一种检测烟火的方法及装置

文献发布时间：2023-06-19 19:14:59

技术领域

本发明属于图像处理和识别技术领域，具体地说，涉及一种检测烟火的方法及装置。

背景技术

火灾一种发生概率较高的自然灾害，如何在火灾的初期进行及时有效的控制，减少财产损失甚至人员伤亡是及其重要的，现有技术中通常基于深度学习的在图像上进行烟火检测，如果检测结果为存在疑似烟火检测区域后就直接进行预警，并不会对检测结果进行二次验证，因此仍然存在容易造成严重的误报警和漏报警问题，准确率较低，需要人工不定时去确认和验证是否有火灾发生。

有鉴于此特提出本发明。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种检测烟火的方法及装置，以解决现有技术中对烟火检测准确率较低的问题。

为解决上述技术问题，本发明采用技术方案的基本构思是：

第一方面，本发明提供了一种检测烟火的方法，包括:

从视频图像数据中获取多帧连续的图像；

对每帧图像进行运动检测得到每帧图像的运动区域；

将所述运动区域输入至图像语义分割神经网络模型进行识别得到每帧图像的疑似烟雾分割区域和疑似火焰分割区域；

分别获取所述疑似烟雾分割区域中的目标烟雾分割区域和所述疑似火焰分割区域中的目标火焰分割区域；所述目标烟雾分割区域为同时落在所述疑似烟雾分割区域和所述运动区域中的全部第一像素点围成的区域；所述目标火焰分割区域为同时落在所述疑似火焰分割区域和所述运动区域中的全部第二像素点围成的区域；

分别计算所述目标烟雾分割区域和所述目标火焰分割区域在所述运动区域的第一区域占比比值和第二区域占比比值；

若所述第一区域占比比值和所述第二区域占比比值均大于或等于第一预设阈值，则确实所述目标烟雾分割区域和所述目标火焰分割区域分别为真实烟雾区域和真实火焰区域；

若一帧图像中均存在所述真实烟雾区域和所述真实火焰区域，且所述真实烟雾区域与所述真实火焰区域存在重合部分，则生成烟火警报。

可选的，所述方法还包括：

若连续多帧图像中均存在所述真实烟雾区域或所述真实火焰区域，则生成烟火警报。

可选的，判断所述疑似烟雾分割区域为该帧图像中的疑似烟雾分割区域时，将所述运动区域输入至图像语义分割神经网络模型进行识别得到每帧图像的疑似烟雾分割区域和疑似火焰分割区域，包括：

针对每帧图像的运动区域，利用图像语义分割神经网络模型对所述运动区域的每个像素点进行识别得到每个像素点分别为淡烟、浓烟、小火、大火的概率值；

根据每个像素点的最大概率值确定每个像素点的类型；

对淡烟类型和浓烟类型的像素点进行整合得到所述疑似烟雾分割区域；

对小火类型和大火类型的像素点进行整合得到所述疑似火焰分割区域。

可选的，所述疑似烟雾分割区域根据相邻三帧图像得到，包括：

针对每帧图像，将该帧图像以及与该帧图像相邻的两帧图像各自的所述疑似烟雾分割区域合并得到该帧图像的所述疑似烟雾分割区域；

针对每帧图像，将该帧图像以及与该帧图像相邻的两帧图像各自的所述疑似火焰分割区域合并得到该帧图像的所述疑似火焰分割区域。

可选的，所述分别获取所述疑似烟雾分割区域中的目标烟雾分割区域和所述疑似火焰分割区域中的目标火焰分割区域，包括：

分别获取所述疑似烟雾分割区域、所述疑似火焰分割区域、所述运动区域各个区域包含的每个像素点的坐标值；

将所述疑似烟雾分割区域和所述运动区域中坐标值完全相同的像素点作为所述第一像素点，根据全部所述第一像素点生成所述目标烟雾分割区域；

将所述疑似火焰分割区域和所述运动区域中坐标值完全相同的像素点作为所述第二像素点，根据全部所述第二像素点生成所述目标火焰分割区域。

可选的，所述分别计算所述目标烟雾分割区域和所述目标火焰分割区域在所述运动区域的第一区域占比比值和第二区域占比比值，包括：

根据所述目标烟雾分割区域中包含的全部所述第一像素点的数量与所述运动区域中全部像素点的总数量的比值作为所述第一区域占比比值；

根据所述目标火焰分割区域中包含的全部所述第二像素点的数量与所述运动区域中全部像素点的总数量的比值作为所述第二区域占比比值。

第二方面，本发明提供了一种检测烟火的装置，包括：

第一获取模块，用于从视频图像数据中获取多帧连续的图像；

运动检测模块，用于对每帧图像进行运动检测得到每帧图像的运动区域；

识别模块，用于将所述运动区域输入至图像语义分割神经网络模型进行识别得到每帧图像的疑似烟雾分割区域和疑似火焰分割区域；

第二获取模块，用于分别获取所述疑似烟雾分割区域中的目标烟雾分割区域和所述疑似火焰分割区域中的目标火焰分割区域；所述目标烟雾分割区域为同时落在所述疑似烟雾分割区域和所述运动区域中的全部第一像素点围成的区域；所述目标火焰分割区域为同时落在所述疑似火焰分割区域和所述运动区域中的全部第二像素点围成的区域；

计算模块，用于分别计算所述目标烟雾分割区域和所述目标火焰分割区域在所述运动区域的第一区域占比比值和第二区域占比比值；

第一确定模块，用于在所述第一区域占比比值和所述第二区域占比比值均大于或等于第一预设阈值时，则确实所述目标烟雾分割区域和所述目标火焰分割区域分别为真实烟雾区域和真实火焰区域；

第二确定模块，用于若一帧图像中均存在所述真实烟雾区域和所述真实火焰区域，且所述真实烟雾区域与所述真实火焰区域存在重合部分，则生成烟火警报。

可选的，所述第二确定模块，还包括：

第一确定单元，用于若连续多帧图像中均存在所述真实烟雾区域或所述真实火焰区域，则生成烟火警报。

可选的，所述识别模块包括：

第一识别单元，用于针对每帧图像的运动区域，利用图像语义分割神经网络模型对所述运动区域的每个像素点进行识别得到每个像素点分别为淡烟、浓烟、小火、大火的概率值；

第二确定单元，用于根据每个像素点的最大概率值确定每个像素点的类型；

第一整合单元，用于对淡烟类型和浓烟类型的像素点进行整合得到所述疑似烟雾分割区域；

第二整合单元，用于对小火类型和大火类型的像素点进行整合得到所述疑似火焰分割区域。

可选的，所述识别模块，还包括：

第三整合单元，用于针对每帧图像，将该帧图像以及与该帧图像相邻的两帧图像各自的所述疑似烟雾分割区域合并得到该帧图像的所述疑似烟雾分割区域；

第四整合单元，用于针对每帧图像，将该帧图像以及与该帧图像相邻的两帧图像各自的所述疑似火焰分割区域合并得到该帧图像的所述疑似火焰分割区域。

可选的，所述第二获取模块，还包括：

第一获取单元，用于分别获取所述疑似烟雾分割区域、所述疑似火焰分割区域、所述运动区域各个区域包含的每个像素点的坐标值；

第一生成单元，用于将所述疑似烟雾分割区域和所述运动区域中坐标值完全相同的像素点作为所述第一像素点，根据全部所述第一像素点生成所述目标烟雾分割区域；

第二生成单元，用于将所述疑似火焰分割区域和所述运动区域中坐标值完全相同的像素点作为所述第二像素点，根据全部所述第二像素点生成所述目标火焰分割区域。

可选的，所述计算模块，还包括：

第一计算单元，用于根据所述目标烟雾分割区域中包含的全部所述第一像素点的数量与所述运动区域中全部像素点的总数量的比值作为所述第一区域占比比值；

第二计算单元，用于根据所述目标火焰分割区域中包含的全部所述第二像素点的数量与所述运动区域中全部像素点的总数量的比值作为所述第二区域占比比值。

本发明提供了一种检测烟火的方法，包括：首先从视频图像数据中获取多帧连续的图像；然后对每帧图像进行运动检测得到每帧图像的运动区域；其次将所述运动区域输入至图像语义分割神经网络模型进行识别得到每帧图像的疑似烟雾分割区域和疑似火焰分割区域；分别获取所述疑似烟雾分割区域中的目标烟雾分割区域和所述疑似火焰分割区域中的目标火焰分割区域；所述目标烟雾分割区域为同时落在所述疑似烟雾分割区域和所述运动区域中的全部第一像素点围成的区域；所述目标火焰分割区域为同时落在所述疑似火焰分割区域和所述运动区域中的全部第二像素点围成的区域；分别计算所述目标烟雾分割区域和所述目标火焰分割区域在所述运动区域的第一区域占比比值和第二区域占比比值；若所述第一区域占比比值和所述第二区域占比比值均大于或等于第一预设阈值，则确实所述目标烟雾分割区域和所述目标火焰分割区域分别为真实烟雾区域和真实火焰区域；最后若一帧图像中均存在所述真实烟雾区域和所述真实火焰区域，且所述真实烟雾区域与所述真实火焰区域存在重合部分，则生成烟火警报。

本发明首先对图像进行处理得到图像的运动区域，然后再从运动区域进行处理得到疑似烟雾分割区域和疑似火焰分割区域，更进一步的获得目标烟雾分割区域和目标火焰分割区域，通过对目标烟雾分割区域和目标火焰分割区域进行验证，确定是否存在真实烟雾区域和真实火焰区域，最后才生成烟火警报，本发明通过对图像分级进行处理，不仅减少了数据处理量，减少了背景灯干扰因素的影响，而且通过对检测到的区域进行二次验证，排除误检的情况，进一步提高了检测精确度。

下面结合附图对本发明的具体实施方式作进一步详细的描述。

附图说明

附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，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附图。在附图中：

图1是本发明实施例提供的一种检测烟火的方法流程示意图；

图2是本发明实施例提供的一种检测烟火的装置示意图。

需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

在本发明的描述中，需要说明的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

如图1至图2所示，本发明实施例提供的一种检测烟火的方法，包括：

S101，从视频图像数据中获取多帧连续的图像；

S102，对每帧图像进行运动检测得到每帧图像的运动区域；

S103，将所述运动区域输入至图像语义分割神经网络模型进行识别得到每帧图像的疑似烟雾分割区域和疑似火焰分割区域；

S104，分别获取所述疑似烟雾分割区域中的目标烟雾分割区域和所述疑似火焰分割区域中的目标火焰分割区域；所述目标烟雾分割区域为同时落在所述疑似烟雾分割区域和所述运动区域中的全部第一像素点围成的区域；所述目标火焰分割区域为同时落在所述疑似火焰分割区域和所述运动区域中的全部第二像素点围成的区域；

S105，分别计算所述目标烟雾分割区域和所述目标火焰分割区域在所述运动区域的第一区域占比比值和第二区域占比比值；

S106，若所述第一区域占比比值和所述第二区域占比比值均大于或等于第一预设阈值，则确实所述目标烟雾分割区域和所述目标火焰分割区域分别为真实烟雾区域和真实火焰区域；

S107，若一帧图像中均存在所述真实烟雾区域和所述真实火焰区域，且所述真实烟雾区域与所述真实火焰区域存在重合部分，则生成烟火警报。

在上述步骤S101中，视频图像数据为摄像机拍摄的监控视频。

具体的，服务器获取摄像机实时采集的某一场景下的监控视频，经过处理得到连续多帧的图像。

在上述步骤S102中，运动区域为像素点存在动态变化的区域，运动区域中可能包含烟火、行驶的车辆、以及运动的生物等等。

具体的，服务器根据每帧图像以及与该帧图像相邻的两帧图像对该帧图像进行运动检测，进而得到该帧图像的运动区域。

例如，以对第n帧图像进行运动检测来获得第n帧图像的运动区域为例，首先获取第n-1帧图像，将第n帧图像中的每个像素点的像素值与第n-1帧图像中每个像素点的像素值进行比较，保留像素值发生变化的像素点，截取上述像素值发生变化的像素点所在区域作为第n帧图像与第n-1帧图像的侦差图像d

进一步的，将帧差图像d

由于输入到每个图像语义分割神经网络模型参考尺寸是不同的，因此在对每帧图像的待分割区域进行裁剪时，需要参考输入到要使用的图像语义分割神经网络模型的图像尺寸。为了让步骤2中每帧图像的运动区域以合适的尺寸输入至每个图像语义分割神经网络模型中，将所述运动区域输入至图像语义分割神经网络模型进行识别得到每帧图像的疑似烟雾分割区域和疑似火焰分割区域，步骤103之前还包括：

获取运动区域即将输入至的图像语义分割神经网络模型的图像尺寸W和H，以及获取上述运动区域所在的正外接矩形对角线坐标(minX，minY)，(maxX，maxY),若W

若H若H

在上述步骤S103中，疑似烟雾分割区域中包含真实的烟雾区域以及因为图像中的存在的干扰因素被误认为的烟雾区域部分。疑似火焰分割区域包含真实的火的区域以及因为图像中的存在的干扰因素被误认为的火区域部分。

具体的，将每帧图像的运动区域输入至图像语义分割神经网络模型进行识别得到该帧图像的疑似烟雾分割区域和疑似火焰分割区域。

但是一帧图像实际的疑似烟雾/火分割区域有可能是该帧图像中的疑似烟雾/火分割区域本身，也可能是根据三帧相邻图像各自的疑似烟雾/火分割区域得到的。

判断所述疑似烟雾分割区域为该帧图像中的疑似烟雾分割区域，所述疑似火焰分割区域为该帧图像中的疑似火焰分割区域时，所述为了更详细的了解将每帧图像的运动区域输入至图像语义分割神经网络模型对每帧图像进行识别得到每帧图像的疑似烟雾分割区域和疑似火焰分割区域，S103包括：

S1031,针对每帧图像的运动区域，利用图像语义分割神经网络模型对所述运动区域的每个像素点进行识别得到每个像素点分别为淡烟、浓烟、小火、大火的概率值；

S1032,根据每个像素点的最大概率值确定每个像素点的类型；

S1033,对淡烟类型和浓烟类型的像素点进行整合得到所述疑似烟雾分割区域；

S1034,对小火类型和大火类型的像素点进行整合得到所述疑似火焰分割区域。

在上述步骤S1031中，具体的，将每帧图像的运动区域输入至图像语义分割神经网络模型中分别对每个像素点分别进行淡烟识别、浓烟识别、小火识别以及大火识别，进而得到每个像素点分别属于淡烟的概率值、浓烟的概率值、小火的概率值以及大火的概率值。

例如，将每帧图像的运动区域输入至图像语义分割神经网络模型中，会得到的不同颜色，比如红色、黄色、蓝色等等，而红色表示同一类型比如为烟的颜色，而黄色可能表示生物的颜色，蓝色可能表示的背景的颜色等等，不同颜色区域都是由不同的像素点组成的，本发明中采用的是SegNet网络对每帧图像的运动区域进行识别，该网络主要包括Encoder和Decoder以及soft-max分类器组成，Encoder过程是对输入的源图像进行卷积操作，提取特征，通过pooling层增大感受野，同时图像在逐渐缩小。Decoder过程是通过反卷积使图像分类后特征得以重现，再通过上采样还原图像原始尺寸，最后通过soft-max分类器，输出不同分类的最大值，得到最终分割图。

以某帧图像的运动区域中的A像素点为例，利用图像语义分割神经网络模型对A像素点识别分别属于淡烟、浓烟、小火和大火的概率值，得到四个概率值依次是a

在上述步骤S1032中，具体的，将每个像素点的四个概率值进行比较，根据概率值最大对应的类型确定每个像素点的类型。

例如，若上述四个概率值中最大的是a

在上述步骤S1033中，具体的，将淡烟类型的像素点和浓烟类型的像素点组合围成的区域作为运动区域中的疑似烟雾分割区域，将上述两种类型的像素点组合围成的区域从运动区域分割出来得到疑似烟雾分割区域。

在上述步骤S1034中，具体的，将小火类型的像素点和大火类型的像素点组合围成的区域作为运动区域中的疑似火焰分割区域，将上述小火类型和大火类型的像素点组合围成的区域从运动区域分割成出来得到疑似火焰分割区域，同理，疑似生物分割区域也是同样的方式获得。

所述疑似烟雾分割区域和所述疑似火焰分割区域根据相邻三帧图像得到，具体的包括：

S1035，针对每帧图像，将该帧图像以及与该帧图像相邻的两帧图像各自的所述疑似烟雾分割区域合并得到该帧图像的所述疑似烟雾分割区域；

S1036，针对每帧图像，将该帧图像以及与该帧图像相邻的两帧图像各自的所述疑似火焰分割区域合并得到该帧图像的所述疑似火焰分割区域。

在上述步骤1035中，具体的，根据每帧图像确定该帧图像相邻的两帧图像，将上述相邻三帧图像各自的疑似烟雾分割区域合并得到该帧图像的实际的疑似烟雾分割区域。

例如，以第n帧图像为例，确定与第n帧图像相邻的两帧图像分别为第n-1帧和第n+1帧，按照顺序第n-1帧、第n帧以及第n+1帧图像中各自的疑似烟雾分割区域分别为区域1、区域2和区域3，将上述三个区域合并并去除掉重合的区域，将最终合并的区域作为第n帧图像实际的疑似烟雾分割区域。本发明还提供了符合哪些条件时，才会根据相邻三帧图像得到一帧图像的疑似分割区域，以获得第n帧图像的疑似烟雾分割区域为例，第n帧图像中共有n个像素点，第n-1帧图像中共有k个像素点，首先统计第n帧图像与第n-1帧图像中坐标点完全相同的像素点的个数为x，计算x与n+k-x的比值，并判断该比值是否大于或等于第二预设阈值；同样的第n帧图像中共有n个像素点，第n+1帧图像中共有m个像素点，统计第n帧图像与第n+1帧图像中坐标点完全相同的像素点的个数为y，计算y与n+m-y的比值，并判断该比值是否大于或等于第二预设阈值，若上述两个比值均大于或等于第二预设阈值，则将第n-1帧、第n帧以及第n+1帧图像各自的疑似烟雾分割区域进行合并并去除重复区域，进而得到第n帧图像的疑似烟雾分割区域。

在上述步骤1036中，具体的，根据每帧图像确定该帧图像相邻的两帧图像，将上述相邻三帧图像各自的疑似火焰分割区域合并得到该帧图像的实际的疑似火焰分割区域。

在上述步骤104中，目标烟雾分割区域为只包含烟雾的分割区域，目标火焰分割区域为只包含火苗的分割区域。

具体的，分别获取每帧图像的疑似烟雾分割区域中的目标烟雾分割区域以及该帧图像的疑似火焰分割区域中的目标火焰分割区域。

为了更详细的了解上述步骤S104，还包括：

S1041，分别获取所述疑似烟雾分割区域、所述疑似火焰分割区域、所述运动区域各个区域包含的每个像素点的坐标值；

S1042，将所述疑似烟雾分割区域和所述运动区域中坐标值完全相同的像素点作为所述第一像素点，根据全部所述第一像素点生成所述目标烟雾分割区域；

S1043，将所述疑似火焰分割区域和所述运动区域中坐标值完全相同的像素点作为所述第二像素点，根据全部所述第二像素点生成所述目标火焰分割区域。

在上述步骤S041中，具体的，针对一帧图像，获取该帧图像的疑似烟雾分割区域中的每个像素点的坐标值、获取该帧图像的疑似火焰分割区域中的每个像素点的坐标轴、获取该帧图像运动区域中每个像素点的坐标值。

例如，当疑似烟雾分割区域中有2个像素点，则分别获取这两个像素点的坐标值；同理，疑似火焰分割区域和运动区域中的像素点的坐标值也是相同的获取方式。

在上述步骤S1042中,坐标值为像素点在横坐标上的数值以及在纵坐标上的数值。

将上述疑似烟雾分割区域中的每个像素点的横纵坐标值与运动区域中的每个像素点的横纵坐标值进行对比，得到若干个横纵坐标值完全相同的像素点，将这些像素点作为第一像素点，根据全部第一像素点所围成生成的区域作为目标疑似烟雾分割区域。

例如，第n帧图像疑似烟雾分割区域共有3个像素点，这三个像素点的坐标值分别为(x

在上述步骤S1043中，将上述疑似火焰分割区域中的每个像素点的横纵坐标值与运动区域中的每个像素点的横纵坐标值进行对比，得到若干个横纵坐标值完全相同的像素点，将这些像素点作为第二素点，根据全部第二像素点所围成生成的区域作为目标疑似烟雾分割区域。

例如，第n帧图像疑似火焰分割区域共有4个像素点，这三个像素点的坐标值分别为(m

在上述步骤105中，针对每帧图像，计算目标烟雾分割区域在该帧图像运动区域中所占的第一比例，即，第一区域占比比值；以及计算目标火焰分割区域在该帧图像运动区域中所占的第二比例，即，第二区域占比比值。

为了更详细的了解分别计算所述目标烟雾分割区域和所述目标火焰分割区域在所述运动区域的第一区域占比比值和第二区域占比比值，步骤S105，包括：

S1051，根据所述目标烟雾分割区域中包含的全部所述第一像素点的数量与所述运动区域中全部像素点的总数量的比值作为所述第一区域占比比值；

S1052，根据所述目标火焰分割区域中包含的全部所述第二像素点的数量与所述运动区域中全部像素点的总数量的比值作为所述第二区域占比比值。

在上述步骤S1051中，分别统计目标烟雾分割区域中全部第一像素点的数量为p，以及运动区域中全部像素点的总数量为q，将

在上述步骤S1052中，分别统计目标火焰分割区域中全部第二像素点的数量为r，以及运动区域中全部像素点的总数量为q，将

在上述步骤S106中，判断上述第一区域占比比值是否大于或等于第一预设阈值，以及上述第二区域占比比值是否大于或等于第一预设阈值。若第一区域占比比值大于或等于第一预设阈值，则确定目标烟雾分割区域为真实烟雾分割区域；若第二区域占比比值大于或等于第一预设阈值，则确定目标火焰分割区域为真实火分割区域。

在上述步骤S107中，若一帧图像中均存在真实烟雾分割区域和真实火分割区域，并且真实烟雾分割区域和真实火分割区域在横坐标上有重合或者在纵坐标上有重合，则直接生成烟火警报。

本发明除了上述步骤S107确定烟火的方式以外，还包括：

S108，若连续多帧图像中均存在所述真实烟雾区域或所述真实火焰区域，则生成烟火警报。

如果连续多帧图像中只存在真实烟雾区域，则也能生成烟火警报；若连续多帧图像中只存在真实火焰区域，则也能生成烟火警报。连续多帧可以是连续3帧以上，本发明中不予以限制。

第二方面，本发明提供了一种检测烟火的装置，包括：第一获取模块201，运动检测模块202，识别模块203，第二获取模块204，计算模块205，第一确定模块206，第二确定模块207：

第一获取模块201，用于从视频图像数据中获取多帧连续的图像；

运动检测模块202，用于对每帧图像进行运动检测得到每帧图像的运动区域；

识别模块203，用于将所述运动区域输入至图像语义分割神经网络模型进行识别得到每帧图像的疑似烟雾分割区域和疑似火焰分割区域；

第二获取模块204，用于分别获取所述疑似烟雾分割区域中的目标烟雾分割区域和所述疑似火焰分割区域中的目标火焰分割区域；所述目标烟雾分割区域为同时落在所述疑似烟雾分割区域和所述运动区域中的全部第一像素点围成的区域；所述目标火焰分割区域为同时落在所述疑似火焰分割区域和所述运动区域中的全部第二像素点围成的区域；

计算模块205，用于分别计算所述目标烟雾分割区域和所述目标火焰分割区域在所述运动区域的第一区域占比比值和第二区域占比比值；

第一确定模块206，用于在所述第一区域占比比值和所述第二区域占比比值均大于或等于第一预设阈值时，则确实所述目标烟雾分割区域和所述目标火焰分割区域分别为真实烟雾区域和真实火焰区域；

第二确定模块207，用于若一帧图像中均存在所述真实烟雾区域和所述真实火焰区域，且所述真实烟雾区域与所述真实火焰区域存在重合部分，则生成烟火警报。