專利名稱：一種煙檢測方法、裝置及火災(zāi)檢測裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識別技術(shù)領(lǐng)域，更具體的說，是涉及一種煙檢測方法、裝置及火災(zāi) 檢測裝置。
背景技術(shù)：
傳統(tǒng)型火災(zāi)檢測器包括紅外傳感器和煙霧傳感器。這兩種傳感器可以探測火災(zāi) 發(fā)生時(shí)周圍環(huán)境的煙、溫度和光等參量，將這些參量進(jìn)行處理后發(fā)出火災(zāi)報(bào)警信號。這兩種 傳感器檢測周圍環(huán)境中的煙是基于空氣透明度的檢測。
傳統(tǒng)型火災(zāi)檢測器由于是基于環(huán)境周圍空氣透明度檢測周圍環(huán)境中是否有煙的， 所以需要將傳統(tǒng)型火災(zāi)檢測器放置在易發(fā)生火災(zāi)地區(qū)附近，如果易發(fā)生火災(zāi)地區(qū)面積較 大，則需要多個(gè)傳統(tǒng)型火災(zāi)檢測器，使得成本增加。發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供了一種煙檢測方法、裝置及火災(zāi)檢測裝置，以克服現(xiàn)有技術(shù) 中由于傳統(tǒng)型火災(zāi)檢測器只能檢測周圍環(huán)境中是否有煙，所以需要在火災(zāi)易發(fā)生地放置多 個(gè)傳統(tǒng)型火災(zāi)檢測器，導(dǎo)致成本增加的問題。
為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案
一種煙檢測方法，包括
獲取當(dāng)前環(huán)境的視頻圖像序列；
從所述視頻圖像序列中獲得當(dāng)前環(huán)境中的前景圖像；
從所述前景圖像中分離出與預(yù)先獲得的煙的顏色特征相符合的疑似煙區(qū)域，并將 所述疑似煙區(qū)域進(jìn)行二值化；
當(dāng)二值化后的所述疑似煙區(qū)域大于預(yù)設(shè)區(qū)域時(shí)，判斷二值化后的所述疑似煙區(qū)域 中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值是否發(fā)生變化，以及判斷二值化后的所述疑似 煙區(qū)域的輪廓是否發(fā)生變化；
在上述兩個(gè)判斷結(jié)果均為是的情況下，確定所述疑似煙區(qū)域?yàn)闊煛?br>
一種煙檢測裝置，包括
獲取圖像序列模塊，用于獲取當(dāng)前環(huán)境的視頻圖像序列；
獲得前景圖像模塊，用于從所述視頻圖像序列中獲得當(dāng)前環(huán)境中的前景圖像；
分離模塊，用于從所述前景圖像中分離出與預(yù)先獲得的煙的顏色特征相符合的疑 似煙區(qū)域，并將所述疑似煙區(qū)域進(jìn)行二值化；
判斷模塊，用于當(dāng)二值化后的所述疑似煙區(qū)域大于預(yù)設(shè)區(qū)域時(shí)，判斷二值化后的 所述疑似煙區(qū)域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值是否發(fā)生變化，以及判斷二值 化后的所述疑似煙區(qū)域的輪廓是否發(fā)生變化；
確定模塊，用于在所述判斷模塊中兩個(gè)判斷結(jié)果均為是的情況下，確定所述疑似 煙區(qū)域?yàn)闊煛?br>
一種火災(zāi)檢測裝置，包括上述任一所述裝置。
經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)施例提供的煙檢測方法，通 過獲取當(dāng)前環(huán)境的視頻圖像序列，從所述視頻圖像序列中獲得當(dāng)前環(huán)境中的前景圖像，從 所述前景圖像中分離出與預(yù)先獲得的煙的顏色特征相符合的疑似煙區(qū)域，并將所述疑似煙 區(qū)域進(jìn)行二值化，當(dāng)二值化后的所述疑似煙區(qū)域大于預(yù)設(shè)區(qū)域時(shí)，判斷二值化后的所述疑 似煙區(qū)域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值是否發(fā)生變化，以及判斷二值化后的 所述疑似煙區(qū)域的面積是否發(fā)生變化，在上述兩個(gè)判斷結(jié)果均為是的情況下，確定所述疑 似煙區(qū)域?yàn)闊?。由于上述煙的確定是通過煙的顏色特征確定的，所以只要能夠采集到當(dāng)前 環(huán)境的視頻圖像序列，不論空間有多大，都能確定出煙，從而解決了使用傳統(tǒng)型火災(zāi)檢測器 導(dǎo)致成本高的問題。進(jìn)一步的，由于操作人員可以根據(jù)疑似煙區(qū)域判斷出當(dāng)前火災(zāi)的大小， 并且可以根據(jù)疑似煙區(qū)域的面積的變化判斷出火災(zāi)的蔓延速度。
為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù) 提供的附圖獲得其他的附圖。
圖1為本發(fā)明實(shí)施例公開的一種煙檢測方法的流程圖2為本發(fā)明實(shí)施例提供的一種判斷二值化后的所述疑似煙區(qū)域中大于預(yù)設(shè)灰 度值的高頻區(qū)域?qū)?yīng)的灰度值是否發(fā)生變化方法的流程圖3為本發(fā)明實(shí)施例提供的一種判斷二值化后的所述疑似煙區(qū)域的面積是否發(fā) 生變化方法的流程圖4為本發(fā)明實(shí)施例提供的一種獲得擴(kuò)張縮小評價(jià)系數(shù)的方法流程圖5為本發(fā)明實(shí)施例提供的一種獲得合并分割評價(jià)系數(shù)的方法流程圖6為本發(fā)明實(shí)施例提供的一種獲得煙的顏色特征的方法流程圖7為本發(fā)明實(shí)施例提供的各種類別的煙的色彩散點(diǎn)圖8為本發(fā)明實(shí)施例提供的一種煙檢測裝置的結(jié)構(gòu)示意圖9為本發(fā)明實(shí)施例提供的一種判斷模塊的結(jié)構(gòu)示意圖10為本發(fā)明實(shí)施例提供的一種判斷模塊的結(jié)構(gòu)示意圖11為本發(fā)明實(shí)施例提供的視頻圖像序列的一幀視頻圖像
圖12為本發(fā)明實(shí)施例提供的從視頻圖像中提取的背景圖像
圖13為本發(fā)明實(shí)施例提供的從視頻圖像中提取的前景圖像
圖14為本發(fā)明實(shí)施例提供的從前景圖像中提取的疑似煙區(qū)域的圖像；
圖15為本發(fā)明實(shí)施例提供的對疑似煙區(qū)域?qū)?yīng)圖像的每一行和每一列進(jìn)行小波 變換的圖像。
具體實(shí)施方式
下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
實(shí)施例一
請參閱附圖1，為本發(fā)明實(shí)施例公開的一種煙檢測方法的流程圖，該方法包括
步驟SlOl :獲取當(dāng)如環(huán)境的視頻圖像序列。
視頻圖像序列是指在不同時(shí)間對目標(biāo)依序連續(xù)獲取的視頻圖像。本發(fā)明實(shí)施例中 的視頻圖像序列是在不同時(shí)間對當(dāng)前環(huán)境依序連續(xù)獲取的視頻圖像。
步驟S102 :從視頻圖像序列中獲得當(dāng)前環(huán)境中的前景圖像。
步驟S103 :從前景圖像中分離出與預(yù)先獲得的煙的顏色特征相符合的疑似煙區(qū) 域，并將疑似煙區(qū)域進(jìn)行二值化。
步驟S104 :當(dāng)二值化后的疑似煙區(qū)域大于預(yù)設(shè)區(qū)域時(shí)，判斷二值化后的疑似煙區(qū) 域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值是否發(fā)生變化，以及判斷二值化后的疑似煙 區(qū)域的輪廓是否發(fā)生變化。
在確定出疑似煙區(qū)域后，需要判斷疑似煙區(qū)域的面積的大小，如果疑似煙區(qū)域的 面積小于預(yù)設(shè)區(qū)域，那么疑似煙區(qū)域可能是由空氣中氣流的波動(dòng)導(dǎo)致的，或者即使有煙，由 于疑似煙區(qū)域的面積很小，對應(yīng)的火災(zāi)范圍也很小，可能會自動(dòng)熄滅。預(yù)設(shè)區(qū)域可以為整個(gè) 視頻圖像面積的5%。
步驟S 105 :在上述兩個(gè)判斷結(jié)果均為是的情況下，確定疑似煙區(qū)域?yàn)闊煛?br>
本發(fā)明實(shí)施例提供的煙檢測方法，通過獲取當(dāng)前環(huán)境的視頻圖像序列，從所述視 頻圖像序列中獲得當(dāng)前環(huán)境中的前景圖像，從所述前景圖像中分離出與預(yù)先獲得的煙的顏 色特征相符合的疑似煙區(qū)域，并將所述疑似煙區(qū)域進(jìn)行二值化，當(dāng)二值化后的所述疑似煙 區(qū)域大于預(yù)設(shè)區(qū)域時(shí)，判斷二值化后的所述疑似煙區(qū)域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng) 的灰度值是否發(fā)生變化，以及判斷二值化后的所述疑似煙區(qū)域的輪廓是否發(fā)生變化，在上 述兩個(gè)判斷結(jié)果均為是的情況下，確定所述疑似煙區(qū)域?yàn)闊?。由于上述煙的確定是通過煙 的顏色特征確定的，所以只要能夠采集到當(dāng)前環(huán)境的視頻圖像序列，不論空間有多大，都能 確定出煙，從而解決了使用傳統(tǒng)型火災(zāi)檢測器導(dǎo)致成本高的問題。進(jìn)一步的，由于操作人員 可以根據(jù)疑似煙區(qū)域判斷出當(dāng)前火災(zāi)的大小，并且可以根據(jù)疑似煙區(qū)域的面積的變化判斷 出火災(zāi)的蔓延速度。
實(shí)施例二
煙可能會飄散，即煙可能會變濃或變淡，從頻域的角度來看，煙在飄散過程中，高 頻成分會隨著時(shí)間的變化而發(fā)生變化。根據(jù)該原理，高頻成分可能隨時(shí)間的變化而降低(煙 的濃度增加，模糊了疑似煙區(qū)域?qū)?yīng)的圖像的邊與角)或增加(煙的濃度減低，疑似煙區(qū)域 對應(yīng)的圖像的邊與角變得較明顯)。所以可以根據(jù)上述特征判斷疑似煙區(qū)域是否為煙，即二 值化后的疑似煙區(qū)域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值是否發(fā)生變化。
請參閱圖2，為本發(fā)明實(shí)施例提供的一種判斷二值化后的疑似煙區(qū)域中大于預(yù)設(shè) 灰度值的高頻區(qū)域?qū)?yīng)的灰度值是否發(fā)生變化方法的流程圖，該方法包括
步驟S201 :分別對二值化后的疑似煙區(qū)域?qū)?yīng)的圖像的每一行和每一列進(jìn)行一 維小波變換。
如果二值化后的疑似煙區(qū)域?qū)?yīng)的圖像的大小為qXp，那么對每一行進(jìn)行小波變化就會得到q個(gè)小波變換結(jié)果，對每一列進(jìn)行小波變換就會得到P個(gè)小波變換結(jié)果。
步驟S202 :根據(jù)進(jìn)行小波變換后的每一行和每一列圖像的頻率值的分布，將所述疑似煙區(qū)域分為第一高頻區(qū)域、第二高頻區(qū)域、第三高頻區(qū)域以及低頻區(qū)域。
根據(jù)每一行的小波變換結(jié)果以及每一列的小波變換結(jié)果可以得到疑似煙區(qū)域?qū)?yīng)的圖像中各個(gè)像素對應(yīng)的頻率值坐標(biāo)(q” Pj)，當(dāng)行坐標(biāo)的頻率值大于第一預(yù)設(shè)頻率值時(shí)，則確定行坐標(biāo)的頻率值為高頻率值H，否則為低頻率值L，當(dāng)列坐標(biāo)的頻率值大于第二預(yù)設(shè)頻率值時(shí)，則確定列坐標(biāo)的頻率值為高頻率值H，否則為低頻率值L，這樣就將疑似煙區(qū)域?qū)?yīng)的圖像中各個(gè)像素分為四類即(L，L)，(H, L), (L, H)以及(H，H)，由(H，H)像素組成的區(qū)域?yàn)榈谝桓哳l區(qū)域，由(L，H)像素組成的區(qū)域?yàn)榈诙哳l區(qū)域，由(H，L)像素組成的區(qū)域?yàn)榈谌哳l區(qū)域，由(L，L)像素組成的區(qū)域?yàn)榈皖l區(qū)域。
根據(jù)實(shí)際情況，第一預(yù)設(shè)頻率值與第二預(yù)設(shè)頻率值可以相同，也可以不同。
第一高頻區(qū)域、第二高頻區(qū)域以及第三高頻區(qū)域?yàn)榇笥陬A(yù)設(shè)灰度值的高頻區(qū)域。
步驟S203 :將第一高頻區(qū)域、第二高頻區(qū)域以及第三高頻區(qū)域?qū)?yīng)圖像的灰度值的絕對值相加得到圖像W。
圖像W的大小為mXn，m與η均為正整數(shù)。
步驟S204 :根據(jù)圖像 W 得至Ij ξ = Il W Il / (m+n)。
其中IlWlI表示圖像W中各個(gè)像素的灰度值之和。
步驟S205 :判斷序列I ξ k+「ξ k I，k=l, 2，3…是否大于預(yù)設(shè)序列值,如果是,則確定二值化后的疑似煙區(qū)域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值發(fā)生變化，如果否，則確定二值化后的疑似煙區(qū)域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值未發(fā)生變化。
k表示第k幀視頻圖像。按照由小到大的時(shí)間順序?qū)⒁曨l圖像序列分為第一幀視頻圖像、第二幀視頻圖像，以此類推。
預(yù)設(shè)序列值根據(jù)實(shí)際情況的不同而不同，當(dāng)煙的濃度增加時(shí)，疑似煙區(qū)域?qū)?yīng)圖像的灰度值減小，所以€k+1_€k可能為負(fù)值，此時(shí)預(yù)設(shè)序列值可以比€k+1_€k的絕對值(I lk+1_lk|)大一些即可，當(dāng)煙的濃度減小時(shí)，疑似煙區(qū)域?qū)?yīng)的圖像的灰度值增大， I k+1-1 k可能為正值，此時(shí)預(yù)設(shè)序列值可以比ξ k+1-1 k大一些即可，當(dāng)煙的濃度有時(shí)增大有時(shí)減小時(shí)，ξ k+1-1 k有時(shí)為正值有時(shí)為負(fù)值，此時(shí)預(yù)設(shè)序列值可以根據(jù)實(shí)際情況取值，在此不再一一贅述。
實(shí)施例三
煙在生成階段，如果無風(fēng)則是向上方移動(dòng)，如果有風(fēng)則是朝著斜上方移動(dòng)。隨著煙的擴(kuò)散，煙的面積有變大的趨勢，本發(fā)明實(shí)施例將此定義為煙的擴(kuò)張；與此相反，在煙的消散階段，煙的面積有變小的趨勢，本發(fā)明實(shí)施例將此定義為煙的縮小，煙在擴(kuò)散的過程中， 一定區(qū)域中的煙由于不均勻擴(kuò)散的原因，可能分為若干部分，本發(fā)明實(shí)施例將此定義為煙的分割，煙的若干部分也可能`會合并為同一部分，本發(fā)明實(shí)施例將此定義為煙的合并。煙的上述變化都可以體現(xiàn)為輪廓的變化，所以可以根據(jù)上述特征判斷疑似煙區(qū)域是否為煙，即通過判斷二值化后的疑似煙區(qū)域的輪廓是否發(fā)生變化，來判斷疑似煙區(qū)域是否為煙。
請參閱圖3，為本發(fā)明實(shí)施例提供的一種判斷二值化后的所述疑似煙區(qū)域的面積是否發(fā)生變化方法的流程圖，該方法包括
步驟S301 :提取二值化后的疑似煙區(qū)域?qū)?yīng)的圖像Fimg(S)的輪廓線，生成輪廓線列表 Fblobl (s, i), i = 1，2，3·· ·。
s表示第s幀視頻圖像中的輪廓線列表，i表示第i個(gè)輪廓。
步驟S302 :篩選出輪廓線列表Fblobl (s，i)中大于第一預(yù)設(shè)列表值的輪廓線， 并將大于第一預(yù)設(shè)列表值的輪廓線按照面積由大到小進(jìn)行排列，生成新的輪廓線列表 Fblob (s, i)。
第一預(yù)設(shè)列表值可以根據(jù)具體場景而定，例如可以將第一預(yù)設(shè)列表值的取值設(shè)置 為50。
步驟S303 :對圖像Fimg(s)與圖像Fimg(s+d)進(jìn)行積運(yùn)算,獲得新的二值化圖像 Aimg(s) ο
對圖像Fimg(s)與圖像 Fimg(s+d)進(jìn)行積運(yùn)算，即 Aimg(n) =Fimg(n)and Fimg(n+k),這里and運(yùn)算定義為圖像Fimg(s)與Fimg(s+d)對應(yīng)像素的積運(yùn)算。注意到 Fimg(s)圖像的像素只可能取O或I,此運(yùn)算的目的是找出Fimg(s)與Fimg(s+d)對應(yīng)的圖 像中共同的部分。這里使用d的原因是考慮到煙的運(yùn)動(dòng)速度與攝像頭成像的速度的關(guān)系。 優(yōu)選的，d取4。
步驟S304 :提取二值化圖像Aimg(s)的輪廓線，生成輪廓線列表Ablobl (s, i)，i =1，2，3. · ·。
其中，i表示第i個(gè)輪廓。
步驟S305 :篩選出輪廓線列表Ablobl (s，i)中大于第二預(yù)設(shè)列表值的輪廓線，并 將大于所述第二預(yù)設(shè)列表值的輪廓線按照面積由大到小進(jìn)行排列，生成新的輪廓線列表 Ablob (s, i)。
第二預(yù)設(shè)列表值可以根據(jù)具體場景而定，例如可以將第二預(yù)設(shè)列表值的取值設(shè)置 為20。
步驟S306 :根據(jù) Ablob (s, i)、Fblob (s, i)和 Fblob (s+d, i)得到所述疑似煙區(qū)域 的擴(kuò)張縮小評價(jià)系數(shù)以及合并分割評價(jià)系數(shù)。
擴(kuò)張縮小評價(jià)系數(shù)用于表示疑似煙區(qū)域是否出現(xiàn)擴(kuò)張和/或縮小的現(xiàn)象。合并分 割評價(jià)系數(shù)用于表示疑似煙區(qū)域是否出現(xiàn)分割和/或合并的現(xiàn)象。
步驟S307 :根據(jù)擴(kuò)張縮小評價(jià)系數(shù)以及合并分割評價(jià)系數(shù)計(jì)算出變形系數(shù)。
步驟S308 :當(dāng)變形系數(shù)大于預(yù)設(shè)系數(shù)值時(shí)，確定二值化后的疑似煙區(qū)域的面積發(fā) 生了變化。
只有在疑似煙區(qū)域既發(fā)生擴(kuò)張和/或縮小的現(xiàn)象，又發(fā)生割和/或合并的現(xiàn)象變 形系數(shù)才會大于預(yù)設(shè)系數(shù)值。
實(shí)施例四
請參閱圖4，為本發(fā)明實(shí)施例提供的一種獲得擴(kuò)張縮小評價(jià)系數(shù)的方法流程圖，該 方法包括
步驟S401 :當(dāng)?shù)趕幀視頻圖像中存在第a個(gè)輪廓以及第b個(gè)輪廓使得Ablob(s，a) 與Fblob(s，b)對應(yīng)的各個(gè)像素的灰度值差的絕對值之和小于誤差閾值時(shí)，設(shè)置擴(kuò)張參數(shù)D1 =1，否則 D1 = O。
由于Ablob(s，a)表示第s幀視頻圖像與第s+k幀視頻圖像的共同部分，如果 Ablob (s, a)與Fblob(s，b)對應(yīng)的各個(gè)像素的灰度值的差的絕對值之和小于誤差閾值時(shí),則說明Ablob (s, a)與Fblob(s，b)可能是同一個(gè)輪廓，由于第s巾貞視頻圖像與第s+k巾貞視 頻圖像的共同部分與第s幀圖像中的疑似煙區(qū)域的輪廓相同，則說明第s+k幀視頻圖像中 的疑似煙區(qū)域可能出現(xiàn)擴(kuò)張現(xiàn)象，或者沒有改變。
步驟S402 :當(dāng)?shù)趕幀視頻圖像中存在第a個(gè)輪廓以及第b個(gè)輪廓使得Ablob(s， a)與Fblob(s+d，b)對應(yīng)的像素的灰度值差的絕對值之和小于所述誤差閾值時(shí)，設(shè)置縮小 參數(shù)D2 = I,否則D2 = O。
由于Ablob(s，a)表示第s幀視頻圖像與第s+k幀視頻圖像的共同部分，如果 Ablob (s, a)與Fblob (s+d, b)對應(yīng)的各個(gè)像素的灰度值的差的絕對值之和小于誤差閾值 時(shí)，則說明Ablob (s, a)與Fblob (s+d, b)可能是同一個(gè)輪廓，由于第s巾貞視頻圖像與第s+k 幀視頻圖像的共同部分與第s+k幀圖像中的疑似煙區(qū)域的輪廓相同，則說明第s+k幀視頻 圖像中的疑似煙區(qū)域可能出現(xiàn)縮小現(xiàn)象，或者沒有改變。
步驟S403 :將擴(kuò)張參數(shù)與縮小參數(shù)進(jìn)行異或運(yùn)算，所述運(yùn)算的結(jié)果為所述擴(kuò)張縮 小評價(jià)系數(shù)。
當(dāng)擴(kuò)張參數(shù)D1=I且縮小參數(shù)D2=I時(shí)，則說明第s幀視頻圖像的疑似煙區(qū)域的輪廓 與第s+k幀視頻圖像的疑似煙區(qū)域的輪廓一樣，沒有出現(xiàn)擴(kuò)張以及縮小現(xiàn)象，當(dāng)擴(kuò)張參數(shù)D1 =I且縮小參數(shù)D2 = O時(shí)，說明第s+k幀視頻圖像的疑似煙區(qū)域相對于第s幀視頻圖像的 疑似煙區(qū)域擴(kuò)張了，當(dāng)擴(kuò)張參數(shù)D1=O且縮小參數(shù)D2=I時(shí)，說明第s+k幀視頻圖像的疑似煙 區(qū)域相對于第s幀視頻圖像的疑似煙區(qū)域縮小了。
所以擴(kuò)張縮小評價(jià)系數(shù)為擴(kuò)張參數(shù)與縮小參數(shù)異或運(yùn)算的結(jié)果，即只有疑似煙區(qū) 域發(fā)生擴(kuò)張和/或縮小時(shí)，擴(kuò)張縮小評價(jià)系數(shù)才為1，其他時(shí)刻為O。
實(shí)施例五
請參閱圖5，為本發(fā)明實(shí)施例提供的一種獲得合并分割評價(jià)系數(shù)的方法流程圖，該 方法包括
步驟S501 :當(dāng)?shù)趕幀視頻圖像中存在第Ii1個(gè)輪廓、第J1個(gè)輪廓以及第I1個(gè)輪廓， 使得Fblob (s, I1)圍成的區(qū)域包括Ablob (s, Ii1)圍成的區(qū)域以及Ablob (s, jj圍成的區(qū)域 時(shí)，確定Fblob (s，I1)所圍成的區(qū)域?yàn)榉指顓^(qū)域，設(shè)置分割系數(shù)L1 = 1，否則L1 = O。
步驟S502 :當(dāng)?shù)趕幀視頻圖像中存在第h2個(gè)輪廓、第j2個(gè)輪廓以及第I2個(gè)輪廓， 使得Fblob (s+d, I2)圍成的區(qū)域包括Ablob (s, h2)圍成的區(qū)域以及Ablob (s, j2)圍成的區(qū) 域時(shí)，確定Fblob (s+d，I2)所圍成的區(qū)域?yàn)楹喜^(qū)域，設(shè)置合并系數(shù)L2= 1，否則L2 = 0。
步驟S503 :確定合并分割評價(jià)系數(shù)為max (L1, L2)。
根據(jù)實(shí)際情況的不同，Ii1可以與h2相等，也可以不等，同理，J1可以與j2相等，也 可以不等，I1可以與I2相等，也可以不等。
在實(shí)施例五和實(shí)施例四的基礎(chǔ)上，步驟“根據(jù)所述擴(kuò)張縮小評價(jià)系數(shù)以及所述合 并分割評價(jià)系數(shù)計(jì)算出變形系數(shù)”包括所述變形系數(shù)為max(所述擴(kuò)張縮小評價(jià)系數(shù)，所 述合并分割評價(jià)系數(shù))，預(yù)設(shè)系數(shù)值為大于零小于I的正數(shù)。
實(shí)施例六
請參閱圖6，為本發(fā)明實(shí)施例提供的一種獲得煙的顏色特征的方法流程圖，該方法 包括
步驟S601 :劃分煙的種類。
煙種類包括樹木、紙張以及化學(xué)燃料(汽油，柴油)等生成的煙。
步驟S602 :計(jì)算每一種煙的顏色均值和顏色方差。
步驟S603 :根據(jù)每一種煙的顏色均值和顏色方差，獲得劃分的所有種類的煙的高斯分布。
由于不可能一次性的將所有煙種類采集完畢，所以要不斷的對各種煙對應(yīng)的高斯分布進(jìn)行更新，也就是對混合高斯分布中的參數(shù)進(jìn)行更新，在更新多次后，可以確定最終的混合高斯分布。下面是對混合高斯分布中的參數(shù)進(jìn)行更新的過程。下面是將實(shí)際問題簡化后得到的結(jié)果，因?yàn)閷?shí)際問題和簡化問題不一樣，簡化問題是將期望作為實(shí)際值，所以要不停的更新期望值，優(yōu)選的可以使用最大期望EM算法計(jì)算混合高斯分布中的參數(shù)。詳細(xì)過程如下。
假設(shè)一共有m種煙，(Q1, . . .，QJ，m種煙對應(yīng)的混合高斯分布為
權(quán)利要求
1.一種煙檢測方法，其特征在于，包括獲取當(dāng)如環(huán)境的視頻圖像序列；從所述視頻圖像序列中獲得當(dāng)前環(huán)境中的前景圖像；從所述前景圖像中分離出與預(yù)先獲得的煙的顏色特征相符合的疑似煙區(qū)域，并將所述疑似煙區(qū)域進(jìn)行二值化；當(dāng)二值化后的所述疑似煙區(qū)域大于預(yù)設(shè)區(qū)域時(shí)，判斷二值化后的所述疑似煙區(qū)域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值是否發(fā)生變化，以及判斷二值化后的所述疑似煙區(qū)域的輪廓是否發(fā)生變化；在上述兩個(gè)判斷結(jié)果均為是的情況下，確定所述疑似煙區(qū)域?yàn)闊煛?br>
2.根據(jù)權(quán)利要求1所述方法，其特征在于，所述判斷二值化后的所述疑似煙區(qū)域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值是否發(fā)生變化包括分別對二值化后的所述疑似煙區(qū)域?qū)?yīng)的圖像的每一行和每一列進(jìn)行一維小波變換；根據(jù)進(jìn)行小波變換后的每一行和每一列圖像的頻率值的分布，將所述疑似煙區(qū)域分為第一高頻區(qū)域、第二高頻區(qū)域、第三高頻區(qū)域以及低頻區(qū)域，所述第一高頻區(qū)域、所述第二高頻區(qū)域以及所述第三高頻區(qū)域?yàn)榇笥谒鲱A(yù)設(shè)灰度值的高頻區(qū)域；將所述第一高頻區(qū)域、所述第二高頻區(qū)域以及所述第三高頻區(qū)域?qū)?yīng)圖像的灰度值的絕對值相加得到圖像W，圖像W的大小為mXn，m與η均為正整數(shù)；根據(jù)所述圖像W得到ξ = ||W||/(m+n)，其中Il W Il表示圖像W中各個(gè)像素的灰度值之和；判斷序列I €k+1_€k|，k=l，2，3…是否大于預(yù)設(shè)序列值，如果是，則確定二值化后的所述疑似煙區(qū)域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值發(fā)生變化，如果否，則確定二值化后的所述疑似煙區(qū)域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值未發(fā)生變化，k表示第 k幀視頻圖像序列。
3.根據(jù)權(quán)利要求1或2所述方法，其特征在于，所述判斷二值化后的所述疑似煙區(qū)域的面積是否發(fā)生變化包括提取二值化后的所述疑似煙區(qū)域?qū)?yīng)的圖像Fimg(S)的輪廓線，生成輪廓線列表 Fblobl (s, i), i = I, 2, 3. . . , s表示第s巾貞視頻圖像中的輪廓線列表，i表示第i個(gè)輪廓； 篩選出輪廓線列表Fblobl (s，i)中大于第一預(yù)設(shè)列表值的輪廓線，并將大于所述第一預(yù)設(shè)列表值的輪廓線按照面積由大到小進(jìn)行排列，生成新的輪廓線列表Fblob (s，i)；對圖像Fimg(s)與圖像Fimg(s+d)進(jìn)行積運(yùn)算,獲得新的二值化圖像Aimg(s), d為預(yù)設(shè)定值；提取二值化圖像Aimg(s)的輪廓線，生成輪廓線列表Ablobl (s, i), i = 1,2,3···； 篩選出輪廓線列表Ablobl (s，i)中大于第二預(yù)設(shè)列表值的輪廓線，并將大于所述第二預(yù)設(shè)列表值的輪廓線按照面積由大到小進(jìn)行排列，生成新的輪廓線列表Ablob(s，i)；根據(jù)Ablob (s, i)、Fblob (s, i)和Fblob (s+d, i)得到所述疑似煙區(qū)域的擴(kuò)張縮小評價(jià)系數(shù)以及合并分割評價(jià)系數(shù)；根據(jù)所述擴(kuò)張縮小評價(jià)系數(shù)以及所述合并分割評價(jià)系數(shù)計(jì)算出變形系數(shù)；當(dāng)所述變形系數(shù)大于預(yù)設(shè)系數(shù)值時(shí)，確定二值化后的所述疑似煙區(qū)域的面積發(fā)生了變化。
4.根據(jù)權(quán)利要求3所述方法，其特征在于，根據(jù)Ablob(s, i)、Fblob (s, i)和 Fblob (s+d, i)得到所述疑似煙區(qū)域的擴(kuò)張縮小評價(jià)系數(shù)包括當(dāng)?shù)趕幀視頻圖像中存在第a個(gè)輪廓以及第b個(gè)輪廓使得Ablob (s，a)與Fblob (s，b) 對應(yīng)的各個(gè)像素的灰度值差的絕對值之和小于誤差閾值時(shí)，設(shè)置擴(kuò)張參數(shù)01 = 1，否則D1 = O ；當(dāng)?shù)趕幀視頻圖像中存在第a個(gè)輪廓以及第b個(gè)輪廓使得Ablob (s，a)與Fblob (s+d, b) 對應(yīng)的像素的灰度值差的絕對值之和小于所述誤差閾值時(shí)，設(shè)置縮小參數(shù)D2 = 1，否則D2 = O ；將所述擴(kuò)張參數(shù)與所述縮小參數(shù)進(jìn)行異或運(yùn)算，所述運(yùn)算的結(jié)果為所述擴(kuò)張縮小評價(jià)系數(shù)。
5.根據(jù)權(quán)利要求3或4所述方法，其特征在于，根據(jù)Ablob(s, i)、Fblob (s, i)和 Fblob (s+d, i)得到所述疑似煙區(qū)域的合并分割評價(jià)系數(shù)包括當(dāng)?shù)趕幀視頻圖像中存在第Ii1個(gè)輪廓、第J1個(gè)輪廓以及第I1個(gè)輪廓，使得Fblob (s，I1) 圍成的區(qū)域包括Ablob (s，hi)圍成的區(qū)域以及Ablob (s，J1)圍成的區(qū)域時(shí)，確定 Fblob (s，I1)所圍成的區(qū)域?yàn)榉指顓^(qū)域，設(shè)置分割系數(shù)L1 = 1，否則L1 = O ;當(dāng)?shù)趕幀視頻圖像中存在第h2個(gè)輪廓、第j2個(gè)輪廓以及第I2個(gè)輪廓，使得 Fblob (s+d, I2)圍成的區(qū)域包括Ablob (s, h2)圍成的區(qū)域以及Ablob (s, j2)圍成的區(qū)域時(shí)， 確定Fblob (s+d，I2)所圍成的區(qū)域?yàn)楹喜^(qū)域，設(shè)置合并系數(shù)L2= 1，否則L2=O;確定所述合并分割評價(jià)系數(shù)為max (L1, L2)。
6.根據(jù)權(quán)利要求5所述方法，其特征在于，所述根據(jù)所述擴(kuò)張縮小評價(jià)系數(shù)以及所述合并分割評價(jià)系數(shù)計(jì)算出變形系數(shù)包括所述變形系數(shù)為max (所述擴(kuò)張縮小評價(jià)系數(shù)，所述合并分割評價(jià)系數(shù))，所述預(yù)設(shè)系數(shù)值為大于O小于I的正數(shù)。
7.根據(jù)權(quán)利要求1所述方法，其特征在于，獲得煙的顏色特征的方法包括劃分煙的種類；計(jì)算每一種煙的顏色均值和顏色方差；根據(jù)所述每一種煙的顏色均值和顏色方差，獲得劃分的所有種類的煙的高斯分布；根據(jù)預(yù)先設(shè)置的各種煙的權(quán)重，得到各個(gè)高斯分布組成的混合高斯分布。
8.一種煙檢測裝置，其特征在于，包括獲取圖像序列模塊，用于獲取當(dāng)前環(huán)境的視頻圖像序列；獲得前景圖像模塊，用于從所述視頻圖像序列中獲得當(dāng)前環(huán)境中的前景圖像；分離模塊，用于從所述前景圖像中分離出與預(yù)先獲得的煙的顏色特征相符合的疑似煙區(qū)域，并將所述疑似煙區(qū)域進(jìn)行二值化；判斷模塊，用于當(dāng)二值化后的所述疑似煙區(qū)域大于預(yù)設(shè)區(qū)域時(shí)，判斷二值化后的所述疑似煙區(qū)域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值是否發(fā)生變化，以及判斷二值化后的所述疑似煙區(qū)域的輪廓是否發(fā)生變化；確定模塊，用于在所述判斷模塊中兩個(gè)判斷結(jié)果均為是的情況下，確定所述疑似煙區(qū)域?yàn)闊煛?br>
9.根據(jù)權(quán)利要求8所述裝置，其特征在于，所述判斷模塊包括變換單元，用于分別對二值化后的所述疑似煙區(qū)域所在圖像的每一行和每一列進(jìn)行一維小波變換；劃分單元，用于根據(jù)進(jìn)行小波變換后的每一行和每一列圖像的頻率值的分布，將所述疑似煙區(qū)域分為第一高頻區(qū)域、第二高頻區(qū)域、第三高頻區(qū)域以及低頻區(qū)域，所述第一高頻區(qū)域、所述第二高頻區(qū)域以及所述第三高頻區(qū)域?yàn)榇笥谒鲱A(yù)設(shè)灰度值的高頻區(qū)域；獲取圖像單元，用于將所述第一高頻區(qū)域、所述第二高頻區(qū)域以及所述第三高頻區(qū)域?qū)?yīng)圖像的灰度值的絕對值相加得到圖像W，圖像W的大小為mXn，m與η均為正整數(shù)；獲取公式單元，用于根據(jù)所述圖像W得到ξ = IIW||/(m+n)，其中IIWlI表示圖像W中各個(gè)像素的灰度值之和；判斷單元，用于判斷序列
10.根據(jù)權(quán)利要求8或9所述裝置，其特征在于，所述判斷模塊包括第一提取單元，用于提取二值化后的所述疑似煙區(qū)域?qū)?yīng)的圖像Fimg(S)的輪廓線， 生成輪廓線列表Fblobl (s, i), i = 1，2，3. . . , s表示第s巾貞視頻圖像中的輪廓線列表,i表示第i個(gè)輪廓；第一篩選單兀，用于篩選出輪廓線列表Fblobl (s, i)中大于第一預(yù)設(shè)列表值的輪廓線，并將大于所述第一預(yù)設(shè)列表值的輪廓線按照面積由大到小進(jìn)行排列，生成新的輪廓線列表 Fblob (s，i)；第一計(jì)算單元，用于對圖像Fimg(S)與圖像Fimg(s+d)進(jìn)行積運(yùn)算，獲得新的二值化圖像Aimg(s)，d為預(yù)設(shè)定值；第二提取單元，用于提取二值化圖像Aimg(S)的輪廓線，生成輪廓線列表 Ablobl (s, i)，i = I, 2，3. · ·；第二篩選單元，用于篩選出輪廓線列表Ablobl (s，i)中大于第二預(yù)設(shè)列表值的輪廓線，并將大于所述第二預(yù)設(shè)列表值的輪廓線按照面積由大到小進(jìn)行排列，生成新的輪廓線列表 Ablob (s, i)；獲取系數(shù)單元，用于根據(jù)Ablob (s，i)、Fblob(s，i)和Fblob(s+d，i)得到所述疑似煙區(qū)域的擴(kuò)張縮小評價(jià)系數(shù)以及合并分割評價(jià)系數(shù)；第二計(jì)算單元，用于根據(jù)所述擴(kuò)張縮小評價(jià)系數(shù)以及所述合并分割評價(jià)系數(shù)計(jì)算出變形系數(shù)；第一確定單元，用于當(dāng)所述變形系數(shù)大于預(yù)設(shè)系數(shù)值時(shí)，確定二值化后的所述疑似煙區(qū)域的面積發(fā)生了變化。
11.根據(jù)權(quán)利要求10所述裝置，其特征在于，所述獲取系數(shù)單元包括第一設(shè)置單元，用于當(dāng)?shù)趕幀視頻圖像中存在第a個(gè)輪廓以及第b個(gè)輪廓使得 Ablob (s, a)與Fblob(s，b)對應(yīng)的各個(gè)像素的灰度值差的絕對值之和小于誤差閾值時(shí),設(shè)置擴(kuò)張參數(shù)D1 = I,否則D1 = O ;第二設(shè)置單元，用于當(dāng)?shù)趕幀視頻圖像中存在第a個(gè)輪廓以及第b個(gè)輪廓使得Ablob (s, a)與Fblob (s+d, b)對應(yīng)的像素的灰度值差的絕對值之和小于所述誤差閾值時(shí)， 設(shè)置縮小參數(shù)D2 = I,否則D2 = O ;第三計(jì)算單元，用于將所述擴(kuò)張參數(shù)與所述縮小參數(shù)進(jìn)行異或運(yùn)算，所述運(yùn)算的結(jié)果為所述擴(kuò)張縮小評價(jià)系數(shù)。
12.根據(jù)權(quán)利要求10或11所述裝置，其特征在于，所述獲取系數(shù)單元包括第三設(shè)置單元，用于當(dāng)?shù)趕幀視頻圖像中存在第Ii1個(gè)輪廓、第J1個(gè)輪廓以及第I1個(gè)輪廓，使得Fblob (s, I1)圍成的區(qū)域包括Ablob (s, Ii1)圍成的區(qū)域以及Ablob (s, jj圍成的區(qū)域時(shí)，確定Fblob(s，I1)所圍成的區(qū)域?yàn)榉指顓^(qū)域，設(shè)置分割系數(shù)L1 = 1，否則L1=O ；第四設(shè)置單元，用于當(dāng)?shù)趕幀視頻圖像中存在第h2個(gè)輪廓、第j2個(gè)輪廓以及第I2個(gè)輪廓，使得Fblob (s+d, I2)圍成的區(qū)域包括Ablob (s, h2)圍成的區(qū)域以及Ablob (s, j2)圍成的區(qū)域時(shí)，確定Fblob (s+d，I2)所圍成的區(qū)域?yàn)楹喜^(qū)域，設(shè)置合并系數(shù)L2= 1，否則L2=O;第二確定單元，用于確定所述合并分割評價(jià)系數(shù)為Hiaxai, L2)。
13.根據(jù)權(quán)利要求12所述裝置，其特征在于，所述第二計(jì)算單元具體為所述變形系數(shù)為max (所述擴(kuò)張縮小評價(jià)系數(shù)，所述合并分割評價(jià)系數(shù))，所述預(yù)設(shè)系數(shù)值為大于O小于I的正數(shù)。
14.根據(jù)權(quán)利要求8所述裝置，其特征在于，還包括劃分種類模塊，用于劃分煙的種類；計(jì)算模塊，用于計(jì)算每一種煙的顏色均值和顏色方差；獲得高斯分布模塊，用于根據(jù)所述每一種煙的顏色均值和顏色方差，獲得劃分的所有種類的煙的高斯分布；獲得混合高斯分布模塊，用于根據(jù)預(yù)先設(shè)置的各種煙的權(quán)重，得到各個(gè)高斯分布組成的混合高斯分布。
15.一種火災(zāi)檢測裝置，其特征在于，包括權(quán)利要求8至13任一所述裝置。
全文摘要
本發(fā)明實(shí)施例提供了一種煙檢測方法、裝置及火災(zāi)檢測裝置，該方法包括獲取當(dāng)前環(huán)境的視頻圖像序列；從所述視頻圖像序列中獲得當(dāng)前環(huán)境中的前景圖像；從所述前景圖像中分離出與預(yù)先獲得的煙的顏色特征相符合的疑似煙區(qū)域，并將所述疑似煙區(qū)域進(jìn)行二值化；當(dāng)二值化后的所述疑似煙區(qū)域大于預(yù)設(shè)區(qū)域時(shí)，判斷二值化后的所述疑似煙區(qū)域中大于預(yù)設(shè)灰度值的高頻區(qū)域?qū)?yīng)的灰度值是否發(fā)生變化，以及判斷二值化后的所述疑似煙區(qū)域的輪廓是否發(fā)生變化；在上述兩個(gè)判斷結(jié)果均為是的情況下，確定所述疑似煙區(qū)域?yàn)闊煛２捎帽景l(fā)明實(shí)施例提供的方法、裝置及火災(zāi)檢測裝置可以降低成本。
文檔編號G08B17/10GK103065124SQ20121056773
公開日2013年4月24日 申請日期2012年12月24日 優(yōu)先權(quán)日2012年12月24日
發(fā)明者吳磊, 武德安, 陳鵬, 劉杰, 馮江遠(yuǎn), 夏云霓 申請人:成都國科海博計(jì)算機(jī)系統(tǒng)有限公司