[发明专利]基于视频的火焰检测方法

摘要

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。

主权项

1.一种基于视频的火焰检测方法，包括以下步骤：/n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，所述将视频传送给智能图像处理器采用网络线缆或同轴视频电缆；/n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；/n三、颜色检测，按以下步骤：/n(1)将RGB颜色空间转换成YCbCr颜色空间：/n /n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；/n(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：/n /n式(2)中，N为图像中像素总个数，x_i、y_i为第i个图像点的坐标，Y(x_i,y_i)、Cb(x_i,y_i)和Cr(x_i,y_i)分别为第i个图像点在Y、Cb和Cr通道上的值，均值为和/n(3)满足下列所有条件的图像点为火焰像素点：/nR(x_i,y_i)>G(x_i,y_i)>B(x_i,y_i)且R(x_i,y_i)>R_T/nY(x_i,y_i)>Cb(x_i,y_i)/nCr(x_i,y_i)>Cb(x_i,y_i)/n 且且/n|Cb(x_i,y_i)-Cr(x_i,y_i)|≥τ (3)/n式(3)中，τ为色差阈值，R_T是红色通道阈值，当τ＝40，R_T＝110时，将满足式(3)的图像点称为火焰像素点；/n四、火焰特征提取，将预处理后的视频图像分成大小相等的视频块，所述视频块大小为16×16×f，其中，16表示图像块在水平或垂直方向上的像素个数，16×16为图像块大小，f为帧率，统计每个视频块中满足式(3)条件的像素点个数，为火焰像素点个数，若火焰像素点个数不少于整个视频块中总像素个数的15％，分别计算视频块中火焰像素点的颜色属性向量和亮度属性向量所对应的协方差矩阵：/n(1)火焰像素点的颜色属性向量C(i,j,t)为：/nC(i,j,t)＝[Y(i,j,t) Cb(i,j,t) Cr(i,j,t)] (4)/n式(4)中，Y(i,j,t)，Cb(i,j,t)和Cr(i,j,t)分别为图像中第t帧、火焰像素点(i,j)的亮度分量，蓝色色度分量和红色色度分量；/n火焰像素点的亮度属性向量/n /nI(i,j,t)＝(R(i,j,t)+G(i,j,t)+B(i,j,t))/3/nI_x(i,j,t)＝I(i+1,j,t)-I(i-1,j,t)/nI_xx(i,j,t)＝I(i-1,j,t)-2I(i,j,t)+I(i+1,j,t)/nI_y(i,j,t)＝I(i,j+1,t)-I(i,j-1,t)/nI_yy(i,j,t)＝I(i,j-1,t)-2I(i,j,t)+I(i,j+1,t)/nI_t(i,j,t)＝I(i,j,t+1)-I(i,j,t-1)/nI_tt(i,j,t)＝I(i,j,t-1)-2I(i,j,t)+I(i,j,t+1) (5)/n式(5)中，(i,j)为火焰像素点在图像中的位置，t为火焰像素点所在预处理后的视频图像序列中的帧序号，I表示火焰像素点的亮度值，I_x和I_xx表示亮度在水平x方向上的变化值，I_y和I_yy表示亮度在垂直y方向上的变化值，I_t和I_tt表示亮度在时间t上的变化值；/n(2)统计视频块中的火焰像素点个数，若火焰像素点个数不少于视频块中总像素个数的15％，火焰像素点集所组成的颜色矩阵S_color和亮度矩阵S_I分别为：/n /n /n式(6)和式(7)中，N_b为当前视频块中火焰像素点个数，为火焰像素点在图像中位置，为火焰像素点在视频图像序列中的帧序号；/n(3)颜色矩阵S_color和亮度矩阵S_I所对应的协方差矩阵分别为：Cov_C和Cov_I，协方差矩阵的第(a,b)个元素值为：/n /n式(8)中，N_b为视频块中火焰像素点总个数，d_k,a和d_k,b分别为第k个火焰像素点的第a个和第b个属性值，矩阵S_color或S_I的第k行第a列和第b列的元素值，μ_a和μ_b分别为第a个和第b个属性的均值；/n(4)将颜色协方差矩阵和亮度协方差矩阵进行归一化，提取归一化后矩阵的上三角或下三角部分作为火焰的颜色和亮度的特征向量，每一个特征向量的维数为34，34为颜色特征向量和亮度特征向量维数之和，颜色特征向量维数为(3×4)/2，亮度特征向量维数为(7×8)/2，归一化计算方法：/n /n式(9)中，为归一化后协方差矩阵的第(r,s)个元素值，Cov(r,s)为归一化前的协方差矩阵的第(r,s)个元素值；/n五、AdaBoost训练/n将由特征向量所组成的样本集，包括正、负样本，正样本为火焰特征向量，负样本为干扰物特征向量，输入到AdaBoost分类器进行训练，经训练后，得到AdaBoost分类模型；从16个图像中提取出N_fire＝592728个火焰特征向量，同时从16个干扰物视频提取出N_{non_fire}＝954111个类似于火焰颜色的干扰物特征向量，从火焰特征向量集中随机挑选N_fire/3个特征向量作为正样本，类别标签为1，从干扰物特征向量集中随机挑选N_{non_fire}/2个特征作为负样本，类别标签为-1，构成训练集，训练集为正、负样本的组合，未被选择的特征向量作为测试集，将训练集输入到AdaBoost分类器进行训练，得到AdaBoost分类模型；/n六、AdaBoost预测/n将火焰特征向量输入到AdaBoost分类模型进行预测，若预测结果输出为1，表示当前图像块存在火焰；若预测结果输出为-1，表示当前图像块中不存在火焰；/n七、火灾报警/n若判断结果为1，智能图像处理器立即发生告警声响，向当地的物业管理的监控中心发出报警信息和相应的视频图像。/n