一种低秩分析的火焰识别方法技术

本发明专利技术提出了一种低秩分析的火焰识别算法，首先用红外摄像仪采集视频图像，用高斯平滑滤波对图像预处理，灰度图像二值化，提取当前帧可疑区域的外接矩形，缩放，将外界矩形的数据作为列向量，依次取该帧后连续n‑1帧图像，同样的提取火焰区域外接矩形的数据，缩放为同样的大小，逐帧将数据作为列向量，所有的列向量构成矩阵D，矩阵D分解成低秩矩阵A与稀疏误差矩阵E之和，对低秩矩A求奇异值分解，以奇异值的平方计算各自的贡献率，以累计贡献率大于给定阈值来确定奇异值的个数，规定个数为矩阵D的新秩rank(D)，通过实验求得分界点θ

【技术实现步骤摘要】

本专利技术涉及火焰识别
，尤其涉及一种低秩分析的火焰识别算法。
技术介绍
随着计算机处理能力的不断增强和信息社会对多媒体信息处理要求的不断增加，基于图象处理的火焰检测技术得到了飞速的发展，这类探测技术具有响应速度快、检测范围广、环境污染小等特点，具有显著优势和广阔的前景。近些年，许多学者进行了基于图像处理的火焰识别算法研究。现有技术有的基于支持向量机和线性分类器的视频进行火焰识别算法；有的现有技术根据火焰的温度、边界不规则、轮廓变化、面积变化等特点来识别火焰还有的现有技术提出采用小波特征和色彩特征，采用神经网络识别火焰，该算法对火焰素材要求较高，要能获取比较完备的火焰素材库，实现起来具有一定的难度。
技术实现思路
本专利技术克服现有技术存在的不足，所要解决的技术问题为提供一种低秩分析的火焰识别算法。为了解决上述技术问题，本专利技术采用的技术方案为：一种低秩分析的火焰识别算法，包括如下步骤，步骤一：视频图像的采集；采用红外摄像仪采集视频图像，样本一为火灾发生时的火焰图像集合，记为ω1；样本二为有白炽灯等干扰物的图像集合，记为ω0；步骤二：图像预处理；将步骤一采集到的视频图像，以监控视频中的当前帧图像中左上角的像素点为原点建立直角坐标系，得到每个像素点的位置信息和灰度值信息，对采集的图像进行预处理；步骤三：灰度图像二值化；将图像上的点的灰度置为0或255，使得整个图像呈现出明显的黑白效果，即将256个亮度等级的灰度图像通过适当的阈值选取获得仍然可以反映图像整体和局部特征的二值化图像，大于等于阈值的设为255，小于阈值的设为0；步骤四：图像序列低秩分析①模型分析：火焰图像数据矩阵可表示为D，误差矩阵为E，则D表示为D＝A+E，A表示满足理想低维子空间假设的图像数据矩阵，图像数据矩阵D分解成低秩矩阵A和稀疏误差矩阵E之和的形式，对应的优化模型为||·||*，||·||1分别表示矩阵的核范数(定义为矩阵的奇异值之和)和l1范数(定义为矩阵所有元素的绝对值之和)，λ是低秩矩阵和误差矩阵之间的权衡参数；②对可疑的火焰图像，提取当前帧可疑区域的外接矩形，缩放成16*16，将其所有的数据转化成列向量，记为D1；③依次取所述当前帧后连续n-1帧图像，提取火焰区域外接矩形，缩放成16*16，逐帧转化成列向量，依次记为D1，D2，…，Dn；④把所有的Di(1≤i≤n)作为列构成矩阵D，即D＝(D1，D2，…，Dn)；⑤求解满足式(1)的低秩矩阵A，求A的奇异值；⑥以所述奇异值的平方计算各自的贡献率，以累计贡献率大于给定阈值T来确定奇异值的个数，如公式(3)，规定个数为矩阵D的新秩rank(D)；⑦通过实验计算出两样本数据的秩的分界点θ*，如公式(4)，求得的分界点θ即为θ*公式(4)中Precision表示准确率，Recall表示召回率，t表示算法计算时间，设ω1是火焰图像的集合，ω0是白炽灯等干扰物图像的集合，分类公式如式(5)公式(5)中当秩大于等于θ*时，表示图像中有火，当秩小于θ*时，表示图像中无火。进一步的，所述步骤一中图像采集采用工业ccd型号为：acA640-300gm，分辨率为640x480，接口为GIGE千兆以太网，PC平台为：inteli7windowsx64，编程环境为：MatlabR2010a。进一步的，所述步骤二对采集的图像采用高斯平滑滤波算法进行预处理，如公式(6)：f′(i，j)＝f(i，j)×g(i，j)(6)其中表示高斯函数，f(i，j)表示输入的像素值，f′(i，j)表示输出的像素值。进一步的，所述步骤三中采用近似一维Means方法寻找二值化阈值，步骤如下：①采用人工设置或者根据随机方法，生成一个初始化阈值T；②根据阈值图将每个像素数据P(n，m)分为对象像素数据G1与背景像素数据G2，其中n为行，m为列；③G1的平均值是m1，G2的平均值是m2；④一个新的阈值T’＝(m1+m2)/2⑤回到步骤②，用新的阈值继续将像素数据为对象数据和背景像素数据，继续步骤②-④，直到计算出来的新阈值等于上一次的阈值。进一步的，所述步骤四中验证参数λ的取值为时，其中，m表示D的行数，n表示D的列数，公式(1)有最优解。本专利技术的有益效果在于：本专利技术的算法，可对检测区域二十四小时不间断检测，取得了较好的实时探测效果，建立了更加准确可靠的火焰低秩识别方法，能够有效的去除灯光对于图像火焰探测技术的干扰。进一步解决了火焰图像探测技术的误报率问题，为大空间及室外大尺度开放空间场所火灾早期灭火与人员疏散节省了时间，减少经济损失及人员伤亡。附图说明图1是本专利技术的灯泡图像序列(A)与火焰样本序列(B)的对比图。图2是本专利技术的原始图像(A)与阈值分割(B)的结果对比图。图3是本专利技术在长度＝10时秩的频数柱状图。图4是本专利技术在长度＝20时秩的频数柱状图。图5是本专利技术在长度＝30时秩的频数柱状图。图6是本专利技术在长度＝40时秩的频数柱状图。图7是本专利技术在长度＝50时秩的频数柱状图。图8是本专利技术在长度＝60时秩的频数柱状图。图9是本专利技术在长度＝70时秩的频数柱状图。图10是本专利技术在长度＝80时秩的频数柱状图。图11是本专利技术在长度＝90时秩的频数柱状图。图12是本专利技术操作流程图。具体实施方式下面结合具体实施例对本专利技术作进一步详细的说明。下面结合实施例对本专利技术作进一步的详细说明，但本专利技术不限于所给出的。一种低秩分析的火焰识别算法，包括如下步骤，步骤一：视频图像的采集；实验图像采集采用工业ccd型号为：acA640-300gm，分辨率为640x480，接口为GIGE千兆以太网，PC平台为：inteli7windowsx64，编程环境为：MatlabR2010a，样本一为火灾发生时的火焰图像集合，记为ω1；样本二为有白炽灯等干扰物的图像集合，记为ω0，样本一和样本二图像各1800张，如图1所示，第一行是原始图像，第二行是提取的外接矩形区域，第三行是外接矩形区域数据对应的列向量，从图1可以看出，火焰图像序列的变化远远高于灯泡图像序列的变化。步骤二：图像预处理；一幅数字图像由若干个数据点构成，每个数据点称为像素。比如一幅256×400，就是指该图像是由水平方向256列像素和垂直方向400行像素组成的矩形图。每一个像素具有自己的属性，如颜色、灰度等，灰度是决定一幅图像的关键因素之一。将步骤一采集到的视频图像，以监控视频中的当前帧图像中左上角的像素点为原点建立直角坐标系，得到每个像素点的位置信息和灰度值信息，对采集的图像采用高斯平滑滤波算法进行预处理，如公式(6)：f′(i，j)＝f(i，j)×g(i，j)(6)其中表示高斯函数，f(i，j)表示输入的像素值，f′(i，j)表示输出的像素值。步骤三：灰度图像二值化；将图像上的点的灰度置为0或255，使得整个图像呈现出明显的黑白效果，即将256个亮度等级的灰度图像通过适当的阈值选取获得仍然可以反映图像整体和局部特征的二值化图像，大于等于阈值的设为255，小于阈值的设为0；采用近似一维Means方法寻找二值化阈值，步骤如下：①采用人工设置或者根据随机方法，生成一个初始化阈值T；②根据阈值图将每个像素数据P(n，m)分为对象像素数据G1与背景像素数据G2，其中n为行，m为列；③G1的平均值是m1，G本文档来自技高网...

【技术保护点】
一种低秩分析的火焰识别算法，其特征在于，包括如下步骤：步骤一：视频图像的采集；采用红外摄像仪采集视频图像，样本一为火灾发生时的火焰图像集合，记为ω1；样本二为有白炽灯等干扰物的图像集合，记为ω0；步骤二：图像预处理；将步骤一采集到的视频图像，以监控视频中的当前帧图像中左上角的像素点为原点建立直角坐标系，得到每个像素点的位置信息和灰度值信息，对采集的图像进行预处理；步骤三：灰度图像二值化；将图像上的点的灰度置为0或255，使得整个图像呈现出明显的黑白效果，即将256个亮度等级的灰度图像通过适当的阈值选取获得仍然可以反映图像整体和局部特征的二值化图像，大于等于阈值的设为255，小于阈值的设为0；步骤四：图像序列低秩分析①模型分析：火焰图像数据矩阵可表示为D，误差矩阵为E，则D表示为D＝A+E，A表示满足理想低维子空间假设的图像数据矩阵，图像数据矩阵D分解成低秩矩阵A和稀疏误差矩阵E之和的形式，对应的优化模型为minA,E||A||*+λ||E||1s.t.D=A+E---(1)]]> ||·||*，||·||1分别表示矩阵的核范数(定义为矩阵的奇异值之和)和l1范数(定义为矩阵所有元素的绝对值之和)，λ是低秩矩阵和误差矩阵之间的权衡参数；②对可疑的火焰图像，提取当前帧可疑区域的外接矩形，缩放成16*16，将其所有的数据转化成列向量，记为D1；③依次取所述当前帧后连续n‑1帧图像，提取火焰区域外接矩形，缩放成16*16，逐帧转化成列向量，依次记为D1，D2，…，Dn；④把所有的Di(1≤i≤n)作为列构成矩阵D，即D＝(D1，D2，…，Dn)；⑤求解满足式(1)的低秩矩阵A，求A的奇异值；⑥以所述奇异值的平方计算各自的贡献率，以累计贡献率大于给定阈值T来确定奇异值的个数，如公式(3)，规定个数为矩阵D的新秩rank(D)；定义信噪比：给定阈值：⑦通过实验计算出两样本数据的秩的分界点θ*，如公式(4)，求得的分界点θ即为θ*θ*=arglength,θmax(Precision)s.t.Recall≥96%,t<0.5---(4)]]>公式(4)中Precision表示准确率，Recall表示召回率，t表示算法计算时间，设ω1是火焰图像的集合，ω0是白炽灯等干扰物图像的集合，分类公式如式(5)D∈ω1,rank(D)≥θ*D∈ω0,rank(D)<θ*---(5)]]> 公式(5)中当秩大于等于θ*时，表示图像中有火，当秩小于θ*时，表示图像中无火。...

【技术特征摘要】
1.一种低秩分析的火焰识别算法，其特征在于，包括如下步骤：步骤一：视频图像的采集；采用红外摄像仪采集视频图像，样本一为火灾发生时的火焰图像集合，记为ω1；样本二为有白炽灯等干扰物的图像集合，记为ω0；步骤二：图像预处理；将步骤一采集到的视频图像，以监控视频中的当前帧图像中左上角的像素点为原点建立直角坐标系，得到每个像素点的位置信息和灰度值信息，对采集的图像进行预处理；步骤三：灰度图像二值化；将图像上的点的灰度置为0或255，使得整个图像呈现出明显的黑白效果，即将256个亮度等级的灰度图像通过适当的阈值选取获得仍然可以反映图像整体和局部特征的二值化图像，大于等于阈值的设为255，小于阈值的设为0；步骤四：图像序列低秩分析①模型分析：火焰图像数据矩阵可表示为D，误差矩阵为E，则D表示为D＝A+E，A表示满足理想低维子空间假设的图像数据矩阵，图像数据矩阵D分解成低秩矩阵A和稀疏误差矩阵E之和的形式，对应的优化模型为minA,E||A||*+λ||E||1s.t.D=A+E---(1)]]>||·||*，||·||1分别表示矩阵的核范数(定义为矩阵的奇异值之和)和l1范数(定义为矩阵所有元素的绝对值之和)，λ是低秩矩阵和误差矩阵之间的权衡参数；②对可疑的火焰图像，提取当前帧可疑区域的外接矩形，缩放成16*16，将其所有的数据转化成列向量，记为D1；③依次取所述当前帧后连续n-1帧图像，提取火焰区域外接矩形，缩放成16*16，逐帧转化成列向量，依次记为D1，D2，…，Dn；④把所有的Di(1≤i≤n)作为列构成矩阵D，即D＝(D1，D2，…，Dn)；⑤求解满足式(1)的低秩矩阵A，求A的奇异值；⑥以所述奇异值的平方计算各自的贡献率，以累计贡献率大于给定阈值T来确定奇异值的个数，如公式(3)，规定个数为矩阵D的新秩rank(D)；定义信噪比：给定阈值：⑦通过实验计算出两样本数据的秩的分界点θ*，如公式(4)，求得的分界点θ即为θ*θ*=arglength,&thet...

【专利技术属性】
技术研发人员：尹红然，
申请(专利权)人：天津天狮学院，
类型：发明
国别省市：天津;12