[发明专利]一种基于目标跟踪和多特征融合的大空间火焰检测方法

说明书

本发明公开了一种基于目标跟踪和多特性融合的大空间火焰检测方法，其涉及计算机视觉领域。该方法利用改进的混合高斯模型的背景差法和颜色分割提取疑似火焰区域；再利用Kalman滤波跟踪对疑似火焰区域中的目标进行跟踪；再提取疑似火焰区域中的目标的形状特征、形态重叠度特征和面积变化率特征，从而建立多特征融合模型获得存在火焰的概率，最后根据概率来检测出是否存在火焰。该算法实现了具有抗干扰性强、鲁棒性、实时性的火焰检测和跟踪。

技术领域

本发明涉及计算机视觉领域，特指一种基于目标跟踪和多特征融合的大空间火焰检测方法。

背景技术

随着人们生活水平的提高，像室外仓库、大型室内仓库、体育馆、剧场和展览馆等大空间建筑越来越多，人们对大空间的消防安全也引起了社会的重视。传统火灾检测器可分为感烟式检测器、感温式检测器和感光式检测器。然而，传统的烟火检测器自身存在对阈值过高的缺陷，使得火灾达到一定规模时才能做出响应发出警报，这不利于对处于初期的火灾火情进行检测和控制。随着科学不断进步，防范火灾变得尤为重要，人们开始着眼于智能视频分析的研究。计算机能全天候实时的运行，不仅节省了人力财力而且可靠性更高。因此基于图像视频分析的火焰检测得到了很快的推广。

基于图像视频分析的火焰检测包括了火焰目标提取和火焰识别。但是，利用传统的混合高斯模型在火焰目标检测过程中，实时性较差，并且火焰中心会出现“空洞”现象，会导致一些火灾区域的漏检。基于视频图像的火焰检测运动火焰的运动、颜色、时频等特征实现火焰识别。其中，仅利用颜色等静态特征的火焰识别方法，容易受到类似与火焰颜色景物干扰，影响了系统的鲁棒性。Phollips等人利用火焰的灰度直方图强度以及相邻帧的时间变化进行火焰识别，同样需要比较好的检测环境(较少的移动的非火焰亮光干扰)，而且其实验数据为自己主观确定的，若输入数据发生变化，则效果会大打折扣。 Yamagishi等人提出了一种基于神经网络的火焰检测方法，算法的计算量比较大。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于目标跟踪和多特征融合的大空间火检测方法，实现了具有抗干扰性强、鲁棒性、实时性的火焰检测和跟踪。

为实现上述目的，本发明技术方案具体如下：

一种基于目标跟踪和多特征融合的大空间火焰检测方法，包括以下步骤：

S1输入视频图像，利用改进的混合高斯模型的背景差法和颜色分割提取疑似火焰区域，得到疑似火焰区域的二值图像；

S2通过运动目标跟踪获得后续帧中与疑似火焰区域中各目标相匹配的疑似火焰目标；

S3提取疑似火焰目标的形状特征、形态重叠度特征和面积变化率特征，并基于特征融合进行火焰检测。

作为本发明的优选技术方案，所述S1具体包括：

S1.1利用改进的混合高斯模型背景差法进行运动区域提取；

S1.2采用OHTA颜色空间进行颜色分割，得到颜色分割结果；

S1.3所述运动前景区域和所述颜色分割结果进行取交集操作，得到疑似火焰区域。

作为本发明的优选技术方案，所述S2具体包括：

S2.1利用基于积木的特征提取方法提取二值图像中目标的外接矩形、重心坐标、周长的特征信息；

S2.2根据所述外接矩形、重心坐标、周长的特征信息，使用卡尔曼滤波跟踪预测下一帧中对应的目标区域，在下一帧中的预测区域进行目标匹配。

作为本发明的优选技术方案，所述S3具体包括：

S3.1火焰形状特征提取；

S3.2火焰目标的形态重叠度特征提取；