【技术实现步骤摘要】
一种基于混合颜色模型与神经网络的火灾图像检测方法
本专利技术属于图像处理和目标检测
,具体涉及一种基于混合颜色模型与神经网络的火灾图像检测方法。
技术介绍
现代社会中,火灾事故的频发威胁了人们的生命财产安全,如何实时准确的检测到火灾的发生一直是智能监控安防工程关注的重点领域,也是图像识别领域的一个重要课题。随着计算机视觉技术的不断进步,对于火灾这一具有显著视觉信息的灾害事故,通过监控视频实时检测到火灾的发生已成为可能。现有的火灾检测技术分为传统火灾识别传感器检测以及基于视频图像的火灾检测,其中传统火灾探测器有感光器型探测器、气体型探测器、感温型传感器以及感烟型传感器,他们大多利用火灾发生时的物理变化特性来识别是否出现火焰,但其都或多或少存在检测范围小、易受外界干扰、检测速度慢等缺点,尤其是检测范围的限制导致其只能部署在狭小室内,无法覆盖大片区域。而基于视频图像的火灾检测又分为基于颜色、形态等人工定义特征的方法与基于深度学习目标检测的方法,对于利用人工选定特征的火灾检测方法,其优点是检测速度快,但由于其特征不完善存在易误检、泛化能力差等缺点,对于颜色或形态相近的物体难以与火焰严格区分。随着深度学习技术的不断发展,采用卷积神经网络检测火焰的方法在检测精度方面得到了较大的提升,卷积神经网络通过已有标签的训练图像,在迭代学习的过程中自动获得火焰的图像的特征,且合理利用正则化和dropout方法,神经网络的提取特征的泛化能力大大优于手工提取的特征。但对于火灾检测工程而言,难以获得大型目标检测网络所需的带标签的训练样本,且由于这些算法的运算量很大,难以保证可以在 ...
【技术保护点】
1.一种基于混合颜色模型与神经网络的火灾图像检测方法,其特征在于,该方法的具体步骤如下:步骤(1).利用帧间差分法获得监控视频帧的运动前景目标:(1‑1).通过对比视频中前后两帧图像的差异度,来识别是否存在运动物体,运动前景的前景掩膜的表达式为:
【技术特征摘要】
1.一种基于混合颜色模型与神经网络的火灾图像检测方法,其特征在于,该方法的具体步骤如下:步骤(1).利用帧间差分法获得监控视频帧的运动前景目标:(1-1).通过对比视频中前后两帧图像的差异度,来识别是否存在运动物体,运动前景的前景掩膜的表达式为:其中,fmask(x,y)为前后帧图像的差分图像,即运动前景掩膜,255表示将运动目标在灰度图上设置为白色,0代表非运动区域设置为黑色,It和It-1分别表示原图像在t和t-1时刻的图像,T表示设定的阈值,即当差分出来的图像中非0点个数大于T时,则获取运动区域将差分图像二值化,二值化后的白色区域即表示运动区域;(1-2).取得前景后,对其进行形态学操作以过滤细微抖动带来的噪声;(1-3).将每n帧的前景掩膜累加,构成一个融合n帧运动信息的掩膜;步骤(2).每隔n帧对图像采用混合颜色模型提取火焰的候选区域:(2-1).每n帧进行混合颜色模型提取火焰候选区域;将源监控视频RGB图像生成备份,并转换成HSV颜色空间,对两个颜色空间添加相应颜色模型约束,获取初步颜色候选区域,得到疑似火焰区域对应的掩膜cmask,具体约束条件如下:Hmin<H<Hmax,(S1min<S<S1max)∪(S2min<S<S2max),Vmin<V<Vmax,R>RT,R≥G>B,S≥((255-R)×ST/RT),(abs(R-G)>T1)∪(abs(G-B)>T2),abs(R-B)+abs(G-B)>15;其中H、S、V分别为像素的色调、饱和度、明度,R、G、B分别为像素的红色、绿色、蓝色分量,Hmin和Hmax为色调分量的区间阈值,S1min和S1max为饱和度分量的一组区间阈值,S2min和S2max为饱和度分量的另一组区间阈值,Vmin和Vmax是明度的区间阈值,RT为红色分量阈值,ST为饱和度自适应阈值,T1和T2为RGB空间经验阈值;(2-2).对颜色掩膜cmask进行二次区域扩展,补全疑似火焰区域的中心空洞:首先将源监控图像分成10×10等尺寸区域,统计每个区域的掩膜像素平均明度VA:然后获取每个区域的扩展颜色掩膜,当区域内像素的明度大于VA时,将该像素加入扩展颜色掩膜csup:最终的颜色掩膜cmask为:cmask=cmask∪csup;步骤(3).通过运动候选区域fmask与颜色候选区域cmask得到候选火焰区域:将得到颜色候选区域cmask与运动前景区域fmask进行对比得到火焰候选区域掩膜Mask:Mask=fmask∩cmask;对掩膜Mask进行形态学操作,并获取其最小外接矩形,从源监控图像中截取出来构成候选火焰图像集Frpn;步骤(4).准备训练神经网络所需的训练图片集以及测试图片集:准备的训练数据包括带火焰图像的正样本和非火焰图像的负样本;正样本的构成包括人工截取的火焰图像和通过上述混合颜色模型获取的视频帧图像共同构成;通过设置在路口和室内的监控,获取真实应用场景下的视频,将不存在火焰的视频帧构成负样本;步骤(5).通过密集连接卷积神经网络对候选火焰图像进行分类:(5-1).构建密集连接卷积神经网络:密集连接卷积神经网络是一种深度神经网络;网络层数共有121层,包括前置的1个卷积层和最大池化操作,接着交替进行4个密集连接块与3个...
【专利技术属性】
技术研发人员:何志伟,吴凡,高明煜,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。