面积，判断：

$\frac{\mathrm{STP}}{\mathrm{SEP}}>\mathrm{Th}$

其中，Th为设定的阈值，若上式成立，判断为烟雾目标，否则不是烟雾目标；

将获取的视频图像进行小波分解，得到四个子图像，分别是低频图像(LL)、高频垂直方向图像(HL)、高频水平方向图像(LH)以及高频对角方向图像(HH)，将子图像HL、LH、HH分为m×n大小的块，计为b1、b2、b3、......，计算每个块的能量：

$E_{\mathrm{bi}}=\underset{(x,y)\∈\mathrm{Ri}}{\mathrm{\Σ}}\mathrm{\ω}(x,y)$

ω(x，y)＝|HL(x，y)|²+|HL(x，y)|²+|HL(x，y)|²

其中，Ri表示第bi个m×n大小的块区域，如果某个块的能量值E_bi减少，则判断此区域产生了烟雾；

所述的火焰动态特征，利用火焰形状特性，计算目标形状的圆形度，设目标的面积为S，周长为C，圆形度计算公式如下：

圆形度＝(C*C/S)/4*3.14

当圆形度大于设定阈值时，则判断目标为火焰；

利用火焰发生边缘抖动的特性，计算火焰的尖角位置，如果火焰的尖角发生跳动变化，则判断目标为火焰。

9.根据权利要求1所述的大范围火灾分析预警***，其特征在于，所述的火灾管控触发规则判断模块用于进行管控触发规则判断，根据用户事先设定好的规则和景深、灵敏度、最大最小像素、场景类型，结合视频特征和温度信息判断特定事件是否发生；

将视频特征和温度特征相互配合，有效进行检测，其中以视频特征为主，温度特征为辅；

当检测到温度有异常则自动将视频检测灵敏度调高；

当视频中出现烟雾或火焰等火灾目标，伴随红外图像相应位置有发热物体，则认为发生着火现象。

10.根据权利要求1所述的大范围火灾分析预警***，其特征在于，所述的火灾实时管控平台接收视频分析结果，根据分析结果发布各种管控命令；同时，管控平台负责输出视频采集命令、为终端智能分析配置***参数和规则参数、对视频数据进行浏览、存储、检索等工作。

Images