專利名稱：：一種基于視頻圖像的火焰檢測方法
技術領域：
：本發明屬于智能監控
技術領域：
，具體涉及一種基于視頻圖像的智能火焰檢測方法。
背景技術：
：隨著社會生產力的發展，社會財富日益增加，火災損失和火災危害范圍呈不斷擴大趨勢。火災不僅給人類的經濟建設造成巨大損失，破壞生態環境，而且還會威脅到人民生命財產安全，影響到社會穩定發展。目前我國的林火監測主要有地面巡護、了望臺監測、巡航飛機和氣象衛星遙感監測等。這些火災監控方式存在著自身的不足一方面，由于林區地形復雜、面積廣闊，只靠巡護人員監測火情是不現實不可靠的，了望臺的了望又受到許多地理條件和基礎設施的限制，而靠飛機巡邏觀察不僅耗資大，而且效率低；另一方面，由于我國絕大多數林區由于地形條件復雜，缺乏供電和相應的通訊設施等，造成了林區的火災監控開發的遲滯，而且以上的這些火災監控方式，不適用于我國中小型林區分布散的特點，其實用性、可推廣性受到了限制。近年來由于遠程視頻監控技術的長足發展，智能視頻監控技術可以主動對監控現場的視頻圖像進行分析，提供預警信息，給現代火災監控領域帶來了新的變革。因此有待于進一步研發具有獨立知識產權的嵌入式智能圖像處理視頻服務器，取代人工遠程監測且提高其監測效能，適應林區環境的、便捷、低成本的火災監測智能系統，是視頻遠程火災監控系統升級換代的關鍵。
發明內容本發明的目的是針對現有火災監控的不足，提供一種運行穩定可靠、檢測快速準確的智能火焰檢測方法。本發明方法的具體步驟是步驟(1).視頻采集通過攝像頭采集CIF格式的視頻圖像(分辨率352X288)，將視頻圖像存儲到圖像處理開發板DM642中的緩存；步驟(2).顏色檢測根據火焰的空域特征，對采集的視頻圖像進行顏色檢測，提取視頻圖像中的火焰顏色區域；在YCrCb色彩空間下，根據Y、U、V通道的顏色特征采用高斯混合模型，利用公式(1)和(2)進行顏色檢測，同時滿足公式(1)和(2)條件的像素區域為火焰顏色區域。y-uy|<2.50y(1)|abs(v-u)-i!J<2.50vu(2)其中，y表示像素點的亮度值，v表示YCrCb色彩空間對應RGB色彩空間的藍色分量與y的差值，u表示YCrCb色彩空間對應RGB色彩空間的紅色分量與y的差值，函數abs表示取絕對值；uy表示在高斯混合模型下Y通道的均值，u皿表示在高斯混合模型下(V-U)通道的均值，0丨表示在高斯混合模型下Y通道的方差，Ovu表示在高斯混合模型下(V-U)通道的方差。步驟(3).運動檢測根據火焰的空域特征，為了去除靜止的火焰類似物的干擾，對采集的視頻圖像進行運動檢測，實現視頻圖像中運動區域提取。對采集的視頻圖像采用Kalman濾波器進行運動檢測，其主要的方法如下，其中，B(i，j，k)是第k幀背景圖像y通道中坐標(i，j)位置的像素值，B(i,j，k)e；I(i，j，k)是采集的第k幀視頻圖像y通道中坐標(i，j)位置的像素值，I(i，j，k)e；M(i，j，k)是采集的第k幀視頻圖像y通道中坐標(i，j)位置像素點的運動值，M(i，j，k)e{0，1}，運動值為1該點為運動像素點，運動值為0該點為背景像素點，所有運動像素點構成視頻運動區域；T是運動閾值，Te[60,100]；α是運動因子，a,β是背景因子，βW.01，0.1]，0<α,β<1；g(k)是背景預測函數，實現對背景的更新修正，g(k)e{a，β}。公式(3)為Kalman濾波器的初始條件，公式⑷為Kalman濾波器的時間更新，通過當前視頻圖像預測背景圖像，公式(5)和(6)為Kalman濾波器的測量更新，通過當前的視頻圖像修正背景預測函數g(k)。另外，為了能使獲得的火焰像素數量極大化，抑制火焰像素區域更新成為背景，在檢測到火焰后必須停止測量更新，即令g(k)=0。步驟(4).對步驟(2)得到的火焰顏色區域和步驟(3)得到的視頻運動區域進行逐像素點的與運算，排除靜止的火焰類似物的干擾，獲得最終的火焰像素區域。步驟(5).在顏色檢測和運動檢測的基礎上，為了排除運動的火焰類似物得干擾，對獲取的火焰像素區域進行蔓延率分析；火焰的蔓延率通過觀察N個觀測點(每個觀測點以At為時間間隔)內火焰區域的平均蔓延趨勢的方法來實現，具體實現如公式(7)所示。其中，N是觀察點個數，At是觀察點的時間間隔，表示視頻幀的幀間間隔；Ft是t時刻火焰像素區域的像素個數，則Ft+1是t+Ι時刻火焰像素區域的像素個數；G表示N個觀察點內火焰區域的平均蔓延率。設定蔓延率閾值，當N·At時間內火焰像素區域的平均蔓延率G大于蔓延率閾值，則火焰像素區域為真火火焰像素區域，從而排除運動的火焰類似物得干擾。步驟(6).在蔓延率分析的基礎上，為了進一步排除運動的火焰類似物得干擾，采用隱馬爾科夫模型(HMM)對獲取的火焰像素區域抖動性(火焰運動的不規則性)分析，最終進行火焰的報警確認。火焰隨機的抖動震蕩特征可以被模型為一種馬爾科夫模型。本發明方法主要根據火焰邊緣輪廓點的RGB色彩空間R分量在時間序列上的波動變化來描述火焰的抖動特征。根據提取的火焰抖動特征生成的觀察序列產生HMM，即HMM的學習過程；利用學習得到的HMM求解由火焰抖動特征生成的觀察序列的概率P(0|Afire)和P(0|Xn。_fiJ，其中P(01Afire)為觀察序列在有火HMM下的條件概率，P(01Ano_fire)為觀察序列在無火HMM下的條件概率；若P(0|Afire)大于P(0|Xn。_fiJ，說明觀察序列屬于真火，實現報警確認。觀察序列的概率P(0|Afire)和P(0|Ano_fire)的計算方法采用成熟的HMM前向算法。本發明在已有的火焰顏色檢測和蔓延率分析模型的基礎上，根據監控系統的實際檢測和應用環境，針對開放環境下，光照，風力，以及不可預知的火焰類似物對火焰檢測的影響。從空域和時域上，結合火焰顏色檢測和運動檢測(Kalman運動檢測)方法獲取可疑火區域，接著采用火焰蔓延率和HMM抖動性分析，實現對火焰的準確檢測提取和自動跟蹤報警，為火災監控的設備的智能化提供了有力的方法支持。圖1為火焰檢測流程示意圖。圖2為HMM學習和估計流程示意圖。具體實施例方式如圖1所示本發明方法的具體步驟為步驟(1)視頻采集通過攝像頭采集CIF格式的視頻圖像(分辨率352X288)，將視頻圖像存儲到圖像處理開發板DM642中的緩存；步驟(2).顏色檢測根據火焰的空域特征，對采集的視頻圖像進行顏色檢測，提取視頻圖像中的火焰顏色區域；在YCrCb色彩空間下，根據Y、U、V通道的顏色特征采用高斯混合模型，利用公式(1)和(2)進行顏色檢測，同時滿足公式(1)和(2)條件的像素區域為火焰顏色區域。y-uy|<2.5oy(1)|abs(v-u)-iiJ<2.5ovu(2)其中，y表示像素點的亮度值，v表示YCrCb色彩空間對應RGB色彩空間的藍色分量與y的差值，u表示YCrCb色彩空間對應RGB色彩空間的紅色分量與y的差值，函數abs表示取絕對值；uy表示在高斯混合模型下Y通道的均值，u皿表示在高斯混合模型下(V-U)通道的均值，％表示在高斯混合模型下Y通道的方差，表示在高斯混合模型下(V-U)通道的方差。步驟(3).運動檢測根據火焰的空域特征，為了去除靜止的火焰類似物的干擾，對采集的視頻圖像進行運動檢測，實現視頻圖像中運動區域提取。對采集的視頻圖像采用Kalman濾波器進行運動檢測，其主要的方法如下，I(i，j，0)=B(i，j，0)，M(i，j，0)=0(3)B(i，j，k+l)=B(i，j，k)+g(k)(I(i，j，k)_B(i，j，k))(4)g(k)=3(l_M(i，j，k))+aM(i，j，k)(5)其中，B(i，j，k)是第k幀背景圖像y通道中坐標(i，j)位置的像素值，B(i，j，k)e；I(i，j，k)是采集的第k幀視頻圖像y通道中坐標(i，j)位置的像素值，I(i，j，k)e；M(i，j，k)是采集的第k幀視頻圖像y通道中坐標(i，j)位置像素點的運動值，M(i，j，k)e{0，1}，運動值為1該點為運動像素點，運動值為0該點為背景像素點，所有運動像素點構成視頻運動區域；T是運動閾值，Te[60,100]；α是運動因子，α,β是背景因子，βW.01，0.1]，0<α,β<1；g(k)是背景預測函數，實現對背景的更新修正，g(k)e{α，β}。公式(3)為Kalman濾波器的初始條件，公式⑷為Kalman濾波器的時間更新，通過當前視頻圖像預測背景圖像，公式(5)和(6)為Kalman濾波器的測量更新，通過當前的視頻圖像修正背景預測函數g(k)。另外，為了能使獲得的火焰像素數量極大化，抑制火焰像素區域更新成為背景，在檢測到火焰后必須停止測量更新，即令g(k)=0。步驟(4).對步驟(2)得到的火焰顏色區域和步驟(3)得到的視頻運動區域進行逐像素點的與運算，排除靜止的火焰類似物的干擾，獲得最終的火焰像素區域。步驟(5).在顏色檢測和運動檢測的基礎上，為了排除運動的火焰類似物得干擾，對獲取的火焰像素區域進行蔓延率分析；火焰的蔓延率通過觀察N個觀測點(每個觀測點以At為時間間隔)內火焰區域的平均蔓延趨勢的方法來實現，具體實現如公式(7)所示。G=1/ΝΣ(Ft+1-Ft)/At(7)其中，N是觀察點個數，At是觀察點的時間間隔，表示視頻幀的幀間間隔；Ft是t時刻火焰像素區域的像素個數，則Ft+1是t+Ι時刻火焰像素區域的像素個數；G表示N個觀察點內火焰區域的平均蔓延率。設定蔓延率閾值，當N·At時間內火焰像素區域的平均蔓延率G大于蔓延率閾值，則火焰像素區域為真火火焰像素區域，從而排除運動的火焰類似物得干擾。步驟(6).在蔓延率分析的基礎上，為了進一步排除運動的火焰類似物得干擾，采用隱馬爾科夫模型(HMM)對獲取的火焰像素區域抖動性(火焰運動的不規則性)分析，最終進行火焰的報警確認。火焰隨機的抖動震蕩特征可以被模型為一種馬爾科夫模型。本發明方法主要根據火焰邊緣輪廓點的RGB色彩空間R分量在時間序列上的波動變化來描述火焰的抖動特征。根據提取的火焰抖動特征生成的觀察序列產生HMM，即HMM的學習過程；利用學習得到的HMM求解由火焰抖動特征生成的觀察序列的概率Ρ(0|λfire)和P(0|An。_fire)，即HMM的估計過程，其中P(01λfire)為觀察序列在有火HMM下的條件概率，P(01Ano_fire)為觀察序列在無火HMM下的條件概率；若P(01λfire)大于P(0|Xn。_fiJ，說明觀察序列屬于真火，實現報警確認。HMM的學習流程如圖2(a)所示，在離線狀態下，需要分別訓練學習兩個HMM真火HMM和非火HMM。真火HMM和非火HMM的訓練學習過程相同，僅提取的目標和特征不同而已，真火HMM提取的是真火顏色區域及其輪廓R分量的抖動特征，而非火HMM提取的是非火顏色區域及其輪廓R分量的抖動特征。訓練時，首先是確定觀察序列長度T、隱狀態數目N和觀察狀態數目M，初始化HMM的ji向量、狀態轉移矩陣~=(~)、觀察狀態轉移矩陣Bf=(b^.)。其次是采用前向-后向算法對HMM進行最大似然估計迭代計算直到其收斂為止，從而得到HMM的局部最優的\=(Ji，A，B)，即局部最優的JI向量、狀態轉移矩陣~=(aij)、觀察狀態轉移矩陣Bf=(b.j)。HMM的估計流程如圖2(b)所示，通過學習得到的局部最優參數，在火災監控系統中進行在線評估，從而實現火焰檢測的報警確認。HMM估計的目標是火焰像素區域，目標特征是從火焰邊緣輪廓提取的R分量抖動特征。首先將提取的觀察序列分別輸入到真火HMM和非火HMM，通過前向算法分別計算其概率P(0|X)，P(0|X)指的是在指定HMM下觀察序列0的條件概率，其概率值的大小體現了觀察序列0與指定HMM的匹配程度。其次經過最大值選擇器對P(0|Afire)和P(0|Ano_fire)進行比較判斷，若P(0|Afire)大于P(0|Ano_fire),說明觀察序列0屬于真火HMM;反之，則屬于非火HMM。為了提高火焰識別的準確率，實際實施中可以增加采樣點數，在HMM評估后對采樣點進行統計，最后選擇合適的報警閾值實現報警確認。權利要求一種基于視頻圖像的火焰檢測方法，其特征在于該方法具體步驟是步驟(1).視頻采集通過攝像頭采集CIF格式的視頻圖像，將視頻圖像存儲到圖像處理開發板DM642中的緩存；步驟(2).顏色檢測根據火焰的空域特征，對采集的視頻圖像進行顏色檢測，提取視頻圖像中的火焰顏色區域；在YCrCb色彩空間下，根據Y、U、V通道的顏色特征采用高斯混合模型，利用公式(1)和(2)進行顏色檢測，同時滿足公式(1)和(2)條件的像素區域為火焰顏色區域|y-μy|＜2.5·σy(1)|abs(v-u)-μvu|＜2.5·σvu(2)其中，y表示像素點的亮度值，v表示YCrCb色彩空間對應RGB色彩空間的藍色分量與y的差值，u表示YCrCb色彩空間對應RGB色彩空間的紅色分量與y的差值，函數abs表示取絕對值；μy表示在高斯混合模型下Y通道的均值，μvu表示在高斯混合模型下(V-U)通道的均值，σy表示在高斯混合模型下Y通道的方差，σvu表示在高斯混合模型下(V-U)通道的方差；步驟(3).運動檢測對采集的視頻圖像采用Kalman濾波器進行運動檢測，方法如下，I(i，j，0)＝B(i，j，0)，M(i，j，0)＝0(3)B(i，j，k+1)＝B(i，j，k)+g(k)(I(i，j，k)-B(i，j，k))(4)g(k)＝β(1-M(i，j，k))+αM(i，j，k)(5)<mrow><mi>M</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mi>if</mi><mo>|</mo><mi>I</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><mi>B</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>|</mo><mo>></mo><mi>T</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mi>otherwise</mi></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>其中，B(i，j，k)是第k幀背景圖像y通道中坐標(i，j)位置的像素值，B(i，j，k)∈；I(i，j，k)是采集的第k幀視頻圖像y通道中坐標(i，j)位置的像素值，I(i，j，k)∈；M(i，j，k)是采集的第k幀視頻圖像y通道中坐標(i，j)位置像素點的運動值，M(i，j，k)∈{0，1}，運動值為1該點為運動像素點，運動值為0該點為背景像素點，所有運動像素點構成視頻運動區域；T是運動閾值，T∈[60，100]；α是運動因子，α，β是背景因子，β，0＜α，β＜1；g(k)是背景預測函數，實現對背景的更新修正，g(k)∈{α，β}；公式(3)為Kalman濾波器的初始條件，公式(4)為Kalman濾波器的時間更新，通過當前視頻圖像預測背景圖像，公式(5)和(6)為Kalman濾波器的測量更新，通過當前的視頻圖像修正背景預測函數g(k)；另外在檢測到火焰后必須停止測量更新，即令g(k)＝0；步驟(4).對步驟(2)得到的火焰顏色區域和步驟(3)得到的視頻運動區域進行逐像素點的與運算，排除靜止的火焰類似物的干擾，獲得最終的火焰像素區域；步驟(5).在顏色檢測和運動檢測的基礎上，為了排除運動的火焰類似物得干擾，對獲取的火焰像素區域進行蔓延率分析；火焰的蔓延率通過觀察以Δt為時間間隔的N個觀測點內火焰區域的平均蔓延趨勢的方法來實現，具體實現如公式(7)G＝1/N∑(Ft+1-Ft)/Δt(7)其中，N是觀察點個數，Δt是觀察點的時間間隔，表示視頻幀的幀間間隔；Ft是t時刻火焰像素區域的像素個數，則Ft+1是t+1時刻火焰像素區域的像素個數；G表示N個觀察點內火焰區域的平均蔓延率；設定蔓延率閾值，當N·Δt時間內火焰像素區域的平均蔓延率G大于蔓延率閾值，則火焰像素區域為真火火焰像素區域，從而排除運動的火焰類似物得干擾；步驟(6).采用隱馬爾科夫模型對獲取的火焰像素區域抖動性分析，最終進行火焰的報警確認根據火焰邊緣輪廓點的RGB色彩空間R分量在時間序列上的波動變化來描述火焰的抖動特征；根據提取的火焰抖動特征生成的觀察序列產生隱馬爾科夫模型，利用得到的隱馬爾科夫模型求解由火焰抖動特征生成的觀察序列的概率P(O|λfire)和P(O|λno-fire)，其中P(O|λfire)為觀察序列在有火隱馬爾科夫模型下的條件概率，P(O|λno-fire)為觀察序列在無火隱馬爾科夫模型下的條件概率；若P(O|λfire)大于P(O|λno-fire)，說明觀察序列屬于真火，實現報警確認。全文摘要本發明涉及一種基于視頻圖像的火焰檢測方法。現有火災監控方式存在著各種自身的不足。本發明方法首先采集視頻圖像，根據火焰的空域特征，對視頻圖像進行顏色檢測，提取視頻圖像中的火焰顏色區域，根據火焰的空域特征，對采集的視頻圖像進行運動檢測，實現視頻圖像中運動區域提取。對得到的火焰顏色區域和視頻運動區域進行逐像素點的與運算，并進行蔓延率分析，排除火焰類似物的干擾，獲得最終的火焰像素區域。對該區域進行抖動性分析，最終進行火焰的報警確認。本發明方法從空域和時域上，結合火焰顏色檢測和運動檢測方法獲取可疑火區域，實現對火焰的準確檢測提取和自動跟蹤報警，為火災監控的設備的智能化提供了有力的方法支持。文檔編號G06T7/40GK101840571SQ20101013680公開日2010年9月22日申請日期2010年3月30日優先權日2010年3月30日發明者吳開華,周一君,張樺,鄒紹芳,閆建強,馬莉,黃可杰申請人:杭州電子科技大學