基于红外识别的电动车充电桩火灾风险检测方法技术

本发明专利技术涉及火灾风险检测技术领域，具体涉及一种基于红外识别的电动车充电桩火灾风险检测方法，该方法包括：获取电动车充电桩的待增强红外图像的物体区域和背景区域；根据物体区域与背景区域之间像素值的差异得到物体区域的平均差异程度，获得初始动态范围，对初始动态范围进行修正得到修正动态范围；获得第一增强图像；根据待增强红外图像和第一增强图像获得第一增强图像的纹理丢失度，根据第一增强图像得到修正动态范围的评价值；获得最优动态范围，利用最优动态范围得到增强红外图像；根据增强红外图像获得电动车充电桩火灾风险预警结果。本发明专利技术提高了增强后图像的质量，进而提高了电动车充电桩火灾风险检测的准确度。提高了电动车充电桩火灾风险检测的准确度。提高了电动车充电桩火灾风险检测的准确度。

【技术实现步骤摘要】
基于红外识别的电动车充电桩火灾风险检测方法


[0001]本专利技术涉及火灾风险检测
，具体涉及一种基于红外识别的电动车充电桩火灾风险检测方法。

技术介绍

[0002]通过红外图像对电动车充电桩火灾风险进行风险检测的意义重大。但是，红外图像往往会受到随机噪声的影响，与可见光图像相比，普遍存在对比度低、信噪比低以及边缘易模糊等问题，因此，在对电动车充电桩进行火灾风险检测前，需要对电动车充电桩的红外图像进行增强。
[0003]常采用直方图均衡化的方法对红外图像进行增强，直方图均衡化是通过将红外图像的像素值范围映射到更大的像素值范围内以实现图像增强的目的。但是，映射后获得的像素值范围过小，对红外图像的对比度提高效果较差，映射后获得的像素值范围过大，可能会出现过增强的现象，丢失图像内的细节信息。因此，现有的方法对红外图像进行增强的效果较差，进而导致获得的电动车充电桩火灾风险检测结果较不准确。

技术实现思路

[0004]为了解决电动车充电桩火灾风险检测结果较不准确的技术问题，本专利技术的目的在于提供一种基于红外识别的电动车充电桩火灾风险检测方法，所采用的技术方案具体如下：获取电动车充电桩的待增强红外图像，对待增强红外图像进行区域划分得到物体区域和背景区域；根据物体区域与背景区域之间像素值的差异得到待增强红外图像中物体区域的平均差异程度，根据待增强红外图像中的灰度值范围获得初始动态范围，利用平均差异程度对初始动态范围进行修正得到修正动态范围；根据修正动态范围对待增强红外图像进行直方图均衡化得到第一增强图像；根据待增强红外图像和第一增强图像获得第一增强图像的纹理丢失度，根据第一增强图像的像素值特征和纹理丢失度得到修正动态范围的评价值；根据修正动态范围的评价值判断是否对初始动态范围进行修正，获得最优动态范围，利用最优动态范围对待增强红外图像进行直方图均衡化得到增强红外图像；根据增强红外图像获得电动车充电桩火灾风险预警结果。
[0005]优选地，所述根据物体区域与背景区域之间像素值的差异得到待增强红外图像中物体区域的平均差异程度具体为：对于任意一个物体区域，将像素值最大的像素点记为中心像素点，获取中心像素点与物体区域的边缘像素点之间的连线线段，所述连线线段之间的夹角角度相等；对于任意一个连线线段，将连线线段上任意一个像素点记为选定像素点，计算选定像素点在连线线段上与其相邻的像素点之间的像素值的差值绝对值，得到选定像素点的
像素差值；在背景区域中获取与连线线段平行的匹配线段，计算连线线段与匹配线段每一个对应位置的像素点的像素值之间的差值绝对值，并计算连线线段与匹配线段每一个对应位置的像素点的像素差值之间的差值绝对值，将两个差值绝对值的乘积记为每一个对应位置的特征乘积，计算连线线段与匹配线段上所有对应位置的特征乘积之和得到特征和值，根据特征和值得到连线线段的差异程度；所述特征和值与差异程度呈正相关关系；计算物体区域中所有连线线段的差异程度的均值得到物体区域的相对差异程度，计算待增强红外图像中所有物体区域的相对差异程度的均值得到待增强红外图像中物体区域的平均差异程度。
[0006]优选地，所述利用平均差异程度对初始动态范围进行修正得到修正动态范围具体为：对平均差异程度进行归一化处理得到第一修正权重，计算第一预设值与第一修正权重的差值得到第二修正权重；计算第一修正权重与初始动态范围的下限值的乘积，得到修正动态范围的下限值；计算第二修正权重与初始动态范围的上限值的乘积，得到修正动态范围的上限值。
[0007]优选地，所述根据第一增强图像的像素值特征和纹理丢失度得到初始动态范围的评价值具体为：对第一增强图像进行区域的划分得到第一物体区域和第一背景区域；根据第一物体区域和第一背景区域之间像素值的差异得到第一增强图像对应的平均差异程度；将第一背景区域内任意一个像素点记为目标像素点，在目标像素点的邻域内，将与目标像素点的像素值存在差异的邻域像素点的数量记为目标像素点的特征数量；计算第一背景区域内所有像素点的特征数量的均值，并计算第一背景区域内所有像素点的像素值的均值与最大像素值之间的比值，将特征数量的均值与比值的乘积作为第一增强图像的第一必要系数；以第一增强图像对应的平均差异程度的负相关映射值与第一必要系数的乘积作为第一增强图像的增强必要程度；计算第一增强图像的增强必要程度与纹理丢失度的乘积与第二预设值的和值，将第一增强图像对应的平均差异程度与和值之间的比值作为初始动态范围的评价值。
[0008]优选地，所述根据修正动态范围的评价值判断是否对初始动态范围进行修正，获得最优动态范围具体为：当修正动态范围的评价值大于或等于预设的评价阈值时，不对初始动态范围进行修正，将修正动态范围作为最优动态范围；当修正动态范围的评价值小于预设的评价阈值时，对初始动态范围进行第二次修正；所述第二次修正的具体过程为：利用第一增强图像对应的平均差异程度对初始动态范围进行修正，得到第一修正动态范围；利用第一修正动态范围对待增强红外图像进行直方图均衡化得到第二增强图
像；获取第二增强图像的纹理丢失度，根据第二增强图像的像素值特征和纹理丢失度得到第一修正动态范围的评价值；当第二次修正后得到第一修正动态范围的评价值大于或等于预设的评价阈值时，不对初始动态范围进行修正，将第一修正动态范围作为最优动态范围；当第二次修正后得到第一修正动态范围的评价值小于预设的评价阈值时，对初始动态范围进行第三次修正，以此类推，直到动态范围的评价值大于或等于预设的评价阈值时或者直到修正次数达到次数阈值时停止。
[0009]优选地，所述根据待增强红外图像和第一增强图像获得第一增强图像的纹理丢失度具体为：获取待增强红外图像中每个物体区域的图像熵，并获取第一增强图像中每个第一物体区域的图像熵；根据待增强红外图像中每个物体区域与第一增强图像中对应位置的第一物体区域的图像熵之间的差异，得到第一增强图像的纹理丢失度。
[0010]优选地，所述根据待增强红外图像中每个物体区域与第一增强图像中对应位置的第一物体区域的图像熵之间的差异，得到第一增强图像的纹理丢失度，具体包括：对于待增强红外图像中任意一个物体区域，将物体区域内每个像素点在第一增强图像中对应位置处的像素点记为匹配像素点；若第一增强图像中存在第一物体区域包含的匹配像素点数量与所有匹配像素点的总数量之间的差异大于数量阈值，则将对应的第一物体区域与物体区域记为匹配区域对；若第一增强图像中存在第一物体区域包含的匹配像素点数量与所有匹配像素点的总数量之间的差异小于或等于数量阈值，则将所有匹配像素点构成的区域与物体区域记为匹配区域对；对于任意一个匹配区域对，计算匹配区域对中两个区域的图像熵的差值绝对值；将所有匹配区域对的图像熵的差值绝对值之和作为第一增强图像的纹理丢失度。
[0011]优选地，所述获取电动车充电桩的待增强红外图像具体为：获取电动车充电桩的初始红外图像，对初始红外图像进行区域划分得到待分析物体区域和待分析背景区域；根据待分析背景区域内像素值的差异情况得到初始红外图像的第一必要系数，根据待分析物体区域和待本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于红外识别的电动车充电桩火灾风险检测方法，其特征在于，该方法包括以下步骤：获取电动车充电桩的待增强红外图像，对待增强红外图像进行区域划分得到物体区域和背景区域；根据物体区域与背景区域之间像素值的差异得到待增强红外图像中物体区域的平均差异程度，根据待增强红外图像中的灰度值范围获得初始动态范围，利用平均差异程度对初始动态范围进行修正得到修正动态范围；根据修正动态范围对待增强红外图像进行直方图均衡化得到第一增强图像；根据待增强红外图像和第一增强图像获得第一增强图像的纹理丢失度，根据第一增强图像的像素值特征和纹理丢失度得到修正动态范围的评价值；根据修正动态范围的评价值判断是否对初始动态范围进行修正，获得最优动态范围，利用最优动态范围对待增强红外图像进行直方图均衡化得到增强红外图像；根据增强红外图像获得电动车充电桩火灾风险预警结果。2.根据权利要求1所述的一种基于红外识别的电动车充电桩火灾风险检测方法，其特征在于，所述根据物体区域与背景区域之间像素值的差异得到待增强红外图像中物体区域的平均差异程度具体为：对于任意一个物体区域，将像素值最大的像素点记为中心像素点，获取中心像素点与物体区域的边缘像素点之间的连线线段，所述连线线段之间的夹角角度相等；对于任意一个连线线段，将连线线段上任意一个像素点记为选定像素点，计算选定像素点在连线线段上与其相邻的像素点之间的像素值的差值绝对值，得到选定像素点的像素差值；在背景区域中获取与连线线段平行的匹配线段，计算连线线段与匹配线段每一个对应位置的像素点的像素值之间的差值绝对值，并计算连线线段与匹配线段每一个对应位置的像素点的像素差值之间的差值绝对值，将两个差值绝对值的乘积记为每一个对应位置的特征乘积，计算连线线段与匹配线段上所有对应位置的特征乘积之和得到特征和值，根据特征和值得到连线线段的差异程度；所述特征和值与差异程度呈正相关关系；计算物体区域中所有连线线段的差异程度的均值得到物体区域的相对差异程度，计算待增强红外图像中所有物体区域的相对差异程度的均值得到待增强红外图像中物体区域的平均差异程度。3.根据权利要求1所述的一种基于红外识别的电动车充电桩火灾风险检测方法，其特征在于，所述利用平均差异程度对初始动态范围进行修正得到修正动态范围具体为：对平均差异程度进行归一化处理得到第一修正权重，计算第一预设值与第一修正权重的差值得到第二修正权重；计算第一修正权重与初始动态范围的下限值的乘积，得到修正动态范围的下限值；计算第二修正权重与初始动态范围的上限值的乘积，得到修正动态范围的上限值。4.根据权利要求1所述的一种基于红外识别的电动车充电桩火灾风险检测方法，其特征在于，所述根据第一增强图像的像素值特征和纹理丢失度得到初始动态范围的评价值具体为：对第一增强图像进行区域的划分得到第一物体区域和第一背景区域；根据第一物体区
域和第一背景区域之间像素值的差异得到第一增强图像对应的平均差异程度；将第一背景区域内任意一个像素点记为目标像素点，在目标像素点的邻域内，将与目标像素点的像素值存在差异的邻域像素点的数量记为目标像素点的特征数量；计算第一背景区域内所有像素点的特征数量的均值，并计算第一背景区域内所有像素点的像素值的均值与最大像素值之间的比值，将特征数量的均值与比值的乘积作为第一增强图像的第一必要系数；以第一增强图像对应的平均差异程度的负相关映射值与第一必要系数的乘积作为第一增强图像的增强必要程度；计算第一增强图像的增强必要程度与纹理丢失度的乘积与第二预设值的和值，将第一增强图像对应的平均差异程度与和值之间的比值作为初始动态范围的评价值。5.根据权利要求4所述的一种基于红外识别的电动车充电桩火灾风险检测方法，其特征在于，所述根据修正动态范围的评价值判断是否对初始动态范围进行修正...

【专利技术属性】
技术研发人员：黄冲帆，
申请(专利权)人：深圳市银河通信科技有限公司，
类型：发明
国别省市：