[发明专利]一种基于视频图像融合分析算法的电力管廊火源识别及火点测距方法

权利要求书

1.一种基于视频图像融合分析算法的电力管廊火源识别及火点测距方法，其特征在于：包括以下步骤：

步骤S1：通过视频采集装置周期性对隧道内现场环境进行轮询扫描，其中视频采集装置由云台控制转向；

步骤S2：依次通过图像预处理和分割、火焰特征提取、以及采用深度学习算法对火焰特征进行识别，判别步骤S1采集的各画面中有无火灾发生；若有火灾发生，则进入步骤S3，否则返回步骤S1；

步骤S3：将视频装置采集轮询的路径与云台转向预置位进行坐标匹配，通过对预置位坐标的读取和换算来估算火源与摄像头间的方向和距离。

2.根据权利要求1所述的一种基于视频图像融合分析算法的电力管廊火源识别及火点测距方法，其特征在于：所述视频采集装置为热成像视频采集设备，包括高清可见光镜头和红外热成像镜头。

3.根据权利要求1所述的一种基于视频图像融合分析算法的电力管廊火源识别及火点测距方法，其特征在于：所述视频采集装置采用固定焦距的方式，并对目标区域采用热源灰度轮询扫描。

4.根据权利要求1所述的一种基于视频图像融合分析算法的电力管廊火源识别及火点测距方法，其特征在于：步骤S1还包括：对需要监控的隧道进行现场勘查，确定视频采集装置的选点安装位置，同时对云台预置位进行配置，现场测量好对设定好的各预置位的实际距离和方位角度，并与预置位点在系统后台映射保存。

5.根据权利要求1所述的一种基于视频图像融合分析算法的电力管廊火源识别及火点测距方法，其特征在于：步骤S2中，所述采用深度学习算法对火焰特征进行识别具体包括以下步骤：

步骤S21：建立神经网络，并确定权值；

步骤S22：在网络中输入火焰训练样本并进行训练，估算出最合适的权值函数，并对其不断修正；

步骤S23：从网络中提取出权值函数和模糊规则，并保存。

6.根据权利要求5所述的一种基于视频图像融合分析算法的电力管廊火源识别及火点测距方法，其特征在于：所述神经网络为模糊型神经网络，其输出y和输入x间的关系为：

式中，x_j为第j个输入变量，m为输入变量的数量，yⁱ为第i条规则的输出，为结论参数；

通过将火焰特征作为神经网络中的输入层，设输入模糊向量为(x₁,x₂,...,x_m)，则输出yⁱ(i＝1,2,...,n)由以下公式求得：

式中，n为模糊规则的数量，yⁱ由第i条规则的结论方程式所得；Gⁱ为第i条规则的真值：

式中，为模糊子集，Π为模糊化算子。

7.根据权利要求6所述的一种基于视频图像融合分析算法的电力管廊火源识别及火点测距方法，其特征在于：所述神经网络包括六层，设第j层第i个神经元的输入为x_ij，第j层第i个神经元的输出为y_ij，每层之间的连接权值为1；

第一层是输入层，输入层的主要内容为火焰的静态和动态特征，具体包括火焰的面积变化值、亮度闪烁值、椭圆范围值，该层将输入的x_ij传到下一层；

第二层是隶属函数层，采用高斯隶属度函数来表示输入变量的隶属度，采用如下公式：

式中，c_i为隶属函数的中心，q_i为隶属函数的标准差；

第三层为规则化层，用神经元的乘积来实现其模糊推理；将火源的面积变化值、亮度闪烁值、椭圆度值分别模糊化为三层；

第四层与第三层的节点数相同，其关系为：

第五层的计算规则为：

式中，分别表示从第1到第3层网络的结论参数，x_1I、x_2I分别表示第2到第3层网络的输入量；

第六层为输出层，第六层的神经元采用求和计算网络输出：

8.根据权利要求1所述的一种基于视频图像融合分析算法的电力管廊火源识别及火点测距方法，其特征在于：步骤S3具体为：确定当前火点画面位于轮询路径中的位置点，将该位置点同各云台转向预置位进行映射比对，得出目标预置位的空间位置信息，通过换算其空间位置点坐标得出火源与摄像机位置的方位夹角和距离。