一种基于监控视频的建筑物火灾检测方法技术

本发明专利技术涉及一种基于监控视频的建筑物火灾检测方法，方法包括：S1、制作火焰图像块分类数据集并训练神经网络模型；S2、通过监控摄像头读取现场图像，并传输到计算机处理；S3、以三个尺度对图像进行分块、编号，并缩放至同样大小；S4、使用神经网络模型对所有图像块分类，确定火焰图像块和非火焰图像块，若均为非火焰图像块则判定为无火灾发生，执行S2；S5、根据火焰图像块编号获取原始图像候选区域位置，通过自适应灰度阈值法分割出火焰、非火焰像素二值图像，利用开运算去除噪声干扰；S6、根据历史信息，计算前后两帧二值图像的动态特征——交并比，若交并比符合阈值范围则判定为火灾发生，发出预警信息，否则判定为无火灾发生，执行S2。执行S2。执行S2。

【技术实现步骤摘要】
一种基于监控视频的建筑物火灾检测方法


[0001]本专利技术涉及计算机视觉技术，应用于建筑物火灾检测预警领域，具体涉及一种基于监控视频的建筑物火灾检测方法。

技术介绍

[0002]火灾作为重大灾害之一，对社会环境和自然环境具有毁灭性的破坏力，尤其是发生在人口密集的城市火灾，是社会中极不稳定的因素。城市建筑物密集且复杂、人口密度大，建筑物火灾的危险性不言而喻，其一是对人的生命安全构成严重威胁，容易导致群众或消防人员受伤或者死亡；其二是带来巨额经济损失，火灾对建筑物的结构及内部物品造成破坏，造成直接经济损失，灾后的人员救助、停工停业等，造成间接经济损失。
[0003]火灾预警系统是避免火灾发生、降低灾害损失的有效手段，经过多年的发展已经趋向多样化和智能化。例如传感器型火灾探测器一般划分为感烟型、感温型、气体型等，根据温度、烟雾浓度等物理特征进行火灾识别；视觉型火灾检测方法更具智能化，利用图像处理、深度学习等技术识别监控画面中的烟雾或火焰来判断火灾发生。但是，这些技术在当前复杂的城市建筑环境中遇到了多种困难，例如传感器型火灾探测器面临成本较高、不适合空旷场所、安装过程复杂、难以维护等问题；视觉型火灾检测方法面临计算复杂度高、硬件成本大、检测精度低等问题，容易受监控画面中颜色相近的运动物体干扰。
[0004]因此，如何实现低成本、高精度的火灾预警系统成为了本领域的研究热点。

技术实现思路

[0005]本申请实施例公开了一种基于监控视频的建筑物火灾检测方法，通过图像处理手段及深度学习技术识别监控画面中的火焰，从而实现火灾预警功能，方法具有低成本、高实时性、高精度和高召回率等优点。
[0006]1.一种基于监控视频的建筑物火灾检测方法，包括以下步骤：
[0007]S1、制作火焰图像块分类数据集并训练神经网络模型；
[0008]S2、通过监控摄像头读取现场图像，并传输到计算机处理；
[0009]S3、以三个尺度对图像进行分块、编号，并缩放至同样大小；
[0010]S4、使用神经网络模型对所有图像块分类，确定火焰图像块和非火焰图像块，若均为非火焰图像块则判定为无火灾发生，执行S2；
[0011]S5、根据火焰图像块编号获取原始图像候选区域位置，通过自适应灰度阈值法分割出火焰、非火焰像素二值图像，利用开运算去除噪声干扰；
[0012]S6、根据历史信息，计算前后两帧二值图像的动态特征——交并比，若交并比符合阈值范围则判定为火灾发生，发出预警信息，否则判定为无火灾发生，执行S2。
[0013]2.所述S1制作的数据集为图像块分类数据集，由原始图像分块后获得，其中：
[0014]所述图像块包括火焰图像块和非火焰图像块两种类别；
[0015]所述原始图像内容为工厂、医院、商场、图书馆、实验室、街道等场所的室内、室外
景象，包括正常景象和火灾发生时火焰燃烧景象；
[0016]所述分块的方式为随机多尺度采样，采样的图像块为正方形，并保证火焰图像块中的火焰完整性。
[0017]3.所述S3包含以下步骤：
[0018]S3.1、将原始图像以第一尺度分块，沿纵向分成1个图像块，沿横向分成1个图像块，共1个图像块；
[0019]S3.2、将原始图像以第二尺度分块，沿纵向分成1个图像块，沿横向分成2个图像块，共2个图像块；
[0020]S3.3、将原始图像以第三尺度分块，沿纵向分成3个图像块，沿横向分成5个图像块，共15个图像块；
[0021]S3.4、将步骤S3.1、S3.2和S3.3得到的18个图像块均缩放至128
×
128大小。
[0022]可以看出，经过所述图像分块后，火焰在图像块中的相对面积明显提升，从而提高对小面积火焰的检测能力，有效提升召回率；经过所述多尺度图像块后，可以有效解决火焰面积分布差异大的问题，从而提高对不同面积火焰的检测能力。
[0023]4.所述S4采用的图像块分类模型为轻量级神经网络FireViT，包含主干部分和分类头部分，其中：
[0024]所述主干部分为四阶段结构，每阶段包含降采样卷积层和局部卷积融合跨区域自注意力编码器；
[0025]所述分类头部分包含一个卷积层、一个全局平均池化层和一个全连接层。
[0026]5.所述局部卷积融合跨区域自注意力编码器包含局部卷积融合模块、跨区域自注意力模块和多层感知机模块，局部卷积融合模块和跨区域自注意力模块并行连接，然后和多层感知机模块串行连接。
[0027]6.所述跨区域自注意力模块将特征图划分为4
×
4个互不重叠的区域，每个区域内相同位置的像素点构成一组特征值，不同组的特征值分别执行多头自注意力运算。
[0028]可以看出，所述跨区域自注意力模块将自注意力操作区域限制在不连续的子空间中，从而减少同时参加自注意力计算的特征值数量，计算复杂度由原来与特征图宽高呈二次方关系降至线性关系，有效减少了减少计算量，提高推理速度。
[0029]7.所述局部卷积融合模块包含一个卷积核大小为3
×
3的深度卷积层、两个卷积核大小为1
×
1的逐点卷积层、一个批量归一化层和一个SiLU激活函数层，并使用残差连接将输入跨层加入到输出中。
[0030]可以看出，所述局部卷积融合模块弥补了跨区域自注意力模块不同区域间缺乏特征交互的问题，从而实现高效全局信息交互，并且局部卷积融合模块具有隐式位置编码功能，可以省去显式的绝对或相对位置编码，简化了模型结构，在不降低性能的前提下提升推理速度。
[0031]8.所述S5自适应灰度阈值分割在原始图像候选区域上的约束条件为：
[0032][0033]其中为像素点灰度值，为候选区域灰度平均值，为像素点分割结果，1表示火焰像素，0表示背景像素，非候选区域像素点均为非火焰像素，分割
后得到前景背景二值图像。
[0034]9.所述S6动态特征交并比的计算公式为：
[0035][0036]其中为第帧前景背景二值图像，为前后两帧间隔，取值为5。
[0037]可以看出，所述自适应灰度阈值分割是一种具有鲁棒性较强的颜色分割方法，对比RGB、HSV、YCbCr等颜色空间具有更宽松的约束条件，能够更好地适应监控画面颜色失真、背景扰动大等问题，从而精准分割出火焰的具体形状。
[0038]10.所述S6判定火灾发生的交并比取值范围为(0，0.95]，否则不满足火灾发生条件，判定为无火灾情况。
[0039]可以看出，所述交并比动态特征判断方法能够有效排除静态物体以及快速移动物体的干扰，从而降低方法的误报率，提高系统可信度。
[0040]本专利技术的有益效果：
[0041]1.低成本：本专利技术在现有监控体系上进行安装部署，避免了现场安装传感器带了的成本，同时本专利技术提供的FireViT模型是一种轻量级神经网络模型，占用资源少、功耗低，可以在低算力设备上部署，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于监控视频的建筑物火灾检测方法，其特征在于，包括以下步骤：S1、制作火焰图像块分类数据集并训练神经网络模型；S2、通过监控摄像头读取现场图像，并传输到计算机处理；S3、以三个尺度对图像进行分块、编号，并缩放至同样大小；S4、使用神经网络模型对所有图像块分类，确定火焰图像块和非火焰图像块，若均为非火焰图像块则判定为无火灾发生，执行S2；S5、根据火焰图像块编号获取原始图像候选区域位置，通过自适应灰度阈值法分割出火焰、非火焰像素二值图像，利用开运算去除噪声干扰；S6、根据历史信息，计算前后两帧二值图像的动态特征——交并比，若交并比符合阈值范围则判定为火灾发生，发出预警信息，否则判定为无火灾发生，执行S2。2.根据权利要求1所述的一种基于监控视频的建筑物火灾检测方法，其特征在于，所述S1制作的数据集为图像块分类数据集，由原始图像分块后获得，其中：所述图像块包括火焰图像块和非火焰图像块两种类别；所述原始图像内容为工厂、医院、商场、图书馆、实验室、街道等场所的室内、室外景象，包括正常景象和火灾发生时火焰燃烧景象；所述分块的方式为随机多尺度采样，采样的图像块为正方形，并保证火焰图像块中火焰的完整性。3.根据权利要求1所述的一种基于监控视频的建筑物火灾检测方法，其特征在于，所述S3包含以下步骤：S3.1、将原始图像以第一尺度分块，沿纵向分成1个图像块，沿横向分成1个图像块，共1个图像块；S3.2、将原始图像以第二尺度分块，沿纵向分成1个图像块，沿横向分成2个图像块，共2个图像块；S3.3、将原始图像以第三尺度分块，沿纵向分成3个图像块，沿横向分成5个图像块，共15个图像块；S3.4、将步骤S3.1、S3.2和S3.3得到的18个图像块均缩放至128
×
128大小。4.根据权利要求1所述的一种基于监控视频的建筑物火灾检测方法，其特征在于，所述S4采用的图像块分类模型为轻量级神经网络FireViT...

【专利技术属性】
技术研发人员：王慧维，韦灿辉，石亚伟，李华青，陈孟钢，李传东，
申请(专利权)人：西南大学，
类型：发明
国别省市：