一种烟火识别算法的制作方法

本发明涉及火焰检测的技术领域，特别是涉及一种烟火识别算法。

背景技术：

现如今人工智能的飞速发展，用途愈发的广泛，已经在逐步嵌入到各行各业，以计算机的视觉帮助企业解决一些员工难以解决或费时费力的问题。在烟火的识别方面，识别一直以来是业界的一个难题，运行速度慢、准确率低、适应能力差是最大的问题。

现有烟火识别的缺点：

1)需要收集各个场景的数据，操作比较麻烦。

2)应用场景泛化能力较差。

3)识别准确率低，误报情况多。

4)识别速度较慢。

技术实现要素：

为解决上述技术问题，本发明提供一种烟火识别算法，可识别森林、工业、室内、购物广场、仓储中心、城市高空瞭望等多个场景的烟火情况，算法模型小巧、准确率高、可进行静动态识别、可靠性高、可提供java、c、c++、python等api，便于前端设备、后端服务器等部署，可实时识别视频图像。

本发明的一种烟火识别算法，包括以下步骤：

s1、参数配置：配置摄像头信息、检测环境信息，生成配置文件；

s2、移动区域检测：根据图像成像情况采用高斯模糊或者中值模糊滤波，在摄像头未移动情况下，或者移动情况下发现疑似烟火后静止的情况下，再采用opencv中的knn算法，判断差值大小及区域大小，确定是否有移动区域，提取移动候选框；

s3、去雾：一种基于暗通道去雾的算法，根据全局大气光与透射率关系进行优化，去雾后色彩还原度比较高，图片不会出现过于暗淡，速度快；

s4、画面增强：锐化图片，增加图片清晰度及对比度，提高烟火区域亮度；

s5、rgb色值过滤：烟雾基本属于白色或者类白色状态，通过rgb值的三通道差值判断选出类似烟火区域；

s6、区域形状分析：采用opencv进行轮廓提取，提取轮廓形状，烟火形状为不规则多边形，且形状变化，以凸包为主，所以根据这个性质可以进一步排除规则物体；

s7、深度学习算法：根据以上算法提取出的候选框区域，采用算法补充候选框，提取疑似烟火区域进行分类，根据分类情况将数据放回算法框，根据算法框位置、分类结果、对应关系确定最终烟火区域。

本发明的的一种烟火识别算法，基于一种烟火识别系统，该系统包括：

参数配置模块：确定摄像头是基于移动监测还是静态监测；

预处理模块：数据对比度增强、去雾、移动区域检测；

烟火预判模块：rgb色值过滤、区域形状分析；

深度学习算法模块：用于区分云、烟、火、雾。

与现有技术相比本发明的有益效果为：本发明可实现多场景动静态烟火识别，而且还可以针对特定场景优化，识别速度快，每一层算法都围绕烟火特性进行过滤，深度学习算法准确率达到了95％以上，泛化能力强，最后算法关系的应用确定了烟火周围的环境情况，增加烟火的判断准确率，算法整体可提供java端jar包、c端so库、python端api等，可部署于终端设备及后端服务器、可实现多路并发检测。

附图说明

图1是本发明的流程示意图；

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本发明的一种烟火识别算法，包括以下步骤：

s1、参数配置：配置摄像头信息、检测环境信息，生成配置文件；

s2、移动区域检测：根据图像成像情况采用高斯模糊或者中值模糊滤波，在摄像头未移动情况下，或者移动情况下发现疑似烟火后静止的情况下，再采用opencv中的knn算法，判断差值大小及区域大小，确定是否有移动区域，提取移动候选框；

s3、去雾：一种基于暗通道去雾的算法，根据全局大气光与透射率关系进行优化，去雾后色彩还原度比较高，图片不会出现过于暗淡，速度快；

s4、画面增强：锐化图片，增加图片清晰度及对比度，提高烟火区域亮度；

s5、rgb色值过滤：烟雾基本属于白色或者类白色状态，通过rgb值的三通道差值判断选出类似烟火区域；

s6、区域形状分析：采用opencv进行轮廓提取，提取轮廓形状，烟火形状为不规则多边形，且形状变化，以凸包为主，所以根据这个性质可以进一步排除规则物体；

s7、深度学习算法：根据以上算法提取出的候选框区域，采用算法补充候选框，提取疑似烟火区域进行分类，根据分类情况将数据放回算法框，根据算法框位置、分类结果、对应关系确定最终烟火区域。

本发明的的一种烟火识别算法，基于一种烟火识别系统，该系统包括：

参数配置模块：确定摄像头是基于移动监测还是静态监测；

预处理模块：数据对比度增强、去雾、移动区域检测；

烟火预判模块：rgb色值过滤、区域形状分析；

深度学习算法模块：用于区分云、烟、火、雾。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

技术特征：

1.一种烟火识别算法，其特征在于，包括以下步骤：

s1、参数配置：配置摄像头信息、检测环境信息，生成配置文件；

s2、移动区域检测：根据图像成像情况采用高斯模糊或者中值模糊滤波，在摄像头未移动情况下，或者移动情况下发现疑似烟火后静止的情况下，再采用opencv中的knn算法，判断差值大小及区域大小，确定是否有移动区域，提取移动候选框；

s3、去雾：一种基于暗通道去雾的算法，根据全局大气光与透射率关系进行优化，去雾后色彩还原度比较高，图片不会出现过于暗淡，速度快；

s4、画面增强：锐化图片，增加图片清晰度及对比度，提高烟火区域亮度；

s5、rgb色值过滤：烟雾基本属于白色或者类白色状态，通过rgb值的三通道差值判断选出类似烟火区域；

s6、区域形状分析：采用opencv进行轮廓提取，提取轮廓形状，烟火形状为不规则多边形，且形状变化，以凸包为主，所以根据这个性质可以进一步排除规则物体；

s7、深度学习算法：根据以上算法提取出的候选框区域，采用算法补充候选框，提取疑似烟火区域进行分类，根据分类情况将数据放回算法框，根据算法框位置、分类结果、对应关系确定最终烟火区域。

2.如权利要求1所述的一种烟火识别算法，其特征在于，基于一种烟火识别系统，该系统包括：

参数配置模块：确定摄像头是基于移动监测还是静态监测；

预处理模块：数据对比度增强、去雾、移动区域检测；

烟火预判模块：rgb色值过滤、区域形状分析；

深度学习算法模块：用于区分云、烟、火、雾。

技术总结
本发明涉及火焰检测的技术领域，特别是涉及一种烟火识别算法，可识别森林、工业、室内、购物广场、仓储中心、城市高空瞭望等多个场景的烟火情况，算法模型小巧、准确率高、可进行静动态识别、可靠性高、可提供java、C、C++、Python等API，便于前端设备、后端服务器等部署，可实时识别视频图像；包括以下步骤：S1、参数配置；S2、移动区域检测；S3、去雾；S4、画面增强；S5、RGB色值过滤；S6、区域形状分析；S7、深度学习算法。

技术研发人员：隆昌荣;王亮;杨嘉盛
受保护的技术使用者：深圳市守行智能科技有限公司
技术研发日：2020.01.15
技术公布日：2020.06.12