开云优惠体育网页版入口

专利名称：一种基于运动历史图像的早期火灾烟雾检测方法

专利类型：发明专利

专利申请号：CN202311720532.8

专利申请（专利权）人：营口世纪电子仪器股份有限公司
权利人地址：辽宁省营口市中国(辽宁)自由贸易试验区营口片区智胜街西92号

专利发明（设计）人：发明人:张旭,胡英,马新华

专利摘要：本发明公开了一种基于运动历史图像的早期火灾烟雾检测方法，属于火灾监测及报警技术领域。为解决火灾预警在准确性、可靠性和实时性方面存在缺陷的问题，通过烟雾特征提取以及烟雾运动分析可以提高烟雾对火灾预测的准确性，通过分析运动模式和烟雾特征，能够准确识别火灾烟雾，通过采集图像序列提高了预警的实时性，连续采集图像序列并进行实时分析，能够及时发现火灾烟雾，可靠性高，通过对烟雾运动历史图像进行分析，能够避免传感器误报和漏报的问题，同时适用范围广，通过烟雾运动分析以及火灾烟雾检测可以根据不同的监控场景结合不同的影响因素，使得适用于各种场景，如建筑物内部或者一些室外场景中。

主权利要求：
1.一种基于运动历史图像的早期火灾烟雾检测方法，其特征在于，包括如下步骤：监控设备布设，在监控区域布设监控设备，所述监控设备为监控摄像头；
采集图像序列，使用多个监控摄像头在监控区域实现全方位监控，连续采集图像序列；
图像区域分析，对图像序列进行图像区域分析，识别可能存在的异常烟雾运动；
烟雾特征提。攵钥赡艽嬖诘囊斐Ｑ涛碓硕，提取烟雾特征，所述烟雾特征包括烟雾的颜色、形状以及运动模式；
烟雾运动分析，基于烟雾特征对烟雾的运动趋势进行分析；
火灾烟雾检测，根据提取的烟雾特征，使用多种分类器进行多级分类对图像序列进行火灾烟雾检测，判断火灾地点区域；
火灾烟雾报警，在检测到火灾烟雾时，发出报警信号，用声音、灯光、短信多种方式进行报警通知相关人员采取防控措施；
其中，火灾烟雾检测具体还包括如下步骤：
基于烟雾的运动路径对火灾发生点进行确定；
基于火灾发生点以及烟雾的运动路径对火灾蔓延路径以及火势情况进行分析；
其中，基于烟雾的运动路径对火灾发生点进行确定，包括：获取得到的烟雾的运动路径，并对烟雾的运动路径进行结构分析，得到烟雾的运动路径的树结构特征；
基于树结构特征将运动路径进行离散化处理，得到运动路径在不同时刻的离散运动轨迹，并基于离散运动轨迹确定烟雾不同时刻下的相对位置偏移量；
构建直角坐标系，并基于相对位置偏移量将不同时刻的离散运动路径映射至直角坐标系，且基于映射结果和树结构特征确定不同方向的烟雾的运动路径的聚集点；
将烟雾的运动路径的聚集点判定为候选火灾发生点集合，并基于烟雾的扩散流动速度及流动方向分别确定候选火灾发生点集合中各候选火灾发生点的运动趋势；
基于运动趋势以及烟雾的流动方向的反方向对烟雾的运动路径的聚集点进行溯源，并基于溯源结果得到烟雾的运动路径的聚集点源；
基于提取到的烟雾特征以及预设火灾发生点评价指标对聚集点源进行分析，得到聚集点源的置信度，并当置信度在预设阈值区间时，将聚集点源判定为火灾发生点；
提取火灾发生点对应的帧图像，并对帧图像进行预处理，确定火灾发生点处明火的边缘轮廓，且提取边缘轮廓内的像素特征值；
基于像素特征值确定明火以及烟雾的色彩饱和度阈值，并将明火以及烟雾的色彩饱和度阈值分别与预设参考列表进行匹配，得到第一火势评估参数和第二火势评估参数；
基于明火以及烟雾对火势的影响权重对第一火势评估参数和第二火势评估参数进行加权平均处理，并基于加权评估处理结果得到火灾发生点当前的火势情况；
其中，在检测到火灾烟雾时，发出报警信号，包括：
对图像序列进行读。范ㄍ枷裥蛄兄醒涛淼姆植记颍
对烟雾的分布区域对应的像素点进行读。范ㄑ涛淼姆植记蛑邢袼氐愕难丈植继卣鳎
根据像素点的颜色分布特征将烟雾的分布区域进行拆分，获得m个子分布区域，同时，将每个子分布区域根据预设单位进行拆分，获得子分布区域对应的n个区域块；
调取颜色?浓度估计表，并将子分布区域对应的n个区域块在颜色浓度估计表中进行匹配，确定在子分布区域对应的n个区域块中单位面积对应的烟雾浓度估计值；
在子分布区域对应的n个区域块中单位面积对应的烟雾浓度估计值，计算火灾烟雾的浓度值；
其中，C表示火灾烟雾的浓度值；j表示子分布区域的序号值；m表示子分布区域的总个数； 表示第j个子分布区域的区域体积；i表示对子分布区域根据预设单位进行拆分后区域块的序号值；n表示区域块的总个数；s表示区域块的面积；hi表示第i个区域块对应的高度值；cij表示在第j个子分布区域中第i个区域块的烟雾浓度估计值；ρ表示误差因子，且取值范围为(0.01，0.02)；π表示常数，为3.14；
获取预设火灾烟雾浓度报警阈值区间[a，b]，并将火灾烟雾的浓度值C与预设火灾烟雾浓度报警阈值区间[a，b]进行比较；
基于比较结果确定发出报警信号的报警时长；
其中，当C≤a时，则发出报警信号的报警时长为0，且a表示预设火灾烟雾浓度报警阈值区间的下限阈值；
当a
当C>b时，则发出报警信号的报警时长为第二预设时长，且第一预设时长小于第二预设时长。
2.如权利要求1所述的一种基于运动历史图像的早期火灾烟雾检测方法，其特征在于：所述监控设备布设具体还包括如下步骤：
根据需要监控的场景和目的，在室外监控区域选择防水、防尘的室外监控摄像头，并将室外监控摄像头与太阳能供电系统相连通，在室内监控区域选择室内摄像头，并将室内摄像头与电路连接；
根据监控区域的大小和形状，确定需要布置的监控摄像头数量和位置，相邻的监控摄像头之间间隔10?20米设置并覆盖整个监控区域，调整每个监控摄像头的视角，使得监控摄像头能够清晰地拍摄到监控区域内的各个重要区域；
将监控摄像头与监控中心之间的通过有线或无线方式进行连接。
3.如权利要求1所述的一种基于运动历史图像的早期火灾烟雾检测方法，其特征在于：所述采集图像序列具体还包括如下步骤：
监控摄像头对监控区域进行全方位监控并采集图像序列，实时传输监控图像序列；
通过存储设备对所采集的监控图像序列进行备份；
对备份数据的定期维护和管理。
4.如权利要求1所述的一种基于运动历史图像的早期火灾烟雾检测方法，其特征在于：所述图像区域分析具体还包括如下步骤：
A1：将当前图像与背景图像差分，得到包含运动信息的差分图像；
A2：将图差分像分割成大小为N×N的图像块，N的取值由图像分辨率决定，对其部分图像块进行剔除，具体为计算图像块内像素点个数，再统计每个块内满足运动特征的像素点个数Ni，对结果做如下更新：其中T1是运动像素点的比例阈值，对于Bn(x,y)中取值为0的像素块不进行下一步计算；
A3：计算出Bn(x,y)中标记为1的每个运动块的平均像素值P，当平均值大于阈值T2时，则该区域运动历史图象亮度增加，反之则减少，如公式所示：其中tMHIσ(x,y)为运动块对应在运动历史图象上的像素值；
A4：在设定的时间阈值σ内，不断重复步骤A1和A3，对tMHIσ(x,y)进行累计，获得运动历史图象MHIσ；
对于烟雾区域的边缘轮廓具有较高的复杂度，通过轮廓曲率熵来表征；
轮廓曲率熵计算公式为：
其中Hc为烟雾边缘轮廓曲线的离散曲率熵，P(Ci)为曲率Ci占总集合的概率，Hc越大，则表示边缘曲率越复杂；
基于A1?A4，烟雾检测方法的具体步骤如下：
S1：系统初始化，读取各参数阈值，符合烟雾特征的图像计数置0；
S2：采集一帧图像I，如果是第一帧图像则其作为背景图像Ib并返回步骤S2，否则转入步骤S3；
S3：将I与背景图像Ib做差分获得差分图像Idiff，并按前述算法累计运动历史图像MHIσ，转入步骤S4；
S4：遍历运动历史图象MHIσ，当运动块中对应的像素值tMHIσ(x,y)大于阈值T3时，将该块判定为疑似烟雾区域，转入步骤S5；
S5：统计疑似烟雾区域块的数量Ns，若Ns大于阈值T4，转入步骤S6，否则更新背景图像Ib，转入步骤S2；
S6：以疑似烟雾区域块为种子区域，采用区域搜索算法填充搜索Bn(x,y)中与疑似烟雾区域块连通的非0区域并计算区域面积As，若As大于阈值T5转入步骤S7，否则转入步骤S2；
S7：计算连通区域边缘的尖角数量Sc、曲率熵Hc，若Sc大于阈值T6并且Hc大于阈值T7转入步骤S8，否则转入步骤S2；
S8：将符合烟雾特征的图像计数加1，若符合烟雾特征的图像计数值大于T8，则进入步骤S9；否则将符合烟雾特征的图像数量计数值赋为0，返回步骤S2；
S9：输出火警信号，并在图像中标出烟雾区域位置。
5.如权利要求1所述的一种基于运动历史图像的早期火灾烟雾检测方法，其特征在于：所述烟雾特征提取具体还包括如下步骤：
对监控图像序列中出现异常烟雾运动的帧进行提取并设置为异常关键。砸斐９丶〗型枷袂蚧郑
异常关键帧中的图像进行预处理，去除噪声和异常值，得到处理图像；
对处理图像中进行特征提。崛⊙丈卣、形状特征和运动特征，所述颜色特征包括如烟雾的平均颜色、色彩对比度，所述形状特征包括烟雾的边缘、纹理，所述运动特征包括烟雾的流动模式、速度；
其中，对处理图像中进行特征提。：
基于计算机对处理图像进行读。范ù硗枷裨谠ど柩丈占渲械暮焐ǖ、绿色通道以及蓝色通道；
基于处理图像在预设颜色空间中的红色通道、绿色通道以及蓝色通道的分布状态，设定处理图像中的背景图像与前景图像的目标颜色阈值；
根据目标颜色阈值将处理图像进行图像分割，获得背景图像与前景图像；
获取对处理图像进行特征提取的提取类型，同时，确定提取类型对应的特征提取指标；
基于提取类型以及提取类型的提取指标对背景图像进行第一提。竦么硗枷裰斜尘巴枷竦牡谝惶卣餍畔ⅲ
基于提取类型以及提取类型的提取指标对前景图像进行第二提。竦么硗枷裰星熬巴枷竦牡诙特征信息；
将第一特征信息与第二特征信息进行综合，获得第三特征信息，并基于第三特征信息完成对处理图像的特征提取。
6.如权利要求1所述的一种基于运动历史图像的早期火灾烟雾检测方法，其特征在于：所述烟雾运动分析具体还包括如下步骤：
基于烟雾的颜色特征、形状特征和运动特征，结合异常关键帧对烟雾运动的方向及速度进行计算；
当出现异常烟雾运动的监控区域在室内时，获取监控区域的建筑结构节点，结合建筑结构节点以及监控图像序列对烟雾的蔓延路径进行分析；
当出现异常烟雾运动的监控区域在室外时，获取监控区域的电子地图信息以及当日风向信息，结合电子地图信息以及风向信息对烟雾的扩散流动速度及流动方向进行分析；
基于上述流程，对烟雾的运动路径进行判断。
7.如权利要求1所述的一种基于运动历史图像的早期火灾烟雾检测方法，其特征在于：所述火灾烟雾报警具体还包括如下步骤：
基于火灾烟雾检测所判断的火灾区域地点以及异常烟雾运动的路径区域进行标记，标记为火灾危险区域；
对火灾危险区域进行声光火灾疏散警报；
基于火灾危险区域的位置进行火警报警，并提供起火的详细地址以及火势分析情况。 说明书 : 一种基于运动历史图像的早期火灾烟雾检测方法技术领域[0001] 本发明涉及火灾监测及报警技术领域，特别涉及一种基于运动历史图像的早期火灾烟雾检测方法。背景技术[0002] 火灾是发生频率最高的灾害，严重威胁社会公众安全。为有效预防火灾发生，做好早期火灾预警非常重要。火灾的发生发展过程一般情况下先出现可见烟阶段，之后才进入燃烧阶段和剧烈燃烧阶段，通过检测烟雾的方法可以在火灾发生初期进行迅速反应，有利于火灾的早期预警和控制，将火灾：Τ潭冉档。近年来随着图象型火灾探测产品的的大规模应用，基于图象的烟雾检测方法成为早期火灾烟雾检测的主要发展方向。[0003] 目前常用的图像烟雾检测技术分为两大类，一类为基于传统算法的图像处理技术，一类为近几年兴起的基于深度学习的图像处理技术。[0004] 传统图像处理技术需要算法设计人员分析待处理的图像的全局信息和目标具有的特征信息。设计相应的处理算法完成烟雾识别任务。一种背景下设计出的检测算法在面临全新背景下的检测时，检测算法的性能往往有较大的波动。另外对于烟雾的动态特征，采用光流的方法计算量大，对持续特征的表达能力不强。[0005] 基于深度学习的图像处理技术利用深度卷积网络对烟雾图像的颜色和纹理特征进行提。恍枰尘敖，可以适用于动态场景。对于烟雾的动态特征可以借助3D卷积或长短时记忆网络等等方法辅助烟雾时间建模，促进神经网络对烟雾特征的学习。然而深度学习的方法训练时需要的样本数量高，在未训练场景中的适应能力差。另外，其推理时计算量大，在边缘端部署时对硬件的要求高。发明内容[0006] 本发明的目的在于提供一种基于运动历史图像的早期火灾烟雾检测方法，以解决上述背景技术中提出的问题。[0007] 为实现上述目的，本发明提供如下技术方案：一种基于运动历史图像的早期火灾烟雾检测方法，包括如下步骤：[0008] 监控设备布设，在监控区域布设监控设备，所述监控设备为监控摄像头；[0009] 采集图像序列，使用多个监控摄像头在监控区域实现全方位监控，连续采集图像序列；[0010] 图像区域分析，对图像序列进行图像区域分析，识别可能存在的异常烟雾运动；[0011] 烟雾特征提。攵钥赡艽嬖诘囊斐Ｑ涛碓硕，提取烟雾特征，所述烟雾特征包括烟雾的颜色、形状以及运动模式；[0012] 烟雾运动分析，基于烟雾特征对烟雾的运动趋势进行分析；[0013] 火灾烟雾检测，根据提取的烟雾特征，使用多种分类器进行多级分类对图像序列进行火灾烟雾检测，判断火灾地点区域；[0014] 火灾烟雾报警，在检测到火灾烟雾时，发出报警信号，用声音、灯光、短信等多种方式进行报警通知相关人员采取防控措施。[0015] 进一步的，所述监控设备布设具体还包括如下步骤：[0016] 根据需要监控的场景和目的，在室外监控区域选择防水、防尘的室外监控摄像头，并将室外监控摄像头与太阳能供电系统相连通，在室内监控区域选择室内摄像头，并将室内摄像头与电路连接；[0017] 根据监控区域的大小和形状，确定需要布置的监控摄像头数量和位置，相邻的监控摄像头之间间隔10?20米设置并覆盖整个监控区域，调整每个监控摄像头的视角，使得监控摄像头能够清晰地拍摄到监控区域内的各个重要区域；[0018] 将监控摄像头与监控中心之间的通过有线或无线方式进行连接。[0019] 进一步的，所述采集图像序列具体还包括如下步骤：[0020] 监控摄像头对监控区域进行全方位监控并采集图像序列，实时传输监控图像序列；[0021] 通过存储设备对所采集的监控图像序列进行备份；[0022] 对备份数据的定期维护和管理。[0023] 进一步的，所述图像区域分析具体还包括如下步骤：[0024] A1：将当前图像与背景图像差分，得到包含运动信息的差分图像；[0025] A2：将图差分像分割成大小为N×N的图像块，N的取值由图像分辨率决定，对其部分图像块进行剔除，具体为计算图像块内像素点个数，再统计每个块内满足运动特征的像素点个数Ni，对结果做如下更新：[0026][0027] 其中T1是运动像素点的比例阈值，对于Bn(x,y)中取值为0的像素块不进行下一步计算；[0028] A3：计算出Bn(x,y)中标记为1的每个运动块的平均像素值P，当平均值大于阈值T2时，则该区域运动历史图象亮度增加，反之则减少，如公式所示：[0029][0030] 其中tMHIσ(x,y)为运动块对应在运动历史图象上的像素值；[0031] A4：在设定的时间阈值σ内，不断重复步骤A1和A3，对tMHIσ(x,y)进行累计，获得运动历史图象MHIσ；[0032] 对于烟雾区域的边缘轮廓具有较高的复杂度，通过轮廓曲率熵来表征；[0033] 轮廓曲率熵计算公式为：[0034][0035] 其中Hc为烟雾边缘轮廓曲线的离散曲率熵，P(Ci)为曲率Ci占总集合的概率，Hc越大，则表示边缘曲率越复杂；[0036] 基于A1?A4，烟雾检测方法的具体步骤如下：[0037] S1：系统初始化，读取各参数阈值，符合烟雾特征的图像计数置0；[0038] S2：采集一帧图像I，如果是第一帧图像则其作为背景图像Ib并返回步骤S2，否则转入步骤S3；[0039] S3：将I与背景图像Ib做差分获得差分图像Idiff，并按前述算法累计运动历史图像MHIσ，转入步骤S4；[0040] S4：遍历运动历史图象MHIσ，当运动块中对应的像素值tMHIσ(x,y)大于阈值T3时，将该块判定为疑似烟雾区域，转入步骤S5；[0041] S5：统计疑似烟雾区域块的数量Ns，若Ns大于阈值T4，转入步骤S6，否则更新背景图像Ib，转入步骤S2；[0042] S6：以疑似烟雾区域块为种子区域，采用区域搜索算法填充搜索Bn(x,y)中与疑似烟雾区域块连通的非0区域并计算区域面积As，若As大于阈值T5转入步骤S7，否则转入步骤S2；[0043] S7：计算连通区域边缘的尖角数量Sc、曲率熵Hc，若Sc大于阈值T6并且Hc大于阈值T7转入步骤S8，否则转入步骤S2；[0044] S8：将符合烟雾特征的图像计数加1，若符合烟雾特征的图像计数值大于T8，则进入步骤S9；否则将符合烟雾特征的图像数量计数值赋为0，返回步骤S2；[0045] S9：输出火警信号，并在图像中标出烟雾区域位置。[0046] 进一步的，所述烟雾特征提取具体还包括如下步骤：[0047] 对监控图像序列中出现异常烟雾运动的帧进行提取并设置为异常关键。砸斐９丶〗型枷袂蚧郑籟0048] 异常关键帧中的图像进行预处理，去除噪声和异常值，得到处理图像；[0049] 对处理图像中进行特征提。崛⊙丈卣、形状特征和运动特征，所述颜色特征包括如烟雾的平均颜色、色彩对比度，所述形状特征包括烟雾的边缘、纹理，所述运动特征包括烟雾的流动模式、速度；[0050] 其中，对处理图像中进行特征提。：[0051] 基于计算机对处理图像进行读。范ù硗枷裨谠ど柩丈占渲械暮焐ǖ、绿色通道以及蓝色通道；[0052] 基于处理图像在预设颜色空间中的红色通道、绿色通道以及蓝色通道的分布状态，设定处理图像中的背景图像与前景图像的目标颜色阈值；[0053] 根据目标颜色阈值将处理图像进行图像分割，获得背景图像与前景图像；[0054] 获取对处理图像进行特征提取的提取类型，同时，确定提取类型对应的特征提取指标；[0055] 基于提取类型以及提取类型的提取指标对背景图像进行第一提。竦么硗枷裰斜尘巴枷竦牡谝惶卣餍畔ⅲ籟0056] 基于提取类型以及提取类型的提取指标对前景图像进行第二提。竦么硗枷裰星熬巴枷竦牡诙特征信息；[0057] 将第一特征信息与第二特征信息进行综合，获得第三特征信息，并基于第三特征信息完成对处理图像的特征提取。[0058] 进一步的，所述烟雾运动分析具体还包括如下步骤：[0059] 基于烟雾的颜色特征、形状特征和运动特征，结合异常关键帧对烟雾运动的方向及速度进行计算；[0060] 当出现异常烟雾运动的监控区域在室内时，获取监控区域的建筑结构节点，结合建筑结构节点以及监控图像序列对烟雾的蔓延路径进行分析；[0061] 当出现异常烟雾运动的监控区域在室外时，获取监控区域的电子地图信息以及当日风向信息，结合电子地图信息以及风向信息对烟雾的扩散流动速度及流动方向进行分析；[0062] 基于上述流程，对烟雾的运动路径进行判断。[0063] 进一步的，所述火灾烟雾检测具体还包括如下步骤：[0064] 基于烟雾的运动路径对火灾发生点进行确定；[0065] 基于火灾发生点以及烟雾的运动路径对火灾蔓延路径以及火势情况进行分析。[0066] 进一步的，基于烟雾的运动路径对火灾发生点进行确定，包括：[0067] 获取得到的烟雾的运动路径，并对烟雾的运动路径进行结构分析，得到烟雾的运动路径的树结构特征；[0068] 基于树结构特征将运动路径进行离散化处理，得到运动路径在不同时刻的离散运动轨迹，并基于离散运动轨迹确定烟雾不同时刻下的相对位置偏移量；[0069] 构建直角坐标系，并基于相对位置偏移量将不同时刻的离散运动路径映射至直角坐标系，且基于映射结果和树结构特征确定不同方向的烟雾的运动路径的聚集点；[0070] 将烟雾的运动路径的聚集点判定为候选火灾发生点集合，并基于烟雾的扩散流动速度及流动方向分别确定候选火灾发生点集合中各候选火灾发生点的运动趋势；[0071] 基于运动趋势以及烟雾的流动方向的反方向对烟雾的运动路径的聚集点进行溯源，并基于溯源结果得到烟雾的运动路径的聚集点源；[0072] 基于提取到的烟雾特征以及预设火灾发生点评价指标对聚集点源进行分析，得到聚集点源的置信度，并当置信度在预设阈值区间时，将聚集点源判定为火灾发生点；[0073] 提取火灾发生点对应的帧图像，并对帧图像进行预处理，确定火灾发生点处明火的边缘轮廓，且提取边缘轮廓内的像素特征值；[0074] 基于像素特征值确定明火以及烟雾的色彩饱和度阈值，并将明火以及烟雾的色彩饱和度阈值分别与预设参考列表进行匹配，得到第一火势评估参数和第二火势评估参数；[0075] 基于明火以及烟雾对火势的影响权重对第一火势评估参数和第二火势评估参数进行加权平均处理，并基于加权评估处理结果得到火灾发生点当前的火势情况。[0076] 进一步的，所述火灾烟雾报警具体还包括如下步骤：[0077] 基于火灾烟雾检测所判断的火灾区域地点以及异常烟雾运动的路径区域进行标记，标记为火灾危险区域；[0078] 对火灾危险区域进行声光火灾疏散警报；[0079] 基于火灾危险区域的位置进行火警报警，并提供起火的详细地址以及火势分析情况。[0080] 进一步的，在检测到火灾烟雾时，发出报警信号，包括：[0081] 对图像序列进行读。范ㄍ枷裥蛄兄醒涛淼姆植记颍籟0082] 对烟雾的分布区域对应的像素点进行读。范ㄑ涛淼姆植记蛑邢袼氐愕难丈植继卣鳎籟0083] 根据像素点的颜色分布特征将烟雾的分布区域进行拆分，获得m个子分布区域，同时，将每个子分布区域根据预设单位进行拆分，获得子分布区域对应的n个区域块；[0084] 调取颜色?浓度估计表，并将子分布区域对应的n个区域块在颜色浓度估计表中进行匹配，确定在子分布区域对应的n个区域块中单位面积对应的烟雾浓度估计值；[0085] 在子分布区域对应的n个区域块中单位面积对应的烟雾浓度估计值，计算火灾烟雾的浓度值；[0086][0087] 其中，C表示火灾烟雾的浓度值；j表示子分布区域的序号值；m表示子分布区域的总个数； 表示第j个子分布区域的区域体积；i表示对子分布区域根据预设单位进行拆分后区域块的序号值；n表示区域块的总个数；s表示区域块的面积；hi表示第i个区域块对应的高度值；cij表示在第j个子分布区域中第i个区域块的烟雾浓度估计值；ρ表示误差因子，且取值范围为(0.01，0.02)；π表示常数，为3.14；[0088] 获取预设火灾烟雾浓度报警阈值区间[a，b]，并将火灾烟雾的浓度值C与预设火灾烟雾浓度报警阈值区间[a，b]进行比较；[0089] 基于比较结果确定发出报警信号的报警时长；[0090] 其中，当C≤a时，则发出报警信号的报警时长为0，且a表示预设火灾烟雾浓度报警阈值区间的下限阈值；[0091] 当a[0092] 当C>b时，则发出报警信号的报警时长为第二预设时长，且第一预设时长小于第二预设时长。[0093] 与现有技术相比，本发明的有益效果是：[0094] 1.本发明通过烟雾特征提取以及烟雾运动分析可以提高烟雾对火灾预测的准确性，通过分析运动模式和烟雾特征，能够准确识别火灾烟雾，通过采集图像序列提高了预警的实时性，连续采集图像序列并进行实时分析，能够及时发现火灾烟雾，可靠性高，通过对烟雾运动历史图像进行分析，能够避免传感器误报和漏报的问题，同时适用范围广，通过烟雾运动分析以及火灾烟雾检测可以根据不同的监控场景结合不同的影响因素，使得适用于各种场景，如建筑物内部或者一些室外场景中。[0095] 2.本发明通过对监控图像序列进行相邻两帧图像差分法处理，烟雾的动态特征通过运动历史图象来体现，可以有效的消除误报，特别是静态背景图和无扩散的云状干扰，采用单帧累计的方法计算运动历史图象，计算量。子诒咴刀耸迪，识别方法不涉及烟雾颜色特征，对各种颜色的烟雾都有效，适用性广。[0096] 3.本发明通过提取图像中的烟雾特征，可以更准确地判断是否存在火灾，同时火灾初期会产生大量的烟雾，通过提取图像中的烟雾特征并进行分析，可以及时发现火灾迹象，从而在早期预警，为人们提供更多的逃生和灭火时间。[0097] 4.本发明通过对不同区域的烟雾结合不同的影响因素，从而可以更加准确的判断烟雾的运动路径，从而提高预测火灾发生的准确性，提前采取预防措施，如关闭电器、禁止吸烟等，以避免火灾的发生，同时可以大致确定火灾发生的位置，有助于及时发现火源，并采取相应的灭火措施，为灭火提供方向，提高灭火的效率。[0098] 5.通过对烟雾的运动路径进行离散化以及结构化分析，实现将烟雾在不同时刻的离散运动轨迹在构建的直角坐标系中进行可视化展示，便于根据可视化展示结果对火灾发生点进行分析，其次,通过可视化展示结果确定烟雾的运动路径在不同情况下的聚焦点，实现根据聚焦点对火灾发生点进行准确有效的判断，最后，对火灾发生点的帧图像进行分析，实现对火灾发生点的火势情况进行有效确定，从而便于对火灾发生点以及火灾发生点的火势情况进行相应的报警操作，提高了烟雾监测的准确性、可靠性以及实时性。[0099] 6.通过将读取图像序列中烟雾的分布区域，并对烟雾的分布区域进行分割以及拆分，可以有效实现对分布区域的有效分割，从而通过颜色?浓度估计表可以有效评估每个子分布区域的烟雾浓度值，进而提高计算火灾烟雾浓度值计算的有效性与便利性，通过设定不同的报警时长，可以有效提高人员对火灾烟雾浓度的衡量，从而做出不同的烟雾预警措施，提高了火灾烟雾检测的有效性。附图说明[0100] 图1为本发明的方法流程示意图；[0101] 图2为早期火灾烟雾检测检测方法的流程图；[0102] 图3为烟雾运动历史图象烟雾示意图；[0103] 图4为烟雾运动历史图象对应运动块示意图；[0104] 图5为烟雾运动历史图象运动历史示意图；[0105] 图6为烟雾检测结果示意图。具体实施方式[0106] 下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。[0107] 为了解决传统图像处理技术需要算法设计人员分析待处理的图像的全局信息和目标具有的特征信息，检测算法的性能往往有较大的波动，另外对于烟雾的动态特征，采用光流的方法计算量大，对持续特征的表达能力不强，同时深度学习的方法训练时需要的样本数量高，在未训练场景中的适应能力差，其推理时计算量大，在边缘端部署时对硬件的要求高的问题，请参阅图1?6，本发明提供以下技术方案：[0108] 一种基于运动历史图像的早期火灾烟雾检测方法，包括如下步骤：[0109] 监控设备布设，在监控区域布设监控设备，所述监控设备为监控摄像头；[0110] 采集图像序列，使用多个监控摄像头在监控区域实现全方位监控，连续采集图像序列；[0111] 图像区域分析，对图像序列进行图像区域分析，识别可能存在的异常烟雾运动；[0112] 烟雾特征提。攵钥赡艽嬖诘囊斐Ｑ涛碓硕，提取烟雾特征，所述烟雾特征包括烟雾的颜色、形状以及运动模式；[0113] 烟雾运动分析，基于烟雾特征对烟雾的运动趋势进行分析；[0114] 火灾烟雾检测，根据提取的烟雾特征，使用多种分类器进行多级分类对图像序列进行火灾烟雾检测，判断火灾地点区域；[0115] 火灾烟雾报警，在检测到火灾烟雾时，发出报警信号，用声音、灯光、短信等多种方式进行报警通知相关人员采取防控措施。[0116] 具体的，通过烟雾特征提取以及烟雾运动分析可以提高烟雾对火灾预测的准确性，通过分析运动模式和烟雾特征，能够准确识别火灾烟雾，通过采集图像序列提高了预警的实时性，连续采集图像序列并进行实时分析，能够及时发现火灾烟雾，可靠性高，通过对烟雾运动历史图像进行分析，能够避免传感器误报和漏报的问题，同时适用范围广，通过烟雾运动分析以及火灾烟雾检测可以根据不同的监控场景结合不同的影响因素，使得适用于各种场景，如建筑物内部或者一些室外场景中。[0117] 监控设备布设具体还包括如下步骤：[0118] 根据需要监控的场景和目的，在室外监控区域选择防水、防尘的室外监控摄像头，并将室外监控摄像头与太阳能供电系统相连通，在室内监控区域选择室内摄像头，并将室内摄像头与电路连接；[0119] 根据监控区域的大小和形状，确定需要布置的监控摄像头数量和位置，相邻的监控摄像头之间间隔10?20米设置并覆盖整个监控区域，调整每个监控摄像头的视角，使得监控摄像头能够清晰地拍摄到监控区域内的各个重要区域；[0120] 将监控摄像头与监控中心之间的通过有线或无线方式进行连接。[0121] 具体的，通过架设监控摄像头可以24小时不间断地对监控区域内的烟雾进行监测，一旦发现异常情况，能够及时发出警报，提醒相关人员处理，从而提高预警能力，同时通过监控摄像头所采集的图像序列，可以对监控区域内的烟雾进行识别、分析、预警，做到对火灾的及时发现和警报，避免发生更大的灾害和损失。[0122] 采集图像序列具体还包括如下步骤：[0123] 监控摄像头对监控区域进行全方位监控并采集图像序列，实时传输监控图像序列；[0124] 通过存储设备对所采集的监控图像序列进行备份；[0125] 对备份数据的定期维护和管理。[0126] 具体的，当发生火灾等异常情况后，可以通过回放监控录像，找出起火的具体位置和原因，有助于后续的火灾调查和处理，同时通过对监控录像的分析，可以发现火灾发生的规律和特点，从而制定更有效的火灾防控措施，再者，监控录像可以长期保存，在出现意外情况时，可以通过备份数据恢复到之前的状态，保证数据的完整性和可靠性。[0127] 图像区域分析具体还包括如下步骤：[0128] A1：将当前图像与背景图像差分，得到包含运动信息的差分图像；[0129] A2：将图差分像分割成大小为N×N的图像块，N的取值由图像分辨率决定，为了提高算法实时性减少系统计算量，对其部分图像块进行剔除，具体为计算图像块内像素点个数，再统计每个块内满足运动特征的像素点个数Ni，对结果做如下更新：[0130][0131] 其中T1是运动像素点的比例阈值，对于Bn(x,y)中取值为0的像素块不进行下一步计算；[0132] A3：计算出Bn(x,y)中标记为1的每个运动块的平均像素值P，当平均值大于阈值T2时，则该区域运动历史图象亮度增加，反之则减少，如公式所示：[0133][0134] 其中tMHIσ(x,y)为运动块对应在运动历史图象上的像素值；[0135] A4：在设定的时间阈值σ内，不断重复步骤A1和A3，对tMHIσ(x,y)进行累计，获得运动历史图象MHIσ；[0136] 在一段视频序列中，当前帧对应的运动区域会在运动历史图象中进行叠加，而当前的运动历史图象中旧的运动区域影响会越来越。炼戎鸾ケ浒，在运动历史图象的叠加过程中，扩散的烟雾将在运动历史图象中留下由明到暗的轨迹，其增加的像素值将远大于减少的像素值，而其它的移动目标，例如行人和车辆则相反，在运动历史图象中不会有这样的现象；[0137] 除了动态特征，烟雾还具有一些明显的静态特征，烟雾区域的边缘轮廓具有较高的复杂度，可以用轮廓曲率熵来表征；[0138] 轮廓曲率熵计算公式为：[0139][0140] 其中Hc为烟雾边缘轮廓曲线的离散曲率熵，P(Ci)为曲率Ci占总集合的概率，Hc越大，则表示边缘曲率越复杂；[0141] 基于上述理论，烟雾检测方法的具体步骤如下：[0142] S1：系统初始化，读取各参数阈值，符合烟雾特征的图像计数置0；[0143] S2：采集一帧图像I，如果是第一帧图像则其作为背景图像Ib并返回步骤S2，否则转入步骤S3；[0144] S3：将I与背景图像Ib做差分获得差分图像Idiff，并按前述算法累计运动历史图像MHIσ，转入步骤S4；[0145] S4：遍历运动历史图象MHIσ，当运动块中对应的像素值tMHIσ(x,y)大于阈值T3时，将该块判定为疑似烟雾区域，转入步骤S5；[0146] S5：统计疑似烟雾区域块的数量Ns，若Ns大于阈值T4，转入步骤S6，否则更新背景图像Ib，转入步骤S2；[0147] S6：以疑似烟雾区域块为种子区域，采用区域搜索算法填充搜索Bn(x,y)中与疑似烟雾区域块连通的非0区域并计算区域面积As，若As大于阈值T5转入步骤S7，否则转入步骤S2；[0148] S7：计算连通区域边缘的尖角数量Sc、曲率熵Hc，若Sc大于阈值T6并且Hc大于阈值T7转入步骤S8，否则转入步骤S2；[0149] S8：将符合烟雾特征的图像计数加1，若符合烟雾特征的图像计数值大于T8，则进入步骤S9；否则将符合烟雾特征的图像数量计数值赋为0，返回步骤S2；[0150] S9：输出火警信号，并在图像中标出烟雾区域位置。[0151] 具体的，通过对监控图像序列进行相邻两帧图像差分法处理，烟雾的动态特征通过运动历史图象来体现，可以有效的消除误报，特别是静态背景图和无扩散的云状干扰，采用单帧累计的方法计算运动历史图象，计算量。子诒咴刀耸迪，识别方法不涉及烟雾颜色特征，对各种颜色的烟雾都有效，适用性广。[0152] 请参阅图3?6，图3监控区域是一个室外场景，视频分辨率为1920×1080。首先将符合烟雾特征的图像计数置为0，并采集正常情况下的图像作为背景图像，然后开始循环处理；按照前述方法步骤S4累计运动历史图象，其中N＝16，T1＝0.1，T2＝20；按照前述方法步骤S5取阈值T3＝60遍历运动历史图象MHIσ，如图4?5所示标记所有疑似烟雾区域；统计疑似烟雾区域块的数量Ns，取阈值T4＝128，若Ns>T4则满足烟雾动态特征，进一步判断烟雾静态特征；按照前述方法步骤S7搜索并计算连通区域面积As；取阈值T5＝2000，若As>T5则按照前述方法步骤S8计算连通区域的尖角数量Sc和曲率熵Hc；取阈值T6＝20，T7＝0.8，若Sc大于阈值T6并且Hc大于阈值T7则符合烟雾特征的图像计数加1；若符合条件的图形计数值大于T8(T8＝15)则判定发生火情，给出报警信号并如图6所示在图像烟雾区域加框显示。[0153] 烟雾特征提取具体还包括如下步骤：[0154] 对监控图像序列中出现异常烟雾运动的帧进行提取并设置为异常关键。砸斐９丶〗型枷袂蚧郑籟0155] 异常关键帧中的图像进行预处理，去除噪声和异常值，得到处理图像；[0156] 对处理图像中进行特征提。崛⊙丈卣、形状特征和运动特征，所述颜色特征包括如烟雾的平均颜色、色彩对比度，所述形状特征包括烟雾的边缘、纹理，所述运动特征包括烟雾的流动模式、速度。[0157] 具体的，烟雾是火灾的重要特征之一，通过提取图像中的烟雾特征，可以更准确地判断是否存在火灾，同时火灾初期会产生大量的烟雾，通过提取图像中的烟雾特征并进行分析，可以及时发现火灾迹象，从而在早期预警，为人们提供更多的逃生和灭火时间。[0158] 烟雾运动分析具体还包括如下步骤：[0159] 基于烟雾的颜色特征、形状特征和运动特征，结合异常关键帧对烟雾运动的方向及速度进行计算；[0160] 当出现异常烟雾运动的监控区域在室内时，获取监控区域的建筑结构节点，结合建筑结构节点以及监控图像序列对烟雾的蔓延路径进行分析；[0161] 当出现异常烟雾运动的监控区域在室外时，获取监控区域的电子地图信息以及当日风向信息，结合电子地图信息以及风向信息对烟雾的扩散流动速度及流动方向进行分析；[0162] 基于上述流程，对烟雾的运动路径进行判断。[0163] 具体的，通过对不同区域的烟雾结合不同的影响因素，从而可以更加准确的判断烟雾的运动路径，从而提高预测火灾发生的准确性，提前采取预防措施，如关闭电器、禁止吸烟等，以避免火灾的发生，同时可以大致确定火灾发生的位置，有助于及时发现火源，并采取相应的灭火措施，为灭火提供方向，提高灭火的效率。[0164] 火灾烟雾检测具体还包括如下步骤：[0165] 基于烟雾的运动路径对火灾发生点进行确定；[0166] 基于火灾发生点以及烟雾的运动路径对火灾蔓延路径以及火势情况进行分析。[0167] 火灾烟雾报警具体还包括如下步骤：[0168] 基于火灾烟雾检测所判断的火灾区域地点以及异常烟雾运动的路径区域进行标记，标记为火灾危险区域；[0169] 对火灾危险区域进行声光火灾疏散警报；[0170] 基于火灾危险区域的位置进行火警报警，并提供起火的详细地址以及火势分析情况[0171] 具体的，通过预测并提前告知工作人员火灾蔓延途径以及火势分析情况，有助于消防员更加安全、合理且高效的对火灾进行处理，帮助消防员快速定位火源，提高灭火效率，减少火灾损失，同时避免消防员进入危险区域，保障消防员的人身安全。[0172] 本实施例还提供了一种基于运动历史图像的早期火灾烟雾检测方法，对处理图像中进行特征提。：[0173] 基于计算机对处理图像进行读。范ù硗枷裨谠ど柩丈占渲械暮焐ǖ、绿色通道以及蓝色通道；[0174] 基于处理图像在预设颜色空间中的红色通道、绿色通道以及蓝色通道的分布状态，设定处理图像中的背景图像与前景图像的目标颜色阈值；[0175] 根据目标颜色阈值将处理图像进行图像分割，获得背景图像与前景图像；[0176] 获取对处理图像进行特征提取的提取类型，同时，确定提取类型对应的特征提取指标；[0177] 基于提取类型以及提取类型的提取指标对背景图像进行第一提。竦么硗枷裰斜尘巴枷竦牡谝惶卣餍畔ⅲ籟0178] 基于提取类型以及提取类型的提取指标对前景图像进行第二提。竦么硗枷裰星熬巴枷竦牡诙特征信息；[0179] 将第一特征信息与第二特征信息进行综合，获得第三特征信息，并基于第三特征信息完成对处理图像的特征提取。[0180] 该实施例中，目标颜色阈值可以是基于处理图像在预设颜色空间中的红色通道、绿色通道以及蓝色通道的分布状态确定的，用来对处理图像中背景图像与前景图像进行分割的衡量标准。[0181] 该实施例中，预设颜色空间可以是RGB颜色空间。[0182] 该实施例中，提取类型可以是包括：颜色特征、形状特征和运动特征。[0183] 该实施例中，提取类型对应的特征提取指标可以是每个提取类型对应的提取内容，其中，提取类型为颜色特征时，对应提取指标为：烟雾的平均颜色、色彩对比度、提取类型为形状特征时，对应的提取指标为：烟雾的边缘、纹理；提取类型为形状特征时，对应的提取指标为：烟雾的流动模式、速度。[0184] 该实施例中，第一特征信息为处理图像的背景图像中烟雾的特征信息。[0185] 该实施例中，第二特征信息为处理图像的前景图像中烟雾的特征信息。[0186] 该实施例中，第三特征信息由第一特征信息与第二特征信息构成，用来表征处理图像的特征提取结果。[0187] 上述技术方案的工作原理及有益效果是：通过将处理图像的背景图像与前景图像进行提。佣梢员苊庠诮刑卣魈崛∈钡奶崛∥蟛盥，通过分别对前景图像的第一特征信息与背景特征的第二特征信息的提。佣沟枚源硗枷竦奶卣魈崛「酉钢，提高对处理图像进行特征提取的准确率。[0188] 本实施例还提供了一种基于运动历史图像的早期火灾烟雾检测方法，基于烟雾的运动路径对火灾发生点进行确定，包括：[0189] 获取得到的烟雾的运动路径，并对烟雾的运动路径进行结构分析，得到烟雾的运动路径的树结构特征；[0190] 基于树结构特征将运动路径进行离散化处理，得到运动路径在不同时刻的离散运动轨迹，并基于离散运动轨迹确定烟雾不同时刻下的相对位置偏移量；[0191] 构建直角坐标系，并基于相对位置偏移量将不同时刻的离散运动路径映射至直角坐标系，且基于映射结果和树结构特征确定不同方向的烟雾的运动路径的聚集点；[0192] 将烟雾的运动路径的聚集点判定为候选火灾发生点集合，并基于烟雾的扩散流动速度及流动方向分别确定候选火灾发生点集合中各候选火灾发生点的运动趋势；[0193] 基于运动趋势以及烟雾的流动方向的反方向对烟雾的运动路径的聚集点进行溯源，并基于溯源结果得到烟雾的运动路径的聚集点源；[0194] 基于提取到的烟雾特征以及预设火灾发生点评价指标对聚集点源进行分析，得到聚集点源的置信度，并当置信度在预设阈值区间时，将聚集点源判定为火灾发生点；[0195] 提取火灾发生点对应的帧图像，并对帧图像进行预处理，确定火灾发生点处明火的边缘轮廓，且提取边缘轮廓内的像素特征值；[0196] 基于像素特征值确定明火以及烟雾的色彩饱和度阈值，并将明火以及烟雾的色彩饱和度阈值分别与预设参考列表进行匹配，得到第一火势评估参数和第二火势评估参数；[0197] 基于明火以及烟雾对火势的影响权重对第一火势评估参数和第二火势评估参数进行加权平均处理，并基于加权评估处理结果得到火灾发生点当前的火势情况。[0198] 该实施例中，结构分析是为了确定烟雾在不同位置处的运动路径之间的相对位置关系，例如可以是当存在外界干扰因素时，烟雾的运动路径会发生突变或烟雾发生分散等。[0199] 该实施例中，树结构特征可以是表征不同时刻以及不同状态下的不同方向下的烟雾的运动路径之间的位置关系，即能够表征烟雾在不同时刻的国三情况等。[0200] 该实施例中，离散运行轨迹可以是将运动路径离散为多个点，从而便于将烟雾的运动路径在直角坐标系中进行展示。[0201] 该实施例中，相对位置偏移量可以是相邻时刻下烟雾所在的位置相比上一时刻发生的偏移方向以及偏移距离。[0202] 该实施例中，聚焦点可以是不同方向的烟雾的运动路径的重合点，当烟雾的运动路径重合时则有可能存在火灾发生点。[0203] 该实施例中，候选火灾发生点集合可以是将所有烟雾的运动路径的聚集点判定为可能存在火灾发生点的位置，且不唯一。[0204] 该实施例中，运动趋势可以是候选会在发生点在不同时刻的出现方向，例如可以是随烟雾的流动方向变化而变化或随烟雾的流动方向而较少等，例如当候选火灾发生点的运动趋势与烟雾的流动方向一致时，则判定当前运动方向上的聚焦点不为火灾发生点，为外界干扰因素造成的烟雾路径聚集。[0205] 该实施例中，基于运动趋势以及烟雾的流动方向的反方向对烟雾的运动路径的聚集点进行溯源可以是寻找烟雾路径的源头聚焦点，因为聚焦点与烟雾的流动方向越相反则越趋近火灾发生点。[0206] 该实施例中，聚集点源指的是产生烟雾的源头，即所有不同方向的烟雾的运动路径的重合点，即烟雾从火灾发生点的起始扩散位置。[0207] 该实施例中，预设火灾发生点评价指标是提前设定好的，例如可以是烟雾的浓度以及烟雾运动路径的重合度等。[0208] 该实施例中，置信度是用于表征聚集点源能够表征火灾发生点的可信程度值，取值越大则越有可能为火灾发生点。[0209] 该实施例中，预设阈值区间是提前设定好的，是用于衡量满足判定为火灾发生点的最低标准，是可以进行调整的。[0210] 该实施例中，预处理可以是对帧图像进行去噪处理等。[0211] 该实施例中，边缘轮廓可以是火灾发生点在帧图像中呈现的形状。[0212] 该实施例中，像素特征值可以是像素点的清晰度以及像素点的色彩阈值等。[0213] 该实施例中，色彩饱和度阈值是用于表征火灾发生点处明火的强烈程度以及烟雾浓度的图像参数。[0214] 该实施例中，预设参考列表是提前设定好的，用于表征不同明火以及烟雾的色彩饱和度阈值所对应的火势情况。[0215] 该实施例中，第一火势评估参数可以是只考虑明火的色彩饱和度阈值时，确定出的火势大小情况。[0216] 该实施例中，第二火势评估参数可以是只考虑烟雾的色彩饱和度阈值时，确定出的火势大小情况。[0217] 该实施例中，影响权重可以是分别表征明火和烟雾对火势大小情况的影响程度。[0218] 上述技术方案的工作原理及有益效果是：通过对烟雾的运动路径进行离散化以及结构化分析，实现将烟雾在不同时刻的离散运动轨迹在构建的直角坐标系中进行可视化展示，便于根据可视化展示结果对火灾发生点进行分析，其次,通过可视化展示结果确定烟雾的运动路径在不同情况下的聚焦点，实现根据聚焦点对火灾发生点进行准确有效的判断，最后，对火灾发生点的帧图像进行分析，实现对火灾发生点的火势情况进行有效确定，从而便于对火灾发生点以及火灾发生点的火势情况进行相应的报警操作，提高了烟雾监测的准确性、可靠性以及实时性。[0219] 本实施例还提供了一种基于运动历史图像的早期火灾烟雾检测方法，在检测到火灾烟雾时，发出报警信号，包括：[0220] 对图像序列进行读。范ㄍ枷裥蛄兄醒涛淼姆植记颍籟0221] 对烟雾的分布区域对应的像素点进行读。范ㄑ涛淼姆植记蛑邢袼氐愕难丈植继卣鳎籟0222] 根据像素点的颜色分布特征将烟雾的分布区域进行拆分，获得m个子分布区域，同时，将每个子分布区域根据预设单位进行拆分，获得子分布区域对应的n个区域块；[0223] 调取颜色?浓度估计表，并将子分布区域对应的n个区域块在颜色浓度估计表中进行匹配，确定在子分布区域对应的n个区域块中单位面积对应的烟雾浓度估计值；[0224] 在子分布区域对应的n个区域块中单位面积对应的烟雾浓度估计值，计算火灾烟雾的浓度值；[0225][0226] 其中，C表示火灾烟雾的浓度值；j表示子分布区域的序号值；m表示子分布区域的总个数； 表示第j个子分布区域的区域体积；i表示对子分布区域根据预设单位进行拆分后区域块的序号值；n表示区域块的总个数；s表示区域块的面积；hi表示第i个区域块对应的高度值；cij表示在第j个子分布区域中第i个区域块的烟雾浓度估计值；ρ表示误差因子，且取值范围为(0.01，0.02)；π表示常数，为3.14；[0227] 获取预设火灾烟雾浓度报警阈值区间[a，b]，并将火灾烟雾的浓度值C与预设火灾烟雾浓度报警阈值区间[a，b]进行比较；[0228] 基于比较结果确定发出报警信号的报警时长；[0229] 其中，当C≤a时，则发出报警信号的报警时长为0，且a表示预设火灾烟雾浓度报警阈值区间的下限阈值；[0230] 当a[0231] 当C>b时，则发出报警信号的报警时长为第二预设时长，且第一预设时长小于第二预设时长。[0232] 该实施例中，子分布区域中每个区域块的面积均相等。[0233] 该实施例中，像素点的颜色分布特征可以将烟雾的分布区域根据不同颜色进行区分，从而获得的子分布区域的像素点的颜色一致，当像素点颜色一致时，则在该子分布区域的烟雾浓度一致。[0234] 该实施例中，预设单位可以是提前设定好的，例如可以为1。[0235] 该实施例中，子分布区域中每个区域块的面积一样。[0236] 该实施例中，颜色?浓度估计表可以是提前设定好的，根据历史实验数据确定的可以有效估计在每个颜色下对应烟雾浓度的估计值。[0237] 该实施例中，预设火灾浓度报警阈值区间可以是提前设定好的，用来衡量报警时长的标准。[0238] 该实施例中，第一预设时长与第二预设时长均为提前设定好的，其中，第一预设时长小于第二预设时长。[0239] 上述技术方案的工作原理及有益效果是：通过将读取图像序列中烟雾的分布区域，并对烟雾的分布区域进行分割以及拆分，可以有效实现对分布区域的有效分割，从而通过颜色?浓度估计表可以有效评估每个子分布区域的烟雾浓度值，进而提高计算火灾烟雾浓度值计算的有效性与便利性，通过设定不同的报警时长(第一预设时长、第二预设时长)，可以有效提高人员对火灾烟雾浓度的衡量，从而做出不同的烟雾预警措施，提高了火灾烟雾检测的有效性。[0240] 以上所述，仅为本发明较佳的具体实施方式，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披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

专利地区：辽宁

专利申请日期：2023-12-14

专利公开日期：2024-10-18

专利公告号：CN117789394B