油烟浓度的识别方法、系统、电子设备和存储介质

技术领域

本发明涉及油烟检测技术领域，特别涉及一种油烟浓度的识别方法、系统、电子设备和存储介质。

背景技术

厨房是每个家庭每天进行烹饪处理的必要场景，厨房油烟处理的效果直接影响到了家庭成员的身体健康及生活品质。传统的油烟浓度检测的方法主要是红外反射法和物理颗粒物检测方法来检测油烟浓度的大小。其中，红外反射法主要是设备的发射端发射红外光，接收端接收到红外光的强度大小来判断当前的油烟的浓度大小，该方式对装置的安装位置准确性有极大的要求，且安装位置需要保证没有相关干扰物对红外光进行干扰才能保证的检测精度；而物理颗粒物检测方法主要是通过传感器检测空气中颗粒物的多少来判断当前油烟浓度的大小，该方案通过将传感器安装在油烟产生并排出的路径之间，当油烟颗粒物与传感器接触时才会真正的产生相应的响应，从而使得响应速度大大滞后，达不到实时检测的要求。

发明内容

本发明要解决的技术问题是为了克服现有技术中油烟浓度识别方式存在识别准确度不高的缺陷，目的在于提供一种油烟浓度的识别方法、系统、电子设备和存储介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供一种油烟浓度的识别方法，所述识别方法包括：

获取烹饪区域对应的当前帧图像；

计算得到所述当前帧图像对应的目标帧差图像；

根据所述目标帧差图像确定所述当前帧图像对应的初始油烟运动区域；

对所述初始油烟运动区域进行轮廓检测以得到多个第一运动区域；

计算得到所述第一运动区域的重心邻域以及所述重心邻域对应的邻域特征值；

在所述邻域特征值满足设定阈值范围时，确定当前重心邻域所在的第一运动区域属于油烟区域；

根据所述油烟区域获取所述烹饪区域对应的目标油烟浓度。

较佳地，所述计算得到所述当前帧图像对应的目标帧差图像的步骤包括：

获取所述烹饪区域对应的背景帧图像；

对所述当前帧图像与所述背景帧图像进行帧差处理以获取目标帧差图像。

较佳地，所述获取所述烹饪区域对应的背景帧图像的步骤包括：

获取在历史设定时间段内烹饪场景对应的烹饪场景帧图像；

识别出所述烹饪帧场景图像中所述烹饪区域对应的历史帧图像；

对所述历史帧图像进行灰度变换处理，对灰度变换处理后的后一帧的历史帧图像与前一帧的历史帧图像进行帧差处理以得到第一帧差图像；

当所述第一帧差图像满足预设条件时，则将后一帧的历史帧图像作为所述烹饪区域对应的所述背景帧图像。

较佳地，当所述第一帧差图像满足预设条件时，则将后一帧的历史帧图像作为所述烹饪区域对应的所述背景帧图像的步骤包括：

获取所述第一帧差图像中白色像素点的数量与总像素点的数量之间的第一占比；

当所述第一占比小于设定阈值且持续设定时长时，则将后一帧的历史帧图像作为所述背景帧图像。

较佳地，所述根据所述目标帧差图像确定所述当前帧图像对应的初始油烟运动区域的步骤包括：

对所述目标帧差图像进行灰度转换处理，并根据灰度转换处理后的所述目标帧差图像中白色像素点所在区域得到所述当前帧图像对应的初始油烟运动区域；和/或，

所述计算得到所述第一运动区域的重心邻域的步骤包括：

计算得到每个所述第一运动区域的重心位置信息和面积信息；

根据所述重心位置信息和所述面积信息确定所述第一运动区域对应的邻域长度；

根据所述重心位置信息和所述邻域长度确定所述第一运动区域的所述重心邻域。

较佳地，所述重心邻域包括正方形邻域。

较佳地，所述邻域特征值包括所述重心邻域对应的灰度值均值和/或灰度值方差。

较佳地，所述根据所述油烟区域获取所述烹饪区域对应的目标油烟浓度的步骤包括：

计算得到所述油烟区域中白色像素点的数量与总像素点的数量之间的第二占比；

根据所述第二占比的大小确定与所述油烟区域对应的第一油烟浓度，并根据所述第一油烟浓度获取所述烹饪区域对应的目标油烟浓度。

本发明还提供一种油烟浓度的识别系统，所述识别系统包括：

当前帧图像获取模块，用于获取烹饪区域对应的当前帧图像；

目标帧差图像计算模块，用于计算得到所述当前帧图像对应的目标帧差图像；

初始区域确定模块，用于根据所述目标帧差图像确定所述当前帧图像对应的初始油烟运动区域；

轮廓检测模块，用于对所述初始油烟运动区域进行轮廓检测以得到多个第一运动区域；

重心邻域计算模块，用于计算得到所述第一运动区域的重心邻域以及所述重心邻域对应的邻域特征值；

油烟区域确定模块，用于在所述邻域特征值满足设定阈值范围时，确定当前重心邻域所在的第一运动区域属于油烟区域；

油烟浓度获取模块，用于根据所述油烟区域获取所述烹饪区域对应的油烟浓度。

较佳地，所述目标帧差图像计算模块包括：

背景帧图像获取单元，用于获取所述烹饪区域对应的背景帧图像；

目标帧差图像获取单元，用于对所述当前帧图像与所述背景帧图像进行帧差处理以获取目标帧差图像。

较佳地，所述背景帧图像获取单元包括：

场景帧图像获取子单元，用于获取在历史设定时间段内烹饪场景对应的烹饪场景帧图像；

历史帧图像获取子单元，用于识别出所述烹饪帧场景图像中所述烹饪区域对应的历史帧图像；

第一帧差图像获取子单元，用于对所述历史帧图像进行灰度变换处理，对灰度变换处理后的后一帧的历史帧图像与前一帧的历史帧图像进行帧差处理以得到第一帧差图像；

背景帧图像获取子单元，用于当所述第一帧差图像满足预设条件时，则将后一帧的历史帧图像作为所述烹饪区域对应的所述背景帧图像。

较佳地，所述背景帧图像获取子单元用于获取所述第一帧差图像中白色像素点的数量与总像素点的数量之间的第一占比；当所述第一占比小于设定阈值且持续设定时长时，则将后一帧的历史帧图像作为所述背景帧图像。

较佳地，所述初始区域确定模块用于根据所述目标帧差图像中白色像素点所在区域得到所述当前帧图像对应的初始油烟运动区域；和/或，

所述重心邻域计算模块包括：

邻域信息计算单元，用于计算得到每个所述第一运动区域的重心位置信息和面积信息；

邻域长度确定单元，用于根据所述重心位置信息和所述面积信息确定所述第一运动区域对应的邻域长度；

重心邻域确定单元，用于根据所述重心位置信息和所述邻域长度确定所述第一运动区域的所述重心邻域。

较佳地，所述重心邻域包括正方形邻域。

较佳地，所述邻域特征值包括所述重心邻域对应的灰度值均值和/或灰度值方差。

较佳地，所述油烟浓度获取模块包括：

占比计算单元，用于计算得到所述油烟区域中白色像素点的数量与总像素点的数量之间的第二占比；

第一油烟浓度确定单元，用于根据所述第二占比的大小确定与所述油烟区域对应的第一油烟浓度；

目标油烟浓度获取单元，用于根据所述第一油烟浓度获取所述烹饪区域对应的目标油烟浓度。

本发明还提供一种电子设备，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，所述处理器执行计算机程序时实现上述的油烟浓度的识别方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的油烟浓度的识别方法的步骤。

在符合本领域常识的基础上，所述各优选条件，可任意组合，即得本发明各较佳实施例。

本发明的积极进步效果在于：

基于图像处理的方法对烹饪环境中的油烟浓度进行了识别和检测，针对连续稳定烟雾的情况，提出基于背景帧的运动区域检测的方法，保证了油烟运动区域检测的准确性；对于运动区域存在锅铲、肢体干扰等情况，提出了基于重心邻域特征值检测的干扰运动区域排除方法，利用该方法可以有效地进行干扰运动区域的排除，有效地提高了油烟浓度检测的准确度；且利用该识别方式不受检测距离的影响，在油烟产生的瞬间便可抓取到油烟的特征图像，从而大大降低了利用物理颗粒物检测的方式所存在的延时问题，达到了实时检测的效果，保证了油烟浓度识别的及时性，以便于进一步地智能控制，同时也提升了用户的使用体验。

附图说明

图1为厨房场景示意图。

图2为厨房场景中烹饪区域示意图。

图3为本发明实施例1的油烟浓度的识别方法的流程图。

图4为本发明实施例2的油烟浓度的识别方法的流程图。

图5为本发明实施例3的油烟浓度的识别系统的模块示意图。

图6为本发明实施例4的油烟浓度的识别系统的模块示意图。

图7为本发明实施例5的实现油烟浓度的识别方法的电子设备的结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

本发明的油烟浓度识别技术可以适用于多种应用场景下的油烟浓度识别，例如厨房场景中的油烟浓度检测。

以厨房场景为例，如图1所示，a表示油烟机，b表示设置在油烟机上的图像采集设备(如摄像头)，用于实时采集摄像头视角范围内的场景图像；c表示灶台，d表示放置在灶台c上的锅具；如图2所示，虚线区域对应烹饪区域即油烟识别区域，其中烹饪区域可以根据实际情况进行重新确定与调整。

实施例1

如图3所示，本实施例的油烟浓度的识别方法包括：

S101、获取烹饪区域对应的当前帧图像；

具体采用设于油烟机上的摄像头实时采集烹饪场景中对应场景图像，然后采用图像识别技术自动识别出场景图像中烹饪区域所在位置及其所对应的帧图像，以便于后续对烹饪区域进行油烟识别。

S102、计算得到当前帧图像对应的目标帧差图像；

S103、根据目标帧差图像确定当前帧图像对应的初始油烟运动区域；

S104、对初始油烟运动区域进行轮廓检测以得到多个第一运动区域；

S105、计算得到第一运动区域的重心邻域以及重心邻域对应的邻域特征值；

S106、在邻域特征值满足设定阈值范围时，确定当前重心邻域所在的第一运动区域属于油烟区域；

当邻域特征值满足表征油烟特征的阈值范围时，则确定与重心邻域对应的第一运动区域为油烟区域；当邻域特征值不满足表征油烟特征的阈值范围时，则确定与重心邻域对应的第一运动区域为干扰区域并予以排除。

S107、根据油烟区域获取烹饪区域对应的目标油烟浓度。

本实施例中，通过获取烹饪区域的当前帧图像所对应的帧差图像，以计算当前帧图像对应的初始油烟运动区域，然后基于轮廓检测自动获取多个第一运动区域，计算得到每个第一运动区域的重心邻域及其对应的邻域特征值，进而基于邻域特征值准确识别出油烟区域，即实现对干扰(锅铲、肢体干扰等)运动区域进行有效排除，提高了油烟浓度检测的准确度；且利用该识别方式不受检测距离的影响，在油烟产生的瞬间便可抓取到油烟的特征图像，从而大大降低了利用物理颗粒物检测的方式所存在的延时问题，达到了实时检测的效果，保证了油烟浓度识别的及时性。

实施例2

如图4所示，本实施例的油烟浓度的识别方法是对实施例1的进一步改进，具体地：

步骤S102包括：

S1021、获取烹饪区域对应的背景帧图像；

在一可实施的方案中，步骤S1021包括：

获取在历史设定时间段内烹饪场景对应的烹饪场景帧图像；

识别出烹饪帧场景图像中烹饪区域对应的历史帧图像；

对历史帧图像进行灰度变换处理，对灰度变换处理后的后一帧的历史帧图像与前一帧的历史帧图像进行帧差处理以得到第一帧差图像；

当第一帧差图像满足预设条件时，则将后一帧的历史帧图像作为烹饪区域对应的背景帧图像。

在一可实施的方案中，当第一帧差图像满足预设条件时，则将后一帧的历史帧图像作为烹饪区域对应的背景帧图像的步骤具体包括：

获取第一帧差图像中白色像素点的数量与总像素点的数量之间的第一占比；

当第一占比小于设定阈值且持续设定时长时，则将后一帧的历史帧图像作为背景帧图像。

S1022、对当前帧图像与背景帧图像进行帧差处理以获取目标帧差图像。

其中，历史设定时间段对应任意当前检测时间之前的一段时间，随着时间不断地推移，不断地及时更新烹饪区域对应的背景帧图像，保证了烹饪区域的油烟检测结果的准确性和有效性。利用帧差法进行背景帧图像的选取，进而基于背景帧图像和当前帧图像进行帧差处理以得到目标帧差图像，相较于传统的基于前后帧进行帧差计算的方式能够更有效地进行油烟检测，提高了油烟运动区域检测的准确性，进而保证了油烟浓度识别结果的准确度；特别是对于连续稳定生成的油烟情况(连续稳定烟雾的情况)，基于背景帧的运动区域检测方式能够更有效地保证了油烟运动区域检测的准确性，最大程度上识别出潜在油烟运动区域。

具体地，在某一设定时间段内，选取某一帧图像

统计帧差图像

背景帧图像是实时更新的，以保证背景帧图像与当前帧图像之间的帧差图像能够准确反映当前场景下的油烟浓度情况。

具体地，利用当前帧图像

步骤S103包括：

S1031、对目标帧差图像进行灰度转换处理，并根据灰度转换处理后的所述目标帧差图像中白色像素点所在区域得到所述当前帧图像对应的初始油烟运动区域。

其中，可以依据下述公式将原始图像转化为灰度图像，具体如下：

Gray＝0.299R+0.587G+0.114B

当然还可以根据实际情况采用其他的灰度转换公式对原始图像进行处理，在此就不再赘述。

步骤S105包括：

S1051、计算得到每个第一运动区域的重心位置信息和面积信息；

S1052、根据重心位置信息和面积信息确定第一运动区域对应的邻域长度；

S1053、根据重心位置信息和邻域长度确定第一运动区域的重心邻域；

S1054、计算每个中心邻域对应的邻域特征值。

其中，邻域特征值包括重心邻域对应的灰度值均值、灰度值方差等。

重心邻域包括但不限于正方形邻域。

由于在真实烹饪场景下，大多数情况下人的肢体、锅铲等工具的扰动都无法直接利用背景帧检测的方式检测出来，因而对油烟运动产生一定的干扰，为排除这些干扰信息，采用基于运动区域无关动作干扰的轮廓排除的方式进行相关动作干扰的排除；具体地，

将得到的基于背景帧检测得到的初始油烟运动区域的灰度图像进行轮廓检测，得到多个若干个运动区域轮廓对应的运动区域，计算每个运动区域的重心G

根据油烟本身的颜色特征和锅铲或人的手臂的颜色特征等可以发现，油烟本身的颜色特征与其他干扰物体的颜色特征差距较大，反映到灰度值上油烟特征与其他干扰物体的灰度值均值不同；此外，由于油烟本身的边缘轮廓模糊，而其他干扰物体对应的干扰区域则有较为明显的边缘，反映到邻域中则是油烟区域灰度值方差较小，而其他干扰区域的方差较大，因此可以根据这两个特征在重心邻域上的差异预先给出油烟特征的重心邻域灰度值均值和灰度值方差的阈值区间(阈值范围)，进而排除干扰区域的影响。表征油烟特征的重心邻域灰度值均值和灰度值方差的阈值区间可以根据实际经验等方式获取，也可以根据实际情况进行更新或调整。

其中，重心邻域的灰度值均值及灰度值方差的计算公式如下：

n＝l

其中，

通过计算当前帧图像中每个运动区域对应的灰度值均值

步骤S106包括：

计算得到油烟区域中白色像素点的数量与总像素点的数量之间的第二占比；

根据第二占比的大小确定与油烟区域对应的第一油烟浓度；

根据第一油烟浓度获取烹饪区域对应的目标油烟浓度。

既可以获取区分出的多个不同的油烟区域分别对应的油烟浓度，也可以基于不同油烟区域的油烟浓度计算得到整个烹饪区域对应的油烟浓度，如通过不同油烟区域的油烟浓度求和取平均值或者加权平均值等方式计算得到。

本实施例中，基于图像处理的方法对烹饪环境中的油烟浓度进行了识别和检测，针对连续稳定烟雾的情况，提出基于背景帧的运动区域检测的方法，保证了油烟运动区域检测的准确性；对于运动区域存在锅铲、肢体干扰等情况，提出了基于重心邻域特征值检测的干扰运动区域排除方法，利用该方法可以有效地进行干扰运动区域的排除，有效地提高了油烟浓度检测的准确度；且利用该识别方式不受检测距离的影响，在油烟产生的瞬间便可抓取到油烟的特征图像，从而大大降低了利用物理颗粒物检测的方式所存在的延时问题，达到了实时检测的效果，保证了油烟浓度识别的及时性，以便于进一步地智能控制，同时也提升了用户的使用体验。

实施例3

如图5所示，本实施例的油烟浓度的识别系统包括当前帧图像获取模块1、目标帧差图像计算模块2、初始区域确定模块3、轮廓检测模块4、重心邻域计算模块5、油烟区域确定模块6和油烟浓度获取模块7。

当前帧图像获取模块1用于获取烹饪区域对应的当前帧图像；

具体采用设于油烟机上的摄像头实时采集烹饪场景中对应场景图像，然后采用图像识别技术自动识别出场景图像中烹饪区域所在位置及其所对应的帧图像，以便于后续对烹饪区域进行油烟识别。

目标帧差图像计算模块2用于计算得到当前帧图像对应的目标帧差图像；

初始区域确定模块3用于根据目标帧差图像确定当前帧图像对应的初始油烟运动区域；

轮廓检测模块4用于对初始油烟运动区域进行轮廓检测以得到多个第一运动区域；

重心邻域计算模块5用于计算得到第一运动区域的重心邻域以及重心邻域对应的邻域特征值；

油烟区域确定模块6用于在邻域特征值满足设定阈值范围时，确定当前重心邻域所在的第一运动区域属于油烟区域；

当邻域特征值满足表征油烟特征的阈值范围时，则确定与重心邻域对应的第一运动区域为油烟区域；当邻域特征值不满足表征油烟特征的阈值范围时，则确定与重心邻域对应的第一运动区域为干扰区域并予以排除。油烟浓度获取模块7用于根据油烟区域获取烹饪区域对应的油烟浓度。

本实施例中，通过获取烹饪区域的当前帧图像所对应的帧差图像，以计算当前帧图像对应的初始油烟运动区域，然后基于轮廓检测自动获取多个第一运动区域，计算得到每个第一运动区域的重心邻域及其对应的邻域特征值，进而基于邻域特征值准确识别出油烟区域，即实现对干扰(锅铲、肢体干扰等)运动区域进行有效排除，提高了油烟浓度检测的准确度；且利用该识别方式不受检测距离的影响，在油烟产生的瞬间便可抓取到油烟的特征图像，从而大大降低了利用物理颗粒物检测的方式所存在的延时问题，达到了实时检测的效果，保证了油烟浓度识别的及时性。

实施例4

如图6所示，本实施例的油烟浓度的识别系统是对实施例3的进一步改进，具体地：

本实施例的目标帧差图像计算模块2包括背景帧图像获取单元8和目标帧差图像获取单元9。

背景帧图像获取单元8用于获取烹饪区域对应的背景帧图像；

目标帧差图像获取单元9用于对当前帧图像与背景帧图像进行帧差处理以获取目标帧差图像。

具体地，背景帧图像获取单元8包括场景帧图像获取子单元、历史帧图像获取子单元、第一帧差图像获取子单元和背景帧图像获取子单元。

场景帧图像获取子单元用于获取在历史设定时间段内烹饪场景对应的烹饪场景帧图像；

历史帧图像获取子单元用于识别出烹饪帧场景图像中烹饪区域对应的历史帧图像；

第一帧差图像获取子单元用于对历史帧图像进行灰度变换处理，对灰度变换处理后的后一帧的历史帧图像与前一帧的历史帧图像进行帧差处理以得到第一帧差图像；

背景帧图像获取子单元用于当第一帧差图像满足预设条件时，则将后一帧的历史帧图像作为烹饪区域对应的背景帧图像。

其中，背景帧图像获取子单元用于获取第一帧差图像中白色像素点的数量与总像素点的数量之间的第一占比；当第一占比小于设定阈值且持续设定时长时，则将后一帧的历史帧图像作为背景帧图像。

其中，历史设定时间段对应任意当前检测时间之前的一段时间，随着时间不断地推移，不断地及时更新烹饪区域对应的背景帧图像，保证了烹饪区域的油烟检测结果的准确性和有效性。利用帧差法进行背景帧图像的选取，进而基于背景帧图像和当前帧图像进行帧差处理以得到目标帧差图像，相较于传统的基于前后帧进行帧差计算的方式能够更有效地进行油烟检测，提高了油烟运动区域检测的准确性，进而保证了油烟浓度识别结果的准确度；特别是对于连续稳定生成的油烟情况(连续稳定烟雾的情况)，基于背景帧的运动区域检测方式能够更有效地保证了油烟运动区域检测的准确性，最大程度上识别出潜在油烟运动区域。

具体地，在某一设定时间段内，选取某一帧图像

统计帧差图像

背景帧图像是实时更新的，以保证背景帧图像与当前帧图像之间的帧差图像能够准确反映当前场景下的油烟浓度情况。

具体地，利用当前帧图像

另外，本实施例的初始区域确定模块3用于对目标帧差图像进行灰度转换处理，并根据灰度转换处理后的所述目标帧差图像中白色像素点所在区域得到所述当前帧图像对应的初始油烟运动区域。

其中，可以依据下述公式将原始图像转化为灰度图像，具体如下：

Gray＝0.299R+0.587G+0.114B

当然还可以根据实际情况采用其他的灰度转换公式对原始图像进行处理，在此就不再赘述。

本实施例的重心邻域计算模块5包括邻域信息计算单元10、邻域长度确定单元11和重心邻域确定单元12。

邻域信息计算单元10用于计算得到每个第一运动区域的重心位置信息和面积信息；

邻域长度确定单元11用于根据重心位置信息和面积信息确定第一运动区域对应的邻域长度；

重心邻域确定单元12用于根据重心位置信息和邻域长度确定第一运动区域的重心邻域。

其中，邻域特征值包括重心邻域对应的灰度值均值、灰度值方差等。

重心邻域包括但不限于正方形邻域。

由于在真实烹饪场景下，大多数情况下人的肢体、锅铲等工具的扰动都无法直接利用背景帧检测的方式检测出来，因而对油烟运动产生一定的干扰，为排除这些干扰信息，采用基于运动区域无关动作干扰的轮廓排除的方式进行相关动作干扰的排除；具体地，

将得到的基于背景帧检测得到的初始油烟运动区域的灰度图像进行轮廓检测，得到多个若干个运动区域轮廓对应的运动区域，计算每个运动区域的重心G

根据油烟本身的颜色特征和锅铲或人的手臂的颜色特征等可以发现，油烟本身的颜色特征与其他干扰物体的颜色特征差距较大，反映到灰度值上油烟特征与其他干扰物体的灰度值均值不同；此外，由于油烟本身的边缘轮廓模糊，而其他干扰物体对应的干扰区域则有较为明显的边缘，反映到邻域中则是油烟区域灰度值方差较小，而其他干扰区域的方差较大，因此可以根据这两个特征在重心邻域上的差异预先给出油烟特征的重心邻域灰度值均值和灰度值方差的阈值区间(阈值范围)，进而排除干扰区域的影响。表征油烟特征的重心邻域灰度值均值和灰度值方差的阈值区间可以根据实际经验等方式获取，也可以根据实际情况进行更新或调整。

其中，重心邻域的灰度值均值及灰度值方差的计算公式如下：

n＝l

其中，

通过计算当前帧图像中每个运动区域对应的灰度值均值

本实施例的油烟浓度获取模块7包括占比计算单元13、第一油烟浓度确定单元14和目标油烟浓度获取单元15。

占比计算单元13用于计算得到油烟区域中白色像素点的数量与总像素点的数量之间的第二占比；

第一油烟浓度确定单元14用于根据第二占比的大小确定与油烟区域对应的第一油烟浓度；

目标油烟浓度获取单元15用于根据第一油烟浓度获取烹饪区域对应的目标油烟浓度。

既可以获取区分出的多个不同的油烟区域分别对应的油烟浓度，也可以基于不同油烟区域的油烟浓度计算得到整个烹饪区域对应的油烟浓度，如通过不同油烟区域的油烟浓度求和取平均值或者加权平均值等方式计算得到。

本实施例中，基于图像处理的方法对烹饪环境中的油烟浓度进行了识别和检测，针对连续稳定烟雾的情况，提出基于背景帧的运动区域检测的方法，保证了油烟运动区域检测的准确性；对于运动区域存在锅铲、肢体干扰等情况，提出了基于重心邻域特征值检测的干扰运动区域排除方法，利用该方法可以有效地进行干扰运动区域的排除，有效地提高了油烟浓度检测的准确度；且利用该识别方式不受检测距离的影响，在油烟产生的瞬间便可抓取到油烟的特征图像，从而大大降低了利用物理颗粒物检测的方式所存在的延时问题，达到了实时检测的效果，保证了油烟浓度识别的及时性，以便于进一步地智能控制，同时也提升了用户的使用体验。

实施例5

图7为本发明实施例5提供的一种电子设备的结构示意图。电子设备包括存储器、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，处理器执行程序时实现实施例1或2中的油烟浓度的识别方法。图7显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。

总线33包括数据总线、地址总线和控制总线。

存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。

存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1或2中的油烟浓度的识别方法。

电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例6

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1或2中的油烟浓度的识别方法中的步骤。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1或2中的油烟浓度的识别方法中的步骤。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。