CN115601919A - 基于物联网设备和视频图像综合识别的火灾报警方法 - Google Patents
基于物联网设备和视频图像综合识别的火灾报警方法 Download PDFInfo
- Publication number
- CN115601919A CN115601919A CN202211338857.5A CN202211338857A CN115601919A CN 115601919 A CN115601919 A CN 115601919A CN 202211338857 A CN202211338857 A CN 202211338857A CN 115601919 A CN115601919 A CN 115601919A
- Authority
- CN
- China
- Prior art keywords
- fire
- image
- flame
- video
- real
- 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 21
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 21
- 230000033001 locomotion Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012800 visualization Methods 0.000 abstract description 2
- 239000006185 dispersion Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 235000009781 Myrtillocactus geometrizans Nutrition 0.000 description 1
- 240000009125 Myrtillocactus geometrizans Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明涉及图形可视化技术领域，具体来说是一种基于消防物联网技术和视频图像识别的火灾报警的方法。包括步骤：接收到消防现场物联网设备上报的火灾信号；连续实时提取消防现场的视频图像，并对实时图像作预处理；对预处理后的实时图像进行灰度处理，把疑似火焰形状从图像中分割出来；提取疑似火焰形状的特征，如果该特征满足一定经验阈值，则判定该疑似火焰为真实火焰。本发明在运行消防物联网设备的同时，采用视频监控***以及视频图像分析、图像处理技术对火焰图像进行分析、处理，最终识别出是否有火灾发生。本发明对提高算法效率及降低误报率等方面作了提升，增强了***的抗干扰能力。
Description
技术领域
本发明涉及图形可视化技术领域，具体来说是一种基于消防物联网技术和视频图像识别的火灾报警的方法。
背景技术
随着社会经济快速发展，各个地区对消防和安防的重视程度越来越高。然而，目前消防在应用层面上会产生一定的误报几率，为后面的火灾判定和处置环节造成了一定的影响。
在早期火灾阶段，由于火焰从无到有，是一个发生发展的过程。这个阶段火焰的图像特征比较明显。已有很多学者对此阶段的火焰图像识别做了深入的研究工作。大多数的火焰识别算法主要集中在火焰颜色分析和火焰面积分析上，其算法具有速度快、实时性好等优点，但易受到外界干扰，因此不适合在复杂的环境下工作。
发明内容
本发明所要解决的技术问题是提供一种基于消防物联网技术和视频图像识别的火灾报警的方法。
为解决上述技术问题，本发明将消防物联网技术和视频图像识别技术相结合，提出了基于消防物联网技术和视频图像识别的火灾报警的方法。
基于消防物联网技术和视频图像识别的火灾报警的方法，包括以下几个步骤：
s1、接收到消防现场物联网设备上报的火灾信号；
s2、连续实时提取消防现场的视频图像，并对实时图像作预处理；
s3、对预处理后的实时图像进行灰度处理，把疑似火焰形状从图像中分割出来；
s4、提取疑似火焰形状的特征，如果该特征满足一定经验阈值，则判定该疑似火焰为真实火焰。
所述步骤2包括：
2-1、将获取到的现场视频信号转换成若干帧数字图像；
2-2、对每帧数字图像，***采用差影变换比较该图像与无火灾情形下的正常数字图像；
2-3、判断两幅图像是否不同；如果相同，则提示从视频分析角度认为此时未发生火灾；如果不同，则认为当前图像为疑似火灾图像。
所述步骤3包括：
3-1、对疑似火灾图像进行阈值变换，
3-2、将阈值高于临界值的区域从图像中分割出来。
所述步骤4包括：
对分割出来的区域，从面积变化、颜色变化、边缘变化、闪烁频率和整体移动五个判据，分别设置判定阀值，如果均满足设定阈值，则判断发生了火灾，否则，判断为从视频分析角度不认为发生火灾。
本发明在运行消防物联网设备的同时，采用视频监控***以及视频图像分析、图像处理技术对火焰图像进行分析、处理，最终识别出是否有火灾发生。本发明对提高算法效率及降低误报率等方面作了提升，增强了***的抗干扰能力。
附图说明
下面结合附图和具体实施方式对本发明的技术方案作进一步具体说明。
图1为本发明的流程图。
具体实施方式
基于消防物联网技术和视频图像识别的火灾报警的方法，包括以下几个步骤：
s1、接收到消防现场物联网设备上报的火灾信号。当发生火灾时时，物联网消防设备能够第一时间感知。消防设备的传感器中有放射性物质能够产生电流，当烟雾中的烟粒子进入传感器会扰乱电流，从而产生报警。
s2、连续实时提取消防现场的视频图像，并对实时图像作预处理。包括：
2-1、将获取到的现场视频信号转换成若干帧数字图像序列；
2-2、对每帧数字图像，***采用差影变换比较该图像与无火灾情形下的正常数字图像；
2-3、判断两幅图像是否不同；如果相同，则提示从视频分析角度认为此时未发生火灾；如果不同，则认为当前图像为疑似火灾图像。
在实际情况中，大部分时间是处于无火灾的正常状态，因此，先保存无火灾情况下的正常图像。采用差影变换，来检测无火灾情况下的图像与火灾报警时的图像二者的状态是否有改变。运算公式为:
ΔPi(x，y)＝Pi(x，y)-Pi-1/(x，y)
Pi(x，y)为实时的待处理图像，Pi-1(x，y)为保存的无火灾情况下的正常图像，火警发生后的每一帧实时图像均与正常图像作差影变换，以判断是否有异常。设定阈值ε，当|ΔPi(x，y)|<ε时，则不需进行后面的计算。当|ΔPi(x，y)|≥ε时，则作进一步后续处理。
s3、对预处理后的实时图像进行灰度处理，把疑似火焰形状从图像中分割出来。包括：
3-1、对疑似火灾图像进行阈值变换。从摄像头的流中获取每一帧图像，采集到的是RGB图像，RGB图像的每个像素有三个分量分别表示R、G、B，将RGB图像转为灰度图像处理，能够提高计算效率。对于灰度值小于阈值的像素值直接设置一个临界值，阈值的选取采用固定阈值分割。
3-2、将阈值高于临界值的部分从图像中分割出来。由于火焰的灰度值高于阈值时，可以将火焰区域提取出来，作进一步分析。然后对图像进行腐蚀和膨胀，腐蚀是为了让图像边缘更加平滑，剔除微小的噪声，膨胀是为了使区域更加连贯，对处理后的结果查找图像轮廓，获取一系列候选区域。最后对图像轮廓进行尺寸筛选，由于火焰尺寸不会太小，因此剔除像素尺寸较小的候选框，最后得到的结果便是视频中的火焰区域。
s4、提取疑似火焰形状的特征，如果该特征满足一定经验阈值，则判定该疑似火焰为真实火焰。包括，对分割出来的图像，从面积变化、颜色变化、边缘变化、闪烁频率和整体移动五个判据，分别设置判定阀值，如果均满足设定阈值，则判断发生了火灾，否则，判断为从视频分析角度不认为发生火灾。具体分别描述如下：
i、面积变化
早期火灾是火灾发生后其不断发展的过程。在这个过程中，火灾的物理特征在图像上的表现是，火焰目标区域的面积不断发生变化，其规律是在连续几帧图像中，分割出的火焰目标区域的面积是呈增长趋势的。因此，图像上表现为高亮度区域持续增长，同时也反映了火焰在空间分布的变化。在图像处理中，面积是通过阈值分割后分割出目标区域，再统计出目标区域的像素点来实现目标图像面积的计算。采用的算法是计算连续几帧图像的火焰面积，并计算其比值，用火灾面积增长率Gi作为判据。
其中，Size(Ri)为第Ri图像区域的面积，t、t0分别为当前时间和初始时间。
例如﹐计算目标区域面积并连续往后取4帧，计算目标区域面积，如果图像没有很大变化，***将放弃这5帧图像，更新背景继续进行检测。如果有火灾发生，则连续5帧图像的目标区域像素会有一定增长，此时再进入下一步检测算法。
ii、颜色变化
火焰有着与众不同的特征，它的颜色、温度、形状以及跳动的形式都可以作为识别的依据，任何RGB图像中只要满足R>＝G且G>B的颜色都可以看作是火焰。但是这种模型的误报会很多，可以把RGB图像模式转换为HSV颜色模式。这个模型中的颜色参数分别是:色调(H)，饱和度(S)，亮度(V)，然后通过精确计算出每一帧图像的亮度和颜色值，筛选出火焰物体。
通过上一步的图像分割，已经得到了目标区域，把摄像头采集到的RGB图像转换为HSV颜色模式后就可以计算该目标区域的亮度和颜色值，通过多次实验统计得出，火焰的亮度值平均大于180，而颜色值则平均小于70，所以选取这两个值作为颜色判断的阈值。但是该判定条件的缺陷在于只能判定常见的火焰，而不能识别其它颜色的火焰，比如酒精燃烧时的蓝色火焰。因此，颜色判据还需要配合后续的判据使用。当具有火焰颜色区域的变化率足够高时，且其颜色分布具有火焰特点时，可以认为这个区域是火焰。具体算法如下：
Pi是连续n帧图像中的第i帧，I表示相应像素颜色的强度((R+G+B)/3)。
Diffs是火焰部分的全部变化，应该从中减去背景的变化，才得到火焰的变化。此处可先对采集的图像序列进行预处理，去除背景，得到可疑的火灾区域，再计算其变化率，此时无须考虑背景的变化，将Diff(x，y)作为火灾识别的一个判据。
iii、边缘变化
火灾发生时的火焰在图像上表现出不规则形状，而其它的干扰源比如手电筒、蜡烛、白炽灯则表现出比较规则形状，由此可用分散度作为排除常见干扰源的判据。假设图像目标区域的面积为S，周长为L，则分散度的计算为：L*L/S*(4*3.14)。目标区域的面积相同，则其形状越规则，其周长越小。周长越大则说明其形状越不规则。查阅资料得到常见分散度如下表1，根据数据选择合适的阈值。
表1.常见分散度
| 帧编号 | 1 | 2 | 3 | 4 | 5 |
| 钨丝灯 | 1.096 | 1.104 | 1.055 | 1.503 | 1.286 |
| 蜡烛 | 1.702 | 1.811 | 1.787 | 1.651 | 1.768 |
| 火焰目标 | 2.701 | 2.807 | 3.980 | 4.087 | 4.804 |
此外，早期火灾火焰与其它发光物体又具有尖角跳动特性，如下表2所示：
表2.常见发光物体尖角数
| 帧编号 | 1 | 2 | 3 | 4 | 5 |
| 火焰尖角数个数 | 6 | 9 | 15 | 9 | 21 |
| 白炽灯尖角数 | 1 | 2 | 1 | 1 | 1 |
由此可见早期火灾火焰的尖角数变化幅度较大。而其它干扰物的的尖角数则保持较小的波动。对于火焰尖角来说，特征点首先应该是它的顶点，顶点是局部的极值点，尖角顶点可能是多个点，那就都提取为特征点。由实验结果可以确定判定火焰目标的尖角数目的阈值。当火焰尖角数目超过该阈值，则可认定该区域为火焰。
iv、闪烁频率。可燃物燃烧时产生的火焰通常是闪烁的，这种闪烁并不是无规律的。每种可燃物都具有各自固定的闪烁频率。经过对采集到的图像序列进行处理和分析，由于火焰闪烁频率一定的范围内，并且火焰闪烁频率与火焰大小和距红外接收器件的距离无关。由此，可以将火焰的闪烁频率作为判断火灾是否发生的判据。
V、火焰的整体移动。对于火灾影像来说，早期的火灾在影像上表现为火灾中心位置具有相对稳定性，不会出现位置上的较大移动，其移动是平滑的，非跳跃性的。而很多的假信号如移动的车灯通过相对稳定性分析后，可以作为噪声加以排除。根据提取的亮斑边缘，通过计算火焰图像的中心位置的几何中心(x，y)来判断火焰的整体移动。
因此，对火焰来说，其中心具有明显连续运动的特征。对于电筒序列，由于其本身的颤动，和摄制时引入的噪声影响，其变化规律是在一定范围内无规则的跳动。由此可见，检查可疑区域的整体移动特性可以识别出一类向着摄像机方向运动的干扰现象，将一些生活中常见的非火灾信号与早期火灾信号区别开来。
经过上述从面积变化、颜色变化、边缘变化、闪烁频率和整体移动五个判据识别火焰。以上的判据都满足时，就认为是发生了火灾，从而降低***的误报率，使火灾识别更为准确可靠。
此外，还将人工神经网络用于火灾火焰的判断，使火灾探测***具有了自学习、自适应能力，为火灾探测中的信号处理提供了更丰富的手段。在图像处理过程中，采用先进行图像分割的方法，使算法效率得到了显著的提高，满足了***实时性的要求。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于消防物联网技术和视频图像识别的火灾报警的方法，其特征在于，包括以下几个步骤：
s1、接收到消防现场物联网设备上报的火灾信号；
s2、连续实时提取消防现场的视频图像，并对实时图像作预处理；
s3、对预处理后的实时图像进行灰度处理，把疑似火焰形状从图像中分割出来；
s4、提取疑似火焰形状的特征，如果该特征满足一定经验阈值，则判定该疑似火焰为真实火焰。
2.根据权利要求1所述的基于消防物联网技术和视频图像识别的火灾报警的方法，其特征在于，所述步骤2包括：
2-1、将获取到的现场视频信号转换成若干帧数字图像；
2-2、对每帧数字图像，***采用差影变换比较该图像与无火灾情形下的正常数字图像；
2-3、判断两幅图像是否不同；如果相同，则提示从视频分析角度认为此时未发生火灾；如果不同，则认为当前图像为疑似火灾图像。
3.根据权利要求1或2所述基于消防物联网技术和视频图像识别的火灾报警的方法，其特征在于，所述步骤3包括：
3-1、对疑似火灾图像进行阈值变换；
3-2、将阈值高于临界值的区域从图像中分割出来。
4.根据权利要求3所述的基于消防物联网技术和视频图像识别的火灾报警的方法，其特征在于，所述步骤4包括：
对分割出来的区域，从面积变化、颜色变化、边缘变化、闪烁频率和整体移动五个判据,分别设置判定阀值，如果均满足设定阈值，则判断发生了火灾，否则，判断为从视频分析角度不认为发生火灾。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211338857.5A CN115601919A (zh) | 2022-10-28 | 2022-10-28 | 基于物联网设备和视频图像综合识别的火灾报警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211338857.5A CN115601919A (zh) | 2022-10-28 | 2022-10-28 | 基于物联网设备和视频图像综合识别的火灾报警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115601919A true CN115601919A (zh) | 2023-01-13 |
Family
ID=84851198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211338857.5A Pending CN115601919A (zh) | 2022-10-28 | 2022-10-28 | 基于物联网设备和视频图像综合识别的火灾报警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115601919A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841731A (zh) * | 2023-02-16 | 2023-03-24 | 广东汇通信息科技股份有限公司 | 一种红外监测的园区火灾预警方法 |
| CN116597603A (zh) * | 2023-07-19 | 2023-08-15 | 山东哲远信息科技有限公司 | 一种智能消防火灾报警***及其控制方法 |
| CN117640980A (zh) * | 2023-12-06 | 2024-03-01 | 金安桥水电站有限公司 | 一种基于数据处理的视频调度***及方法 |
-
2022
- 2022-10-28 CN CN202211338857.5A patent/CN115601919A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841731A (zh) * | 2023-02-16 | 2023-03-24 | 广东汇通信息科技股份有限公司 | 一种红外监测的园区火灾预警方法 |
| CN115841731B (zh) * | 2023-02-16 | 2023-05-05 | 广东汇通信息科技股份有限公司 | 一种红外监测的园区火灾预警方法 |
| CN116597603A (zh) * | 2023-07-19 | 2023-08-15 | 山东哲远信息科技有限公司 | 一种智能消防火灾报警***及其控制方法 |
| CN116597603B (zh) * | 2023-07-19 | 2023-10-10 | 山东哲远信息科技有限公司 | 一种智能消防火灾报警***及其控制方法 |
| CN117640980A (zh) * | 2023-12-06 | 2024-03-01 | 金安桥水电站有限公司 | 一种基于数据处理的视频调度***及方法 |
| CN117640980B (zh) * | 2023-12-06 | 2024-05-28 | 金安桥水电站有限公司 | 一种基于数据处理的视频调度***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115601919A (zh) | 基于物联网设备和视频图像综合识别的火灾报警方法 | |
| CN112133052B (zh) | 核电厂图像火灾探测方法 | |
| CN112069975B (zh) | 一种基于紫外、红外、视觉的综合火焰检测方法 | |
| Qi et al. | A computer vision based method for fire detection in color videos | |
| CN107085714B (zh) | 一种基于视频的森林火灾检测方法 | |
| EP0822526B1 (en) | Fire detection system | |
| JP4668978B2 (ja) | 火炎検出方法及びその装置 | |
| CN108399359B (zh) | 一种视频序列下实时火灾检测预警方法 | |
| Pritam et al. | Detection of fire using image processing techniques with LUV color space | |
| Wang et al. | A new fire detection method using a multi-expert system based on color dispersion, similarity and centroid motion in indoor environment | |
| CN115311604B (zh) | 一种基于物联网的消防方法 | |
| KR101196678B1 (ko) | 실시간 화재 감시 장치 및 방법 | |
| CN108830161A (zh) | 基于视频流数据的烟雾识别方法 | |
| KR20050009135A (ko) | 불꽃 검출 방법 및 장치 | |
| KR101044903B1 (ko) | 영상 감시 시스템에서 은닉 마르코프 모델을 이용한 불 검출방법 | |
| CN107729811B (zh) | 一种基于场景建模的夜间火焰检测方法 | |
| Qian et al. | Video image fire recognition based on color space and moving object detection | |
| Ji-neng et al. | An early flame identification method based on edge gradient feature | |
| JP6166650B2 (ja) | 炎検出装置および炎検出方法 | |
| Chen et al. | Flame recognition in video images with color and dynamic features of flames | |
| JP6140599B2 (ja) | 炎検出装置 | |
| JP6138036B2 (ja) | 炎検出装置 | |
| Khan et al. | Real-time fire detection using enhanced color segmentation and novel foreground extraction | |
| CN113808117A (zh) | 灯具检测方法、装置、设备及存储介质 | |
| KR101394474B1 (ko) | 그림자 추정 장치 |
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 |