一种图像型火灾火焰识别方法
【专利摘要】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。
【专利说明】一种图像型火灾火焰识别方法
【技术领域】
[0001]本发明属于图像采集及处理【技术领域】，尤其是涉及一种图像型火灾火焰识别方法。
【背景技术】
[0002]火灾是矿井重大灾害之一，严重威胁着人类健康、自然环境和煤矿的安全生产。随着科技进步，火灾自动检测技术逐渐成为监测和火灾预警的重要手段。现如今，在煤矿井下，火灾预测及检测主要以监测火的温度效应、燃烧生成物(发生烟雾与气体的效应)和电磁辐射效应为主，但上述现有的检测方法在灵敏度和可靠性方面都尚待提高，并且不能对早期火灾作出反应，因而与日趋严格的火灾安全要求已不相适应。尤其是当大空间内存在遮挡物时，火灾燃烧产物在空间的传播会受到空间高度和面积的影响，普通的点型感烟、感温火灾检测报警系统无法迅速采集火灾发出的烟温变化信息，只有当火灾发展到一定的程度时，才会做出响应，从而难以满足早期检测火灾的要求。视频处理技术和模式识别技术的迅速发展使火灾检测和预警方式正朝着图像化、数字化、规模化和智能化方向发展。而基于视频监控的火灾检测技术具有探测范围广、响应时间短、成本低、不受环境影响等优势，结合计算机智能技术可以提供更直观、更丰富的信息，对煤矿的安全生产具有重要意义。
[0003]目前，视频火灾检测技术在国内外尚属起步阶段，产品在检测方式、工作原理、系统结构以及实用场合等方面存在差异，典型的系统主要有美国axonx LLC公司开发的SigniFire TM系统、美国DHF Intellvision公司开发的Alarm Eye VISFD分布式智能图像火灾检测系统、美国Bosque公司的红外和普通摄像机的双波段监控、瑞士 ISL公司和MagnoxElectric公司联合开发的用于电站火灾监控的VSD-8系统。国内对火灾检测和自动灭火的研究目前中国科技大学的火灾科学国家重点实验室做得比较领先，另外天津大学、西安交通大学、沈阳工业大学与上海交通大学也做了积极研究，但上述图像火灾检测系统多用于电站、建筑、仓库等的火灾检测，在煤矿井下的应用相对还比较少。近年来，国内外很多研究人员对这种图像型火灾检测系统的关键技术即火焰图像分析算法开展了深入的研究，并做出了巨大贡献，主要体现在以下方面:①基于火焰静态特征如像素亮度、色度等光谱特性和区域结构如形状、轮廓等的视频火焰检测方法；②基于火焰颜色运动区域的视频火焰检测方法基于火焰频闪特性与时频特性的视频检测方法。但上述火焰图像分析算法的研究在现有视频火灾检测系统上应用时，均不同程度地存在一定的局限性，在复杂场景中不能有效地去除干扰，系统误报漏报较严重。因此，现如今缺少一种方法步骤简单、实现方便且操作简便、可靠性高、使用效果好的图像型火灾火焰识别方法，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。
【发明内容】
[0004]本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种图像型火灾火焰识别方法，其方法步骤简单、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。
[0005]为解决上述技术问题，本发明采用的技术方案是: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:
[0006]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；所述图像采集单元与处理器相接；
[0007]步骤二、图像处理:所述处理器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:
[0008]步骤201、图像预处理，过程如下:
[0009]步骤2011、图像接收与同步存储:所述处理器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内，所述数据存储器与处理器相接；
[0010]步骤2012、图像增强:通过处理器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；
[0011]步骤2013、图像分割:通过处理器对步骤2012中增强处理后的数字图像进行分割处理，获得目标图像；
[0012]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；
[0013]所述二分类模型的建立过程如下:
[0014]步骤1、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；
[0015]步骤I1、特征提取:对多帧所述数字图像一和多帧所述数字图像分别进行特征提取，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 ;
[0016]步骤II1、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ml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，ml和m2均为正整数且ml=40~100，m2=40~100 ;所述训练样本集中训练样本的数量为ml+m2个；
[0017]步骤IV、二分类模型建立，过程如下:
[0018]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；
[0019]步骤IV-2、分类函数确定:待惩罚因子Y与步骤IV-1中所选用径向基函数的核参数σ 2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，Υ=σ2，O =D'0.01 < C ≤ 10,0.01 < D ≤50 ；
[0020]对惩罚因子Y与核参数σ 2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Y =C-2和σ =D-1将优化后的参数C与D转换成惩罚因子Y与核参数0 2 ；
[0021]步骤V、二分类模型训练:将步骤III中所述训练样本集中的ml+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。
[0022]上述一种图像型火灾火焰识别方法，其特征是:步骤III中所述训练样本集中训练样本总数量为N且N=ml+m2 ;步骤IV中进行二分类模型建立之前，先对所述训练样本集中的N个训练样本进行编号，所述训练样本集中第P个训练样本的编号为P，P为正整数且p=l、
2、…、N ;第P个训练样本记作(xp, yp)，其中χρ为第P个训练样本的特征参数，yp为第P个训练样本的类别号且yp=l或-1，其中类别号为I表示有火焰，类别号为-1表示无火焰；
[0023]步骤IV -2中采用共轭梯度法对参数C与D进行优化时，利用步骤III中所述训练样本集中的ml+m2个训练样本进行优化，且优化过程如下:
[0024]步骤1、目标函数确定
【权利要求】
1.一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1、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I1、特征提取:对多帧所述数字图像一和多帧所述数字图像分别进行特征提取，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II1、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ml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，ml和m2均为正整数且ml=40~100，m2=40~.100 ;所述训练样本集中训练样本的数量为ml+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Y与步骤IV -1中所选用径向基函数的核参数σ 2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，Y =C2, ο =D' 0.01 < C ≤ 10,0.01 < D ≤ 50 ; 对惩罚因子Y与核参数σ 2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Y =CT2和σ =T1将优化后的参数C与D转换成惩罚因子Y与核参数σ 2 ； 步骤V、二分类模型训练:将步骤III中所述训练样本集中的ml+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。
2.按照权利要求1所述的一种图像型火灾火焰识别方法，其特征在于:步骤III中所述训练样本集中训练样本总数量为N且N=ml+m2 ;步骤IV中进行二分类模型建立之前，先对所述训练样本集中的N个训练样本进行编号，所述训练样本集中第P个训练样本的编号为P，P为正整数且P=l、2、…、N ;第P个训练样本记作(xp, yp)，其中Xp为第P个训练样本的特征参数，yp为第P个训练样本的类别号且％=1或-1，其中类别号为I表示有火焰，类别号为-1表示无火焰； 步骤IV -2中采用共轭梯度法对参数C与D进行优化时，利用步骤III中所述训练样本集中的ml+m2个训练样本进行优化，且优化过程如下: 步骤1、目标函数确定
3.按照权利要求1或2所述的一种图像型火灾火焰识别方法，其特征在于:步骤II中M=6，且6个特征量分别为面积、相似度、矩特性、致密度、纹理特征和频闪特性。
4.按照权利要求2所述的一种图像型火灾火焰识别方法，其特征在于:步骤ii中对C1和D1进行确定时，采用网格搜索法或随机抽取数值的方法对C1和D1进行确定；采用随机抽取数值的方法对C1和D1进行确定时，C1S (0.01，I]中随机抽取的一个数值，D1S(0.01，50]中随机抽取的一个数值；采用网格搜索法对C1和D1进行确定时，先10_3为步长划分网格，再以C和D为自变量且以步骤i中所述目标函数为因变量制作三维网格图，之后通过网格搜索找出C和D的多组参数，最后对将多组参数取平均值作为C1和Dp
5.按照权利要求1或2所述的一种图像型火灾火焰识别方法，其特征在于: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。
6.按照权利要求5所述的一种图像型火灾火焰识别方法，其特征在于: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
7.按照权利要求6所述的一种图像型火灾火焰识别方法，其特征在于: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O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Χτ。
8.按照权利要求1或2所述的一种图像型火灾火焰识别方法，其特征在于:步骤一中，各采样时刻所采集数字图像的大小均为MlXNl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，η)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，η)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
9.按照权利要求8所述的一种图像型火灾火焰识别方法，其特征在于: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U。(i, j) = μ ox(i;a, b) μ oy(j;c, d) (I);背景图像 P 的隶属度函数 Ub (i, j) = μ bx (i ; a, b)μ oy (j ; c, d) + μ M (i ; a, b) μ by (j ; c, d) + μ bx (i ; a, b) μ by (j ; c, d) (2); 式⑴和⑵中，yM(i;a，b)和均为目标图像O的一维隶属度函数且二者均为S函数，ybx(i;a，b)和yby(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，μ bx(i ;a, b)=l-y ox(i ;a, b), μ by (j ; c, d)=l-y oy (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I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:
10.按照权利要求9所述的一种图像型火灾火焰识别方法，其特征在于: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I1-1、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=l、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I1-2、适应度函数确定: 将
【文档编号】G06K9/66GK103886344SQ201410148888
【公开日】2014年6月25日 申请日期:2014年4月14日 优先权日:2014年4月14日
【发明者】王媛彬 申请人:西安科技大学