專利名稱：一種大范圍火災分析預警系統的制作方法
技術領域：
本發明涉及計算機視覺領域和人工智能領域，特別是智能視頻監控領域，提出了 一種大范圍火災分析預警系統。
背景技術：
近年來，隨著科技的發展，公共安全視頻監控系統是對城市社會治安主動掌握并 打擊的有力手段，如在車站、碼頭、機場、港口、城市交通要道及出入口等地建立公共安全視 頻監控系統，發揮其現代技術防范手段的優勢，對維護社會政治和治安穩定意義重大。在一些對火險等級要求高的應用場合，如倉庫、彈藥庫、林場、景區等地，需要對火 災特征進行分析識別，這些特征包括煙霧、火焰、溫度等，希望能在火災發生的初期，經智能 分析得知火災發生的地點，使人們能夠及時發現火災，并及時采取有效措施，撲滅初期火 災，最大限度的減少因火災造成的生命和財產的損失，因此基于視頻圖像的火災分析監測 技術近年來得到蓬勃發展。隨著監控行業的發展和需求，新技術的不斷應用，市場上出現了云臺攝像機以及 智能化球型攝像機，云臺攝像機是在攝像機外有一個承載攝像機進行水平和垂直兩個方向 轉動的云臺，通過控制云臺運動可以帶動攝像機運動，從而得到更大視野的畫面；智能化球 型攝像機則集攝像機、高速云臺于一體，具有360°旋轉、180°翻轉等功能，并可以設置多 個預置位進行巡航掃描。無疑，在對林場、景區等大面積區域進行火災監控時，云臺攝像機 以及智能化球型攝像機更具有實用性，因為僅用一臺攝像機就可以實現大范圍監測。煙霧和火焰的產生是火災發生的最明顯特征。煙霧是火災發生的前兆，一般來說， 在火焰產生之前，如果物體溫度比較低，產生的煙霧是偏白色的，如果物體溫度非常高，產 生的煙霧是偏黑色的，然后，當物體和氧氣充分作用后產生出明亮且閃爍的火焰，煙霧和火 焰可以用來在攝像機運動過程中初步判斷火災是否發生，進而固定攝像視角，進一步監測 預警。現有的火災預警系統往往只能單一識別火焰特征或者煙霧特征，因此存在火焰預 警不準確、誤報率高的問題。另外，現有的火災預警系統對處理小范圍、靜態場景的火災特 征較為有效，對于大范圍、運動場景的火災特征的識別、預警往往不能奏效。
發明內容
本發明的目的在于解決上述技術問題，提供一種大范圍火災分析預警系統，以解 決在現有技術條件下火災預警系統僅能單一識別火焰特征或煙霧特征、誤報率高，不能實 現對大范圍、運動場景的火災預警工作的問題。為了解決上述技術問題，根據本發明提供的具體實施例，本發明公布了如下技術
方案一種大范圍火災分析預警系統，包括火災特征數據庫，包含煙霧/火焰圖像模型；
視頻采集模塊，用于獲取大范圍內的數字視頻圖像；溫度采集模塊，用于通過熱成像產品獲取溫度信息；視頻質量提升模塊，用于對視頻圖像進行質量提升；火災特征提取模塊，用于對視頻序列進行前景提取、目標匹配、目標分類；火災特征識別模塊，根據用戶設定的參數，進一步將視頻對象與所述火災特征數 據庫進行比對識別；火災管控觸發規則判斷模塊，根據用戶事先設定好的規則，結合視頻特征與溫度 值，判斷規則是否被打破，如果打破了規則發出異常信息；火災實時管控平臺，用于接收視頻分析結果，并根據分析結果發 布管控命令；所述的火災特征提取模塊，用于獲取煙霧、火焰特征，首先通過運動背景中煙霧、 火焰的靜態特征初步確定獲取的圖像中是否有火災發生的跡象；如果有火災跡象，則固定 攝像機視角，進一步通過靜止背景中的煙霧、火焰的動態特征進一步判斷是否發生火災。進一步的，上述的火災特征數據庫進一步包括數據采集子模塊，用于采集不同方向、不同環境、不同發生階段的火災圖片以及沒 有火災發生的正常環境的圖片，作為目標樣本庫；數據標定子模塊，用于對采集得到的樣本圖片進行標定分類，分為火災和非火災 兩類；數據訓練子模塊，用于對采集的樣本圖片進行特征提取，并根據采集并標定好類 別的樣本圖片及圖片的特征進行分類訓練；特征比對子模塊，當輸入新的待測圖片時，首先提取其特征，然后將這些特征輸入 訓練好的分類器，即得出分類結果。進一步的，上述的視頻采集模塊所采用的視頻設備可以是云臺攝像機或智能化球 型攝像機。進一步的，上述的視頻采集模塊進行視頻采集時，其巡航方式可以是多預置位定 點巡航，也可以是勻速巡航。進一步的，上述的視頻質量提升模塊進一步包括噪聲去除子模塊，使用可調阿爾法均值濾波器對視頻序列進行噪聲去除；信號增強子模塊，使用可調冪變換方法對視頻序列進行信號增強。進一步的，上述的火災特征提取模塊，進一步包括前景提取子模塊，用于提取視頻圖像的前景；目標匹配子模塊，用于將每一幀圖像檢測出的火災前景與后一楨檢測出的火災前 景目標進行輪廓相交以及顏色直方圖匹配，得到火災前景目標的運動屬性；目標分類子模塊，用于對煙霧前景和火焰前景的大小進行分類。進一步的，上述的運動背景中煙霧、火焰的靜態特征是指利用煙霧的顏色特征、火 焰的顏色和亮度特征進行判斷；將煙霧分為白煙、灰煙、黑煙，判斷一個像素點(X，y)是否是煙霧的公式如下R(x, y) 士 α = G (χ, y) 士 α = B (χ, y) 士 αWl 彡 I (x，y)彡 Wh 或 Gl 彡 I (x, y)彡 Gh 或 Bl 彡 I (x, y) ( Bh其中，RGB是像素的三個顏色分類，I (x，y)是像素的強度值，α是修正變量，WL和WH對應于白色煙霧強度上下限值，GL和GH對應于青色煙霧強度上下限值，BL和BH對應于黑色煙霧強度上下限值；當影像表現為高亮度時，取RGB三基色的閾值CK，CG, Cb，根據閾值的大小得到火災 可能發生的區域。進一步的，上述的大范圍火災分析預警系統，其特征在于，在初步確定獲取的圖 形中有火災發生的跡象后，利用煙霧、火焰的動態特征多特征結合進一步判斷是否發生火 災；所述的煙霧動態特征，包括煙霧形狀不規則性、面積增長性和邊緣模糊特征等；定義STP為煙霧邊緣長度，SEP為煙霧面積，判斷 STP—>rh其中，Th為設定的閾值，若上式成立，判斷為煙霧目標，否則不是煙霧目標；將獲取的視頻圖像進行小波分解，得到四個子圖像，分別是低頻圖像(LL)、高頻垂 直方向圖像(HL)、高頻水平方向圖像(LH)以及高頻對角方向圖像(HH)，將子圖像HL、LH、 HH分為mXn大小的塊，計為bl、b2、b3........計算每個塊的能量^ = Σ W(X'y)
(x,y)eRiω (χ, y) = | HL (χ, y) |2+1HL (χ, y) |2+1HL (χ, y) |2其中，Ri表示第bi個mXn大小的塊區域，如果某個塊的能量值Ebi減少，則判斷 此區域產生了煙霧；上述的火焰動態特征，利用火焰形狀特性，計算目標形狀的圓形度，設目標的面積 為S，周長為C，圓形度計算公式如下圓形度=(C*C/S)/4*3.14當圓形度大于設定閾值時，則判斷目標為火焰；利用火焰發生邊緣抖動的特性，計算火焰的尖角位置，如果火焰的尖角發生跳動 變化，則判斷目標為火焰。進一步的，上述的火災管控觸發規則判斷模塊用于進行管控觸發規則判斷，根據 用戶事先設定好的規則和景深、靈敏度、最大最小像素、場景類型，結合視頻特征和溫度信 息判斷特定事件是否發生；將視頻特征和溫度特征相互配合，有效進行檢測，其中以視頻特征為主，溫度特征 為輔；當檢測到溫度有異常則自動將視頻檢測靈敏度調高；當視頻中出現煙霧或火焰等火災目標，伴隨紅外圖像相應位置有發熱物體，則認 為發生著火現象。進一步的，上述的火災實時管控平臺接收視頻分析結果，根據分析結果發布各種 管控命令；同時，管控平臺負責輸出視頻采集命令、為終端智能分析配置系統參數和規則參 數、對視頻數據進行瀏覽、存儲、檢索等工作。本發明與現有技術相比具有如下優點1、實現開闊區域的巡航監控。為更好地滿足火災監控應用，本發明利用云臺攝像機或智能化球型攝像機通過巡航模式，獲取大范圍內的數字視頻圖像，首先利用煙霧、火焰 的靜態特征即顏色特征初步確定獲取的圖像中是否有火災發生的跡象，如果有火災跡象， 則固定攝像機視角，進一步利用煙霧、火焰的動態特征(如不規則性、擴散性、火焰閃爍性、 煙霧邊緣模糊性等)排除干擾，增強算法魯棒性；如果沒有火災跡象則繼續執行巡航指令。 實現了開闊區域的巡航監控。2、加入了溫度的輔助作用。利用紅外輻射信號成像是一種檢測火災發生的手段， 利用紅外熱成像儀可以在火災發生初期發現隱患，把火災消滅在最初源頭，但是由于在實 際建筑、環境中，存在大量的熱輻射源，因此單純依靠紅外輻射，容易造成誤報。本發明通過 熱成像產品采集得到溫度值以及高溫地點、范圍，輔助檢測火災是否發生，使系統的精確度 有了很大的提高。3、建立了煙霧/火焰模型特征庫。火災特征由于其復雜性，一般較難將煙霧、火焰 作為目標進行提取。本發明在算法底層內建有煙霧模型特征庫，通過煙霧模型特征庫來進 一步檢測識別火災特征，預警火災的發生，提高了視頻分析能力及準確性，達到更準確的分 析效果，增強產品在現實復雜環境中的可用性。4、質量提升以改善信息質量。本發明在對視頻信號進行分析處理前，首先對信號 進行去噪、增強等前期處理以提高信號的價值，為后期分析處理做好準備。信號在獲取(數 字化)和傳輸過程中會不可避免的產生噪聲(在獲取過程中主要受環境條件和傳感元器件 自身質量影響而產生噪聲，在傳輸過程中主要由于所用的傳輸信道的干擾受到噪聲污染)， 去噪的過程就是對信號復原的過程。而信號增強的目的是為了顯現被模糊了的細節，尤其 對于較差、光線昏暗或過于強烈的信號，突出信號中感興趣的特征。信號去噪和信號增加的 最終目的都是為了改善信號，這對大范圍火災分析預警系統的有效運轉做出了貢獻。5、結合煙霧和火焰，判斷火災是否發生。煙霧是火災發生的前兆，在火焰產生之 前，如果物體溫度比較低，產生的煙霧是偏白色的，如果物體溫度非常高，產生的煙霧是偏 黑色的，而后，當物體和氧氣充分作用后產生出明亮且閃爍的火焰。因此煙霧和火焰都是火 災發生的重要信號。6、本發明可以以純軟件或軟硬件結合兩種方式實現，在軟硬件結合工作方式時， 提供嵌入式火災分析預警服務器，安裝簡單，用DSP運算替代計算機運算保證監控系統穩
定可靠。
圖1系統邏輯結構2視頻采集模塊圖3視頻質量提升模塊圖4特征提取模塊
具體實施例方式為將智能視頻監控技術有效地應用到火災預警領域，特別是在空曠無人大范圍區 域內實現巡航監控，及時發現火災并采取有效措施，本發明在有效提取火災特征、建立煙火 模型庫的基礎上，提出了一種有效的大范圍火災分析預警系統。
大范圍火災分析預警系統可以有兩種實現方式純軟件實現和軟硬件結合實現。軟硬件結合實現大范圍火災分析預警系統時，軟件部分為客戶端管控平臺，硬件部分為嵌入式視頻智能分析管控服務器。嵌入式視頻智能分析服務器采用嵌入式硬件平臺開發、DSP算法移植與優化、網絡 編解碼等先進技術，內嵌智能視頻分析算法包括視頻的采集、視頻特征提取、溫度采集、特 征識別、規則判斷等算法。平臺管控軟件安裝在客戶端電腦，包含以下幾個模塊為終端智能分析配置系統 參數和規則參數、根據分析結果發布管控命令、輸出視頻采集命令以及處理視頻數據。純軟件實現大范圍火災分析預警系統時，嵌入式視頻智能分析管控服務器的工作 全部交由平臺管控軟件來處理，即平臺管控軟件不僅要負責視頻的采集、視頻特征提取、溫 度采集、特征識別、規則判斷等算法，同時也要為終端智能分析配置系統參數和規則參數、 根據分析結果發布管控命令、輸出視頻采集命令以及處理視頻數據。大范圍火災分析預警系統有三種工作模式1.后端分析大范圍火災分析預警系統在視頻信息上顯示屏之前對其做智能分 析管控。對前端傳送來的視頻信息進行編解碼、智能分析等處理，并根據分析結果發布管控 命令。為有效減少帶寬壓力，系統可以采取分布式智能分析方式與前端分析方式。2.前端分析大范圍火災分析預警系統在視頻信號采集設備之后對其做智能分 析管控。在前端對視頻信息進行編解碼、智能分析等處理，將分析結果發送到后端，后端根 據分析結果發布管控命令。3.分布式分析即嵌入式火災分析預警系統在視頻信號采集設備之后進行視頻 采集和特征提取工作，并將特征流發送到后端，后端接收前端的數據流后進一步進行識別， 完成分析工作，并根據分析結果發布管控命令。大范圍火災分析預警系統邏輯上主要經過視頻采集、火災特征提取、溫度采集、特 征識別、規則判斷、實時管控、火災特征數據庫幾個部分。如圖1所示，工作原理如下視頻采集模塊用于獲取數字視頻序列。其中原始輸入視頻信號可以是來自攝像 機、錄像或其他設備任意分辨率的模擬視頻信號或通過網絡傳輸而來的編碼視頻流。根據 來源不同，視頻采集過程分為A/D或解碼、格式轉換兩個部分，如圖2所示。在對視頻信號進行采集處理時，前置A/D轉換和解碼器，如果輸入是模擬信號，首 先要經A/D轉換為數字信號，如果輸入是經mpeg4/h. 264/h. 263/AVS編碼的碼流，首先要經 解碼器解碼；經解碼或A/D轉換后的數字視頻信號，按不同的分析需求，轉換為QCIF/CIF/ Dl大小的YUV4:2:2/RGB數字圖像序列待用。溫度采集模塊通過紅外熱成像產品獲取溫度值。利用紅外線獲得圖像信息的儀器 主要有使用紅外線膠片的照相機，具有紅外攝影功能的數碼相機、熱像儀等。在成像圖像 中，可以得到溫度的分布狀況，并與視頻圖像做對比，得到高溫地點以及范圍。視頻質量提升模塊，用于對視頻圖像進行質量提升。為便于后續分析工作，在特征 提取前可以對視頻序列做質量提升的工作。質量提升技術包括對視頻序列進行去噪、圖像 增強等圖像處理技術。如圖3所示。信號的獲取(數字化)和傳輸過程會不可避免的產生噪聲。如在獲取過程中主要受環境條件和傳感元器件自身質量影響而產生噪聲，在傳輸過程中主要由于所用的傳輸信 道的干擾受到噪聲污染。噪聲去除的過程就是對信號復原的過程。而信號增強的目的是為了顯現被模糊了的細節，尤其對于較差、光線昏暗或過于 強烈的信號，突出信號中感興趣的特征。信號噪聲去除和信號增加的最終目的都是為了改善信號，這對整個大范圍火災分 析預警系統的有效運轉做出了貢獻。視頻質量提升模塊，進一步包括噪聲去除子模塊，使用可調阿爾法均值濾波器對視頻序列進行噪聲去除；信號增強子模塊，使用可調冪變換方法對視頻序列進行信號增強。a.可調阿爾法均值濾波器去噪<formula>formula see original document page 10</formula>，其中 0 ≤ d ≤(n-1)可調對于視頻信號，P表示在點(X，y)處去除噪聲后的像素點灰度值，N表示中心點在 ^，力，大小為！！！父！！的矩形子圖像窗口工⑴表示在子窗口內像素點的灰度值；上述公式的 意義為在N領域內去掉灰度值G(i)最高的d/2個像素和最低的d/2個像素。用Gr(i)來 代表剩余的mn-d個像素，由這些剩余像素點的平均值作為(x，y)點的去噪后灰度值。當d = 0時，阿爾法均值濾波器退變為算術均值濾波器，對抑制高斯和均勻隨機分 布的噪聲有很好的效果；當d = mn-l時，阿爾法均值濾波器退變為中值濾波器，對抑制椒鹽 噪聲有很好的效果。d取其他值時，修正后的阿爾法均值濾波器在包括多種噪聲的情況下非 常適用，例如高斯噪聲和椒鹽噪聲混合的情況。b.可調冪變換增強信號冪變換的基本形式為S = cRY，其中c和Y為正常數R為原始信號，S為增強后信號，調整Y參數會得到增強后信號。以圖像為例，偏 暗圖像(如夜晚)在Y > 1時會得到對比度的提升，偏白圖像(如霧天)在Y <1時會 得到對比度的提升。火災特征提取模塊，如圖4所示，進一步包括前景提取子模塊，用于提取視頻圖像的前景；目標匹配子模塊，用于將每一幀圖像檢測出的火災前景與后一楨檢測出的火災前 景目標進行輪廓相交匹配，得到火災前景目標的運動屬性；目標分類子模塊，用于對煙霧前景和火焰前景的大小進行分類。提取火災前景目標，在火災發生前期常常是大量煙霧的出現，進而才是火焰的出 現，因此大范圍火災分析預警系統將煙霧、火焰等作為火災目標，根據它們不同的特征，從 視頻中將它們提取出來。首先利用煙霧、火焰的靜態特征即顏色特征初步確定獲取的圖像中是否有火災發 生的跡象，如果有火災跡象，則固定攝像機視角，進一步利用煙霧、火焰的動態特征(如不 規則性、擴散性、火焰閃爍性、煙霧邊緣模糊性等)排除干擾，增強算法魯棒性；如果沒有火 災跡象則繼續執行巡航指令。a通過運動背景中的靜態特征初步判斷是否有火災跡象，這主要指煙霧和火焰的 顏色特征。
對于煙霧，由于燃燒物不同、氧氣供應的不同、溫度的不同有白煙、青煙、黑煙之 分，一般來說，在火焰產生之前，如果物體溫度比較低，產生的煙霧多是偏白色的，如果物體 溫度非常高，產生的煙霧是偏黑色的，針對煙霧的這種顏色特征，得出判斷一個像素點(X， y)是否是煙霧的公式如下
<formula>formula see original document page 11</formula>其中，RGB是像素的三個顏色分類，I (x，y)是像素的強度值，α是修正變量，WL和 WH對應于白色煙霧強度上下限值，GL和GH對應于青色煙霧強度上下限值，BL和BH對應于 黑色煙霧強度上下限值。強度上下限值通過實驗得到，如對于大多數偏灰的煙霧，又可分為 偏白的淺灰和偏黑的深灰，實驗表明淺灰色煙霧的強度值在80-150之間，深灰色煙霧的強 度值在150-220之間，α的值一般選15_20。對于火焰，是物體在燃燒過程中產生的，而一般物體以常溫反射為主，很難達到火 焰的亮度，因此，在連續影像中長時間的表現為高亮度時，是火災存在的最直接特征，根據 特定的環境，取RGB三基色的閥值Cr，Cg, Cb，根據閥值的大小得到火災可能發生的區域。b通過靜止背景中的動態特征再次判斷是否發生火災，這包括煙霧的不規則性，擴 散，煙霧的出現會弱化原有圖像的邊緣等，火焰具有邊緣閃爍、具有多個尖角且尖角位置變 化、形狀不規則等；煙霧具有形狀不規則性以及面積增長性，定義STP為煙霧邊緣長度，SEP為煙霧面 積，判斷
Γ π STP , 0112 — > Th SEP其中，Th為設定的閾值。若上式成立，判斷為煙霧目標，否則不是煙霧目標。隨著煙霧的擴散，原有圖像中的邊緣和紋理漸漸變的模糊，而在一幅圖像中，邊緣 和紋理信息對應于頻域中的高頻信息，二維小波變換可以將圖像分為不同頻帶，因此也就 是說，隨著煙霧的擴散，小波變換之后的高頻帶能量會出現下降的趨勢。原圖形經過小波分 解后得到四個子圖像，分別是低頻圖像(LL)、高頻垂直方向圖像(HL)、高頻水平方向圖像 (LH)以及高頻對角方向圖像(HH)，將子圖像HL、1^、冊分為!1^11大小的塊，計為131、匕2、 b3.......，計算每個塊的能量
<formula>formula see original document page 11</formula>其中，Ri表示第bi個mXn大小的塊區域，如果某個塊的能量值Ebi減少，說明場 景中此位置可能產生了煙霧。火焰邊緣的抖動是火焰的另一特性，而其它高溫物體、燈光和穩定火焰的邊緣比 較穩定。火焰的邊緣變化同其它的高溫物體和燈光及穩定火焰的邊緣變化也有一定的區 另IJ，可以利用火焰邊緣的變化來進行進一步判別。火焰具有尖角，尖角數量較多且隨火焰抖動位置會發生跳動變化，這也是判斷識 別火焰目標的一個根據。針對火焰的形狀不規則性，可以用圓形度來衡量，形狀越不規則，圓形度越大，設目標的面積為S，周長為C，圓形度計算公式如下圓形度=(C*C/S)/4*3.14目標匹配適用于同一場景有多個火源的情況，目標匹配指每一幀圖像所檢測出的 火災前景(煙霧目標和火焰目標)，與后一幀檢測出的火災前景目標進行輪廓相交匹配，得 到火災前景目標的運動屬性，如運動方向、所在位置等
根據目標屬性，對目標進行分類，如按煙霧前景和火焰前景的大小分為不同等級 (8/25/50/100/500/1000/10000/10 萬像素點)。火災特征識別模塊根據用戶設定的參數，進一步與內嵌的煙霧/火焰圖像模型庫 進行比對，減少誤報及漏報，提高視頻分析及報警效率，達到更準確的分析效果，增強產品 的可用性。火災管控觸發規判斷模塊進行管控觸發規則判斷。根據用戶事先設定好的景深、 靈敏度、最大最小像素、場景類型，結合視頻特征和溫度信息判斷特定事件是否發生。視頻特征和溫度特征相互配合，有效地進行檢測，其中以視頻特征為主，溫度特征 為輔在檢測到溫度有異常則自動將視頻監測靈敏度調高；當視頻中出現煙霧或火焰等火災目標，伴隨紅外圖像相應位置有發熱物體，則認 為發生著火現象。火災實時管控平臺接收到視頻分析結果，根據分析結果發布各種管控命令。同時， 管控平臺負責輸出視頻采集命令、為終端智能分析配置系統參數和規則參數、對視頻數據 進行瀏覽、存儲、檢索等工作。具體如選擇多種顯示方式(多種畫面分割顯示/全屏顯示) 遠程瀏覽多路實時監控視頻圖像、多路視頻選擇、設備查詢、云鏡控制(PTZ控制/預置位設 置/巡航設定等)、實時顯示報警信息、播放報警視頻/停止報警視頻、查看報警截圖、按條 件(設備/時間/事件/狀態等)查詢報警信息、錄像(實時錄像/報警聯動錄像/手動 錄像/周期錄像/定時錄像)、錄像檢索、播放錄像、錄像導出、電子地圖、查詢操作日志。實時管控平臺的功能包括1)根據分析結果發布各種管控命令如云鏡控制(PTZ控制/預置位設置/巡航設定等)、實時顯示報警信息、設備查 詢、遠程喊話、電子地圖、查詢操作日志等2)輸出視頻采集命令，并為終端智能分析配置系統參數和規則參數如多路視頻選擇、視頻開始、視頻關閉、為終端智能分析配置系統參數和規則參數等。3)視頻數據處理如選擇多種顯示方式(多種畫面分割顯示/全屏顯示)遠程瀏覽多路實時監控 視頻圖像、播放報警視頻/停止報警視頻、查看報警截圖、按條件(設備/時間/事件/狀態 等)查詢報警信息、錄像(實時錄像/報警聯動錄像/手動錄像/周期錄像/定時錄像)、 錄像檢索、播放錄像、錄像導出。本發明一種大范圍火災分析預警系統進一步包括火災特征數據庫。火災特征數據庫進一步包括數據采集子模塊，用于采集不同方向、不同環境、不同發生階段的火災圖片以及沒有火災發生的正常環境的圖片，作為目標樣本庫；數據標定子模塊，用于對采集得到的樣本圖片進行標定分類，分為火災和非火災 兩類；數據訓練子模塊，用于對采集的樣本圖片進行特征提取，并根據采集并標定好類 別的樣本圖片及圖片的特征進行分類訓練；特征比對子模塊，當輸入新的待測圖片時，首先提取其特征，然后將這些特征輸入 訓練好的分類器，即得出分類結果。數據采集子模塊用于盡可能多地采集不同方向、不同環境的火災圖片、火災發生 不同階段的圖片以及正常環境沒有火災發生的圖片作為目標樣本庫數據訓練子模塊用于對采集的樣本圖片進行特征提取，并根據采集并標定好類別 的樣本圖片及圖片的特征進行分類訓練。SIFT特征是現在廣泛使用的一種圖像的局部特征。首先檢測樣本圖像中一些顯著 區域，然后計算特征區域附近的梯度信息的統計直方圖，用這個128維直方圖的值來表示 當前這個點的一個特征。對一副普通大小的圖片，通常有幾百到幾千個SIFT特征來描述。 另外，對每個特征來說，除了 128維的特征值，還包括了特征點的位置，尺度，方向等參數。SVM(support vector machine)是一種常用的分類器，已知采集并標定好類別的 樣本圖片以及這些圖片的特征，SVM分類系統的目標是利用標定好的類別，訓練出合理的分 類器，當今后遇到類似的情況，可以直接分辨出是哪個類別。對分類系統來說，輸入是圖片 的特征，而輸出則是這個圖片的類別。Adaboost是一種迭代算法，核心思想是針對同一個訓練集訓練不同的分類器(弱 分類器)，然后把這些弱分類器集合起來，構成一個更強的最終分類器(強分類器)。特征比對子模塊用于當輸入新的待測圖片時，首先提取其SIFT特征，然后將這些 特征輸入已經訓練好的分類器，最終得到結果，即圖片中是否發生了火災。
權利要求
一種大范圍火災分析預警系統，其特征在于，包括火災特征數據庫，包含煙霧/火焰圖像模型；視頻采集模塊，用于獲取大范圍內的數字視頻圖像；溫度采集模塊，用于通過熱成像產品獲取溫度信息；視頻質量提升模塊，用于對視頻圖像進行質量提升；火災特征提取模塊，用于對視頻序列進行前景提取、目標匹配、目標分類；火災特征識別模塊，根據用戶設定的參數，進一步將視頻對象與所述火災特征數據庫進行比對識別；火災管控觸發規則判斷模塊，根據用戶事先設定好的規則，結合視頻特征與溫度值，判斷規則是否被打破，如果打破了規則發出異常信息；火災實時管控平臺，用于接收視頻分析結果，并根據分析結果發布管控命令；所述的火災特征提取模塊，用于獲取煙霧、火焰特征，首先通過運動背景中煙霧、火焰的靜態特征初步確定獲取的圖像中是否有火災發生的跡象；如果有火災跡象，則固定攝像機視角，進一步通過靜止背景中的煙霧、火焰的動態特征判斷是否發生火災。
2.如權利要求1所述的大范圍火災分析預警系統，其特征在于，所述的火災特征數據 庫進一步包括數據采集子模塊，用于采集不同方向、不同環境、不同發生階段的火災圖片以及沒有火 災發生的正常環境的圖片，作為目標樣本庫；數據標定子模塊，用于對采集得到的樣本圖片進行標定分類，分為火災和非火災兩類；數據訓練子模塊，用于對采集的樣本圖片進行特征提取，并根據采集并標定好類別的 樣本圖片及圖片的特征進行分類訓練；特征比對子模塊，當輸入新的待測圖片時，首先提取其特征，然后將這些特征輸入訓練 好的分類器，即得出分類結果。
3.根據權利要求1所述的大范圍火災分析預警系統，其特征在于，所述的視頻采集模 塊所采用的視頻設備可以是云臺攝像機或智能化球型攝像機。
4.根據權利要求1或3所述的大范圍火災分析預警系統，所述的視頻采集模塊進行視 頻采集時，其巡航方式可以是多預置位定點巡航，也可以是勻速巡航。
5.根據權利要求1所述的大范圍火災分析預警系統，其特征在于，所述的視頻質量提 升模塊進一步包括噪聲去除子模塊，使用可調阿爾法均值濾波器對視頻序列進行噪聲去除； 信號增強子模塊，使用可調冪變換方法對視頻序列進行信號增強。
6.根據權利要求1所述的大范圍火災分析預警系統，其特征在于，所述的火災特征提 取模塊，進一步包括前景提取子模塊，用于提取視頻圖像的前景；目標匹配子模塊，用于將每一幀圖像檢測出的火災前景與后一楨檢測出的火災前景目 標進行輪廓相交以及顏色直方圖匹配，得到火災前景目標的運動屬性； 目標分類子模塊，用于對煙霧前景和火焰前景的大小進行分類。
7.根據權利要求1所述的大范圍火災分析預警系統，其特征在于，所述的運動背景中煙霧、火焰的靜態特征是指利用煙霧的顏色特征、火焰的顏色和亮度特征進行判斷； 將煙霧分為白煙、灰煙、黑煙，判斷一個像素點(x，y)是否是煙霧的公式如下 R(x, y) 士 a = G(x，y) 士 a = B(x，y) 士 a ffL ^ I (x, y)彡 WH 或 GL 彡 I (x，y)彡 GH 或 BL 彡 I (x, y) ( BH其中，RGB是像素的三個顏色分類，I(x, y)是像素的強度值，a是修正變量，WL和WH 對應于白色煙霧強度上下限值，GL和GH對應于青色煙霧強度上下限值，BL和BH對應于黑 色煙霧強度上下限值；當影像表現為高亮度時，取RGB三基色的閾值CK，CG, CB，根據閾值的大小得到火災可能 發生的區域。
8.根據權利要求1所述的大范圍火災分析預警系統，其特征在于，在初步確定獲取的 圖形中有火災發生的跡象后，利用煙霧、火焰的動態特征多特征結合進一步判斷是否發生 火災；所述的煙霧動態特征，包括煙霧形狀不規則性、面積增長性和邊緣模糊特征等；定義STP為煙霧邊緣長度，SEP為煙霧面積，判斷<formula>formula see original document page 3</formula>其中，Th為設定的閾值，若上式成立，判斷為煙霧目標，否則不是煙霧目標； 將獲取的視頻圖像進行小波分解，得到四個子圖像，分別是低頻圖像(LL)、高頻垂直方 向圖像(HL)、高頻水平方向圖像(LH)以及高頻對角方向圖像(麗)，將子圖像1、1^、冊分 為mXn大小的塊，計為bl、b2、b3.......，計算每個塊的能量<formula>formula see original document page 3</formula>其中，Ri表示第bi個mXn大小的塊區域，如果某個塊的能量值Ebi減少，則判斷此區 域產生了煙霧；所述的火焰動態特征，利用火焰形狀特性，計算目標形狀的圓形度，設目標的面積為S， 周長為C，圓形度計算公式如下 圓形度=(C*C/S)/4*3. 14 當圓形度大于設定閾值時，則判斷目標為火焰；利用火焰發生邊緣抖動的特性，計算火焰的尖角位置，如果火焰的尖角發生跳動變化， 則判斷目標為火焰。
9.根據權利要求1所述的大范圍火災分析預警系統，其特征在于，所述的火災管控觸 發規則判斷模塊用于進行管控觸發規則判斷，根據用戶事先設定好的規則和景深、靈敏度、 最大最小像素、場景類型，結合視頻特征和溫度信息判斷特定事件是否發生；將視頻特征和溫度特征相互配合，有效進行檢測，其中以視頻特征為主，溫度特征為輔；當檢測到溫度有異常則自動將視頻檢測靈敏度調高；當視頻中出現煙霧或火焰等火災目標，伴隨紅外圖像相應位置有發熱物體，則認為發 生著火現象。
10.根據權利要求1所述的大范圍火災分析預警系統，其特征在于，所述的火災實時管 控平臺接收視頻分析結果，根據分析結果發布各種管控命令；同時，管控平臺負責輸出視頻 采集命令、為終端智能分析配置系統參數和規則參數、對視頻數據進行瀏覽、存儲、檢索等工作。
全文摘要
本發明提出了一種大范圍火災分析預警系統。所述系統包括火災特征數據庫，包含煙霧/火焰圖像模型；視頻采集模塊，用于獲取大范圍內的數字視頻圖像；溫度采集模塊，用于通過熱成像產品獲取溫度信息；視頻質量提升模塊，用于對視頻圖像進行質量提升；火災特征提取模塊，用于對視頻序列進行前景提取、目標匹配、目標分類；火災特征識別模塊，根據用戶設定的參數，將視頻對象與所述火災特征數據庫進行比對識別；火災管控觸發規則判斷模塊，根據用戶事先設定好的規則，結合視頻特征與溫度值，判斷規則是否被打破，如果打破了規則發出異常信息；火災實時管控平臺，用于接收視頻分析結果，并根據分析結果發布管控命令。
文檔編號G06K9/00GK101833838SQ20101018425
公開日2010年9月15日 申請日期2010年5月27日 優先權日2010年5月27日
發明者王巍 申請人:王巍