[发明专利]一种基于密集尺度不变特征转换字典学习的高精度火灾火焰检测方法

说明书

本发明公开了一种基于密集尺度不变特征转换字典学习的高精度火灾火焰检测方法，包括以下步骤：S1：对视频流进行运动检测获取运动目标；S2：进行颜色检测，获取具有火焰特征的目标：对S1获得的运动目标的HSI颜色特征判断，获得具有火焰特征颜色的像素；S3：对符合运动检测和颜色检测的像素基于Dense‑SIFT字典学习进行空域形态特征判别；S4：对上述获取的目标结合时域上闪烁特征综合判别：在S3进行空域形态特征检测的基础上，结合时域动态闪烁特征，计算火焰像素点的个数与设定的阈值比较，综合判定实现对火焰的检测。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于密集尺度不变特征转换(DenseScale Invariant Feature Transform，Dense-SIFT)^[1]字典学习的实时火灾火焰检测方法。

背景技术

楼宇建筑的火灾会造成生命、财产的重大损失。传统的火灾检测技术一般是基于感烟和感温的。目前基于计算机视觉的火灾探测技术可直接利用现有视频监控系统所获得的视频信息，具有非接触式、准确性高、成本低、检测范围大、结果直观、适用多种场合等优势，应用前景十分广阔。图像火灾火焰检测技术一般是在获取监控视频，对图像进行去噪、增强等预处理基础上，提取火焰的静态、动态特征，然后运用模式识别等技术加以分类识别。

在公开号为CN 101515326A的专利中，谢迪提出了一种适用于识别和检测大空间火灾火焰的方法，具体为：先高斯平滑每一帧输入视频来滤除噪音，然后用固定阈值的时域差分法检测视频中的运动目标，再通过图像RGB分量提取具有火焰颜色的像素。之后把符合火焰特征且相互连接的像素点组成连通区域，进行频域分析，计算周长和面积，通过形状和面积变化判断是否有火焰。固定阈值的时域差分法，对实际应用中常出现的阴影、遮挡和背景扰动问题，各帧视频间的背景像素灰度会发生较大变化，因此检测准确率不高。方法虽然运用了火焰面积改变量动态特征，但没有结合火焰的闪动频率。另外，方法没有使用更好的模式识别技术，容易误检。

在“基于颜色模型和稀疏表示的图像型火焰探测”论文中^[2]，马宗方等基于HSI颜色模型的自然直观性，利用其提取疑似区域，建立稀疏表示模型。该方法包括三部分：首先在HSI空间建立颜色模型对火灾图像进行预处理，提取出疑似区域，然后建立稀疏表示模型，用主成分分析方法构造火焰和疑似火焰物体的特征字典，最后利用最小l₁-范数方法计算测试样本与训练样本的最小逼近残差，实现火焰和干扰物体的分类识别。虽然该方法无需大量训练样本进行学习与参数优化，但在字典有限的情况下，易出现过拟合，尽管对训练样本检测效果较好，但对真实样本检测效果并不好，容易误判，更难以实现复杂环境实时检测。

发明内容

根据现有技术存在的问题，本发明公开了一种基于Dense-SIFT字典学习的实时火灾火焰检测方法，包括以下步骤：

S1：对视频流进行运动检测获取运动目标：基于运动目标检测背景减除法的改进型视觉背景提取(Visual Background extractor，ViBe)^[3]算法，根据邻域像素间的空间分布相关性，运用尺度不变局部三值模式(Scale Invariant Local Ternary Pattern，SILTP)^[4]提取特征，对视频流进行运动检测获得运动目标；

S2：进行颜色检测，获取具有火焰特征的目标：对S1获得的运动目标的HSI颜色特征判断，获得具有火焰特征颜色的像素；

S3：对符合运动检测和颜色检测的像素进行空域上形态特征判别：提取S2获得的可能火焰目标像素区域的Dense-SIFT特征，利用离线训练好的火焰字典进行编码，使用支持向量机(Support Vector Machine，SVM)分类器判定；