基于颜色特征和质心位移的火灾检测算法

已于 2023-11-25 16:44:42 修改
阅读量64 收藏
点赞数
分类专栏： # 火灾方向 文章标签： 算法 python
于 2023-11-21 08:44:01 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45926697/article/details/134523092
版权

首先基于RGB颜色空间对火灾进行检测，对于出现的误检情况，使用检测到火灾的质心的变化给予排除
（通过研究火灾和误检项质心的变化特点）
1.基于火灾颜色特征完成对火灾的检测
2.对检测到的火灾区域，计算该区域的质心坐标
3.每间隔50帧，绘制当前帧的形心坐标，并输出散点图
4.这里绘制形心的方法是根据轮廓，所以一帧可能绘制多个形心（多火灾区域）

#间隔50帧，绘制当前帧的形心坐标，并输出散点图

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 打开视频文件
cap = cv2.VideoCapture('1-远距离森林火灾5.avi')  # 将'your_video.mp4'替换为你的视频文件路径

# 获取视频帧的宽度和高度
width = int(cap.get(3))
height = int(cap.get(4))

# 创建 VideoWriter 对象，输出视频的名称为 'output_video.avi'，编解码器为 XVID，帧率为 25
fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter('output_video.avi', fourcc, 25, (width * 2, height))

# 创建用于显示散点图的窗口，设置窗口大小和坐标范围
plt.figure("Fire Centroids", figsize=(width/50, height/50))
plt.xlim(0, width)
plt.ylim(height, 0)  # 注意这里是从 height 到 0，以符合图像坐标系

# 用于存储形心坐标的列表
centroids = []

# 计数器，每间隔20帧计算一次形心
counter = 1  # 初始化计数器

# 创建一个窗口
cv2.namedWindow('Fire Detection', cv2.WINDOW_NORMAL)

while cap.isOpened():
    ret, frame = cap.read()

    if not ret:
        break

    # 转换为灰度图像
    gray_frame = 1.6 * frame[:, :, 2] - frame[:, :, 1] - 0.8 * frame[:, :, 0]
    gray_frame = np.clip(gray_frame, 0, 255).astype(np.uint8)

    # 使用Otsu算法进行二值化
    _, binary_frame = cv2.threshold(gray_frame, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    # 对二值化图像进行腐蚀和膨胀操作去除噪声
    kernel = np.ones((5, 5), np.uint8)
    binary_frame = cv2.erode(binary_frame, kernel, iterations=1)
    binary_frame = cv2.dilate(binary_frame, kernel, iterations=1)

    # 在同一个窗口中展示原视频和二值化后的视频
    side_by_side = np.hstack((frame, cv2.cvtColor(binary_frame, cv2.COLOR_GRAY2BGR)))
    cv2.imshow('Fire Detection', side_by_side)

    # 将二值化后的帧写入输出视频
    out.write(side_by_side)

    # 每间隔20帧计算一次形心
    if counter % 50 == 0:
        # 查找二值化图像中的轮廓
        contours, _ = cv2.findContours(binary_frame, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

        # 遍历轮廓并计算形心坐标
        for contour in contours:
            M = cv2.moments(contour)
            if M["m00"] != 0:
                cx = int(M["m10"] / M["m00"])
                cy = int(M["m01"] / M["m00"])
                centroids.append((cx, cy))

                # 在散点图中显示形心坐标和名称
                plt.scatter(cx, cy, label=f"Fire {counter} ({cx},{cy})")
                counter += 1

        # 更新散点图
        plt.legend()
        plt.draw()
        plt.pause(0.01)

    counter += 1

    if cv2.waitKey(25) & 0xFF == 27:
        break

# 释放资源
cap.release()
out.release()
cv2.destroyAllWindows()

# 显示散点图
plt.show()

在绘制火灾形心部分进行修改，上述代码中是绘制每个火灾区域的形心，我的要求是每帧仅仅保留一个形心位置，下述的代码是先计算每个轮廓的形心，然后进行形心坐标平均，每一帧仅仅保留一个形心坐标

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 打开视频文件
cap = cv2.VideoCapture('误检项-移动的红色汽车.avi')

# 获取视频帧的宽度和高度
width = int(cap.get(3))
height = int(cap.get(4))

# 创建 VideoWriter 对象，输出视频的名称为 'output_video.avi'，编解码器为 XVID，帧率为 25
fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter('output_video.avi', fourcc, 25, (width * 2, height))

# 创建用于显示散点图的窗口，设置窗口大小和坐标范围
plt.figure("Fire Centroids", figsize=(width/50, height/50))
plt.xlim(0, width)
plt.ylim(height, 0)  # 注意这里是从 height 到 0，以符合图像坐标系

# 用于存储形心坐标的列表
centroids = []

# 计数器，每间隔20帧计算一次形心
counter = 1  # 初始化计数器

# 创建一个窗口
cv2.namedWindow('Fire Detection', cv2.WINDOW_NORMAL)

while cap.isOpened():
    ret, frame = cap.read()

    if not ret:
        break

    # 转换为灰度图像
    gray_frame = 1.6 * frame[:, :, 2] - frame[:, :, 1] - 0.8 * frame[:, :, 0]
    gray_frame = np.clip(gray_frame, 0, 255).astype(np.uint8)

    # 使用Otsu算法进行二值化
    _, binary_frame = cv2.threshold(gray_frame, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    # 对二值化图像进行腐蚀和膨胀操作去除噪声
    kernel = np.ones((5, 5), np.uint8)
    binary_frame = cv2.erode(binary_frame, kernel, iterations=1)
    binary_frame = cv2.dilate(binary_frame, kernel, iterations=1)

    # 在同一个窗口中展示原视频和二值化后的视频
    side_by_side = np.hstack((frame, cv2.cvtColor(binary_frame, cv2.COLOR_GRAY2BGR)))
    cv2.imshow('Fire Detection', side_by_side)

    # 将二值化后的帧写入输出视频
    out.write(side_by_side)

    # 每间隔20帧计算一次形心
    if counter % 50 == 0:
        # 查找二值化图像中的轮廓
        contours, _ = cv2.findContours(binary_frame, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

        # 遍历轮廓并计算形心坐标
        for contour in contours:
            M = cv2.moments(contour)
            if M["m00"] != 0:
                cx = int(M["m10"] / M["m00"])
                cy = int(M["m01"] / M["m00"])
                centroids.append((cx, cy))

        # 计算所有形心的平均值
        if len(centroids) > 0:
            avg_cx = int(np.mean([c[0] for c in centroids]))
            avg_cy = int(np.mean([c[1] for c in centroids]))

            # 在散点图中显示整体形心坐标
            plt.scatter(avg_cx, avg_cy, label=f"Fire {counter} (Avg: {avg_cx},{avg_cy})")
            counter += 1

        # 清空形心列表，以便下一次计算
        centroids = []

        # 更新散点图
        plt.legend()
        plt.draw()
        plt.pause(0.01)

    counter += 1

    if cv2.waitKey(25) & 0xFF == 27:
        break

# 释放资源
cap.release()
out.release()
cv2.destroyAllWindows()

# 显示散点图
plt.show()

在绘制火灾形心部分再次进行修改，上述代码中是先计算每个轮廓的形心，然后进行形心坐标平均，每一帧仅仅保留一个形心坐标，这种每帧火灾形心的计算还是有很大的问题，即如果出现非常小的火灾区域或者小区域的误检，形心坐标会有很大的变动，为了解决这个问题，提出根据火灾区域对形心坐标进行加权，如果火灾区域较大，形心占有较大的权重，根据火灾轮廓面积占所有火灾区域面积的比例确定形心位置

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 打开视频文件
cap = cv2.VideoCapture('误检项-夜晚的路灯2.mp4')

# 获取视频帧的宽度和高度
width = int(cap.get(3))
height = int(cap.get(4))

# 创建 VideoWriter 对象，输出视频的名称为 'output_video.avi'，编解码器为 XVID，帧率为 25
fourcc = cv2.VideoWriter_fourcc(*'XVID')
out = cv2.VideoWriter('output_video.avi', fourcc, 25, (width * 2, height))

# 创建用于显示散点图的窗口，设置窗口大小和坐标范围
plt.figure("Fire Centroids", figsize=(width/50, height/50))
plt.xlim(0, width)
plt.ylim(height, 0)  # 注意这里是从 height 到 0，以符合图像坐标系

# 用于存储形心坐标和轮廓面积的列表
weighted_centroids = []
total_area = 0  # 总面积

# 计数器，每间隔20帧计算一次形心
counter = 1  # 初始化计数器

# 创建一个窗口
cv2.namedWindow('Fire Detection', cv2.WINDOW_NORMAL)

while cap.isOpened():
    ret, frame = cap.read()

    if not ret:
        break

    # 转换为灰度图像
    gray_frame = 1.6 * frame[:, :, 2] - frame[:, :, 1] - 0.8 * frame[:, :, 0]
    gray_frame = np.clip(gray_frame, 0, 255).astype(np.uint8)

    # 使用Otsu算法进行二值化
    _, binary_frame = cv2.threshold(gray_frame, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    # 对二值化图像进行腐蚀和膨胀操作去除噪声
    kernel = np.ones((5, 5), np.uint8)
    binary_frame = cv2.erode(binary_frame, kernel, iterations=1)
    binary_frame = cv2.dilate(binary_frame, kernel, iterations=1)

    # 在同一个窗口中展示原视频和二值化后的视频
    side_by_side = np.hstack((frame, cv2.cvtColor(binary_frame, cv2.COLOR_GRAY2BGR)))
    cv2.imshow('Fire Detection', side_by_side)

    # 将二值化后的帧写入输出视频
    out.write(side_by_side)

    # 每间隔20帧计算一次形心
    if counter % 50 == 0:
        # 查找二值化图像中的轮廓
        contours, _ = cv2.findContours(binary_frame, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

        # 遍历轮廓并计算形心坐标以及轮廓的面积
        for contour in contours:
            M = cv2.moments(contour)
            if M["m00"] != 0:
                cx = int(M["m10"] / M["m00"])
                cy = int(M["m01"] / M["m00"])
                area = cv2.contourArea(contour)  # 获取轮廓的面积
                total_area += area
                weighted_centroids.append((cx, cy, area))

        # 计算加权平均形心
        if total_area > 0:
            weighted_avg_cx = int(np.sum([c[0] * c[2] for c in weighted_centroids]) / total_area)
            weighted_avg_cy = int(np.sum([c[1] * c[2] for c in weighted_centroids]) / total_area)

            # 在散点图中显示加权平均形心坐标
            plt.scatter(weighted_avg_cx, weighted_avg_cy, label=f"Weighted Avg: ({weighted_avg_cx},{weighted_avg_cy})")
            counter += 1

        # 清空形心列表和总面积，以便下一次计算
        weighted_centroids = []
        total_area = 0

        # 更新散点图
        plt.legend()
        plt.draw()
        plt.pause(0.01)

    counter += 1

    if cv2.waitKey(25) & 0xFF == 27:
        break

# 释放资源
cap.release()
out.release()
cv2.destroyAllWindows()

# 显示散点图
plt.show()
人间烟火_0528
关注
专栏目录
【PID优化】基于matlab天牛须算法PID控制器优化设计【含Matlab源码 1312期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
09-13 1655
1 天牛须搜索算法定义天牛须搜索（Beetle Antennae Search-BAS），也叫甲壳虫须搜索，是2017年提出的一种高效的智能优化算法。类似于遗传算法、粒子群算法、模拟退火等智能优化算法，天牛须搜索不需要知道函数的具体形式，不要虚梯度信息，就可以实现高效寻优。相比于粒子群算法，天牛须搜索只只要一个个体，即一个天牛，运算量大大降低。2 原理及代码实现2.1 仿生原理天牛须搜索时受到天牛觅食原理启发而开发的算法。
[更新中]文献索引
LeoGIS1987的博客
12-03 9043
2010 2010-01 [1]多个粗差定位的抗掩盖型Bayes方法.pdf [6]模糊神经网络在变形分析与预报中的应用研究.pdf [9]GPS_GLONASS组合精密单点定位研究.pdf [13]基于星间距离变化的动态双向时间同步算法.pdf [17]QZSS对GPS区域性能增强分析.pdf [21]GPS模糊度降相关LLL算法的一种改进.pdf [25]2008年汶川地震前的形变异常及机理解...
室内定位中非视距的识别和抑制算法研究综述
renhongxia1的博客
07-23 422
计算机视觉技术主要分为利用地标包含的信息解算为矩阵实现定位和对数据库内存储的相机位置信息进行图像指纹匹配实现定位[6]两种.伴随计算机视觉技术的发展和成熟,使得基于视觉的用于同时定位与地图构建(simultaneouslocalizationandmapping,SLAM)的技术可获得图形和视觉的支持.视觉SLAM技术包括前端和后端两部分,前端又称视觉里程计(visualodometry,VO),主要进行特征检测和数据关联任务;但定位结果的准确性易受测距和测量角度仪器的精度的影响....
【图像检索】基于matlab颜色特征图像检索（含直方图距离）【含Matlab源码 4145期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
03-24 1328
颜色特征图像检索（含直方图距离） 完整的代码，方可运行；可提供运行操作视频！适合小白！
火焰特征提取
qq_42727880的博客
08-14 3265
火焰特征提取 （1）相关性 在火焰序列图像中，火焰区域在几何上具有连续性，在时间上具有相关性。相邻两帧之间的相关性一般都比较大。相关性反映两窗口内图象强度分布的表面起伏特征是否相似。由于火焰的无规则运动，致使相邻两帧图像中火焰区域的相关性在一定范围内波动。式为相关性系数计算公式。相关性可排除颜色均匀的干扰物，如红色衣服的晃动等。 其中r表示两幅图像的相关性，A拔和B拔表示亮度均值。Amn和Bmn表示图像的m行n列处的像素值。 （2）面积变化率 由于火灾火焰的闪烁，导致可疑火焰区域的面积大小会持续地改变。而
2023卫星视频综述论文Recent Advances in Intelligent Processing of Satellite Video
zhangzhao147的博客
08-12 827
卫星视频的智能处理侧重于通过智能图像/视频处理技术，从地球观测视频中提取地面对象和场景的特定信息，这在交通监控、资源监控和环境监测等领域具有重要应用。深度学习技术在卫星视频处理中的融合已经在对象检测和对象跟踪等任务上取得了显著进展，并扩展到了卫星视频场景分类和对象分割等新兴研究领域。然而，目前在卫星视频智能处理方面尚缺乏全面的综述和总结。本文对过去十年发表的成果进行了系统综述和定量分析，旨在进一步推动卫星视频智能处理任务的发展。文章分析了各个任务的当前困难、挑战以及方法体系。
GIS（地理信息系统）名词解释大全（考研）
热门推荐
xutong6211的博客
04-06 1万+
地理信息系统 Geographic Information System:GIS 作为信息技术的一种， 是在计算机硬、软件的支持下，以地理空间数据库（ Geospatial Database ）为基础 ，以具有空间内涵的地理数据为处理对象，运用系统工程和信息科学的理论，采集、存储、显示、处理、分析、输出地理信息的计算机系统，为规划、管理和决策提供信息来源和技术支持。简单地说， GIS 就是研究如何利用计算机技术来管理和应用地球表面的空间信息，它是由计算机硬件、软件、地理数据和人员组成的有机体， 采用地理模型
基于分布式多节点的人员质心位移算法研究.pdf
08-08
【基于分布式多节点的人员质心位移算法研究】 这篇研究论文主要探讨了一种用于精确测量跑步时人体质心位移的新算法，特别是在分布式多节点的惯性测量单元（IMU）环境中。研究中，作者指出传统的单节点惯性传感器在...
基于质心定位算法的二维空间场景定位matlab仿真,matlab2021a测试
05-04
在本项目中，我们主要探讨的是“基于质心定位算法的二维空间场景定位matlab仿真”。这个主题涉及了几个关键的计算机科学和技术概念，包括MATLAB编程、算法设计与实现以及质心定位技术。下面将对这些知识点进行详细的...
基于加权质心定位算法的二维空间场景定位matlab仿真,matlab2021a测试
05-04
在实际应用中，加权质心定位算法需要考虑传感器节点的精度和不确定性。因此，权重的分配至关重要。高精度的传感器节点应该给予更高的权重，反之则降低。在 `main.m` 中，可能会有一个步骤用于根据每个传感器节点的...
一种基于RSSI的三角形质心改进算法
01-28
针对传统质心算法定位精度低、对环境依赖性强等问题，提出一种基于RSSI的质心定位改进算法，先确定未知节点所在的三角形，连接三边中点划分16或10个区域，得到小三角形的外心，通过比较外心的适应度值，确定未知节点...
基于动力学的KF质心侧滑角估计算法
10-09
基于动力学的KF质心侧滑角估计算法，通过卡尔曼滤波算法结合动力学原理实现主车质心侧滑角估计，计算出自车的横向速度，为主车横向控制提供控制基础。算法原理请见 ...
目标检测——Libra R-CNN算法解读
lishanlu136的博客
10-15 745
目标检测Libra R-CNN算法解读
C++中的vector介绍（常用函数）
zxybf_的博客
10-15 480
vector的文档介绍vector是序列容器，表示可以改变大小的数组。(constructor)构造函数声明接口说明vector()（重点）无参构造构造并初始化n个val（重点）拷贝构造使用迭代器进行初始化构造int main()//无参的构造//n个val的构造//拷贝构造//迭代器区间构造return 0;
图算法之Floyd-Warshall 算法（全点对最短路径）详细解读
m0_61840987的博客
10-11 761
Floyd-Warshall 算法是求解全点对最短路径的经典算法，适用于需要处理负权边的场景。它的时间复杂度较高，因此适合处理顶点较少的密集图，而不是稀疏图。如果图中存在负权环，该算法可以用来检测。
专题：数组（已完结）
qq_23923713的博客
10-15 46
数组
【从零开始的LeetCode-算法】3099. 哈沙德数
qq_40878316的博客
10-15 66
如果一个整数能够被其各个数位上的数字之和整除，则称之为。各个数位上的数字之和，否则，返回。各个数位上的数字之和为。各个数位上的数字之和为。不是哈沙德数，答案是。
【进阶OpenCV】 （14）-- 人脸识别 -- LBPH 算法
最新发布
m0_74896766的博客
10-15 704
本篇介绍了如何通过创建LBPH的人脸识别器来进行人脸识别。
【优选算法】（第四十二篇）
weixin_73861555的博客
10-15 694
输⼊：beginWord="hit",endWord="cog",wordList=["hot","dot","dog","lot","log","cog"]输出：5。输⼊：beginWord="hit",endWord="cog",wordList=["hot","dot","dog","lot","log"]输出：0。解释：⼀个最短转换序列是"hit"->"hot"->"dot"->"dog"->"cog",返回它的⻓度5。解释：endWord"cog"不在字典中，所以⽆法进⾏转换。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值