基于火焰视觉虚化性的火灾检测方法、系统、装置及介质与流程

1.本发明涉及火灾检测技术领域，尤其是一种基于火焰视觉虚化性的火灾检测方法、系统、装置及介质。


背景技术：

2.火灾的频发性和普遍性威胁着公众的安全和社会的发展，被认为是我们日常生活中最严重的威胁之一，其传播速度之快，财产损失之大让火灾的预防和避免成为保护人员生命和财产安全必不可少的一项任务，低成本、可靠、覆盖面广的火灾报警系统使得人类能够及早的发现火情并且可以安全、尽快的逃生，火灾探测和报警系统也可以尽可能地减少火灾及其对人类造成的危害。
3.在工业、农业以及社会生产生活的各个方面，传统的火灾探测系统已不能满足复杂环境下火灾报警系统的实际需要，大多数火灾自动报警系统采用单一的被动传感器报警，存在一些不可避免的问题。例如，一些使用光敏探测器的设备会受到阳光和光线的影响。烟雾探测器可以受到各种气体的影响，基于多传感器的火焰检测技术随着传感器安装数量的增加，基于简单算法的多传感器误报率将会大大提高，从而导致报警系统出现多次漏报或误报。
4.视频火灾探测技术是近几十年来才开始在火灾探测中应用的一项新技术。视频火灾检测方法是一种非接触检测方法，与传统的烟雾检测、温度检测等方法相比，速度更快、更智能、更可靠。一般使用普通的彩色摄像机拍摄场景视频，提取火灾的颜色、形状等一些独特的火灾特征作为火灾探测识别算法的输入，但是图像型火焰检测技术精确度不高，且在复杂环境下有着复杂的特征，因此，研究传感器和图像型以外的火焰检测技术至关重要。
5.术语解释：
6.火焰视觉虚化性：visual blurring of flame，是指火焰灼热发光的气化部分人眼可以观测、摄像头可见光能够捕捉，但是激光等特殊光源穿透火焰，不能得到反射，火焰整体呈现出虚化的状态。而常见的干扰物基本都是实体状态，不具备视觉虚化性。
7.多特征融合：multi-feature fusion，多特征融合也可称为多传感器相关、多传感器融合等，是指将同一事物从不同方面进行信息提取，通过一定的准则，利用计算机将各个特征综合分析，进而准确全面地判断同一事物。


技术实现要素：

8.本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
9.为此，本发明实施例的一个目的在于提供一种基于火焰视觉虚化性的火灾检测方法，该方法利用rgb-his颜色分割模型提取疑似火焰区域，同时通过双目测距与激光测距捕捉火焰的视觉虚化性特征，并结合火焰的色散特征、相似度特征以及质心运动特征通过mes多专家决策系统进行特征融合与决策分析，得到火灾检测结果，降低了火灾检测的错判率和漏检率，提高了火灾检测的精度。
10.本发明实施例的另一个目的在于提供一种基于火焰视觉虚化性的火灾检测系统。
11.为了达到上述技术目的，本发明实施例所采取的技术方案包括：
12.第一方面，本发明实施例提供了一种基于火焰视觉虚化性的火灾检测方法，包括以下步骤：
13.获取待检测区域的第一视频图像，对所述第一视频图像进行颜色分割，得到疑似火焰区域；
14.确定所述疑似火焰区域的色散特征、相似度特征以及质心运动特征；
15.通过双目测距和激光测距提取所述疑似火焰区域的火焰视觉虚化性特征；
16.构建mes多专家决策系统，通过所述mes多专家决策系统对所述色散特征、所述相似度特征、所述质心运动特征以及所述火焰视觉虚化性特征进行特征融合和决策分析，得到火灾检测结果。
17.进一步地，在本发明的一个实施例中，所述对所述第一视频图像进行颜色分割，得到疑似火焰区域这一步骤，其具体包括：
18.确定红色分量阈值和饱和度阈值；
19.根据所述红色分量阈值和所述饱和度阈值构建rgb-his颜色分割模型；
20.通过所述rgb-his颜色分割模型对所述第一视频图像进行颜色分割，得到疑似火焰区域。
21.进一步地，在本发明的一个实施例中，所述rgb-his颜色分割模型为：
22.r＞g＞b
23.r＞r
t
24.s＞(255-r)
×st
/r
t
25.其中，r表示目标像素点的红色分量，g表示目标像素点的绿色分量，b表示目标像素点的蓝色分量，r
t
表示红色分量阈值，s表示目标像素点的饱和度，s
t
表示饱和度阈值。
26.进一步地，在本发明的一个实施例中，所述确定所述疑似火焰区域的色散特征、相似度特征以及质心运动特征这一步骤，其具体包括：
27.对所述疑似火焰区域进行图像分析，提取所述疑似火焰区域各个部分的色散特征；
28.对所述第一视频图像的连续帧的所述疑似火焰区域进行比对，得到所述疑似火焰区域的相似度特征；
29.确定所述疑似火焰区域的质心位置，并根据所述质心位置确定所述第一视频图像的质心运动特征。
30.进一步地，在本发明的一个实施例中，所述通过双目测距和激光测距提取所述疑似火焰区域的火焰视觉虚化性特征这一步骤，其具体包括：
31.通过双目摄像机对所述疑似火焰区域进行双目测距，得到所述疑似火焰区域的第一火焰深度信息；
32.通过激光测量系统对所述疑似火焰区域进行激光测距，得到所述疑似火焰区域的第二火焰深度信息；
33.根据所述第一火焰深度信息和所述第二火焰深度信息的差值确定所述疑似火焰区域的火焰视觉虚化性特征。
34.进一步地，在本发明的一个实施例中，所述构建mes多专家决策系统这一步骤，其具体包括：
35.获取预先训练好的色散分类器、相似度分类器、质心运动分类器以及火焰视觉虚化性分类器；
36.确定所述色散分类器的第一权值、所述相似度分类器的第二权值、所述质心运动分类器的第三权值以及所述火焰视觉虚化性分类器的第四权值；
37.根据所述色散分类器、所述相似度分类器、所述质心运动分类器、所述火焰视觉虚化性分类器、所述第一权值、所述第二权值、所述第三权值以及所述第四权值构建mes多专家决策系统。
38.进一步地，在本发明的一个实施例中，所述通过所述mes多专家决策系统对所述色散特征、所述相似度特征、所述质心运动特征以及所述火焰视觉虚化性特征进行特征融合和决策分析，得到火灾检测结果这一步骤，其具体包括：
39.根据所述色散分类器、所述相似度分类器、所述质心运动分类器以及所述火焰视觉虚化性分类器分别对所述色散特征、所述相似度特征、所述质心运动特征以及所述火焰视觉虚化性特征进行分类，得到多个火焰分类标签；
40.根据所述第一权值、所述第二权值、所述第三权值、所述第四权值以及所述火焰分类标签进行特征融合，得到第一加权和，进而根据所述第一加权和和预设的阈值确定所述疑似火焰区域是否发生火灾。
41.第二方面，本发明实施例提供了一种基于火焰视觉虚化性的火灾检测系统，包括：
42.颜色分割模块，用于获取待检测区域的第一视频图像，对所述第一视频图像进行颜色分割，得到疑似火焰区域；
43.第一特征确定模块，用于确定所述疑似火焰区域的色散特征、相似度特征以及质心运动特征；
44.第二特征确定模块，用于通过双目测距和激光测距提取所述疑似火焰区域的火焰视觉虚化性特征；
45.特征融合模块，用于构建mes多专家决策系统，通过所述mes多专家决策系统对所述色散特征、所述相似度特征、所述质心运动特征以及所述火焰视觉虚化性特征进行特征融合和决策分析，得到火灾检测结果。
46.第三方面，本发明实施例提供了一种基于火焰视觉虚化性的火灾检测装置，包括：
47.至少一个处理器；
48.至少一个存储器，用于存储至少一个程序；
49.当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种基于火焰视觉虚化性的火灾检测方法。
50.第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种基于火焰视觉虚化性的火灾检测方法。
51.本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：
52.本发明实施例利用rgb-his颜色分割模型提取疑似火焰区域，同时通过双目测距
与激光测距捕捉火焰的视觉虚化性特征，并结合火焰的色散特征、相似度特征以及质心运动特征通过mes多专家决策系统进行特征融合与决策分析，得到火灾检测结果，一方面可以准确地排除灯泡、反光、红色灭火器等干扰，降低了火灾检测的误判率，另一方面可以检测出各种燃料产生的火焰，降低了火灾检测漏检率，从而提高了火灾检测的精度。
附图说明
53.为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
54.图1为本发明实施例提供的一种基于火焰视觉虚化性的火灾检测方法的步骤流程图；
55.图2为本发明实施例提供的双目测距测量火焰深度信息的原理示意图；
56.图3为本发明实施例提供的激光测距测量火焰深度信息的原理示意图；
57.图4为本发明实施例提供的双目测距与激光测距得到的火焰深度信息的对比示意图；
58.图5为本发明实施例提供的mes多专家决策系统的结构示意图；
59.图6为本发明实施例提供的一种基于火焰视觉虚化性的火灾检测系统的结构框图；
60.图7为本发明实施例提供的一种基于火焰视觉虚化性的火灾检测装置的结构框图。
具体实施方式
61.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
62.在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
63.早期，人们使用传统的感烟、感光、感温传感器进行火灾检测，但在烟雾颗粒或热量扩散到达一定程度之前，传感器不会发出警报，因此导致火灾探测的大幅延迟，无法应用于大型空间和开放式场所。近年来随着计算机图像处理技术的成熟，基于视频图像的火焰检测技术受到极大关注，图像型火焰检测技术克服了传感器火灾探测系统结构单一、实时性差以及准确率较低的缺点，通过对火焰动、静态等特征提取并进行多特征融合实现火焰检测，是火焰检测技术的重要突破。
64.目前，视频图像火焰检测技术主要从火焰静态特征和动态特征两个方面进行分
析。
65.静态特征：其中最具代表性的是火焰颜色空间特征，颜色空间主要包括rgb、his、ycbcr等。静态特征还包括火焰的光谱信息、区域结构、几何特征。光谱信息包含了颜色特征、饱和度特征等，火焰区域结构包含了纹理、重心高度系数等，几何特征包含圆形度、矩形度、火焰尖角等。静态特征中的颜色信息是火焰检测中使用最多的特征之一，能够有效区分不同颜色物体，火焰的饱和度较大，可以区分火焰与一般红色物体，但静态特征不能有效地排除噪声和类似火的物体，如灯泡，红墙，灭火器等的干扰。
66.动态特征：仅利用单一特征的火灾检测方法存在准确率低，误报率高等缺点，因此许多研究进一步分析了火焰的动态特征并融合火焰静、动态特征以降低火焰检测误报率。动态特征包括整体运动和随机运动。火焰整体运动特征有面积变化、整体移动以及相似度，随机运动包含了火焰频闪特征和形体变化。火焰的运动特征可以区分光源，反光等物体。但基于火焰动态特征的火灾检测方法不能有效的排除移动的光源，如车尾灯，阳光的折射等疑似火源的干扰。同时不能检测出特殊燃料如镁、磷、铜等产生的火焰。
67.多特征融合：单一的火焰特征提取用来检测火灾是否发生早已不能满足实际需求，单一的特征提取虽然算法简单，但是精确度不高，而且在复杂的火灾环境下，火焰表现出了多种多样的特征，因此，需要提取多种特征并进行特征融合，常用的特征融合方法有概率统计法、支持向量机、贝叶斯估计法、模糊逻辑法和人工神经网络法，进行多特征融合就不可避免地产生了高维特征向量。处理高维特征向量是目前研究领域的难点问题，在机器学习和模式识别中,使用一个高维的特征向量将意味着显著增加所需的数据训练分类器,以避免过度专门化以达到更加可靠的结果。此外、火灾的可变性以及在火灾环境中获取的数据中的大量噪声阻碍了系统的识别率。
68.为了克服视觉图像火灾系统中存在的火焰误判和漏检等问题，本发明实施例公开了一种基于火焰视觉虚化性的火灾检测方法，通过双目测距与激光测距配合提取火焰视觉虚化性特征，一方面可以准确地排除灯泡、反光、红色灭火器等干扰，降低误判率，另一方面可以检测出各种燃料产生的火焰，降低漏检率，最后通过mes(multi-expert system)融合火焰视觉虚化性与视频图像火焰特征，从而准确的检测出火焰，同时该系统具备复杂室内室外环境下的适用能力。
69.参照图1，本发明实施例提供了一种基于火焰视觉虚化性的火灾检测方法，具体包括以下步骤：
70.s101、获取待检测区域的第一视频图像，对第一视频图像进行颜色分割，得到疑似火焰区域。
71.进一步作为可选的实施方式，对第一视频图像进行颜色分割，得到疑似火焰区域这一步骤，其具体包括：
72.a1、确定红色分量阈值和饱和度阈值；
73.a2、根据红色分量阈值和饱和度阈值构建rgb-his颜色分割模型；
74.a3、通过rgb-his颜色分割模型对第一视频图像进行颜色分割，得到疑似火焰区域。
75.进一步作为可选的实施方式，rgb-his颜色分割模型为：
76.r＞g＞b
77.r＞r
t
78.s＞(255-r)
×st
/r
t
79.其中，r表示目标像素点的红色分量，g表示目标像素点的绿色分量，b表示目标像素点的蓝色分量，r
t
表示红色分量阈值，s表示目标像素点的饱和度，s
t
表示饱和度阈值。
80.具体地，为了分割疑似火焰区域，使用火焰颜色特征作为判定条件，火焰燃烧由红变黄，对应rgb颜色空间，满足r＞g＞b；由于火焰燃烧时红色分量特征明显，设置红色分量阈值r
t
可以排除其他颜色物体；由于火焰饱和度高，设置火焰饱和度阈值s
t
可以避免如红色行人、红墙等饱和度低的背景物的影响。
81.根据以上火焰特征，本发明首先采用rgb-his颜色模型分割疑似火焰区域，即：
82.r＞g＞b
83.r＞r
t
84.s＞(255-r)
×st
/r
t
85.其中，r表示目标像素点的红色分量，g表示目标像素点的绿色分量，b表示目标像素点的蓝色分量，r
t
表示红色分量阈值，s表示目标像素点的饱和度，s
t
表示饱和度阈值。可以理解的是，饱和度将随着r分量的增加而降低，r分量朝着最大值255增大，饱和度s将减小至零。r
t
和s
t
范围分别为55-65和115-135，在发明实施例中，设定r
t
＝55，s
t
＝125。
86.s102、确定疑似火焰区域的色散特征、相似度特征以及质心运动特征。
87.进一步作为可选的实施方式，步骤s102具体包括以下步骤：
88.s1021、对疑似火焰区域进行图像分析，提取疑似火焰区域各个部分的色散特征；
89.s1022、对第一视频图像的连续帧的疑似火焰区域进行比对，得到疑似火焰区域的相似度特征；
90.s1023、确定疑似火焰区域的质心位置，并根据质心位置确定第一视频图像的质心运动特征。
91.具体地，火焰燃烧时的不同部位燃烧程度和温度都不同，表现为一定程度的色散，色散由颜色分量的标准差定义，火焰的蓝色成分是由燃烧氧气产生的，在不同的火焰部位，蓝色分量的差异很大，因此蓝色分量标准差较大，而非火焰物体的蓝色分量通常是由光决定的，在小范围内没有色散，标准差非常小；火焰燃烧时具有闪烁特征，在单帧中看似不规则，但在连续的帧中却表现出一定的相似性，这与其他具有火焰颜色特征的快速移动光源或干扰物体有很大的不同，因此可以将相似度作为火焰判别依据；火焰在一定时间内不断闪烁，质心以重复的方式运动，因此火焰区域质心总位移与质心运动总距离之比小于一定的阈值，常见的干扰源，如移动的手电筒在短时间内质心呈现出统一的运动，所以比值较大。
92.s103、通过双目测距和激光测距提取疑似火焰区域的火焰视觉虚化性特征。
93.具体地，受复杂环境和不同燃烧材料的干扰，仅将火焰的颜色、运动等视频图像特征作为火焰检测特征依据，仍旧存在较高的误检率，为了提高火焰检测的准确率，本发明实施例加入了火焰视觉虚化性这一新型的火焰特征，并结合双目测距与激光测距检测火焰视觉虚化性特征。步骤s103具体包括以下步骤：
94.s1031、通过双目摄像机对疑似火焰区域进行双目测距，得到疑似火焰区域的第一火焰深度信息；
95.s1032、通过激光测量系统对疑似火焰区域进行激光测距，得到疑似火焰区域的第二火焰深度信息；
96.s1033、根据第一火焰深度信息和第二火焰深度信息的差值确定疑似火焰区域的火焰视觉虚化性特征。
97.具体地，如图2所示，首先使用预先校准的可变基线双目摄像机(hny-cv-002)测量第一火焰深度信息，根据双目测量原理：两个摄像头同时从两个不同的位置观察火焰，利用三角形几何原理计算图像像素之间的位置偏差，即视差d，得到被测目标三维信息，即点p三维坐标。p(x0,y0,z0)为被测目标火焰像素点，o
l
和or分别是左右两个相机的光心。p
l
(x
l
,y
l
)和pr(xr,yr)分别是点p在左右相机成像平面上的投影点。
98.根据三角形相似原理，双目测距方法测得的第一火焰深度信息可以表示为
99.激光测距的原理如图3所示，通过发射脉冲扫描被测物体的时间或相位差获得距离观测值l，根据水平方向和竖直方向的扫描角度观测值α和β获取任意一个被测点p'并生成三维点云图，x轴位于横向扫描面内，y轴在横向扫描面内垂直于x轴，z轴垂直于横向扫描面，激光测量火焰时穿透火焰像素点p，射向墙体、地面等背景物某点p'。
100.激光测量系统测得第二火焰深度信息为depth
′
＝l。
101.为了分析验证火焰视觉虚化性，本发明实施例建立图4所示双目测距与激光测距得到的火焰深度信息对比示意图，并作以下几种情况分析：
102.如图4(a)所示为测距系统与火焰位于同一水平位置时双目测距与激光测距得到的火焰深度信息对比示意图，测距系统与火焰连线与水平线的夹角α＝0
°
，且无背景障碍物时，激光穿过火焰射向无穷远，两者测得的火焰深度信息的差值τ
→
∞。
103.如图4(b)所示为测距系统与火焰位于不同水平位置时双目测距与激光测距得到的火焰深度信息对比示意图，系统测量角度α∈(0,90
°
)，系统悬挂高度在实际场景中固定为h，火焰距离系统水平距离为s。
104.由三角形原理可得：
105.由梯形原理可得：其中h'＝h-stanα，因此，
106.若两个系统测量距离差为τ，则τ的值随着α角度变化而改变，α越大τ越大，α越小τ越小。
107.如图4(c)所示为双目测距与激光测距得到的干扰物深度信息对比示意图，测距系统无论从什么角度和位置测量灯泡、行人等干扰物时，激光不会穿透干扰物，系统测得的距离值不考虑器材物理差异，理论上是一致的，因此，τ＝0。
108.在实际环境中，摄像头悬挂角度一般为30度到45度之间，根据双目测距与激光测距可以重建物体三维表面的原理，对特征像素点组成的疑似火焰区域，通过双目测距与激光测距测量区域内特征像素点深度信息。其中τ≈0的像素点区域为干扰物，而火焰区域内τ为有限值或为无穷，因此可以计算双目测距与激光测距测得火焰深度信息的差值，根据该
差值来表征火焰视觉虚化性特征。
109.s104、构建mes多专家决策系统，通过mes多专家决策系统对色散特征、相似度特征、质心运动特征以及火焰视觉虚化性特征进行特征融合和决策分析，得到火灾检测结果。
110.进一步作为可选的实施方式，构建mes多专家决策系统这一步骤，其具体包括：
111.b1、获取预先训练好的色散分类器、相似度分类器、质心运动分类器以及火焰视觉虚化性分类器；
112.b2、确定色散分类器的第一权值、相似度分类器的第二权值、质心运动分类器的第三权值以及火焰视觉虚化性分类器的第四权值；
113.b3、根据色散分类器、相似度分类器、质心运动分类器、火焰视觉虚化性分类器、第一权值、第二权值、第三权值以及第四权值构建mes多专家决策系统。
114.进一步作为可选的实施方式，通过mes多专家决策系统对色散特征、相似度特征、质心运动特征以及火焰视觉虚化性特征进行特征融合和决策分析，得到火灾检测结果这一步骤，其具体包括：
115.c1、根据色散分类器、相似度分类器、质心运动分类器以及火焰视觉虚化性分类器分别对色散特征、相似度特征、质心运动特征以及火焰视觉虚化性特征进行分类，得到多个火焰分类标签；
116.c2、根据第一权值、第二权值、第三权值、第四权值以及火焰分类标签进行特征融合，得到第一加权和，进而根据第一加权和和预设的阈值确定疑似火焰区域是否发生火灾。
117.具体地，mes(multi-expert system)多专家决策机制广泛应用于图像识别领域，尽管多特征融合有许多方法，但加权分类是解决多特征融合最有效的方法之一，mes通过分割特征向量并采用一组分类器，每个分类器针对一个特征集进行裁剪，然后将其训练为某个特征空间的专家。通过结合不同的单一分类器的结果来进行决策，mes多专家决策系统性能在绝大多数情况下优于单个最优分类器。
118.因此本发明实施例采用mes多专家决策机制进行多特征融合，并建立如图5所示基于火焰视觉虚化性特征的mes系统，其中，de表示颜色专家，se表示相似度专家，ve表示质心运动专家，ie表示视觉虚化性专家，决定mes性能的为专家的组合和决策规则，对于k专家，k∈{de，se，ve，ie}，将在标签中选择的类别ck(b)分配给输入的blob(f表示fire,表示n on-fire)；对i类的投票可以表示为σ
ik
(b)，如果输出对应类别，那么投票结果是1，否则结果是0。权值ωk(i)通过贝叶斯公式进行动态评估，得到mes的最高识别率如下：
[0119][0120]
最终的决策通过最大化整个mes的可靠性来识别特定的类，属于第i类的blob的可靠性是由投票加权计算得出：c的决策最终通过最大化不同类的可靠性得出：
[0121]
评估mes每个专家，如果满足给定阈值或者区间条件，则将输入的blob分类为火焰，否则为非火焰。其中，w
de
(f)、w
se
(f)、w
ve
(f)和w
ie
(f)分别为基于训练数据的颜色、相似
度、质心运动和火焰视觉虚化性对火焰样本的识别精度，和则分别为专家对干扰样本的识别精度。
[0122]
根据准确率的概念，本发明实施例定义真阳性率、真阴性率、假阳性率以及假阴性率如下：
[0123]
(1)真阳性率，真阳性率＝真阳性数/(真阳性数 假阳性数)，真阳性表示为真实火灾为火灾。
[0124]
(2)真阴性率，真阴性率＝真阴性数/(真阴性数 假阴性数)，真阴性表示为当检测到干扰物为非火焰。
[0125]
(3)假阳性率，假阳性率＝1-真阳性率，假阳性表示为误判干扰物为火焰。
[0126]
(4)假阴性率，假阴性率＝1-真阴性率，假阴性率表示为误判火焰为干扰物，
[0127]
利用数据集20％的随机视频对多专家系统进行训练，训练结果如下表1所示。为了样本计算，定义平均准确率为accuracy＝(真阳性率 真阴性率)/(真阳性率 真阴性率 假阳性率 假阴性率)。
[0128][0129]
表1
[0130]
将本发明实施例与其他方法检测的准确率、假阳性率以及假阴性率进行比对，结果如下表2所示。
[0131][0132]
表2
[0133]
由表2可知，本发明实施例的检测方法假阴性率为0.46％，平均准确率(95.86％)和假阳性率(7.82％)均达到最佳。
[0134]
与传统的基于颜色、运动和形状等特征组合的方法作比较，本发明实施例有以下
改进：
[0135]
首先是假阳性率，假阳性率即误判率，在室外环境以及强光照干扰下，基于视频图像火焰特征的多特征融合算法假阳性率较高，会将强烈的光源以及闪烁车灯误判为火焰，因为道路上的双向车灯会有闪烁，形成了类似火焰的明亮区域，但本发明的基于火焰视觉虚化性的多特征融合算法可以准确的检测出实体干扰物，并将其排除；其次是假阴性率，假阴性率即漏检率，虽然最新视觉图像火焰检测假阴性率较低，但对于镁磷燃烧时的白色火焰，铜燃烧时的绿色火焰，并且仅仅基于颜色模型和色散分量会漏判火焰，但本发明的火焰视觉虚化性不受颜色和运动条件的干扰，能够检测各种燃料产生的虚化火焰，进一步降低假阴性率，从而大大提高了火灾检测的精度。
[0136]
以上对本发明实施例的方法步骤进行了说明。可以理解的是，本发明实施例利用rgb-his颜色分割模型提取疑似火焰区域，同时通过双目测距与激光测距捕捉火焰的视觉虚化性特征，并结合火焰的色散特征、相似度特征以及质心运动特征通过mes多专家决策系统进行特征融合与决策分析，得到火灾检测结果，一方面可以准确地排除灯泡、反光、红色灭火器等干扰，降低了火灾检测的误判率，另一方面可以检测出各种燃料产生的火焰，降低了火灾检测漏检率，从而提高了火灾检测的精度。
[0137]
参照图6，本发明实施例提供了一种基于火焰视觉虚化性的火灾检测系统，包括：
[0138]
颜色分割模块，用于获取待检测区域的第一视频图像，对第一视频图像进行颜色分割，得到疑似火焰区域；
[0139]
第一特征确定模块，用于确定疑似火焰区域的色散特征、相似度特征以及质心运动特征；
[0140]
第二特征确定模块，用于通过双目测距和激光测距提取疑似火焰区域的火焰视觉虚化性特征；
[0141]
特征融合模块，用于构建mes多专家决策系统，通过mes多专家决策系统对色散特征、相似度特征、质心运动特征以及火焰视觉虚化性特征进行特征融合和决策分析，得到火灾检测结果。
[0142]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0143]
参照图7，本发明实施例提供了一种基于火焰视觉虚化性的火灾检测装置，包括：
[0144]
至少一个处理器；
[0145]
至少一个存储器，用于存储至少一个程序；
[0146]
当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种基于火焰视觉虚化性的火灾检测方法。
[0147]
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0148]
本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种基于火焰视觉虚化性的火灾检测方法。
[0149]
本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种基于火焰视觉虚化性的火灾检测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0150]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0151]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0152]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0153]
上述功能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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0154]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0155]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存
储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。
[0156]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0157]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0158]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0159]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。