[发明专利]基于视频的火焰检测方法

说明书

本发明公开了一种基于视频的火焰检测方法，要解决的技术问题是提高火焰检测的准确率。本发明的基于视频的火焰检测方法，包括以下步骤：获得视频图像序列，图像预处理，颜色检测，火焰特征提取，AdaBoost预测。本发明与现有技术相比，根据火焰像素在RGB与YCbCr颜色空间的特征，找出视频图像中满足条件的所有候选火焰点，然后，将视频图像进行分块，计算视频块中火焰像素集颜色和亮度属性所对应的协方差矩阵，提取颜色和亮度协方差矩阵中的上三角或下三角部分作为特征向量，将获取的特征向量集作为AdaBoost分类器的输入，将特征向量输入到AdaBoost分类模型，输出为是否发生火灾的判别，可实时地检测出火灾发生情形，并能减少误报率，具有较高的准确性，鲁棒性强。

技术领域

本发明涉及一种安全监控的方法，特别是一种对火灾的检测方法。

背景技术

现有技术的火灾自动监测方法主要采用烟感传感器、温度传感器、红外探测器进行检测，有效探测距离较小，且报警后需到现场确认，不能及时发现与收集到足够的判别信息，导致造成巨大的灾难。

早期火焰检测的研究方法主要体现在火焰的颜色模型上。Chen等人根据红绿蓝RGB三通道间规律来制定出能够区分火焰像素的规则，提取火焰区域。Celik等人在亮度蓝色色度红色色度YCbCr(一种色彩空间，Y指亮度分量，Cb指蓝色色度分量，Cr指红色色度分量)颜色模型上建立一个基于规则的火焰像素分类的通用颜色模型。Marbach等人使用亮度色差YUV(Y表示亮度Luminance，UV表示色差Chrominance，是构成彩色的两个分量)颜色模型判断疑似区域是否存在火焰。上述仅使用颜色模型来检测火焰的方法在特定的环境中可获得较高的识别率，然而会将灯光、阳光、行走中穿着黄色、红色衣服的人等干扰物当成火焰，导致存在很多误检。钟取发结合运动量积量、运动方向、闪烁频率、运动程度和运动一致性等特征和反向传播BP(back propagation)神经网络(一种按照误差逆向传播算法训练的多层前馈神经网络)对火焰和烟雾进行识别。Ko等人分析火焰视频的小波特征，采用支持向量机对这些变换后的特征进行分类。这些火焰检测方法仅考虑火焰的局部特征，很容易造成误判，只适应于某些特定场景下的火焰检测。

现有技术已经有多种基于视频的火焰检测方法，但大多数方法对火焰的判断过于单一、抗干扰性低，错报率和漏报率较高，因此需要建立一个判断更全面、识别率更高和适应性更强的视频火焰检测方法。

发明内容

本发明的目的是提供一种基于视频的火焰检测方法，要解决的技术问题是提高火焰检测的准确率。

本发明采用以下技术方案：一种基于视频的火焰检测方法，包括以下步骤：

一、获得视频图像序列，实时采集监控现场的视频图像的信息，得到帕尔PAL制式含有连续视频的模拟视频信号，压缩成动态图像专家组MPEG视频格式的视频，将视频传送给智能图像处理器，智能图像处理器通过视频解码分解成视频图像序列；

二、图像预处理，对视频图像进行去噪处理，使用中值滤波方法来去除视频图像中的噪声点；

三、颜色检测，按以下步骤：

(1)将RGB颜色空间转换成YCbCr颜色空间：

式(1)中，Y是亮度分量，Cb是蓝色色度分量，Cr是红色色度分量，R、G和B分别为RGB颜色空间的红、绿、蓝通道值；

(2)在YCbCr颜色空间的图像中，图像在Y,Cb和Cr通道上的均值和为：