[发明专利]一种基于运动检测和多特征提取的火焰智能识别方法

说明书

本发明公开了一种基于运动检测和多特征提取的火焰智能识别方法，其涉及计算机视觉领域。该方法首先利用改进的混合高斯模型进行运动区域提取，再结合基于OHTA颜色分割进行颜色分割获得疑似火焰区域；再提取火焰静态特征和动态特征；最后采用基于支持向量机算法进行火焰识别。该方法提取了准确度高的疑似火焰区域，很大程度上排除了类似火焰物体的干扰，并且融合了多种火焰显著性特征。算法具有鲁棒性、抗干扰性和适应性，同时对火焰的识别率高。

技术领域

本发明涉及计算机视觉领域，特指一种基于运动检测和多特征提取的火焰智能识别方法。

背景技术

随着国家经济和社会的快速发展，各种大型空间建筑火灾事故日益增多。传统火灾检测器可分为感烟式检测器、感温式检测器和感光式检测器。然而，传统的烟火检测器自身存在阈值设置过高的缺陷，使得火灾达到一定规模时才能做出响应发出警报。因而，在空间较大的场景，如空旷的体育场、森林、大型工厂仓库等复杂环境下，限制了常规的感烟、感温检测器的应用。随着科学不断进步，防范火灾变得尤为重要，人们开始着眼于智能视频分析的研究。计算机能全天候实时的运行，不仅节省了人力财力而且可靠性更高。因此基于图像视频分析的火焰检测得到了很快的推广。

基于图像视频分析的火焰检测包括了火焰目标提取和火焰识别。但是，利用传统的混合高斯模型在火焰目标检测过程中，实时性较差，并且火焰中心会出现“空洞”现象，会导致一些火灾区域的漏检。基于视频图像的火焰识别方法检测运动火焰的运动、颜色、时频等特征实现火焰识别。其中，仅利用颜色等静态特征的火焰识别方法，容易受到类似与火焰颜色景物的干扰，从而影响系统的鲁棒性。Paulo等先根据RGB颜色高斯模型提取火焰颜色区域，在提取火焰颜色区域的面积变化率、表面和边界粗糙度、倾斜度等特征，用贝叶斯分类器训练，但该算法对候选区域的选取不够准确。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于运动检测和多特征提取的火焰智能识别方法，该火焰智能识别方法能够具有抗干扰性强、鲁棒性强、识别率高和适应性强等优点。

为实现上述目的，本发明技术方案具体如下：

一种基于运动检测和多特征提取的火焰智能识别方法，该方法具体包括以下步骤：

S1输入视频图像，利用改进的混合高斯模型的背景差法和基于OHTA的颜色分割提取疑似火焰区域；

S1.1利用改进的混合高斯模型背景差法进行运动前景区域提取；

S1.2采用OHTA颜色空间进行颜色分割；

S1.3将步骤S1.1的运动前景区域和S1.2的颜色分割结果进行取交集操作，得到疑似火焰区域；

S2提取特征向量，该特征向量包括疑似火焰区域静态特征、动态特征；

S2.1静态特征提取；

S2.2提取高频能量的动态特征；

S3输入所述特征向量，进行基于SVM的火焰智能识别。

作为本发明的优选技术方案，所述S1.1包括：

S1.1.1建立混合高斯模型；

S1.1.2背景参数更新；

S1.1.3利用背景训练变量来改进混合高斯模型的背景更新方式，并且提取运动前景区域。

作为本发明的优选技术方案，所述S1.1.1包括：

图像的每个像素块服从高斯概率分布，并用K维高斯分量的线性加权组合，假设第i个像素块的均值为标准差为σ_i,t，该像素块在第t时刻属于背景的数学模型为：