KR101620989B1 - Method of detecting fire automatically from video including night images and system for performing the same - Google Patents
Method of detecting fire automatically from video including night images and system for performing the same Download PDFInfo
- Publication number
- KR101620989B1 KR101620989B1 KR1020150021900A KR20150021900A KR101620989B1 KR 101620989 B1 KR101620989 B1 KR 101620989B1 KR 1020150021900 A KR1020150021900 A KR 1020150021900A KR 20150021900 A KR20150021900 A KR 20150021900A KR 101620989 B1 KR101620989 B1 KR 101620989B1
- Authority
- KR
- South Korea
- Prior art keywords
- fire
- image
- night
- moving image
- frame images
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
Description
본 발명은 영상 감지 방법 및 이를 수행하는 시스템에 관한 것으로서, 보다 구체적으로는 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법 및 이를 수행하는 시스템에 관한 것이다.The present invention relates to an image sensing method and a system for performing the same, and more particularly, to a method for automatically detecting a fire from a moving image including a night image and a system for performing the same.
화재 사고는 수많은 인명 피해를 유발하며 재산상의 손실이 막대하고, 사람들이 사용하고 오가는 장소는 전기 등으로 인해 항상 화재 가능성이 존재한다. 현재 주로 사용되고 있는 화재 경보 시스템은 열, 연기 등의 센서 기반 감지기들이 대부분이며 이들 감지기는 화재가 발생한 후 열이나 연기가 일정 수준 이상 확산되어 센서에 도달해야 비로소 감지가 가능하다. 이러한 특성에 따라 조기에 화재를 감지하지 못하며 넓은 장소나 실외와 같은 개방된 공간에서는 성능이 떨어지거나 감지 자체가 어렵다는 문제점이 있다.
Fire accidents cause many casualties and property damage, and there is always a possibility of fire due to electricity etc. in places where people use and travel. Most fire alarm systems currently used are sensor-based detectors such as heat and smoke. These detectors can only be detected after the fire has reached a certain level of heat or smoke after reaching the sensor. According to this characteristic, the fire can not be detected early and there is a problem that the performance is deteriorated or the detection itself is difficult in an open space such as a large place or an outdoor place.
이와 관련하여, 대한민국 공개특허공보 제10-2011-0107259호(2011.09.30.)에서는 광섬유를 이용한 화재 감지 장치 및 방법을 제안하고 있고, 대한민국 등록특허공보 제10-0938591호(2010.01.18.)에서는 광센서 감지기를 이용한 화재 감지 시스템 기술을 개시하고 있다.
In this regard, Korean Patent Laid-Open Publication No. 10-2011-0107259 (September 30, 2011) proposes an apparatus and method for detecting fire using an optical fiber, and Korean Patent Registration No. 10-0938591 (January 18, 2010) Discloses a fire detection system technology using an optical sensor sensor.
그러나 종래 기술에 의해서도, 카메라를 이용한 화재 감지 시스템은 개시되지 않은 한계가 있으며, 특히, 건물 내외부에 설치된 보안용 카메라를 이용하여 감지할 수 있는, 카메라를 이용한 화재 감지 시스템 기술이 구체적으로 개시되지 않은 문제가 있다.However, according to the related art, fire detection systems using cameras have limitations that have not been disclosed. Particularly, a fire detection system using a camera, which can be detected by using a security camera installed inside or outside a building, there is a problem.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 영상 처리 모듈이, N개의 연속된 프레임 영상들을 포함하는 동영상을 입력받고, 입력된 동영상의 각각의 프레임 영상들에 대해, 밝기 값에 기초하여 후보 영역을 지정하며, 프레임 영상들에서 지정된 후보 영역들의 크기 및 모양의 표준편차를 특징으로 하여, SVM(support vector machine)을 학습시키고, 학습된 결과 값에 기초하여, 화재 영역을 판단함으로써, 건물 내외부에 설치된 보안용 카메라를 이용하여 야간에 발생한 화재를 감지할 수 있고, 추가적인 비용 부담이 적으며, 센서 기반의 감지기들이 가지는 화재 오감지 문제를 해결할 수 있는, 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법 및 이를 수행하는 시스템을 제공하는 것을 그 목적으로 한다.The present invention has been proposed in order to solve the above-mentioned problems of the previously proposed methods. An image processing module receives a moving image including N consecutive frame images, A SVM (support vector machine) is learned by specifying a candidate region based on the brightness value, characterizing the standard deviation of the size and shape of the designated candidate regions in the frame images, and based on the learned result value, By determining the fire area, it is possible to detect a fire occurring at night using a security camera installed inside and outside the building, to reduce the additional cost, and to provide a night vision image A method for automatically detecting a fire from a moving picture including a moving picture, and a system for performing the method, Ever it shall be.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법은,According to an aspect of the present invention, there is provided a method for automatically detecting a fire from a moving image including a night image,
영상 처리 모듈이,Image processing module,
(1) N개의 연속된 프레임 영상들을 포함하는 동영상을 입력받는 단계;(1) receiving a moving picture including N consecutive frame images;
(2) 상기 입력된 동영상의 각각의 프레임 영상들에 대해, 밝기 값에 기초하여 후보 영역을 지정하는 단계;(2) designating a candidate region for each frame image of the input moving image based on a brightness value;
(3) 상기 프레임 영상들에서, 상기 지정된 후보 영역들의 크기 및 모양의 표준편차를 특징으로 하여, SVM(support vector machine)을 학습시키는 단계; 및(3) learning SVM (support vector machine) in the frame images, characterized by a standard deviation of size and shape of the designated candidate regions; And
(4) 상기 학습된 결과 값에 기초하여, 화재 영역을 판단하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
(4) determining a fire area based on the learned result value.
바람직하게는, 상기 단계 (4)는,Preferably, the step (4)
(4-1) 상기 학습된 결과 값을 미리 설정된 값과 비교하여, 1차 화재 영역을 판단하는 단계; 및(4-1) comparing the learned result with a preset value to determine a primary fire area; And
(4-2) 미리 지정된 개수의 프레임들 동안의 상기 1차 화재 영역에 대한 판단 결과에 기초하여, 최종 화재 영역을 판단하는 단계를 포함하여 구성될 수 있다.
(4-2) determining a final fire area based on a result of the determination on the primary fire area for a predetermined number of frames.
바람직하게는, 상기 단계 (2)는,Preferably, the step (2)
(2-1) 상기 입력된 동영상의 각각의 프레임들에 대해, 상기 밝기 값을 추출하여 그레이스케일 영상을 생성하는 단계;(2-1) extracting the brightness value for each frame of the input moving image to generate a gray scale image;
(2-2) 상기 생성된 그레이스케일 영상을 이진화하는 단계;(2-2) binarizing the generated gray-scale image;
(2-3) 상기 이진화된 영상에 대해 모폴로지 오프닝 연산을 수행하는 단계; (2-4) 상기 모폴로지 오프닝 연산 수행된 영역들에 대해 레이블링하는 단계; 및(2-3) performing a morphology opening operation on the binarized image; (2-4) labeling the regions where the morphology opening operation is performed; And
(2-5) 상기 레이블링된 영역에 기초하여 후보 영역을 지정하는 단계를 더 포함하여 구성될 수 있다.
(2-5) designating a candidate region based on the labeled region.
더욱 바람직하게는, 상기 단계 (2-3)에서는,More preferably, in the step (2-3)
상기 모폴로지 오프닝 연산에 의해, 상기 이진화된 그레이스케일 영상에 포함되는 배경의 잡음 및 텍스트의 일부가 제거되도록 구성될 수 있다.
The background noise and the text portion included in the binarized gray scale image may be removed by the morphology opening operation.
더욱 바람직하게는, 상기 단계 (2-4)에서는,More preferably, in the step (2-4)
상기 레이블링에 의해, 상기 모폴로지 오프닝 연산 수행된 배경의 잡음 및 텍스트의 나머지 일부가 제거되도록 구성될 수 있다.
By the labeling, the morphology opening operation can be configured such that the background noise and the rest of the text are removed.
더욱 바람직하게는, 상기 단계 (2-5)에서는,More preferably, in the step (2-5)
상기 후보 영역이 상기 레이블링된 영역보다 크게 구성될 수 있다.
The candidate region may be configured to be larger than the labeled region.
바람직하게는, 상기 단계 (3)에서,Preferably, in said step (3)
상기 SVM은, 상기 지정된 후보 영역들의 모양으로서, 불변 모멘트를 사용하도록 구성될 수 있다.
The SVM can be configured to use an invariant moment as the shape of the designated candidate regions.
바람직하게는,Preferably,
상기 N개의 연속된 프레임 영상들은, 야간에 촬영된 영상들로 구성될 수 있다.
The N consecutive frame images may be composed of images photographed at night.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 시스템은,According to an aspect of the present invention, there is provided a system for automatically detecting a fire from a moving image including a night image,
N개의 연속된 프레임 영상들을 포함하는 동영상을 입력받고, 입력된 동영상의 각각의 프레임 영상들에 대해 밝기 값에 기초하여 후보 영역을 지정하며, 상기 프레임 영상들에서 상기 지정된 후보 영역들의 크기 및 모양의 표준편차를 특징으로 하여, SVM(support vector machine)을 학습시키고, 상기 학습된 결과 값에 기초하여 화재 영역을 판단하도록 구성되는 제어부를 포함하는 것을 그 구성상의 특징으로 한다.
A moving image including N consecutive frame images is input, a candidate area is designated based on a brightness value for each frame image of the input moving image, and the size and shape of the designated candidate areas in the frame images And a control unit configured to learn SVM (support vector machine) and to determine a fire area based on the learned result, characterized by a standard deviation.
바람직하게는, 상기 제어부는,Preferably, the control unit includes:
상기 학습된 결과 값을 미리 설정된 값과 비교하여 1차 화재 영역을 판단하고, 미리 지정된 개수의 프레임들 동안의 상기 1차 화재 영역에 대한 판단 결과에 기초하여 최종 화재 영역을 더 판단하도록 구성될 수 있다.
Determine a first fire area by comparing the learned result with a preset value, and determine a final fire area based on a determination result of the first fire area during a predetermined number of frames have.
바람직하게는, 상기 제어부는,Preferably, the control unit includes:
상기 입력된 동영상의 각각의 프레임들에 대해 상기 밝기 값을 추출하여 그레이스케일 영상을 생성하고, 상기 생성된 그레이스케일 영상을 이진화하며, 상기 이진화된 영상에 대해 모폴로지 오프닝 연산을 수행하고, 상기 모폴로지 오프닝 연산 수행된 영역들에 대해 레이블링하며, 상기 레이블링된 영역에 기초하여 후보 영역을 지정하도록 구성될 수 있다.
Extracting the brightness values for each of the frames of the input moving image to generate a gray scale image, binarizing the generated gray scale image, performing a morphology opening operation on the binarized image, Labeling the computed regions, and designating a candidate region based on the labeled region.
더욱 바람직하게는, 상기 제어부는,More preferably,
상기 모폴로지 오프닝 연산에 의해, 상기 이진화된 그레이스케일 영상에 포함되는 배경의 잡음 및 텍스트의 일부를 제거시키도록 구성될 수 있다.
The background noise and the text portion included in the binarized gray scale image may be removed by the morphology opening calculation.
더욱 바람직하게는, 상기 제어부는,More preferably,
상기 레이블링에 의해, 상기 모폴로지 오프닝 연산 수행된 배경의 잡음 및 텍스트의 나머지 일부를 제거시키도록 구성될 수 있다.
By the labeling, the morphology opening operation can be configured to remove the background noise and the rest of the text.
더욱 바람직하게는, 상기 제어부는,More preferably,
상기 후보 영역을 상기 레이블링된 영역보다 크게 지정하도록 구성될 수 있다.
And to designate the candidate region larger than the labeled region.
바람직하게는, 상기 제어부는,Preferably, the control unit includes:
상기 SVM이 상기 지정된 후보 영역들의 모양으로서, 불변 모멘트를 사용하도록 구성될 수 있다.
The SVM may be configured to use an invariant moment as the shape of the designated candidate regions.
바람직하게는,Preferably,
상기 N개의 연속된 프레임 영상들은, 야간에 촬영된 영상들로 구성될 수 있다.The N consecutive frame images may be composed of images photographed at night.
본 발명에서 제안하고 있는 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법 및 이를 수행하는 시스템에 따르면, 영상 처리 모듈이, N개의 연속된 프레임 영상들을 포함하는 동영상을 입력받고, 입력된 동영상의 각각의 프레임 영상들에 대해, 밝기 값에 기초하여 후보 영역을 지정하며, 프레임 영상들에서 지정된 후보 영역들의 크기 및 모양의 표준편차를 특징으로 하여, SVM(support vector machine)을 학습시키고, 학습된 결과 값에 기초하여, 화재 영역을 판단함으로써, 건물 내외부에 설치된 보안용 카메라를 이용하여 야간에 발생한 화재를 감지할 수 있고, 추가적인 비용 부담이 적으며, 센서 기반의 감지기들이 가지는 화재 오감지 문제를 해결할 수 있다.According to a method for automatically detecting a fire from a moving image including a night image proposed by the present invention and a system for performing the method, an image processing module receives a moving image including N consecutive frame images, A support vector machine is learned by specifying a candidate area based on the brightness value and characterizing the standard deviation of the size and shape of the designated candidate areas in the frame images, It is possible to detect a fire occurring at night by using a camera for security installed inside and outside the building by judging the fire area based on the result of the fire detection, Can be solved.
도 1은 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 흐름을 도시한 도면.
도 2는 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S130의 흐름을 도시한 도면.
도 3 내지 도 6은 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S130에 따라 처리된 영상을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S150에서 사용되는 특징 추출의 개요를 도시한 도면.
도 8은 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S150에서 사용되는 특징의 표준편차를 표로 도시한 도면.
도 9 및 도 10은 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S150에서 사용되는 SVM의 개념을 설명하기 위한 도면.
도 11은 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S175가 적용된 모습을 개념적으로 도시한 도면.
도 12 내지 도 15는 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법이 적용되는 예시적인 동영상들을 도시한 도면.
도 16 내지 도 19는 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법이 적용되는 예시적인 동영상의 화재 감지 결과들을 도시한 도면 (파란색 박스는 후보에서 제외된 감지 영역, 붉은색 박스는 실제 화재로 감지 된 영역).BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a flowchart illustrating a method of automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention; FIG.
FIG. 2 is a flowchart illustrating a step S130 of a method for automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention. FIG.
FIGS. 3-6 illustrate images processed according to step S130 of a method for automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention; FIG.
FIG. 7 is a diagram illustrating an outline of feature extraction used in step S150 of a method for automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention; FIG.
FIG. 8 is a table showing standard deviations of features used in step S150 of a method for automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention. FIG.
9 and 10 are diagrams for explaining the concept of SVM used in step S150 of a method for automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention.
FIG. 11 conceptually illustrates a step S175 of a method for automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention. FIG.
12 to 15 illustrate exemplary moving pictures to which a method for automatically detecting a fire from moving images including a night image according to an embodiment of the present invention is applied.
FIGS. 16 to 19 are diagrams showing exemplary fire detection results of a moving picture to which a method of automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention is applied (a blue box is excluded from a candidate Detection area, red box is the real fire detected area).
이하에서는 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일 또는 유사한 부호를 사용한다.
Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily carry out the present invention. In the following detailed description of the preferred embodiments of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. The same or similar reference numerals are used throughout the drawings for portions having similar functions and functions.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’되어 있다고 할 때, 이는 ‘직접적으로 연결’되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
In addition, in the entire specification, when a part is referred to as being 'connected' to another part, it may be referred to as 'indirectly connected' not only with 'directly connected' . Also, to "include" an element means that it may include other elements, rather than excluding other elements, unless specifically stated otherwise.
본 발명의 실시예들에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 시스템은 소정의 연속된 프레임들을 포함하는 동영상을 입력받아, 입력된 동영상에 대해 미리 설정된 알고리즘에 따른 처리를 수행하여, 입력된 동영상에서 화재(예컨대, 야간 화재)가 발생했는지 발생하지 않았는지 판단하는 연산을 수행하는, 영상 처리 모듈을 포함할 수 있다. 영상 처리 모듈은 예를 들어, 프로세서(즉, 제어부)를 포함할 수 있다. 이러한 프로세서는 입력된 동영상들을 저장하기 위한 메모리(예컨대, RAM, 대용량 저장 공간 등)를 포함할 수 있다. 예를 들어, 이와 같은 프로세서는 퍼스널 컴퓨터, 데스크톱 컴퓨터, 노트북 컴퓨터, 스마트폰, 태블릿 PC 등에 포함될 수 있다. 이하에서는, 이러한 영상 처리 모듈에서 수행될 수 있는, 본 발명의 실시예들에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법을 구체적으로 설명하도록 한다.
A system for automatically detecting a fire from a moving image including a night image according to embodiments of the present invention receives a moving image including predetermined continuous frames and performs a process according to a predetermined algorithm for the inputted moving image , And an image processing module that performs an operation to determine whether a fire (e.g., nighttime fire) has occurred or not in the input moving image. The image processing module may include, for example, a processor (i.e., a control unit). Such a processor may include a memory (e.g., RAM, mass storage space, etc.) for storing input moving images. For example, such a processor may be included in a personal computer, a desktop computer, a notebook computer, a smart phone, a tablet PC, and the like. Hereinafter, a method for automatically detecting a fire from a moving image including a night image according to embodiments of the present invention, which can be performed in the image processing module, will be described in detail.
도 1은 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 흐름을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법은, 영상 처리 모듈이, N개의 연속된 프레임 영상들을 포함하는 동영상을 입력 받는 단계(S110), 입력된 동영상의 각각의 프레임 영상들에 대해, 밝기 값에 기초하여 후보 영역을 지정하는 단계(S130), 프레임 영상들에서, 지정된 후보 영역들의 크기 및 모양의 표준편차를 특징으로 하여, SVM(support vector machine)을 학습시키는 단계(S150), 학습된 결과 값에 기초하여 화재 영역을 판단하는 단계를 포함하여 구성될 수 있다. 이때, 학습된 결과 값에 기초하여 화재 영역을 판단하는 단계는, 학습된 결과 값을 미리 설정된 결과 값과 비교하여, 1차 화재 영역을 판단하는 단계(S170), 및 미리 지정된 개수의 프레임들 동안의 1차 화재 영역에 대한 판단 결과에 기초하여, 최종 화재 영역을 판단하는 단계(S175)를 포함하여 구성될 수 있다. 이하에서는, 이러한 영상 처리 모듈에서 수행될 수 있는, 본 발명의 실시예들에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 각각의 단계를 상세히 설명하도록 한다.
FIG. 1 is a flowchart illustrating a method for automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention. Referring to FIG. As shown in FIG. 1, a method for automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention includes the steps of: receiving a moving image including N consecutive frame images; In step S110, a candidate region is designated (S130) based on brightness values for each frame image of the input moving image. In the frame images, a standard deviation of the size and shape of the designated candidate regions is characterized (S150) of learning a support vector machine (SVM), and determining a fire area based on the learned result value. In this case, the step of determining a fire area based on the learned result value may include comparing a learned result value with a predetermined result value to determine a primary fire area (S170) (S175) of determining a final fire area based on a determination result of the primary fire area. Hereinafter, each step of the method for automatically detecting a fire from a moving image including a night image according to the embodiments of the present invention, which can be performed in this image processing module, will be described in detail.
단계 S110에서는, 영상 처리 모듈이 N개의 연속된 프레임 영상들을 포함하는 동영상을 입력 받을 수 있다. 이때, N은 임의의 자연수일 수 있다. 예를 들어, 영상 처리 모듈은 폐쇄회로 카메라에서 야간에 촬영된 N개의 연속된 프레임 영상들을 포함하는 동영상을 입력받을 수 있다. 예를 들어, 영상 처리 모듈은 화재 감시 구역에 설치된 CCTV 카메라에서 야간에 촬영된 동영상을 입력받을 수 있다.
In step S110, the image processing module may receive a moving image including N consecutive frame images. At this time, N may be any natural number. For example, the image processing module may receive a moving image including N consecutive frame images taken at night from a closed circuit camera. For example, the video processing module can receive a video shot at night from a CCTV camera installed in a fire monitoring area.
단계 S130에서는, 영상 처리 모듈이 입력된 동영상의 각각의 프레임 영상들에 대해, 밝기 값에 기초하여 후보 영역을 지정할 수 있다. 단계 S130은, 도 2 내지 도 6을 참조하여 보다 상세히 설명하도록 한다.
In step S130, for each frame image of the moving image inputted by the image processing module, a candidate area can be designated based on the brightness value. Step S130 will be described in more detail with reference to Figs. 2 to 6. Fig.
도 2는 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S130의 흐름을 도시한 도면이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S130은, 입력된 동영상의 각각의 프레임 영상들에 대해, 밝기 값을 추출하여 그레이스케일 영상을 생성하는 단계(S131), 생성된 그레이스케일 영상을 이진화하는 단계(S133), 이진화된 영상에 대해 모폴로지 오프닝 연산을 수행하는 단계(S135), 모폴로지 오프닝 연산 수행된 영역들에 대해 레이블링 하는 단계(S137) 및 레이블 영역에 기초하여 후보 영역을 지정하는 단계(S139)를 포함하여 구성될 수 있다.
FIG. 2 is a flowchart illustrating a method for automatically detecting a fire from a moving image including a night image according to an exemplary embodiment of the present invention. Referring to FIG. As shown in FIG. 2, a step S130 of a method for automatically detecting a fire from a moving image including a night image according to an exemplary embodiment of the present invention includes a step S130 for calculating a brightness value (S131) generating a gray scale image (S131), binarizing the generated gray scale image (S133), performing a morphology opening operation on the binarized image (S135), performing a morphology opening operation on the regions (S137) of labeling the label region and designating a candidate region based on the label region (S139).
도 3 내지 도 6은 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S130에 따라 처리된 영상을 도시한 도면이다. 도 3에 도시된 바와 같은 야간에 촬영되는 CCTV 동영상이 영상 처리 모듈에 입력되는 경우, 단계 S131에서는, 이러한 동영상의 각각의 프레임 영상들에 대해, 밝기(brightness) 값을 추출하여 그레이스케일(greyscale) 영상을 생성할 수 있다. 이어서, 단계 S133에서는, 영상 처리 모듈이, 생성된 그레이스케일 영상을 이진화 할 수 있다. 예를 들어, 도 3에 도시된 입력 동영상이 처리되어 그레이스케일 영상이 생성되고, 이진화 되는 경우, 도 4와 같이 나타날 수 있다.
3 to 6 are views showing images processed according to step S130 of a method for automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention. If a CCTV moving picture photographed at night as shown in FIG. 3 is input to the image processing module, a brightness value is extracted for each frame image of the moving image in step S131, and gray- Images can be generated. Subsequently, in step S133, the image processing module can binarize the generated gray-scale image. For example, when the input moving picture shown in FIG. 3 is processed to generate a gray-scale image and binarized, it can be displayed as shown in FIG.
단계 S135에서는, 영상 처리 모듈이, 이진화된 영상에 대해 모폴로지(morphology) 오프닝 연산을 수행할 수 있다. 이때, 영상 처리 모듈은 도 4에 도시된 바와 같은 이진화 된 영상에 대해, CCTV 카메라, 보안 카메라 등에서 흔히 나타나는 텍스트(날짜, 시간 등)와 배경의 잡음들 중 일부를 제거시키는 모폴로지 오프닝 연산을 수행할 수 있다. 이와 같이 오프닝 연산 수행된 영상은, 예를 들어, 도 5와 같이 나타날 수 있다.
In step S135, the image processing module may perform a morphology opening operation on the binarized image. At this time, the image processing module performs a morphology opening operation to remove some of the noise (background, time, and the like) of the text (date, time, etc.) commonly found in the CCTV camera, the security camera, and the like with respect to the binarized image as shown in FIG. . The image subjected to the opening operation as described above may be displayed, for example, as shown in FIG.
단계 S137에서는, 영상 처리 모듈이, 모폴로지 오프닝 연산 수행된 영역들에 대해 레이블링 할 수 있다. 이러한 레이블링에 의해, 모폴로지 오프닝 연산 수행된 배경의 잡음 및 텍스트의 나머지 일부가 제거될 수 있다.
In step S137, the image processing module can label the areas subjected to the morphology opening operation. With this labeling, the noise in the background of the morphology opening operation and the rest of the text can be removed.
이어서, 단계 S139에서는, 영상 처리 모듈이, 레이블 영역에 기초하여 후보 영역을 지정할 수 있다. 이때, 후보 영역은, 일반적으로 화재의 크기가 지속적으로 변화하는 것을 고려하여, 레이블된 영역보다 크게 지정될 수 있다. 예를 들어, 도 6에 도시된 바와 같이, 야간 동영상의 프레임 영상들에 대하여, 레이블된 영역 보다 큰 화재 영역(50)이 지정될 수 있다.
Subsequently, in step S139, the image processing module can designate the candidate area based on the label area. At this time, the candidate region can be designated to be larger than the labeled region, considering that the size of the fire generally changes continuously. For example, as shown in FIG. 6, for a frame image of a night moving picture, a
단계 S150에서는, 영상 처리 모듈이, 프레임 영상들에서 지정된 후보 영역들의 크기 및 모양의 표준편차를 특징으로 하여, SVM(support vector machine)을 학습시킬 수 있다. 일반적으로 화재는, 화재의 원인이 되는 연료, 바람 등의 영향에 따라 끊임없이 크기와 모양이 변하는 특징을 가지므로, 이러한 특징에 기초하여, 크기와 모양의 표준편차를 특징으로서 추출하여, SVM을 분류기로 사용하며 화재 영역을 분류해낼 수 있다. 본 실시예에서는, 화재의 모양 정보를 특징으로서, 불변 모멘트(invariant moment)를 사용할 수 있다. 이러한 불변 모멘트는 크기, 회전 및 위치에 불변하는 특징을 가지므로, 움직이는 물체와 화재를 구분해내는데 유용할 수 있다.
In step S150, the image processing module can learn SVM (support vector machine) by characterizing the standard deviation of the size and shape of the candidate regions designated in the frame images. Generally, fire is characterized by constant size and shape depending on the influence of fuel, wind, etc., which cause fire. Therefore, based on these characteristics, standard deviation of size and shape is extracted as a feature, And can classify fire zones. In this embodiment, an invariant moment can be used, characterizing the shape information of a fire. These invariant moments have characteristics that are invariant to size, rotation, and position, so they can be useful in distinguishing a moving object from a fire.
도 7은 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S150에서 사용되는 특징 추출의 개요를 도시한 도면이고, 도 8은 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S150에서 사용되는 특징의 표준편차를 표로 도시한 도면이다. 도 7에 도시된 바와 같이, 연속된 프레임 영상들에서 지정된 후보 영역들의 크기 및 모양에 대하여, 각각의 표준편차가 산출될 수 있다. 이러한 특징 정보들은, 도 8에 도시된 표에서와 같이, 각각의 프레임에서의 후보 영역(Region No.)을 하나의 데이터 세트로 보아, 전체 N개의 프레임에 대한 데이터들의 표준편차로 산출될 수 있다.
FIG. 7 is a diagram illustrating an outline of feature extraction used in step S150 of a method for automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention, and FIG. And a method of automatically detecting a fire from a moving image including a night image according to a first embodiment of the present invention. As shown in Fig. 7, for each size and shape of designated candidate regions in consecutive frame images, each standard deviation can be calculated. Such feature information can be calculated as a standard deviation of data for all N frames by considering a candidate region (Region No.) in each frame as one data set, as shown in the table shown in Fig. 8 .
이와 같이 추출된 특징(표준편차) 정보는, SVM에 의해 학습될 수 있다. SVM(support vector machine)은 통계 학습 이론에 기반한 알고리즘으로서, 이산분류와 회귀분석 문제를 풀기 위한 방법으로 고안되었다. SVM은 안정적이면서 강력한 일반화 성능을 보이는 장점이 있는데, 두 집단으로 구분된 입력 벡터를 가지는 학습 데이터(learning data)에 대해 각각의 클래스로 분류할 때 기준이 되는 분리 초평면(separating hyperplane)을 특수한 학습 알고리즘을 이용하여 찾는 과정을 거칠 수 있다.
The feature (standard deviation) information thus extracted can be learned by the SVM. SVM (support vector machine) is an algorithm based on statistical learning theory. It is designed as a method to solve discrete classification and regression problem. The SVM has the advantage of stable and robust generalization performance. It has a merit of showing stable and robust generalization performance, and it is very effective to use a separating hyperplane, which is a standard for classifying the learning data having input vectors classified into two groups into respective classes, It is possible to go through the process of searching.
도 9 및 도 10은 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S150에서 사용되는 SVM의 개념을 설명하기 위한 도면이다. 도 9 및 도 10에서는 SVM의 작동 원리인 최대 마진 분류와 고차원으로의 데이터 매핑을 통한 분류가 도시되었다. 다차원(예컨대, r차원)의 공간에서 학습 데이터 yi가 {xi,yi},i=1,…,r,yi∈+1,-1와 같이 나타나는 경우, 두 개의 클래스를 구분하는 분리 초평면은 여러 개가 존재하지만, 최적의 분리 초평면은 도 9와 같이 하나만 존재할 수 있다. 이러한 최적의 분리 초평면은 하기의 [수학식 1]과 같이 정의될 수 있다.FIGS. 9 and 10 are diagrams for explaining the concept of SVM used in step S150 of a method for automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention. 9 and 10 illustrate the operation principle of the SVM, that is, the classification through the maximum margin classification and the high-order data mapping. In a multi-dimensional (e.g., r-dimensional) space, the learning data y i is {x i , y i }, i = 1, ... , r, yi∈ + 1, -1, there are several separate hyperplanes for classifying the two classes, but only one optimal hyperplane exists as shown in FIG. This optimal separation hyperplane can be defined as the following equation (1).
여기서
두 개의 분리 초평면 사이의 마진(margin)을 최대화해야 하므로, 두 클래스의 분리 초평면을 구하는 문제는, [수학식 2]를 제약 식으로 가지는, 하기의 [수학식 3]과 같은 최적화 문제로 귀결된다.Since the margin between two separate hyperplanes must be maximized, the problem of finding the separation plane of two classes results in an optimization problem such as Equation (3) below, with (2) .
그러나 대부분의 경우, 데이터들의 선형 분리가 불가능하기 때문에 도 10과 같이 특정한 함수에 의해서 입력 공간의 데이터를 고차원 특징 공간으로 맵핑(mapping)하여, 선형 분리가 가능한 분리 초평면을 생성하고, 데이터를 분류할 수 있다. 본 실시예에서는, 학습 데이터에 대하여, 불변 모멘트의 표준 편차 및 크기의 표준편차를 추출하고 그로부터 SVM을 학습시켜, 학습 영상을 2개의 클래스(화재/비화재)로 분류하도록 구성될 수 있다.
However, since linear separation of data is impossible in most cases, as shown in FIG. 10, data of the input space is mapped to a higher dimensional feature space by a specific function, and a separate hyperplane capable of linear separation is generated. . In this embodiment, the standard deviation of the standard deviation and magnitude of the invariant moments may be extracted from the learning data, and the SVM may be learned therefrom to classify the learning image into two classes (fire / non-fire).
단계 S170에서는, 영상 처리 모듈이, 학습된 결과 값을 미리 설정된 결과 값과 비교하여, 1차 화재 영역을 판단할 수 있다. 예를 들어, 영상 처리 모듈은, SVM으로부터 반환되는 결과 값이 임계값(예컨대, 0.5)보다 큰 경우, 후보 영역에서 화재가 발생된 것으로 분류되도록, 1차 화재 영역을 판단할 수 있다.
In step S170, the image processing module can determine the primary fire area by comparing the learned result value with a preset result value. For example, the image processing module may determine the primary fire area so that when the result value returned from the SVM is greater than a threshold value (e.g., 0.5), the fire area is classified as a fire in the candidate area.
단계 S175에서는, 영상 처리 모듈이, 미리 지정된 개수의 프레임들 동안의 1차 화재 영역에 대한 판단 결과에 기초하여, 최종 화재 영역을 판단할 수 있다. 예를 들어, 야간에 획득된 동영상에서, 움직이는 밝은 물체는 빛의 반사로 인해 화재 영역과 유사하게 변하는 특징을 보일 수 있다. 그러므로 SVM에 의해 1차로 판단된 화재 영역에 대해서도, 여러 프레임 동안의 판단 결과를 종합하여, 최종적으로 화재 발생 여부를 판단하도록 구성될 수 있다. 그에 따라, 야간에 발생하는 화재에 대해 높은 정확도의 분류도(감지도)를 가질 수 있다.
In step S175, the image processing module can determine the final fire area based on the determination result of the primary fire area for a predetermined number of frames. For example, in a moving image obtained at night, a moving bright object may exhibit a characteristic that changes similarly to a fire area due to reflection of light. Therefore, the fire area determined by the SVM can also be configured to determine whether or not a fire has occurred, by combining the determination results of various frames. Accordingly, it is possible to have a high accuracy classification (detection degree) for a fire occurring at night.
도 11은 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법의 단계 S175가 적용된 모습을 개념적으로 도시한 도면이다. 도 11에 도시된 바와 같이, 단계 S170에서 SVM의 학습된 결과 값에 기초하여 1차적으로 화재 영역을 판단할 수 있으며, 화재 영역으로 판단된 부분들에 대하여 부가적으로 판단 결과를 종합하여 최종 화재 영역으로 판단할 수 있으며, 이와 반대로, SVM의 학습된 결과 값에서는 비화재 영역으로 판단된 부분들에 대해서도, 부가적인 판단 결과에 따라 최종적으로 화재 영역으로 분류될 수 있다.
FIG. 11 is a view conceptually illustrating a step S175 of a method for automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention. As shown in FIG. 11, in step S170, it is possible to primarily determine the fire area based on the learned result of the SVM, and additionally, In contrast, according to the learned result of the SVM, even the portions determined to be non-fire areas can be finally classified as a fire area according to the result of the additional determination.
도 12 내지 도 15는 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법이 적용되는 예시적인 동영상들을 도시한 도면이다. 도 12 내지 도 15에 각각 도시된 바와 같이, 본 발명의 실시예들에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법은 야간에 라이트가 켜진 차량이 맞은 편에서 접근하는 동영상(도 12의 경우), 야간에 밝게 빛나는 네온사인을 포함하는 동영상(도 13의 경우), 야간에 발생한 화재를 감지하는 CCTV 카메라의 동영상(도 14, 도 15의 경우) 등에 대해 적용될 수 있다. 즉, 이러한 야간에 획득된 카메라 동영상을 본 실시예들에 따른 화재 감지 방법 알고리즘에 의해 자동 분석함으로써, 화재 발생 여부를 분류해낼 수 있다.
12 to 15 illustrate exemplary moving images to which a method for automatically detecting a fire from moving images including a night image according to an embodiment of the present invention is applied. 12 to 15, a method for automatically detecting a fire from a moving image including a night image according to the embodiments of the present invention includes a method of automatically detecting a fire from a moving image 12), a moving picture (a case of FIG. 13) including a neon sign brightly illuminated at night, a moving picture (a case of FIG. 14 and FIG. 15) of a CCTV camera detecting a fire occurring at night, and the like. That is, by automatically analyzing the camera moving images obtained at such a night by the fire detection method algorithm according to the present embodiments, it is possible to classify whether or not a fire has occurred.
도 16 내지 도 19는 본 발명의 일실시예에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법이 적용되는 예시적인 동영상의 화재 감지 결과들을 도시한 도면이다. 도 16 내지 도 19에 도시된 바와 같이, 본 발명의 실시예들에 따른 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법을 적용하는 경우, 후보 영역들 중 야간에 밝기가 밝으면서 모양이나 크기가 변화하는 부분들이 화재가 아닌 것으로 분류되거나(청색 박스), 실제 화재가 발생한 것으로 분류(적색 박스)될 수 있다. 이와 같이, 감시 카메라의 영상에 대해 자동적으로 화재 여부를 감지함으로써, 비용을 줄이면서도 화재 예방 및 감지 효과를 향상시킬 수 있다.
FIGS. 16 to 19 are diagrams illustrating exemplary motion picture fire detection results to which a method of automatically detecting a fire from a moving image including a night image according to an embodiment of the present invention is applied. As shown in FIGS. 16 to 19, when a method of automatically detecting a fire from a moving image including a night image according to the embodiments of the present invention is applied, among the candidate areas, Parts whose size changes can be classified as non-fire (blue box) or classified as actual fire (red box). Thus, by detecting the fire or not automatically on the video of the surveillance camera, it is possible to improve the fire prevention and detection effect while reducing the cost.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.The present invention may be embodied in many other specific forms without departing from the spirit or essential characteristics of the invention.
S110: N개의 연속된 프레임 영상들을 포함하는 동영상을 입력 받는 단계
S130: 입력된 동영상의 각각의 프레임 영상들에 대해, 밝기 값에 기초하여 후보 영역을 지정하는 단계
S131: 입력된 동영상의 각각의 프레임 영상들에 대해, 밝기 값을 추출하여 그레이스케일 영상을 생성하는 단계
S133: 생성된 그레이스케일 영상을 이진화하는 단계
S135: 이진화된 영상에 대해 모폴로지 오프닝 연산을 수행하는 단계
S137: 모폴로지 오프닝 연산 수행된 영역들에 대해 레이블링 하는 단계
S139: 레이블 영역에 기초하여 후보 영역을 지정하는 단계
S150: 프레임 영상들에서, 지정된 후보 영역들의 크기 및 모양의 표준편차를 특징으로 하여, SVM을 학습시키는 단계
S170: 학습된 결과 값에 기초하여 화재 영역을 판단하는 단계는, 학습된 결과 값을 미리 설정된 결과 값과 비교하여, 1차 화재 영역을 판단하는 단계
S175: 미리 지정된 개수의 프레임들 동안의 1차 화재 영역에 대한 판단 결과에 기초하여, 최종 화재 영역을 판단하는 단계S110: receiving a moving image including N consecutive frame images;
S130: For each frame image of the input moving image, designating a candidate region based on the brightness value
S131: generating a gray scale image by extracting a brightness value for each frame image of the input moving image
S133: Step of binarizing the generated gray scale image
S135: Performing a morphology opening operation on the binarized image
S137: labeling for the regions where the morphology opening operation is performed
S139: Designating a candidate region based on the label region
S150: Learning SVM by characterizing the standard deviation of the size and shape of the designated candidate regions in the frame images
S170: determining the fire area based on the learned result value includes comparing the learned result value with a preset result value, and determining the primary fire area
S175: Judging the final fire area based on the determination result of the primary fire area for a predetermined number of frames
Claims (16)
(1) N개(N은 자연수)의 연속된 프레임 영상들을 포함하는 동영상을 입력받는 단계;
(2) 상기 입력된 동영상의 각각의 프레임 영상들에 대해, 밝기 값에 기초하여 후보 영역을 지정하는 단계;
(3) 상기 프레임 영상들에서, 상기 지정된 후보 영역들의 크기 및 모양의 표준편차를 특징으로 하여, SVM(support vector machine)을 학습시키는 단계; 및
(4) 상기 학습된 결과 값에 기초하여, 화재 영역을 판단하는 단계를 포함하되,
상기 단계 (2)는,
(2-1) 상기 입력된 동영상의 각각의 프레임들에 대해, 상기 밝기 값을 추출하여 그레이스케일 영상을 생성하는 단계;
(2-2) 상기 생성된 그레이스케일 영상을 이진화하는 단계;
(2-3) 상기 이진화된 영상에 대해 모폴로지 오프닝 연산을 수행하는 단계;
(2-4) 상기 모폴로지 오프닝 연산 수행된 영역들에 대해 레이블링하는 단계; 및
(2-5) 상기 레이블링된 영역에 기초하여 후보 영역을 지정하는 단계를 더 포함하며,
상기 단계 (2-3)에서는,
상기 모폴로지 오프닝 연산에 의해, 상기 이진화된 그레이스케일 영상에 포함되는 배경의 잡음 및 텍스트의 일부가 제거되고,
상기 단계 (2-4)에서는,
상기 레이블링에 의해, 상기 모폴로지 오프닝 연산 수행된 배경의 잡음 및 텍스트의 나머지 일부가 제거되며,
상기 단계 (2-5)에서는,
상기 후보 영역이 상기 레이블링된 영역보다 큰 것을 특징으로 하는, 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법.
Image processing module,
(1) receiving a moving image including N (N is a natural number) consecutive frame images;
(2) designating a candidate region for each frame image of the input moving image based on a brightness value;
(3) learning SVM (support vector machine) in the frame images, characterized by a standard deviation of size and shape of the designated candidate regions; And
(4) determining a fire area based on the learned result value,
The step (2)
(2-1) extracting the brightness value for each frame of the input moving image to generate a gray scale image;
(2-2) binarizing the generated gray-scale image;
(2-3) performing a morphology opening operation on the binarized image;
(2-4) labeling the regions where the morphology opening operation is performed; And
(2-5) designating a candidate region based on the labeled region,
In the step (2-3)
By the morphology opening operation, the background noise and part of the text included in the binarized gray scale image are removed,
In the step (2-4)
By the labeling, the background noise and the remaining part of the text that have been subjected to the morphology opening operation are removed,
In the above step (2-5)
Wherein the candidate region is larger than the labeled region. ≪ Desc / Clms Page number 20 >
(4-1) 상기 학습된 결과 값을 미리 설정된 값과 비교하여, 1차 화재 영역을 판단하는 단계; 및
(4-2) 미리 지정된 개수의 프레임들 동안의 상기 1차 화재 영역에 대한 판단 결과에 기초하여, 최종 화재 영역을 판단하는 단계를 포함하는 것을 특징으로 하는, 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법.
2. The method of claim 1, wherein step (4)
(4-1) comparing the learned result with a preset value to determine a primary fire area; And
(4-2) judging a final fire area based on a judgment result of the primary fire area for a predetermined number of frames, How to detect automatically.
상기 SVM은, 상기 지정된 후보 영역들의 모양으로서, 불변 모멘트를 사용하는 것을 특징으로 하는, 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법.
2. The method of claim 1, wherein in step (3)
Wherein the SVM uses an invariant moment as the shape of the designated candidate regions.
상기 N개의 연속된 프레임 영상들은, 야간에 촬영된 영상들인 것을 특징으로 하는, 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 방법.
The method according to claim 1,
Wherein the N consecutive frame images are images photographed at night. A method for automatically detecting a fire from a moving image including a night image.
상기 제어부는,
상기 입력된 동영상의 각각의 프레임들에 대해 상기 밝기 값을 추출하여 그레이스케일 영상을 생성하고, 상기 생성된 그레이스케일 영상을 이진화하며, 상기 이진화된 영상에 대해 모폴로지 오프닝 연산을 수행하고, 상기 모폴로지 오프닝 연산 수행된 영역들에 대해 레이블링하며, 상기 레이블링된 영역에 기초하여 후보 영역을 지정하도록 구성되며,
상기 제어부는,
상기 모폴로지 오프닝 연산에 의해, 상기 이진화된 그레이스케일 영상에 포함되는 배경의 잡음 및 텍스트의 일부를 제거시키도록 구성되고,
상기 제어부는,
상기 레이블링에 의해, 상기 모폴로지 오프닝 연산 수행된 배경의 잡음 및 텍스트의 나머지 일부를 제거시키도록 구성되며,
상기 제어부는,
상기 후보 영역을 상기 레이블링된 영역보다 크게 지정하도록 구성되는 것을 특징으로 하는, 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 시스템.
A moving image including N consecutive frame images of N (N is a natural number), designates a candidate region based on brightness values for each frame image of the input moving image, A control unit configured to learn SVM (support vector machine) and to determine a fire area based on the learned result, characterized by a standard deviation of sizes and shapes of regions,
Wherein,
Extracting the brightness values for each of the frames of the input moving image to generate a gray scale image, binarizing the generated gray scale image, performing a morphology opening operation on the binarized image, Labeling the computed regions, and designating a candidate region based on the labeled region,
Wherein,
And removing the background noise and a part of the text included in the binarized gray scale image by the morphology opening operation,
Wherein,
And by the labeling, remove the remaining background noise and the background noise of the performed morphology opening operation,
Wherein,
Wherein the candidate region is configured to designate the candidate region larger than the labeled region.
상기 학습된 결과 값을 미리 설정된 값과 비교하여 1차 화재 영역을 판단하고, 미리 지정된 개수의 프레임들 동안의 상기 1차 화재 영역에 대한 판단 결과에 기초하여 최종 화재 영역을 더 판단하도록 구성되는 것을 특징으로 하는, 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 시스템.
10. The apparatus according to claim 9,
Determine the first fire area by comparing the learned result value with a preset value, and determine the final fire area based on the determination result of the primary fire area for a predetermined number of frames A system that automatically detects fire from a moving image that includes a night image.
상기 SVM이 상기 지정된 후보 영역들의 모양으로서, 불변 모멘트를 사용하도록 구성되는 것을 특징으로 하는, 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 시스템.
10. The apparatus according to claim 9,
Characterized in that the SVM is configured to use an invariant moment as the shape of the designated candidate regions.
상기 N개의 연속된 프레임 영상들은, 야간에 촬영된 영상들인 것을 특징으로 하는, 야간 영상을 포함하는 동영상으로부터 화재를 자동적으로 감지하는 시스템.10. The method of claim 9,
Wherein the N consecutive frame images are images photographed at night. A system for automatically detecting a fire from a moving image including a night image.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150021900A KR101620989B1 (en) | 2015-02-12 | 2015-02-12 | Method of detecting fire automatically from video including night images and system for performing the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150021900A KR101620989B1 (en) | 2015-02-12 | 2015-02-12 | Method of detecting fire automatically from video including night images and system for performing the same |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101620989B1 true KR101620989B1 (en) | 2016-05-16 |
Family
ID=56109199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020150021900A KR101620989B1 (en) | 2015-02-12 | 2015-02-12 | Method of detecting fire automatically from video including night images and system for performing the same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101620989B1 (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108551553A (en) * | 2018-03-16 | 2018-09-18 | 浙江大华技术股份有限公司 | A kind of light compensating lamp control method and device |
| KR102064746B1 (en) | 2018-04-09 | 2020-01-10 | 미소에이스 주식회사 | Fire detection system based on machine learning |
| CN111488772A (en) * | 2019-01-29 | 2020-08-04 | 杭州海康威视数字技术股份有限公司 | Method and apparatus for smoke detection |
| KR20210132380A (en) | 2020-04-27 | 2021-11-04 | 주식회사 비젼인 | The system and the method for detecting fire based on thermal and real images |
| KR20220157163A (en) * | 2021-05-20 | 2022-11-29 | 한국전자기술연구원 | In-ship lighting identification method and system in night maritime environment |
-
2015
- 2015-02-12 KR KR1020150021900A patent/KR101620989B1/en active IP Right Grant
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108551553A (en) * | 2018-03-16 | 2018-09-18 | 浙江大华技术股份有限公司 | A kind of light compensating lamp control method and device |
| CN108551553B (en) * | 2018-03-16 | 2020-05-26 | 浙江大华技术股份有限公司 | Method and device for controlling light supplement lamp |
| KR102064746B1 (en) | 2018-04-09 | 2020-01-10 | 미소에이스 주식회사 | Fire detection system based on machine learning |
| CN111488772A (en) * | 2019-01-29 | 2020-08-04 | 杭州海康威视数字技术股份有限公司 | Method and apparatus for smoke detection |
| CN111488772B (en) * | 2019-01-29 | 2023-09-22 | 杭州海康威视数字技术股份有限公司 | Method and device for detecting smoke |
| KR20210132380A (en) | 2020-04-27 | 2021-11-04 | 주식회사 비젼인 | The system and the method for detecting fire based on thermal and real images |
| KR20220157163A (en) * | 2021-05-20 | 2022-11-29 | 한국전자기술연구원 | In-ship lighting identification method and system in night maritime environment |
| KR102513414B1 (en) * | 2021-05-20 | 2023-03-23 | 한국전자기술연구원 | In-ship lighting identification method and system in night maritime environment |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101620989B1 (en) | Method of detecting fire automatically from video including night images and system for performing the same | |
| US20190279478A1 (en) | Fire monitoring system | |
| KR100918436B1 (en) | Fire detection system and method basedon visual data | |
| US9773322B2 (en) | Image processing apparatus and image processing method which learn dictionary | |
| US20140177946A1 (en) | Human detection apparatus and method | |
| JP5106356B2 (en) | Image monitoring device | |
| US9633284B2 (en) | Image processing apparatus and image processing method of identifying object in image | |
| JP6764481B2 (en) | Monitoring device | |
| CN109460787B (en) | Intrusion detection model establishing method and device and data processing equipment | |
| CN105404884A (en) | Image analysis method | |
| JP4999794B2 (en) | Still region detection method and apparatus, program and recording medium | |
| JP6214426B2 (en) | Object detection device | |
| US20140093129A1 (en) | Object detection apparatus and method | |
| KR20190108218A (en) | Emergency Analysis Device and Method Using Digital Image | |
| JP7125843B2 (en) | Fault detection system | |
| JP4533836B2 (en) | Fluctuating region detection apparatus and method | |
| Kumar et al. | Computer vision-based early fire detection using machine learning | |
| CN116310922A (en) | Petrochemical plant area monitoring video risk identification method, system, electronic equipment and storage medium | |
| CN112364884B (en) | Method for detecting moving object | |
| Nagulan et al. | An efficient real-time fire detection method using computer vision and neural network-based video analysis | |
| CN116682162A (en) | Robot detection algorithm based on real-time video stream | |
| Lee et al. | Deep learning and color histogram based fire and smoke detection research | |
| KR20230051848A (en) | System for preventing safety accidents in dangerous areas and operation method thereof | |
| Hosseini et al. | Anomaly and tampering detection of cameras by providing details | |
| JP6482892B2 (en) | Monitoring system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20190508 Year of fee payment: 4 |