CN102867386A - 一种基于智能视频分析的森林烟火探测方法及其专用装置 - Google Patents

Abstract

本发明公开了一种基于智能视频分析的森林烟火探测方法及其专用装置，方法包括：从林区的监控摄像头抓取实时的当前探测场景的视频图像，通过网络传输到视频分析服务器；视频分析服务器的烟火探测模块，对多帧视频图像进行运动前景的探测，分割得到前景列表；根据颜色，纹理以及运动特征对分割出的运动前景进行预处理，滤除非烟火前景区域；基于密集型光流法对连续帧进行动态分析并提取动态运动特征；基于支持向量机的分类器对特征进行分类输出探测结果。该方法及其专用装置，采用多重视频分析技术提取烟火独有特征，做到减少误报漏报等情况，对日夜型相机的视频图像全天候进行分析，白天可以自动探测烟雾和明火，晚上也可用于探测明火。

Description

一种基于智能视频分析的森林烟火探测方法及其专用装置

技术领域

本发明涉及林火识别方法，具体涉及一种基于智能视频分析的森林烟火探测方法及其专用装置。

背景技术

目前，森林火灾探测技术主要有传感器网络、激光、遥感技术和视频探测等，与前三种方式相比，基于视频的探测方式主要优势有成本低和覆盖面积广，但由于视频场景中存在多种干扰，基于视频的探测方法往往会有更多的误报情况，因此，需要对其进行创新和改进，以使其满足使用需求。

发明内容

发明目的：针对现有技术中存在的不足，本发明的目的是提供一种基于智能视频分析的森林烟火探测方法，以提高识别的准确度，降低干扰，满足使用需求。本发明的另一目的是提供上述方法的一种专用装置。

技术方案：为了实现上述发明目的，本发明采用的技术方案如下：

一种基于智能视频分析的森林烟火探测方法，从林区视频监控摄像头抓取视频图像并传送给智能视频分析的服务器，烟火的探测主要由智能视频分析服务器中的烟火探测模块完成，烟火探测模块结合了颜色，纹理和运动分析以及模式识别，机器学习等计算机视觉领域的算法对探测场景进行分析判断最后得出探测结果，具体步骤如下：

（1）从林区的监控摄像头抓取实时的当前探测场景的视频图像通过网络传输到视频分析服务器，视频分析服务器的烟火探测模块对视频图像进行分析判断；

（2）烟火探测模块首先对多帧视频图像进行运动前景的探测已经分割最终得到前景列表；

（3）对分割出的运动前景根据颜色，纹理以及运动特征进行预处理滤除非烟火前景区域；

（4）基于密集型光流法对连续帧进行动态分析并提取动态运动特征；

（5）基于支持向量机的分类器对特征进行分类输出探测结果；

步骤（2）中，所述得到运动区域的前景列表具体为：

多帧运动探测，首先得到前n帧图像的差值图像（n取值为3～5）：

I_d1=I₁-I₀,I_d2=I₂-I₁,...,I_dn=I_n-I_n-1

式中，I_n表示之前第n幅视频图像，I_dn表示第n个差值图像；

根据预设阀值，得到二元图像：

I_b1,I_b2,...,I_bn

对于8位图像，阀值范围为10～50，可根据不同的场景及灵敏度的要求进行调节；

最后合并二元图像：

I_m=I_b1∪I_b2∪...I_bn

I_m为得到的运动差值图像；再进行膨胀及腐蚀形态运算连接相邻前景并滤除噪声最后通过斑点分析得到运动前景列表。

步骤（3）中，所述的预处理具体包括滤除明显的非烟火颜色的前景区域、滤除明显非烟火纹理的前景区域以及滤除跳跃性变化的运动前景；所述的运动前景包括前后帧无法匹配的运动区域，以及形态特征及其变化突变的区域。

步骤（4）中，所述运动特征提取的方法为：

1）首先做一个根据主运动方向对方向进行矫正，并进行如下的对光流的旋转：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\α}& -\sin \mathrm{\α}\\ \sin \mathrm{\α}& \cos \mathrm{\α}\end{array}\right]\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right]$

α为主运动方向的角度，[x′y′]为矫正之前的运动向量。[x y]为矫正之后的运动向量；

2）对于动态特征的提取，对于每个运动像素点，根据连续n帧运动向量得到n×2维的动态特征向量[x₁ y₁ x₂ y₂...x_n y_n]；

3）根据运动点的特征向量，采用非监督性聚类算法把所有训练样本中可以得到的有效动态特征向量进行归类；

4）比较每个样本中的有效动态特征向量与类的相似度得到动态特征向量的的统计直方图。

基于智能视频分析的森林烟火探测方法的专用装置，包括监控摄像头和视频分析服务器；所述的监控摄像头通过网络与视频分析服务器进行信号传输。

所述的视频分析服务器包括烟火探测模块、支持向量机分类器和支持向量机；所述的烟火探测模块与支持向量机分类器数据传输，所述的所述的烟火探测模块与支持向量机分类器均与支持向量机数据传输；所述的烟火探测模块与监控摄像头进行信号传输。

有益效果：与现有技术相比，本发明的基于智能视频分析的森林烟火探测方法及其专用装置，采用多重视频分析技术提取烟火独有特征，做到减少误报漏报等情况。另外多重分析技术也提高了烟火探测计算的效率。对日夜型相机的视频图像全天候进行分析，白天可以自动探测烟雾和明火，晚上也可用于探测明火，具有很好的实用性，能够产生很好的经济效益和社会效应。

附图说明

图1是烟火探测流程图；

图2是专用装置的原理示意图。

具体实施方式

下面结合具体实施例对本发明作进一步的说明。

一种基于智能视频分析的森林烟火探测方法，其流程如图1所示，具体步骤如下：

（1）运动前景探测

首先设定探测场景中的探测区域以及非探测区域以减少误报的可能性，设定的森林的探测区域一般处于静止的无烟火状态，一旦有烟火发生，一定会有图像像素的变化运动，利用这一特性，该方法首先进行图像差分的运动探测方法得到运动区域的前景列表。

多帧运动探测，首先得到前n帧图像的差值图像（n取值一般为3～5）：

I_d1=I₁-I₀,I_d2=I₂-I₁,...,I_dn=I_n-I_n-1

式中，I_n表示之前第n幅视频图像，I_dn表示第n个差值图像。

根据预设阀值，得到二元图像：

I_b1,I_b2,...,I_bn

对于8位图像，阀值范围为10～50，可根据不同的场景及灵敏度的要求进行调节。

最后合并二元图像：

I_m=I_b1∪I_b2∪...I_bn

I_m为得到的运动差值图像。再进行膨胀及腐蚀形态运算连接相邻前景并滤除一些噪声最后通过斑点分析得到运动前景列表。

（2）基于颜色，纹理和运动特征的预判断

一般场景中都会的有一些干扰噪声源。其中包括环境本身的干扰比如像树木的摇动或者其他非烟火的运动物体。另外一种干扰就是视频本身的噪声。这些都会被运动探测模块探测到。本发明采用初步的预处理来滤除一些明显的非烟火的运动前景。

1）滤除明显的非烟火颜色的前景区域。根据颜色直方图统计特征和预设的阀值，去除那些跟烟雾，明火等的颜色特征相差比较大的前景区域。

2）滤除明显非烟火纹理的前景区域。根据纹理特征和预设的阀值，去除那些跟烟雾，明火等的纹理特征相差比较大的前景区域。

3）滤除跳跃性变化的运动前景包括前后帧无法匹配的运动区域，以及形态特征及其变化突变等的区域。

（3）基于光流法的动态运动特征的提取。

经过以上步骤，仍然会有非烟火的运动区域。本发明采用密集型光流法提取可靠的烟火动态特征。由于密集型光流法的计算量相当较大，在实际应用中目前很难用来做实时的整幅画面的运动估计。但由于以上的预处理，可以只对局部区域密集型进行光流法的运动估计。根据密集型光流法可以估算出烟火的运动方向及运动模式。以下是光流的运动特征提取方法：

1）本发明不考虑由于不同的视角以及烟火本身运动的多样性其主运动方向在不同的情况下面是不同的。为提高泛化性，本发明首先做一个根据主运动方向对方向进行矫正。并进行如下的对光流的旋转：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\α}& -\sin \mathrm{\α}\\ \sin \mathrm{\α}& \cos \mathrm{\α}\end{array}\right]\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right]$

α为主运动方向的角度，[x′y′]为矫正之前的运动向量。[x y]为矫正之后的运动向量。

2）对于动态特征的提取，需要考虑多帧的连续的运动情况。本发明分析提取每个运动像素的光流轨迹。对于每个运动像素点，根据连续n帧运动向量得到n×2维的动态特征向量[x₁ y₁ x₂ y₂...x_n y_n]。帧数的选择一般是通过实验并由光流轨迹的稳定性来决定。本发明不考虑跟踪不到的运动点。但有些个别帧丢失的运动向量点可以根据前后帧的运动向量采用插值的方法填补。

3）根据运动点的特征向量，本发明采用非监督性聚类算法把所有训练样本中可以得到的有效动态特征向量进行归类。类的数量一般可由类中的最小样本数量来控制决定。

4）比较每个样本中的有效动态特征向量与类的相似度得到动态特征向量的的统计直方图。统计直方图的维数就是类的个数。同时也是样本的特征向量的维数。归一化处理后的统计直方图就是本发明提取出来的用于识别的特征向量。

（4）烟雾火焰的识别

本发明采用支持向量机分类器对烟火进行识别分类。根据特征的不同分成三类，烟，明火，以及非烟火。由于烟火运动的多样性，需要采集足够多的训练样本对分类器进行分类。训练样本的特征向量由以上步骤从不同的视频中来收集。把如上提取到的运动动态特征向量来训练支持向量机分类器。当视频探测过程中提取到动态特征向量时，支持向量机输出预测结果得到是否为烟火。

如图2所示，基于智能视频分析的森林烟火探测方法的专用装置，包括监控摄像头和视频分析服务器；监控摄像头通过网络与视频分析服务器进行信号传输。视频分析服务器包括烟火探测模块、支持向量机分类器和支持向量机；烟火探测模块与支持向量机分类器数据传输，烟火探测模块与支持向量机分类器均与支持向量机数据传输；烟火探测模块与监控摄像头进行信号传输，该专用装置还可以外设报警器等提醒设备，用于及时报警。

Claims (6)

1.一种基于智能视频分析的森林烟火探测方法，其特征在于，具体步骤如下：

（1）从林区的监控摄像头抓取实时的当前探测场景的视频图像，通过网络传输到视频分析服务器；

（2）视频分析服务器的烟火探测模块，对多帧视频图像进行运动前景的探测，分割得到前景列表；

（3）根据颜色，纹理以及运动特征对分割出的运动前景进行预处理，滤除非烟火前景区域；

（4）基于密集型光流法对连续帧进行动态分析并提取动态运动特征；

（5）基于支持向量机的分类器对特征进行分类输出探测结果。

2.根据权利要求1所述的基于智能视频分析的森林烟火探测方法，其特征在于：步骤（2）中，所述得到运动区域的前景列表具体为：

多帧运动探测，首先得到前n帧图像的差值图像（n取值为3～5）：

I_d1=I₁-I₀,I_d2=I₂-I₁,...,I_dn=I_n-I_n-1

式中，I_n表示之前第n幅视频图像，I_dn表示第n个差值图像；

根据预设阀值，得到二元图像：

I_b1,I_b2,...,I_bn

对于8位图像，阀值范围为10～50，可根据不同的场景及灵敏度的要求进行调节；

最后合并二元图像：

I_m=I_b1∪I_b2∪...I_bn

I_m为得到的运动差值图像；再进行膨胀及腐蚀形态运算连接相邻前景并滤除噪声最后通过斑点分析得到运动前景列表。

3.根据权利要求1所述的基于智能视频分析的森林烟火探测方法，其特征在于：步骤（3）中，所述的预处理具体包括滤除明显的非烟火颜色的前景区域、滤除明显非烟火纹理的前景区域以及滤除跳跃性变化的运动前景；所述的运动前景包括前后帧无法匹配的运动区域，以及形态特征及其变化突变的区域。

4.根据权利要求1所述的基于智能视频分析的森林烟火探测方法，其特征在于：步骤（4）中，所述运动特征提取的方法为：

1）首先做一个根据主运动方向对方向进行矫正，并进行如下的对光流的旋转：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\α}& -\sin \mathrm{\α}\\ \sin \mathrm{\α}& \cos \mathrm{\α}\end{array}\right]\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right]$

α为主运动方向的角度，[x′y′]为矫正之前的运动向量。[x y]为矫正之后的运动向量；

2）对于动态特征的提取，对于每个运动像素点，根据连续n帧运动向量得到n×2维的动态特征向量[x₁ y₁ x₂ y₂...x_n y_n]；

3）根据运动点的特征向量，采用非监督性聚类算法把所有训练样本中可以得到的有效动态特征向量进行归类；

4）比较每个样本中的有效动态特征向量与类的相似度得到动态特征向量的的统计直方图。

5.权利要求1所述的基于智能视频分析的森林烟火探测方法的专用装置，其特征在于：包括监控摄像头和视频分析服务器；所述的监控摄像头通过网络与视频分析服务器进行信号传输。

6.根据权利要求5所述的基于智能视频分析的森林烟火探测方法的专用装置，其特征在于：所述的视频分析服务器包括烟火探测模块、支持向量机分类器和支持向量机；所述的烟火探测模块与支持向量机分类器数据传输，所述的所述的烟火探测模块与支持向量机分类器均与支持向量机数据传输；所述的烟火探测模块与监控摄像头进行信号传输。

Images