用于火灾检测的方法、装置和系统与流程

1.本公开涉及信息技术领域，更具体地，涉及图像识别领域。


背景技术：

2.近年来，森林、城市等各种类型的火灾事故频繁发生，火灾给消防部门带来了巨大挑战，也对社会造成了重大影响，火灾的预防和控制具有重要的现实意义。
3.传统的防火装置是通过诸如烟雾报警器和温度报警器的传感器进行火灾的监控，但这样的装置成本很高。
4.因此，需要一种改进的用于火灾检测的技术。


技术实现要素：

5.本发明旨在提出一种能够提高火灾检测的及时性，同时降低成本的火灾检测方法。
6.在下文中给出了关于本公开的简要概述，以便提供关于本公开的一些方面的基本理解。但是，应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分，也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念，以此作为稍后给出的更详细描述的前序。
7.本公开涉及一种用于火灾检测的方法，包括：获取由摄像装置捕获的图像；对所获取的图像进行动态分析，判定图像中是否存在运动物体；检测所识别出的运动物体中是否包括火焰；检测所识别出的运动物体中是否包括烟；以及基于火焰的检测结果和烟的检测结果来判定是否发生火灾。
8.本公开涉及一种用于火灾检测的系统，包括：图像数据获取模块，被配置为获取由摄像装置捕获的图像；图像动态分析模块，被配置为对所获取的图像进行动态分析，判定图像中是否存在运动物体；第一识别模块，被配置为检测由图像动态分析模块所识别出的运动物体中是否包括火焰；第二识别模块，被配置为检测由图像动态分析模块所识别出的运动物体中是否包括烟；以及综合判定模块，被配置为基于第一识别模块的检测结果和第二识别模块的检测结果来判定是否发生火灾。
9.本公开涉及一种用于火灾检测的装置，包括：存储器，其上存储有指令；以及处理器，所述处理器耦合到所述存储器，并且被配置为在执行所述指令时使得所述装置执行上述用于火灾检测的方法。
10.本公开涉及一种其上存储有可执行指令的非暂态计算机可读存储介质，所述可执行指令当由一个或多个处理器执行时，使得所述一个或多个处理器执行上述用于火灾检测的方法。
11.根据本发明的实施例的方法、系统和装置利用简单的摄像装置进行区域监控，从图像识别的角度以出现火焰和烟中的任一项作为火灾检测指标，排除了环境中的雾气(诸如天然雾气、加湿器水气等)的干扰，从而能够更加及时且准确地进行火灾检测，进而辅助
消防部门对区域进行消防管控和火灾预防。此外，本发明使用简单的摄像装置可以有效地节约成本。
12.应当注意，本技术的效果不限于上述效果，并且可以包括本公开中描述的任何效果。
13.通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得更为清楚。
附图说明
14.构成说明书的一部分的附图描述了本公开的示例性实施例，并且连同说明书一起用于解释本公开的原理。
15.参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
16.图1是根据本公开的实施例的用于火灾检测的方法的流程图；
17.图2是根据本公开的实施例的图像动态分析方法的流程图；
18.图3是根据本公开的实施例的火焰检测方法的流程图；
19.图4是根据本公开的实施例的烟检测方法的流程图；以及
20.图5是根据本公开的实施例的用于火灾检测的系统的框图。
具体实施方式
21.在下文中，将参照附图详细地描述本公开内容的优选实施例。注意，在本说明书和附图中，有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分，因而省略其重复说明。在本说明书中，使用相似的标号和字母表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
22.为了便于理解，在附图等中所示的各结构的位置、尺寸及范围等有时不表示实际的位置、尺寸及范围等。因此，所公开的发明并不限于附图等所公开的位置、尺寸及范围等。
23.下面将结合图1至图5描述根据本公开的实施例的用于火灾检测的方法、装置和系统。
24.图1示出了根据本公开的实施例的用于火灾检测的方法100。
25.如图1所示，在步骤s102处，获取由摄像装置捕获的图像。
26.例如，通过布置在消防管控和火灾预防区域中的摄像装置获取图像数据。消防管控和火灾预防区域例如但不限于森林、城市街区、城市建筑室内等环境。
27.此外，由于摄像装置可以实时捕获消防管控和火灾预防区域内的图像数据，因此根据本发明的方法可以实时获取由摄像装置捕获的图像，从而能够实现对相关区域内的实时监测。
28.接下来转到步骤s104。在步骤s104处，对所获取的图像进行动态分析，判定图像中是否存在运动物体。
29.运动物体例如包括但不限于火焰、烟、雾、诸如人和车辆的运动体等。
30.在下文中，将结合图2详细描述对所获取的图像进行动态分析的方法步骤。
31.接下来转到步骤s106。在步骤s106处，检测所识别出的运动物体中是否包括火焰。
32.在下文中，将结合图3详细描述检测所识别出的运动物体中是否包括火焰的方法
步骤。
33.接下来转到步骤s108。在步骤s108处，检测所识别出的运动物体中是否包括烟。
34.在下文中，将结合图4详细描述检测所识别出的运动物体中是否包括火焰的方法步骤。
35.接下来转到步骤s110。在步骤s110处，基于火焰的检测结果和烟的检测结果来判定是否发生火灾。
36.例如，当在连续多帧图像中检测出火焰和烟中至少之一时，判定发生火灾，并发出火灾警报。
37.按照只要检测到火焰和烟中任一项，就判定火灾的发生的准则，可以有效识别多种火灾发生情况，例如有火焰但没有烟的情况、有烟但没有火焰的情况以及同时存在火焰和烟的情况。
38.在根据本公开的实施例的一些方面种，连续多帧图像可以是一帧、两帧、三帧、十帧、二十帧、三十帧
……
n帧。根据具体的应用场景，选定的图像帧数标准可以根据具体情况而不同，只要能够有效识别火灾的发生即可。
39.此外，当在连续多帧图像中没有检测出火焰和烟时，判定没有发生火灾，并且不发出火灾警报
40.图2示出了根据本公开的实施例的图像动态分析方法200。方法200是对步骤s104中对所获取的图像进行动态分析的详细说明。
41.如图2所示，在步骤s202处，选定第一帧图像作为背景图像。
42.在根据本公开的实施例的一些方面中，背景图像为不存在运动物体的图像，诸如未发生火灾的正常环境下的图像。
43.接下来，转到步骤s204。在步骤s204处，设定差分阈值α。
44.接下来，转到步骤s206。在步骤s206处，对第二帧图像与第一帧图像进行差分运算，得到差分值β。
45.接下来，转到步骤s208。在步骤s208处，基于差分值β和差分阈值α来判定第二帧图像中是否存在运动物体。
46.例如，当β≥α时，判定第二帧图像中存在运动物体。当判定第二帧图像中存在运动物体时，转到步骤s210-s214。
47.在步骤s210处，对第二帧图像进行去噪处理和联通区域分析。
48.在步骤s212处，对经处理和分析的第二帧图像中的运动物体的最小外接矩形进行定位框选。
49.在步骤s214处，输出定位框选后的运动物体。
50.此外，当β《α时，判定第二帧图像中不存在运动物体。
51.此外，虽然未示出，但本发明可以持续检测后续帧图像中是否存在运动物体。也就是说，可以持续将第三帧图像、第四帧图像、第五帧图像
……
第n帧图像分别与第一帧图像进行差分运算，得到相应的差分值，进而基于与差分阈值α的比较来判定后续各帧图像中是否存在运动物体。
52.例如，当第n帧图像与第一帧图像的差分运算得到的差分值大于差分阈值α时，判定第n帧图像中存在运动物体。反之，则判定第n帧图像中不存在运动物体。
53.图3示出了根据本公开的实施例的火焰检测方法300。方法300是对步骤s106中检测所识别出的运动物体中是否包括火焰的详细说明。
54.步骤s302-步骤s306是用于构建火焰识别模型的处理。
55.在步骤s302处，收集一定量的火焰图像数据，并选定火焰的图像识别特征参数。
56.火焰的图像识别参数例如是能够对火焰进行有效识别的图像参数，诸如图像热度值等。
57.接下来，转到步骤s304。在步骤s304处，基于选定的火焰的图像识别特征参数，构建用于识别火焰的火焰识别模型。
58.例如，在根据本公开的实施例的一些方式中，可以通过机器学习方法来基于选定的火焰的图像识别特征参数构建用于识别火焰的火焰识别模型。所述机器学习方法包括但不限于神经网络方法、svm方法、蚂蚁追踪方法等。
59.接下来，转到步骤s306。在步骤s306处，将所收集的一定量的火焰图像数据输入到所构建的火焰识别模型中，对火焰识别模型进行训练，得到训练后的火焰识别模型。
60.步骤s308-步骤s312是用于检测运动物体中是否包括火焰的处理。
61.在步骤s308处，与所述火焰的图像识别特征参数对应地提取所识别出的运动物体的相应第一图像特征参数，
62.第一图像特征参数为图像中的所定位框选的运动物体的图像与所述火焰的图像识别特征参数相对应的图像特征参数。
63.接下来，转到步骤s310。在步骤s310处，将所提取的运动物体的相应第一图像特征参数输入到训练后的火焰识别模型中，检测运动物体中是否包括火焰。
64.接下来，转到步骤s312。在步骤s312处，输出火焰的检测结果。
65.火焰的检测结果将用于后续火灾发生的判定。
66.图4示出了根据本公开的实施例的烟检测方法400。方法400是对步骤s108中检测所识别出的运动物体中是否包括烟的详细说明。
67.步骤s402-步骤s406是用于构建烟识别模型的处理。
68.在步骤s402处，收集一定量的烟图像识别数据，并选定烟的图像识别特征参数。
69.烟的图像识别特征参数例如是能够对烟进行有效识别的图像参数，诸如图像灰度值等。
70.接下来，转到步骤s404。在步骤s404处，基于选定的烟的图像识别特征参数，构建用于识别烟的烟识别模型。
71.例如，在根据本公开的实施例的一些方式中，可以通过机器学习方法来基于选定的烟的图像识别特征参数，构建用于识别烟的烟识别模型。所述机器学习方法包括但不限于神经网络方法、svm方法、蚂蚁追踪方法等。
72.接下来，转到步骤s406。在步骤s406处，将所收集的一定量的烟图像识别数据输入到所构建的烟识别模型中，对烟识别模型进行训练，得到训练后的烟识别模型。
73.此外，虽然未示出，但显然也可以按照如上步骤s402-s406的方式构建雾识别模型来对雾进行识别。由于在对烟进行精确检测后便可以与雾加以区分，因此在此省略对雾识别模型的详细描述。
74.步骤s408-步骤s412是用于检测运动物体中是否包括烟的处理。
75.在步骤s408处，与所述烟的图像识别特征参数对应地提取所识别出的运动物体的相应第二图像特征参数。
76.第二图像特征参数为图像中的所定位框选的运动物体的图像与所述烟的图像识别特征参数相对应的图像特征参数。
77.接下来，转到步骤s410。在步骤s410处，将所提取的运动物体的相应第二图像特征参数输入到训练后的烟识别模型中，检测运动物体中是否包括烟。
78.接下来，转到步骤s412。在步骤s412处，输出烟的检测结果。
79.烟的检测结果将用于后续火灾发生的判定。
80.图5示出了根据本公开的实施例的用于火灾检测的系统500。
81.如图5所示，系统500包括图像数据获取模块502、图像动态分析模块504、火焰识别模块506、烟识别模型508以及综合判定模块510。
82.图像数据获取模块502获取由摄像装置捕获的图像。
83.图像动态分析模块504对所获取的图像进行动态分析，判定图像中是否存在运动物体。
84.在根据本公开的一些实施方式中，图像数据获取模块504选定第一帧图像作为背景图像，所述第一帧图像中不存在运动物体；设定差分阈值α；对第二帧图像与第一帧图像进行差分运算，得到差分值β；并且基于差分值β和差分阈值α来判定第二帧图像中是否存在运动物体。
85.当β≥α时，图像数据获取模块504判定第二帧图像中存在运动物体。
86.当判定第二帧图像中存在运动物体时，图像数据获取模块504对第二帧图像进行去噪处理和联通区域分析，对经处理和分析的第二帧图像中的运动物体的最小外接矩形进行定位框选，并且将定位框选后的运动物体输出到火焰识别模块506和烟识别模块508。
87.此外，当β《α时，图像数据获取模块504判定第二帧图像中不存在运动物体。
88.火焰识别模块506检测由图像动态分析模块所识别出的运动物体中是否包括火焰。
89.在根据本公开的一些实施方式中，火焰识别模块506包括火焰模型构建模块5062和火焰检测模块5064。
90.火焰模型构建模块5062收集一定量的火焰图像数据，并选定火焰的图像识别特征参数；基于选定的火焰的图像识别特征参数，构建用于识别火焰的火焰识别模型；以及将所收集的一定量的火焰图像数据输入到所构建的火焰识别模型中，对火焰识别模型进行训练，得到训练后的火焰识别模型。
91.火焰检测模块5064与所述火焰的图像识别特征参数对应地提取由图像动态分析模块504所识别出的运动物体的相应第一图像特征参数；将所提取的运动物体的相应第一图像特征参数输入到训练后的火焰识别模型中，检测运动物体中是否包括火焰；以及将火焰的检测结果输出到综合判定模块510。
92.烟识别模型508检测由图像动态分析模块所识别出的运动物体中是否包括烟。
93.在根据本公开的一些实施方式中，火焰识别模块508包括烟模型构建模块5082和烟检测模块5084。
94.烟模型构建模块5082收集一定量的烟图像识别数据，并选定烟的图像识别特征参
数；基于选定的烟的图像识别特征参数，构建用于识别烟的烟识别模型；以及将所收集的一定量的烟图像识别数据输入到所构建的烟识别模型中，对烟识别模型进行训练，得到训练后的烟识别模型。
95.烟检测模块5084与所述烟的图像识别特征参数对应地提取由图像动态分析模块所识别出的运动物体的相应第二图像特征参数，将所提取的运动物体的相应第二图像特征参数输入到训练后的烟识别模型中，检测运动物体中是否包括烟；以及将烟的检测结果输出到综合判定模块510。
96.综合判定模块510基于火焰识别模块506的检测结果和烟识别模块508的检测结果来判定是否发生火灾。
97.当在连续多帧图像中检测出火焰和烟中至少之一时，综合判定模块510判定发生火灾，并发出火灾警报。
98.当在连续多帧图像中没有检测出火焰和烟时，综合判定模块510判定没有发生火灾，并且不发出火灾警报。
99.要注意的是，上述示例并不意图构成对本发明的限制，并且图5所示的系统500适用于上面结合图1至图4所描述的用于火灾检测的方法100、方法200、方法300和方法400的各个处理。为了避免对本发明不必要的模糊，在此省略了对图5所示的系统500的其他功能的描述。
100.此外，在根据本发明的一些实施方式中，上述方法100、方法200、方法300、方法400和系统500也可以作为由处理器、存储器、通信单元、外部接口以及总线等构成的装置来实现。
101.例如，处理器可以为中央处理单元(cpu)或数字信号处理器(dsp)，并且控制装置的功能。
102.存储器例如包括随机存取存储器(ram)和只读存储器(rom)，并且存储数据和由处理器执行的应用程序。存储器用作处理器的工作区域。当执行诸如应用的应用程序时，执行所需的各种数据被加载到存储器中。
103.此外，代替rom或除了rom之外，还可以设置hdd(硬盘驱动器)、闪存或诸如固态存储器的另一非易失性存储器。然后，在这些存储设备中，可以存储上述各种数据或应用程序。
104.例如，作为通信单元，设置诸如wifi的无线lan模块或诸如蓝牙(注册商标)的短距离无线模块。
105.外部接口(i/f)是用于基于诸如usb和hdmi(注册商标)(高清晰度多媒体接口)的标准来连接到外部装置的接口。此外，可以配置用于连接到诸如存储棒的各种存储卡的接口。
106.总线将处理器、存储器、通信单元和外部接口(i/f)彼此连接。总线可以包括各自具有不同速度的两个或更多个总线(诸如高速总线和低速总线)。
107.此外，在根据本发明的一些实施方式中，由具有上述硬件配置的根据本发明的实施例的装置执行的处理通过存储在rom等中的软件和装置的硬件资源的协作来实现。例如，通过处理器(cpu)将存储在rom等中的根据本技术的应用程序(应用)加载到ram中以执行它，实现了根据本发明的用于火灾检测的方法。为了实现这些块，可以适当地使用专用硬
件。
108.诸如应用的应用程序从例如全球网络安装在根据本发明的实施例的装置中。或者，应用程序可以经由记录介质安装在根据本发明的实施例的装置中。
109.不同于传统传感器的方法，根据本公开的实施例的方法、系统和装置通过对摄像装置捕获的图像进行图像识别来进行火灾检测和预警，减少了人力物力的参与，从而降低了成本。此外，本发明通过摄像装置实时捕获的图像实现了对火焰和烟的实时检测，提高了火灾检测的及时性。同时，根据本公开的实施例的方法、系统和装置可以有效地区分火焰、烟和雾，防止了水雾对检测的干扰，降低了误报率，提高了检测的准确性。
110.根据本公开的实施例的方法、系统和装置可以应用于多重场景，例如，森林环境、城市环境以及建筑物室内。
111.例如，建筑物室内环境中，采用本发明的方法可以通过室内的摄像装置对室内区域进行监控，将获取到的图像信息进行火焰检测以及烟检测，来及时判断是否有火情的发生，同时可以有效的排除室内加湿器或者水汽对检测产生的干扰。
112.本领域技术人员应当知道，本公开被实施为一方法、系统、装置或作为计算机应用程序产品的计算机可读媒体(例如非瞬态存储介质)。因此，本公开可以实施为各种形式，例如完全的硬件示例性实施例、完全的软件示例性实施例(包括固件、常驻软件、微应用程序代码等)，或者也可实施为软件与硬件的实施形式，在以下会被称为“电路”、“模块”或“系统”。此外，本公开也可以任何有形的媒体形式实施为计算机应用程序产品，其具有计算机可使用应用程序代码存储于其上。
113.本公开的相关叙述参照根据本公开具体示例性实施例的方法、系统、装置及计算机应用程序产品的流程图和/或框图来进行说明。可以理解每一个流程图和/或框图中的每一个块，以及流程图和/或框图中的块的任何组合，可以使用计算机应用程序指令来实施。这些计算机应用程序指令可供通用型计算机或特殊计算机的处理器或其他可编程数据处理装置所组成的机器来执行，而指令经由计算机或其他可编程数据处理装置处理以便实施流程图和/或框图中所说明的功能或操作。
114.在附图中显示根据本公开各种示例性实施例的方法、系统、装置及计算机应用程序产品可实施的架构、功能及操作的流程图及框图。因此，流程图或框图中的每个块可表示一模块、区段、或部分的应用程序代码，其包括一个或多个可执行指令，以实施指定的逻辑功能。另外应当注意，在某些其他的示例性实施例中，块所述的功能可以不按图中所示的顺序进行。举例来说，两个图示相连接的块事实上也可以同时执行，或根据所涉及的功能在某些情况下也可以按图标相反的顺序执行。此外还需注意，每个框图和/或流程图的块，以及框图和/或流程图中块的组合，可藉由基于专用硬件的系统来实施，或者藉由专用硬件与计算机指令的组合，来执行特定的功能或操作。
115.如在此所使用的，词语“示例性的”意指“用作示例、实例或说明”，而不是作为将被精确复制的“模型”。在此示例性描述的任意实现方式并不一定要被解释为比其它实现方式优选的或有利的。而且，本公开不受在上述技术领域、背景技术、发明内容或具体实施方式中所给出的任何所表述的或所暗示的理论所限定。
116.如在此所使用的，词语“基本”意指包含由设计或制造的缺陷、器件或元件的容差、环境影响和/或其它因素所致的任意微小的变化。词语“基本”还允许由寄生效应、噪音以及
可能存在于实际的实现方式中的其它实际考虑因素所致的与完美的或理想的情形之间的差异。
117.另外，仅仅为了参考的目的，还可以在本文中使用“第一”、“第二”等类似术语，并且因而并非意图限定。例如，除非上下文明确指出，否则涉及结构或元件的词语“第一”、“第二”和其它此类数字词语并没有暗示顺序或次序。
118.还应理解，“包括/包含”一词在本文中使用时，说明存在所指出的特征、整体、步骤、操作、单元和/或组件，但是并不排除存在或增加一个或多个其它特征、整体、步骤、操作、单元和/或组件以及/或者它们的组合。
119.在本公开中，术语“提供”从广义上用于涵盖获得对象的所有方式，因此“提供某对象”包括但不限于“购买”、“制备/制造”、“布置/设置”、“安装/装配”、和/或“订购”对象等。
120.本领域技术人员应当意识到，在上述操作之间的边界仅仅是说明性的。多个操作可以结合成单个操作，单个操作可以分布于附加的操作中，并且操作可以在时间上至少部分重叠地执行。而且，另选的示例性实施例可以包括特定操作的多个实例，并且在其他各种示例性实施例中可以改变操作顺序。但是，其它的修改、变化和替换同样是可能的。因此，本说明书和附图应当被看作是说明性的，而非限制性的。
121.另外，本公开的实施方式还可以包括以下示例：
122.(1)一种用于火灾检测的方法，包括：
123.获取由摄像装置捕获的图像；
124.对所获取的图像进行动态分析，判定图像中是否存在运动物体；
125.检测所识别出的运动物体中是否包括火焰；
126.检测所识别出的运动物体中是否包括烟；以及
127.基于火焰的检测结果和烟的检测结果来判定是否发生火灾。
128.(2)根据(1)所述的方法，其特征在于，所述对所获取的图像进行动态分析包括：
129.选定第一帧图像作为背景图像，所述第一帧图像中不存在运动物体；
130.设定差分阈值α；
131.对第二帧图像与第一帧图像进行差分运算，得到差分值β；并且
132.基于差分值β和差分阈值α来判定第二帧图像中是否存在运动物体。
133.(3)根据(2)所述的方法，其特征在于，所述对所获取的图像进行动态分析还包括：
134.当β≥α时，判定第二帧图像中存在运动物体；以及
135.当判定第二帧图像中存在运动物体时，
136.对第二帧图像进行去噪处理和联通区域分析，
137.对经处理和分析的第二帧图像中的运动物体的最小外接矩形进行定位框选，并且
138.输出定位框选后的运动物体。
139.(4)根据(2)所述的方法，其特征在于，所述对所获取的图像进行动态分析还包括：
140.当β《α时，判定第二帧图像中不存在运动物体。
141.(5)根据(1)所述的方法，其特征在于，所述检测所识别出的运动物体中是否包括火焰包括：
142.收集一定量的火焰图像数据，并选定火焰的图像识别特征参数；
143.基于选定的火焰的图像识别特征参数，构建用于识别火焰的第一识别模型；以及
144.将所收集的一定量的火焰图像数据输入到所构建的第一识别模型中，对第一识别模型进行训练，得到训练后的第一识别模型。
145.(6)根据(5)所述的方法，其特征在于，所述检测所识别出的运动物体中是否包括火焰还包括：
146.与所述火焰的图像识别特征参数对应地提取所识别出的运动物体的相应第一图像特征参数；
147.将所提取的运动物体的相应第一图像特征参数输入到训练后的第一识别模型中，检测运动物体中是否包括火焰；以及
148.输出火焰的检测结果。
149.(7)根据(1)所述的方法，其特征在于，所述检测所识别出的运动物体中是否包括烟包括：
150.收集一定量的烟图像识别数据，并选定烟的图像识别特征参数；
151.基于选定的烟的图像识别特征参数，构建用于识别烟的第二识别模型；以及
152.将所收集的一定量的烟图像识别数据输入到所构建的第二识别模型中，对第二识别模型进行训练，得到训练后的第二识别模型。
153.(8)根据(7)所述的方法，其特征在于，所述检测所识别出的运动物体中是否包括烟还包括：
154.与所述烟的图像识别特征参数对应地提取所识别出的运动物体的相应第二图像特征参数；
155.将所提取的运动物体的相应第二图像特征参数输入到训练后的第二识别模型中，检测运动物体中是否包括烟；以及
156.输出烟的检测结果。
157.(9)根据(1)所述的方法，其特征在于，所述基于火焰的检测结果和烟的检测结果来判定是否发生火灾包括：
158.当在连续多帧图像中检测出火焰和烟中至少之一时，判定发生火灾，并发出火灾警报；并且
159.当在连续多帧图像中没有检测出火焰和烟时，判定没有发生火灾，并且不发出火灾警报。
160.(10)一种用于火灾检测的系统，包括：
161.图像数据获取模块，被配置为获取由摄像装置捕获的图像；
162.图像动态分析模块，被配置为对所获取的图像进行动态分析，判定图像中是否存在运动物体；
163.第一识别模块，被配置为检测由图像动态分析模块所识别出的运动物体中是否包括火焰；
164.第二识别模块，被配置为检测由图像动态分析模块所识别出的运动物体中是否包括烟；以及
165.综合判定模块，被配置为基于第一识别模块的检测结果和第二识别模块的检测结果来判定是否发生火灾。
166.(11)根据(10)所述的系统，其特征在于，所述图像动态分析模块被配置为：
167.选定第一帧图像作为背景图像，所述第一帧图像中不存在运动物体；
168.设定差分阈值α；
169.对第二帧图像与第一帧图像进行差分运算，得到差分值β；并且
170.基于差分值β和差分阈值α来判定第二帧图像中是否存在运动物体。
171.(12)根据(11)所述的系统，其特征在于，所述图像动态分析模块还被配置为：
172.当β≥α时，判定第二帧图像中存在运动物体；以及
173.当判定第二帧图像中存在运动物体时，
174.对第二帧图像进行去噪处理和联通区域分析，
175.对经处理和分析的第二帧图像中的运动物体的最小外接矩形进行定位框选，并且
176.将定位框选后的运动物体输出到第一识别模块和第二识别模块。
177.(13)根据(11)所述的系统，其特征在于，所述图像动态分析模块还被配置为：
178.当β《α时，判定第二帧图像中不存在运动物体。
179.(14)根据(10)所述的系统，其特征在于，所述第一识别模块包括：
180.第一模型构建模块，被配置为
181.收集一定量的火焰图像数据，并选定火焰的图像识别特征参数；
182.基于选定的火焰的图像识别特征参数，构建用于识别火焰的第一识别模型；以及
183.将所收集的一定量的火焰图像数据输入到所构建的第一识别模型中，对第一识别模型进行训练，得到训练后的第一识别模型。
184.(15)根据(14)所述的系统，其特征在于，所述第一识别模块还包括：
185.第一检测模块，被配置为
186.与所述火焰的图像识别特征参数对应地提取由图像动态分析模块所识别出的运动物体的相应第一图像特征参数；
187.将所提取的运动物体的相应第一图像特征参数输入到训练后的第一识别模型中，检测运动物体中是否包括火焰；以及
188.将火焰的检测结果输出到综合判定模块。
189.(16)根据(10)所述的系统，其特征在于，所述第二识别模块包括：
190.第二模型构建模块，被配置为
191.收集一定量的烟图像识别数据，并选定烟的图像识别特征参数；
192.基于选定的烟的图像识别特征参数，构建用于识别烟的第二识别模型；以及
193.将所收集的一定量的烟图像识别数据输入到所构建的第二识别模型中，对第二识别模型进行训练，得到训练后的第二识别模型。
194.(17)根据(16)所述的系统，其特征在于，所述第二识别模块还包括：
195.第二检测模块，被配置为
196.与所述烟的图像识别特征参数对应地提取由图像动态分析模块所识别出的运动物体的相应第二图像特征参数；
197.将所提取的运动物体的相应第二图像特征参数输入到训练后的第二识别模型中，检测运动物体中是否包括烟；以及
198.将烟的检测结果输出到综合判定模块。
199.(18)根据(10)所述的系统，其特征在于，所述综合判定模块被配置为：
200.当在连续多帧图像中检测出火焰和烟中至少之一时，判定发生火灾，并发出火灾警报；并且
201.当在连续多帧图像中没有检测出火焰和烟时，判定没有发生火灾，并且不发出火灾警报。
202.(19)一种用于火灾检测的装置，包括：
203.存储器，其上存储有指令；以及
204.处理器，所述处理器耦合到所述存储器，并且被配置为在执行所述指令时使得所述装置执行根据(1)至(9)中的任一项所述的方法。
205.(20)一种其上存储有可执行指令的计算机可读存储介质，当所述可执行指令由计算机执行时，使所述计算机执行根据(1)至(9)中的任一项所述的方法。
206.虽然已经通过示例对本公开的一些特定示例性实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。在此公开的各示例性实施例可以任意组合，而不脱离本公开的精神和范围。本领域的技术人员还应理解，可以对示例性实施例进行多种修改而不脱离本公开的范围和精神。本公开的范围由所附权利要求来限定。