一種基于視頻圖像縱向特征的火災檢測方法
【專利摘要】本發(fā)明公開一種基于視頻圖像縱向特征的火災檢測方法，其基于攝像頭，通過分析火災現(xiàn)場圖像的縱向特征，結(jié)合實時變化的環(huán)境特征進行火災識別，實現(xiàn)高效、高可靠性的實時火災檢測。相較于傳統(tǒng)基于各類傳感器的檢測方法，本發(fā)明利用視頻圖像對火災進行檢測，能實現(xiàn)大范圍，低成本的火災監(jiān)控，尤其適合對森林等大尺度室外環(huán)境的火災監(jiān)控；同時相較于傳統(tǒng)基于像素和絕對顏色的視頻識別方法，本發(fā)明通過分析視頻圖像縱向特征變化，實現(xiàn)更加快速的檢測，并且能有效抵抗實時變化的環(huán)境對檢測的影響，降低錯誤報警率，提高火災檢測的可靠性。
【專利說明】一種基于視頻圖像縱向特征的火災檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及火災檢測【技術(shù)領(lǐng)域】，尤其涉及一種基于視頻圖像縱向特征的火災檢測方法。
【背景技術(shù)】
[0002]火災，作為一種人為災害，是指火源失去控制蔓延發(fā)展而給人民生命財產(chǎn)造成損失的一種災害性燃燒現(xiàn)象。在各種災害中，火災是最經(jīng)常、最普遍地威脅公眾安全和社會發(fā)展的主要災害之一。火災還是一種終極型災害，任何其他災害最后都可能導致火災?；馂哪軣羧祟惤?jīng)過辛勤勞動創(chuàng)造的物質(zhì)財富，使工廠、倉庫、城鎮(zhèn)、鄉(xiāng)村和大量的生產(chǎn)、生活資料化為灰燼，一定程度上影響著社會經(jīng)濟的發(fā)展和人們的正常生活。火災還污染了大氣，破壞了生態(tài)環(huán)境?；馂牟粌H使一些人陷于困境，它還涂炭生靈，奪去許多人的生命和健康，造成難以消除的身心痛苦。據(jù)世界火災統(tǒng)計中心及歐洲共同體研究測算，如火災直接損失占國民經(jīng)濟生產(chǎn)總值的2%。，整個火災的損失將占國民經(jīng)濟生產(chǎn)總值的10%。以上?，F(xiàn)代社會空前發(fā)展，積累了巨大的社會財富。特別是在城市地區(qū)，社會人口相對集中，建筑設(shè)施鱗次櫛t匕，一旦發(fā)生火災，會嚴重危害人們的生命財產(chǎn)安全，造成慘重的損失。因此，我國政府高度重視消防安全工作。在我國，火災危害之烈，損失之巨，不亞于地震和洪水的危害。近年來，我國城市火災頻頻，深圳、廣州、上海、長沙、石河子、吉林、浙江等地發(fā)生的特大火災所造成的危害及后果，給人們留下了極其深刻的印象，火災給國家和人民的生命財產(chǎn)造成了巨大的損失。
[0003]目前，國內(nèi)對各種場合的火災監(jiān)控還沒有十分有效的方法，基本上還是采用傳統(tǒng)的煙霧顆粒感應或者紅外線、激光技術(shù)。傳統(tǒng)煙霧顆粒感應系統(tǒng)需要煙霧顆粒進入傳感器才能引起報警，紅外及激光技術(shù)也需要煙霧遮擋才能引發(fā)報警。這些技術(shù)的前提要求是場合為相對封閉的空間，然而室外場合像森林、煉油廠、倉庫等因為設(shè)備設(shè)施分散，空氣流動大，傳統(tǒng)煙火設(shè)備根本起不到作用，現(xiàn)在往往采用人員值守看管，造成管理成本上升和不必要的人員工作負擔。目前也存在一些利用圖像分析技術(shù)進行火災識別的系統(tǒng)，這些系統(tǒng)普遍采用對圖像像素進行顏色特征分析，從而對火災中的煙霧和火焰進行識別，但是由于背景等環(huán)境因素，尤其是實時變化的天氣、光照等因素的影響，使得這些方法很難適應各類場景，并且檢測結(jié)果很容易受到環(huán)境干擾，例如無法有效區(qū)分烏云和煙霧，晚霞和火焰等。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于通過一種基于視頻圖像縱向特征的火災檢測方法，來解決以上【背景技術(shù)】部分提到的問題。
[0005]為達此目的，本發(fā)明采用以下技術(shù)方案:
[0006]一種基于視頻圖像縱向特征的火災檢測方法，其包括如下步驟:
[0007]A、提取火災縱向特征:輸入非火災現(xiàn)場畫面和火災現(xiàn)場畫面，獲得基于支撐向量的火情檢測分類器；[0008]B、分時段背景環(huán)境學習:記錄正常情況下不同時段的背景圖像，并保存；
[0009]C、粗粒度檢測:將攝像頭采集的實時視頻圖像與當前時段的歷史背景圖像進行比較，若無差異，則當前幀圖像檢測結(jié)束，若差異大于預設(shè)閾值，則執(zhí)行細粒度檢測；
[0010]D、細粒度檢測:提取當前視頻圖像的縱向特征，并將其輸入所述火情檢測分類器檢測，得到是否匹配的結(jié)果；
[0011]E、根據(jù)步驟D的檢測結(jié)果，判斷是否存在火災。
[0012]特別地，所述步驟A具體包括:輸入非火災現(xiàn)場畫面和火災現(xiàn)場畫面，對每一個場景的每一組火災畫面Pi’和非火災畫面Pi中計算出其相同的部分Ci ;從巧’中減去Ci得到火情的圖像Fi ;將Fi進行縱向分割，得到一系列豎條狀圖像；提取所述豎條狀圖像的縱向顏色特征向量；將所述縱向顏色特征向量輸入支撐向量機進行學習，獲得基于支撐向量的火情檢測分類器。
[0013]特別地，所述D具體包括:將當前視頻圖像減去該時段歷史圖像的公共部分，得到差異圖像；將所述差異圖像進行縱向分割得到一系列豎條狀圖像；提取每一豎條圖像的顏色特征向量，將其輸入所述火情檢測分類器進行檢測，得到是否匹配的結(jié)果，并返回匹配豎條圖像的位置。
[0014]特別地，所述步驟E具體包括:根據(jù)步驟D的檢測結(jié)果，若與火災特征匹配的豎條圖像連續(xù)出現(xiàn)，則在所述視頻圖像上標注出火災檢測結(jié)果，否則判斷為無火情。
[0015]本發(fā)明提供的基于視頻圖像縱向特征的火災檢測方法基于攝像頭，通過分析火災現(xiàn)場圖像的縱向特征，結(jié)合實時變化的環(huán)境特征進行火災識別，實現(xiàn)高效、高可靠性的實時火災檢測。相較于傳統(tǒng)基于各類傳感器的檢測方法，本發(fā)明利用視頻圖像對火災進行檢測，能實現(xiàn)大范圍，低成本的火災監(jiān)控，尤其適合對森林等大尺度室外環(huán)境的火災監(jiān)控；同時相較于傳統(tǒng)基于像素和絕對顏色的視頻識別方法，本發(fā)明通過分析視頻圖像縱向特征變化，實現(xiàn)更加快速的檢測，并且能有效抵抗實時變化的環(huán)境對檢測的影響，降低錯誤報警率，提高火災檢測的可靠性。
【專利附圖】

【附圖說明】
[0016]圖1為本發(fā)明實施例提供的基于視頻圖像縱向特征的火災檢測方法流程圖?！揪唧w實施方式】
[0017]下面結(jié)合附圖和實施例對本發(fā)明作進一步說明?？梢岳斫獾氖?，此處所描述的具體實施例僅僅用于解釋本發(fā)明，而非對本發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部內(nèi)容。
[0018]請參照圖1所示，圖1為本發(fā)明實施例提供的基于視頻圖像縱向特征的火災檢測方法流程圖。
[0019]本實施例中基于視頻圖像縱向特征的火災檢測方法具體包括如下步驟:
[0020]步驟S101、提取火災縱向特征:輸入大量非火災現(xiàn)場畫面和火災現(xiàn)場畫面，獲得基于支撐向量的火情檢測分類器。
[0021]通過大量觀察發(fā)現(xiàn)，火災存在著較典型的縱向特征，如火焰在下，煙霧在上。輸入非火災現(xiàn)場畫面和火災現(xiàn)場畫面，對每一個場景的每一組火災畫面Pi’和非火災畫面Pi中計算出其相同的部分Ci ;WPi’中減去Ci得到火情的圖像Fi JfFi進行縱向分割，得到一系列豎條狀圖像；提取所述豎條狀圖像的縱向顏色特征向量；將所述縱向顏色特征向量輸入支撐向量機進行學習，獲得基于支撐向量的火情檢測分類器。
[0022]步驟S102、分時段背景環(huán)境學習:記錄正常情況下不同時段的背景圖像，并進行保存。
[0023]步驟S103、粗粒度檢測:將攝像頭采集的實時視頻圖像與當前時段的歷史背景圖像進行比較，若無差異，則當前幀圖像檢測結(jié)束，若差異大于預設(shè)閾值，則執(zhí)行細粒度檢測。
[0024]步驟S104、細粒度檢測:提取當前視頻圖像的縱向特征，并將其輸入所述火情檢測分類器檢測，得到是否匹配的結(jié)果。
[0025]將當前視頻圖像減去該時段歷史圖像的公共部分，得到差異圖像；將所述差異圖像進行縱向分割得到一系列豎條狀圖像；提取每一豎條圖像的顏色特征向量，將其輸入所述火情檢測分類器進行檢測，得到是否匹配的結(jié)果，并返回匹配豎條圖像的位置。
[0026]步驟S105、根據(jù)步驟S104的檢測結(jié)果，判斷是否存在火災。
[0027]綜合火情分析，整合步驟S104的檢測結(jié)果，若與火災特征匹配的豎條圖像連續(xù)出現(xiàn)，則在所述視頻圖像上標注出火災檢測結(jié)果，否則判斷為無火情。
[0028]本發(fā)明的技術(shù)方案利用普通視頻監(jiān)控設(shè)備，結(jié)合火災的縱向特征，實現(xiàn)大尺度、高可靠性的火災監(jiān)控。相較于傳統(tǒng)基于各類傳感器的檢測方法，本發(fā)明利用視頻圖像對火災進行檢測，能實現(xiàn)大范圍，低成本的火災監(jiān)控，尤其適合對森林等大尺度室外環(huán)境的火災監(jiān)控；同時相較于傳統(tǒng)基于像素和絕對顏色的視頻識別方法，本發(fā)明通過分析視頻圖像縱向特征變化，實現(xiàn)更加快速的檢測，并且能有效抵抗實時變化的環(huán)境對檢測的影響，降低錯誤報警率，提高火災檢測的可靠性。
[0029]注意，上述僅為本發(fā)明的較佳實施例及所運用技術(shù)原理。本領(lǐng)域技術(shù)人員會理解，本發(fā)明不限于這里所述的特定實施例，對本領(lǐng)域技術(shù)人員來說能夠進行各種明顯的變化、重新調(diào)整和替代而不會脫離本發(fā)明的保護范圍。因此，雖然通過以上實施例對本發(fā)明進行了較為詳細的說明，但是本發(fā)明不僅僅限于以上實施例，在不脫離本發(fā)明構(gòu)思的情況下，還可以包括更多其他等效實施例，而本發(fā)明的范圍由所附的權(quán)利要求范圍決定。
【權(quán)利要求】
1.一種基于視頻圖像縱向特征的火災檢測方法，其特征在于，具體包括如下步驟: A、提取火災縱向特征:輸入非火災現(xiàn)場畫面和火災現(xiàn)場畫面，獲得基于支撐向量的火情檢測分類器； B、分時段背景環(huán)境學習:記錄正常情況下不同時段的背景圖像，并保存； C、粗粒度檢測:將攝像頭采集的實時視頻圖像與當前時段的歷史背景圖像進行比較，若無差異，則當前幀圖像檢測結(jié)束，若差異大于預設(shè)閾值，則執(zhí)行細粒度檢測； D、細粒度檢測:提取當前視頻圖像的縱向特征，并將其輸入所述火情檢測分類器檢測，得到是否匹配的結(jié)果； E、根據(jù)步驟D的檢測結(jié)果，判斷是否存在火災。
2.根據(jù)權(quán)利要求1所述的基于視頻圖像縱向特征的火災檢測方法，其特征在于，所述步驟A具體包括: 輸入非火災現(xiàn)場畫面和火災現(xiàn)場畫面，對每一個場景的每一組火災畫面Pi’和非火災畫面Pi中計算出其相同的部分Ci ;從Pi ’中減去Ci得到火情的圖像Fi ;將Fi進行縱向分害I]，得到一系列豎條狀圖像；提取所述豎條狀圖像的縱向顏色特征向量；將所述縱向顏色特征向量輸入支撐向量機進行學習，獲得基于支撐向量的火情檢測分類器。
3.根據(jù)權(quán)利要求1所述的基于視頻圖像縱向特征的火災檢測方法，其特征在于，所述D具體包括: 將當前視頻圖像減去該時段歷史圖像的公共部分，得到差異圖像；將所述差異圖像進行縱向分割得到一系列豎條狀圖像；提取每一豎條圖像的顏色特征向量，將其輸入所述火情檢測分類器進行檢測，得到是否匹配的結(jié)果，并返回匹配豎條圖像的位置。
4.根據(jù)權(quán)利要求1至3之一所述的基于視頻圖像縱向特征的火災檢測方法，其特征在于，所述步驟E具體包括: 根據(jù)步驟D的檢測結(jié)果，若與火災特征匹配的豎條圖像連續(xù)出現(xiàn)，則在所述視頻圖像上標注出火災檢測結(jié)果，否則判斷為無火情。
【文檔編號】G06K9/00GK103593938SQ201310590105
【公開日】2014年2月19日 申請日期:2013年11月20日 優(yōu)先權(quán)日:2013年11月20日
【發(fā)明者】張?zhí)m, 曹志超, 劉云浩 申請人:無錫北洋清安物聯(lián)科技有限公司