摘要传统火焰检测技术，主要是根据火焰产生烟雾的浓度、相对湿度和温度。但这些感烟、感温探测系统不适用于较大的空间范围。而近年来摄像头又被广泛的应用，因此充分利用摄像监控，基于视频图像的火焰检测技术有广泛的应用前景。本文对基于视频图像的火焰检测技术展开了深入研究。本文首先对基于颜色特征的火焰检测技术展开研究，分析了RGB 模型和 YCbCr 模型中火焰图像的红色分量和亮度分量特点。接着论文对火焰变化特征展开分析，最后设计了综合的火焰检测方法：首先分析视频图像颜色特征，当颜色特征为可疑的火焰时，继续分析火焰的动态变化特征，通过帧差运算获得运动像素，并分析运动像素变化特征，当像素变化面积符合与火焰特征相符时，则判断有火焰产生。论文编写了从读取视频信号、分帧、图像预处理、颜色特征判断、帧间差分、像素变化特征判断程序。完成了火焰视频检测和定位。27409
毕业论文关键词 火焰检测 视频 Opencv 帧间差分法
Title Fire Detection Technology Research Based on Video Image
Abstract The traditional fire detection technology is mainly according to the concentrationof the fire smoke, relative humidity and temperature.But the smoke and heatdetection system is not suitable for larger space.Thus the camera is widely usedin recent years, making full use of the camera monitoring, fire detection basedon video image technology has broad application prospects.In this paper, the flame detection based on video image technology is furtherresearched. This paper researches on the flame detection technology based on colorfeature, analyzes the flame image in RGB model and YCbCr model of red componentsand brightness characteristics.Then the paper analyzes characteristics of flame,finally, design the flame detection: first, analyzing the characteristic of thecolor of video images .When the color features is suspicious of the flame,continuing to analyze the dynamic variation of the flame through sport pixel framedifferential operation, analyzing the pixel and the variation characteristics,when change pixel area meet consistent with flame characteristics, the judge hasburst into flames. Thesis writing program from reading the video signal, framing,image preprocessing, color features, inter-frame difference and characteristicsof changing pixels.Completing to detect and locate the flame.Keywords The Flame Detection , Video , Opencv , Inter-frame Difference Method
目录
1绪论1
1.1课题研究背景1
1.2早期火焰检测技术1
1.3基于视频的火焰检测技术1
1.3.1视频火焰检测技术现状1
1.3.2视频火焰检测技术方法综述2
1.3.3视频火焰检测技术优势3
1.4本文的主要研究内容及章节安排3
2图像预处理技术4
2.1OpenCV简介.4
2.2颜色模型4
2.2.1RGB颜色模型.4
2.2.2YCbCr颜色模型.5
2.2.3RGB颜色模型与YCbCr颜色模型的转化.6
2.3图像的灰度化6
2.4二值化处理8
2.5图像的增强9
3基于颜色特征的火焰检测12
3.1RGB颜色模型中的火焰像素识别.12
3.2YCbCr颜色模型中的火焰像素识别.13
4动态目标火焰检测方法15
4.1火焰的动态特性15
4.2传统动态目标检测15
4.2.1背景减除法15
4.2.2帧间差分法16
4.3方法改进17
5基于视频的火焰检测方法设计与实现18
5.1开发技术及工具选择18
5.2火焰检测流程18
5.3实验与分析19
结论24
致谢26
参考文献27
1 绪论1.1 课题研究背景火灾是我们生活中主要的灾害之一，它常常直接威胁人们的生命、财产安全。2014 年 2月 13 日据公安部消防局公布，2014 年全国共发生火灾 39.5 万起，死亡人数高达约 2 千人，受伤人数约1500，直接财产损失高达 43.9 亿元。因此，能够提前检测到火焰并对其进行有效控制至关重要。相关的研究人员对火焰进行不断的研究，包括它的颜色特征、形状特征、火焰频率、动态特征等等，同时对火灾发生规律进行分析和总结以将火灾发生频率降到最低，减少火灾对人类的危害。国内目前主要是利用基于传感器的火灾自动报警系统，而传感器又是依靠火焰的烟雾、温度等特征，这些都只适合于有限的空间内而不适用于如森林火灾等大空间范围内的火焰检测。针对这一问题，同时考虑到近年来摄像监控设备的广泛应用，人们提出了基于视频的火焰检测技术。这一技术充分利用了监控设备的优势——覆盖范围广，监测面大、节省人力物力等。本文对基于视频的火焰探测技术展开研究。1.2 早期火焰检测技术由于火灾的突发性给人带来了巨大的威胁和损失， 人们在早期采取了很多火灾检测方法。早在 1847 年，由美国一位牙科医生和一位大学教授研发出了一套可应用于火灾预报的设备，并以此拉开了人类研发火灾预警系统的序幕[1]。到了 1890 年，英国的研究人员成功研制出了世界上第一个感温式火灾监测装置，它能够有效的检测到由于火灾而产生的热量并自动发出报警信号，这也标志着火灾自动检测技术的正式诞生[2]。随着技术的不断发展，由于探测火灾时的参数不同，探测器可分为感烟、感温、感光、气体以及复合式探测几种。但这些方法受到空间距离、传感器灵敏度及稳定性、环境因素等影响，常常会出现误判的情况。比如感烟火灾检测方法，它的局限在于（1）天然气、酒精等很多物质发生火灾时并不产生烟雾； （2）检测距离有限，并且要等到烟雾到一定浓度时才能检测得到，适用于封闭空间；（3）当检测环境处于高浓度粉尘时容易造成误判。为解决上述问题，研究员们提出了基于图像处理技术的火灾检测方法。其过程是把疑似火焰区域从图像中分割出来，分析火焰的各类特征并根据这些特征对疑似火焰区域进行匹配以识别真正火焰[3]。1.3 基于视频的火焰检测技术1.3.1 视频火焰检测技术现状与传统的火焰检测相比，具有很多优势的视频火焰检测技术受到广泛关注，并且吸引了大批的国内外学者对此进行研究。其研究内容主要是火焰各个特征，包括火焰的运动特征、颜色特征、火焰的闪烁频率、面积变化率以及尖角等等。火焰显著的特征还包括色彩分布、特定范围的闪烁频率、不规则特征等。早期关于视频火焰检测的研究主要通过分析和识别火焰的视频图像来实现。Healey 等人实现了一套基于彩色视频图像的火焰检测系统[4]；Phillips 等人提出了一种将火焰色彩特征与运动特征相结合的检测算法[5]；Chen等人分析了火焰视频图像在HSI 色彩空间中的特征，并提出了一套基于色调(hue)和饱和度(saturation)的视频火焰检测算法[6]；Wang 等人提出了一种利用模糊C 均值聚类法对火焰的色彩分布进行统计建立映射表的方法[7]。然而上述的检测方法都存在着各自的缺陷。中国科技大学火灾科学国家重点实验室的袁非牛等在基于机器视觉原理的早期火灾探测技术方面进行了大量的研究,一种是通过研究火焰的色彩、纹理以及轮廓等特征后提出一种基于度量轮廓信息的火焰检测算法[9]；另一种提出了一种基于视频监控的自动火灾探测和灭火集成系统[10]。浙江大学的周小林提出了一种基于火焰轮廓的视频早期火焰检测方法[11]；东华大学的王本西提出了运用双波段的理论来进行视频图像的采集[13]；清华大学公共安全研究中心副主任袁宏永主要涉及公共安全的监测监控、预测预警、应急管理的理论与技术及其综合集成和火灾探测与控制工程等[14]；昆明理工大学信息工程与自动化学院的刘辉、高爱莲等人也在基于视频的火焰检测技术研究中做了大量的研究[15]；王振华提出的方法则主要借助 HIS颜色模型来分割和识别火焰区域[17]；严云洋等描述了火焰图像的特征，利用火焰面积、颜色和可识别特征等有效信息，来检测火焰的图像[18]。1.3.2 视频火焰检测技术方法综述基于视频的火焰检测主要是基于火焰的特征， 其中火焰的特征包括静态特征和动态特征。静态特征又包括火焰的颜色、形状、亮度和色彩分布特征等；动态特征包括火焰的面积、火焰的边缘、形状的变化以及整体移动等。文献[19]是针对火焰颜色这一特征来研究火焰检测的方法，文献[20]是基于火焰的运动特征来分析火焰检测。文献[21]则是将火焰的多个特征融合进而提高精度。基于颜色特征的火焰识别， 人们常常是在某种颜色模式下提取设定的阈值范围内的像素，然后对目标建立静态识别特征。在颜色检测中主要采用有 RGB、HSI 、YCbCr等方法。通过人工地从视频或图像中排除不具有火焰颜色信息的运动目标，提取出火焰区域，对具有火焰颜色的样本进行采样并将它们变换映射到三文的RGB 颜色空间中[19]。也可以将 RGB模型转换为 YUV 模型，再根据火焰的颜色模型规则进行判断。帧间差分法。火焰的颜色等特征都是由单帧图像获得，若仅以以上几个征作来判断火焰是否存在，很容易发生误判。因此，我们可以考虑火焰运动的方向和频率信息，从而更加良好的区分非火焰区域和火焰区域[20]。这就用到了帧间差分法，它主要是针对运动物体的检测，利用运动物体当前图像帧减去参考图像帧的差分法检测并提取潜在运动目标区域。同时还可以做出差分运动检测和累计差分。1.3.3 视频火焰检测技术优势由于视频拍摄和视频处理技术的快速发展，基于视频的火焰检测技术具有很多的优势：1)可以在大空间开放的环境中使用，如森林、城市等；2)由于现代各个环境都广泛使用视频监控系统，基于视频的火灾检测技术可以直接充分利用已有的监控系统，而不需再增加额外的硬件成本；3)能够提供更多的火灾信息，如火灾发生地点、大小等，为制定火灾抢险的方案提供依据；4)检测时运用了数字图像处理、模式识别等方法，提高了火灾检测系统的准确率。5）现在所采用的视频检测系统大部分采用了远程监控，它的优点是安全性高，人们不需奔赴火灾现场，节省了人力物力，而且抗干扰能力强。1.4 本文的主要研究内容及章节安排本文中主要研究的内容是基于火焰颜色特征、 运动特征的火焰检测技术。 首先利用 matlab下配置 opencv， 来对火焰的颜色特征进行分析， 主要是根据 RGB 和 YCbCr颜色模型。 将 RGB模型转化为YCbCr颜色模型，进而根据火焰的颜色模型特性识别出火焰像素，最终得到疑似的运动火焰区域。基于火焰运动特征的检测则是用帧间差分法，对相邻帧图像进行预处理，然后做图像差分、后处理，最终得到目标区域。论文第一章介绍了本课题的研究背景，早期的火焰检测技术，以及发展后现代视频火焰检测的方法综述。论文第二章是对图像的预处理进行分析研究，包括图像灰度化、二值化、图像增强等。 第三章则是对基于颜色特征的火焰检测技术展开研究， 分析了 RGB 模型和 YCbCr模型中火焰图像的红色分量和亮度分量特点。论文第四章是对火焰变化特征展开分析，最后第五章设计了综合的火焰检测方法：首先分析视频图像颜色特征，当颜色特征为可疑的火焰时，继续分析火焰的动态变化特征，通过帧差运算获得运动像素，并分析运动像素变化特征，当像素变化面积符合与火焰特征相符时，则判断有火焰产生。第751章对本研究的工作内容进行了总结和展望。2 图像预处理技术2.1 OpenCV简介Opencv 是一个基于（开源）发行的跨平台计算机视觉库，可以运行在 Linux、Windows以及 Mac OS 操作系统上，它由一系列 C 函数和少量 C++类构成，能够实现图像处理和计算机视觉方面的很多通用算法[21]。其特征主要有：具有独立与操作系统、硬件和图形管理，有通用的图像/视频载入、保存和获取模块，还有底层和高层的应用开发包[22]。其功能主要有：对图象数据的操作；对图像和视频的输入输出；对各种动态数据结构进行操作；对各种结构进行分析；对摄像头的定标；对运动的分析；对目标的识别；它还具有 GUI功能，比如显示视频与图像、处理键盘和鼠标事件等，也可以在图像中标注内容。2.2 颜色模型颜色是外来的光刺激作用于人的视觉器官而产生的主观感觉，也是构成图像的基本元素之一，它具有色调、饱和度和亮度三个特性[12]。颜色的基本原理和模型对后期处理火焰图像检索及识别至关重要。在研究人员的不断实验研究下得到了不同的颜色模型，它们应用于不同背景下的研究和描述上。其中颜色空间主要有 RGB、CMY、HSV、HSI、YCbCr等几种，并且每个颜色模型都有其个各自的特点。我们主要研究RGB 颜色模型和 YCbCr颜色模型。2.2.1 RGB 颜色模型光谱的波长峰值约为430nm,540nm 和 570nm，可以被人眼中的感受细胞吸收，其分别对应三原色，即红(R)、绿(G)、蓝(B)的三个波段。这三种颜色按所占成分的不同,可以混合生成绝大多数颜色，每种颜色都对应一组不同的值，这就构成了RGB颜色模型的理论基础，对此人们研究出三位的彩色空间，即在(R, G, B)坐标系中的一个立方体，R, G, B 是彩色空间的三个坐标轴， 把每个坐标轴分成256份并用0到255来表示， 最暗的对应0， 最亮的对应255[23]。这样在计算机视觉中，对颜色进行量化时将每一种颜色按照其浓度分为 0 到 255，共256 个数量级。所以按照这种量化方式，共有 16777216 种颜色表达方式。这些颜色己经足够人类在视觉上的要求了。 Opencv基于视频图像的火焰检测技术研究:http://www.751com.cn/tongxin/lunwen_21882.html