CN109919071A - 基于红外多特征联合技术的火焰识别方法 - Google Patents
基于红外多特征联合技术的火焰识别方法 Download PDFInfo
- Publication number
- CN109919071A CN109919071A CN201910149529.2A CN201910149529A CN109919071A CN 109919071 A CN109919071 A CN 109919071A CN 201910149529 A CN201910149529 A CN 201910149529A CN 109919071 A CN109919071 A CN 109919071A
- Authority
- CN
- China
- Prior art keywords
- flame
- region
- temperature
- multiple features
- method based
- 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
Links
Landscapes
- Radiation Pyrometers (AREA)
- Image Analysis (AREA)
- Fire-Detection Mechanisms (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明公开了一种基于红外多特征联合技术的火焰识别方法,通过红外热像仪可对视场范围内物体进行全天候的监控,避免了光照不足和干扰物带来的影响,利用温度阈值和温度骤变系数,可以找到疑似火焰区域,并从中提取火焰的温度特征、火焰的运动特征、轮廓特征和纹理特征,之后,将上述特征输入到训练好的BP神经网络,可以实现针对室内空间的多特征联合火焰识别。该方法能够通过红外监测是否产生火焰,更直观的分析火焰的集合特征和温度信息,同时利用神经网络的方法,将多种特征的识别结合在一起,提高了***内的稳定性和识别率。
Description
技术领域
本发明涉及火焰识别领域,特别提供了一种基于红外多特征联合技术的火焰识别方法。
背景技术
随着中国经济持续高速发展,火灾对人们生命和财产安全造成的影响越来越大,对于火焰的识别要求也越来越高。现有技术大多是利用高清摄像机监测火焰,通过识别火焰特征来达到火焰识别的目的,丢失了温度信息的同时也会有背景和其他物体的干扰。
现有方法至少存在以下缺点:
1、采用可见光摄像机,虽然可以拍摄到高清的火焰图像,但对于火焰最为重要温度信息无法采集;
2、只针对于火焰单一特征进行火焰的识别,无法准确、高效的得到识别结果,尤其针对由于火焰过亮、温度过高,拍摄出来的火焰趋向于白色,无法利用其纹理特征;
3、现有的剔除火焰背景的方法,无法准确的剔除形状与火焰相似的物体,并受到光照以及现场环境的干扰。
因此,研制一种新的火焰识别方法,成为人们亟待解决的问题。
发明内容
鉴于此,本发明的目的在于提供一种基于红外多特征联合技术的火焰识别方法,以解决现有技术中无法利用火焰的温度信息、难以利用温度过高或较亮的火焰的纹理信息、难以剔除形状与火焰类似的火焰背景等问题。
本发明提供的技术方案是:一种基于红外多特征联合技术的火焰识别方法,包括如下步骤:
S1:利用红外摄像机,获取监测区域的红外图像以及温度信息;
S2:查找疑似火焰区域S,并根据疑似火焰区域S的最低温度Tmin对红外图像进行高通滤波,以滤除低温背景,进一步得到疑似火焰区域S0,其中,红外图像中的疑似火焰区域S为温度大于温度阈值T0或者温度变大至温度骤变系数K0倍及K0倍以上的像素点的集合;
S3:在疑似火焰区域S0的基础上向外扩5~8个像素得到区域S1,以便于后期处理时得到更多的边缘信息和温度信息;
S4:在区域S1中提取火焰的运动特征、轮廓特征和纹理特征,并将上述特征信息输入到经过训练的BP神经网络,以实现对火焰的识别。
进一步优选,S2中,温度阈值T0和温度骤变系数K0均为预设值,温度阈值T0的取值为平均环境温度的3倍,温度骤变系数K0的取值为4。
进一步优选,S3中,在疑似火焰区域S0的基础上向外扩5个像素得到区域S1。
进一步优选,S4中,火焰的运动特征是利用火焰运动轨迹的几何特性,将火焰质心运动轨迹的特性作为火焰运动特征值,其中,火焰运动特征的提取步骤如下:
a、利用Sobel算子提取区域S1的边缘信息,得到火焰连通域Q;
b、利用质心公式计算火焰的质心位置;
c、联合每帧图像火焰的质心位置,得到火焰质心运动轨迹;
其中,质心公式如下:
式中,Q表示火焰连通域,NQ表示火焰连通域Q中像素的个数,(xi,yi)为质心坐标。
进一步优选,S4中,火焰的轮廓特征包括火焰的外部轮廓特征以及火焰的圆形度特征。
进一步优选,火焰的轮廓特征值的提取步骤如下:利用火焰燃烧时的温度信息,得到疑似火焰区域S1后,对S1进行中值滤波以降低红外图像的噪点,得到区域S2,之后,利用Sobel算子对区域S2进行边缘提取得到火焰的轮廓S3,将火焰的轮廓信息作为火焰的外部轮廓特征值。
进一步优选,圆形度是区域边界周长的平方与其面积的比值,得到火焰的轮廓S3后,计算S3的面积以及S3的周长,其中,S3的面积为区域S3内像素点个数,S3的周长为相邻像素点的距离的累加和,圆形度的计算公式为:其中,Sk为火焰的面积,即S3的面积,Lk为火焰的周长,即S3的周长。
进一步优选,S4中,火焰的纹理特征的提取步骤为:
对区域S1进行小波分析,使用二阶小波滤波器组对区域S1进行处理,分析其像素值的空间变化率大小,利用二阶滤波器组将区域分解得到对角(HH)、垂直(HL)、水平(LH)三个子图像分量,并取三个分量的平方和作为火焰的纹理特征值。
进一步优选,BP神经网络的训练过程如下:采用BP神经网络,分别在室内无风、微风、大风的环境下,选取木材、棉布、汽油、纸张、酒精、布料这6种易燃材料的燃烧火焰作为其训练信号,同时,选取环境中高温并且形似火焰的物体作为神经网络的训练信号。
进一步优选,BP神经网络隐含层节点数为20,隐含层神经元采用tansig函数,输出层采用logsig函数。
本发明提供的基于红外多特征联合技术的火焰识别方法,通过红外热像仪可对视场范围内物体进行全天候的监控,避免了光照不足和干扰物带来的影响,可实时分析监控区域的温度信息,能够更直观的分析是否存在火焰,同时利用神经网络可以更快、更准确的识别火焰。
具体实施方式
下面将结合具体的实施方案对本发明进行进一步的解释,但并不局限本发明。
本发明提供了一种基于红外多特征联合技术的火焰识别方法,包括如下步骤:
S1:利用红外摄像机,获取监测区域的红外图像以及温度信息;
S2:查找疑似火焰区域S,并根据疑似火焰区域S的最低温度Tmin对红外图像进行高通滤波,以滤除低温背景,进一步得到疑似火焰区域S0,其中,红外图像中的疑似火焰区域S为温度大于温度阈值T0或者温度变大至温度骤变系数K0倍及K0倍以上的像素点的集合;
其中,温度阈值T0和温度骤变系数K0均为预设值,温度阈值T0的取值优选为平均环境温度的3倍,温度骤变系数K0的取值为4;
S3:在疑似火焰区域S0的基础上向外扩5~8个像素得到区域S1,以便于后期处理时得到更多的边缘信息和温度信息;
S4:在区域S1中提取火焰的运动特征、轮廓特征和纹理特征,并将上述特征信息输入到经过训练的BP神经网络,以实现对火焰的识别;
其中,火焰的运动特征是利用火焰运动轨迹的几何特性,将火焰质心运动轨迹的特性作为火焰运动特征值,火焰运动特征的提取步骤如下:
a、利用Sobel算子提取区域S1的边缘信息,得到火焰连通域Q;
b、利用质心公式计算火焰的质心位置;
c、联合每帧图像火焰的质心位置,得到火焰质心运动轨迹;
其中,质心公式如下:
式中,Q表示火焰连通域,NQ表示火焰连通域Q中像素的个数,(xi,yi)为质心坐标。
火焰的晃动是随机的、无方向性的,本发明采集红外图像,从根源上剔除了环境中低温物体由于风等环境带来的干扰,再结合火焰质心的运动规律,可以完成对火焰的识别。
火焰的轮廓特征包括火焰的外部轮廓特征以及火焰的圆形度特征,火焰的轮廓特征值的提取步骤如下:
现有的火焰轮廓提取较多的是利用其颜色特征将火焰从背景中提取出来,本发明采用红外摄像机,利用火焰燃烧时的温度信息,得到疑似火焰区域S1后,对S1进行中值滤波以降低红外图像的噪点,得到区域S2,之后,利用Sobel算子对区域S2进行边缘提取得到火焰的轮廓S3,将火焰的轮廓信息作为火焰的外部轮廓特征值;
火焰的尖角变化率和圆形度都是较为重要的火焰特征,本发明采用火焰的圆形度信息作为火焰的圆形度特征,圆形度是区域边界周长的平方与其面积的比值,得到火焰的轮廓S3后,计算S3的面积以及S3的周长,其中,S3的面积为区域S3内像素点个数,S3的周长为相邻像素点的距离的累加和,圆形度的计算公式为:其中,Sk为火焰的面积即S3的面积,Lk为火焰的周长即为S3的周长。
火焰的纹理特征的提取步骤为:
对区域S1进行小波分析,使用二阶小波滤波器组对区域S1进行处理,分析其像素值的空间变化率大小,利用二阶滤波器组将区域分解得到对角(HH)、垂直(HL)、水平(LH)三个子图像分量,并取三个分量的平方和作为火焰的纹理特征值。
然后,将得到的火焰运动特征、轮廓特征和纹理特征,输入到训练好的BP神经网络中。
BP神经网络的训练过程如下:采用BP神经网络,分别在室内无风、微风、大风的环境下,选取木材、棉布、汽油、纸张、酒精、布料这6种易燃材料的燃烧火焰作为其训练信号,同时,选取环境中高温并且形似火焰的物体作为神经网络的训练信号,如晃动的红外聚光灯、热风机,其中,BP神经网络隐含层节点数为20,隐含层神经元采用tansig函数,输出层采用logsig函数。
该基于红外多特征联合技术的火焰识别方法,通过红外热像仪可对视场范围内物体进行全天候的监控,避免了光照不足和干扰物带来的影响,可实时分析监控区域的温度信息,能够更直观的分析是否存在火焰,同时利用神经网络可以更快、更准确的识别火焰。
本发明的具体实施方式是按照递进的方式进行撰写的,着重强调各个实施方案的不同之处,其相似部分可以相互参见。
上面对本发明的实施方式做了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.基于红外多特征联合技术的火焰识别方法,其特征在于,包括如下步骤:
S1:利用红外摄像机,获取监测区域的红外图像以及温度信息;
S2:查找疑似火焰区域S,并根据疑似火焰区域S的最低温度Tmin对红外图像进行高通滤波,以滤除低温背景,进一步得到疑似火焰区域S0,其中,红外图像中的疑似火焰区域S为温度大于温度阈值T0或者温度变大至温度骤变系数K0倍及K0倍以上的像素点的集合;
S3:在疑似火焰区域S0的基础上向外扩5~8个像素得到区域S1,以便于后期处理时得到更多的边缘信息和温度信息;
S4:在区域S1中提取火焰的运动特征、轮廓特征和纹理特征,并将上述特征信息输入到经过训练的BP神经网络,以实现对火焰的识别。
2.按照权利要求1所述基于红外多特征联合技术的火焰识别方法,其特征在于:S2中,温度阈值T0和温度骤变系数K0均为预设值,温度阈值T0的取值为平均环境温度的3倍,温度骤变系数K0的取值为4。
3.按照权利要求1所述基于红外多特征联合技术的火焰识别方法,其特征在于:S3中,在疑似火焰区域S0的基础上向外扩5个像素得到区域S1。
4.按照权利要求1所述基于红外多特征联合技术的火焰识别方法,其特征在于:S4中,火焰的运动特征是利用火焰运动轨迹的几何特性,将火焰质心运动轨迹的特性作为火焰运动特征值,其中,火焰运动特征的提取步骤如下:
a、利用Sobel算子提取区域S1的边缘信息,得到火焰连通域Q;
b、利用质心公式计算火焰的质心位置;
c、联合每帧图像火焰的质心位置,得到火焰质心运动轨迹;
其中,质心公式如下:
式中,Q表示火焰连通域,NQ表示火焰连通域Q中像素的个数,(xi,yi)为质心坐标。
5.按照权利要求1所述基于红外多特征联合技术的火焰识别方法,其特征在于:S4中,火焰的轮廓特征包括火焰的外部轮廓特征以及火焰的圆形度特征。
6.按照权利要求5所述基于红外多特征联合技术的火焰识别方法,其特征在于:火焰的轮廓特征值的提取步骤如下:利用火焰燃烧时的温度信息,得到疑似火焰区域S1后,对S1进行中值滤波以降低红外图像的噪点,得到区域S2,之后,利用Sobel算子对区域S2进行边缘提取得到火焰的轮廓S3,将火焰的轮廓信息作为火焰的外部轮廓特征值。
7.按照权利要求6所述基于红外多特征联合技术的火焰识别方法,其特征在于:圆形度是区域边界周长的平方与其面积的比值,得到火焰的轮廓S3后,计算S3的面积以及S3的周长,其中,S3的面积为区域S3内像素点个数,S3的周长为相邻像素点的距离的累加和,圆形度的计算公式为:其中,Sk为火焰的面积,即S3的面积,Lk为火焰的周长,即S3的周长。
8.按照权利要求1所述基于红外多特征联合技术的火焰识别方法,其特征在于:S4中,火焰的纹理特征的提取步骤为:
对区域S1进行小波分析,使用二阶小波滤波器组对区域S1进行处理,分析其像素值的空间变化率大小,利用二阶滤波器组将区域分解得到对角(HH)、垂直(HL)、水平(LH)三个子图像分量,并取三个分量的平方和作为火焰的纹理特征值。
9.按照权利要求1所述基于红外多特征联合技术的火焰识别方法,其特征在于:BP神经网络的训练过程如下:采用BP神经网络,分别在室内无风、微风、大风的环境下,选取木材、棉布、汽油、纸张、酒精、布料这6种易燃材料的燃烧火焰作为其训练信号,同时,选取环境中高温并且形似火焰的物体作为神经网络的训练信号。
10.按照权利要求9所述基于红外多特征联合技术的火焰识别方法,其特征在于:BP神经网络隐含层节点数为20,隐含层神经元采用tansig函数,输出层采用logsig函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910149529.2A CN109919071B (zh) | 2019-02-28 | 2019-02-28 | 基于红外多特征联合技术的火焰识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910149529.2A CN109919071B (zh) | 2019-02-28 | 2019-02-28 | 基于红外多特征联合技术的火焰识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919071A true CN109919071A (zh) | 2019-06-21 |
CN109919071B CN109919071B (zh) | 2021-05-04 |
Family
ID=66962679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910149529.2A Active CN109919071B (zh) | 2019-02-28 | 2019-02-28 | 基于红外多特征联合技术的火焰识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919071B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111579080A (zh) * | 2020-04-30 | 2020-08-25 | 沈阳天眼智云信息科技有限公司 | 红外热像体温监测仪的自校准方法 |
CN111739250A (zh) * | 2020-07-01 | 2020-10-02 | 广东工业大学 | 结合图像处理技术与红外传感器的火灾探测方法及*** |
CN112347942A (zh) * | 2020-11-09 | 2021-02-09 | 深圳英飞拓科技股份有限公司 | 一种火焰识别的方法及装置 |
CN114241701A (zh) * | 2021-11-24 | 2022-03-25 | 中国民用航空飞行学院 | 一种基于bp神经网络的多参数融合探测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116746A (zh) * | 2013-03-08 | 2013-05-22 | 中国科学技术大学 | 一种基于多特征融合技术的视频火焰探测方法 |
CN103886344A (zh) * | 2014-04-14 | 2014-06-25 | 西安科技大学 | 一种图像型火灾火焰识别方法 |
CN103971114A (zh) * | 2014-04-23 | 2014-08-06 | 天津航天中为数据***科技有限公司 | 基于航空遥感的森林火灾探测方法 |
CN104732244A (zh) * | 2015-04-15 | 2015-06-24 | 大连交通大学 | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 |
CN104834920A (zh) * | 2015-05-25 | 2015-08-12 | 成都通甲优博科技有限责任公司 | 一种无人机多光谱图像的智能林火识别方法及装置 |
US20170314989A1 (en) * | 2016-04-28 | 2017-11-02 | Stmicroelectronics S.R.L. | Semiconductor device for detecting ultraviolet and infrared radiation and related manufacturing process |
CN107798811A (zh) * | 2017-10-26 | 2018-03-13 | 上海腾盛智能安全科技股份有限公司 | 一种隧道火灾监测器、监测***及监测方法 |
EP3301640A1 (de) * | 2016-09-30 | 2018-04-04 | JENOPTIK Advanced Systems GmbH | Verfahren und wärmebildkamera zur berührungslosen temperaturmessung oder zur beobachtung von schnell bewegten ir-szenen mit einem thermischen ir-bildsensor |
CN108564760A (zh) * | 2018-06-06 | 2018-09-21 | 广西防城港核电有限公司 | 核电站极端环境条件下的火灾检测装置及检测方法 |
CN108921215A (zh) * | 2018-06-29 | 2018-11-30 | 重庆邮电大学 | 一种基于局部极值共生模式和能量分析的烟雾检测 |
-
2019
- 2019-02-28 CN CN201910149529.2A patent/CN109919071B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116746A (zh) * | 2013-03-08 | 2013-05-22 | 中国科学技术大学 | 一种基于多特征融合技术的视频火焰探测方法 |
CN103886344A (zh) * | 2014-04-14 | 2014-06-25 | 西安科技大学 | 一种图像型火灾火焰识别方法 |
CN103971114A (zh) * | 2014-04-23 | 2014-08-06 | 天津航天中为数据***科技有限公司 | 基于航空遥感的森林火灾探测方法 |
CN104732244A (zh) * | 2015-04-15 | 2015-06-24 | 大连交通大学 | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 |
CN104834920A (zh) * | 2015-05-25 | 2015-08-12 | 成都通甲优博科技有限责任公司 | 一种无人机多光谱图像的智能林火识别方法及装置 |
US20170314989A1 (en) * | 2016-04-28 | 2017-11-02 | Stmicroelectronics S.R.L. | Semiconductor device for detecting ultraviolet and infrared radiation and related manufacturing process |
EP3301640A1 (de) * | 2016-09-30 | 2018-04-04 | JENOPTIK Advanced Systems GmbH | Verfahren und wärmebildkamera zur berührungslosen temperaturmessung oder zur beobachtung von schnell bewegten ir-szenen mit einem thermischen ir-bildsensor |
CN107798811A (zh) * | 2017-10-26 | 2018-03-13 | 上海腾盛智能安全科技股份有限公司 | 一种隧道火灾监测器、监测***及监测方法 |
CN108564760A (zh) * | 2018-06-06 | 2018-09-21 | 广西防城港核电有限公司 | 核电站极端环境条件下的火灾检测装置及检测方法 |
CN108921215A (zh) * | 2018-06-29 | 2018-11-30 | 重庆邮电大学 | 一种基于局部极值共生模式和能量分析的烟雾检测 |
Non-Patent Citations (3)
Title |
---|
徐英: "红外图像序列中运动弱小目标检测的方法研究", 《红外技术》 * |
杨晓姣: "基于红外探测技术的森林防火平台红外图像处理技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王士迪等: "基于视频图像的火焰识别算法", 《现代电子技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111579080A (zh) * | 2020-04-30 | 2020-08-25 | 沈阳天眼智云信息科技有限公司 | 红外热像体温监测仪的自校准方法 |
CN111579080B (zh) * | 2020-04-30 | 2021-09-14 | 沈阳天眼智云信息科技有限公司 | 红外热像体温监测仪的自校准方法 |
CN111739250A (zh) * | 2020-07-01 | 2020-10-02 | 广东工业大学 | 结合图像处理技术与红外传感器的火灾探测方法及*** |
CN111739250B (zh) * | 2020-07-01 | 2022-02-15 | 广东工业大学 | 结合图像处理技术与红外传感器的火灾探测方法及*** |
CN112347942A (zh) * | 2020-11-09 | 2021-02-09 | 深圳英飞拓科技股份有限公司 | 一种火焰识别的方法及装置 |
CN114241701A (zh) * | 2021-11-24 | 2022-03-25 | 中国民用航空飞行学院 | 一种基于bp神经网络的多参数融合探测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109919071B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919071A (zh) | 基于红外多特征联合技术的火焰识别方法 | |
CN107609470B (zh) | 野外火灾早期烟雾视频检测的方法 | |
CN110135269B (zh) | 一种基于混合颜色模型与神经网络的火灾图像检测方法 | |
CN105678295B (zh) | 基于roi平均图像分析的燃气加热炉火焰实时监测方法 | |
CN103116746B (zh) | 一种基于多特征融合技术的视频火焰探测方法 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN110427922A (zh) | 一种基于机器视觉和卷积神经网络病虫害识别***和方法 | |
CN102201146B (zh) | 基于主动红外视频的零照度环境火灾烟雾识别方法 | |
CN106600572A (zh) | 一种自适应的低照度可见光图像和红外图像融合方法 | |
CN103914708B (zh) | 基于机器视觉的食品品种检测方法及*** | |
CN110309718A (zh) | 一种电网作业人员安全帽佩戴检测方法 | |
CN102819735B (zh) | 基于视频帧图像的火焰检测方法 | |
CN107705288A (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN108090495A (zh) | 一种基于红外光和可见光图像的疑似火焰区域提取方法 | |
CN104951773A (zh) | 一种实时人脸识别监视*** | |
CN102930334B (zh) | 视频人体轮廓识别计数器 | |
CN109377713A (zh) | 一种火灾预警方法及*** | |
CN102892007A (zh) | 促进多个摄像机间颜色平衡同步和获得跟踪的方法和*** | |
CN108921215A (zh) | 一种基于局部极值共生模式和能量分析的烟雾检测 | |
CN111767788A (zh) | 一种非交互式单目活体检测方法 | |
CN103927519A (zh) | 一种实时人脸检测与过滤方法 | |
CN108090397A (zh) | 基于红外图像的行人检测*** | |
CN103903020B (zh) | 一种基于CodeBook 的火灾图像识别方法及装置 | |
CN107644431A (zh) | 一种低照度情况下视频监控的有效浓缩方法 | |
CN107274374A (zh) | 一种基于计算机视觉技术的烟雾监测方法 |
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 |