基于红外特征、机器学习的小火焰检测方法及计算机装置与流程

1.本发明涉及图像的识别技术领域，具体涉及一种基于可见光图像特征、红 外图像特征和机器学习的小火焰检测方法及计算机装置。


背景技术：

2.火灾一直威胁着人类生命和财产的安全，提前检测出火灾并发出预警信息 一直是一个重要的研究课题。传统的火灾检测方法主要根据光电传感器件或粒 子传感器监测火灾发生过程中产生的副产品或一些其他的环境变量，比如温度 的监测，火焰颜色的监测，烟雾颗粒浓度的监测，环境湿度的监测等。但是传 统火灾探测器一般是基于单一数据判别的检测方法，仅适用于室内低小空间， 距离近，干扰少的情况，有很大的局限性。随着科技的快速发展，基于视觉的 火灾检测技术成为预防火灾的一个主要研究方向，基于视觉的火灾检测运用监 控视频可以得到更丰富的信息，抗干扰能力更强，适用的区域也更广泛。然而 目前基于视觉的火灾检测的研究工作主要是对于已经燃烧起来的火焰进行分 析，针对初期的小火焰检测研究较少。
3.目前对于火灾检测研究主要集中在室外火灾如森林火灾，建筑物火灾等， 火焰面积相对较大，此种类型的火灾通过颜色模型(如rgb、ycbcr等)检测 或者机器学习方法可以达到一定的检测效果。但对于火灾初期，如果火焰面积 比较小，在图片中占比面积较小，用上述rgb、ycbcr两种颜色模型方法去检 测，效果可能不太理想甚至检测不到，如果用颜色模型检测小火焰，条件设置 的宽松可能会有误检测，设置的严苛可能会检测不到；如果用机器学习的方法 去检测，现有机器学习模型一般基于大火焰数据训练，而且小火焰数据集较少 并且难以收集，现有基于较大火焰训练出的机器学习模型不容易检测到小火焰。


技术实现要素：

4.鉴于以上内容，有必要提出一种基于红外特征、机器学习的小火焰检测方 法及计算机装置，以对较大范围环境内的小火焰的位置定位，较早地上报火灾 信息，降低小火灾演变成大火灾的概率。
5.本技术的第一方面提供一种基于红外特征、机器学习的小火焰检测方法， 所述方法包括：
6.从视频流中得到每帧红外图像及每帧可见光图像；
7.将所述每帧红外图像转换为灰度图像，并对所述灰度图像按照轮廓筛选 条件进行轮廓查找和筛选得到所述每帧红外图像的第一关键区域；
8.将所述每帧可见光图像输入到颜色模型中，并根据所述颜色模型的颜色 过滤条件和所述轮廓筛选条件从所述每帧可见光图像中分析得到所述可见光 图像的第二关键区域；
9.根据相机参数和尺度因子得到所述每帧红外图像与所述每帧可见光图像 之间的对应坐标关系，并根据所述对应坐标关系得到所述第一关键区域及所 述第二关键区域之
间的交集区域；
10.利用帧差法消除所述交集区域中的静止区块得到候选区域；
11.将所述候选区域送入训练好的机器学习模型进行检测得到检测结果；及
12.根据所述检测结果对所述每帧可见光图像或所述每帧红外图像的结果进 行显示。
13.优选地，所述将所述每帧红外图像转换为灰度图像包括：
14.将所述每帧红外图像中的r分量亮度、g分量亮度及b分量亮度作为三个 灰度图像的灰度值，并从所述三个灰度图像的灰度值中任选一个灰度值作为所 述每帧红外图像的灰度值。
15.优选地，所述颜色模型为rgb颜色模型，所述根据所述颜色模型的颜色 过滤条件和轮廓筛选条件从所述每帧可见光图像中分析得到所述每帧可见光 图像的第二关键区域包括：
16.对所述每帧可见光图像按照颜色过滤条件进行rgb颜色过滤得到所述每 帧可见光图像的模板；
17.对所述每帧可见光图像的模板进行膨胀；及
18.对膨胀后的模板按照所述轮廓筛选条件进行轮廓查找和过滤得到所述每 帧可见光图像的第二关键区域。
19.优选地，所述轮廓筛选条件包括多边形拟合精度、轮廓长宽比、轮廓面 积上下限、轮廓多边形拟合的顶点数及/或白色区域占比。
20.优选地，所述根据相机参数和尺度因子得到所述每帧红外图像与所述每 帧可见光图像之间的对应坐标关系包括：
21.分别采用标定方法对所述每帧红外图像与所述每帧可见光图像进行相机 标定得到所述相机参数及尺度因子，根据所述相机参数及尺度因子得到所述 每帧红外图像相对于所述每帧可见光图像的坐标偏移量，根据所述坐标偏移 量得到所述每帧红外图像与所述每帧可见光图像之间的对应坐标关系。
22.优选地，所述尺度因子根据如下方法得到：
23.提供一个标定板，所述标定板上包括多个圆心；
24.计算出所述标定板中的两个圆心对应在所述每帧红外图像中的第一像素 差；
25.计算出所述标定板中的两个圆心对应在所述每帧可见光图像中的第二像 素差；及
26.根据所述第一像素差与所述第二像素差的比值计算得到所述尺度因子。
27.优选地，所述根据所述相机参数及尺度因子得到所述每帧红外图像相对 于所述每帧可见光图像的坐标偏移量包括：
28.根据所述尺度因子将所述每帧红外图像和所述每帧可见光图像缩放到统 一大小；及
29.根据所述标定板的圆心在缩放后的每帧红外图像的像素坐标、所述标定 板的圆心在缩放后的每帧可将光图像的像素坐标计算得到所述坐标偏移量。
30.优选地，所述根据所述标定板的圆心在缩放后的每帧红外图像的像素坐 标、所述标定板的圆心在缩放后的每帧可将光图像的像素坐标计算得到所述 坐标偏移量包括：
31.根据公式x
diff
＝x
n-x'
n
及y
diff
＝y
n-y'
n
计算得到所述坐标偏移量，其中，x
n
为 所述标定板的第n圆心在缩放后的每帧红外图像中相对于像素坐标系的x轴的 像素坐标，x'
n
为所述标定板的第n圆心在缩放后的每帧可见光图像中相对于像 素坐标系的x轴的像素坐标，y
n
为所述标定板的第n圆心在缩放后的每帧红外 图像中相对于像素坐标系的y轴的像素坐标,y'
n
为所述标定板的第n圆心在缩 放后的每帧可见光图像中相对于像素坐标系的y轴的像素坐标。
32.优选地，所述根据所述检测结果对所述每帧可见光图像或所述每帧红外 图像的结果进行显示包括：
33.记录在所述每帧可见光图像或所述每帧红外图像中的检测结果为火灾的 区域的坐标位置；及
34.显示所述检测结果为火灾的每帧可见光图像或每帧红外图像、在所述每 帧可见光图像或每帧红外图像中的检测结果为火灾的区域的坐标位置。
35.本技术的第二方面提供一种计算机装置，所述计算机装置包括处理器及存 储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述基于红 外特征、机器学习的小火焰检测方法。
36.本案根据相机参数和尺度因子得到所述每帧红外图像与所述每帧可见光 图像之间的对应坐标关系得到每帧红外图像与每帧可见光图像之间的交集区 域，利用帧差法消除所述交集区域中的静止区块得到候选区域，并在得到的 候选区域送入训练好的机器学习模型进行检测得到检测结果，因而能够对较 大范围环境内的小火焰的位置定位，较早的上报火灾信息，降低了小火灾演 变成大火灾的概率，为及时消除安全隐患提供了很好的信息支持。
附图说明
37.图1是本发明一实施方式中基于红外特征、机器学习的小火焰检测方法 的流程图。
38.图2是本发明一实施方式中基于红外特征、机器学习的小火焰检测方法 的应用环境示意图。
39.图3是本发明一实施方式中利用帧差法消除所述每帧图像的关键区域中 的静止区块得到候选区域的示意。
40.图4为本发明一实施方式中小火焰检测装置的示意图。
具体实施方式
41.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图 和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下， 本技术的实施例及实施例中的特征可以相互组合。
42.在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的 实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实 施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
43.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技 术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用 的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
44.优选地，本发明基于红外特征、机器学习的小火焰检测方法应用在一个 或者多个计算机装置中。所述计算机装置是一种能够按照事先设定或存储的 指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于处理器、 外部存储介质、内存等。
45.所述计算机装置可以是，但不限于，台式计算机、笔记本电脑、云端服 务器、智能手机等设备。所述计算机装置可以与用户通过键盘、鼠标、遥控 器、触摸板、手势识别设备、声控设备等方式进行人机交互。
46.实施例一
47.图1是本发明一实施方式中基于红外特征、机器学习的小火焰检测方法 的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以 省略。为了便于说明，仅示出了与本发明实施例相关的部分。
48.如图1所示，所述基于红外特征、机器学习的小火焰检测方法具体包括 以下步骤。
49.步骤s11、从视频流中得到每帧红外图像及每帧可见光图像。
50.参阅图2，所示为本发明一实施方式中小火焰检测方法的应用环境示意 图。所述方法应用在计算机装置10中。所述计算机装置10包括摄像头11， 所述计算机装置10通过摄像头11采集视频流并从视频流中得到每帧红外图 像及每帧可见光图像。在另一实施方式中，所述计算机装置10可以从其内部 的存储装置中获取视频流，并从视频流中得到每帧红外图像及每帧可见光图 像。在其他实施方式中，所述计算机装置10还可以从与其通信连接的电子装 置中获取视频流。其中，所述电子装置可以是，但不限于服务器、服务器群 集、手机、平板电脑等装置。所述计算机装置10可以通过一网络与所述电子 装置通信连接并从所述电子装置中获取视频流。在一具体实施方式中，用于 支持计算机装置10与电子装置进行通信的网络可以是有线网络，也可以是无 线网络，例如无线电、无线保真(wireless fidelity,wifi)、蜂窝、卫星、 广播等。
51.步骤s12、将所述每帧红外图像转换为灰度图像，并对所述灰度图像按 照轮廓筛选条件进行轮廓查找和筛选得到所述每帧红外图像的第一关键区 域。
52.本实施方式中，通过分量法将所述每帧红外图像转换为灰度图像。具体 的，将所述每帧红外图像中的r分量亮度、g分量亮度及b分量亮度作为三 个灰度图像的灰度值，并从所述三个灰度图像的灰度值中任选一个灰度值作 为所述每帧红外图像的灰度值。在另一实施方式中，还可以通过最大值法将 所述每帧红外图像转换为灰度图像。具体的，将所述每帧红外图像中的r分 量亮度、g分量亮度及b分量亮度中的最大值作为所述每帧红外图像的灰度 值。在其他实施方式中，还可以通过平均值法及加权平均法将所述每帧红外 图像转换为灰度图像。本实施方式中，在得到灰度图像后对所述灰度图像按 照轮廓筛选条件进行轮廓查找和筛选得到所述每帧红外图像的第一关键区 域，其中，所述轮廓为连续的点连在一起的曲线，且具有相同的灰度。
53.步骤s13、将所述每帧可见光图像输入到颜色模型中，并根据所述颜色 模型的颜色过滤条件和轮廓筛选条件从所述每帧可见光图像中分析得到所述 可见光图像的第二关键区域。
54.本实施方式中，所述颜色模型为rgb颜色模型，所述根据所述颜色模 型的颜色过滤条件和轮廓筛选条件从所述每帧可见光图像中分析得到所述每 帧可见光图像的第二关键区域包括：对所述每帧可见光图像按照颜色过滤条件 进行rgb颜色过滤得到所述每帧可见光图像的模板；对所述每帧可见光图像 的模板进行膨胀；对膨胀后的模板按照所述轮廓筛选条件进行轮廓查找和过 滤得到所述每帧可见光图像的第二关键区域。本实施方式中，所述颜色过滤 条件为：
[0055][0056]
r(x，y)＞g(x，y)＞b(x，y)
[0057]
0.25≤g(x，y)/(r(x，y) 1)≤0.65
[0058]
0.05≤b(，x，y)/(r(x，y) 1)≤0.45
[0059]
0.20≤b(x，y)/(g(x，y) 1)≤0.60
[0060]
其中，(x，y)为图像的像素点位置，r(x，y)，g(x，y)，b(x，y)分别在像素点 位置(x，y)对应的r分量值、g分量值、b分量值。
[0061]
本实施方式中，所述轮廓筛选条件包括，但不限于多边形拟合精度、轮 廓长宽比、轮廓面积上下限、轮廓多边形拟合的顶点数及/或白色区域占比。 本实施方式中，所述多边形拟合精度是指在对图像的轮廓进行多边形拟合时 设置的拟合出的多边形与原轮廓的最大距离，其中多边形拟合精度设置的越 小，拟合出的多边形定点数会越多，但时间耗费也较多。在具体实施方式中， 可以根据图像的轮廓周长动态设定多边形拟合精度。由于每帧图像中的火灾 区域的轮廓拟合出的多边形顶点会相对较多，因此，本实施方式中，在按照 多边形拟合精度对图像的轮廓进行多边形拟合时还按照轮廓多边形拟合的顶 点数对图像的轮廓进行轮廓查找和过滤以去除图像中比较规则的检测区域。 本实施方式中，在检测出每帧可见光图像或每帧红外图像的轮廓时还根据轮 廓的轮廓长宽比去除轮廓中超出轮廓长宽比的检测区域。例如，每帧可见光 图像或每帧红外图像中存在较长的黄色栏杆等干扰颜色时，根据轮廓长宽比 去除轮廓中超出轮廓长宽比的区域可以将黄色栏杆去除。本实施方式中，在 检测出每帧可见光图像或每帧红外图像的轮廓时根据轮廓面积上下限可以去 除每帧可见光图像或每帧红外图像中面积过小或者过大的检测区域。所述白 色区域占比是指每帧可见光图像或每帧红外图像中的白色区域占每帧可见光 图像或每帧红外图像中的纯白图的比值。请参考表1，所示为本发明一实施 方式中轮廓参数及轮廓参数的设置值的示意图。
[0062]
表1
[0063][0064]
步骤s14、根据相机参数和尺度因子得到所述每帧红外图像与所述每帧 可见光图像之间的对应坐标关系，并根据所述对应坐标关系得到所述第一关 键区域及所述第二关键区域之间的交集区域。
[0065]
本实施方式中，所述“根据标定的相机参数和尺度因子得到所述每帧红 外图像与所述每帧可见光图像之间的对应坐标关系”包括：分别采用标定方 法对所述每帧红外图像与所述每帧可见光图像进行相机标定得到所述相机参 数及尺度因子，根据所述相机参数及尺度因子得到每帧红外图像相对于每帧 可见光图像的坐标偏移量，根据所述坐标偏移量得到所述每帧红外图像与所 述每帧可见光图像之间的对应坐标关系。本实施方式中，所述标定方法为opencv中的标定方法，其中opencv是一个跨平台计算机视觉库。本实施 方式中，提供一个标定板，所述标定板上包括多个圆心。本实施方式中，计 算出标定板中的两个圆心对应在每帧红外图像中的第一像素差，计算出标定 板中的两个圆心对应在每帧可见光图像中的第二像素差，并根据所述第一像 素差与所述第二像素差的比值计算得到所述尺度因子。本实施方式中，根据 公式s＝t1/t2计算得到所述尺度因子，其中，t1＝t
n-t
n-1
,t2＝t'
n-t'
n-1
,t
n
与 t
n-1
分别为标定板中第n个圆心及第n-1圆心对应在每帧红外图像中的像素坐 标值，t'
n
与t'
n-1
分别为标定板中第n个圆心及第n-1圆心对应在每帧可见光 图像中的像素坐标值，n为正整数。
[0066]
本实施方式中，所述根据所述相机参数及尺度因子得到每帧红外图像相 对于每帧可见光图像的坐标偏移量包括：根据所述尺度因子将所述每帧红外 图像和所述每帧可见光图像缩放到统一大小，根据所述标定板的圆心在缩放 后的每帧红外图像的像素坐标、所述标定板的圆心在缩放后的每帧可将光图 像的像素坐标计算得到所述坐标偏移量。本实施方式中，根据公式x
diff
＝x
n-x'
n
及y
diff
＝y
n-y'
n
计算得到所述坐标偏移量，其中，x
n
为所述标定板的第n圆心 在缩放后的每帧红外图像中相对于像素坐标系的x轴的像素坐标，x'
n
为所 述标定板的第n圆心在缩放后的每帧可见光图像中相对于像素坐标系的x轴 的像素坐标，y
n
为所述标定板的第n圆心在缩放后的每帧红外图像中相对于 像素坐标系的y轴的像素坐标,y'
n
为所述标定板的第n圆心在缩放后的每帧 可见光图像中相对于像素坐标系
的y轴的像素坐标。
[0067]
步骤s15、利用帧差法消除所述交集区域中的静止区块得到候选区域。
[0068]
本实施方式中，所述利用帧差法消除所述交集区域中的静止区块得到候 选区域包括：通过帧差法对包含交集区域的当前帧图像及与当前帧图像连续 的前一帧图像进行差分运算以将两帧图像对应的像素点相减得到差分图像； 对所述差分图像按照逐个像素点进行二值化处理得到二值化图像；从所述二 值化图像中确定出当前帧图像中的静止区块，并去除所述静止区块得到候选 区域。本实施方式中，包含交集区域的当前帧图像可以为可见光图像或红外 图像。请参考图3，所示为本发明一实施方式中利用帧差法消除所述每帧图 像的关键区域中的静止区块得到候选区域的示意。本实施方式中，包含交集 区域的当前帧图像记为第n帧，当前帧图像的前一帧图像记为第n-1帧，两 帧图像对应的图像分别记为f
n
和f
n-1
，两帧图像对应像素点的灰度值记为 f
n
(x,y)和f
n-1
(x,y),将两帧图像对应像素点的灰度值进行相减并取绝对值，得到 差分图像记为d
n
,其中d
n
(x，y)＝|f
n
(x，y)-f
n-1
(x，y)|；设定阈值t，并按照公式 对差分图像进行二值化处理，得到二值化图像；将所 述二值化图像中灰度值为0的点集作为当前帧图像中的静止区块，及将所述 二值化图像中灰度值为255的点集作为运动目标区域，并去除所述静止区块 得到候选区域。本实施方式中，在得到所述二值化图像还判断所述二值化图 像中的白色区域占比是否超过预设阈值，并将白色区域未超过预设阈值的区 域作为所述静止区块，如此防止图像的微小变动带来的影响从而造成火焰的 误检测情况发生。
[0069]
步骤s16、将所述候选区域送入训练好的机器学习模型进行检测得到检 测结果。
[0070]
本实施方式中，所述机器学习模型为卷积神经网络。所述卷积神经网络 包括多个卷积层、最大池采样层、全连接层。其中，卷积层和最大池采样层 交替连接组成，用于对包含候选区域的帧图像进行特征提取。所述多个全连 接层相互连接。多个所述最大池采样层中的最后一个最大池采样层与多个所 述全连接层的第一全连接层连接，用于向所述第一全连接层输入经过特征提 取得到的特征图像，多个所述全连接层中的最后一个全连接层为一个分类器， 所述分类器用于对所述特征图像进行分类得到检测结果。本实施方式中，所 述分类结果为火灾和非火灾。本实施方式中，所述卷积神经网络为alexnet 网络，所述alexnet网络包括五个卷积层、三个最大池采样层及三个全连接 层。
[0071]
本实施方式中，所述方法在步骤s16之前还包括：通过采用梯度下降法 最小化损失函数对所述卷积神经网络中的权重参数逐层反向调节以训练所述 卷积神经网络。
[0072]
本实施方式中，所述方法在步骤s16之前还包括：对所述候选区域进行 扩展。
[0073]
步骤s17、根据所述检测结果对所述每帧可见光图像或所述每帧红外图 像的结果进行显示。
[0074]
本实施方式中，所述根据所述检测结果对所述每帧可见光图像或所述每 帧红外图像的结果进行显示包括：记录在每帧可见光图像或每帧红外图像中 的检测结果为火灾的区域的坐标位置；显示所述检测结果为火灾的每帧可见 光图像或每帧红外图像、在每帧可见光图像或每帧红外图像中的检测结果为 火灾的区域的坐标位置。
[0075]
本案根据相机参数和尺度因子得到所述每帧红外图像与所述每帧可见光 图像之间的对应坐标关系得到每帧红外图像与每帧可见光图像之间的交集区 域，利用帧差法消
除所述交集区域中的静止区块得到候选区域，并在得到的 候选区域送入训练好的机器学习模型进行检测得到检测结果，因而能够对较 大范围环境内的小火焰的位置定位，较早的上报火灾信息，降低了小火灾演 变成大火灾的概率，为及时消除安全隐患提供了很好的信息支持。
[0076]
实施例二
[0077]
图4为本发明实施例二提供的小火焰检测装置的结构图，为了方便说明， 仅示出了与本发明实施例相关的部分，详述如下。
[0078]
参考图4，小火焰检测装置100根据其所执行的功能，可以被划分为多 个功能模块，所述各个功能模块用于执行图1对应实施例中的各个步骤，以 实现小火焰检测的功能。本发明实施例中，小火焰检测装置100的功能模块 可以包括图像获取模块101、第一筛选模块102、第二筛选模块103、交集区 域确定模块104、静止区块消除模块105、检测模块106以及显示模块107。 各个功能模块的功能将在下面的实施例中进行详述。
[0079]
所述图像获取模块101从视频流中得到每帧红外图像及每帧可见光图 像。
[0080]
所述第一筛选模块102将所述每帧红外图像转换为灰度图像，并对所述 灰度图像按照轮廓筛选条件进行轮廓查找和筛选得到所述每帧红外图像的第 一关键区域。
[0081]
本实施方式中，所述第一筛选模块102通过分量法将所述每帧红外图像 转换为灰度图像。具体的，所述第一筛选模块102将所述每帧红外图像中的 r分量亮度、g分量亮度及b分量亮度作为三个灰度图像的灰度值，并从所 述三个灰度图像的灰度值中任选一个灰度值作为所述每帧红外图像的灰度 值。在另一实施方式中，所述第一筛选模块102通过最大值法将所述每帧红 外图像转换为灰度图像。具体的，所述第一筛选模块102将所述每帧红外图 像中的r分量亮度、g分量亮度及b分量亮度中的最大值作为所述每帧红外 图像的灰度值。在其他实施方式中，所述第一筛选模块102通过平均值法及 加权平均法将所述每帧红外图像转换为灰度图像。本实施方式中，在得到灰 度图像后对所述灰度图像按照轮廓筛选条件进行轮廓查找和筛选得到所述每 帧红外图像的第一关键区域，其中，所述轮廓为连续的点连在一起的曲线， 且具有相同的灰度。
[0082]
所述第二筛选模块103将所述每帧可见光图像输入到颜色模型中，并根 据所述颜色模型的颜色过滤条件和轮廓筛选条件从所述每帧可见光图像中分 析得到所述可见光图像的第二关键区域。
[0083]
本实施方式中，所述颜色模型为rgb颜色模型，所述第二筛选模块103 对所述每帧可见光图像按照颜色过滤条件进行rgb颜色过滤得到所述每帧可 见光图像的模板；对所述每帧可见光图像的模板进行膨胀；对膨胀后的模板 按照所述轮廓筛选条件进行轮廓查找和过滤得到所述每帧可见光图像的第二 关键区域。本实施方式中，所述颜色过滤条件为：
[0084][0085]
r(x，y)＞g(x，y)＞b(x，y)
[0086]
0.25≤g(x，y)/(r(x，y) 1)≤0.65
[0087]
0.05≤b(x，y)/(r(x，y) 1)≤0.45
[0088]
0.20≤b(x，y)/(g(x，y) 1)≤0.60
[0089]
其中，(x，y)为图像的像素点位置，r(x，y)，g(x，y)，b(x，y)分别在像素点 位置(x，
y)对应的r分量值、g分量值、b分量值。
[0090]
本实施方式中，所述轮廓筛选条件包括，但不限于多边形拟合精度、轮 廓长宽比、轮廓面积上下限、轮廓多边形拟合的顶点数及/或白色区域占比。 本实施方式中，所述多边形拟合精度是指在对图像的轮廓进行多边形拟合时 设置的拟合出的多边形与原轮廓的最大距离，其中多边形拟合精度设置的越 小，拟合出的多边形定点数会越多，但时间耗费也较多。在具体实施方式中， 可以根据图像的轮廓周长动态设定多边形拟合精度。由于每帧图像中的火灾 区域的轮廓拟合出的多边形顶点会相对较多，因此，本实施方式中，在按照 多边形拟合精度对图像的轮廓进行多边形拟合时还按照轮廓多边形拟合的顶 点数对图像的轮廓进行轮廓查找和过滤以去除图像中比较规则的检测区域。 本实施方式中，在检测出每帧可见光图像或每帧红外图像的轮廓时还根据轮 廓的轮廓长宽比去除轮廓中超出轮廓长宽比的检测区域。例如，每帧可见光 图像或每帧红外图像中存在较长的黄色栏杆等干扰颜色时，根据轮廓长宽比 去除轮廓中超出轮廓长宽比的区域可以将黄色栏杆去除。本实施方式中，在 检测出每帧可见光图像或每帧红外图像的轮廓时根据轮廓面积上下限可以去 除每帧可见光图像或每帧红外图像中面积过小或者过大的检测区域。所述白 色区域占比是指每帧可见光图像或每帧红外图像中的白色区域占每帧可见光 图像或每帧红外图像中的纯白图的比值。
[0091]
所述交集区域确定模块104根据相机参数和尺度因子得到所述每帧红外 图像与所述每帧可见光图像之间的对应坐标关系，并根据所述对应坐标关系 得到所述第一关键区域及所述第二关键区域之间的交集区域。
[0092]
本实施方式中，所述交集区域确定模块104分别采用标定方法对所述每 帧红外图像与所述每帧可见光图像进行相机标定得到所述相机参数及尺度因 子，根据所述相机参数及尺度因子得到每帧红外图像相对于每帧可见光图像 的坐标偏移量，根据所述坐标偏移量得到所述每帧红外图像与所述每帧可见 光图像之间的对应坐标关系。本实施方式中，所述标定方法为opencv中的 标定方法，其中opencv是一个跨平台计算机视觉库。本实施方式中，提供 一个标定板，所述标定板上包括多个圆心。本实施方式中，计算出标定板中 的两个圆心对应在每帧红外图像中的第一像素差，计算出标定板中的两个圆 心对应在每帧可见光图像中的第二像素差，并根据所述第一像素差与所述第 二像素差的比值计算得到所述尺度因子。本实施方式中，根据公式s＝t1/t2 计算得到所述尺度因子，其中，t1＝t
n-t
n-1
,t2＝t'
n-t'
n-1
,t
n
与t
n-1
分别为标定 板中第n个圆心及第n-1圆心对应在每帧红外图像中的像素坐标值，t'
n
与t'
n-1
分别为标定板中第n个圆心及第n-1圆心对应在每帧可见光图像中的像素坐 标值，n为正整数。
[0093]
本实施方式中，所述交集区域确定模块104根据所述尺度因子将所述每 帧红外图像和所述每帧可见光图像缩放到统一大小，根据所述标定板的圆心 在缩放后的每帧红外图像的像素坐标、所述标定板的圆心在缩放后的每帧可 将光图像的像素坐标计算得到所述坐标偏移量。本实施方式中，所述交集区 域确定模块104根据公式x
diff
＝x
n-x'
n
及y
diff
＝y
n-y'
n
计算得到所述坐标偏移 量，其中，x
n
为所述标定板的第n圆心在缩放后的每帧红外图像中相对于像 素坐标系的x轴的像素坐标，x'
n
为所述标定板的第n圆心在缩放后的每帧 可见光图像中相对于像素坐标系的x轴的像素坐标，y
n
为所述标定板的第n 圆心在缩放后的每帧红外图像中相对于像素坐标系的y轴的像素坐标,y'
n
为 所述标定板的第n圆心在缩
放后的每帧可见光图像中相对于像素坐标系的y 轴的像素坐标。
[0094]
所述静止区块消除模块105利用帧差法消除所述交集区域中的静止区块 得到候选区域。
[0095]
本实施方式中，所述静止区块消除模块105通过帧差法对包含交集区域 的当前帧图像及与当前帧图像连续的前一帧图像进行差分运算以将两帧图像 对应的像素点相减得到差分图像；对所述差分图像按照逐个像素点进行二值 化处理得到二值化图像；从所述二值化图像中确定出当前帧图像中的静止区 块，并去除所述静止区块得到候选区域。本实施方式中，包含交集区域的当 前帧图像可以为可见光图像或红外图像。本实施方式中，包含交集区域的当 前帧图像记为第n帧，当前帧图像的前一帧图像记为第n-1帧，两帧图像对 应的图像分别记为f
n
和f
n-1
，两帧图像对应像素点的灰度值记为f
n
(x,y)和 f
n-1
(x,y),将两帧图像对应像素点的灰度值进行相减并取绝对值，得到差分图像 记为d
n
,其中d
n
(x，y)＝|f
n
(x，y)-f
n-1
(x，y)|；设定阈值t，并按照公式 对差分图像进行二值化处理，得到二值化图像；将所 述二值化图像中灰度值为0的点集作为当前帧图像中的静止区块，及将所述 二值化图像中灰度值为255的点集作为运动目标区域，并去除所述静止区块 得到候选区域。本实施方式中，在得到所述二值化图像还判断所述二值化图 像中的白色区域占比是否超过预设阈值，并将白色区域未超过预设阈值的区 域作为所述静止区块，如此防止图像的微小变动带来的影响从而造成火焰的 误检测情况发生。
[0096]
所述检测模块106将所述候选区域送入训练好的机器学习模型进行检测 得到检测结果。
[0097]
本实施方式中，所述机器学习模型为卷积神经网络。所述卷积神经网络 包括多个卷积层、最大池采样层、全连接层。其中，卷积层和最大池采样层 交替连接组成，用于对包含候选区域的帧图像进行特征提取。所述多个全连 接层相互连接。多个所述最大池采样层中的最后一个最大池采样层与多个所 述全连接层的第一全连接层连接，用于向所述第一全连接层输入经过特征提 取得到的特征图像，多个所述全连接层中的最后一个全连接层为一个分类器， 所述分类器用于对所述特征图像进行分类得到检测结果。本实施方式中，所 述分类结果为火灾和非火灾。本实施方式中，所述卷积神经网络为alexnet 网络，所述alexnet网络包括五个卷积层、三个最大池采样层及三个全连接 层。
[0098]
本实施方式中，所述检测模块106还用于通过采用梯度下降法最小化损 失函数对所述卷积神经网络中的权重参数逐层反向调节以训练所述卷积神经 网络。
[0099]
本实施方式中，所述检测模块106还用于对所述候选区域进行扩展。
[0100]
所述显示模块107根据所述检测结果对所述每帧可见光图像或所述每帧 红外图像的结果进行显示。
[0101]
本实施方式中，所述显示模块107记录在每帧可见光图像或每帧红外图 像中的检测结果为火灾的区域的坐标位置；显示所述检测结果为火灾的每帧 可见光图像或每帧红外图像、在每帧可见光图像或每帧红外图像中的检测结 果为火灾的区域的坐标位置。
[0102]
本案根据相机参数和尺度因子得到所述每帧红外图像与所述每帧可见光 图像之间的对应坐标关系得到每帧红外图像与每帧可见光图像之间的交集区 域，利用帧差法消除所述交集区域中的静止区块得到候选区域，并在得到的 候选区域送入训练好的机器学
习模型进行检测得到检测结果，因而能够对较 大范围环境内的小火焰的位置定位，较早的上报火灾信息，降低了小火灾演 变成大火灾的概率，为及时消除安全隐患提供了很好的信息支持。
[0103]
实施例三
[0104]
参考图2，所述计算机装置10包括存储器20、处理器30以及存储在所 述存储器20中并可在所述处理器30上运行的计算机程序40。所述处理器30 执行所述计算机程序40时实现上述小火焰检测方法实施例中的步骤，例如图 1所示的步骤s101～s107。或者，所述处理器30执行所述计算机程序40时 实现上述小火焰检测装置实施例中各模块/单元的功能，例如图4中的模块 11～17。
[0105]
示例性的，所述计算机程序40可以被分割成一个或多个模块/单元，所 述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执 行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一 系列计算机程序指令段，该指令段用于描述所述计算机程序40在所述计算机 装置10中的执行过程。例如，所述计算机程序40可以被分割成图4中的图 像获取模块101、第一筛选模块102、第二筛选模块103、交集区域确定模块104、静止区块消除模块105、检测模块106以及显示模块107以及显示模块 105，各模块具体功能参见实施例二。
[0106]
本实施方式中，所述计算机装置10可以是台式计算机、笔记本、掌上 电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图2仅 仅是计算机装置10的示例，并不构成对计算机装置10的限定，可以包括比 图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计 算机装置10还可以包括输入输出设备、网络接入设备、总线等。
[0107]
所称处理器30可以是中央处理单元(central processing unit，cpu)，还 可以包括其他通用处理器、数字信号处理器(digital signal processor，dsp)、 专用集成电路(application specific integrated circuit，asic)、现成可编程门 阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立 门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者 该处理器也可以是任何常规的处理器等，所述处理器30是所述计算机装置 10的控制中心，利用各种接口和线路连接整个计算机装置10的各个部分。
[0108]
所述存储器20可用于存储所述计算机程序40和/或模块/单元，所述处 理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单 元，以及调用存储在存储器20内的数据，实现所述计算机装置10的各种功 能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区 可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像 播放功能等)等；存储数据区可存储根据计算机装置10的使用所创建的数据 (比如音频数据、电话本等)等。存储器20可以包括外部存储介质，也可以 包括内存。此外，存储器20可以包括高速随机存取存储器，还可以包括非易 失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card, smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一 个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0109]
所述计算机装置10集成的模块/单元如果以软件功能单元的形式实现并 作为独
立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。 基于这样的理解，本发明实现上述实施例的方法中的全部或部分流程，也可 以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一 计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个 方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算 机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式 等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实 体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读 存储器(rom，read-only memory)、随机存取存储器(ram，random accessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所 述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求 进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可 读介质不包括电载波信号和电信信号。
[0110]
在本发明所提供的几个实施例中，应该理解到，所揭露的计算机装置和 方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅 仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实 现时可以有另外的划分方式。
[0111]
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元 中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相 同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加 软件功能模块的形式实现。
[0112]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细 节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形 式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的， 而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因 此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明 内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外， 显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权 利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通 过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何 特定的顺序。
[0113]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制， 尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当 理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术 方案的精神和范围。