CN111179279A - 一种基于紫外、双目视觉的综合火焰检测方法 - Google Patents
一种基于紫外、双目视觉的综合火焰检测方法 Download PDFInfo
- Publication number
- CN111179279A CN111179279A CN201911326088.5A CN201911326088A CN111179279A CN 111179279 A CN111179279 A CN 111179279A CN 201911326088 A CN201911326088 A CN 201911326088A CN 111179279 A CN111179279 A CN 111179279A
- Authority
- CN
- China
- Prior art keywords
- flame
- area
- image
- ultraviolet
- binocular vision
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明提出了一种基于紫外、视频的综合火焰检测方法,包括如下步骤:S1,通过紫外、双目视觉复合火焰探测器对监测环境进行实时探测,首先紫外传感器对火焰紫外光谱进行检测,在异常情况下,触发视频相机进行抓拍,获得当前环境图像数据;S2,对获得的视频图像数据进行图像分析,使用运动检测;基于区域生长结合HSI颜色模型,对疑似火焰区域图像进行分割;再通过火焰特征检测对疑似火焰区域做判断;根据相机参数,双目视觉重建,得到火焰实际面积和距离。S3,通过火焰的实际面积,对火焰当前时刻和整个燃烧过程的火焰等级进行判断。
Description
技术领域
本发明涉及图像分析领域,尤其涉及一种基于紫外、双目视觉的综合火焰检测方法。
背景技术
火灾检测目前常用方法有两大方向,按照探测元件与探测对象的关系,火灾探测原理可分为接触式和非接触式两种基本类型。接触式探测主要有感温式和感烟式火灾探测器,非接触式主要有图像式探测器。
1、感温探测器响应的是异常高温或异常温升速率的火灾探测器。感温式火灾探测器可靠性较感烟探测器高,且对环境要求低。但对初期火灾响应迟钝,不适宜在可能产生黑烟、粉尘飞扬、有蒸气和油雾等场所使用。
2、感烟式火灾探测器是根据,能够对可见或者不可见的烟雾粒子响应的火灾探测器这一特征开发的,它是将探测部位烟雾浓度的变化转换为电信号实现报警的一种器件。感烟式火灾探测器能够在火灾初期及时探测到险情,但是只适用于发生火灾产生烟雾较大的场所或容易产生阴燃的场所,当在通风过快或者平时烟雾较大的环境中使用会有较大的局限性。
3、图像式探测器是利用摄像机通过图像处理技术对当前环境进行分析,检测有无火灾特征。图像处理技术对火灾进行检测现有的算法大多应用一些固定的阈值,这使得检测率的提高和误检率的降低很难同时满足。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种基于紫外、双目视觉的综合火焰检测方法。
为了实现本发明的上述目的,本发明提供了一种基于紫外、双目视觉的综合火焰检测方法,包括如下步骤:
S1,通过紫外、双目视觉复合火焰探测器对监测环境进行实时探测,紫外传感器对火焰紫外光谱进行检测,在异常情况下,触发视频相机进行抓拍,获得当前环境图像数据;
S2,对获得的环境图像数据进行图像分析,使用运动检测;基于区域生长结合HSI颜色模型,对疑似火焰区域图像进行分割;再通过火焰特征检测对疑似火焰区域做判断;根据相机参数,双目视觉重建,得到火焰实际面积和距离。
S3,通过火焰的实际面积和距离,对火焰当前时刻和整个燃烧过程的火焰等级进行判断。
优选的,所述S2包括:
S2-1,运用背景差分运算进行运动检测,去掉图像中的静态干扰源;
S2-2运用区域生长结合HSI颜色模型对图像分割,得到图像中的疑似火焰区域。
S2-3,利用火源的闪烁特性,利用近似火焰颜色区域的面积变换,对疑似火焰进行识别和判定。
S2-4,利用火源的非圆特性,利用区域的圆度计算,去除图像中的类似与车灯的圆形动态干扰源,得到最终的火源区域。
S2-5,根据相机参数,双目重建,得到火焰实际面积和距离。
优选的,所述S2-1中运动检测包括:
在进行背景模型建立时,通常选用最大和最小灰度值以及最大时间差分值这三个参数进行模型的参考;在进行背景建模采用MOG2算法建立背景图像;建立好背景图像后,将当前帧与背景图像做差分运算,对图像的运动区域进行分割,得到分割图像;算法如下:
Ik(i,j)=b′k(i,j)+mk(i,j)+nk(i,j)
dk(i,j)=Ik(i,j)-bK(i,j)
其中Ik(i,j)是当前图片的在二维坐标平面下(i,j)位置处的像素信息,b’k(i,j)是当前背景图像在(i,j)位置处的像素信息,mk(i,j)代表运动物体在(i,j)位置处的像素信息;nk(i,j)代表图像中的噪声信息,dk(i,j)为前景图像的像素信息,bK(i,j)为背景信息。
优选的,所述S2-2中图像分割包括:
对图像进行分割,采用区域生长结合HSI颜色空间对疑似火焰区域进行分割。区域生长法图像分割是根据像素的相似性和连通性来对图像进行类聚的算法,通过设定若干种子点,依次判断种子点四邻域或八邻域的像素点和种子点是否相似,若相似则加入种子点集合,直到种子点集合为空。
区域生长结合HSI颜色空间,通过HSI颜色模型对疑似火焰区域进行判断,将此区域的像素点作为种子点,再通过区域生长算法完成对疑似火焰区域的分割。
优选的,所述S2-3中火焰闪频特征检测包括:
使用计算相邻时刻火焰面积发生变化的情况,从而确定火焰的闪烁频率;算法如下:
DPt=(At+1-At)×(At-At-1)(t∈[1,N-2])
其中DPt是相邻帧面积差之积,At-1、At、At+1是相邻3帧的连通域面积,N为1秒内视频总帧数;通过DPt的值能够判断在此时间段内检测区域的面积是否发生变动,当DPt的值符合设定的阈值时,即面积发生变化,火焰闪烁频率加1;
优选的,所述S2-4中圆形度特征检测包括:
圆形度C用于描述物体形状的复杂程度,火灾的干扰源有路灯、车灯等形状较为光滑、规整的物体,火焰的图像形状较为复杂,这一特征能够很好的和干扰源相区分;能够作为检测火焰的判据之一;其公式为:
C=P2/At
其中,P表示连通域边界的周长,At表示连通域面积;4π是圆形度的最小值,形状复杂度和C值成正比;通过取C=P2/At的倒数并乘以4π将其归一化为0到1之间的一个数,公式如下:
C=4πAt/P2
优选的,所述2-5火焰面积重构包括:
在将火焰区域分割提取出的基础上,采用双目视觉对实际环境中的火焰面积和距离进行测量。双目视觉由不同位置的两台摄像机拍摄同一幅场景,通过计算空间点在两幅图像中的视差,来获得该点的三维坐标。
设空间中有一特征点P(x,y,z),在双目摄像机成像的图像中,左边相机的成像点为Pleft(xleft,yleft),右边相机成像点为Pright(xright,yright)。左右相机安装在同一水平位置,所以特征点在两个相机中的成像位置中的纵坐标相同,即yleft=yright。根据三角关系可以算出特征点在实际空间的几何坐标为:
d=xleft-xright
其中B是两台摄像机投影中心的距离;f是摄像机的焦距。使用双目视觉进行测量前,需要对相机进行标定获得内外参数,通过标定获得摄像机的焦距f、两台摄像机投影中心的距离B以及两摄像机之间平移T和旋转角。
优选的,所述S3包括:
S3-1当前帧的火焰等级判定
S3-2整个火焰燃烧过程的等级判定
优选的,所述3-1当前帧火焰等级划分方法
基于紫外探测器和视频的火焰燃烧当前等级计算,设置回传的探测数据为00为正常,01为报警数据。当紫外探测器回传数据为01时,启动相机进行抓拍,记当前帧为k(k∈N*),对当前帧进行处理。分析火焰的等级,采用图像处理技术,将火焰从背景图像中分割出来,在进行火焰分割时,先采用背景差分法将前景图像分离,再针对火焰的静态特征和动态特征,将前景图像中的火焰区域分割出来。通过双目视觉对火焰进行重建,获得火焰的真实面积,与当前环境空间平面进行对比。记火焰区域的面积Sf,当前环境空间区域的横截面面积为Sa,计算其百分比为Tk(k∈N*)。,其中N*为正整数;优选的,所述S3-2整个火焰燃烧过程的等级判定基于紫外探测器和视频的火焰燃烧整个过程等级计算,得到之前燃烧过程中每一帧火焰区域像素百分比Tk(k∈N*),求其均值E和最大值Tmax,通过E和Tmax计算加权平均。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
紫外火灾探测器具有灵敏、可靠、抗粉尘污染、抗潮湿及抗腐蚀性气体等优点,并且反应速度快。本发明是使用紫外火灾探测器与计算机视觉技术相结合的方式,设计出火灾探测与度量的***,通过使用紫外探测器对180~240nm波段的紫外光谱探测,并使用计算机视觉技术对检测到可能出现的火灾进行进一步的确认,这种方法能够避免传统的温度、烟雾传感器在大空间、场景复杂的环境下产生的误检、漏检等情况。并且针对目前传统的火灾探测器无法对火情大小进行检测的情况,本发明在火灾检测的基础上增加了对火情大小进行度量的功能,能够使消防人员掌握更详细的火情信息。
本发明使用紫外火灾探测器与计算机视觉技术相结合的方式,对火灾进行探测,相比传统的火灾探测器,在大空间及复杂环境下有较强的鲁棒性,降低了发生误检和漏检的概率。相比传统的火灾探测技术当检测到火灾发生时,无法得到更多的火情信息。本发明在检测的同时,能够实时对火灾大小进行度量,能够给外界提供更多的火情信息。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明***示意图;
图2是本发明方法流程图;
图3是本发明运动检测判断流程图;
图4是本发明双目视觉成像的原理模型;
图5是本发明具体实施火焰原帧示意图;
图6是本发明背景差分法前景图像示意图;
图7A和7B本发明基于区域生长结合HIS颜色模型图像分割效果图;
图8A是火焰原帧示意图;
图8B是火焰的深度图;
图8C和8D分别是双目摄像头的左右相机采集的图像;
图8E是通过双目重建测得火焰与双目摄像头的实际距离。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1所示,紫外、视频复合探测器对当前环境进行监测,将检测到的数据传回服务器端进行分析处理,当分析到有火灾发生时,发出警告。
如图2所示,本***开始时通过紫外火灾探测器对当前环境进行监控,当紫外火灾探测器检测到空间内存在疑似火焰的紫外光谱时,触发相机对当前环境进行连续抓拍,直至火焰结束为止,完整记录火焰发生到结束的全过程的视频图像;在抓拍的同时对抓拍的图像进行分析,使用运动检测、区域生长结合HSV颜色模型进行图像分割并运用火焰特征检测对火焰做判定,根据相机参数,进行双目视觉重建,计算出火焰实际面积,并对火焰等级进行划分。
基于紫外探测器的火焰燃烧时间计算,紫外探测器设置回传的探测数据为00为正常,01为报警数据,统计01的数目k,并触发相机进行抓拍。
图像中火焰分割方法
a)运动检测
如图3所示,运动检测,背景差分法步骤:
①建立一个背景图像
②将背景图像与当前帧做差分运算
③将差分运算后的像素信息与阈值做比较
在这三个步骤中最重要的是如何建立一个精确的背景图像,有一个精确的背景图像才能够在后续做差分运算时有精确的结果。在进行背景模型建立时,通常选用最大和最小灰度值以及最大时间差分值这三个参数进行模型的参考。在进行背景建模采用MOG2算法建立背景图像。建立好背景图像后,将当前帧与背景图像做差分运算,对图像的运动区域进行分割,得到分割图像。算法如下:
Ik(i,j)=b′k(i,j)+mk(i,j)+nk(i,j)
dk(i,j)=Ik(i,j)-bK(i,j)
其中Ik(i,j)是当前图片的在二维坐标平面下(i,j)位置处的像素信息,b’k(i,j)是当前背景图像在(i,j)位置处的像素信息,mk(i,j)代表运动物体在(i,j)位置处的像素信息。nk(i,j)代表图像中的噪声信息,dk(i,j)为前景图像的像素信息。
为了得到运动目标,还需要依据某一判断标准,比较常用的是阈值分割的方法:
b)基于区域生长结合HSI颜色空间对图像分割
根据HSI颜色模型的对当前图像进行判断对满足火焰颜色的像素点进行筛选。将筛选出的像素点作为区域生长的种子点,使用M(x,y)表示火灾种子,整个区域生长过程如下:
(1)使用Vi(x,y)来作为是否被遍历的判断标志,若像素点Pi(x,y)已被遍历,则Vi(x,y)值为1,否则记0。
(2)将火焰种子标记Mi(x,y)在原图像F(x,y)相映射的点Pi(x,y)是区域生长的起点,同时标记Vi(x,y)为1。遍历点Pi(x,y)的周围的八个邻域点,用HSI模型进行判断其是否为火焰像素点,如果遍历的某个像素点为火焰像素点,那么标记其M(x,y)值为1,同时标记其V(x,y)值为1;否则,M(x,y)值不变,V(x,y)值为1。
(3)如果遍历的某个点Pi+1(x,y)经过判定为火焰像素点,可以将其作为新的火焰种子,并重复进行(2)步骤。直到,某个像素点的周围的八个点像素的V值都为1,则返回到上一个起始点继续进行八邻域遍历,直至返回到最初始的点P(x,y)。
c)火焰动态特征检测,即闪频特征:
符合火焰的颜色特征,则再对火焰的动态特征进行分析,对火焰的动态特征进行分析采用分析火焰闪频特征的方法。火焰的闪烁频率分布在3~25Hz之间,主要频率在7~12Hz之间。火焰的闪频特性是由于气流的不断变化,使火苗的面积不断发生变化,从而显现出闪烁的状态,因此本发明使用计算相邻时刻火焰面积发生变化的情况,从而确定火焰的闪烁频率。算法如下:
DPt=(At+1-At)×(At-At-1)(t∈[1,N-2])
其中DPt是相邻帧面积差之积,At-1、At、At+1是相邻3帧的连通域面积,N为1秒内视频总帧数。通过DPt的值能够判断在此时间段内检测区域的面积是否发生变动,当DPt的值符合设定的阈值时,即面积发生变化,火焰闪烁频率加1。
d)火焰非圆特征:
圆形度C主要用于描述物体形状的复杂程度,火灾的一般干扰源为路灯、车灯等形状较为光滑、规整的物体,火焰的图像形状较为复杂,这一特征能够很好的和干扰源相区分。能够作为检测火焰的判据之一。其一般公式为:
C=P2/At
其中,P表示连通域边界的周长,At表示连通域面积;4π是圆形度的最小值,形状复杂度和C值成正比;通过取C=P2/At的倒数并乘以4π将其归一化为0到1之间的一个数,公式如下:
C=4πAt/P2
e)根据相机参数,双目重建,得到火焰实际面积和距离
如图4所示,在将火焰区域分割提取出的基础上,采用双目视觉对实际环境中的火焰面积和距离进行测量。双目视觉由不同位置的两台摄像机拍摄同一幅场景,通过计算空间点在两幅图像中的视差,来获得该点的三维坐标。
设空间中有一特征点P(x,y,z),在双目摄像机成像的图像中,左边相机的成像点为Pleft(xleft,yleft),右边相机成像点为Pright(xright,yright)。左右相机安装在同一水平位置,所以特征点在两个相机中的成像位置中的纵坐标相同,即yleft=yright。根据三角关系可以算出特征点在实际空间的几何坐标为:
g)d=xleft-xright
其中B是两台摄像机投影中心的距离;f是摄像机的焦距。使用双目视觉进行测量前,需要对相机进行标定获得内外参数,通过标定获得相机焦距f、基线距离B以及两相机之间平移T和旋转角。
基于火焰实际面积的火焰等级划分方法
①当前帧的火焰等级判定
基于紫外探测器和视频的火焰燃烧当前等级计算,设置回传的探测数据为00为正常,01为报警数据。当紫外探测器回传数据为01时,启动相机进行抓拍,记当前帧为k(k∈N*),对当前帧进行处理。分析火焰的等级,采用图像处理技术,将火焰从背景图像中分割出来,在进行火焰分割时,先采用背景差分法将前景图像分离,再针对火焰的静态特征和动态特征,将前景图像中的火焰区域分割出来。通过双目视觉对火焰进行重建,获得火焰的真实面积,与当前环境空间平面进行对比。记火焰区域的面积Sf,当前环境空间区域的横截面面积为Sa,计算其百分比为Tk(k∈N*)。
②整个火焰燃烧过程的等级判定
实施例
1.环境监测
使用紫外火灾探测仪对当前环境内180~240nm波段的紫外光谱进行探测,若探测到有该波段的紫外光谱,则触发相机进行抓拍。
2.运动检测
对抓拍到的图片进行分析,首先对采集到的图片进行运动检测。背景减法在目前运动识别是最简单高效的方法之一,背景减法要想得到准确的前景图像,其中重要步骤是如何建立一个精确的背景图像。关于背景建模的方法目前主要采用的是MOG2算法,OpenCV3.0版本增加了一个KNN的背景建模算法,在运动目标数较少的情况下,KNN算法在结果背景图像建立精确度方面要稍好于MOG2算法,但是在处理时间上通过对同一张1080*720的图片进行处理KNN算法需要时长大约为200ms,但是MOG2算法需要时长大约为70ms,所以MOG2算法在运行速度上远优于KNN算法,MOG2算法在前景连续性和处理速度上来看是十分优秀的算法,本***选择使用MOG2算法对背景图像进行建模。图5为背景差分法得到的运动区域。其中图4为火焰原帧,图5为背景差分法前景图像;
3.基于区域生长结合HSI颜色模型对图像分割
提取出运动区域后,对运动区域中疑似火焰区域进行分割,采用区域生长结合HSI颜色模型对图像进行分割。颜色是在火灾种子选择的重要因素之一,为了使火焰识别更加精确,在设计之初采集了几十幅不同时间、不同环境下火焰图片的颜色特征,以及和火焰颜色相近的图片如:电灯、日照的颜色特征,将几十幅火焰图片和非火焰图片的HSI值的数据保存在Excel中,分析其每个分量的分布状况,得到火焰图片在每个分量下的阈值,得到的分量表如表1所示:
表1:火焰颜色HSI取值范围
颜色模型 | H分量 | S分量 | I分量 |
HSI | 0-60 | 20-100 | 100-255 |
4.火焰动态特征检测
符合火焰的颜色特征,则再对火焰的动态特征进行分析,对火焰的动态特征进行分析,采用分析火焰闪频特征的方法。火焰的闪频特性是由于气流的不断变化,使火苗的面积不断发生变化,从而显现出闪烁的状态,因此本发明使用计算相邻时刻火焰面积发生变化的情况,从而确定火焰的闪烁频率。算法是,通过计算相邻3帧图像连通域,然后将相邻两帧连通域做差值运算最后相乘。DPt=(At+1-At)×(At-At-1)(t∈[1,N-2])其中DPt是相邻帧面积差之积,At-1、At、At+1是相邻3帧的连通域面积。通过DPt的值能够判断在此时间段内检测区域的面积是否发生变动,当DPt的值符合设定的阈值时,即面积发生变化,闪烁频率加1。
归一化后火灾和干扰物的圆形度特征统计如表二所示:
表2:火灾和干扰物的圆形度特征统计
5.双目视觉火焰面积重构
通过采用经典的张正友棋盘格标定法对双目相机进行标定,得到参数如下表3所示:
表3相机参数
内参 | 外参 |
相机矩阵K<sub>1</sub>,K<sub>2</sub> | 旋转矩阵R |
畸变系数D<sub>1</sub>,D<sub>2</sub> | 平移向量t |
如图6、以及图7A、7B,以及图8A至8E,得到相机参数后进行双目矫正,其主要包括两个方面:畸变矫正和立体矫正。通过标定结果K1,K2,D1,D2,R,t计算如下参数:
左目矫正矩阵(旋转矩阵)R1(3x3)
右目矫正矩阵(旋转矩阵)R2(3x3)
左目投影矩阵P1(3x4)
右目投影矩阵P2(3x4)
disparity-to-depth映射矩阵Q(4x4)
通过以上5个矩阵,可以得到基线长度B,并对左右目图像进行去畸变和立体矫正,得到左右目矫正图像,根据矫正后的图像通过SGM立体匹配算法,对其进行立体匹配,计算视差图,得到视差图后,利用焦距和基线通过几何关系计算深度值,并与相机内参结合计算三维坐标。
6.基于火焰实际面积的火焰等级判定
①当前帧的火焰等级判定
分析实时火焰的等级,通过双目视觉对火焰进行重建,获得火焰的真实面积,与当前环境空间平面进行对比。记火焰区域的面积Sf,当前环境空间区域的横截面面积为Sa,计算其百分比为Tk(k∈N*)。
②整个火焰燃烧过程的等级判定
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员能够理解:在不脱离本发明的原理和宗旨的情况下能够对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种基于紫外、双目视觉的综合火焰检测方法,其特征在于,包括如下步骤:
S1,通过紫外、双目视觉复合火焰探测器对监测环境进行实时探测,紫外传感器对火焰紫外光谱进行检测,在异常情况下,触发视频相机进行抓拍,获得当前环境图像数据;
S2,对获得的环境图像数据进行图像分析,使用运动检测;基于区域生长结合HSI颜色模型,对疑似火焰区域图像进行分割;再通过火焰特征检测对疑似火焰区域做判断;根据相机参数,双目视觉重建,得到火焰实际面积和距离;
S3,通过火焰的实际面积和距离,对火焰当前时刻和整个燃烧过程的火焰等级进行判断。
2.根据权利要求1所述的基于紫外、双目视觉的综合火焰检测方法,其特征在于,所述S2包括:
S2-1,运用背景差分运算进行运动检测,去掉图像中的静态干扰源;
S2-2运用区域生长结合HSI颜色模型对图像分割,得到图像中的疑似火焰区域;
S2-3,利用火源的闪烁特性,利用近似火焰颜色区域的面积变换,对疑似火焰进行识别和判定;
S2-4,利用火源的非圆特性,利用区域的圆度计算,去除图像中的类似与车灯的圆形动态干扰源,得到最终的火源区域;
S2-5,根据相机参数,双目重建,得到火焰实际面积和距离。
3.根据权利要求2所述的基于紫外、双目视觉的综合火焰检测方法,其特征在于,所述S2-1中运动检测包括:
在进行背景模型建立时,通常选用最大和最小灰度值以及最大时间差分值这三个参数进行模型的参考;在进行背景建模采用MOG2算法建立背景图像;建立好背景图像后,将当前帧与背景图像做差分运算,对图像的运动区域进行分割,得到分割图像;算法如下:
Ik(i,j)=b′k(i,j)+mk(i,j)+nk(i,j)
dk(i,j)=Ik(i,j)-bK(i,j)
其中Ik(i,j)是当前图片的在二维坐标平面下(i,j)位置处的像素信息,b’k(i,j)是当前背景图像在(i,j)位置处的像素信息,mk(i,j)代表运动物体在(i,j)位置处的像素信息;nk(i,j)代表图像中的噪声信息,dk(i,j)为前景图像的像素信息,bK(i,j)为背景信息。
4.根据权利要求2所述的基于紫外、双目视觉的综合火焰检测方法,其特征在于,所述S2-2中图像分割包括:
对图像进行分割,采用区域生长结合HSI颜色模型对疑似火焰区域进行分割;区域生长法图像分割是根据像素的相似性和连通性来对图像进行类聚的算法,通过设定若干种子点,依次判断种子点四邻域或八邻域的像素点和种子点是否相似,若相似则加入种子点集合,直到种子点集合为空;
区域生长结合HSI颜色模型,通过HSI颜色模型对疑似火焰区域进行判断,将此区域的像素点作为种子点,再通过区域生长算法完成对疑似火焰区域的分割。
5.根据权利要求2所述的基于紫外、双目视觉的综合火焰检测方法,其特征在于,所述S2-3中火焰动态特征检测包括:
使用计算相邻时刻火焰面积发生变化的情况,从而确定火焰的闪烁频率;算法如下:
DPt=(At+1-At)×(At-At-1)(t∈[1,N-2])
其中DPt是相邻帧面积差之积,At-1、At、At+1是相邻3帧的连通域面积,N为1秒内视频总帧数;通过DPt的值能够判断在此时间段内检测区域的面积是否发生变动,当DPt的值符合设定的阈值时,即面积发生变化,闪烁频率加1。
6.根据权利要求2所述的基于紫外、双目视觉的综合火焰检测方法,其特征在于,所述S2-4中火焰动态特征检测包括:
圆形度C用于描述物体形状的复杂程度,火灾的干扰源有路灯、车灯等形状较为光滑、规整的物体,火焰的图像形状较为复杂,这一特征能够很好的和干扰源相区分;能够作为检测火焰的判据之一;其公式为:
C=P2/At
其中,P表示连通域边界的周长,At表示连通域面积;4π是圆形度的最小值,形状复杂度和C值成正比;通过取C=P2/At的倒数并乘以4π将其归一化为0到1之间的一个数,公式如下:
C=4πAt/P2。
7.根据权利要求2所述的基于紫外、双目视觉的综合火焰检测方法,其特征在于,所述S2-5中双目重建包括:
在将火焰区域分割提取出的基础上,采用双目视觉对实际环境中的火焰面积和距离进行测量;双目视觉由不同位置的两台摄像机拍摄同一幅场景,通过计算空间点在两幅图像中的视差,来获得该点的三维坐标;
设空间中有一特征点P(x,y,z),在双目摄像机成像的图像中,左边相机的成像点为Pleft(xleft,yleft),右边相机成像点为Pright(xright,yright);左右相机安装在同一水平位置,所以特征点在两个相机中的成像位置中的纵坐标相同,即yleft=yright;根据三角关系可以算出特征点在实际空间的几何坐标为:
d=xleft-xright
其中B是两台摄像机投影中心的距离;f是摄像机的焦距;使用双目视觉进行测量前,需要对相机进行标定获得内外参数,通过标定获得摄像机的焦距f、两台摄像机投影中心的距离B以及两摄像机之间平移T和旋转角。
8.根据权利要求1所述的基于紫外、双目视觉的综合火焰检测方法,其特征在于,所述S3包括:
S3-1当前帧的火焰等级判定;
基于紫外探测器和视频的火焰燃烧当前等级计算,设置回传的探测数据为00为正常,01为报警数据;当紫外探测器回传数据为01时,启动相机进行抓拍,记当前帧为k(k∈N*),对当前帧进行处理;分析火焰的等级,采用图像处理技术,将火焰从背景图像中分割出来,在进行火焰分割时,先采用背景差分法将前景图像分离,再针对火焰的静态特征和动态特征,将前景图像中的火焰区域分割出来;通过双目视觉对火焰进行重建,获得火焰的真实面积,与当前环境空间平面进行对比;记火焰区域的面积Sf,当前环境空间区域的横截面面积为Sa,计算其百分比为Tk(k∈N*),其中N*为正整数;
S3-2整个火焰燃烧过程的等级判定
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911326088.5A CN111179279A (zh) | 2019-12-20 | 2019-12-20 | 一种基于紫外、双目视觉的综合火焰检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911326088.5A CN111179279A (zh) | 2019-12-20 | 2019-12-20 | 一种基于紫外、双目视觉的综合火焰检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111179279A true CN111179279A (zh) | 2020-05-19 |
Family
ID=70653921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911326088.5A Pending CN111179279A (zh) | 2019-12-20 | 2019-12-20 | 一种基于紫外、双目视觉的综合火焰检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179279A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798515A (zh) * | 2020-06-30 | 2020-10-20 | 大连亚泰华光电技术有限公司 | 用于焚烧状况识别的立体视觉监测方法 |
CN111953933A (zh) * | 2020-07-03 | 2020-11-17 | 北京中安安博文化科技有限公司 | 一种确定火灾区域的方法、装置、介质和电子设备 |
CN111951508A (zh) * | 2020-07-03 | 2020-11-17 | 北京中安安博文化科技有限公司 | 一种火情分级方法、装置、介质和电子设备 |
CN111986437A (zh) * | 2020-07-02 | 2020-11-24 | 湖南翰坤实业有限公司 | 一种火源探测及定位方法、*** |
CN111986436A (zh) * | 2020-09-02 | 2020-11-24 | 成都指码科技有限公司 | 一种基于紫外、深度神经网络的综合火焰检测方法 |
CN111985489A (zh) * | 2020-09-01 | 2020-11-24 | 安徽炬视科技有限公司 | 一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法 |
CN112069975A (zh) * | 2020-09-02 | 2020-12-11 | 成都指码科技有限公司 | 一种基于紫外、红外、视觉的综合火焰检测方法 |
CN112464813A (zh) * | 2020-11-26 | 2021-03-09 | 国网北京市电力公司 | 山火的监测方法及装置 |
CN113379998A (zh) * | 2021-06-09 | 2021-09-10 | 南京品傲光电科技有限公司 | 一种石化罐区自动化火灾报警*** |
CN113990017A (zh) * | 2021-11-21 | 2022-01-28 | 特斯联科技集团有限公司 | 基于pnn神经网络的森林草原火灾预警***及方法 |
CN114152347A (zh) * | 2021-09-30 | 2022-03-08 | 国网黑龙江省电力有限公司电力科学研究院 | 一种变电站电力设备故障定位及火险研判综合检测方法 |
CN114425133A (zh) * | 2022-02-09 | 2022-05-03 | 吕德生 | 一种室内火焰自主巡检及灭火方法 |
CN115294722A (zh) * | 2022-08-02 | 2022-11-04 | 汉熵通信有限公司 | 火焰检测装置及其方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU3201101A (en) * | 2000-02-07 | 2001-08-14 | Intelligent Security Limited | Smoke and flame detection |
CN106846375A (zh) * | 2016-12-30 | 2017-06-13 | 广东工业大学 | 一种应用于自主灭火机器人的火焰检测方法 |
-
2019
- 2019-12-20 CN CN201911326088.5A patent/CN111179279A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU3201101A (en) * | 2000-02-07 | 2001-08-14 | Intelligent Security Limited | Smoke and flame detection |
CN106846375A (zh) * | 2016-12-30 | 2017-06-13 | 广东工业大学 | 一种应用于自主灭火机器人的火焰检测方法 |
Non-Patent Citations (2)
Title |
---|
田佳霖: "《基于火焰特性分析的视频火灾检测》", 《信息技术与信息化》 * |
蔡百会: "《基于视频图像的烟、火检测***研究》", 《中国优秀博士学位论文全文数据库》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798515B (zh) * | 2020-06-30 | 2024-01-12 | 大连亚泰华光电技术有限公司 | 用于焚烧状况识别的立体视觉监测方法 |
CN111798515A (zh) * | 2020-06-30 | 2020-10-20 | 大连亚泰华光电技术有限公司 | 用于焚烧状况识别的立体视觉监测方法 |
CN111986437A (zh) * | 2020-07-02 | 2020-11-24 | 湖南翰坤实业有限公司 | 一种火源探测及定位方法、*** |
CN111953933B (zh) * | 2020-07-03 | 2022-07-05 | 北京中安安博文化科技有限公司 | 一种确定火灾区域的方法、装置、介质和电子设备 |
CN111953933A (zh) * | 2020-07-03 | 2020-11-17 | 北京中安安博文化科技有限公司 | 一种确定火灾区域的方法、装置、介质和电子设备 |
CN111951508A (zh) * | 2020-07-03 | 2020-11-17 | 北京中安安博文化科技有限公司 | 一种火情分级方法、装置、介质和电子设备 |
CN111985489B (zh) * | 2020-09-01 | 2024-04-02 | 安徽炬视科技有限公司 | 一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法 |
CN111985489A (zh) * | 2020-09-01 | 2020-11-24 | 安徽炬视科技有限公司 | 一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法 |
CN111986436B (zh) * | 2020-09-02 | 2022-12-13 | 成都视道信息技术有限公司 | 一种基于紫外、深度神经网络的综合火焰检测方法 |
CN112069975A (zh) * | 2020-09-02 | 2020-12-11 | 成都指码科技有限公司 | 一种基于紫外、红外、视觉的综合火焰检测方法 |
CN111986436A (zh) * | 2020-09-02 | 2020-11-24 | 成都指码科技有限公司 | 一种基于紫外、深度神经网络的综合火焰检测方法 |
CN112069975B (zh) * | 2020-09-02 | 2024-06-04 | 成都视道信息技术有限公司 | 一种基于紫外、红外、视觉的综合火焰检测方法 |
CN112464813A (zh) * | 2020-11-26 | 2021-03-09 | 国网北京市电力公司 | 山火的监测方法及装置 |
CN113379998A (zh) * | 2021-06-09 | 2021-09-10 | 南京品傲光电科技有限公司 | 一种石化罐区自动化火灾报警*** |
CN114152347A (zh) * | 2021-09-30 | 2022-03-08 | 国网黑龙江省电力有限公司电力科学研究院 | 一种变电站电力设备故障定位及火险研判综合检测方法 |
CN113990017A (zh) * | 2021-11-21 | 2022-01-28 | 特斯联科技集团有限公司 | 基于pnn神经网络的森林草原火灾预警***及方法 |
CN113990017B (zh) * | 2021-11-21 | 2022-04-29 | 特斯联科技集团有限公司 | 基于pnn神经网络的森林草原火灾预警***及方法 |
CN114425133A (zh) * | 2022-02-09 | 2022-05-03 | 吕德生 | 一种室内火焰自主巡检及灭火方法 |
CN114425133B (zh) * | 2022-02-09 | 2023-10-17 | 吕德生 | 一种室内火焰自主巡检及灭火方法 |
CN115294722A (zh) * | 2022-08-02 | 2022-11-04 | 汉熵通信有限公司 | 火焰检测装置及其方法 |
CN115294722B (zh) * | 2022-08-02 | 2024-01-26 | 汉熵通信有限公司 | 火焰检测装置及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179279A (zh) | 一种基于紫外、双目视觉的综合火焰检测方法 | |
CN109743879B (zh) | 一种基于动态红外热像图处理的地下管廊渗漏检测方法 | |
CN109816678B (zh) | 一种基于视觉的喷嘴雾化角度自动检测***及方法 | |
EP2118862B1 (en) | System and method for video detection of smoke and flame | |
CN111739250B (zh) | 结合图像处理技术与红外传感器的火灾探测方法及*** | |
CN107085714B (zh) | 一种基于视频的森林火灾检测方法 | |
CN111047655B (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN112069975A (zh) | 一种基于紫外、红外、视觉的综合火焰检测方法 | |
CN102881106A (zh) | 一种热成像视频双鉴林火识别***及其识别方法 | |
CN109084350A (zh) | 一种具滤光功能视觉检测模块的油烟机及油烟浓度检测方法 | |
JP7143174B2 (ja) | 煙検出装置及び煙識別方法 | |
CN101316371B (zh) | 火焰侦测方法及装置 | |
CN111753794B (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
JP2010097412A (ja) | 煙検出装置 | |
CN108038510A (zh) | 一种基于疑似火焰区域特征的检测方法 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及*** | |
CN103456123B (zh) | 一种基于流动和扩散特征的视频烟气探测方法 | |
CN114399882A (zh) | 一种用于消防机器人的火源探测识别并预警方法 | |
TWI493510B (zh) | 跌倒偵測方法 | |
Stent et al. | An Image-Based System for Change Detection on Tunnel Linings. | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、***及存储介质 | |
CN111353350B (zh) | 一种基于组合传感器图像融和技术的火焰检测与定位方法 | |
CN108010076B (zh) | 一种面向密集工业棒材图像检测的端面外观建模方法 | |
CN209013288U (zh) | 一种具滤光功能视觉检测模块的油烟机 |
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 | ||
CB02 | Change of applicant information |
Address after: No. 109, 1st Floor, Building 2, No. 11, Tianying Road, High tech Zone, Chengdu, Sichuan 611700 Applicant after: Chengdu Shidao Information Technology Co.,Ltd. Address before: 611731 floor 2, No. 4, Xinhang Road, West Park, high tech Zone (West Zone), Chengdu, Sichuan Applicant before: CHENGDU ZHIMA TECHNOLOGY CO.,LTD. |
|
CB02 | Change of applicant information |