CN105261030A - 从红外视频中检测火焰的方法及装置 - Google Patents

Abstract

本发明提供一种从红外视频中检测火焰的方法及装置，包括：对一目标红外视频的图像帧中各个像素点进行亮度分割，保留所述目标红外视频的图像帧中亮度超过预设亮度阈值的像素点；滤除所述目标红外视频的图像帧中的噪声；对所述目标红外视频中的单一图像帧进行静态特征提取；对所述目标红外视频中的连续图像帧进行动态特征提取；将所述静态特征与所述动态特征输入到神经网络中进行综合判断，得到所述目标红外视频中火焰的存在状况；输出所述目标红外视频中火焰的存在状况。本发明还提供一种从红外视频中检测火焰的装置，解决现有技术中火灾监测技术成本高、覆盖率低及对环境光照依赖性强的技术问题。

Description

从红外视频中检测火焰的方法及装置

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种从红外视频中检测火焰的方法及装置。

背景技术

火灾不仅破坏环境，还会给人们的生产生活造成巨大影响。要将火灾照成的损失降到最低，其中最有效的方法之一就是在火灾发生的早期及时发现，在火灾还没有大面积蔓延之前将其扑灭。目前的火灾检测技术主要包括：基于传感器的监控技术和可见光视频监控技术。其中，基于传感器的监控技术只能在室内有限空间内使用，无法在野外，诸如森林防火这种大范围区域进行推广使用。基于可见光的火灾监测技术可以覆盖面积很大的监测范围，彻底解决了基于传感器的监控技术的高成本、低覆盖率等缺点。但是，可见光监控技术在夜晚，阴雨天气等环境光照不理想场合成像效果较差，这也使得可见光火灾监测存在很大的局限性。因此，提供一种低成本、高覆盖率及对环境光照依赖小的火灾检测方法是急需要解决的技术问题。

发明内容

有鉴于此，本发明提供一种从红外视频中检测火焰的方法及装置，利用该从红外视频中检测火焰的方法及装置，不仅成本低、覆盖率高对环境光照的依赖性也小。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供一种从红外视频中检测火焰的方法，包括：对一目标红外视频的图像帧中各个像素点进行亮度分割，保留所述目标红外视频的图像帧中亮度超过预设亮度阈值的像素点；滤除所述目标红外视频的图像帧中的噪声；对所述目标红外视频中的单一图像帧进行静态特征提取，所述静态特征包括所述单一图像帧的圆形度特征、所述单一图像帧的重心高度系数特征及所述单一图像帧的角点密度特征；对所述目标红外视频中的连续图像帧进行动态特征提取，所述动态特征包括所述连续图像帧之间的灰度变化频率、所述连续图像帧之间的面积变异频率及所述连续图像帧之间的重心偏移频率；将所述静态特征与所述动态特征输入到神经网络中进行综合判断，得到所述目标红外视频中火焰的存在状况；输出所述目标红外视频中火焰的存在状况。

第二方面，本发明实施例还提供一种从红外视频中检测火焰的装置，包括：亮度分割模块，用于对一目标红外视频的图像帧中各个像素点进行亮度分割，保留所述目标红外视频的图像帧中亮度超过预设亮度阈值的像素点；过滤模块，用于滤除所述目标红外视频的图像帧中的噪声；静态特征提取模块，用于对所述目标红外视频中的单一图像帧进行静态特征提取，所述静态特征包括所述单一图像帧的圆形度特征、所述单一图像帧的重心高度系数特征及所述单一图像帧的角点密度特征；动态特征提取模块，对所述目标红外视频中的连续图像帧进行动态特征提取，所述动态特征包括所述连续图像帧之间的灰度变化频率、所述连续图像帧之间的面积变异频率及所述连续图像帧之间的重心偏移频率；神经网络判断模块，用于将所述静态特征与所述动态特征输入到神经网络中进行综合判断得到所述目标红外视频中火焰的存在状况；及输出模块，用于输出所述目标红外视频中火焰的存在状况。

通过上述从红外视频中检测火焰的方法及装置，通过对红外视频帧图像进行连通域检测滤除噪声，对红外视频帧图像进行静态和动态特征提取，将提取后的静态和动态特征输入到神经网络中进行分类判别，得到红外视频帧图像中火焰的存在状况。相对于现有的基于传感器的监控技术和可见光的火灾监控技术具有成本低、覆盖率高及对环境光照依赖小的优点。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚的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用户员来讲，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相关的附图。

图1示出了一种可应用于本发明实施例中的终端设备的结构框图。

图2示出了本发明第一具体实施例提供的从红外视频中检测火焰的方法的流程图。

图3示出了图2从红外视频中检测火焰的方法中角密度特征提取过程中灰度变化E(u,v)的示意图。

图4-A示出了图2从红外视频中检测火焰的方法中判断火焰存在状况的神经网络结构示意图。

图4-B示出了图2从红外视频中检测火焰的方法中输入静态特征与动态特征后的神经网络的结构示意图。

图5为本发明第二具体实施例提供的从红外视频中检测火焰的装置的结构框图。

具体实施方式

图1示出了一种可应用于本发明实施例中的终端设备的结构框图。如图1所示，终端设备100包括存储器102、存储控制器104，一个或多个(图中仅示出一个)处理器106、外设接口108、射频模块110、音频模块112、触控屏幕114等。这些组件通过一条或多条通讯总线/信号线116相互通讯。

存储器102可用于存储软件程序以及模块，如本发明实施例中的从红外视频中检测火焰的方法对应的程序指令/模块，处理器106通过运行存储在存储器102内的软件程序以及模块，从而执行各种功能应用以及数据处理，如本发明实施例提供的从红外视频中检测火焰的方法。

存储器102可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。处理器106以及其他可能的组件对存储器102的访问可在存储控制器104的控制下进行。

外设接口108将各种输入/输入装置耦合至处理器106以及存储器102。在一些实施例中，外设接口108，处理器106以及存储控制器104可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

射频模块110用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯。

音频模块112向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

触控屏幕114在终端设备100与用户之间同时提供一个输出及输入界面。具体地，触控屏幕114向用户显示视频输出，这些视频输出的内容可包括文字、图形、视频及其任意组合。

可以理解，图1所示的结构仅为示意，终端设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

于本发明实施例中，终端设备100中安装有客户端，该客户端可以是浏览器也可以是第三方应用软件，与服务器(Server)端相对应，为用户提供服务，例如红外视频中检测火焰的软件，用于从红外视频中检测火焰的存在状况。

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

第一具体实施例

图2为本发明第一具体实施例提供从红外视频中检测火焰的方法的流程图。如图2所示，在本实施例中的从红外视频中检测火焰的方法的流程图可以包括以下步骤。

步骤S210，对一目标红外视频的图像帧中各个像素点进行亮度分割，保留所述目标红外视频的图像帧中亮度超过预设亮度阈值的像素点。

红外视频通常只有亮度信息，没有颜色信息。因此，这里对红外图像进行二值化，通过阈值将图像中亮度过低的背景或噪音等像素予以过滤，只保留亮度(温度)较高的像素。

具体的像素过滤表达式如下：

$I^{\′}(x,y)=\left\{\begin{array}{cc}0& I(x,y)>T_{luma}\\ 1& I(x,y)\≤T_{luma}\end{array}\right.$

其中，I(x,y)是红外视频中的视频帧图像，I’(x,y)是I(x,y)二值化之后的图像，I’(x,y)可以理解为疑似火焰区域的掩码(模板)图像，后续的所有操作都将在掩码图像I’(x,y)中数值为1的区域内进行处理。T_luma是二值化的阈值，该参数根据实际情况经过大量测试得到，也可以根据经验值来予以设定，例如：T_luma＝150。

步骤S220，滤除所述目标红外视频的图像帧中的噪声。

考虑到红外视频中的帧图像中存在很多噪音，而其中的某些噪音像素点亮度也较高，会对后续火焰检测判断造成误检。另外，噪音在图像中呈现不规律的随机分布，因此可以采用连通区域分析的方法来剔除这种随机噪声的干扰。常用的连通区域分析检测方法有：种子填充法、漫水填充法等。

假设检测到的连通区域为C_i，其中0<i<N，这里的N是连通区域的总数。C_i是检测到的第i个连通区域分量。判断每个连通区域分量的面积A_i，排除其中连通区域面积小于阈值T_area的连通区域。

排除连通区域面积小于阈值T_area的连通区域的表达式为：

$I_i^{\&prime;}=\left\{\begin{array}{cc}1& A_i>T_{area}\\ 0& A_i\&le;T_{area}\end{array}\right.$

如果其连通区域面积小于阈值，将该连通分量区域的掩码设置为0，即：当做噪音予以排除；面积大于阈值的连通区域则当做疑似火焰区域(掩码保持为1)进行后续处理操作。

步骤S230，对所述目标红外视频中的单一图像帧进行静态特征提取，所述静态特征包括所述单一图像帧的圆形度特征、所述单一图像帧的重心高度系数特征及所述单一图像帧的角点密度特征。

火焰的静态特征是对单张图像帧进行特征提取和分类判别，这种方法仅涉及图像像素之间的空间域关系，并不涉及前后帧之间的时域关系。本具体实施例提取三种静态特征对火焰区域进行描述。它们分别是：圆形度特征提取、重心高度系数特征及角点密度特征。

A1.圆形度特征提取

圆形度是指物体接近圆形的程度，它是度量物体形状不规则程度的一个指标。疑似火焰的干扰物，例如：白炽灯、蜡烛、手电筒、车灯等的形状规则程度较高，因此可以考虑将圆形度作为火焰检测识别的一个判断依据。

圆形度的计算公式如下所示：

$\begin{array}{cc}{C}_k=\frac{{P_k}^2}{4{\mathrm{\&pi;A}}_k}& k=1,2,\mathrm{...},n\end{array}$

其中，k是图像帧中的第k个轮廓，n是轮廓总数，C_k为对应的圆形度，A_k是轮廓k所占据的面积，P_k是轮廓的周长。圆形度的取值范围为[0,1]。当轮廓的形状越接近圆形时，其圆形度越接近1，当形状越不规则时，其圆形度的取值越接近于0。

A2.重心高度系数特征提取

红外视频的帧图像当中的火焰应该处于不停的漂移及摆动过程。在此过程中，火焰区域的重心、宽度、高度等信息也在不停变化。本具体实施例考虑重心高度系数的特征来描述火焰的这种漂移特征。

重心高度系数的计算公式如下：

${\mathrm{Coeff}}_i=\frac{G_i}{H_i},$

其中，Coeff_i表示第i帧的重心高度系数，H_i表示第i帧火焰疑似区域的高度。

A3.角点密度特征提取

角点就是在水平、垂直两个方向上变化较大的点。红外视频当中如果有火焰存在，在火苗的顶部、边缘等区域必然存在很多毛刺状的角点。这里考虑将角点密度特征作为火焰检测判断的一个依据。这里的火焰角点检测采用Harris角点检测方法。

计算步骤如下：计算图像窗口平移[u,v]产生灰度变化E(u,v)

E(u，v)＝∑w(x，y)[I(x+u，y+v)-I(x，y)]²

其中，I(x,y)表示坐标(x,y)处的像素值，w(x,y)表示权重系数。不同位置的权重大小应该有所不同。

由公式I(x+u，y+v)＝I(x，y)+I_xu+I_yv+O(u²，v²)，得到：

$E(u,v)=\&lsqb;u,v\&rsqb;\left[\begin{array}{cc}{I}_x^2& I_x{I}_y\\ I_x{I}_y& I_y^2\end{array}\right]\left[\begin{array}{c}u\\ v\end{array}\right]$

对于局部微小的移动量[u,v]，近似表达为：

$E(u,v)\&cong;\&lsqb;u,v\&rsqb;M\left[\begin{array}{c}u\\ v\end{array}\right]$

其中，M是2x2的矩阵，可以由图像的导数来计算求得：

$M=\underset{x,y}{\&Sigma;}w(x,y)\left[\begin{array}{cc}{I}_x^2& I_x{I}_y\\ I_x{I}_y& I_y^2\end{array}\right]$

参照图3，E(u,v)通常呈一种椭圆的形式。

定义角点响应函数R的表达式为：

R＝λ₁λ₂-k(λ₁+λ₂)²

这里的λ₁表示M的特征值。

最终的角点检测就是对角点响应函数R进行阈值处理：R>Thr，即：提取R的局部极大值，而阈值Thr则根据实际情况通过测试来确定。

经过上述步骤计算得到角点特征之后，我们定义角点密度表达式如下：

$D_i=\frac{N_{Ci}}{L_i}$

其中，N_Ci代表第i个轮廓的角点个数，L_i代表第i个轮廓的周长。角点密度D_i代表单位长度上角点的数量，对于疑似火焰区域而言，显然D_i越多越好。

步骤S240，对所述目标红外视频中的连续图像帧进行动态特征提取，所述动态特征包括所述连续图像帧之间的灰度变化频率、所述连续图像帧之间的面积变异频率及所述连续图像帧之间的重心偏移频率。

本具体实施例提取三种动态特征对火焰区域进行描述。它们分别是：灰度变化频率、面积变异频率及重心偏移频率。

B1.灰度变化频率

灰度变化频率的计算公式如下：

$Diff(x,y)=\frac{\underset{i=0}{\overset{n}{\&Sigma;}}|I\left(P_i\right(x,y\left)\right)-I\left(P_{i-1}\right(x,y\left)\right)|}{n-1}$

其中，I(P(x，y)代表视频中第i帧当中坐标(x,y)位置处的灰度值；n代表视频帧数，Diff(x,y)则代表在n个视频帧当中图像灰度的变化频率。这里的n根据实际情况进行取值，例如n＝25或30等。

B2.面积变异频率

面积变异频率的计算公式如下：

$F_{area}=\frac{{\mathrm{\&Sigma;}}_{i=1}^n|A_i-A_{i-1}|}{n-1}$

其中，A_i代表视频当中疑似火焰区域第i帧的面积，F_area表示在n个连续视频帧之内，疑似火焰区域的面积变异频率。

B3.重心偏移频率

重心偏移频率的计算公式如下：

$F_g=\frac{{\&Sigma;}_{i=1}^n|g_i-g_{i-1}|}{n-1}$

其中，g_i代表视频当中第i帧的重心位置，n代表视频帧数，F_g表示重心偏移频率。

在本具体实施例中步骤S230和步骤S240可以不分先后顺序进行。

步骤S250，将所述静态特征与所述动态特征输入到神经网络中进行综合判断，得到所述目标红外视频中火焰的存在状况。

将上述步骤S230及步骤S240提取的静态特征和动态特征输入到神经网络分类器进行分类判别。

神经网络是由一些简单的处理单元(神经元)组织而成的大规模并行网络。神经元处理信号是通过将输入信号与神经元权重系数进行内积运算，然后将其通过激活函数(激励函数、传递函数)，最后经过阈值函数判别，以决定该神经元是否被激活或者抑制。

参照图4-A，神经网络结构通常分为输入层、隐含层、输出层共计三个网络层。

神经网络的输入层神经元的个数由样本属性的维度决定，输出层神经元的个数由样本分类个数决定。隐藏层的层数和每层的神经元个数由用户指定。参照图4-B，对本具体实施例而言，神经网络的输入有3个静态特征和3个动态特征，共计6个输入；输出则只有火焰、非火焰这两种状态。即：本发明涉及到的神经网络分类器输入层由6个节点，输出层有2个节点。

神经网络的每一层都包含若干个神经元，每个神经元都包含一个阈值θ_j和一个权重系数ω_ij。这里的θ_j是单元j的阈值，而ω_ij则代表了前一层神经元和后一层神经元之间的权重。对于隐含层和输出层的输入而言：

$Y_j=\underset{i}{\&Sigma;}{w}_{ij}{I}_i+{\mathrm{\&theta;}}_j$

这里的Y_j是当前层节点j的输出，I_i是上一层节点i的输入，ω_ij是上一层节点i对当前层节点j的权重。

神经网络中的神经元输出是由激活函数计算得到的。常用的激活(传递)函数有：线性函数、斜面函数、阈值函数、Simoid函数、Logistic函数等。优选地，本具体实施例的输出层激活函数采用Simoid函数。

Simoid函数的表达式为：

$f\left(x\right)=\frac{1}{1+e^{-\mathrm{\&alpha;}x}},(0<f(x)<1)$

步骤S260，输出所述目标红外视频中火焰的存在状况。

通过上述从红外视频中检测火焰的方法，通过对红外视频帧图像进行连通域检测减少噪声，对红外视频帧图像进行静态和动态特征提取，将提取后的静态和动态特征输入到神经网络中进行分类判别，得到红外视频帧图像中火焰的存在状况。相对于现有的基于传感器的监控技术和可见光的火灾监控技术具有成本低、覆盖率高及对环境光照依赖小的优点。

第二具体实施例

图5是为本发明第二具体实施例提供的一种从红外视频中检测火焰的装置的结构框图，该从红外视频中检测火焰的装置300用于实现第一具体实施例中从红外视频中检测火焰的的方法，请参照图5，所述从红外视频中检测火焰的装置300包括

亮度分割模块310，用于对一目标红外视频的图像帧中各个像素点进行亮度分割，保留所述目标红外视频的图像帧中亮度超过预设亮度阈值的像素点。

过滤模块320，用于滤除所述目标红外视频的图像帧中的噪声。

静态特征提取模块330，用于对所述目标红外视频中的单一图像帧进行静态特征提取，所述静态特征包括所述单一图像帧的圆形度特征、所述单一图像帧的重心高度系数特征及所述单一图像帧的角点密度特征。

动态特征提取模块340，对所述目标红外视频中的连续图像帧进行动态特征提取，所述动态特征包括所述连续图像帧之间的灰度变化频率、所述连续图像帧之间的面积变异频率及所述连续图像帧之间的重心偏移频率。

神经网络判断模块350，用于将所述静态特征与所述动态特征输入到神经网络中进行综合判断得到所述目标红外视频中火焰的存在状况。

输出模块360，用于输出所述目标红外视频中火焰的存在状况。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

另外，附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

Claims (10)

1.一种从红外视频中检测火焰的方法，其特征在于，包括：

对一目标红外视频的图像帧中各个像素点进行亮度分割，保留所述目标红外视频的图像帧中亮度超过预设亮度阈值的像素点；

滤除所述目标红外视频的图像帧中的噪声；

对所述目标红外视频中的单一图像帧进行静态特征提取，所述静态特征包括所述单一图像帧的圆形度特征、所述单一图像帧的重心高度系数特征及所述单一图像帧的角点密度特征；

对所述目标红外视频中的连续图像帧进行动态特征提取，所述动态特征包括所述连续图像帧之间的灰度变化频率、所述连续图像帧之间的面积变异频率及所述连续图像帧之间的重心偏移频率；

将所述静态特征与所述动态特征输入到神经网络中进行综合判断，得到所述目标红外视频中火焰的存在状况；

输出所述目标红外视频中火焰的存在状况。

2.如权利要求1所述的从红外视频中检测火焰的方法，其特征在于，滤除所述目标红外视频的图像帧中的噪声的步骤包括：

计算所述目标红外视频的图像帧中连通区域的面积，当所述连通区域的面积小于一预设面积阈值时，将小于所述预设面积阈值的所述连通区域的面积对应的连通区域滤除。

3.如权利要求1所述的从红外视频中检测火焰的方法，其特征在于，对所述目标红外视频中的单一图像帧进行静态特征提取的步骤包括：

根据公式k＝1,2,…,n获得所述单一图像帧的圆形度特征，其中k是图像中的第k个轮廓，n是轮廓总数，C_k为对应的圆形度，A_k是轮廓k所占据的面积，P_k是轮廓的周长；

根据公式获得所述单一图像帧的重心高度系数特征，其中Coeff_i表示第i帧的重心高度系数，H_i表示第i帧火焰疑似区域的高度；

根据公式获得所述单一图像帧的角点密度特征，其中N_Ci代表第i个轮廓的角点个数，L_i代表第i个轮廓的周长。

4.如权利要求1所述的从红外视频中检测火焰的方法，其特征在于，对所述目标红外视频中的连续图像帧进行动态特征提取的步骤包括：

根据公式 $Diff(x,y)=\frac{\underset{i=0}{\overset{n}{\&Sigma;}}|I\left(P_i\right(x,y\left)\right)-I\left(P_{i-1}\right(x,y\left)\right)|}{n-1}$ 获得所述连续图像帧之间的灰度变化频率，其中I(P_i(x，y)表示所述目标红外视频中第i帧当中坐标(x,y)位置处的灰度值，n代表视频帧数，Diff(x,y)则代表在n个视频帧当中图像灰度的变化频率。

5.如权利要求1所述的从红外视频中检测火焰的方法，其特征在于，在将所述静态特征与所述动态特征输入到神经网络中进行综合判断得到所述目标红外视频中火焰的存在状况的步骤中包括：

所述神经网络将所述静态特征与所述动态特征与所述神经网络中神经元的神经元权重系数进行内积运算得到一运算结果，将所述运算结果通过激活函数后，再经过阈值函数判断决定所述神经元激活或者抑制，从而得到所述目标红外视频中火焰的存在状况。

6.一种从红外视频中检测火焰的装置，其特征在于，包括：

亮度分割模块，用于对一目标红外视频的图像帧中各个像素点进行亮度分割，保留所述目标红外视频的图像帧中亮度超过预设亮度阈值的像素点；

过滤模块，用于滤除所述目标红外视频的图像帧中的噪声；

静态特征提取模块，用于对所述目标红外视频中的单一图像帧进行静态特征提取，所述静态特征包括所述单一图像帧的圆形度特征、所述单一图像帧的重心高度系数特征及所述单一图像帧的角点密度特征；

动态特征提取模块，对所述目标红外视频中的连续图像帧进行动态特征提取，所述动态特征包括所述连续图像帧之间的灰度变化频率、所述连续图像帧之间的面积变异频率及所述连续图像帧之间的重心偏移频率；

神经网络判断模块，用于将所述静态特征与所述动态特征输入到神经网络中进行综合判断得到所述目标红外视频中火焰的存在状况；及

输出模块，用于输出所述目标红外视频中火焰的存在状况。

7.如权利要求6所述的从红外视频中检测火焰的装置，其特征在于：

所述过滤模块计算所述目标红外视频的图像帧中连通区域的面积，当所述连通区域的面积小于一预设面积阈值时，将小于所述预设面积阈值的所述连通区域的面积对应的连通区域滤除。

8.如权利要求6所述的从红外视频中检测火焰的装置，其特征在于：

所述静态特征提取模块根据公式k＝1,2,…,n获得所述单一图像帧的圆形度特征，其中k是图像中的第k个轮廓，n是轮廓总数，C_k为对应的圆形度，A_k是轮廓k所占据的面积，P_k是轮廓的周长；

根据公式获得所述单一图像帧的重心高度系数特征，其中Coeff_i表示第i帧的重心高度系数，H_i表示第i帧火焰疑似区域的高度；

根据公式获得所述单一图像帧的角点密度特征，其中N_Ci代表第i个轮廓的角点个数，L_i代表第i个轮廓的周长。

9.如权利要求6所述的从红外视频中检测火焰的装置，其特征在于：

所述动态特征提取模块根据公式获得所述连续图像帧之间的灰度变化频率，其中I(P_i(x，y)表示所述目标红外视频中第i帧当中坐标(x,y)位置处的灰度值，n代表视频帧数，Diff(x,y)则代表在n个视频帧当中图像灰度的变化频率。

10.如权利要求6所述的从红外视频中检测火焰的装置，其特征在于：

所述神经网络判断模块，将所述静态特征与所述动态特征与所述神经网络中神经元的神经元权重系数进行内积运算得到一运算结果，将所述运算结果通过激活函数后，再经过阈值函数判断决定所述神经元激活或者抑制，从而得到所述目标红外视频中火焰的存在状况。