[发明专利]基于视频流数据的烟雾识别方法

说明书

本发明公开了基于视频流数据的烟雾识别方法，包括以下步骤：视频流数据获取；运动目标提取；过滤夜晚、过滤下雨及大雾天气、过滤摄像机抖动转动；模糊度分析；离散性匹配；扩散方向匹配；运动速度匹配；通过神经网络进行烟雾特征模型匹配。本发明采用基于视频流数据的烟雾识别方法，根据烟雾持续性的特征，通过视频流数据实时获取活动目标，并将其进行多种动态特征和神经网络特征识别，提高烟雾识别的准确度，能有效避免误报警和漏报警。

技术领域

本发明涉及数字视频智能分析技术领域，具体涉及一种基于视频流数据的烟雾识别方法，是一种用于火灾预警检测的技术。

背景技术

在一些对火险等级要求高的应用场合，如仓库、弹药库、林场、景区等地，需要对火灾特征进行分析识别，这些特征包括烟雾、火焰、温度等，希望能在火灾发生的初期，经智能分析得知火灾发生的地点，使人们能够及时发现火灾，并及时采取有效措施，扑灭初期火灾，最大限度的减少因火灾造成的生命和财产的损失，因此基于视频图像的火灾分析监测技术近年来得到蓬勃发展。

现有技术中，基于视频图像的火灾分析监测设备获取的视频图像，忽略了烟雾的持续性，存在一定的局限性。烟雾虽然具有丰富的特征，但是要将其从复杂的环境中准确识别出来，与刚性物体相比，还是具有不少的困难。现有检测技术所存在的不足主要有两个方面：

(1)准确性不够

目前的烟雾检测，无论是利用单一特性还是综合利用多种特性，都会有漏报和误报，尤其是在复杂的环境里。采用单一特性的烟雾检测，误报率往往较高，特别是无法对淡而少的烟和浓而厚的烟同样处理。准确性不够的根本原因，是这些特征不够本质，与烟雾没有一一对应关系。

(2)适应性不强

虽然有些算法在一定条件下具有较好的效果，但在复杂环境下其检测性能有所降低。

本发明采用基于视频流数据的烟雾识别方法，根据烟雾持续性的特征，通过视频流数据实时获取活动目标，并将其进行多种动态特征和神经网络特征识别，提高烟雾识别的准确度。

发明内容

本发明旨在针对现有烟雾识别技术在准确率不高和适用性不强的不足，提出一种动态特征和神经网络特征识别的烟雾识别方法。

为实现上述目的，本发明采取的技术方案为：

基于视频流数据的烟雾识别方法，包括以下步骤：

步骤一、采集视频监控区的视频流数据，并对视频流数据中的视频图像进行逐帧解码，转化为Lab空间表示，使其转换为相应的彩色图像；

步骤二、对视频图像中的运动目标采用背景帧分法进行提取，获得有运动目标的前景图片；

步骤三：截取步骤二中获取的运动目标的前景图片，过滤夜晚、过滤下雨及大雾天气、过滤摄像机抖动转动的情况，若检测到这些情况中任一种情况时，直接忽略返回步骤二；反之，进入下一步；

步骤四：对满足步骤三的前景图片采用reblur二次模糊算法进行模糊度分析，比较原图和模糊后的图片相邻像素值的差别大小，若差别大，则判断为清晰图片，直接忽略，若差别小；则判断为模糊图片，进入下一步；

步骤五：将步骤四中满足模糊度的前景图片的烟雾目标进行离散性匹配，同一烟雾目标累计观察N帧，并获取在N帧累加区域的最大活动轨迹，然后通过历史活动轨迹和最大活动轨迹比值计算离散度，离散度越高离散性越低，离散度越低离散性越高，若离散度大于M值，则排除目标的前景图片，返回步骤二，反之，则进入下一步；其中，M值表示离散度，M＝(0,10]，值越大表示目标对象在空间分布上越集中；所述历史活动轨迹为活动目标的过去的空间活动坐标范围；所述最大活动轨迹为活动目标在N帧累加区域的空间活动坐标范围；