[发明专利]一种室内不可控明火监测方法及系统

说明书

本发明公开了一种室内不可控明火监测方法及系统，该方法包括S1：采集待监测现场的视频数据；S2：对获取的视频图像进行预处理；S3：采用改进的CodeBook算法对预处理后的视频图像以像素区域进行前景运动目标检测；S4：根据获得运动前景分割后的区域分别进行基于火焰的颜色模型、基于烟雾的颜色模型识别，分割出疑似火焰区域和疑似烟雾区域；S5：基于权重判别器对分割出的疑似火焰区域和疑似烟雾区域分别进行权重判别，得到火焰区域与烟雾区域的权重之和大于等于阈值时，执行S6，否则返回S1；S6：基于红外通道进行检测；S7：基于图像的二维熵进行火灾烟雾运动状态捕捉，判定是否为不可控明火，并进行相应预警。

技术领域

本发明涉及实验室安全智能视频监控领域与计算机视觉技术领域，尤其涉及一种室内不可控明火监测方法及系统。

背景技术

高校实验室是实施创新人才培养、科学研究和社会服务的重要场所，是体现学校教学科研水平，展示学校现有技术的校办学实力的重要标志。随着我国对高等教育的投入不断加大，高校各类教学科研实验室无论从规模还是质量上都有了大幅提高，同时实验室安全管理工作也面临着更大的挑战和更高的要求。尽管目前我国高校实验室安全管理理念和制度建设越来越完善，但安全事故却仍时有发生。化学类实验室涉及较多高温、高压等极端实验条件和易燃易爆、高致毒化学品，出现的火灾、爆炸、灼伤等恶性事故最多。因此，化学类实验室安全事故仅靠制度约束、日常巡查、准入培训和常规的信息化手段是很难完全做到及时发现并实时处理。

目前实验室视频安全监控系统主要分成两类：1.以视频服务器为代表的传统视频安全监控系统；2.基于机器学习的智能视频安全监控系统。

传统视频安全监控系统以录制为主，事后用来取证；或者传输视频到各个监控点，以便于分析。整个过程基本依靠人工实现，导致大量的摄像视频无人监视，在规定期限无人查询会被自动删除；在连续不间断监控视频过程中，有用数据价值密度极低，导致传统的实验室安全视频监控漏检率高，人工成本高；同时，作为被动监控系统，无法提供预警功能，只能事后补救。

基于机器学习的智能视频监控系统能够以自动化的形式高效处理、分析和存储视频数据内容，将被动监控专为主动监控，大幅度提高监控效率，降低监控成本。目前，智能监控系统被广泛应用于工厂、住宅区、交通路况监测等场合，既可挖掘已发生的目标时间，也可对可能发生的火灾等恶性事件进行预警。然而，基于机器学习的智能视频安全监控所在区域场景多变，环境复杂。目前，应用于化学类实验室智能安全视频监控系统几乎不存在。在已发表文章和专利中，绝大多数智能实验室安全监控系统针对温度、湿度、烟雾、线路老化、实验室空气质量等客观因素进行监测，较少关注对实验室内的重大危险源、重点监测对象和不规范操作等危险因素，难以实现化学类实验室场景的安全防控需求。

针对现有的火灾监测报警系统及方法只能单独检测烟雾或火焰，且采用高斯背景减除法与深度学习模型提取运动目标的传统算法使得目前大多数的火灾检测系统占用较多的计算机CPU和内存，导致检测结果时滞较长，难以实现实时监测；且监测灵敏度与准确率均不高。

发明内容

本发明所要解决的技术问题是针对现有的火灾监测报警系统及方法只能单独检测烟雾或火焰，且采用高斯背景减除法与深度学习模型提取运动目标的传统算法使得目前大多数的火灾检测系统占用较多的计算机CPU和内存，导致检测结果时滞较长，难以实现实时监测，且监测灵敏度与准确率均不高的问题；本发明提供了解决上述问题的一种室内不可控明火监测方法及系统。

本发明通过下述技术方案实现：

一种室内不可控明火监测方法，该方法包括以下步骤：

S1：采集待监测现场的视频数据，获取待监测现场的原始RGB彩色视频帧；

S2：对步骤S1获取的视频图像进行预处理，去除图像的离散点；

S3：采用改进的CodeBook算法对步骤S2预处理后的视频图像以像素区域进行前景运动目标检测；