[发明专利]一种大场景下机场火情识别的方法和装置

权利要求书

1.一种大场景下机场火情识别的方法，其特征在于，包括：

步骤1，多个摄像头对现场进行监视，对摄取的多个视频信号由图像采集卡捕捉为数字图像并输入计算机，拼接成全景火情图像；

步骤2，将拼接后的全景火情图像进行预处理后，将运动目标与背景进行分割；

步骤3，将经过分割的所述全景火情图像经过分类算法分为烟雾、火光和干扰事物三类图像；

步骤4，获取所述三类图像的色彩、面积和移动速度，输入BP神经网络中进行识别得到识别结果。

2.如权利要求1所述的大场景下机场火情识别的方法，其特征在于，

步骤2中，所述预处理包括将全景图像视频流中相邻两帧或相隔几帧图像的相同坐标处像素的灰度值或颜色亮度值进行差分计算；进而若相减两帧图像的差分图像二值化大于阈值T，则认为所述全景图像中存在运动图像，具体通过如下公式实现其中差分图像用D(x,y)表示，相邻两帧或相隔几帧的图像分别为f_k(x,y)，f_k+1(x,y)。

3.如权利要求1所述的大场景下机场火情识别的方法，其特征在于，所述三类图像的分类算法使用SVM算法，通过设置二值分类SVM算法的决策函数。

4.如权利要求1-3任意一项所述的大场景下机场火情识别的方法，其特征在于，步骤4之前，所述方法还包括构建所述BP神经网络，具体在于：所述BP神经网络包括输入层、隐含层和输出层；所述输入层根据火焰的图像特征构建神经元，设置输入层到隐含层的连接权重M_ml以及隐含层到输出层的连接权重N_ln；，以igmoid函数作为输入层、输出层的激活函数；所述隐藏层根据如下公式计算神经元个数，其中，l为隐含层节点数，m为输入层节点数，n为输出层节点数。

5.如权利要求4所述的大场景下机场火情识别的方法，其特征在于，输入层神经元包括火焰图像如下特征中的一种或多种：圆形度、颜色一阶矩、颜色二阶矩、面积变化、质心水平偏移、质心垂直偏移、纹理特征的平均灰度值、平均对比度、相对平滑度、三阶矩、一致性、平均熵。

6.如权利要求4所述的大场景下机场火情识别的方法，其特征在于构建所述BP神经网络后，所述BP神经网络运行前还包括训练学习阶段，在所述训练学习阶段，将数据进行归一化处理后输入输入层的神经元中；其中包括采集不同颜色、面积、形状特征的火焰图像，以及干扰物体的图像。

7.如权利要求6所述的大场景下机场火情识别的方法，其特征在于：所述BP神经网络训练过程中，不断计算输出层的实际输与期望输出之间的误差；求得输出层和隐含层的学习误差，不断调整输入层到隐含层的连接权重M_ml以及隐含层到输出层的连接权重N_ln；直至满足期望误差的取值。

8.一种大场景下机场火情识别的装置，其特征在于，包括：

全景图像拼接模块，多个摄像头对现场进行监视，对摄取的多个视频信号由图像采集卡捕捉为数字图像并输入计算机，拼接成全景火情图像；

全景图像分割模块，将拼接后的全景火情图像进行预处理后，将运动目标与背景进行分割；

图像分类模块，将经过分割的所述全景火情图像经过分类算法分为烟雾、火光和干扰事物三类图像；

图像识别模块，获取所述三类图像的色彩、面积和移动速度，输入BP神经网络中进行识别得到识别结果。