一种基于物联网的消防方法与流程

1.本发明涉及数据处理技术领域，具体涉及一种基于物联网的消防方法。


背景技术：

2.消防物联网是将大量的传感器节点构成监控网络，通过各种传感器采集温度、有毒气体等信息，实现家庭环境的实时监测，以帮助用户及时发现问题；构建高感度的消防基础环境，实现实时、动态、互动、融合的消防信息采集、传递和处理，帮助人们合理利用资源，避免灾难发生和人员伤亡。
3.在封闭的仓库环境中一旦发生货物自燃、烟蒂引燃等情况，由于室内空气不流通，其阴燃时间较长，因此在仓门打开空气大量涌入时，会造成火势迅速蔓延、扑救难度大。并且由于仓库通常具有高挑的天花板及开阔的空间，这使得火灾探测的效果相对较差，因为温度、烟雾传感器安装的位置较高，对微弱的烟雾不够敏感，造成较大的消防隐患；因此采用视频监控对阴燃或者较小火苗的捕捉相较于温度、烟雾传感器反馈更加迅速，但由于仓库安装相机监控的覆盖范围大，因此对视频图像中微弱烟雾以及火苗的识别较为困难。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于物联网的消防方法，该方法包括以下步骤：获取仓库区域中的多帧视频图像，所述仓库区域中包括一个烟雾生成点，将每帧所述视频图像转换为对应的灰度图像；获取相邻帧灰度图像之间的差分图像，将首次出现灰度值非零的像素点的差分图像记为初始差分图像，获取所述初始差分图像后相邻多张差分图像；对每张差分图像中的差分像素点进行聚类得到多个簇，所述差分像素点为差分图像中灰度值非零的像素点；获取初始差分图像及其相邻多张差分图像中每个簇的平均灰度值，基于所述平均灰度值以及每两个簇之间的距离构建跟随函数，基于所述跟随函数获取所有簇中的跟随簇和被跟随簇；获取初始差分图像与其相邻多张差分图像中每个簇的簇中心，基于每个簇中心获取所述跟随簇与被跟随簇的位置变化，基于所述位置变化获取每张差分图像中的可疑区域；将所述可疑区域转换至频域空间，基于频域空间获取连续多张可疑区域的能量变化，根据所述能量变化确定烟雾区域，基于所述烟雾区域进行消防报警。
5.优选的，所述基于所述平均灰度值以及每两个簇之间的距离构建跟随函数的步骤，包括：获取每两个簇之间平均灰度值的差值；以每个簇的簇中心的坐标为所述簇的坐标位置，根据每两个簇之间坐标位置计算两个簇之间的距离；以所述差值的负数和所述距离的负数分别作为以自然常数为底的指数函数的幂，
基于两个指数函数得到跟随函数。
6.优选的，所述基于所述跟随函数获取所有簇中的跟随簇和被跟随簇的步骤，包括：以当前帧差分图像中的任意簇为目标簇，对下一帧差分图像中任意簇与所述目标簇进行跟随函数的计算，所述跟随函数最大时，下一帧差分图像中所述簇为所述目标簇的对应簇；所述目标簇为被跟随簇，所述目标簇的对应簇为跟随簇。
7.优选的，所述基于每个簇中心获取所述跟随簇与被跟随簇的位置变化的步骤，包括：分别获取所述被跟随簇和所述跟随簇对应的纵坐标，计算所述被跟随簇与所述跟随簇之间的纵坐标差值；所述纵坐标差值为位置变化。
8.优选的，所述基于所述位置变化获取每张差分图像中的可疑区域的步骤，包括：选取任意被跟随簇与对应跟随簇为一组跟随组，当初始差分图像与其相邻的多帧差分图像中所述跟随组对应的位置变化均大于0时，所述跟随组中的簇为可疑聚簇；当初始差分图像与其相邻的多帧差分图像中所述跟随组对应的位置变化存在小于0时，将位置变化首次小于0的差分图像记为标记图像；获取所述标记图像中与所述跟随组中的簇中心距离最近的簇记为标记簇，获取所述跟随组中的簇与所述标记簇的第一方向向量；获取所述标记图像中所述跟随组中的簇与所述标记图像的下一帧差分图像中对应簇之间的第二方向向量；基于所述第一方向向量与所述第二方向向量获取相近程度；当所述相近程度大于预设阈值时，所述跟随组中的簇为可疑聚簇；获取所有可以聚簇的位置变化的轨迹，以最大外接矩形对所述轨迹进行框选得到可疑区域。
9.优选的，所述基于频域空间获取连续多张可疑区域的能量变化的步骤，包括：获取每个可疑区域在频域空间中的频域区域，计算所述频域区域中所有频域点的平均亮度，基于所述平均亮度获取所述可疑区域的能量变化。
10.本发明具有如下有益效果：本发明实施例中通过对仓库区域中多帧差分图像的分析获取其中物体的运动情况，且对差分图像中存在灰度值的差分像素点进行聚类得到多个簇，基于每个簇的平均灰度值以及距离变化进行分析得到跟随簇与被跟随簇，使得对物体运动情况的分析更加准确；进一步基于跟随簇与被跟随簇之间位置的变化找出可疑区域，基于烟雾运动特性对可疑区域的筛选更加有说服力，进而将可疑区域对应至频域空间中进行能量分析，得到最终的烟雾区域，对烟雾区域识别的结果更加准确。
附图说明
11.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
12.图1为本发明一个实施例所提供的一种基于物联网的消防方法流程图。
具体实施方式
13.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于物联网的消防方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
14.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。
15.下面结合附图具体的说明本发明所提供的一种基于物联网的消防方法的具体方案。
16.请参阅图1，其示出了本发明一个实施例提供的一种基于物联网的消防方法流程图，该方法包括以下步骤：步骤s100，获取仓库区域中的多帧视频图像，仓库区域中包括一个烟雾生成点，将每帧视频图像转换为对应的灰度图像。
17.具体的，在仓库中随机放置一个烟雾生成点，模拟小火苗、阴燃情况发生，在监控系统中采集连续的多帧视频图像；进一步将每帧视频图像转化为灰度图像，有利于提高烟雾报警系统识别烟雾时的数据识别速度，减少多余色彩信息的冗余和干扰。
18.步骤s200，获取相邻帧灰度图像之间的差分图像，将首次出现灰度值非零的像素点的差分图像记为初始差分图像，获取初始差分图像后相邻多张差分图像；对每张差分图像中的差分像素点进行聚类得到多个簇，差分像素点为差分图像中灰度值非零的像素点。
19.在货物发生阴燃或较小的火情时，由于监控死角问题，要想捕捉火星、火苗来进行预警显然行不通，而起火引起的烟雾会飘散升腾，可以穿过监控死角被视频监控获取到；传统的烟雾检测方法，是通过对烟雾的各种视觉特征去分析其运动信息，对每一帧进行可疑区域定位，然后分析其各种特征，如颜色、纹理等，得到检测结果；但烟雾没有形态且做不规则的无序运动，尤其是较小的火情，其烟雾也是相当稀薄，仅根据视觉特征去捕捉烟雾，容易受到场景干扰导致其准确率下降。
20.本发明实施例中首先通过对所有的灰度图像进行差分处理，即对相邻两帧灰度图像作差进行可疑区域的初步筛选，对两帧灰度图像中对应像素点作差：其中，表示差分图像中第个像素点对应的灰度值；表示第帧灰度图像中第个像素点对应的灰度值；表示第帧灰度图像中第个像素点对应的灰度值。
21.以此类推，获取相邻两帧灰度图像之间对应像素点的灰度差值得到差分图像；当仓库中有人物、推车等运动时，差分图像中所包含的信息更多；对于微弱的烟雾来说，差分图像中所包含的信息很少；作为静态的图像部分来说，其差分图像中像素点的灰度值为0；本发明实施例中将差分图像中灰度值非零的像素点记为差分像素点；对连续多帧灰度图像依次求取差分图像时，将首次出现差分像素点的差分图像记为初始差分图像。
22.进一步的，以依次获取的差分图像为节点，当差分图像中包括差分像素点时，说明灰度图像中存在动态变化，因此需要追踪运动轨迹，本发明实施例中以初始差分图像后相邻10张差分图像进行分析；对初始差分图像及其对应的相邻10张差分图像中的差分像素点进行聚类得到多个簇，每个簇为局部发生运动状态的物体，例如灰度图像中存在人物移动、推车移动、烟雾等情况；由于是差分图像中的差分像素点聚类，则每个簇代表不同的运动物体，聚类算法为现有公知算法，不再赘述。
23.步骤s300，获取初始差分图像及其相邻多张差分图像中每个簇的平均灰度值，基于平均灰度值以及每两个簇之间的距离构建跟随函数，基于跟随函数获取所有簇中的跟随簇和被跟随簇。
24.由步骤s200中获取初始差分图像与其相邻多张差分图像中多个簇，以每个簇的中心点的坐标作为该簇的坐标位置，同一物体或者说同一簇在相邻帧的运动变化是极小的，那么同一簇在相邻帧的坐标位置移动距离也是极小的，即当前帧的一个簇在运动到下一帧时，下一帧中与当前帧该簇坐标位置相距最近的一个簇，可能为同一个簇；由于差分时会去除背景像素点，因此差分像素点本身就代表着物体的像素特征，而同一物体在运动过程中差分像素点几乎不会有太大变化，但是考虑到烟雾不光会运动，还会扩散、扩大，因此结合平均灰度的相似性来进行特征跟随。
25.分别获取初始差分图像及其相邻多张差分图像中每个簇的平均灰度值，基于平均灰度值构建跟随函数，则跟随函数为：其中，表示跟随函数；表示第帧图像中第个簇的平均灰度值；表示第帧图像中第个簇的平均灰度值；表示自然常数；表示第帧图像中第个簇的坐标位置；表示第帧图像中第个簇的坐标位置；表示寻参函数。
26.本发明实施例中将相邻两帧差分图像分为跟随与被跟随，假设当前帧差分图像为被跟随图像，则下一帧差分图像为跟随图像，即下一帧差分图像跟随当前张差分图像，当前帧差分图像被下一帧差分图像跟随；相应的，将相邻两帧差分图像中的同一簇分为跟随簇和被跟随簇；表示对第帧图像中第个簇与第帧图像中第个簇的平均灰度值的差值绝对值进行归一化计算，此处代表同一簇在连续帧差分图像中发生变化，但其前后帧两个簇的平均灰度值应该相差最小，即第帧图像中第个簇与第帧图像中第个簇之间平均灰度值差异越小，越可能存在跟随关系。
27.对于第帧图像和第帧图像而言，第帧图像为被跟随图像，第帧图像为跟随图像，表示相邻两帧差分图像中任意两个簇的坐标位
置之间的欧式距离，根据同一物体或簇在连续帧之间的运动变化最小的特征可知，第帧图像中第个簇为被跟随簇时，第帧图像中第个簇与第帧图像中第个簇之间的欧式距离远小于其他簇的欧式距离，则第帧图像中第个簇为第帧图像中第个簇的跟随簇。
28.在连续两帧差分图像中，同一物体的差分结果会存在差异，因此想要跟随该物体的运动轨迹就需要跟随其差分结果的变化，也就是每个簇所对应的下一帧的簇位置，那么即使连续的差分结果中簇的形状和大小发生了变化，但其平均灰度值最小且簇的坐标位置相对最近，因此根据平均灰度值以及坐标位置找出每相邻两帧差分图像中的跟随簇和被跟随簇；跟随函数计算取值结果越大，则两个簇越可能为跟随关系。
29.步骤s400，获取初始差分图像与其相邻多张差分图像中每个簇的簇中心，基于每个簇中心获取跟随簇与被跟随簇的位置变化，基于位置变化获取每张差分图像中的可疑区域。
30.考虑到储存仓库是一个几乎封闭且大部分时间动态变化极小的环境，而在没有其他物体运动的情况下，烟雾总会径直向上方做扩散运动，而当烟雾周边有移动的物体时，由于运动导致其周围气压较低，烟雾原本向上飘散的动作会发生改变，其飘散方向在短时间内会向着邻近的运动物体方向；因此以连续帧差分图像中簇的坐标位置的变化确定可能为烟雾的可疑区域。
31.选取任意被跟随簇与对应跟随簇为一组跟随组，当初始差分图像与其相邻的多帧差分图像中跟随组对应的位置变化均大于0时，跟随组中的簇为可疑聚簇；当初始差分图像与其相邻的多帧差分图像中跟随组对应的位置变化存在小于0时，将位置变化首次小于0的差分图像记为标记图像；获取标记图像中与跟随组中的簇中心距离最近的簇记为标记簇，获取跟随组中的簇与标记簇的第一方向向量；获取标记图像中跟随组中的簇与标记图像的下一帧差分图像中对应簇之间的第二方向向量；基于第一方向向量与第二方向向量获取相近程度；当相近程度大于预设阈值时，跟随组中的簇为可疑聚簇；获取所有可以聚簇的位置变化的轨迹，以最大外接矩形对轨迹进行框选得到可疑区域。
32.具体的，由步骤s200中获取到相邻帧差分图像中的多组跟随簇和被跟随簇，将一组跟随簇和被跟随簇记为一组跟随组，基于任意跟随组进行分析：其中，表示计算任意相邻两帧差分图像中第组跟随组中两个簇对应纵坐标的差值；表示如果第组跟随组中两个簇对应纵坐标的差值大于0，则代表该簇的簇中心沿着纵轴向上单调递增，认为该簇为可疑聚簇，即该簇符合烟雾持续向上做扩散运动的特征。获取该可疑聚簇在10帧差分图像中的坐标位置变化轨迹，以最大外接矩形进行框选，框选出的区域为可疑区域。
33.进一步的，当在10帧差分图像中存在同一跟随组中的两个簇的坐标位置的纵坐标
的差值不大于0，即时，代表该簇向上的运动轨迹发生变化，需要进行二次可疑区域的判定，判断是否可能存在烟雾向着最近的移动物体飘移的情况。其中，表示在10帧差分图像中同一跟随组中两个簇之间纵坐标的差值第一次不大于0时的帧数，代表物体运动轨迹发生改变的时间节点；表示角度；表示在第帧差分图像中与第跟随组中簇相距最近的簇，所谓相距最近是指两个簇对应坐标位置之间的欧式距离最近，用表示与第跟随组中簇相距最近的簇；本发明实施例中默认烟雾所在簇由向上方向发生变化时，一定是受到距离其最近的运动物体的影响。
34.当相近的物体或者说聚类的簇发生运动时，周围气压降低，烟雾的运动状态改变，运动方向向其临近运动的物体趋向。即在第帧时，一个物体在烟雾周边发生移动，在帧时，烟雾的运动方向会向着上一帧移动物体的方向趋向。代表第帧与其相邻之间第个跟随组的簇中心连线向量，代表该向量的角度，即与水平正方向的夹角；代表第帧差分图像中第个跟随组中簇中心与其相距最近的簇中心之间的连线向量；代表向量的角度；代表两个向量角度之间的比值，该比值越接近1，则代表两个向量角度越相近，代表该比值与1的相近程度，本发明实施例中设定相近阈值0.2，认为当不大于相近阈值0.2时，第个跟随组中的簇为可疑聚簇。
35.进一步对此时的可疑聚簇进行框选得到可疑区域，框选方法同样是获取该可疑聚簇在10帧差分图像中的坐标位置变化轨迹，以最大外接矩形进行框选，框选出的区域为可疑区域。
36.根据烟雾的飘散特征分两种情况分析，第一种为无移动物体干扰，烟雾径直向上做扩散运动，即簇中心点一直向上、向纵轴方向偏移；第二种为存在移动物体干扰，烟雾会趋向周围最近的移动物体方向，则其前后帧的簇中心位移方向与该簇距离最近的移动物体，也就是最近相邻簇中心连线方向相近；通过两种情况的分析，对仓库环境中烟雾对应的可疑区域的判定更为全面。
37.步骤s500，将可疑区域转换至频域空间，基于频域空间获取连续多张可疑区域的能量变化，根据能量变化确定烟雾区域，基于烟雾区域进行消防报警。
38.由于货物堆积处出现火苗、阴燃现象时有微量的烟雾飘出，这些烟雾与其他移动的物体，如工人、推车、塑料袋等会由差分图像显示得到，并根据连续帧差分图像中簇的坐标位置的运动轨迹特征框选出可疑区域，进而根据每一个可疑聚簇在10帧差分图像中框选
区域内的能量变化，确定最终的烟雾区域。
39.除了烟雾本身的视觉特征，烟雾对原图像的影响还体现在其会模糊原本图像的高频信息，且随着烟雾越来越多，对原图像高频信息的模糊程度越大；根据这一特性，将差分图像中每个可疑区域的图像进行傅里叶变换，将其转化为频域空间，计算每帧可疑区域图像的能量变化，则能量变化为：其中，表示能量变化；表示最大频域点数量；表示同一可疑区域在频域空间中第个频域点亮度；表示任意一帧差分图像；表示帧数间隔；表示第帧差分图像中任意可疑区域的平均亮度，与正向时间序列上间隔帧的差分图像中对应可疑区域的平均亮度的差值。
40.当能量变化单调递增时，代表该可疑区域的能量逐渐增加，低频信息越来越多，则可判定该可疑区域为烟雾区域；在识别到烟雾区域后及时呼叫工作人员或者消防报警，提高仓库的消防安全。
41.综上所述，本发明实施例中通过对仓库区域中的多帧视频图像进行分析，将每帧视频图像转换为对应的灰度图像，进而根据相邻两帧的灰度图像之间作差得到差分图像，将首次出现灰度值非零的像素点的差分图像记为初始差分图像，获取初始差分图像后相邻多张差分图像；对每张差分图像中的差分像素点进行聚类得到多个簇，差分像素点为差分图像中灰度值非零的像素点；获取初始差分图像及其相邻多张差分图像中每个簇的平均灰度值，基于平均灰度值以及每两个簇之间的距离构建跟随函数，基于跟随函数获取所有簇中的跟随簇和被跟随簇；获取初始差分图像与其相邻多张差分图像中每个簇的簇中心，基于每个簇中心获取跟随簇与被跟随簇的位置变化，基于位置变化获取每张差分图像中的可疑区域；将可疑区域转换至频域空间，基于频域空间获取连续多张可疑区域的能量变化，根据能量变化确定烟雾区域，基于烟雾区域进行消防报警；提高了对烟雾区域识别的准确性，保障了仓库的消防安全。
42.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
43.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
44.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。