CN111797726A - 一种火焰检测方法、装置、电子设备及存储介质 - Google Patents
一种火焰检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111797726A CN111797726A CN202010561819.0A CN202010561819A CN111797726A CN 111797726 A CN111797726 A CN 111797726A CN 202010561819 A CN202010561819 A CN 202010561819A CN 111797726 A CN111797726 A CN 111797726A
- Authority
- CN
- China
- Prior art keywords
- flame
- image
- area
- region
- processed
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000006073 displacement reaction Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本申请实施例提供了一种火焰检测方法、装置、电子设备及存储介质,用于提高火焰检测的准确性,降低虚警概率。所述方法包括:获取至少连续两帧待处理图像的前景区域,所述前景区域为对待处理图像进行颜色检测后确定出的区域;获取前景区域的动态特征,动态特征包括圆形度特征、轮廓粗糙度特征和质心位移特征,圆形度特征用于表征前景区域形状的规则性,轮廓粗糙特征用于表征前景区域的随机性和粗糙度,质心位移特征用于表征相邻两帧待处理图像上前景区域的质心位移量;根据圆形度特征、轮廓粗糙度特征和质心位移特征确定前景区域为第一火焰区域的概率;当概率大于预设阈值时,确定前景区域为第一火焰区域。
Description
技术领域
本发明涉及火焰检测、火灾检测和视频监控领域,尤其涉及一种火焰检测方法、装置、电子设备及存储介质。
背景技术
火灾是一类严重危害人民生命财产安全的频发灾害,突发性强,扑救难度大,在火灾发生初期,一旦未及时采取措施导致火势蔓延,会给人类带来巨大的生命财产损失,对自然环境也会造成无法挽回的破坏。而在火灾发生初期预警火灾能够有效避免火灾的蔓延,最大限度的减小火灾带来的危害,因此,及时有效的火焰识别可以大大降低火灾防控工作中的成本。
随着智能视频监控***的发展,基于火焰检测的火焰检测技术被应用于早期火灾检测,而在实际使用中,由于视频的获取会受到环境的影响,在火情的检测中经常受到强光、灯光的干扰,导致出现误检的情况,从而错误的发出了火情警报。
发明内容
本申请实施例提供了一种火焰检测方法、装置、电子设备及存储介质,用于提高火焰检测的准确性,降低虚警概率。
第一方面,提供一种火焰检测方法,所述方法包括:
获取至少连续两帧待处理图像的前景区域,所述前景区域为对所述待处理图像进行颜色检测后确定出的区域;
获取所述前景区域的动态特征,所述动态特征包括圆形度特征、轮廓粗糙度特征和质心位移特征,所述圆形度特征用于表征所述前景区域形状的规则性,所述轮廓粗糙特征用于表征所述前景区域的随机性和粗糙度,所述质心位移特征用于表征相邻两帧待处理图像上前景区域的质心位移量;
根据所述圆形度特征、所述轮廓粗糙度特征和所述质心位移特征确定所述前景区域为第一火焰区域的概率;
当所述概率大于预设阈值时,确定所述前景区域为第一火焰区域。
可选的,所述方法还包括:
通过时域差分法检测所述至少连续两帧待处理图像中是否存在运动区域;
在检测到所述至少连续两帧待处理图像中存在运动区域时,将该运动区域确定为第二火焰区域;
根据所述第一火焰区域和所述第二火焰区域确定目标火焰区域。
可选的,根据所述第一火焰区域和所述第二火焰区域确定目标火焰区域,包括:
判断所述第一火焰区域对应的待处理图像与所述第二火焰区域对应的待处理图像是否为同一帧图像;
当所述第一火焰区域对应的待处理图像与所述第二火焰区域对应的待处理图像为同一帧图像时,确定所述第一火焰区域或所述第二火焰区域为所述待处理图像上的目标火焰区域。
可选的,所述方法还包括:
获取所述第一火焰区域的最小外接矩形区域在所述待处理图像上对应的图像块;
通过预设火焰识别模型对所述图像块进行识别,判断所述图像块是否包括火焰;
若确定所述图像块包括火焰,则确定所述第一火焰区域为目标火焰区域。
可选的,所述方法还包括:
输出所述图像块在所述待处理图像中的位置坐标,触发自动报警***进行火灾报警。
第二方面,提供一种火焰检测装置,所述装置包括:
获取模块,用于获取至少连续两帧待处理图像的前景区域,所述前景区域为对所述待处理图像进行颜色检测后确定出的区域;
所述获取模块,还用于获取所述前景区域的动态特征,所述动态特征包括圆形度特征、轮廓粗糙度特征和质心位移特征,所述圆形度特征用于表征所述前景区域形状的规则性,所述轮廓粗糙特征用于表征所述前景区域的随机性和粗糙度,所述质心位移特征用于表征相邻两帧待处理图像上前景区域的质心位移量;
处理模块,用于根据所述圆形度特征、所述轮廓粗糙度特征和所述质心位移特征确定所述前景区域为第一火焰区域的概率;
所述处理模块,还用于当所述概率大于预设阈值时,确定所述前景区域为第一火焰区域。
可选的,所述处理模块,还用于:
通过时域差分法检测所述至少连续两帧图像中是否存在运动区域;
在检测到所述至少连续两帧图像中存在运动区域时,将该运动区域确定为第二火焰区域;
根据所述第一火焰区域和所述第二火焰区域确定目标火焰区域。
可选的,所述处理模块,具体用于:
判断所述第一火焰区域对应的待处理图像与所述第二火焰区域对应的待处理图像是否为同一帧图像;
当所述第一火焰区域对应的待处理图像与所述第二火焰区域对应的待处理图像为同一帧图像时,确定所述第一火焰区域或所述第二火焰区域为所述待处理图像上的目标火焰区域。
可选的,所述获取模块,还用于:
获取所述第一火焰区域的最小外接矩形区域在所述待处理图像上对应的图像块;
所述处理模块,还用于在所述获取模块获取到第一火焰区域的最小外接矩形区域在所述待处理图像上对应的图像块之后,通过预设火焰识别模型对所述图像块进行识别,判断所述图像块是否包括火焰;若确定所述图像块包括火焰,则确定所述第一火焰区域为目标火焰区域。
可选的,所述处理模块,还用于:
输出所述图像块在所述待处理图像中的位置坐标,触发自动报警***进行火灾报警。
第三方面,提供一种电子设备,所述电子设备包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行第一方面中任一所述的方法包括的步骤。
第四方面,提供一种计算可读存储介质,所述计算可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行第一方面中任一所述的方法包括的步骤。
第五方面,提供一种包含指令的计算机程序产品,当所述计算机程序产品在计算机上运行时,使得计算机执行上述各种可能的实现方式中所描述的火焰检测方法。
在本申请实施例中,从摄像机拍摄的图像中获取至少连续两帧待处理图像,对其进行颜色检测,以获得至少连续两帧待处理图像中的前景区域,并提取该前景区域的圆形度特征、轮廓粗糙度特征和质心位移特征,根据圆形度特征、轮廓粗糙度特征和质心位移特征确定该前景区域为第一火焰区域的概率,在概率大于预设阈值时,确定前景区域为第一火焰区域。
也就是说,本申请首先通过火焰的静态特征(比如,颜色特征)获取至少连续两帧待处理图像中的每帧图像中包括火焰的前景区域,然后提取该每个前景区域的动态特征,并根据该动态特征进一步判定包括火焰的前景区域是否为第一火焰区域。这样,在考虑到视频前后帧之间的关联性的同时,将火焰的静态特征和动态特征融合,可以有效提高火焰检测的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例。
图1为本申请实施例提供的一种火焰检测方法的流程图;
图2为本申请实施例提供的一种火焰检测装置的结构框图;
图3为本发明实施例中的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个,例如可以是两个、三个或者更多个,本申请实施例不做限制。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A 和B,单独存在B这三种情况。另外,本文中字符“/”,在不做特别说明的情况下,一般表示前后关联对象是一种“或”的关系。
为了便于理解,下面先对本发明实施例的技术背景进行介绍。
目前,基于火焰检测技术的火焰检测容易出现误检,有一种方案是通过摄像机采集视频图像,并基于高斯滤波和图像分割法对视频图像进行处理,再利用激光测温仪装置实时获取被监控物体的温度,并将获取的温度值与预先设定的火焰温度阈值进行比较,在通过温度比较确定被监控物体是火焰时,结合被监控物体的亮度信息判断火焰的位置。其中,由于辅助设备激光测温仪必须与摄像机的视场光轴重合,因此,当激光测温仪与摄像机的视场光轴存在微小的偏差时,通常会导致较大的测温误差,同时,仅通过被监控物体的温度和亮度信息对火焰进行检测时,难以消除在复杂环境下由于其它光源的影响而产生误检的情况。例如,正午时分,太阳的光照强度大,地面温度高,此时,若出现激光测温仪与摄像机的视场存在偏差,导致测量的被监控物体的温度远高于实际温度(即达到预设的火焰温度阈值),且由于太阳光线较强,亮度较大的原因,因此很容易将非火焰判断为火焰,造成误检。
另一种方案是构建火焰数据集和深度卷积网络模型,利用火焰数据集对深度卷积网络模型进行模型训练,然后将摄像机采集的视频图像中的每一帧画面进行检测,判断图像中是否存在火焰,在确定视频中存在火焰时,输出火焰在视频图像中的坐标。其中,通过预先训练的模型对摄像机采集的视频图像进行检测时,由于没有考虑到火焰的运动特性以及视频图像前后帧之间的关联关系,使得最终的检测结果准确性较低,同时,由于仅使用深度卷积网络模型对整张图像进行检测,使得检测的数据较多,耗时较大。
鉴于此,本申请实施例提供了一种火焰检测方法,通过颜色检测获取至少连续两帧待处理图像的前景区域以及每个前景区域的动态特征,并根据每个前景区域对应的动态特征确定该前景区域为第一火焰区域的概率,在所述概率大于预设阈值时,则确定该前景区域为第一火焰区域。其中,由于考虑到了视频图像前后帧之间的关联关系,以及火焰的静态特征和动态特征,有效提高了火焰检测的准确性,降低了虚警的概率。
在介绍完本申请实施例的设计思想后,下面对本申请实施例的技术方案能够适用的应用场景做一些简单的介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施时,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
在本申请实施例中,所提供的火焰检测方法和火焰检测装置可以应用于视频监控***中,在该视频监控***中,包括图像采集***和数据分析***。本申请提供火焰检测方法可以由视频监控***中的图像采集***执行,或者,由图像采集***将图像发送给数据分析***,由数据分析***执行。其中,图像采集***提供了一种拍摄设备,该拍摄设备例如是摄像机、具备摄像功能的手机或者平板等电子设备、监控设备,等等可以拍摄图像的设备,用于采集监控区域的图像。
下面结合说明书附图对本申请实施例提供的火焰检测方法进行介绍。请参见图1所示,本申请实施例中的火焰检测方法的流程描述如下:
步骤101:获取至少连续两帧待处理图像的前景区域。
在本申请实施例中,首先从摄像机拍摄的图像中获取至少连续两帧待处理图像,然后根据火焰图像的颜色特征对获取的待处理图像进行颜色检测,以获取待处理图像的前景区域,该步骤例如也可以称作是对火焰区域的初始判断,得到的前景区域即为初始火焰区域。其中,获取至少连续两帧待处理图像的方式例如可以是从摄像机拍摄的图像中的第一帧图像开始的至少连续两帧图像,此时,需要将摄像机拍摄的每一帧图像都作为待处理图像进行前景区域提取。另一种方式是跳帧获取,例如,需要获取连续的三帧图像时,可以在获取连续的三帧图像之后,下一次获取待处理图像时中间隔三帧图像不获取,或者将获取的视频图像按照一定的数量进行分段(例如是每五帧图像分为一段),在从第一段中获取连续三帧图像之后,再从第三段中获取连续三帧图像。这样,当视频图像中没有火焰时,可以有效减少处理图像的数量,降低设备的运行频率,延长设备的使用寿命。需要说明的是,上述待处理图像的获取方式仅是示例性的,在本申请实施例中对待处理图像的获取方式不做具体限定。
常见的颜色特征有RGB、HSI、Luv和Lab。其中,RGB中R是红色(Red), G是绿色(Green),B代表蓝色(Blue),HSI中H是色调(hue),S是饱和度 (saturation),I是亮度(Intensity)。在一种可能的实施方式中,获取待处理图像中每个像素点的RGB值,将RGB值的每个颜色分量的值在预设范围内的像素点确定为初始前景区域中的像素点,将RGB值的每个颜色分量的值不在预设范围内的像素点确定为初始背景区域区域中的像素点,最后确定初始前景区域中的单连通区域,并将该单连通区域确定为前景区域。或者,获取待处理图像中每个像素点的HSI信息,其确定前景区域的方式与获取每个像素点的RGB 值中确定前景区域的方式相同,在此不再赘述。
在另一种可能的实施方式中,例如可以采用上述颜色特征中的至少两种特征对待处理图像进行颜色检测。在本申请实施例中以采用RGB和HIS两种颜色特征对待处理图像进行颜色检测进行举例说明,首先,通过RGB颜色特征对待处理图像进行检测确定出第一前景区域,然后根据HIS颜色特征对待处理图像进行检测确定出第二前景区域,最后将第一前景区域和第二前景区域进行比对,在第一前景区域和第二前景区域的相似度大于预设值,且第一前景区域和第二前景区域对应的待处理图像相同时,将第一前景区域和第二前景区域进行融合,以得到最终的前景区域。这样,通过将至少两种颜色特征对待处理图像进行颜色检测后,得到的至少两种结果进行比对融合,可以增强初始火焰区域判断的准确性。
步骤102:获取前景区域的动态特征。
在本申请实施例中,动态特征包括圆形度特征、轮廓粗糙度特征和质心位移特征。每个动态特征对应一个动态特征值,下面分别介绍每个动态特征对应的动态特征值的确定过程。
1、考虑到火焰的形状大多为圆形或椭圆形,所以动态特征包括圆形度特征或椭圆形特征,本文主要以圆形特征为例,所述圆形度特征用于表征前景区域形状的规则性,在一种可能的实现方式中,所述圆形度特征对应的动态特征值的计算公式如下:
其中,LK、CK、AK分别表示第k个区域的周长、圆形度与面积,n表示区域个数,最终计算得到的圆形度值最大为1。当CK的值越小时说明前景区域的形状越不规则,则表明该前景区域越可能为火焰区域,即该前景区域为火焰区域的概率越大。
2、轮廓粗糙特征用于表征所述前景区域的随机性和粗糙度。作为一种示例,假设前景区域的凸包周长为LC,火焰周长为L,在一种可能的实现方式中,所述轮廓粗糙度特征对应的动态特征值的计算公式如下:
其中,凸包周长是指该前景区域的最小外接多边形的周长,火焰周长为前景区域的实际周长,最终计算得到的轮廓粗糙度的值最大为1。当Br的值越小时,表明该前景区域越可能为火焰区域,即该前景区域为火焰区域的概率越大。
3、质心位移特征用于表征相邻两帧待处理图像上前景区域的质心位移量。作为一种示例,假设第j帧图像对应的前景区域内质心坐标为(xj,yj), j=0,1,2,…,m-1,则第i帧图像对应的前景区域的质心坐标为:
若该前景区域在第i-1帧图像对应的前景区域的质心坐标为(xi-1,yi-1),在一种可能的实施方式中,该区域在第i帧图像中的质心位移特征对应的特征值当质心位移越大时,表明该前景区域越可能为火焰区域,即该前景区域为火焰区域的概率越大。
在具体的实施过程中,由于火焰是时时刻刻都在运动的,因此通过获取前景区域的动态特征,可以有效提高火焰检测的准确性。
步骤103:根据圆形度特征、轮廓粗糙度特征和质心位移特征确定前景区域为第一火焰区域的概率。
如前所述,获取前景区域的动态特征时,针对每个动态特征都会得到相应的动态特征值(参见步骤102),然后可以根据每个动态特征值的大小确定前景区域可能为火焰区域的概率。
在本申请实施例中,将每个动态特征对应的概率进行加权融合,得到该前景区域为第一火焰区域的概率。例如,根据圆形度特征计算得到前景区域可能为火焰区域的概率为94%,圆形度特征特征所占的权重为35%;根据轮廓粗糙度特征计算得到前景区域可能为火焰区域的概率为92%,轮廓粗糙度特征所占的权重为35%;根据质心位移特征计算得到前景区域可能为火焰区域的概率为 95%,质心位移特征所占的权重为30%,则前景区域为第一火焰区域的概率为 94%×35%+92%×35%+95%×30%=93.6%。
步骤104:当概率大于预设阈值时,确定前景区域为第一火焰区域。
以前述步骤中确定的前景区域为第一火焰区域的概率为例,若预设阈值为 90%,此时,由于93.6%>90%,因此确定该前景区域为第一火焰区域。
上面的实施例中提供一种确定待处理图像上前景区域是否为第一火焰区域的过程。下面的实施例中,提供验证第一火焰区域是否确定准确的方式。
第一种可能的实施方式,针对上面步骤101中获取的至少连续两帧待处理图像进行其他方式的火焰检测过程,比如,还可以通过时域差分法检测至少两帧待处理图像中是否存在运动区域,在检测到至少两帧待处理图像中存在运动区域时,将该区域确定为第二火焰区域。因此,通过不同的火焰检测方式确定不同的火焰区域,即第一火焰区域和第二火焰区域,此时,可以根据第一火焰区域和第二火焰区域确定目标火焰区域。
上述时域差分法是先选取视频图像序列中连续三帧图像并分别计算相邻两帧的差分图像,然后将差分图像通过选取适当的阈值进行二值化处理,得到二值化图像,最后将在每一个像素点得到的二值图像进行逻辑与运算,获取共同部分,从而获得运动目标的轮廓信息,该运动目标的轮廓即为第二火焰区域。这样,通过时域差分法获取至少连续两帧待处理图像的运动区域,可以有效消除由于运动而显露背景的影响,从而提取精确的运动区域。
在一些实施例中,上述根据第一火焰区域和第二火焰区域确定目标火焰区域的方式可以是:判断第一火焰区域对应的待处理图像与第二火焰区域对应的待处理图像是否为同一帧图像,当第一火焰区域对应的待处理图像与第二火焰区域对应的待处理图像为同一帧图像时,确定第一火焰区域或所述第二火焰区域为待处理图像上的目标火焰区域。这样,通过对两种方式分别确定出的初始火焰区域(第一火焰区域和第二火焰区域)执行与操作,可以有效提升目标火焰区域检测的准确性。
第二种可能的实施方式,针对上面步骤104确定第一火焰区域之后,还可以获取第一火焰区域的最小外接矩形区域在待处理图像上对应的图像块,然后将该图像块对应的数据输入预设火焰识别模型,通过预设模型对输入的图像块进行识别,判断该图像块中是否包括火焰,如果包括火焰,则确定第一火焰区域为目标火焰区域。其中,预设火焰识别模型是通过收集的火焰数据集对深度卷积神经网络进行模型训练之后得到的火焰识别模型。
这样,通过获取第一火焰区域的最小外接矩形区域在待处理图像中对应的图像块,仅将该图像块对应的数据输入预设火焰识别模型,可以有效降低算法耗时。同时,通过预设火焰识别模型对确定出的第一火焰区域进行进一步的确定,可以有效提高火焰识别的准确性。
上述第一种方式或第二种方式可以单独使用,或者结合使用。当上述第一种方式和第二种方式结合使用时,具体的实施过程可以包括:
方式A:在对第一火焰区域和第二火焰区域执行与操作之后,得到目标火焰区域,获取目标火焰区域的最小外接矩形区域在待处理图像中对应的图像块,然后将该图像块对应的数据输入预设火焰识别模型,通过预设模型对输入的图像块进行识别,判断该图像块中是否包括火焰,如果包括火焰,则确定该目标火焰区域为最终的火焰区域。这样,相当于是对获取的前景区域进行了三次火焰检测,可以有效提升火焰检测的准确性,降低误检的概率。
方式B:首先通过预设的火焰模型分别对第一火焰区域和第二火焰区域的最小外接矩形区域在待处理图像中对应的图像块进行火焰识别,然后再分别判断经过预设火焰识别模型识别之后的第一火焰区域和第二火焰区域对应的待处理图像是否为同一帧图像,在确定为同一帧图像时,将第一火焰区域或第二火焰区域确定为待处理图像的最终的目标火焰区域。
通过上述方式验证第一火焰区域为目标火焰区域之后,输出该目标火焰区域的最小外接矩形区域在待处理图像中的位置坐标,触发自动报警***进行火灾报警。其中,触发自动报警***进行报警可以是将火灾报警信号发送给控制中心,控制中心的工作人员接收到报警信号之后,调取监控***进行再次确认,并在确认存在火焰时拨打报警电话。还可以是,监控***的自动报警***直接关联火灾报警,在确定存在火焰时,自动报警***直接报警。
基于同一发明构思,本申请实施例提供了一种火焰检测装置,该火焰检测装置能够实现前述的火焰检测方法对应的功能。该火焰检测装置可以是硬件结构、软件模块、或硬件结构加软件模块。该火焰检测装置可以由芯片***实现,芯片***可以由芯片构成,也可以包含芯片和其他分立器件。请参见图2所示,该火焰检测装置包括获取模块201和处理模块202。其中:
获取模块201,用于获取至少连续两帧待处理图像的前景区域,所述前景区域为对所述待处理图像进行颜色检测后确定出的区域;
所述获取模块201,还用于获取所述前景区域的动态特征,所述动态特征包括圆形度特征、轮廓粗糙度特征和质心位移特征,所述圆形度特征用于表征所述前景区域形状的规则性,所述轮廓粗糙特征用于表征所述前景区域的随机性和粗糙度,所述质心位移特征用于表征相邻两帧待处理图像上前景区域的质心位移量;
处理模块202,用于根据所述圆形度特征、所述轮廓粗糙度特征和所述质心位移特征确定所述前景区域为第一火焰区域的概率;
所述处理模块202,还用于当所述概率大于预设阈值时,确定所述前景区域为第一火焰区域。
可选的,所述处理模块202,还用于:
通过时域差分法检测所述至少连续两帧图像中是否存在运动区域;
在检测到所述至少连续两帧图像中存在运动区域时,将该运动区域确定为第二火焰区域;
根据所述第一火焰区域和所述第二火焰区域确定目标火焰区域。
可选的,所述处理模块202,具体用于:
判断所述第一火焰区域对应的待处理图像与所述第二火焰区域对应的待处理图像是否为同一帧图像;
当所述第一火焰区域对应的待处理图像与所述第二火焰区域对应的待处理图像为同一帧图像时,确定所述第一火焰区域或所述第二火焰区域为所述待处理图像上的目标火焰区域。
可选的,所述获取模块201,还用于:
获取所述第一火焰区域的最小外接矩形区域在所述待处理图像上对应的图像块;
所述处理模块202,还用于在所述获取模块201获取到第一火焰区域的最小外接矩形区域在所述待处理图像上对应的图像块之后,通过预设火焰识别模型对所述图像块进行识别,判断所述图像块是否包括火焰;若确定所述图像块包括火焰,则确定所述第一火焰区域为目标火焰区域。
可选的,所述处理模块202,还用于:
输出所述图像块在所述待处理图像中的位置坐标,触发自动报警***进行火灾报警。
前述的火焰检测方法的实施例涉及的各步骤的所有相关内容均可援引到本申请施例中的火焰检测装置所对应的功能模块的功能描述,在此不再赘述。
本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本申请各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
基于同一发明构思,本申请实施例提供一种电子设备。请参见图3所示,该电子设备包括至少一个处理器301,以及与至少一个处理器连接的存储器302,本申请实施例中不限定处理器301与存储器302之间的具体连接介质,图3中是以处理器301和存储器302之间通过总线300连接为例,总线300在图3中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线300可以分为地址总线、数据总线、控制总线等,为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本申请实施例中,存储器302存储有可被至少一个处理器301执行的指令,至少一个处理器301通过执行存储器302存储的指令,可以执行前述的火焰检测方法中所包括的步骤。
其中,处理器301是电子设备的控制中心,可以利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器302内的指令以及调用存储在存储器302内的数据,电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器301可包括一个或多个处理单元,处理器 301可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器301中。在一些实施例中,处理器301和存储器302可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器301可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的火焰检测方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器302作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器302可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器302是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器302还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
通过对处理器301进行设计编程,可以将前述实施例中介绍的火焰检测方法所对应的代码固化到芯片内,从而使芯片在运行时能够执行前述的火焰检测方法的步骤,如何对处理器301进行设计编程为本领域技术人员所公知的技术,这里不再赘述。
基于同一发明构思,本申请实施例还提供一种计算可读存储介质,该计算可读存储介质存储有计算机指令,当该计算机指令在计算机上运行时,使得计算机执行如前述的火焰检测方法的步骤。
在一些可能的实施方式中,本申请提供的火焰检测方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在电子设备上运行时,程序代码用于使该检测设备执行本说明书上述描述的根据本申请各种示例性实施方式的火焰检测方法中的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种火焰检测方法,其特征在于,所述方法包括:
获取至少连续两帧待处理图像的前景区域,所述前景区域为对所述待处理图像进行颜色检测后确定出的区域;
获取所述前景区域的动态特征,所述动态特征包括圆形度特征、轮廓粗糙度特征和质心位移特征,所述圆形度特征用于表征所述前景区域形状的规则性,所述轮廓粗糙特征用于表征所述前景区域的随机性和粗糙度,所述质心位移特征用于表征相邻两帧待处理图像上前景区域的质心位移量;
根据所述圆形度特征、所述轮廓粗糙度特征和所述质心位移特征确定所述前景区域为第一火焰区域的概率;
当所述概率大于预设阈值时,确定所述前景区域为第一火焰区域。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
通过时域差分法检测所述至少连续两帧待处理图像中是否存在运动区域;
在检测到所述至少连续两帧待处理图像中存在运动区域时,将该运动区域确定为第二火焰区域;
根据所述第一火焰区域和所述第二火焰区域确定目标火焰区域。
3.如权利要求2所述的方法,其特征在于,根据所述第一火焰区域和所述第二火焰区域确定目标火焰区域,包括:
判断所述第一火焰区域对应的待处理图像与所述第二火焰区域对应的待处理图像是否为同一帧图像;
当所述第一火焰区域对应的待处理图像与所述第二火焰区域对应的待处理图像为同一帧图像时,确定所述第一火焰区域或所述第二火焰区域为所述待处理图像上的目标火焰区域。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述第一火焰区域的最小外接矩形区域在所述待处理图像上对应的图像块;
通过预设火焰识别模型对所述图像块进行识别,判断所述图像块是否包括火焰;
若确定所述图像块包括火焰,则确定所述第一火焰区域为目标火焰区域。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
输出所述图像块在所述待处理图像中的位置坐标,触发自动报警***进行火灾报警。
6.一种火焰检测装置,其特征在于,所述装置包括:
获取模块,用于获取至少连续两帧待处理图像的前景区域,所述前景区域为对所述待处理图像进行颜色检测后确定出的区域;
所述获取模块,还用于获取所述前景区域的动态特征,所述动态特征包括圆形度特征、轮廓粗糙度特征和质心位移特征,所述圆形度特征用于表征所述前景区域形状的规则性,所述轮廓粗糙特征用于表征所述前景区域的随机性和粗糙度,所述质心位移特征用于表征相邻两帧待处理图像上前景区域的质心位移量;
处理模块,用于根据所述圆形度特征、所述轮廓粗糙度特征和所述质心位移特征确定所述前景区域为第一火焰区域的概率;
所述处理模块,还用于当所述概率大于预设阈值时,确定所述前景区域为第一火焰区域。
7.如权利要求6所述的装置,其特征在于,所述处理模块,还用于:
通过时域差分法检测所述至少连续两帧图像中是否存在运动区域;
在检测到所述至少连续两帧图像中存在运动区域时,将该运动区域确定为第二火焰区域;
根据所述第一火焰区域和所述第二火焰区域确定目标火焰区域。
8.如权利要求7所述的装置,其特征在于,所述处理模块,具体用于:
判断所述第一火焰区域对应的待处理图像与所述第二火焰区域对应的待处理图像是否为同一帧图像;
当所述第一火焰区域对应的待处理图像与所述第二火焰区域对应的待处理图像为同一帧图像时,确定所述第一火焰区域或所述第二火焰区域为所述待处理图像上的目标火焰区域。
9.一种电子设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行权利要求1-5任一项所述的方法包括的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被计算机执行时,使所述计算机执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561819.0A CN111797726A (zh) | 2020-06-18 | 2020-06-18 | 一种火焰检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561819.0A CN111797726A (zh) | 2020-06-18 | 2020-06-18 | 一种火焰检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797726A true CN111797726A (zh) | 2020-10-20 |
Family
ID=72803532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010561819.0A Pending CN111797726A (zh) | 2020-06-18 | 2020-06-18 | 一种火焰检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797726A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821446A (zh) * | 2022-05-17 | 2022-07-29 | 江苏三棱智慧物联发展股份有限公司 | 一种烟火识别方法、装置、电子设备及存储介质 |
CN115359247A (zh) * | 2022-08-30 | 2022-11-18 | 新创碳谷控股有限公司 | 一种基于动态特征的火焰检测方法、设备及存储介质 |
CN115394040A (zh) * | 2022-08-30 | 2022-11-25 | 新创碳谷控股有限公司 | 一种火焰检测方法、计算机设备及存储介质 |
CN115713833A (zh) * | 2022-08-30 | 2023-02-24 | 新创碳谷集团有限公司 | 一种基于面积特征的火焰检测方法、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408745A (zh) * | 2014-11-18 | 2015-03-11 | 北京航空航天大学 | 一种基于视频图像的实时烟雾场景检测方法 |
KR20160136948A (ko) * | 2015-05-21 | 2016-11-30 | 주식회사 에스원 | 부분 영역 기반의 화염 탐지 장치 및 방법 |
CN108074234A (zh) * | 2017-12-22 | 2018-05-25 | 湖南源信光电科技股份有限公司 | 一种基于目标跟踪和多特征融合的大空间火焰检测方法 |
CN109886227A (zh) * | 2019-02-27 | 2019-06-14 | 哈尔滨工业大学 | 基于多通道卷积神经网络的室内火灾视频识别方法 |
CN110263654A (zh) * | 2019-05-23 | 2019-09-20 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火焰检测方法、装置及嵌入式设备 |
CN110516609A (zh) * | 2019-08-28 | 2019-11-29 | 南京邮电大学 | 一种基于图像多特征融合的火灾视频检测及预警方法 |
-
2020
- 2020-06-18 CN CN202010561819.0A patent/CN111797726A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408745A (zh) * | 2014-11-18 | 2015-03-11 | 北京航空航天大学 | 一种基于视频图像的实时烟雾场景检测方法 |
KR20160136948A (ko) * | 2015-05-21 | 2016-11-30 | 주식회사 에스원 | 부분 영역 기반의 화염 탐지 장치 및 방법 |
CN108074234A (zh) * | 2017-12-22 | 2018-05-25 | 湖南源信光电科技股份有限公司 | 一种基于目标跟踪和多特征融合的大空间火焰检测方法 |
CN109886227A (zh) * | 2019-02-27 | 2019-06-14 | 哈尔滨工业大学 | 基于多通道卷积神经网络的室内火灾视频识别方法 |
CN110263654A (zh) * | 2019-05-23 | 2019-09-20 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火焰检测方法、装置及嵌入式设备 |
CN110516609A (zh) * | 2019-08-28 | 2019-11-29 | 南京邮电大学 | 一种基于图像多特征融合的火灾视频检测及预警方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821446A (zh) * | 2022-05-17 | 2022-07-29 | 江苏三棱智慧物联发展股份有限公司 | 一种烟火识别方法、装置、电子设备及存储介质 |
CN115359247A (zh) * | 2022-08-30 | 2022-11-18 | 新创碳谷控股有限公司 | 一种基于动态特征的火焰检测方法、设备及存储介质 |
CN115394040A (zh) * | 2022-08-30 | 2022-11-25 | 新创碳谷控股有限公司 | 一种火焰检测方法、计算机设备及存储介质 |
CN115713833A (zh) * | 2022-08-30 | 2023-02-24 | 新创碳谷集团有限公司 | 一种基于面积特征的火焰检测方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797726A (zh) | 一种火焰检测方法、装置、电子设备及存储介质 | |
CN109325964B (zh) | 一种人脸追踪方法、装置及终端 | |
CN108256404B (zh) | 行人检测方法和装置 | |
CN109726620B (zh) | 一种视频火焰检测方法及装置 | |
CN109086734B (zh) | 一种对人眼图像中瞳孔图像进行定位的方法及装置 | |
CN109766779B (zh) | 徘徊人员识别方法及相关产品 | |
CN109670383B (zh) | 视频遮蔽区域选取方法、装置、电子设备及*** | |
CN107437318B (zh) | 一种可见光智能识别算法 | |
CN108009466B (zh) | 行人检测方法和装置 | |
CN113255606A (zh) | 行为识别方法、装置、计算机设备及存储介质 | |
CN111127508B (zh) | 一种基于视频的目标跟踪方法及装置 | |
CN112733814B (zh) | 一种基于深度学习的行人徘徊滞留检测方法、***及介质 | |
CN108734684B (zh) | 动态照明场景的图像背景减除 | |
CN112052815A (zh) | 一种行为检测方法、装置及电子设备 | |
CN112733629A (zh) | 异常行为判断方法、装置、设备和存储介质 | |
CN110569770A (zh) | 人体入侵行为识别方法、装置、存储介质及电子设备 | |
CN113240880A (zh) | 一种火点检测方法、装置、电子设备及存储介质 | |
CN111881741A (zh) | 车牌识别方法、装置、计算机设备和计算机可读存储介质 | |
CN112417955A (zh) | 巡检视频流处理方法及装置 | |
CN113989858A (zh) | 一种工作服识别方法及*** | |
CN112861676B (zh) | 一种烟火识别标记方法、***、终端及存储介质 | |
CN111753587A (zh) | 一种倒地检测方法及装置 | |
CN111814617B (zh) | 基于视频的火灾判定方法、装置、计算机设备及存储介质 | |
CN116778673A (zh) | 水域安全监控方法、***、终端及存储介质 | |
CN115984780A (zh) | 工业固体废物出入库判别方法、装置、电子设备及介质 |
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 |