[发明专利]一种基于视频分析的火焰检测方法

说明书

技术领域

本发明涉及视频监控领域，具体涉及一种基于视频分析的火焰检测方法。

背景技术

火灾是给人民大众带来巨大损失的灾难，因此火焰检测是所有的安防系统的重要部分。传统的火焰检测主要基于温度、红外、烟雾等传感器，虽然这些方法成本低廉而且实施简单，但是不能够应用于所有的火灾情况，因为它们的检测范围有限而且不够智能。近年来，随着监控摄像机的普及以及计算机视觉的发展，人们开始提出一些基于视频监控的火焰检测解决方案。但是这些方法过于简单而且不够成熟，难以投入到实际应用中。

颜色特征是火焰的一种显著特征，也是判断火焰的重要根据。因此，颜色特征被现有技术的火焰检测算法所广泛应用。但是，这些算法使用颜色特征有很多问题：首先，颜色模型过于简单，大多通过人为统计产生的，这样做只是依赖经验，而并不能覆盖所有的情况，例如相机过曝下的明亮火焰等；其次，对于颜色特征只是简单地逐个像素判断，并没有结合具体场景中的目标的运动信息；最后，很多算法只使用颜色特征来判断火焰，而忽略了其他重要特征，但即使颜色特征再鲁棒，只依赖它是不可靠的。

火焰的结构特征也是重要的判断根据。梯度直方图(HOG)经常用来描述物体的纹理信息，但火焰的纹理信息只能在非常理想的情况下才能得到。虽然人眼能清楚地辨别火焰的纹理，但是摄像机并不是那么灵敏：有些情况下火焰会显得过于明亮，导致视频里呈现一块白色的区域，丢失了纹理信息；还有些情况下燃烧物会夹杂在火焰里，导致干扰。Narendra Ahuja等人在2004年利用快速傅里叶变换(FFT)描述火焰的形状信息，其中将二维空间上的点集转换成一个特征向量。但是由于火焰形状的多变性，这种方法非常不可靠。实际上，无论是基于轮廓的、基于像素的，还是基于骨架的形状特征描述，都不适用于火焰检测。

对于火焰时间变化特征的判断，目前有基于隐马尔科夫模型(HMM)的方法，是Toreyin等人在CVPR 07的论文“Online Detection of Fire in Video”中提出的，其中，假设火焰的跳动的是一连串随机事件，并通过大量的训练来建立这个模型。然而，事实上火焰的跳动并不完全是随机事件，在实际应用中经常会遇到气流影响火焰的运动，而且人的遮挡也会让计算机产生错觉。因此在这些情况下，基于HMM的判断方法将会失效。

由此可见，需要一种高效、鲁棒的火焰检测方法。

发明内容

本发明的实施例提供一种基于视频分析的火焰检测方法，能够更加高效准确地检测出火焰情况。

根据本发明的一个方面，提供一种基于视频分析的火焰检测方法，包括以下步骤：

根据场景图像中的背景提取前景的二值图像，并根据所述前景的二值图像获得多个前景物体图像；

根据所述多个前景物体图像的红绿蓝RGB直方图的颜色特征和根据所述多个前景物体图像的尺度不变特征SIFT或加速鲁棒特征SURF进行筛选，以筛选出符合火焰特征的所述前景物体图像。

较佳地，在本发明的各实施例中，所述筛选包括：根据所述多个前景物体图像的RGB直方图的颜色特征并根据所述多个前景物体图像的SIFT或SURF、且根据所述多个前景物体图像的运动特性和稳定性进行筛选。

较佳地，在本发明的各实施例中，所述火焰检测方法进一步包括：在根据场景图像中的背景提取前景的二值图像之前，根据该场景中的运动信息对所述背景建立背景模型。

较佳地，在本发明的各实施例中，所述火焰检测方法进一步包括：

在根据场景图像中的背景提取前景的二值图像之前，对所述背景模型进行初始化，优选地根据实时获得的前景物体图像实时更新所述背景模型；和/或

在根据所述多个前景物体图像的RGB直方图的颜色特征进行筛选之前，对包含所述RGB直方图的颜色特征的RGB模型进行初始化；和/或

在根据所述多个前景物体图像的SIFT或SURF进行筛选之前，对包含所述SIFT或SURF的SIFT或SURF模型进行初始化。

较佳地，在本发明的各实施例中，所述筛选包括：利用支持向量机SVM进行所述筛选。

较佳地，在本发明的各实施例中，

所述筛选包括：基于在包含所述SIFT或SURF的SIFT或SURF模型中的SIFT或SURF词汇表并根据所述多个前景物体的SIFT或SURF进行所述筛选；和/或，基于在包含所述RGB直方图的颜色特征的RGB模型中的RGB词汇表并根据所述多个前景物体的RGB直方图颜色特征进行所述筛选；