一种夜间火灾视频检测方法
【专利摘要】本发明涉及一种夜间火灾视频检测方法，包括：对红外模式下拍摄的夜间火灾视频进行格式转换，从RGB色彩空间转换到HSV色彩空间；进行形态学滤波处理；利用神经网络模型训练夜间火焰像素点的亮度特征值，并根据训练结果判断画面中的像素点是否属于疑似火焰区域；对满足亮度特征阈值的区域进行二值化处理，得到高亮区域，再利用canny算法求其边缘，并计算边缘轮廓的周长和面积；计算高亮区域的圆形度；计算夜间火焰闪烁特征；计算每秒发生全屏闪烁的次数；建立SVM分类器，利用各个特征值对疑似火灾的高亮区域进行分类。本发明可以用来搜索火灾发生初期的视频，直观准确的定位火焰发生物体。
【专利说明】
一种夜间火灾视频检测方法
技术领域
[0001] 本发明属于数字图像及视频处理领域范畴，具体来涉及一种夜间火灾视频检测方 法。
【背景技术】
[0002] 在全世界范围内，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] 在众多火灾事故中，由于夜间的无人值守情况，往往大多数失控的火灾事故都是 发生在夜间的。相比于白天的火灾，夜间火灾的起火原因分析工作尤其困难。夜间的火灾往 往目击者较少，火灾调查访问的手段难以起作用。而且在火灾被扑灭后，现场大部分物体被 燃烧殆尽，现场勘探有时也难以找到有力的证据。这时利用现场的监控系统留下的视频就 成了分析起火原因的主要手段。但是，通过人眼来寻找起火点和起火原因，无法在大量的视 频中迅速完成搜索任务。而且，夜间视频光线很暗，视频中往往除了火焰以外看不清其他任 何物体，这样即使人眼找到了起火过程也无法确定燃烧物体和起火原因，只能通过与白天 相同摄像头拍摄的视频进行比对。这种工作如果由人工完成则费时费力，准确性低。
【发明内容】
[0006] 本发明提供一种夜间火灾视频检测方法，可以用于对摄像头在红外模式下拍摄的 夜间视频进行分析处理，从而判断是否发生夜间火灾，帮助火灾调查人员分析起火原因和 着火物质。本发明的技术方案如下：
[0007] -种夜间火灾视频检测方法，包括以下几个步骤：
[0008] 1)在红外模式下拍摄的夜间火灾视频进行检测；
[0009] 2)对夜间火灾视频进行格式转换，从RGB色彩空间转换到HSV色彩空间；
[0010] 3)进行形态学滤波处理，以降低噪声对检测效果的影响；
[0011] 4)利用神经网络模型训练夜间火焰像素点的亮度特征值，并根据训练结果判断画 面中的像素点是否属于疑似火焰区域，排除亮度值低于阈值的像素点；
[0012] 5)对满足亮度特征阈值的区域进行二值化处理，再对二值图像进行腐蚀和膨胀操 作以消除噪点的影响，得到高亮区域，再利用canny算法求其边缘，并计算边缘轮廓的周长 和面积；
[0013] 6)根据夜间火焰形状近似于圆形的特点，计算高亮区域的圆形度，用以对圆形度 较低的高亮区域予以排除；
[0014] 7)根据夜间火焰燃烧过程中的面积会剧烈变化而且频率在10Hz附近波动的特点， 计算夜间火焰闪烁特征，认为连续两帧高亮区域面积相差50%以上则满足一次闪烁特征， 计算每秒高亮区域满足闪烁特征的次数；
[0015] 8)根据夜间室内火焰会引起全屏闪烁的特点检测火灾，方法如下：利用帧差法检 测相邻两帧发生亮度值变化大于一定阈值的像素点个数，若变化的像素点个数大于像素点 总数的60%则认为发生了一次全屏闪烁;计算每秒发生全屏闪烁的次数；
[0016] 9)将上述步骤4)至8)计算得到的各项参数值作为特征值，利用机器学习的方法， 建立SVM分类器，利用各个特征值对疑似火灾的高亮区域进行分类，从而判断疑似火灾的高 亮区域是否符合摄像头在红外模式下拍摄的夜间火焰特点，得出结论，记录下该高亮区域 最开始出现的时间和位置。
[0017] 本发明可以用来搜索火灾发生初期的视频，直观准确的定位火焰发生物体，可以 辅助查明起火原因。
【附图说明】
[0018] 图1是某次夜间火灾视频的截图。
[0019] 图2是用canny算法提取的高亮度区域。
[0020] 图3是程序检测出的夜间火灾图像。
【具体实施方式】
[0021] 以一具体实例为例，简单描述实现辅助分析夜间火灾起火原因的过程
[0022] 用界面程序选择摄像头在红外模式下拍摄的夜间火灾视频进行检测，再选择检测 结果的保存路径。对输入的视频码流进行格式转换，视频从RGB色彩空间转换到HSV色彩空 间，便于之后的处理。按照既定的缩放比例对画面进行缩放，以减少后面算法的计算量。对 画面进行形态学滤波处理，以降低噪声对检测算法的影响。滤波后的夜间火灾视频截图如 图1所示。
[0023] 利用神经网络模型训练夜间火焰像素点的亮度特征值，并根据训练结果判断画面 中的像素点是否属于疑似火焰区域，排除亮度值低于阈值的像素点。对满足亮度特征阈值 的区域进行二值化处理。再对二值图像进行一次腐蚀和一次膨胀操作以消除噪点的影响。 其中选用3*3的矩形作为腐蚀和膨胀的结构元素。对达到红外模式下的火焰亮度阈值的区 域，利用canny算法求其边缘，并计算边缘轮廓的周长和面积。高亮度区域如图2。
[0024]根据夜间火焰形状近似于圆形的特点，按照公式* 计算高亮区域的圆形度，以 排除形状复杂的非火物体的干扰。其中e表示圆形度，s表示轮廓的面积，1表示轮廓的周长。 根据夜间火焰燃烧过程中的面积会剧烈变化而且频率在10Hz左右波动的特点，计算夜间火 焰闪烁特征。认为连续两帧高亮区域面积相差50%以上则满足一次闪烁特征，计算每秒钟 即25帧内高亮区域满足闪烁特征的次数。根据夜间室内火焰会引起全屏闪烁的特点检测火 灾。利用帧差法检测相邻两帧发生亮度值变化大于一定阈值的像素点个数，若变化的像素 点个数大于像素点总数的60%则认为发生了一次全屏闪烁。计算每秒即25帧内发生全屏闪 烁的次数。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 的高亮区域进行分类，从而判断疑似区域是否符合摄像头在红外模式下拍摄的夜间火焰特 点，得出结论，记录下该高亮区域最开始出现的时间和位置。程序识别出的夜间火灾图片如 图3所示，其中方框表示识别出的火焰区域。
【主权项】
1. 一种夜间火灾视频检测方法，包括以下几个步骤： 1) 在红外模式下拍摄的夜间火灾视频进行检测； 2) 对夜间火灾视频进行格式转换，从RGB色彩空间转换到HSV色彩空间； 3) 进行形态学滤波处理，以降低噪声对检测效果的影响； 4) 利用神经网络模型训练夜间火焰像素点的亮度特征值，并根据训练结果判断画面中 的像素点是否属于疑似火焰区域，排除亮度值低于阈值的像素点； 5) 对满足亮度特征阈值的区域进行二值化处理，再对二值图像进行腐蚀和膨胀操作以 消除噪点的影响，得到高亮区域，再利用canny算法求其边缘，并计算边缘轮廓的周长和面 积； 6) 根据夜间火焰形状近似于圆形的特点，计算高亮区域的圆形度，用以对圆形度较低 的尚壳区域予以排除； 7) 根据夜间火焰燃烧过程中的面积会剧烈变化而且频率在10Hz附近波动的特点，计算 夜间火焰闪烁特征，认为连续两帧高亮区域面积相差50%以上则满足一次闪烁特征，计算 每秒高亮区域满足闪烁特征的次数； 8) 根据夜间室内火焰会引起全屏闪烁的特点检测火灾，方法如下：利用帧差法检测相 邻两帧发生亮度值变化大于一定阈值的像素点个数，若变化的像素点个数大于像素点总数 的60%则认为发生了一次全屏闪烁;计算每秒发生全屏闪烁的次数； 9) 将上述步骤4)至8)计算得到的各项参数值作为特征值，利用机器学习的方法，建立 SVM分类器，利用各个特征值对疑似火灾的高亮区域进行分类，从而判断疑似火灾的高亮区 域是否符合摄像头在红外模式下拍摄的夜间火焰特点，得出结论，记录下该高亮区域最开 始出现的时间和位置。
【文档编号】G06T7/00GK105976365SQ201610280166
【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