一种大场景下机场火情识别的方法和装置制造方法及图纸

本发明专利技术提出一种大场景下机场火情识别的方法和装置，所述方法包括：步骤1，多个摄像头对现场进行监视，对摄取的多个视频信号由图像采集卡捕捉为数字图像并输入计算机，拼接成全景火情图像；步骤2，将拼接后的全景火情图像进行预处理后，将运动目标与背景进行分割；步骤3，将经过分割的所述全景火情图像经过分类算法分为烟雾、火光和干扰事物三类图像；步骤4，获取所述三类图像的色彩、面积和移动速度，输入BP神经网络中进行识别得到识别结果。入BP神经网络中进行识别得到识别结果。入BP神经网络中进行识别得到识别结果。

【技术实现步骤摘要】
一种大场景下机场火情识别的方法和装置


[0001]本专利技术属于计算机软件、图像处理
，具体涉及一种大场景下机场火情识别的方法和装置。

技术介绍

[0002]传统的火情报警系统一般由探测器、现场报警单元、联动单元和火情报警控制器组成。报警控制器通过现场的探测器、手动报警按钮、输入模块等采集现场的火警信号发出报警信号，同时报警控制器根据需要，通过控制模块自动或手动发出控制信号进行现场报警、火情显示和现场灭火喷淋等。随着时间的推移，探测器的老化或探头上积累的灰尘会产生很大的干扰，这些干扰有些可以进行近似补偿，但有些干扰具有非线性或不确定性，很难进行补偿，降低了火情探测器的灵敏度，加大了火情识别的难度。
[0003]现在社会经济建设飞跃发展，各种建筑物如雨后春笋迅速建设，尤其是机场的建设，我国航空机场建设发展的方向是：加速民用飞机的更新换代，逐步淘汰老旧飞机，增加大型新型飞机，改造和完善现有国产飞机；新建和扩建机场，逐步使干线、主要旅游点的机场能起降中型以上飞机，将重要城市的机场改造成为技术先进的大型航空港；所有机场加速航管设备现代化；建立完善的通讯、导航和气象系统，广泛运用电子计算机技术，提高地面设施和设备的技术水平等。机场有其特殊性，建筑内部往往举架高、跨度大，一旦发生火情，初期烟扩散受建筑内部安装的空调和通风系统等影响较大，火势蔓延迅速，生成烟气毒性大，人员疏散避难及火情扑救困难，往往容易造成很大的经济损失和恶劣的社会影响。
[0004]机场这类建筑物发生火情的时候往往都没有任何的事前报警，造成的人身伤害和经济损失不计其数，后果惨痛。然而此类大型建筑物相对其他建筑具有跨度大、内部举架高等特点，传统型火情探测器因发生火情时产生的烟雾很难到达房间顶部，或空间大、受热障区域的影响而受到限制，无法及时进行早期火情监测、报警。
[0005]综上所述，火情探测难度的加深是传统型火情探测器所无法解决的，要减轻当今社会经济迅速发展带来的消防压力，减小或遏制人民群众生命财产的无谓损失，采取有效的技术手段及方法显得尤为必要和迫切，一种大场景下机场火情识别技术的研究和应用刻不容缓。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种大场景下机场火情识别的方法，其特征在于，包括：
[0007]步骤1，多个摄像头对现场进行监视，对摄取的多个视频信号由图像采集卡捕捉为数字图像并输入计算机，拼接成全景火情图像；
[0008]步骤2，将拼接后的全景火情图像进行预处理后，将运动目标与背景进行分割；
[0009]步骤3，将经过分割的所述全景火情图像经过分类算法分为烟雾、火光和干扰事物三类图像；
[0010]步骤4，获取所述三类图像的色彩、面积和移动速度，输入BP神经网络中进行识别
得到识别结果。
[0011]特别地，步骤2中，所述预处理包括将全景图像视频流中相邻两帧或相隔几帧图像的相同坐标处像素的灰度值或颜色亮度值进行差分计算；进而若相减两帧图像的差分图像二值化大于阈值T，则认为所述全景图像中存在运动图像，具体通过如下公式实现其中差分图像用D(x,y)表示，相邻两帧或相隔几帧的图像分别为f
k
(x,y)，f
k+1
(x,y)。
[0012]特别地，所述三类图像的分类算法使用SVM算法，通过设置二值分类SVM算法的决策函数。
[0013]特别地，步骤4之前，所述方法还包括构建所述BP神经网络，具体在于：所述BP神经网络包括输入层、隐含层和输出层；所述输入层根据火焰的图像特征构建神经元，设置输入层到隐含层的连接权重M
ml
以及隐含层到输出层的连接权重N
ln
；，以igmoid函数作为输入层、输出层的激活函数；所述隐藏层根据如下公式计算神经元个数，其中，l为隐含层节点数，m为输入层节点数，n为输出层节点数。
[0014]特别地，输入层神经元包括火焰图像如下特征中的一种或多种：圆形度、颜色一阶矩、颜色二阶矩、面积变化、质心水平偏移、质心垂直偏移、纹理特征的平均灰度值、平均对比度、相对平滑度、三阶矩、一致性、平均熵。
[0015]特别地，构建所述BP神经网络后，所述BP神经网络运行前还包括训练学习阶段，在所述训练学习阶段，将数据进行归一化处理后输入输入层的神经元中；其中包括采集不同颜色、面积、形状特征的火焰图像，以及干扰物体的图像。
[0016]特别地，所述BP神经网络训练过程中，不断计算输出层的实际输与期望输出之间的误差；求得输出层和隐含层的学习误差，不断调整输入层到隐含层的连接权重M
ml
以及隐含层到输出层的连接权重N
ln
；直至满足期望误差的取值。
[0017]本专利技术还提出了一种大场景下机场火情识别的装置，包括：
[0018]全景图像拼接模块，多个摄像头对现场进行监视，对摄取的多个视频信号由图像采集卡捕捉为数字图像并输入计算机，拼接成全景火情图像；
[0019]全景图像分割模块，将拼接后的全景火情图像进行预处理后，将运动目标与背景进行分割；
[0020]图像分类模块，将经过分割的所述全景火情图像经过分类算法分为烟雾、火光和干扰事物三类图像；
[0021]图像识别模块，获取所述三类图像的色彩、面积和移动速度，输入BP神经网络中进行识别得到识别结果。
[0022]有益效果：
[0023]1)、采用运行速度快的传统运动目标检测算法，可以快速定位运动区域和类似火情区域；
[0024]2)、通过帧差法可以有效快速准确识别多帧图像间含有运动信息的像素区域；
[0025]3)、采用SVM算法可以快速对运动前景目标进行分类，筛选出大量的非感兴趣区域
(非火情区域)，SVM是一种基于统计学习理论的机器算法，力求在样本有限的条件下寻找最优分类结果，通过火焰在LBP直方图上分布的特点，将其作为特征向量并用SVM进行分类识别，该方法具有检测率较高、误检率低、速度快等特点；
[0026]4)、BP神经网络对感兴趣预取进行二次校验，判断相似度最高的火情区域，并反演出火情的实时位置信息与火情相似度，BP神经网络广泛应用于模式识别与分类，函数逼近，数据压缩等方面。在火焰识别方面BP神经网络也有着很多应用最终达到了良好的识别能力，弥补了传统火灾检测不足的效果；
[0027]5)、BP神经网络对单一工况和动态火焰模型的识别具有理论性强，内存要求低，输出结果清晰明了等特点，是实用化程度最高的模型的；通过BP模型的不断训练和优化实现达到最佳的识别效果；
[0028]6)、BP神经网络对单一工况和动态火焰模型的识别具有理论性强，内存要求低，输出结果清晰明了等特点，是实用化程度最高的模型的；通过BP模型的不断训练和优化实现达到最佳的识别效果。
附图说明
[0029]图1为本专利技术中的大场景下机场火情识别方法的主要流程示意图；
[0030]图2为本专利技术中的图像分割子流程的示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大场景下机场火情识别的方法，其特征在于，包括：步骤1，多个摄像头对现场进行监视，对摄取的多个视频信号由图像采集卡捕捉为数字图像并输入计算机，拼接成全景火情图像；步骤2，将拼接后的全景火情图像进行预处理后，将运动目标与背景进行分割；步骤3，将经过分割的所述全景火情图像经过分类算法分为烟雾、火光和干扰事物三类图像；步骤4，获取所述三类图像的色彩、面积和移动速度，输入BP神经网络中进行识别得到识别结果。2.如权利要求1所述的大场景下机场火情识别的方法，其特征在于，步骤2中，所述预处理包括将全景图像视频流中相邻两帧或相隔几帧图像的相同坐标处像素的灰度值或颜色亮度值进行差分计算；进而若相减两帧图像的差分图像二值化大于阈值T，则认为所述全景图像中存在运动图像，具体通过如下公式实现其中差分图像用D(x,y)表示，相邻两帧或相隔几帧的图像分别为f
k
(x,y)，f
k+1
(x,y)。3.如权利要求1所述的大场景下机场火情识别的方法，其特征在于，所述三类图像的分类算法使用SVM算法，通过设置二值分类SVM算法的决策函数。4.如权利要求1
‑
3任意一项所述的大场景下机场火情识别的方法，其特征在于，步骤4之前，所述方法还包括构建所述BP神经网络，具体在于：所述BP神经网络包括输入层、隐含层和输出层；所述输入层根据火焰的图像特征构建神经元，设置输入层到隐含层的连接权重M
ml
以及隐含层到输出层的连接权重N
ln
；，以igmoid函数作为输入层、输出层的激活函数...

【专利技术属性】
技术研发人员：黄文广，温珂，姚志华，李金朋，刘晓晨，朱俊娜，苏国伟，陆青平，
申请(专利权)人：中国人民解放军九三一一四部队，
类型：发明
国别省市：