[发明专利]一种图像型火灾火焰识别方法

摘要

本发明公开了一种图像型火灾火焰识别方法，包括以下步骤一、图像采集；二、图像处理201、图像预处理；步骤202、火灾识别采用预先建立的二分类模型进行识别，二分类模型为对有火焰和无火焰两个类别进行分类的支持向量机模型；二分类模型的建立过程如下Ⅰ、图像信息采集；Ⅱ、特征提取；Ⅲ、训练样本获取；Ⅳ、二分类模型建立Ⅳ‑1、核函数选取；Ⅳ‑2、分类函数确定采用共轭梯度法对参数C与D优化，再将优化后的参数C与D转换成γ与σ2；Ⅴ、二分类模型训练。本发明方法步骤简单、实现方便且操作简便、可靠性高、使用效果好，能有效解决现有视频火灾检测系统存在的复杂环境下可靠性较低、误报漏报率较高、使用效果较差等问题。

主权项

一种图像型火灾火焰识别方法，其特征在于该方法包括以下步骤：步骤一、图像采集：采用图像采集单元且按照预先设定的采样频率fs，对待检测区域的数字图像进行采集，并将每一个采样时刻所采集的数字图像同步传送至处理器(3)；所述图像采集单元与处理器(3)相接；步骤二、图像处理：所述处理器(3)按照时间先后顺序对步骤一中各采样时刻所采集的数字图像分别进行图像处理，且对各采样时刻所采集数字图像的处理方法均相同；对步骤一中任一个采样时刻所采集的数字图像进行处理时，均包括以下步骤：步骤201、图像预处理，过程如下：步骤2011、图像接收与同步存储：所述处理器(3)将此时所接收的当前采样时刻所采集的数字图像同步存储在数据存储器(4)内，所述数据存储器(4)与处理器(3)相接；步骤2012、图像增强：通过处理器(3)对当前采样时刻所采集的数字图像进行增强处理，获得增强处理后的数字图像；步骤2013、图像分割：通过处理器(3)对步骤2012中增强处理后的数字图像进行分割处理，获得目标图像；步骤202、火灾识别：采用预先建立的二分类模型，对步骤2013中所述目标图像进行处理，并得出当前采样时刻待检测区域的火灾状态类别；所述火灾状态类别包括有火焰和无火焰两个类别，所述二分类模型为对有火焰和无火焰两个类别进行分类的支持向量机模型；所述二分类模型的建立过程如下：步骤Ⅰ、图像信息采集：采用所述图像采集单元，分别采集发生火灾时待检测区域的多帧数字图像一和未发生火灾时待检测区域的多帧数字图像二；步骤Ⅱ、特征提取：对多帧所述数字图像一和多帧所述数字图像二分别进行特征提取，并从各数字图像中分别提取出一组能代表并区别该数字图像的特征参数，且该组特征参数包括M个特征量，并对M个所述特征量进行编号，M个所述特征量组成一个特征向量，其中M≥2；步骤Ⅲ、训练样本获取：从步骤Ⅱ中特征提取后所获得的多帧所述数字图像一和多帧所述数字图像二的特征向量中，分别选取m1帧所述数字图像一的特征向量和m2帧所述数字图像二的特征向量组成训练样本集；其中，m1和m2均为正整数且m1＝40～100，m2＝40～100；所述训练样本集中训练样本的数量为m1+m2个；步骤Ⅳ、二分类模型建立，过程如下：步骤Ⅳ‑1、核函数选取：选用径向基函数作为所述二分类模型的核函数；步骤Ⅳ‑2、分类函数确定：待惩罚因子γ与步骤Ⅳ‑1中所选用径向基函数的核参数σ2确定后，便获得所述二分类模型的分类函数，并完成所述二分类模型的建立过程；其中，γ＝C‑2，σ＝D‑1，0.01＜C≤10，0.01＜D≤50；对惩罚因子γ与核参数σ2进行确定时，先采用共轭梯度法对参数C与D进行优化，获得优化后的参数C与D，再根据γ＝C‑2和σ＝D‑1将优化后的参数C与D转换成惩罚因子γ与核参数σ2；步骤Ⅴ、二分类模型训练：将步骤Ⅲ中所述训练样本集中的m1+m2个训练样本，输入到步骤Ⅳ中所建立的二分类模型进行训练；步骤2012中进行图像增强时，采用基于模糊逻辑的图像增强方法进行增强处理；采用基于模糊逻辑的图像增强方法进行增强处理时，过程如下：步骤20121、由图像域变换到模糊域：根据隶属度函数将所述待增强图像各像素点的灰度值均映射成模糊集的模糊隶属度，并相应获得所述待增强图像的模糊集；式中xgh为所述待增强图像中任一像素点(g，h)的灰度值，XT为采用基于模糊逻辑的图像增强方法对所述待增强图像进行增强处理时所选取的灰度阈值，Xmax为所述待增强图像的最大灰度值；步骤20122、在模糊域利用模糊增强算子进行模糊增强处理：所采用的模糊增强算子为μ'gh＝Ir(μgh)＝Ir(Ir‑1μgh)，式中r为迭代次数且其为正整数，r＝1、2、…；其中式中μc＝T(XC)，其中XC为渡越点且XC＝XT；步骤20123、由模糊域逆变换到图像域：根据公式将模糊增强处理后得到的μ'gh进行逆变换，获得增强处理后数字图像中各像素点的灰度值，并获得增强处理后的数字图像；步骤20121中由图像域变换到模糊域之前，先采用最大类间方差法对灰度阈值XT进行选取；采用最大类间方差法对灰度阈值XT进行选取之前，先从所述待增强图像的灰度变化范围中找出像素点数量为0的所有灰度值，并采用处理器(3)将找出的所有灰度值均标记为免计算灰度值；采用最大类间方差法对灰度阈值XT进行选取时，对所述待增强图像的灰度变化范围中除所述免计算灰度值之外的其它灰度值作为阈值时的类间方差值进行计算，并从计算得出的类间方差值找出最大类间方差值，所找出最大类间方差值对应的灰度值便为灰度阈值XT；步骤一中，各采样时刻所采集数字图像的大小均为M1×N1个像素点；步骤2013进行图像分割时，过程如下：步骤20131、二维直方图建立：采用处理器(3)建立所述待分割图像的关于像素点灰度值与邻域平均灰度值的二维直方图；该二维直方图中任一点记为(i,j)，其中i为该二维直方图的横坐标值且其为所述待分割图像中任一像素点(m，n)的灰度值，j为该二维直方图的纵坐标值且其为该像素点(m，n)的邻域平均灰度值；所建立二维直方图中任一点(i,j)发生的频数记为C(i,j)，且点(i,j)发生的频率记为h(i,j)，其中步骤20132、模糊参数组合优化：所述处理器(3)调用模糊参数组合优化模块，且利用粒子群优化算法对基于二维模糊划分最大熵的图像分割方法所用的模糊参数组合进行优化，并获得优化后的模糊参数组合；本步骤中，对模糊参数组合进行优化之前，先根据步骤20131中所建立的二维直方图，计算得出对所述待分割图像进行分割时的二维模糊熵的函数关系式，并将计算得出的二维模糊熵的函数关系式作为利用粒子群优化算法对模糊参数组合进行优化时的适应度函数；步骤20133、图像分割：所述处理器(3)利用步骤20132中优化后的模糊参数组合，并按照基于二维模糊划分最大熵的图像分割方法对所述待分割图像中的各像素点进行分类，并相应完成图像分割过程，获得分割后的目标图像；步骤20131中所述待分割图像由目标图像O和背景图像P组成；其中目标图像O的隶属度函数为μo(i,j)＝μox(i；a,b)μoy(j；c,d) (1)；背景图像P的隶属度函数μb(i,j)＝μbx(i；a,b)μoy(j；c,d)+μox(i；a,b)μby(j；c,d)+μbx(i；a,b)μby(j；c,d) (2)；式(1)和(2)中，μox(i；a,b)和μoy(j；c,d)均为目标图像O的一维隶属度函数且二者均为S函数，μbx(i；a,b)和μby(j；c,d)均为背景图像P的一维隶属度函数且二者均为S函数，μbx(i；a,b)＝1‑μox(i；a,b)，μby(j；c,d)＝1‑μoy(j；c,d)，其中a、b、c和d均为对目标图像O和背景图像P的一维隶属度函数形状进行控制的参数；步骤20132中对二维模糊熵的函数关系式进行计算时，先根据步骤20131中所建立的二维直方图，对所述待分割图像的像素点灰度值的最小值gmin和最大值gmax以及邻域平均灰度值的最小值smin和最大值smax分别进行确定；步骤20132中计算得出的二维模糊熵的函数关系式为：H(P)=-Σi=gmingmaxΣj=smnsmaxμ0(i,j)h(i,j)p(O)exp(1-logμ0(i,j)h(i,j)p(O))-Σi=gmingmaxΣj=sminsmaxμb(i,j)h(i,j)p(B)exp(1-logμb(i,j)h(i,j)p(B))]]>(3)]]>式(3)中其中h(i,j)为步骤Ⅰ中所述的点(i,j)发生的频率；步骤20132中利用粒子群优化算法对模糊参数组合进行优化时，所优化的模糊参数组合为(a,b,c,d)；步骤20132中进行二维模糊划分最大熵的参数组合优化时，包括以下步骤：步骤Ⅱ‑1、粒子群初始化：将参数组合的一个取值作为一个粒子，并将多个粒子组成一个初始化的粒子群；记作(ak,bk,ck,dk)，其中k为正整数且其k＝1、2、3、～、K，其中K为正整数且其为所述粒子群中所包含粒子的数量，ak为参数a的一个随机取值，bk为参数b的一个随机取值，ck为参数c的一个随机取值，dk为参数d的一个随机取值，ak＜bk且ck＜dk；步骤Ⅱ‑2、适应度函数确定：将H(P)=-Σi=gmingmaxΣj=smnsmaxμ0(i,j)h(i,j)p(O)exp(1-logμ0(i,j)h(i,j)p(O))-Σi=gmingmaxΣj=sminsmaxμb(i,j)h(i,j)p(B)exp(1-logμb(i,j)h(i,j)p(B))]]>(3)]]>作为适应度函数；步骤Ⅱ‑3、粒子适应度评价：对当前时刻所有粒子的适应度分别进行评价，且所有粒子的适应度评价方法均相同；其中，对当前时刻第k个粒子的适应度进行评价时，先根据步骤Ⅱ‑2中所确定的适应度函数计算得出当前时刻第k个粒子的适应度值并记作fitnessk，并将计算得出的fitnessk与Pbestk进行差值比较：当比较得出fitnessk＞Pbestk时，Pbestk＝fitnessk，并将更新为当前时间第k个粒子的位置，其中Pbestk为当前时刻第k个粒子所达到的最大适应度值且其为当前时刻第k个粒子的个体极值，为当前时刻第k个粒子的个体最优位置；其中，t为当前迭代次数且其为正整数；待根据步骤Ⅱ‑2中所确定的适应度函数将当前时刻所有粒子的适应度值均计算完成后，将当前时刻适应度值最大的粒子的适应度值记为fitnesskbest，并将fitnesskbest与gbest进行差值比较：当比较得出fitnesskbest＞gbest时，gbest＝fitnesskbest，且将更新为当前时间适应度值最大的粒子的位置，其中gbest为当前时刻的全局极值，为当前时刻的群体最优位置；步骤Ⅱ‑4、判断是否满足迭代终止条件：当满足迭代终止条件时，完成参数组合优化过程；否则，根据粒子中群优化算法更新得出下一时刻各粒子的位置和速度，并返回步骤Ⅱ‑3；步骤Ⅱ‑4中迭代终止条件为当前迭代次数t达到预先设定的最大迭代次数Imax或者Δg≤e，其中Δg＝|gbest‑gmax|，式中为gbest当前时刻的全局极值，gmax为原先设定的目标适应度值，e为正数且其为预先设定的偏差值。