CN111860324A - 基于小波变换的高频分量检测及色彩识别的火灾预警方法 - Google Patents
基于小波变换的高频分量检测及色彩识别的火灾预警方法 Download PDFInfo
- Publication number
- CN111860324A CN111860324A CN202010701657.6A CN202010701657A CN111860324A CN 111860324 A CN111860324 A CN 111860324A CN 202010701657 A CN202010701657 A CN 202010701657A CN 111860324 A CN111860324 A CN 111860324A
- Authority
- CN
- China
- Prior art keywords
- fire
- frequency component
- early warning
- image
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 230000009466 transformation Effects 0.000 title claims description 13
- 239000000779 smoke Substances 0.000 claims description 46
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小波变换的高频分量检测及色彩识别的火灾预警方法,所述种基于小波变换的高频分量检测及色彩识别的火灾预警方法包括:通过获取监控区域的图像;将图像输入火灾识别模型,得到火灾识别模型输出的特征图像;在根据特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息。可及时发现火灾,提高了火灾的预警实时性。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于小波变换的高频分量检测及色彩识别的火灾预警方法。
背景技术
随着我国平安城市、安全社区、绿色消防等全新理念的提出,各种视频监控***已经在国内大中城市得到了大规模推广,各主要建筑、公共区域均已安装了视频监控***,但是对于火灾预警,通常是火情发展到一定趋势,在人员发现并报警后消防人员才会出动,由此可见,火灾无法及时发现。
发明内容
本发明实施例通过提供一种基于小波变换的高频分量检测及色彩识别的火灾预警方法,旨在解决火灾无法及时发现的技术问题。
本发明实施例的第一方面提供一种基于小波变换的高频分量检测及色彩识别的火灾预警方法,所述基于小波变换的高频分量检测及色彩识别的火灾预警方法包括:
获取监控区域的图像;
将所述图像输入火灾识别模型,得到所述火灾识别模型输出的特征图像;
在根据所述特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息。
在一实施例中,所述在根据所述特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息的步骤之前,还包括:
确定所述特征图像与各个预存特征图像之间的第一相似度;
确定最大的第一相似度是否大于第一预设相似度,其中,在所述最大的第一相似度大于所述第一预设相似度时,所述监控区域发生火灾。
在一实施例中,所述将所述图像输入火灾识别模型的步骤之后,还包括:
确定所述特征图像中是否包括火焰特征或烟雾特征,其中,在所述特征图像包括火焰特征和烟雾特征中至少一个,所述监控区域发生火灾。
在一实施例中,所述确定所述特征图像中是否包括火焰特征的步骤包括:
确定所述特征图像中像素点的三原色分量值,且获取所述监控区域的当前光线强度;
根据所述当前光线强度确定目标阈值;
判断所述三原色分量值是否大于目标阈值,其中,在所述三原色分量值大于目标阈值时,在所述特征图像包括火焰特征。
在一实施例中,所述确定所述特征图像中是否包括烟雾特征的步骤包括:
确定所述特征图像中是否存在第一高频分量;
当所述特征图像中存在所述第一高频分量时,确定所述第一高频分量与预存高频分量之间的第二相似度;
确定最大的第二相似度是否大于第二预设相似度,其中,在最大的第二相似度大于所述第二预设相似度时,所述特征图像中包括烟雾特征。
在一实施例中,所述确定所述特征图像中是否存在第一高频分量的步骤包括:
确定所述特征图像中的水平区域、垂直区域以及对角线区域上是否存在第二高频分量;
当所述水平区域、所述垂直区域以及所述对角线区域上均存在所述第二高频分量时;
将所述第二高频分量累加,得到所述第一高频分量。
在一实施例中,所述确定所述特征图像中是否存在第一高频分量包括:
对所述特征图像进行小波变换,以确定所述特征图像中是否存在所述第一高频分量。
在一实施例中,所述在根据所述特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息的步骤之前包括:
获取相邻的特征图像之间的第三相似度;
判断所述第三相似度是否小于第三预设相似度,其中,所述第三相似度小于第三预设相似度时,所述监控区域发生火灾。
为实现上述目的,本发明提供了一种基于小波变换的高频分量检测及色彩识别的火灾预警装置,所述基于小波变换的高频分量检测及色彩识别的火灾预警装置包括:摄像头、存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法的各个步骤。
为实现上述目的,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法的各个步骤。
本发明提供的基于小波变换的高频分量检测及色彩识别的火灾预警方法,通过获取监控区域的图像;将图像输入火灾识别模型,得到火灾识别模型输出的特征图像;在根据特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息。通过获取监控区域的图像来分析当前监控区域是否发生了火灾,进而在火灾形势未扩大前进行预警,可及时发现火灾,提高了火灾的预警实时性。
附图说明
为了更清楚地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地介绍,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人员来讲,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的附图。
图1为本发明实施例涉及的基于小波变换的高频分量检测及色彩识别的火灾预警方法的基于小波变换的高频分量检测及色彩识别的火灾预警装置的硬件构架示意图;
图2为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法第一实施例的流程示意图;
图3为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法第二实施例的流程示意图;
图4为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法第三实施例的流程示意图;
图5为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法第四实施例的步骤60的细化流程示意图;
图6为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法第五实施例的步骤60的细化流程示意图;
图7为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法第六实施例的步骤64的细化流程示意图;
图8为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法第七实施例的流程示意图。
具体实施方式
为了更好的理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的主要解决方案是:通过获取监控区域的图像;将图像输入火灾识别模型,得到火灾识别模型输出的特征图像;在根据特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息。
通过获取监控区域的图像来分析当前监控区域是否发生了火灾,进而在火灾形势未扩大前进行预警,可及时发现火灾,提高了火灾的预警实时性。
作为一种实现方式,装置可以如图1所述。
本发明实施例方案涉及的是装置,装置包括:处理器101,例如CPU,存储器102,通信总线103,摄像头104。其中,通信总线103用于实现这些组件之间的连接通信。
存储器102可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。如图1所述,作为一种计算机存储介质的存储器103中可以包括检测程序;摄像头104可以用于采集监控区域的图像;而处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
获取监控区域的图像;
将所述图像输入火灾识别模型,得到所述火灾识别模型输出的特征图像;
在根据所述特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
确定所述特征图像与各个预存特征图像之间的第一相似度;
确定最大的第一相似度是否大于第一预设相似度,其中,在所述最大的第一相似度大于所述第一预设相似度时,所述监控区域发生火灾。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
确定所述特征图像中是否包括火焰特征或烟雾特征,其中,在所述特征图像包括火焰特征和烟雾特征中至少一个,所述监控区域发生火灾。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
确定所述特征图像中像素点的三原色分量值,且获取所述监控区域的当前光线强度;
根据所述当前光线强度确定目标阈值;
判断所述三原色分量值是否大于目标阈值,其中,在所述三原色分量值大于目标阈值时,在所述特征图像包括火焰特征。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
确定所述特征图像中是否存在第一高频分量;
当所述特征图像中存在所述第一高频分量时,确定所述第一高频分量与预存高频分量之间的第二相似度;
确定最大的第二相似度是否大于第二预设相似度,其中,在最大的第二相似度大于所述第二预设相似度时,所述特征图像中包括烟雾特征。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
确定所述特征图像中的水平区域、垂直区域以及对角线区域上是否存在第二高频分量;
当所述水平区域、所述垂直区域以及所述对角线区域上均存在所述第二高频分量时;
将所述第二高频分量累加,得到所述第一高频分量。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
对所述特征图像进行小波变换,以确定所述特征图像中是否存在所述第一高频分量。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
获取相邻的特征图像之间的第三相似度;
判断所述第三相似度是否小于第三预设相似度,其中,所述第三相似度小于第三预设相似度时,所述监控区域发生火灾。
在本实施例提供的技术方案中,通过获取监控区域的图像;将图像输入火灾识别模型,得到火灾识别模型输出的特征图像;在根据特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息。通过获取监控区域的图像来分析当前监控区域是否发生了火灾,进而在火灾形势未扩大前进行预警,可及时发现火灾,提高了火灾的预警实时性。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照图2,图2为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法的第一实施例,所述基于小波变换的高频分量检测及色彩识别的火灾预警方法包括以下步骤:
步骤S10,获取监控区域的图像。
在本实施例中,通过采集装置,例如摄像头采集监控区域的图像,可选的,可采用共享内存技术使火灾预警装置与服务器端监控平台共享图像数据,上述服务器监控平台可以理解为通过已经的摄像头采集的图像的数据库;在不降低火灾图像探测软件处理速度的前提下采用实时传输技术确保火灾预警装置能够获得即时数据;采用新型抑制和降低噪声技术提高分析精度。
步骤S20,将所述图像输入火灾识别模型,得到所述火灾识别模型输出的特征图像。
在本实施例中,上述火灾识别模型为预先通过训练集、验证集和测试集进行神经网络模型训练得到,可为特征提取模型,在本发明中,上面火灾识别模型用于接收监控装置获取的图像,输出上述图像对应的特征图像,上述特征图像可为图像特征值,可选的,上述图像在输入火灾识别模型前,可为经过实时转码的数字码流。
步骤S30,在根据所述特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息。
在本实施例中,可通过上述特征图像中携带的属性特征来确定监控区域是否发生火灾的,例如,可通过上述特征图像是否包含火焰特征和烟雾特征来确定,在特征图像包括火焰特征和烟雾特征中至少一个,则可判断监控区域发生火灾。
在本实施例提供的技术方案中,通过获取监控区域的图像;将图像输入火灾识别模型,得到火灾识别模型输出的特征图像;在根据特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息。通过获取监控区域的图像来分析当前监控区域是否发生了火灾,进而在火灾形势未扩大前进行预警,可及时发现火灾,提高了火灾的预警实时性。
参照图3,图3为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法的第二实施例,基于第一实施例,所述步骤S20之后,还包括:
步骤S40,确定所述特征图像与各个预存特征图像之间的第一相似度。
在本实施例中,可通过特征比对来与预选获取的火灾样板图像进行比对,当特征值直接的相似度,既上述第一相似度达到一定程度,如达到百分之九十五。
步骤S50,确定最大的第一相似度是否大于第一预设相似度,其中,在所述最大的第一相似度大于所述第一预设相似度时,所述监控区域发生火灾。
在本实施例中,通过上述相似度来确定采集到的监控区域的图像是否与预测的样板图像想似。
在本实施例的技术方案中,通过特征比对来实现现有样本与采集数据之间的相似程度,提高了火灾识别的准确性。
参照图4,图4为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法的第三实施例,基于第一实施例,所述步骤S20之后,还包括:
步骤S60,确定所述特征图像中是否包括火焰特征或烟雾特征,其中,在所述特征图像包括火焰特征和烟雾特征中至少一个,所述监控区域发生火灾。
在本实施例中,只要确定特征图像中包含火焰特征或者烟雾特征即可判断监控区域发生了火灾,优选的,火焰特征和烟雾特征均提取于特征图像,可以理解的是,火焰特征和烟雾特征在没被确定为火焰特征或者烟雾特征之前,其可认为是二进制字符串。
在本实施例的技术方案中,仅通过确定特征图像中是否存在火焰特征或者烟雾特征即可确定是否发生火灾,间接提高了火灾的预警效率。
参照图5,图5为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法的第四实施例,基于第三实施例,所述步骤S60包括:
步骤S61,确定所述特征图像中像素点的三原色分量值,且获取所述监控区域的当前光线强度。
在本实施例中,基于小波变换的高频分量检测及色彩识别的火灾预警装置将摄像头采集的标准YUV图像数据转换为色彩空间的图像转化为RGB图像以方便后续处理,可在RGB图像中确定特征图像中像素点的三原色分量值。
步骤S62,根据所述当前光线强度确定目标阈值。
在本实施例中,由于光线强度与三原色的值相关,所以需要以监控区域当前的光线强度来确实上述目标阈值。
步骤S63,判断所述三原色分量值是否大于目标阈值,其中,在所述三原色分量值大于目标阈值时,在所述特征图像包括火焰特征。
在本实施例中,可通过采集到的当前监控区域的三原色分量来确定是否发生了火灾,例如:无论是在明亮环境下还是昏暗环境下,火焰像素的红色分量值都在130以上;在明亮环境下,由于光线充足的原因,火焰的红色分量多在130左右徘徊;而在昏暗环境中,由于火焰所能提供的亮度相对纯粹,甚至有一般的可能性其红色分量会达到160以上。无论是在明亮环境下还是昏暗环境下,火焰像素的红色分量值要大于它的绿色分量值和蓝色分量值,而绿色分量值和蓝色分量值表现得并不规律,绿色分量值和蓝色分量值并不像红色分量有一个较明确的下限值,但多数情况下,绿色分量值要大于相同位置上的蓝色分量值,尤其是在靠近火焰中心区域的情况下,这种规律体现得尤为明显。在明亮环境下,红色分量、绿色分量、蓝色分量三色分布范围较宽,而在昏暗环境下,红色分量、绿色分量、蓝色分量则分布得相对集中。
基于以上分析,不难得出火焰像素在RGB色彩空间下的数学表达式为:
上述R(x,y,i)为红色分量值,G(x,y,i)为绿色分量值,B(x,y,i)为蓝色分量值。
在本实施例的技术方案中,通过RGB图像的三原色分量值和环境因素来确定监控区域是否发生了火灾,提高了火灾的预警准确率。
参照图6,图6为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法的第五实施例,基于第三实施例,所述步骤S60包括:
步骤S64,确定所述特征图像中是否存在第一高频分量。
在本实施例中,在本实施例中,观察实际有烟雾存在的图像,不难发现,在烟雾缓慢产生至浓度不断增加的过程中,烟雾在逐渐模糊其所遮挡位置的边缘轮廓及诸多细节信息,上述细节信息包含在图像的高频分量中,上述第一高频分量(高频信号)既为高频分量,由于燃烧物的不同,在燃烧过程中其所释放出的烟雾颜色也有所不同,无法单纯地在RGB色彩空间下寻找其彩色共性,因为其色彩跨度过大,不像火焰一般有固定的明显的色彩分布特征,也不具有易于区分的彩色判断条件,只能深入挖掘其色彩间相互依存的关系。在三基色分量的分配上,红色、绿色、蓝色分量各自值相差不大,其最大颜色分量与最小颜色分量值的分布都是相近的;在三基色分量值的变化趋势上,各个分量值的变化趋势上具有趋同性。以上的观察和分析,对于第一点结论可以用公式(6)来表示:
max(r,g,b)-min(r,g,b)<T1
其中max(r,g,b)表示同一像素点中红色分量、绿色分量和蓝色分量的最大值,而min(r,g,b)表示同一像素点红色分量、绿色分量和蓝色分量的的最小值,T1是一个较小的值,表示同一像素的红色分量、绿色分量和蓝色分量的最大值和最小值相差的阈值,优选的,依据实验一般选择40-60之间的整数值,可获得较好效果。
步骤S65,当所述特征图像中存在所述第一高频分量时,确定所述第一高频分量与预存高频分量之间的第二相似度。
在本实施例中,可通过得到的监控区域的图像的高频分量,将其与现有样本图像的预存高频分量(样本高频分量)的相似度来确定监控区域是否发了火灾。
步骤S66,确定最大的第二相似度是否大于第二预设相似度,其中,在最大的第二相似度大于所述第二预设相似度时,所述特征图像中包括烟雾特征。
在本实施例中,可以给第二相似度设置阈值,及监控区域采集到的图像的高频分量的频率与样板图像的频率相同,则认为采集的图像包含烟雾特征,既发生了火灾。
在本实施例的技术方案中,通过比对监控区域的图像和样本图像做对比,通过高频信号的相似度来确定图像特征是否相同,提高了火灾的预警准确率。
参照图7,图7为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法的第六实施例,基于第五实施例,所述步骤S64包括:
步骤S641,确定所述特征图像中的水平区域、垂直区域以及对角线区域上是否存在第二高频分量。
步骤S642,当所述水平区域、所述垂直区域以及所述对角线区域上均存在所述第二高频分量时。
步骤S643,将所述第二高频分量累加,得到所述第一高频分量。
在本实施例中,高频信息又分布在水平、垂直和对角线三个区域,即将此三部分的高频分量值累加起来即可得到总的细节分量,可用以下公式来表示:
e(x,y)=|HL(x,y)|2+|LH(x,y)|2+|HH(x,y)|2
上述e(x,y)位第一高频分量值,HL(x,y),LH(x,y),HH(x,y)分别代表水平、垂直和对角线三个区域的高频分量,既第二高频分量。
在本实施例的技术方案中,只选取关键区域的高频分量进行计算,可以减少计算量,进而提高火灾的预警效率。
在本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法中,基于第五实施例,所述步骤S64的步骤包括:
步骤S644,对所述特征图像进行小波变换,以确定所述特征图像中是否存在所述第一高频分量。
在本实施例中,单纯基于烟雾的颜色特征判断,还是会产生一定程度上的误检,这是因为上述基于烟雾颜色特征提炼出的公式判断条件可以保证单色特性,故还需从烟雾的频率特性入手,以区别于其他的纯色干扰物体。当考虑到频率特性时,不可避免地会考虑用傅里叶变换或小波变换,这都是将图像从时域信息转变为频域信息的工具。此处选用小波变化,因为其快速离散变换更适合于处理烟雾图像。
小波变换较傅里叶变换的优点在于它开辟的窗口大小是随着频率的高低自行变化,而不像傅里叶变换过程中窗口大小恒定不变那样,具有多层分辨率解析的能力,更加灵活。
连续小波变换的定义可用公式(7)表示为:
其中,Wf(a,b)为第一高频分量,a用来控制缩放的倍数,体现了其频率信息,故a又称为缩放因子,b用来控制其平移的位置,体现了其时空信息,故b又被称为平移因子,Ψ(x)即可称为小波函数,有时又称其为母小波,作为基本变换之用。
观察实际有烟雾存在的图像,不难发现,在烟雾缓慢产生至浓度不断增加的过程中,烟雾在逐渐模糊其所遮挡位置的边缘轮廓及诸多细节信息,而这在小波变换中恰好对应的是高频信息的不断衰减,在利用高斯混合背景建模后,可以很自然地得到图像的前景区域和图像的背景区域,若对二者的对应位置分别作小波变换的话即可对比出细节信息的衰弱程度。
可选的,在烟雾的形成过程中,由于气流的扰动及其自身运动的不规则性,其所呈现的形状也是复杂多变的,但是在复杂变化的同时又不难发现,随着烟雾浓度的加大,烟雾内部渐渐不再清晰可见,只表现为烟雾外部的羽流特性,故当具有足够的烟雾浓度的时候,烟雾的形状又会变得很具有规律性,故此处可以借用前文中测度火焰形状复杂度特征的表达式同样地来测度烟雾的形态学特征。
在本实施例的技术方案中,选用小波变化可以快速离散变换,更适合于处理烟雾图像,可以提高火灾的预警准确率。
参照图8,图8为本发明基于小波变换的高频分量检测及色彩识别的火灾预警方法的第七实施例,基于第一至第七任一实施例,所述步骤S30的步骤之前包括:
步骤S70,获取相邻的特征图像之间的第三相似度。
步骤S80,判断所述第三相似度是否小于第三预设相似度,其中,所述第三相似度小于第三预设相似度时,所述监控区域发生火灾。
在本实施例中,当获取的是监控区域的多帧图像,则可以根据相邻图像间的图像变化情况来确定是否发生火灾,例如:图1中存在火焰特征或烟雾特征,图2存在与图1相似度较高的火灾特征或者烟雾特征,则可确定当前未发生火灾,若图2出现与图1存在较大差别的火焰特征或者烟雾特征,则确定发生了火灾。进一步的,选定了一帧图像作为背景,而其他后续的每一帧图像都与此背景帧做差值,然后判断所得差值的阈值,若大于阈值范围,则判定为前景像素,若小于阈值范围,则判定为背景像素。一般地,设选定的背景帧用b(x,y)表示,所来的每一帧可表示为f(x,y,i),其中x,y分别表示图像的横坐标和纵坐标,而i表示所来帧序列的序数。当图像序列中的第i帧与设定的背景帧做灰度上的相减时便得到一个差分图像:
d(x,y,i)=f(x,y,i)-b(x,y)
当此灰度差分图像的某点像素值大于阈值T时,即将此点置1,否则置0,由此便得到了一个由阈值T控制的二值化图像:
在本实施例的技术方案中,在确定火焰特征的情况下,再通过识别与相邻帧图像的特征相似度,可以进一步提高或者预警的准确性。
为实现上述目的,本发明提供了一种基于小波变换的高频分量检测及色彩识别的火灾预警装置,所述基于小波变换的高频分量检测及色彩识别的火灾预警装置包括:摄像头、存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法的各个步骤。
为实现上述目的,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法的各个步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于小波变换的高频分量检测及色彩识别的火灾预警方法,其特征在于,所述基于小波变换的高频分量检测及色彩识别的火灾预警方法包括:
获取监控区域的图像;
将所述图像输入火灾识别模型,得到所述火灾识别模型输出的特征图像;
在根据所述特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息。
2.如权利要求1所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法,其特征在于,所述在根据所述特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息的步骤之前,还包括:
确定所述特征图像与各个预存特征图像之间的第一相似度;
确定最大的第一相似度是否大于第一预设相似度,其中,在所述最大的第一相似度大于所述第一预设相似度时,所述监控区域发生火灾。
3.如权利要求1所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法,其特征在于,所述将所述图像输入火灾识别模型的步骤之后,还包括:
确定所述特征图像中是否包括火焰特征或烟雾特征,其中,在所述特征图像包括火焰特征和烟雾特征中至少一个,所述监控区域发生火灾。
4.如权利要求3所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法,其特征在于,所述确定所述特征图像中是否包括火焰特征的步骤包括:
确定所述特征图像中像素点的三原色分量值,且获取所述监控区域的当前光线强度;
根据所述当前光线强度确定目标阈值;
判断所述三原色分量值是否大于目标阈值,其中,在所述三原色分量值大于目标阈值时,在所述特征图像包括火焰特征。
5.如权利要求3所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法,其特征在于,所述确定所述特征图像中是否包括烟雾特征的步骤包括:
确定所述特征图像中是否存在第一高频分量;
当所述特征图像中存在所述第一高频分量时,确定所述第一高频分量与预存高频分量之间的第二相似度;
确定最大的第二相似度是否大于第二预设相似度,其中,在最大的第二相似度大于所述第二预设相似度时,所述特征图像中包括烟雾特征。
6.如权利要求5所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法,其特征在于,所述确定所述特征图像中是否存在第一高频分量的步骤包括:
确定所述特征图像中的水平区域、垂直区域以及对角线区域上是否存在第二高频分量;
当所述水平区域、所述垂直区域以及所述对角线区域上均存在所述第二高频分量时;
将所述第二高频分量累加,得到所述第一高频分量。
7.如权利要求5所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法,其特征在于,所述确定所述特征图像中是否存在第一高频分量包括:
对所述特征图像进行小波变换,以确定所述特征图像中是否存在所述第一高频分量。
8.如权利要求1所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法,其特征在于,所述在根据所述特征图像确定所述监控区域发生火灾时,向预设终端发送监控区域发生火灾的预警信息的步骤之前包括:
获取相邻的特征图像之间的第三相似度;
判断所述第三相似度是否小于第三预设相似度,其中,所述第三相似度小于第三预设相似度时,所述监控区域发生火灾。
9.一种基于小波变换的高频分量检测及色彩识别的火灾预警装置,其特征在于,所述基于小波变换的高频分量检测及色彩识别的火灾预警装置包括:摄像头、存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法的步骤。
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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的基于小波变换的高频分量检测及色彩识别的火灾预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701657.6A CN111860324A (zh) | 2020-07-20 | 2020-07-20 | 基于小波变换的高频分量检测及色彩识别的火灾预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701657.6A CN111860324A (zh) | 2020-07-20 | 2020-07-20 | 基于小波变换的高频分量检测及色彩识别的火灾预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860324A true CN111860324A (zh) | 2020-10-30 |
Family
ID=73001689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010701657.6A Pending CN111860324A (zh) | 2020-07-20 | 2020-07-20 | 基于小波变换的高频分量检测及色彩识别的火灾预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860324A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536899A (zh) * | 2021-05-31 | 2021-10-22 | 浙江大华技术股份有限公司 | 火情巡检的路径优化方法、装置、设备及计算机存储介质 |
CN113554364A (zh) * | 2021-09-23 | 2021-10-26 | 深圳市信润富联数字科技有限公司 | 灾害应急管理方法、装置、设备及计算机存储介质 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332092A (zh) * | 2011-09-14 | 2012-01-25 | 广州灵视信息科技有限公司 | 一种基于视频分析的火焰检测方法 |
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 |
CN106408846A (zh) * | 2016-11-29 | 2017-02-15 | 周川 | 基于视频监控平台的图像火灾检测方法 |
CN110501914A (zh) * | 2018-05-18 | 2019-11-26 | 佛山市顺德区美的电热电器制造有限公司 | 一种安全监控方法、设备及计算机可读存储介质 |
-
2020
- 2020-07-20 CN CN202010701657.6A patent/CN111860324A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332092A (zh) * | 2011-09-14 | 2012-01-25 | 广州灵视信息科技有限公司 | 一种基于视频分析的火焰检测方法 |
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 |
CN106408846A (zh) * | 2016-11-29 | 2017-02-15 | 周川 | 基于视频监控平台的图像火灾检测方法 |
CN110501914A (zh) * | 2018-05-18 | 2019-11-26 | 佛山市顺德区美的电热电器制造有限公司 | 一种安全监控方法、设备及计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536899A (zh) * | 2021-05-31 | 2021-10-22 | 浙江大华技术股份有限公司 | 火情巡检的路径优化方法、装置、设备及计算机存储介质 |
CN113554364A (zh) * | 2021-09-23 | 2021-10-26 | 深圳市信润富联数字科技有限公司 | 灾害应急管理方法、装置、设备及计算机存储介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860324A (zh) | 基于小波变换的高频分量检测及色彩识别的火灾预警方法 | |
CN111368771A (zh) | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 | |
CN106408846A (zh) | 基于视频监控平台的图像火灾检测方法 | |
CN110033040B (zh) | 一种火焰识别方法、***、介质和设备 | |
JP2008518344A (ja) | ビデオデータを処理するための方法及びシステム | |
CN101515326A (zh) | 一种适用于识别和检测大空间火灾火焰的方法 | |
JP2004348732A (ja) | シーンの背景を表現する背景画像を適応的に更新する方法 | |
CN109726649B (zh) | 遥感影像云检测方法、***及电子设备 | |
US20140286527A1 (en) | Systems and methods for accelerated face detection | |
CN107404628A (zh) | 图像处理装置及方法以及监视*** | |
JP7429756B2 (ja) | 画像処理方法、装置、電子機器、記憶媒体及びコンピュータプログラム | |
CN108614998B (zh) | 一种单像素红外目标检测方法 | |
CN113744326B (zh) | 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法 | |
CN106254723B (zh) | 一种实时监测视频噪声干扰的方法 | |
CN105335981B (zh) | 一种基于图像的货物监控方法 | |
CN104021576A (zh) | 在场景中追踪移动物体的方法及*** | |
CN112560574A (zh) | 河流黑水排放检测方法及应用其的识别*** | |
CN117132487A (zh) | 一种显微镜图像处理方法 | |
US20230048649A1 (en) | Method of processing image, electronic device, and medium | |
Qin et al. | A shadow removal algorithm for ViBe in HSV color space | |
CN111898525A (zh) | 烟雾识别模型的构建方法、进行烟雾检测的方法及装置 | |
JP6618438B2 (ja) | 前景領域抽出装置、方法、及びプログラム | |
Hossen et al. | Fire detection from video based on temporal variation, temporal periodicity and spatial variance analysis | |
CN114596277B (zh) | 检测对抗样本的方法、装置、设备以及存储介质 | |
Sun et al. | Moving target detection based on multi-feature adaptive background model |
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 |