[发明专利]基于红外特征、机器学习的小火焰检测方法及计算机装置

说明书

本发明涉及一种基于红外特征、机器学习的小火焰检测方法及计算机装置。本发明根据相机参数和尺度因子得到每帧红外图像与每帧可见光图像之间的对应坐标关系得到每帧红外图像与每帧可见光图像之间的交集区域，利用帧差法消除所述交集区域中的静止区块得到候选区域，并在得到的候选区域送入训练好的机器学习模型进行检测得到检测结果，因而能够对较大范围环境内的小火焰的位置定位，较早的上报火灾信息，降低了小火灾演变成大火灾的概率，为及时消除安全隐患提供了很好的信息支持。

技术领域

本发明涉及图像的识别技术领域，具体涉及一种基于可见光图像特征、红 外图像特征和机器学习的小火焰检测方法及计算机装置。

背景技术

火灾一直威胁着人类生命和财产的安全，提前检测出火灾并发出预警信息 一直是一个重要的研究课题。传统的火灾检测方法主要根据光电传感器件或粒 子传感器监测火灾发生过程中产生的副产品或一些其他的环境变量，比如温度 的监测，火焰颜色的监测，烟雾颗粒浓度的监测，环境湿度的监测等。但是传 统火灾探测器一般是基于单一数据判别的检测方法，仅适用于室内低小空间， 距离近，干扰少的情况，有很大的局限性。随着科技的快速发展，基于视觉的 火灾检测技术成为预防火灾的一个主要研究方向，基于视觉的火灾检测运用监 控视频可以得到更丰富的信息，抗干扰能力更强，适用的区域也更广泛。然而 目前基于视觉的火灾检测的研究工作主要是对于已经燃烧起来的火焰进行分析，针对初期的小火焰检测研究较少。

目前对于火灾检测研究主要集中在室外火灾如森林火灾，建筑物火灾等， 火焰面积相对较大，此种类型的火灾通过颜色模型(如RGB、YCbCr等)检测 或者机器学习方法可以达到一定的检测效果。但对于火灾初期，如果火焰面积 比较小，在图片中占比面积较小，用上述RGB、YCbCr两种颜色模型方法去检 测，效果可能不太理想甚至检测不到，如果用颜色模型检测小火焰，条件设置 的宽松可能会有误检测，设置的严苛可能会检测不到；如果用机器学习的方法 去检测，现有机器学习模型一般基于大火焰数据训练，而且小火焰数据集较少 并且难以收集，现有基于较大火焰训练出的机器学习模型不容易检测到小火焰。

发明内容

鉴于以上内容，有必要提出一种基于红外特征、机器学习的小火焰检测方 法及计算机装置，以对较大范围环境内的小火焰的位置定位，较早地上报火灾 信息，降低小火灾演变成大火灾的概率。

本申请的第一方面提供一种基于红外特征、机器学习的小火焰检测方法， 所述方法包括：

从视频流中得到每帧红外图像及每帧可见光图像；

将所述每帧红外图像转换为灰度图像，并对所述灰度图像按照轮廓筛选 条件进行轮廓查找和筛选得到所述每帧红外图像的第一关键区域；

将所述每帧可见光图像输入到颜色模型中，并根据所述颜色模型的颜色 过滤条件和所述轮廓筛选条件从所述每帧可见光图像中分析得到所述可见光 图像的第二关键区域；

根据相机参数和尺度因子得到所述每帧红外图像与所述每帧可见光图像 之间的对应坐标关系，并根据所述对应坐标关系得到所述第一关键区域及所 述第二关键区域之间的交集区域；

利用帧差法消除所述交集区域中的静止区块得到候选区域；

将所述候选区域送入训练好的机器学习模型进行检测得到检测结果；及

根据所述检测结果对所述每帧可见光图像或所述每帧红外图像的结果进 行显示。

优选地，所述将所述每帧红外图像转换为灰度图像包括：

将所述每帧红外图像中的R分量亮度、G分量亮度及B分量亮度作为三个 灰度图像的灰度值，并从所述三个灰度图像的灰度值中任选一个灰度值作为所 述每帧红外图像的灰度值。