一种基于视频图像序列的火焰实时检测算法及系统

文献发布时间：2023-06-19 11:52:33

技术领域

本申请涉及图像识别技术领域，尤其涉及一种基于视频图像序列的火焰实时检测算法及系统。

背景技术

图像识别，作为一种计算机数字信息应用及处理技术，在众多领域均有广泛的应用。图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。

在电力行业中，由于设备设施带电运行，某些关键部位常具有火情风险，为了尽量避免造成人员伤亡和物质财产的损失，需要对火焰进行监控，以便于工作人员采取紧急措施将火情影响降至最低。因此，对火焰的快速和准确地实时识别与检测显得尤为重要。

目前，火焰检测技术可以分为基于传感器和图像的两种检测方式。基于传感器的火灾检测技术只能感知传感点周围的有限的局部空间，在大空间如仓库和家庭环境中很难发挥有效作用。现阶段，伴随着家庭视频监控设备的普及和处理器性能的提高，视频火焰检测越来越受到关注，基于视频图像序列的火焰检测技术已日渐趋于成熟，并且已经在家庭、仓库的实时监测中取得应用。视频火焰检测系统可以利用监控区域获取的视频数字序列，综合利用数字图像处理技术、模式识别技术，快速实现火源的检测与定位。现有的视频火焰检测一般利用简单的颜色模型或者火焰结构特征等方式对火焰进行检测，这种方法对一些明亮区域和颜色相近区域识别鲁棒性不足，导致识别准确率低，同时算法复杂导致延时而不能高效实时跟踪。

发明内容

本申请提供了一种基于视频图像序列的火焰实时检测算法及系统，以解决现有火焰图像识别技术中识别率较低、复杂度高以及实时性不足的问题。

本申请采用的技术方案如下：

本申请的第一方面，提供一种基于视频图像序列的火焰实时检测算法，包括以下步骤：

获取监控设备捕捉的视频图像信息；

将所述视频图像信息进行预处理得到预处理图像信息；

采用Horn-Schunck光流法来识别所述预处理图像信息的运动目标，并采用Camshift算法来进行跟踪处理，得到运动目标图像信息；

将所述运动目标图像信息中的不同的运动目标进行分割，分割后得到最似火焰区域图像信息；

提取所述最似火焰区域图像信息中的静态特征参数和动态特征参数；

根据所述静态特征参数和所述动态特征参数采用训练的级联分类器实现火焰的动态检测。

可选的，在所述将所述视频图像信息进行预处理得到预处理图像信息的步骤中，所述预处理包括：

滤波去噪处理、图像灰度处理以及对比度增强处理。

可选的，在所述提取所述最似火焰区域图像信息中的静态特征参数和动态特征参数的步骤中，所述静态特征参数和动态特征参数包括：

颜色特征参数、火焰尖角参数、圆矩形度参数、边缘梯度特征参数，面积增长特征参数、频闪特征参数以及运动方向特征参数。

可选的，在所述获取监控设备捕捉的视频图像信息的步骤中，还包括：

将获取的监控设备捕捉的视频图像信息处理为视频图像序列信息，所述视频图像序列信息作为预处理的对象。

可选的，在所述根据所述静态特征参数和所述动态特征参数采用训练的级联分类器实现火焰的动态检测步骤之后，还包括：

如果判断为火焰，对火焰的趋势做出预测，生成预测火焰信息。

可选的，在所述根据所述静态特征参数和所述动态特征参数采用训练的级联分类器实现火焰的动态检测的步骤中，还包括：

检测到跟踪的目标对象的大小发生变化时，重新对分割的最似火焰区域进行火焰特征的识别和判定，并将结果实时更新。

本申请的另一方面，提供一种基于视频图像序列的火焰实时检测系统，采用上述的基于视频图像序列的火焰实时检测算法，包括：

视频图像获取模块，用于获取监控设备捕捉的视频图像信息；

图像预处理模块，用于将所述视频图像信息进行预处理得到预处理图像信息；

视频运动目标跟踪模块，被配置为采用Horn-Schunck光流法来识别所述预处理图像信息中的运动目标，并采用Camshift算法来进行跟踪处理，得到运动目标图像信息；

区域分割模块，用于将运动目标图像信息中的不同的运动目标进行分割，分割后得到最似火焰区域图像信息；

火焰特征获取模块，用于提取最似火焰区域图像信息中的静态特征参数和动态特征参数；

火焰实时检测模块，被配置为根据静态特征参数和动态特征参数采用训练的级联分类器实现火焰的动态检测。

可选的，所述视频图像获取模块还用于将获取的监控设备捕捉的视频图像信息处理为视频图像序列信息，所述视频图像序列信息作为预处理的对象。

可选的，火焰特征获取模块提取的最似火焰区域图像信息中的静态特征参数和动态特征参数包括：颜色特征参数、火焰尖角参数、圆矩形度参数、边缘梯度特征参数，面积增长特征参数、频闪特征参数以及运动方向特征参数。

可选的，还包括预测模块，所述预测模块被配置为：如果判断为火焰，对火焰的趋势做出预测，生成预测火焰信息。

采用本申请的技术方案的有益效果如下：

本申请的基于视频图像序列的火焰实时检测算法，通过运动目标跟踪算法来实现图像区域分割过程，减少火焰检测的运算量，提高检测的实时性，采用CamShift进行运动目标跟踪，然后根据运动目标进行最似火焰区域分割，获得运动目标区域(可能是火焰的区域)。然后针对分割出的最似火焰区域进行火焰特征的提取，如颜色特征，边缘特征，面积特征以及频闪特征来进行级联分类器的训练和分类识别。并一直跟踪运动区域，进行实时判断分割的区域大小是否发生变化，进行重新分割检测。并对火焰的趋势做出预测。本申请减少了运算量，满足嵌入式算力低的要求。具有运算速度快、实时性较高以及更加经济性的有益效果，适于行业内推广运用。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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的附图。

图1为本申请第一方面提供的算法实施例的流程图；

图2为本申请第一方面提供的算法另一个实施例的流程图。

具体实施方式

下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。

参见图1，为本申请第一方面提供的算法实施例的流程图。

本申请的第一方面，提供一种基于视频图像序列的火焰实时检测算法，包括以下步骤：

S101，获取监控设备捕捉的视频图像信息；

S102，将所述视频图像信息进行预处理得到预处理图像信息；

S103，采用Horn-Schunck光流法来识别所述预处理图像信息的运动目标，并采用Camshift算法来进行跟踪处理，得到运动目标图像信息；

S104，将所述运动目标图像信息中的不同的运动目标进行分割，分割后得到最似火焰区域图像信息；

S105，提取所述最似火焰区域图像信息中的静态特征参数和动态特征参数；

S106，根据所述静态特征参数和所述动态特征参数采用训练的级联分类器实现火焰的动态检测。

结合图1与图2，理解本实施例的技术方案，其核心内容在于：利用运动目标跟踪算法来实现图像区域分割部分，来减少火焰检测时期的运算量，提高检测的实时性，满足嵌入式设备资源有限的需求。传统的火焰识别算法只是基于图像的局部特征来进行检测，如图像的颜色特征(火焰通常是红色的，蓝色等有一个主颜色)、频闪等特征。传统的方法需要检测整幅图像。随着广角摄像头和高清摄像头的普及，采集的图像清晰度越来越高，相应的运算量越来越大。嵌入式设备算力有限。由于火焰燃烧具有扇动等运动特征。通过采用CamShift进行运动目标跟踪，然后根据运动目标进行最似火焰区域分割，可以获得运动目标区域(可能是火焰的区域)。然后针对分割出的最似火焰区域进行火焰特征的提取，如颜色特征，边缘特征，面积特征，频闪特征来进行级联分类器的训练和分类识别。并一直跟踪运动区域，进行实时判断分割的区域大小是否发生变化，进行重新分割检测。如果判断为火焰，并对火焰的趋势做出预测。本实施例先进行最似区域分割，再针对分割区域进行检测，减少了运算量，满足嵌入式算力低的要求。