CN109711345B - 一种火焰图像识别方法、装置及其存储介质 - Google Patents

Abstract

本发明提供了一种火焰图像识别方法、装置及其存储介质，涉及图像识别技术领域。该火焰图像识别方法包括：确定已采集图像中的疑似火焰区域；采用滤波器提取所述疑似火焰区域的纹理特征图像；基于局部二值模式提取所述纹理特征图像的局部二值特征；采用支持向量机SVM分类器，基于所述局部二值特征确定所述疑似火焰区域是否存在火焰。该方法通过纹理特征图像以及进一步的局部二值特征的提取，提高了火焰识别效率和准确率。

Description

一种火焰图像识别方法、装置及其存储介质

技术领域

本发明涉及图像识别技术领域，具体而言，涉及一种火焰图像识别方法、装置及其存储介质。

背景技术

随着野外杂草树木丛生，发生火灾时蔓延速度很快，而且交通不便，火灾扑救难度很大，一旦发生火灾，会导致严重后果，因此，早期火灾识别和及时扑救就显得尤为关键。视频监控系统能够实现24小时监控，能够及时发现早期火灾，很大程度上减少了早期火灾的误报和漏报的情况。

但是基于图像的火灾识别算法对于复杂野外环境如枯草、可树枝树叶等情况下的野外火灾识别准确率还有待提高；同时基于视频的火灾识别方法需要对每幅图像进行特征提取，现有技术中的特征提取计算量较大，导致火灾识别效率低。

发明内容

有鉴于此，本发明实施例的目的在于提供一种火焰图像识别方法、装置及其存储介质，以解决现有技术存在的火灾识别准确率低、效率低的问题。

第一方面，本发明实施例提供了一种火焰图像识别方法，所述火焰图像识别方法包括：确定已采集图像中的疑似火焰区域；采用滤波器提取所述疑似火焰区域的纹理特征图像；基于局部二值模式提取所述纹理特征图像的局部二值特征；采用支持向量机SVM分类器，基于所述局部二值特征确定所述疑似火焰区域是否存在火焰。

上述实施例先通过滤波器提取纹理特征图像，再基于局部二值模式提取纹理特征图像的局部二值特征，采用SVM分类器基于获取的局部二值特征识别是否存在火焰，以连续的纹理特征图像和局部二值特征的提取对图像的有效区域进行提取，并完成需要SVM分类器处理的特征向量的降维，减少了火焰识别的计算量，提高了火焰识别的准确率和效率。

综合第一方面，所述确定已采集图像中的疑似火焰区域，包括：基于RGB颜色空间模型获取已采集图像的红色分量、绿色分量和蓝色分量，基于HSV颜色空间模型获取所述已采集图像的明度；确定所述已采集图像中红色分量、绿色分量、蓝色分量和明度满足预设条件的区域为疑似火焰区域。

上述实施例基于RGB颜色空间模型以及HSV颜色空间模型标准提取已采集图像中的颜色参数，并根据颜色参数的数值约束等预设条件确定疑似火焰区域，提高了火焰区域的识别准确度，同时过滤掉非疑似火焰区域，降低了后续图像处理运算量，提高了识别效率。

综合第一方面，所述确定所述已采集图像的红色分量、绿色分量、蓝色分量和明度满足预设条件的区域为疑似火焰区域，包括：确定所述已采集图像的红色分量、绿色分量、蓝色分量和明度满足火焰像素满足公式

的区域为疑似火焰区域，其中，R为已采集图像的红色分量，G为已采集图像的绿色分量，B为已采集图像的蓝色分量，V为已采集图像的明度。

综合第一方面，所述基于局部二值模式提取所述纹理特征图像的局部二值特征，包括：基于局部二值模式提取所述纹理特征图像的第一特征；对所述第一特征进行降维获得第二特征，将所述第二特征作为所述纹理特征图像的局部二值特征。

上述实施例通过对纹理特征图像依次进行基于局部二值模式的特征提取以及降维，获取更准确的特征，并进一步降低了后续识别步骤的图像处理计算量，从而进一步提高了火焰识别的效率和准确率。

综合第一方面，所述基于局部二值模式提取所述纹理特征图像的第一特征，包括：基于局部二值公式

确定所述纹理特征图像中每个像素的局部二值特征，将所述纹理特征图像中所有像素的局部二值特征的组合作为所述纹理特征图像的第一特征，其中，(x_c,y_c)为中心像素的坐标，p为邻域的第p个像素，i_p为邻域像素的灰度值，i_c为中心像素的灰度值，s(x)为符号函数且/>

综合第一方面，所述对所述第一特征进行降维获得第二特征，包括：基于均匀二值模式对所述第一特征进行降维，获得第二特征。

综合第一方面，所述基于均匀二值模式对所述第一特征进行降维，获得第二特征，包括：基于均匀二值模式对所述第一特征进行降维，获得第一降维特征；以所述第一降维特征作为训练集训练获得CART决策树，所述CART决策树用于从所述第一降维特征中确定最具代表性的特征；将所述CART决策树作为弱分类器，基于Adaboost算法将多个弱分类器构建为强分类器；采用所述强分类器选取所述第一降维特征中特征重要性大于预设阈值的特征作为第二特征。

上述实施例采用CART决策树和Adaboost算法构建的分类器在第一降维特征中选取特征重要性较大的特征作为纹理特征图像的局部二值特征输入分类器，实现了对局部二值特征的进一步降维，减少了运算量，从而提高了火焰识别的运算效率。

综合第一方面，在所述基于局部二值模式提取所述纹理特征图像的局部二值特征之前，所述方法还包括：在每个时间窗口的所有帧纹理特征图像中随机选取N幅替代对应时间窗口中的所有帧纹理特征图像。

上述实施例在一个时间段内选取其中N幅替代该时间段的所有帧纹理特征图像进行后续的局部二值特征提取，在保证识别准确率的前提下提高了提高识别效率。

第二方面，本发明实施例提供了一种火焰图像识别装置，所述火焰图像识别装置包括：疑似火焰区域确定模块，用于确定已采集图像中的疑似火焰区域；纹理特征图像提取模块，用于采用滤波器提取所述疑似火焰区域的纹理特征图像；局部二值特征提取模块，用于基于局部二值模式提取所述纹理特征图像的局部二值特征；火焰确定模块，用于采用支持向量机SVM分类器，基于所述局部二值特征确定所述疑似火焰区域是否存在火焰。

综合第二方面，所述疑似火焰区域确定模块包括：颜色数据获取单元，用于基于RGB颜色空间模型获取已采集图像的红色分量、绿色分量和蓝色分量，基于HSV颜色空间模型获取所述已采集图像的明度；疑似区域确定单元，用于确定所述已采集图像中红色分量、绿色分量、蓝色分量和明度满足预设条件的区域为疑似火焰区域。

综合第二方面，所述颜色数据获取单元具体用于确定所述已采集图像的红色分量、绿色分量、蓝色分量和明度满足火焰像素满足公式

的区域为疑似火焰区域，其中，R为已采集图像的红色分量，G为已采集图像的绿色分量，B为已采集图像的蓝色分量，V为已采集图像的明度。

综合第二方面，所述局部二值特征提取模块包括：第一特征提取单元，用于基于局部二值模式提取所述纹理特征图像的第一特征；第二特征提取单元，用于对所述第一特征进行降维获得第二特征，将所述第二特征作为所述纹理特征图像的局部二值特征。

综合第二方面，所述第一特征提取单元具体用于基于局部二值公式

确定所述纹理特征图像中每个像素的局部二值特征，将所述纹理特征图像中所有像素的局部二值特征的组合作为所述纹理特征图像的第一特征，其中，(x_c,y_c)为中心像素的坐标，p为邻域的第p个像素，i_p为邻域像素的灰度值，i_c为中心像素的灰度值，s(x)为符号函数且/>

综合第二方面，所述第二特征提取单元具体用于基于均匀二值模式对所述第一特征进行降维，获得第二特征。

综合第二方面，所述第二特征提取单元包括：二值模式降维子单元，用于基于均匀二值模式对所述第一特征进行降维，获得第一降维特征；弱分类器确定单元，用于以所述第一降维特征作为训练集训练获得CART决策树，所述CART决策树用于从所述第一降维特征中确定最具代表性的特征；强分类器确定单元，用于将所述CART决策树作为弱分类器，基于Adaboost算法将多个弱分类器构建为强分类器；特征选取单元，用于采用所述强分类器选取所述第一降维特征中特征重要性大于预设阈值的特征作为第二特征。

综合第二方面，所述火焰图像识别装置还包括：图像抽取模块，用于在每个时间窗口的所有帧纹理特征图像中随机选取N幅替代对应时间窗口中的所有帧纹理特征图像。

第三方面，本发明实施例还提供了一种计算机可读取存储介质，所述计算机可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述任一方面所述方法中的步骤。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1为本发明第一实施例提供的火焰图像识别方法的流程示意图；

图2为本发明第一实施例提供的一种局部二值特征提取步骤的流程示意图；

图3为本发明第一实施例提供的一种特征降维步骤的流程示意图；

图4为本发明第二实施例提供的一种火焰图像识别装置100的模块示意图；

图5为本发明第三实施例提供的一种可应用于本申请实施例中的电子设备200的结构框图。

图标：100-火焰图像识别装置；110-疑似火焰区域确定模块；120-纹理特征图像提取模块；130-局部二值特征提取模块；140-火焰确定模块；200-电子设备；201-存储器；202-存储控制器；203-处理器；204-外设接口；205-输入输出单元；206-音频单元；207-显示单元。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

第一实施例

经本申请人研究发现，现有的基于图像识别的火焰识别技术在进行火焰图像识别时对于复杂野外环境如枯草、可树枝树叶等情况下的野外火灾识别准确率较低，且在需要进行识别计算的图片较多时，有较大的图像处理运算需求，导致火灾识别效率低。

为了解决上述问题，本发明第一实施例提供了一种火焰图像识别方法，该火焰图像识别方法的执行主体可以是计算机、智能终端、云处理器或其他具备逻辑运算和图像处理功能的处理设备。

请参考图1，图1为本发明第一实施例提供的火焰图像识别方法的流程示意图，该火焰图像识别方法的具体步骤可以如下：

步骤S20：确定已采集图像中的疑似火焰区域。

本实施例中已采集图像可以是通过固定设置在某火灾多发区域的摄像头获取，也可以是从网络上下载的图像，还可以是操作人员控制的航拍无人机主动获取等。

应当理解的是，疑似火焰区域可以基于颜色区别、图像形状区别或其他因素划分。

步骤S40：采用滤波器提取疑似火焰区域的纹理特征图像。

本实施例中的滤波器用于进行疑似火焰区域的边缘提取，因此滤波器可以选取基于Sobe、Laplacian、Canny、Gabor或其他能够进行边缘提取的算法的滤波器。

步骤S60：基于局部二值模式提取纹理特征图像的局部二值特征。

LBP(Local Binary Pattern，局部二值模式)是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。本实施例采用局部二值模式提取局部纹理特征，局部二值模式将中心位置像素的灰度值与8邻域像素的灰度值进行比较，如果某个邻域像素的灰度值大于中心位置像素灰度值，则该邻域像素点的位置被标记为1，否则为0，从而得到中心像素的LBP值(局部二值特征)，该LBP值就能够表示该像素附近的纹理特征。

步骤S80：采用支持向量机SVM分类器，基于局部二值特征确定疑似火焰区域是否存在火焰。

本实施例中的SVM分类器可以是基于K-Means算法、C4.5算法、AdaBoost算法、K-邻近算法、朴素贝叶斯算法、CART算法等算法训练获得的分类器，其训练集可以为从数据库获取的火焰图像或基于火焰图像生成的模拟图像。

本发明实施例提供的火焰图像识别方法先通过滤波器提取纹理特征图像，再基于局部二值模式提取纹理特征图像的局部二值特征，采用SVM分类器基于获取的局部二值特征识别是否存在火焰，以连续的纹理特征图像和局部二值特征的提取对图像的有效区域进行提取，并完成需要SVM分类器处理的特征向量的降维，减少了火焰识别的计算量，提高了火焰识别的准确率和效率。

作为一种可选的实施方式，步骤S20可以具体包括如下步骤：

步骤S21：基于RGB颜色空间模型获取已采集图像的红色分量、绿色分量和蓝色分量，基于HSV颜色空间模型获取已采集图像的明度。

其中，RGB颜色空间模型以R(Red:红)、G(Green:绿)、B(Blue:蓝)三种基本色为基础，进行不同程度的叠加，产生丰富而广泛的颜色，所以俗称三基色模式，RGB颜色空间模型是用一个单位长度的立方体来表示颜色的，黑、蓝、绿、青、红、紫、黄、白8种常见颜色分别位居立方体的8个顶点，通常将黑色置于三维直角坐标系的原点，红绿蓝分别置于3根坐标轴土，整个立方体放在第一卦限内。HSV颜色空间模型是一种将RGB颜色空间模型中的点在倒圆锥体中的表示方法，HSV即色相(Hue)、饱和度(Saturation)、明度(Value)。色相是色彩的基本属性，就是平常说的颜色的名称，如红色、黄色等；饱和度是指色彩的纯度，越高色彩越纯，低则逐渐变灰，取0-100％的数值；明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关，取0-max(计算机中HSV取值范围和存储的长度有关)；HSV颜色空间模型可以用一个圆锥空间模型来描述，圆锥的顶点处V＝0，H和S无定义，代表黑色，圆锥的顶面中心处V＝max，S＝0，H无定义，代表白色。

步骤S22：确定已采集图像中红色分量、绿色分量、蓝色分量和明度满足预设条件的区域为疑似火焰区域。

本实施例中的预设条件可以是对红色分量、绿色分量、蓝色分量和明度的数值大小的约束条件，具体地，该预设条件可以为火焰像素满足公式(1)：

其中，R为红色分量，G为绿色分量，B为蓝色分量，V为明度。该火焰像素满足公式是通过对不同场景拍摄的火灾火焰图像像素的RGB值和HSV值分析，最终选定的用于去除绝大多数非火焰像素的公式。

上述步骤S21-S22基于RGB颜色空间模型以及HSV颜色空间模型标准提取已采集图像中的颜色参数，并根据颜色参数的数值约束等预设条件确定疑似火焰区域，提高了火焰区域的识别准确度，同时过滤掉非疑似火焰区域，降低了后续图像处理运算量，提高了识别效率。

针对步骤S40，本实施例中的滤波器可以是但不限于是Gabor滤波器，Gabor滤波器因其频率和方向的表达同人类视觉体系类似，且在方向选择和尺度选择中具有优势，被广泛用于纹理分析。

本实施例中选用的Gabor滤波器的Gabor函数数学公式为：

公式(2)中的实数部分和虚数部分分别如公式(3)、(4)所示：

其中，其中λ为波长，θ为方向角，其指定了Gabor函数并行条纹的方向，

为相位偏移，γ为长宽比，b为带宽，x'和y'的计算公式如式(5)：

x'＝xcosθ+ysinθ y'＝-xsinθ+ycosθ (5)

本实例采用Gabor滤波器提取疑似火焰区域的n个尺度m个方向的纹理特征图像，每个疑似火焰区域得到n×m幅纹理特征图像。

上述实施例通过Gabor滤波器提取疑似火焰区域的纹理特征图像，提高了火焰识别的精度。

针对步骤S60，本实施例可以通过局部二值公式(6)确定纹理特征图像中每个像素的局部二值特征，上述局部二值公式(6)为：

其中，(x_c,y_c)为中心像素的坐标，p为邻域的第p个像素，i_p为邻域像素的灰度值，i_c为中心像素的灰度值，s(x)为符号函数且

作为一种可选的实施方式，为了进一步减少输入分类器进行火焰图像识别的特征数量，提高火焰识别效率，本实施例的步骤S60还可以对基于局部二值模式提取的特征进行降维。请参考图2，图2为本发明第一实施例提供的一种局部二值特征提取步骤的流程示意图，该步骤S60可以如下：

步骤S61：基于局部二值模式提取纹理特征图像的第一特征。

本实施例中步骤S61可以为基于局部二值公式(6)确定所述纹理特征图像中每个像素的局部二值特征，将所述纹理特征图像中所有像素的局部二值特征的组合作为所述纹理特征图像的第一特征。具体地，每个疑似火焰区域的第i(1≤i≤n)个尺度第j(1≤j≤m)的纹理特征图像以l×l的像素邻域网格作为采样窗口，基于局部二值模式提取每个l×l的图像块的局部二值特征，每个图像块得到256维的特征。

步骤S62：对所述第一特征进行降维获得第二特征，将第二特征作为纹理特征图像的局部二值特征。

本实施例中步骤S62可以包括：基于均匀二值模式对第一特征进行降维，获得第二特征。其中，均匀二值模式(uniform LBP)基本地LBP算子可以产生不同的二进制模式，对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生2^P种模式。很显然，随着邻域集内采样点数的增加，二进制模式的种类是急剧增加的。在实际图像中，绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变，因此，均匀二值模式定义为：当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就称为一个等价模式类，如00000000(0次跳变)，00000111(只含一次从0到1的跳变)，10001111(先由1跳到0，再由0跳到1，共两次跳变)都是等价模式类；除等价模式类以外的模式都归为另一类，称为混合模式类，例如10010111(共四次跳变)。通过这样的改进，二进制模式的种类大大减少，而不会丢失任何信息，模式数量由原来的2^P种减少为P(P-1)+2种，其中P表示邻域集内的采样点数。例如，对于3×3邻域内8个采样点来说，二进制模式由原始的256种减少为58种，即：它把值分为59类，58个uniform pattern为一类，其他的所有值为第59类。这样直方图从原来的256维变成59维，这使得特征向量的维数更少，并且可以减少高频噪声带来的影响。因此在本实施例中通过均匀局部二值模式将256个模式合并为59个模式，这59个模式占据了图像中所有模式的绝大部分，能够较好地描述了图像的局部纹理，因此，每个l×l的图像块降维得到59维的特征。

进一步地，这59个类占据了纹理特征图像中所有模式的绝大部分，能够较好地描述了图像的局部纹理，同时，为了避免因为“位置没有对准”而产生的误差，本实施例将纹理特征图像以16×16的像素邻域网格作为采样窗口，以没有重叠的方式遍布整张图，从而对每个子区域内的每个像素点都提取LBP特征。

作为一种可选的实施方式，请参考图3，图3为本发明第一实施例提供的一种特征降维步骤的流程示意图，则步骤S62具体可以包括如下子步骤：

步骤S62.1：基于均匀二值模式对第一特征进行降维，获得第一降维特征。

本步骤中的降维方式可以与上述步骤S62中的降维方式相同。

步骤S62.2：以第一降维特征作为训练集训练获得CART决策树，CART决策树用于从第一降维特征中确定最具代表性的特征。

由于每个疑似火焰区域采用Gabor滤波器得到n×m幅纹理特征图像，因此，每个疑似火焰区域的同一坐标位置的图像块就会有59×n×m维的特征向量，通常Gabor滤波器的尺度n＝5，方向m＝8，则每个所述疑似火焰区域的同一坐标位置的图像块的局部二值特征向量维数为59×5×8＝2360维，则步骤S62.1对LBP特征降维提取到的特征向量维数为40*59即2360维，向量维数较高，且包含大量冗余特征，不利于后期的分类识别。因此本步骤采用CART决策树来挑选出最具代表性的特征，降低特征向量的维度。

步骤S62.3：将CART决策树作为弱分类器，基于Adaboost算法将多个弱分类器构建为强分类器。

本步骤基于Adaboost算法将多个弱分类器集成形成更稳定的强分类器，该弱分类器的数量可以是但不限于是100、200个。

步骤S62.4:采用强分类器选取第一降维特征中特征重要性大于预设阈值的特征作为第二特征。

本步骤中强分类器确定2360维特征对应的重要性因子后，再将2360维特征的重要性因子进行降序排列，最终选取特征重要性大于90％的前477维作为最终的特征向量。应当理解的是，上述重要性选择参数90％在其他实施例中还可以根据具体需要进行调整。

上述步骤S62.1-S62.4采用CART决策树和Adaboost算法构建的分类器在第一降维特征中选取特征重要性较大的特征作为纹理特征图像的局部二值特征输入分类器，实现了对局部二值特征的进一步降维，减少了运算量，从而提高了火焰识别的运算效率。

考虑到短时间内火焰图像区域的变化很小，选择每一帧图像进行特征提取，显然是没有必要的，为了提高识别效率，在保证识别准确率的前提下，作为一种可选的实施方式，本实施例首先确定一个时间窗口(例如每秒24帧时将每72帧或3秒作为时间窗口)，在每个时间窗口的所有帧纹理特征图像中随机选取N幅替代对应时间窗口中的所有帧纹理特征图像，对替代后的图像进行后续处理步骤。

第二实施例

为了配合本发明第一实施例提供的火焰图像识别方法，本发明第二实施例还提供了一种火焰图像识别装置100。

请参考图4，图4为本发明第二实施例提供的一种火焰图像识别装置100的模块示意图。

火焰图像识别装置100包括疑似火焰区域确定模块110、纹理特征图像提取模块120、局部二值特征提取模块130和火焰确定模块140。

疑似火焰区域确定模块110，用于确定已采集图像中的疑似火焰区域。

纹理特征图像提取模块120，用于采用滤波器提取疑似火焰区域的纹理特征图像。

局部二值特征提取模块130，用于基于局部二值模式提取纹理特征图像的局部二值特征。

火焰确定模块140，用于采用支持向量机SVM分类器，基于局部二值特征确定疑似火焰区域是否存在火焰。

疑似火焰区域确定模块110包括颜色数据获取单元和疑似区域确定单元。

颜色数据获取单元，用于基于RGB颜色空间模型获取已采集图像的红色分量、绿色分量和蓝色分量，基于HSV颜色空间模型获取已采集图像的明度。

疑似区域确定单元，用于确定已采集图像中红色分量、绿色分量、蓝色分量和明度满足预设条件的区域为疑似火焰区域。

该颜色数据获取单元具体可以用于确定已采集图像的红色分量、绿色分量、蓝色分量和明度满足火焰像素满足公式

的区域为疑似火焰区域，其中，R为已采集图像的红色分量，G为已采集图像的绿色分量，B为已采集图像的蓝色分量，V为已采集图像的明度。

局部二值特征提取模块130包括第一特征提取单元和第二特征提取单元。

第一特征提取单元，用于基于局部二值模式提取纹理特征图像的第一特征。

第二特征提取单元，用于对第一特征进行降维获得第二特征，将第二特征作为纹理特征图像的局部二值特征。

该第一特征提取单元具体用于基于局部二值公式

确定纹理特征图像中每个像素的局部二值特征，将纹理特征图像中所有像素的局部二值特征的组合作为纹理特征图像的第一特征，其中，(x_c,y_c)为中心像素的坐标，p为邻域的第p个像素，i_p为邻域像素的灰度值，i_c为中心像素的灰度值，s(x)为符号函数且

进一步地，该第二特征提取单元还可以包括二值模式降维子单元、弱分类器确定单元、强分类器确定单元和特征选取单元。

二值模式降维子单元，用于基于均匀二值模式对第一特征进行降维，获得第一降维特征。

弱分类器确定单元，用于以第一降维特征作为训练集训练获得CART决策树，CART决策树用于从第一降维特征中确定最具代表性的特征。

强分类器确定单元，用于将CART决策树作为弱分类器，基于Adaboost算法将多个弱分类器构建为强分类器。

特征选取单元，用于采用强分类器选取第一降维特征中特征重要性大于预设阈值的特征作为第二特征。

作为一种可选的实施方式，火焰图像识别装置100还可以包括图像抽取模块，用于在每个时间窗口的所有帧纹理特征图像中随机选取N幅替代对应时间窗口中的所有帧纹理特征图像。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

第三实施例

请参照图5，图5为本发明第三实施例提供的一种可应用于本申请实施例中的电子设备200的结构框图。本实施例提供的电子设备200可以包括火焰图像识别装置100、存储器201、存储控制器202、处理器203、外设接口204、输入输出单元205、音频单元206、显示单元207。

所述存储器201、存储控制器202、处理器203、外设接口204、输入输出单元205、音频单元206、显示单元207各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。火焰图像识别装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器201中或固化在火焰图像识别装置100的操作系统(operating system，OS)中的软件功能模块。所述处理器203用于执行存储器201中存储的可执行模块，例如火焰图像识别装置100包括的软件功能模块或计算机程序。

其中，存储器201可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器201用于存储程序，所述处理器203在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器203中，或者由处理器203实现。

处理器203可以是一种集成电路芯片，具有信号的处理能力。上述的处理器203可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器203也可以是任何常规的处理器等。

所述外设接口204将各种输入/输出装置耦合至处理器203以及存储器201。在一些实施例中，外设接口204，处理器203以及存储控制器202可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元205用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元205可以是，但不限于，鼠标和键盘等设备。

音频单元206向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

显示单元207在所述电子设备200与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元207可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器203进行计算和处理。

可以理解，图5所示的结构仅为示意，所述电子设备200还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

综上所述，本发明实施例提供了一种火焰图像识别方法、装置及其存储介质，该方法先通过滤波器提取纹理特征图像，再基于局部二值模式提取纹理特征图像的局部二值特征，采用SVM分类器基于获取的局部二值特征识别是否存在火焰，以连续的纹理特征图像和局部二值特征的提取对图像的有效区域进行提取，并完成需要SVM分类器处理的特征向量的降维，减少了火焰识别的计算量，提高了火焰识别的准确率和效率。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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所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。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (7)

1.一种火焰图像识别方法，其特征在于，所述方法包括：

确定已采集图像中的疑似火焰区域；

采用Gabor滤波器提取所述疑似火焰区域的n个尺度及m个方向的纹理特征，得到n×m幅纹理特征图像；

基于局部二值模式提取所述n×m幅纹理特征图像的局部二值特征；

采用支持向量机SVM分类器，基于所述局部二值特征确定所述疑似火焰区域是否存在火焰；

其中，所述基于局部二值模式提取所述n×m幅纹理特征图像的局部二值特征，包括：

基于所述局部二值模式提取所述n×m幅纹理特征图像的局部二值特征，作为第一特征；

基于均匀二值模式对所述第一特征进行降维，获得第一降维特征；

以所述第一降维特征作为训练集训练获得所述CART决策树，所述CART决策树用于从所述第一降维特征中确定最具代表性的特征；

将所述CART决策树作为弱分类器，基于所述Adaboost算法将多个弱分类器构建为强分类器；

采用所述强分类器选取所述第一降维特征中特征重要性大于预设阈值的特征作为第二特征。

2.根据权利要求1所述的火焰图像识别方法，其特征在于，所述确定已采集图像中的疑似火焰区域，包括：

基于RGB颜色空间模型获取已采集图像的红色分量、绿色分量和蓝色分量，基于HSV颜色空间模型获取所述已采集图像的明度；

确定所述已采集图像中红色分量、绿色分量、蓝色分量和明度满足预设条件的区域为疑似火焰区域。

3.根据权利要求2所述的火焰图像识别方法，其特征在于，所述确定所述已采集图像的红色分量、绿色分量、蓝色分量和明度满足预设条件的区域为疑似火焰区域，包括：

确定所述已采集图像的红色分量、绿色分量、蓝色分量和明度满足火焰像素满足公式

的区域为疑似火焰区域，其中，R为已采集图像的红色分量，G为已采集图像的绿色分量，B为已采集图像的蓝色分量，V为已采集图像的明度。

4.根据权利要求1所述的火焰图像识别方法，其特征在于，所述基于局部二值模式提取所述n×m幅纹理特征图像的第一特征，包括：

基于局部二值公式

确定所述n×m幅纹理特征图像中每个像素的局部二值特征，将所述n×m幅纹理特征图像中所有像素的局部二值特征的组合作为所述n×m幅纹理特征图像的第一特征，其中，(x_e，y_e)为中心像素的坐标，p为邻域的第p个像素，i_p为邻域像素的灰度值，i_c为中心像素的灰度值，s(x)为符号函数且/>

5.根据权利要求1-4中任一项所述的火焰图像识别方法，其特征在于，在所述基于局部二值模式提取所述n×m幅纹理特征图像的局部二值特征之前，所述方法还包括：

在每个时间窗口的所有帧纹理特征图像中随机选取N幅替代对应时间窗口中的所有帧纹理特征图像。

6.一种火焰图像识别装置，其特征在于，所述装置包括：

疑似火焰区域确定模块，用于确定已采集图像中的疑似火焰区域；

纹理特征图像提取模块，用于采用Gabor滤波器提取所述疑似火焰区域的n个尺度及m个方向的纹理特征，得到n×m幅纹理特征图像；

局部二值特征提取模块，用于基于局部二值模式提取所述n×m幅纹理特征图像的局部二值特征，

火焰确定模块，用于采用支持向量机SVM分类器，基于所述局部二值特征确定所述疑似火焰区域是否存在火焰；

其中，所述纹理特征图像提取模块具体用于：基于所述局部二值模式提取所述n×m幅纹理特征图像的局部二值特征，作为第一特征；基于均匀二值模式对所述第一特征进行降维，获得第一降维特征；以所述第一降维特征作为训练集训练获得所述CART决策树，所述CART决策树用于从所述第一降维特征中确定最具代表性的特征；将所述CART决策树作为弱分类器，基于所述Adaboost算法将多个弱分类器构建为强分类器；采用所述强分类器选取所述第一降维特征中特征重要性大于预设阈值的特征作为第二特征。

7.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1-5中任一项所述方法中的步骤。

Images