[发明专利]基于视频质量评估的火焰识别方法、装置、设备及存储介质

说明书

本发明公开了一种基于视频质量评估的火焰识别方法，包括以下步骤：获取视频的图像；计算所述图像的模糊度和色偏度；从所述图像中分割出疑似火焰区域；根据所述模糊度和色偏度，对照特征准确率参考表筛选出准确率在筛选阈值以上的图像特征作为火焰的判别特征；提取疑似火焰区域的所述判别特征，判断所述判别特征是否为火焰特征，若所述判别特征为火焰特征，则将所述判别特征标记为火焰识别特征；根据所述模糊度和色偏度，对照特征权重参考表确定所述火焰识别特征的权重；将各个火焰识别特征的权重求和，得到综合识别值，根据所述综合识别值的大小判别所述疑似火焰区域是否为火焰区。本发明提高了火焰判别的速度和准确率。

技术领域

本发明涉及消防安全领域，具体为一种基于视频质量评估的火焰识别方法、装置、电子设备及存储介质。

背景技术

目前，市场上的火灾探测器主要分为传统型和图像型两大类。

传统型火灾探测器通过对温度、烟雾等检测，判断是否有火灾发生，使用范围受限制较大，且无法对现场进行直观的观察。

图像型火灾探测器通过视频图像的识别实现对火灾的检测，使用范围较广，可以通过视频观察对实时火情进行较准确的判断。

由于图像型火灾探测器相比传统型火灾探测器所具有的优势，近年来，有关图像型火灾检测的方法的研究日益增多，这些方法的实现一般包括三个关键步骤：步骤一、疑似火焰区域分割：从图像中分割出疑似火焰的区域；步骤二、疑似火焰区域特征提取：提取火焰区域的特征，计算每个疑似区域的特征参数，作为后续火灾判断的依据；步骤三、火焰判别：利用步骤二计算出的特征值，对每个疑似火焰区域进行最终的差别。

现有技术中，对火焰判别可归为以下三种方式：

方式一：多特征简单融合

这种方式主要特点是：各特征之间进行逻辑“与”操作、设定满足条件的特征数量阈值和根据单特征对于识别正确率的影响设定不同的权重来判别是否为火焰。如鹿书恩等对于提取的特征进行逻辑“与”操作，所有特征均满足条件时，才被判别为火焰。邹婷等同样当特征同时符合所有判据时,则可判定为火焰。这种方法易造成漏判。王杰庆利用当满足条件的特征数量达到一定阈值时则判定为火焰。严云洋等根据单特征的识别率，改变各特征的权值，再进行加权运算，当总概率大于一定阈值时，判别为火焰。这种方法忽略了不同环境对火焰特征的影响，且选择的特征不够充分，较难达到较高的准确率。

方式二：人工神经网络

人工神经网络是一种模仿生物神经网络行为特征进行信息处理的数学模型。对于火焰识别，输入为计算出的各特征参数，输出为判别结果。通过调整模型中结点的参数提高识别的准确率。如Mei Zhibin等利用前馈(Back Propagation，BP)利用人工神经网络进行火焰的判别。丁虎等同样利用人工神经网络进行火焰的判别。利用人工神经网络具有较高的容错性,但计算量较大，同时需要大量的训练样本。

方式三：支持向量机

支持向量机(Support Vector Machine，SVM)是一种以统计学为基础的模式识别算法。如Ko等计算火焰的颜色特征和动态特征，利用支持向量机进行判别。韩斌等计算火焰的动态特征，利用支持向量机进行判别。支持向量机在解决小样本、非线性和高维空间模式识别问题时有很大的优势。但是，支持向量机的计算量较大，同时需要大量的训练样本，并且对于核函数的参数设置目前没有明确的理论指导。

发明内容

本发明为了克服上述现有技术中基于视频图像的火灾检测识别所存在的准确率低或者提高准确率却又增大了计算量的缺陷，提供一种基于视频质量评估的火焰识别方法。本发明的火焰识别方法，创造性地将图像质量评估与视频图像的火焰识别相结合，基于视频质量的火焰特征动态筛选及基于视频质量的特征加进行火焰判别，从而提高了火焰判别的速度和准确率，而且能够自适应于多种不同质量的视频。