一种白天火灾视频检测方法
【专利摘要】本发明涉及一种白天火灾视频检测方法，包括下列步骤：对于白天火灾视频，检测满足火焰颜色特点的区域；检测视频中的持续运动区域；求出既满足火焰颜色特征又满足火焰持续运动特征的区域，作为潜在火焰区域；对于所有的潜在火焰区域进行轮廓合并，得到火焰前景区域；对疑似火焰区域进行特征提取，并建立和训练建立SVM分类器。本发明基于火灾视频进行火焰检测，具有适用性广泛，优势明显，成本低廉，可用于辅助火灾事故调查人员分析起火原因。
【专利说明】
一种白天火灾视频检测方法
技术领域
[0001]本发明属于数字图像及视频处理领域范畴，具体来说是一套能够同时对大量的白天火灾视频进行快速准确的分析，从而定位火灾的视频检测方法。
【背景技术】
[0002]全世界范围内，火灾都是人类所面临的主要灾害之一，对人类造成了大量的人身伤亡和财产损失。随着科技的发展，近年来火灾预警技术和消防技术都有了长足的发展，然而重特大火灾事故仍然时有发生。因此，火灾发生后对起火点的精确定位以及对起火原因的准确分析就至关重要。一方面，精确的起火点定位可以作为证据来明确火灾事故的责任；另一方面，准确的火灾原因分析则有利于日后对相同类型火灾的预警和防范。
[0003]目前在火灾原因调查工作中，主要以现场勘验为主要手段，以火灾调查访问和火灾技术鉴定为辅助手段。而这种传统的火灾原因调查方法具有弊端和局限性。首先，传统方法在调查过程中容易导致火灾现场破坏和有关证据的灭失，从而错误地认定火灾原因。其次，传统方法有时形成不了认定火灾原因的证据链，没有确定的证明力和说服力，导致火灾原因认定不清，火灾认定的证据不足，证据之间不能相互印证等问题。
[0004]近些年来，公共场所越来越多的安装了完备的视频监控系统。这使得基于视频监控平台的火灾检测算法应运而生。与传统的感烟、感温、感光的点式火灾探测器相比，视频型火灾检测系统有着检测范围大、可用于高大空间和户外环境、成本低廉、能提供火灾的发生发展趋势和蔓延速度信息等等优势。然而，目前所有的视频型火灾检测系统都是应用于火灾的实时监测，用于在火灾发生时发出火警信号，而没有视频型火灾检测算法用于火灾的事后原因分析和起火点定位。
[0005]与传统的火灾原因分析方法相比，利用基于数字图像及视频处理的软件系统来分析火灾原因和定位起火点位置，将具有如下优势:第一，该方法准确直观，可以为起火原因和起火点定位提供直接的证据。第二，该方法不会造成火灾现场破坏和有关证据的灭失。第三，由于公共场所视频监控系统的普遍安装，该方法具有普遍适用性。第四，实际火灾波及到的空间往往较大，利用计算机的快速运算速度，可以对大量视频进行快速的批量处理，快速准确的定位所有视频中的起火点，与人工分析的方法相比可以极大地节省时间，提高火灾原因分析速度。
【发明内容】
[0006]本发明的目的是提供一种可用于辅助火灾事故调查人员分析起火原因的白天火灾视频检测方法，技术方案如下:
[0007]—种白天火灾视频检测方法，包括下列步骤:
[0008]①对于白天火灾视频，利用已经被马尔科夫模型训练好的火焰像素点的颜色特征，检测满足火焰颜色特点的区域；
[0009]②利用VIBE背景建模算法检测视频中的持续运动区域；
[0010]③求出既满足火焰颜色特征又满足火焰持续运动特征的区域，作为潜在火焰区域；
[0011]④对于所有的潜在火焰区域，利用每个轮廓的面积、质心位置和质心距离进行轮廓合并，合并后的区域作为火焰前景区域；
[0012]⑤计算火焰前景区域的周长的复杂度，利用多种复杂度特征的计算，消除与火焰颜色相近并且具有持续运动特征、但是外形轮廓比较简单的物体的干扰，得到疑似火焰区域；
[0013]⑥对疑似火焰区域进行特征提取，并建立和训练建立SVM分类器，方法如下:
[0014]I)根据火焰轮廓的周长和面积的变化规律，利用快速傅里叶变换计算疑似火焰区域的频率特征。
[0015]2)利用时间小波变换和空间小波变换，计算疑似火焰区域在时间上和空间上的能量分布情况；
[0016]3)利用疑似火焰区域内部的颜色分布情况和变化情况，计算火焰纹理特征；
[0017]4)计算疑似火焰区域的每个像素点的R、G、B通道在时间和空间上的一阶、二阶倒数，再计算他们互相之间的协方差，用这些特征值组成一个特征向量，作为火焰的标准化协方差特征；
[0018]5)利用机器学习的方法，建立SVM分类器，根据上述步骤1)-4)计算出的所有特征值训练SVM分类器，对疑似区域分类，判断疑似火焰区域是否为真正的火焰。
[0019]本发明基于火灾视频进行火焰检测，具有适用性广泛，优势明显，成本低廉，可用于辅助火灾事故调查人员分析起火原因。
【附图说明】
[0020]图1是某次白天火灾的现场视频截图
[0021]图2是计算出的高亮度区域图片
[0022]图3是计算出的运动区域图片
[0023]图4是计算出的火焰前景区域图片
[0024]图5是程序识别出的白天火灾图片
【具体实施方式】
[0025]下面以一具体事例为例，简单描述该发明实现对白天火灾视频的检测。
[0026]利用界面程序选择将要检测的白天火灾视频，再选择检测到的起火点图片的保存路径。其中每次选择视频的最大个数为300个。然后，后台程序会对每一个白天火灾视频依次进行检测以确定起火点时间和位置坐标。
[0027]以某次实际的白天火灾为例，火灾截图如图1。
[0028]对于每个视频，利用已经被马尔科夫模型训练好的火焰像素点的颜色特征，检测满足火焰颜色特点的区域，如图2。
[0029]利用VIBE背景建模算法检测视频中的持续运动区域。然后对表示运动区域的二值图像进行一次腐蚀操作和一次膨胀操作以消除噪点的影响。把腐蚀膨胀之后的二值图像的非零区域作为运动区域，如图3。
[0030]求出既满足火焰颜色特征又满足火焰持续运动特征的区域，作为疑似火焰区域。对于所有的疑似火焰前景区域，利用每个轮廓的面积、质心位置和质心距离进行轮廓合并，合并后的区域作为火焰前景区域，如图4。
[0031]6、计算火焰前景区域的周长的复杂度，利用多种复杂度特征的计算，消除与火焰颜色相近并且具有火焰运动特征、但是外形轮廓比较简单的物体的干扰。
[0032]7、判断该疑似区域是否为真正的火焰区域。
[0033](I)根据火焰轮廓的周长和面积的变化规律，利用快速傅里叶变换(FFT)计算疑似火焰区域的频率特征。
[0034](2)利用时间小波变换和空间小波变换，计算疑似火焰区域在时间上和空间上的能量分布情况。
[0035](3)利用疑似火焰区域内部的颜色分布情况和变化情况，计算火焰纹理特征。
[0036](4)计算疑似火焰区域的每个像素点的R、G、B通道在时间和空间上的一阶、二阶倒数，在计算他们互相之间的协方差。用这些特征值组成一个特征向量，作为火焰的标准化协方差特征。
[0037](5)利用机器学习的方法，用一个SVM分类器，根据上述计算出的所有特征值对疑似区域分类，从而判断疑似火焰区域是否为真正的火焰。被识别出的火焰用一个矩形标记出来，如图5所示。
【主权项】
1.一种白天火灾视频检测方法，包括下列步骤: ①对于白天火灾视频，利用已经被马尔科夫模型训练好的火焰像素点的颜色特征，检测满足火焰颜色特点的区域； ②利用VIBE背景建模算法检测视频中的持续运动区域； ③求出既满足火焰颜色特征又满足火焰持续运动特征的区域，作为潜在火焰区域； ④对于所有的潜在火焰区域，利用每个轮廓的面积、质心位置和质心距离进行轮廓合并，合并后的区域作为火焰前景区域； ⑤计算火焰前景区域的周长的复杂度，利用多种复杂度特征的计算，消除与火焰颜色相近并且具有持续运动特征、但是外形轮廓比较简单的物体的干扰，得到疑似火焰区域； ⑥对疑似火焰区域进行特征提取，并建立和训练建立SVM分类器，方法如下: 1)根据火焰轮廓的周长和面积的变化规律，利用快速傅里叶变换计算疑似火焰区域的频率特征。 2)利用时间小波变换和空间小波变换，计算疑似火焰区域在时间上和空间上的能量分布情况； 3)利用疑似火焰区域内部的颜色分布情况和变化情况，计算火焰纹理特征； 4)计算疑似火焰区域的每个像素点的R、G、B通道在时间和空间上的一阶、二阶倒数，再计算他们互相之间的协方差，用这些特征值组成一个特征向量，作为火焰的标准化协方差特征； 5)利用机器学习的方法，建立SVM分类器，根据上述步骤1)-4)计算出的所有特征值训练SVM分类器，对疑似区域分类，判断疑似火焰区域是否为真正的火焰。
【文档编号】G06T7/20GK105976398SQ201610280044
【公开日】2016年9月28日
【申请日】2016年4月28日
【发明人】张为, 苏相阁
【申请人】天津大学