CN112329632A - 一种基于视频分析技术的烟雾识别方法 - Google Patents
一种基于视频分析技术的烟雾识别方法 Download PDFInfo
- Publication number
- CN112329632A CN112329632A CN202011225520.4A CN202011225520A CN112329632A CN 112329632 A CN112329632 A CN 112329632A CN 202011225520 A CN202011225520 A CN 202011225520A CN 112329632 A CN112329632 A CN 112329632A
- Authority
- CN
- China
- Prior art keywords
- color
- colors
- smoke
- gaussian
- image
- 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
Classifications
-
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的基于视频分析技术的烟雾识别方法,涉及计算机视觉技术领域,通过提取烟雾运动区域的图像,从多种颜色中提取设定的几种颜色,分别对几种颜色进行建模,分别判断几种颜色的R值、G值及B值之间的相似度,选择相似度是否处于设定的第一阈值范围的颜色,选择一个色调H处于设定的第二阈值范围的颜色作为基准颜色,分别计算第二颜色集合中基准颜色之外的颜色与基准颜色之间的空间距离,根据空间距离识别烟雾点,提高了烟雾检测的精确度、响应速度及适用范围。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种基于视频分析技术的烟雾识别方法,适用于现场作业人员烟雾检测、识别及预警。
背景技术
传统的烟雾识别方案一般利用各类传感器对烟雾颗粒进行检测。由于传感器容易发生漏检并且传感器工作环境要求严苛、维护成本高,导致该方案无法精确识别火灾现场数据。除此之外,针对发生火灾的区域,需要监控的空间范围大,环境复杂多变,烟雾扩散迅速,无法快速地对烟雾浓度和温度进行检测。
近年来,数据传输技术日臻成熟,视频火灾监控***也逐渐投入应用,但视频火灾监控***依赖操作人员对视频的监控来判断被监控场景中是否发生火灾不仅造成了大量劳动力的浪费,而且判断者无法长时间集中注意力投入视频监控,因此,研究一种能够精确、响应速度快及智能的烟雾识别方法是很有必要的。
发明内容
为解决现有技术的不足,本发明实施例提供了一种基于视频分析技术的烟雾识别方法,该方法包括以下步骤:
利用预设的混合高斯模型提取烟雾运动区域的图像;
分析所述图像的颜色特征,得到多种颜色并利用颜色提取技术,从所述多种颜色中提取设定的几种颜色,得到第一颜色集合;
分别对所述几种颜色进行建模,得到多个RGB颜色模型及多个HSI颜色模型;
利用公式A=(|R-G|,|G-B|,|B-R|),分别判断所述几种颜色的R值、G值及B值之间的相似度A;
选择相似度是否处于设定的第一阈值范围的颜色,得到第二颜色集合;
从所述第二颜色集合中选择一个色调H处于设定的第二阈值范围的颜色作为基准颜色;
V1=(1-i)2,
V2=S×cos H-s×cosh×(S×cos H-s×cosh),
V3=S×cos H-s×sinh×(S×cos H-s×cosh),S、H分别为基准颜色的色调及饱和度,s、h及i分别为所述第二颜色集合中基准颜色之外的颜色的色调、饱和度及强度;
判断所述空间距离D是否大于设定的阈值,若是,则将对应的颜色所在的像素点确定为烟雾点,若否,则确定对应的颜色与所述基准颜色相似并保留所述颜色。
优选地,利用预设的混合高斯模型提取烟雾运动区域的图像包括:
为所述图像中各个像素点建立高斯模型,得到多个单高斯模型;
利用所述多个单高斯模型,判断烟雾区域的图像是否为烟雾运动区域的图像,其中,各个单高斯模型的函数表达式为:其中,K为混合高斯模型中高斯模型的数量,wi,t、μi,t为t时刻混合高斯模型中第i个高斯模型的权重和均值,∑i,t为t时刻混合高斯模型中第i个高斯模型的协方差矩阵,ηi,t为在t时刻混合高斯模型中第i个高斯模型的概率密度函数。
优选地,所述设定的几种颜色包括蓝白色、黑色。
本发明实施例提供的基于视频分析技术的烟雾识别方法,具有以下有益效果:
根据HSI颜色的空间距离与人类视觉的关系,分析并提取图像中的烟雾点以判别是否有火焰产生,基于计算机视觉、非接触的火灾预防技术,适用于大空间、室外等场所的火灾预防,具有响应快、不易受外界环境干扰、作用距离远的特点,能够精确、全面、及时地检测到烟雾,则可提供更早的火灾预警,达到杜绝火灾发生的目的,从而抑制火灾灾害和减少火灾损失。
具体实施方式
以下结合具体实施例对本发明作具体的介绍。
本发明提供的实施例提供的基于视频分析技术的烟雾识别方法,包括以下步骤:
S101,利用预设的混合高斯模型提取烟雾运动区域的图像。
S102,分析图像的颜色特征,得到多种颜色并利用颜色提取技术,从多种颜色中提取设定的几种颜色,得到第一颜色集合,实现了将一些具有某种特定颜色的识别目标从背景图像中分离出来,防止背景图像对识别目标的干扰。
S103,分别对几种颜色进行建模,得到多个RGB颜色模型及多个HSI颜色模型。
其中,R、G、B分别是红色(RED)、绿色(Green)、蓝色(Blue)三原色的首字母缩写,在RGB颜色模型中,通过R、G、B三种颜色的叠加可以呈现出不同的颜色,每个颜色分量的取值范围都是[0,255],0表示该颜色所占的比例最小,255表示该颜色所占的比例最大,(255,0,0)表示红色,(0,0,0)表示黑色,(255,255,255)表示白色。
S104,利用公式A=(|R-G|,|G-B|,|B-R|),分别判断几种颜色的R值、G值及B值之间的相似度A。
S105,选择相似度是否处于设定的第一阈值范围的颜色,得到第二颜色集合。
作为一个具体的实施例,第一阈值范围为[0,20]。
S106,从第二颜色集合中选择一个色调H处于设定的第二阈值范围的颜色作为基准颜色。
作为一个具体的实施例,第二阈值范围为[175°,185°]。
V1=(1-i)2,
V2=S×cos H-s×cosh×(S×cos H-s×cosh),
V3=S×cos H-s×sinh×(S×cos H-s×cosh),S、H分别为基准颜色的色调及饱和度,s、h及i分别为所述第二颜色集合中基准颜色之外的颜色的色调、饱和度及强度。
S108,判断空间距离D是否大于设定的阈值,若是,则将对应的颜色所在的像素点确定为烟雾点,若否,则确定对应的颜色与基准颜色相似并保留所述颜色。
作为一个具体的实施例,当空间距离D大于0.2时,确定对应的颜色为烟雾点。
可选地,利用预设的混合高斯模型提取烟雾运动区域的图像包括:
为图像中各个像素点建立高斯模型,得到多个单高斯模型;
利用多个单高斯模型,判断烟雾区域的图像是否为烟雾运动区域的图像,其中,各个单高斯模型的函数表达式为:其中,K为混合高斯模型中高斯模型的数量,wi,t、μi,t为t时刻混合高斯模型中第i个高斯模型的权重和均值,∑i,t为t时刻混合高斯模型中第i个高斯模型的协方差矩阵,ηi,t为在t时刻混合高斯模型中第i个高斯模型的概率密度函数。
可选地,设定的几种颜色包括蓝白色、黑色。
其中,烟雾的特征包括颜色特征、纹理特征、运动特征、小波能量、扩散特征等等,燃料燃烧初期的烟雾通常是青灰色,其R值、G值、B值基本相等,不同的材料燃烧产生的烟雾颜色也有所不同,比如:树叶一般是蓝白色的烟雾,化工类的燃料会产生黑色的烟。
本发明实施例提供的基于视频分析技术的烟雾识别方法,通过提取烟雾运动区域的图像,从多种颜色中提取设定的几种颜色,分别对几种颜色进行建模,分别判断几种颜色的R值、G值及B值之间的相似度,选择相似度是否处于设定的第一阈值范围的颜色,选择一个色调H处于设定的第二阈值范围的颜色作为基准颜色,分别计算第二颜色集合中基准颜色之外的颜色与基准颜色之间的空间距离,根据空间距离识别烟雾点,提高了烟雾检测的精确度、响应速度及适用范围。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。
所属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***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外,存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意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、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (4)
1.一种基于视频分析技术的烟雾识别方法,其特征在于,包括:
利用预设的混合高斯模型提取烟雾运动区域的图像;
分析所述图像的颜色特征,得到多种颜色并利用颜色提取技术,从所述多种颜色中提取设定的几种颜色,得到第一颜色集合;
分别对所述几种颜色进行建模,得到多个RGB颜色模型及多个HSI颜色模型;
利用公式A=(|R-G|,|G-B|,|B-R|),分别判断所述几种颜色的R值、G值及B值之间的相似度A;
选择相似度是否处于设定的第一阈值范围的颜色,得到第二颜色集合;
从所述第二颜色集合中选择一个色调H处于设定的第二阈值范围的颜色作为基准颜色;
V1=(1-i)2,
V2=S×cosH-s×cosh×(S×cosH-s×cosh),
V3=S×cosH-s×sinh×(S×cosH-s×cosh),S、H分别为基准颜色的色调及饱和度,s、h及i分别为所述第二颜色集合中基准颜色之外的颜色的色调、饱和度及强度;
判断所述空间距离D是否大于设定的阈值,若是,则将对应的颜色所在的像素点确定为烟雾点,若否,则确定对应的颜色与所述基准颜色相似并保留所述颜色。
3.根据权利要求1所述的基于视频分析技术的烟雾识别方法,其特征在于,所述设定的几种颜色包括蓝白色、黑色。
4.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-2所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011225520.4A CN112329632B (zh) | 2020-11-05 | 2020-11-05 | 一种基于视频分析技术的烟雾识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011225520.4A CN112329632B (zh) | 2020-11-05 | 2020-11-05 | 一种基于视频分析技术的烟雾识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329632A true CN112329632A (zh) | 2021-02-05 |
CN112329632B CN112329632B (zh) | 2022-11-25 |
Family
ID=74316108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011225520.4A Active CN112329632B (zh) | 2020-11-05 | 2020-11-05 | 一种基于视频分析技术的烟雾识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329632B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825161A (zh) * | 2015-01-07 | 2016-08-03 | 阿里巴巴集团控股有限公司 | 图像的肤色检测方法及其*** |
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 |
CN109214392A (zh) * | 2017-07-04 | 2019-01-15 | 北京航天长峰科技工业集团有限公司 | 一种通过视频监控进行烟雾检测的方法 |
-
2020
- 2020-11-05 CN CN202011225520.4A patent/CN112329632B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825161A (zh) * | 2015-01-07 | 2016-08-03 | 阿里巴巴集团控股有限公司 | 图像的肤色检测方法及其*** |
CN109214392A (zh) * | 2017-07-04 | 2019-01-15 | 北京航天长峰科技工业集团有限公司 | 一种通过视频监控进行烟雾检测的方法 |
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 (2)
Title |
---|
林宏等: "基于视频的早期森林火灾识别算法研究", 《消防科学与技术》 * |
陈康等: "基于串并行处理的多特征交通视频烟雾检测算法", 《计算机与现代化》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112329632B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ivašić-Kos et al. | Human detection in thermal imaging using YOLO | |
CN110222672B (zh) | 施工现场的安全帽佩戴检测方法、装置、设备及存储介质 | |
Zhao et al. | SVM based forest fire detection using static and dynamic features | |
CN103617414B (zh) | 一种基于最大间距准则的火灾颜色模型的火灾火焰和烟雾识别方法 | |
CN110033040B (zh) | 一种火焰识别方法、***、介质和设备 | |
Shidik et al. | Multi color feature, background subtraction and time frame selection for fire detection | |
Chen et al. | A novel fire identification algorithm based on improved color segmentation and enhanced feature data | |
Cheng et al. | An efficient fire detection algorithm based on multi‐scale convolutional neural network | |
Sun et al. | Image recognition technology in texture identification of marine sediment sonar image | |
Chanthiya et al. | Forest fire detection on LANDSAT images using support vector machine | |
De Venâncio et al. | Fire detection based on a two-dimensional convolutional neural network and temporal analysis | |
CN113065454B (zh) | 一种高空抛物目标识别比较的方法及装置 | |
CN112329632B (zh) | 一种基于视频分析技术的烟雾识别方法 | |
CN111368865A (zh) | 遥感影像储油罐检测方法、装置、可读存储介质及设备 | |
CN111611866B (zh) | 基于YCrCb和LAB颜色空间的火焰检测识别方法及*** | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及*** | |
CN112347874A (zh) | 一种火灾检测方法、装置、设备及存储介质 | |
Kumar et al. | Computer vision-based early fire detection using machine learning | |
CN109325946A (zh) | 一种危险化学品堆垛监测方法和*** | |
Gao et al. | Design and implementation of fire detection system using new model mixing | |
Diwate et al. | Lower complex CNN model for fire detection in surveillance videos | |
CN111191575A (zh) | 一种基于火苗跳动建模的明火检测方法及*** | |
CN107784665B (zh) | 一种动态物体跟踪方法和*** | |
Nguyen et al. | An improvement of the camshift human tracking algorithm based on deep learning and the Kalman filter | |
CN110308868A (zh) | 自适应大数据存储平台 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230417 Address after: Full Floor 14, Unit 3, Building 2, No. 11, Middle Spectra Road, Huangpu District, Guangzhou, Guangdong 510700 Patentee after: China Southern Power Grid Digital Grid Technology (Guangdong) Co.,Ltd. Address before: Room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province 510555 Patentee before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
TR01 | Transfer of patent right |