一种基于视频图像的火灾检测系统的制作方法

本发明创造涉及图像处理技术领域，具体涉及一种基于视频图像的火灾检测系统。

背景技术：

近年来，火灾事故频频发生，对人们的财产造成了极大的损失，因此，预防火灾事故的发生显得尤为重要，传统的火灾监测方法是利用火灾探测器探测的方式进行火灾监测，这种方法无法及时的在开阔的室外环境以及大面积的室内场所中对火灾进行有效预警。随着科学技术的发展，图像处理技术发展日趋成熟，人们逐渐将图像处理技术应用到火灾探测中，该方法能够快速、有效的提取图像中的火灾参数进行火灾判断，实现了火灾的有效监测。

在技术视觉的火灾检测系统中，运动目标检测研究的主要任务是对视频图像中的运动目标进行自动检测，由于视频图像在采集过程中存在复杂背景、光照强度变化、运动目标遮挡等干扰，导致运动目标图像发生形变，因此运动目标检测技术需要在实际应用中不断进行研究，本发明通过对视频图像中背景建模、更新以及前景检测技术进行改进，有效的提取图像中的运动目标，从而为接下来的火焰参数提取奠定基础。

技术实现要素：

针对上述问题，本发明旨在提供一种基于视频图像的火灾检测系统。

本发明创造的目的通过以下技术方案实现：

一种基于视频图像的火灾检测系统，包括图像采集模块、运动目标检测模块、火灾分析模块和火灾报警模块，所述图像采集模块用于获取监测区域的视频图像，所述运动目标检测模块采用聚类技术对所述视频图像进行背景建模和更新，并根据所述背景模型去除所述视频图像中的背景像素，从而获得所述视频图像中的前景像素，所述火灾分析模块用于对检测到的运动目标进行分析并提取火焰的特征参数，并根据所述特征参数判断是否有火灾发生，所述火灾报警模块用于在判断有火灾发生时进行报警。

本发明创造的有益效果：提供一种基于视频图像的火灾检测系统，通过采集监测区域的视频图像，并通过对所述视频进行处理并提取火焰的特征参数，从而判断是否有火灾的发生。本系统在运动目标检测技术中，通过对视频图像进行背景建模与更新，提高了相应的处理速度以及背景模型的准确度，在前景检测模块，采用自适应阈值的设置，以便获得较高的前景检测率，使得本系统具有较高的目标识别率，能够满足实际处理的需求。

附图说明

利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明结构示意图；

图2是本发明运动目标检测模块的结构示意图。

附图标记：

图像采集模块1；运动目标检测模块2；火灾分析模块3；火灾报警模块4；背景建模单元21；自适应更新单元22；前景检测单元23。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1和图2，本实施例的一种基于视频图像的火灾检测系统，包括图像采集模块1、运动目标检测模块2、火灾分析模块3和火灾报警模块4，所述图像采集模块1用于获取监测区域的视频图像，所述运动目标检测模块2采用聚类技术对所述视频图像进行背景建模和更新，并根据所述背景模型去除所述视频图像中的背景像素，从而获得所述视频图像中的前景像素，所述火灾分析模块3用于对检测到的运动目标进行分析并提取火焰的特征参数，并根据所述特征参数判断是否有火灾发生，所述火灾报警模块4用于在判断有火灾发生时进行报警。

本优选实施例提供一种基于视频图像的火灾检测系统，通过采集监测区域的视频图像，并通过对所述视频进行处理并提取火焰的特征参数，从而判断是否有火灾的发生。本系统在运动目标检测技术中，通过对视频图像进行背景建模与更新，提高了相应的处理速度以及背景模型的准确度，在前景检测模块，采用自适应阈值的设置，以便获得较高的前景检测率，使得本系统具有较高的目标识别率，能够满足实际处理的需求。

优选地，所述运动目标检测模块2包括背景建模单元21、自适应更新单元22和前景检测单元23，所述背景建模单元21采用fcm聚类技术进行所述视频图像的背景建模，所述自适应更新单元22用于在建模完成之后对背景模型进行自适应更新，所述前景检测单元23用于去除所述视频图像中的背景像素，从而获得所述视频图像中的前景像素。

优选地，所述背景建模单元21采用fcm聚类技术对所述视频图像进行背景建模，其采用一种改进的有效性指标来确定最佳聚类个数，定义有效性指标vnew，则vnew的计算公式为：

式中，uij表示样本xj属于第i类的隶属度，且有uij∈[0,1]，vi表示第i个聚类中心,vh表示第h类的聚类中心，n表示数据集合中样本的个数，k表示分类个数；

当vnew最小时，对应最优的聚类结果。

本优选实施例提出一种新的有效性指标，遵循类内紧密、类间分离的聚类特性，能够正确处理存在较多孤立数据点或者类间重叠的情形，在数据集出现重复的时候仍然能够保证聚类结果的正确性。

优选地，所述自适应更新单元22用于当背景建模完成之后对背景模型进行自适应更新，定义it(x,y)是像素(x,y)在第t帧的灰度值，k为该像素的聚类个数，vi(x,y)代表第i个聚类的中心值，ni(x,y)表示第i个聚类中包含的元素个数，计算像素it(x,y)与某聚类中心值vi(x,y)的距离d(it,vi)：

d(it,vi)＝dmin(it(x,y),vi(x,y))

a.定义聚类阈值ρ，当d(it,vi)≤ρ时，将该像素归入对应类vi(x,y)中，且更新参数：

ni(x,y)＝ni(x,y)+1

式中，δti为第i个聚类中心的更新时间差，ωi为第i聚类的权重，k为聚类个数；

b.当d(it,vi)>ρ时，重新创建新的分类vk+1(x,y)，并设置相关参数为：

vk+1(x,y)＝it(x,y)

nk+1(x,y)＝1

k＝k+1

式中，vk+1(x,y)为第k+1个聚类的中心值，nk+1(x,y)表示第k+1个聚类中的元素个数。

本优选实施例提出一种基于改进的fcm聚类的背景模型的自适应更新方法，能够动态修改、删除或者新建聚类来进行背景模型的自适应更新，具有较高的计算效率，在聚类的权重值进行更新的过程中，不仅考虑个聚类包含的元素个数对权重值的影响，还考虑了聚类更新时间对聚类权重值的影响。

优选地，所述前景检测单元23用于去除所述视频图像中的背景像素，从而获得所述视频图像中的前景像素，其采用一种改进的阈值选取方法，定义视频图像中各像素的灰度取值范围是[1,l]，灰度值为i的像素个数为ni，灰度值为i的像素出现的概率为pi，按灰度值t将像素分为两类，即背景部分c0＝{1,…,t}和前景部分c1＝{t+1,…,l},则最佳分割阈值t^*的计算公式为：

式中，t^*为最佳阈值，ω0(t)和ω1(t)分别为背景部分和前景部分像素出现的概率，μ0(t)和μ1(t)分别为背景部分和前景部分像素的均值，和分别为背景部分和前景部分像素的方差，μ(t)为视频图像中所有像素的均值，σ²(t)为视频图像中像素的方差。

本优选实施例改进基于otsu的自适应阈值选取方法，用方差代替传统算法中的均值，并将类内方差引入阈值选择函数的计算过程，有效的体现了灰度的离散程度，适应于图像中运动目标模糊、前景与背景灰度差异较小的情况，提高了运动目标检测的精度。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。