基于图像识别的室内监控***、方法及装置
技术领域
本发明属于图像监控技术领域,具体涉及基于图像识别的室内监控***、方法及装置。
背景技术
火灾给人类社会带来了巨大的经济损失和人员伤亡,火灾报警器作为一种火灾预警和报警装置对于降低火灾带来的损失起着不可低估的作用。现有的火灾报警器可以检测到灾情,并将灾情以有线的方式传输到监控中心。但是这种以有线方式传输灾情信号的报警器,当出现火灾时很容易因线路故障,而影响信号的正常传输,从而使得火灾报警器使用起来效果不佳。
边缘可定义为图像中灰度发生急剧变化的区域边界,它是图像最基本的特征,是图像分析识别前必不可少的环节,是一种重要的图像预处理技术。边缘检测主要就是(图像的)灰度变化的度量、检测和定位,它是图像分析和模式识别的主要特征提取手段,在计算机视觉、图像分析等应用中起着重要的作用,是图像分析与处理中研究的热点问题。
发明内容
有鉴于此,本发明的主要目的在于基于图像识别的室内监控***、方法及装置,具有效率高、准确率高、虚警率低和智能化程度高的优点。
为达到上述目的,本发明的技术方案是这样实现的:
基于图像识别的室内监控***,所述***包括:现场监控子***、无线通信网络和用户端子***;所述现场监控子***至少包括:烟雾传感器、温度传感器、湿度传感器、图像传感器、红外传感器和微控制器;所述微控制器包括:数据转换单元、图像处理单元和判断单元;所述判断单元分别信号连接于数据转换单元;所述数据转换单元分别信号连接于烟雾传感器、温度传感器、湿度传感器、红外传感器和图像处理单元;所述图像处理单元信号连接于图像传感器;所述判断单元根据接收到的数据,与预设的条件进行判断,在判断异常的情况下,发送信号至图像处理单元,图像处理单元根据接收到的信号启动图像传感器获取图像信息;所述图像处理单元信号连接于无线通信网络;所述无线通信网络信号连接于用户端子***。
进一步的,所述数据转换单元将烟雾传感器、温度传感器、湿度传感器、红外传感器和图像处理单元接收到的模拟数据转换为数字数据后,发送到判断单元;判断单元根据接收到数字数据,以及预设的阈值,判断烟雾传感器获取的数据是否异常、判断温度传感器获取的数据是否异常、判断湿度传感器获取的数据是否异常、判断红外传感器获取的数据是否异常,当出现异常的数值数量大于等于3个时,发送信号至图像处理单元。
进一步的,所述图像传感器用于获取原始图像信息;所述图像处理单元包括:边缘检测单元,用于接收数据传输装置发送过来的原始图像信息,对原始图像进行边缘检测,生成边缘检测后的中间图像;火焰区域识别单元,在边缘检测后的中间图像中,判断识别出中间图像中的火焰区域,截取出中间图像中的火焰区域,生成火焰区域图像;火灾预警单元,根据生成的火焰区域图像和录入所述火灾预警单元的火焰图像样本,判断火情严重程度,进行预警。
进一步的,所述边缘检测单元包括:边缘检测模板生成单元,用于生成进行边缘检测的卷积模板;模板移动单元,用于将卷积模板在图像中以光栅扫描的方式进行移动;卷积单元,用于将卷积模板的系数与模板下对应像素进行卷积运算;中间图像生成单元,用于根据卷积单元的运算结果,生成边缘检测后的中间图像。
进一步的,所述火焰区域识别单元包括:面积变化率计算单元,用于在边缘检测后的中间图像中,计算中间图像中各区域的面积变化;圆形度计算单元,用于在边缘检测后的中间图像中,计算中间图像中各区域的圆形度;火焰区域识别单元,用于根据圆形度计算单元和面积变化率计算单元计算的结果,识别出中间图像中的火焰区域。
进一步的,所述火灾预警单元包括:录入火焰图像样本的训练集;用于对所述训练集进行训练,建立深度学习模型,根据模型判断火焰区域图像的火情严重程度的深度学习神经网络。
一种基于图像识别的室内监控方法,所述方法执行以下步骤:
步骤S1:根据各个传感器监测到的烟雾数据、温度数据、湿度数据和红外数据,判断是否出现异常,若出现异常,启动图像监控程序;
步骤S2:图像监控程序启动后,获取原始图像信息;
步骤S3:对原始图像进行边缘检测,生成边缘检测后的中间图像;
步骤S4:在边缘检测后的中间图像中,判断识别出中间图像中的火焰区域,截取出中间图像中的火焰区域,生成火焰区域图像;
步骤S5:根据生成的火焰区域图像和录入所述火灾预警单元的火焰图像样本,判断火情严重程度,进行预警。
进一步的,所述步骤S2中:接收原始图像信息,对原始图像进行边缘检测,生成边缘检测后的中间图像的方法执行以下步骤:
步骤S2.1:用于生成进行边缘检测的卷积模板,所述卷积模板为3*3的模板;
步骤S2.2:使用如下公式:将步骤S2.1中的卷积模板和原始图像进行卷积运算;其中,Cmn为生成的中间图像,Pm+in+j为原始图像,Wij为卷积模板。
进一步的,所述步骤S5中:根据生成的火焰区域图像和录入所述火灾预警单元的火焰图像样本,判断火情严重程度,进行预警的方法执行以下步骤:
步骤S4.1:输入现有的火焰区域图像;
步骤S4.2:对所述现有的火焰区域图像进行处理,生成多个训练样本;
步骤S4.3:所述训练单元利用所述多个训练样本进行基于深度学习的图像识别训练,生成训练模型;和
步骤S4.4:用于使用所述训练模型检测待检测的火焰区域图像中是否含有所述训练样本。
一种基于图像识别的室内监控装置,所述装置为一种非暂时性的计算机可读存储介质,该存储介质存储了计算指令,其包括:根据各个传感器监测到的烟雾数据、温度数据、湿度数据和红外数据,判断是否出现异常,若出现异常,启动图像监控程序的代码段;图像监控程序启动后,获取原始图像信息的代码段;对原始图像进行边缘检测,生成边缘检测后的中间图像的代码段;在边缘检测后的中间图像中,判断识别出中间图像中的火焰区域,截取出中间图像中的火焰区域,生成火焰区域图像的代码段;根据生成的火焰区域图像和录入所述火灾预警单元的火焰图像样本,判断火情严重程度,进行预警的代码段。
本发明的基于图像识别的室内监控***、方法及装置,具有如下有益效果:。
附图说明
图1为本发明的实施例提供的基于图像识别的室内监控***的***结构示意图;
图2为本发明的实施例提供的基于图像识别的室内监控方法的方法流程示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
基于图像识别的室内监控***,所述***包括:现场监控子***、无线通信网络和用户端子***;所述现场监控子***至少包括:烟雾传感器、温度传感器、湿度传感器、图像传感器、红外传感器和微控制器;所述微控制器包括:数据转换单元、图像处理单元和判断单元;所述判断单元分别信号连接于数据转换单元;所述数据转换单元分别信号连接于烟雾传感器、温度传感器、湿度传感器、红外传感器和图像处理单元;所述图像处理单元信号连接于图像传感器;所述判断单元根据接收到的数据,与预设的条件进行判断,在判断异常的情况下,发送信号至图像处理单元,图像处理单元根据接收到的信号启动图像传感器获取图像信息;所述图像处理单元信号连接于无线通信网络;所述无线通信网络信号连接于用户端子***。
实施例2
在上一实施例的基础上,所述数据转换单元将烟雾传感器、温度传感器、湿度传感器、红外传感器和图像处理单元接收到的模拟数据转换为数字数据后,发送到判断单元;判断单元根据接收到数字数据,以及预设的阈值,判断烟雾传感器获取的数据是否异常、判断温度传感器获取的数据是否异常、判断湿度传感器获取的数据是否异常、判断红外传感器获取的数据是否异常,当出现异常的数值数量大于等于3个时,发送信号至图像处理单元。
具体的,本发明通过判断烟雾传感器获取的数据是否异常、判断温度传感器获取的数据是否异常、判断湿度传感器获取的数据是否异常、判断红外传感器获取的数据是否异常,来决定是否启动图像监控,可以保证在非必要情况下,图像监控无需工作,进而提升***的效率。
实施例3
在上一实施例的基础上,所述图像传感器用于获取原始图像信息;所述图像处理单元包括:边缘检测单元,用于接收数据传输装置发送过来的原始图像信息,对原始图像进行边缘检测,生成边缘检测后的中间图像;火焰区域识别单元,在边缘检测后的中间图像中,判断识别出中间图像中的火焰区域,截取出中间图像中的火焰区域,生成火焰区域图像;火灾预警单元,根据生成的火焰区域图像和录入所述火灾预警单元的火焰图像样本,判断火情严重程度,进行预警。
实施例4
在上一实施例的基础上,所述边缘检测单元包括:边缘检测模板生成单元,用于生成进行边缘检测的卷积模板;模板移动单元,用于将卷积模板在图像中以光栅扫描的方式进行移动;卷积单元,用于将卷积模板的系数与模板下对应像素进行卷积运算;中间图像生成单元,用于根据卷积单元的运算结果,生成边缘检测后的中间图像。
实施例5
在上一实施例的基础上,所述火焰区域识别单元包括:面积变化率计算单元,用于在边缘检测后的中间图像中,计算中间图像中各区域的面积变化;圆形度计算单元,用于在边缘检测后的中间图像中,计算中间图像中各区域的圆形度;火焰区域识别单元,用于根据圆形度计算单元和面积变化率计算单元计算的结果,识别出中间图像中的火焰区域。
具体的,在边缘检测后的中间图像中,判断识别出中间图像中的火焰区域的方法执行以下步骤:定义面积变化率为:式中:AR表示相邻中间图像间高亮区域的面积变化率;A(n)表示当前中间图像中可疑区域的面积;A(n+1)表示下一中间图像中可疑区域的面积,eps为设定的极小值;火焰的面积变化率范围为0.1~0.4,固定光源的面积变化率接近于0,快速闪动的物体面积变化率接近于1;定义圆形度为:式中:Ck表示编号为k的图元的圆形度;Pk为第k个图元的周长,即可疑图元的边界长度,通过计算边界链码得到,在边界链码中,水平和垂直方向的链码步长为单位长度1,对角线方向的链码步长为,直角方向的链码步长也为;Ak为第k个图元的面积,对于灰度图像,通过计算可疑图元中的亮点数目获得,对于二值图像,通过计算像素值为1的像素点个数获得;n为图像中可疑火焰图元的个数;火焰区域的圆形度小于0.5;
步骤S3.3:通过计算中间图像的面积变化率和圆形度,判断识别出中间图像中的火焰区域。
实施例6
在上一实施例的基础上,所述火灾预警单元包括:录入火焰图像样本的训练集;用于对所述训练集进行训练,建立深度学习模型,根据模型判断火焰区域图像的火情严重程度的深度学习神经网络。
实施例7
一种基于图像识别的室内监控方法,所述方法执行以下步骤:
步骤S1:根据各个传感器监测到的烟雾数据、温度数据、湿度数据和红外数据,判断是否出现异常,若出现异常,启动图像监控程序;
步骤S2:图像监控程序启动后,获取原始图像信息;
步骤S3:对原始图像进行边缘检测,生成边缘检测后的中间图像;
步骤S4:在边缘检测后的中间图像中,判断识别出中间图像中的火焰区域,截取出中间图像中的火焰区域,生成火焰区域图像;
步骤S5:根据生成的火焰区域图像和录入所述火灾预警单元的火焰图像样本,判断火情严重程度,进行预警。
实施例8
在上一实施例的基础上,所述步骤S2中:接收原始图像信息,对原始图像进行边缘检测,生成边缘检测后的中间图像的方法执行以下步骤:
步骤S2.1:用于生成进行边缘检测的卷积模板,所述卷积模板为3*3的模板;
步骤S2.2:使用如下公式:将步骤S2.1中的卷积模板和原始图像进行卷积运算;其中,Cmn为生成的中间图像,Pm+in+j为原始图像,Wij为卷积模板。
实施例9
在上一实施例的基础上,所述步骤S5中:根据生成的火焰区域图像和录入所述火灾预警单元的火焰图像样本,判断火情严重程度,进行预警的方法执行以下步骤:
步骤S4.1:输入现有的火焰区域图像;
步骤S4.2:对所述现有的火焰区域图像进行处理,生成多个训练样本;
步骤S4.3:所述训练单元利用所述多个训练样本进行基于深度学习的图像识别训练,生成训练模型;和
步骤S4.4:用于使用所述训练模型检测待检测的火焰区域图像中是否含有所述训练样本。
实施例10
一种基于图像识别的室内监控装置,所述装置为一种非暂时性的计算机可读存储介质,该存储介质存储了计算指令,其包括:根据各个传感器监测到的烟雾数据、温度数据、湿度数据和红外数据,判断是否出现异常,若出现异常,启动图像监控程序的代码段;图像监控程序启动后,获取原始图像信息的代码段;对原始图像进行边缘检测,生成边缘检测后的中间图像的代码段;在边缘检测后的中间图像中,判断识别出中间图像中的火焰区域,截取出中间图像中的火焰区域,生成火焰区域图像的代码段;根据生成的火焰区域图像和录入所述火灾预警单元的火焰图像样本,判断火情严重程度,进行预警的代码段。
以上所述仅为本发明的一个实施例子,但不能以此限制本发明的范围,凡依据本发明所做的结构上的变化,只要不失本发明的要义所在,都应视为落入本发明保护范围之内受到制约。。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的***,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。