CN104573719B - 基于图像智能分析的山火检测方法 - Google Patents

基于图像智能分析的山火检测方法 Download PDF

Info

Publication number
CN104573719B
CN104573719B CN201410853102.8A CN201410853102A CN104573719B CN 104573719 B CN104573719 B CN 104573719B CN 201410853102 A CN201410853102 A CN 201410853102A CN 104573719 B CN104573719 B CN 104573719B
Authority
CN
China
Prior art keywords
pixel
super
mountain fire
color
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410853102.8A
Other languages
English (en)
Other versions
CN104573719A (zh
Inventor
姚楠
罗旺
郭雅娟
洪功义
张天兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Nari Information and Communication Technology Co
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Nari Information and Communication Technology Co
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Nari Information and Communication Technology Co, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201410853102.8A priority Critical patent/CN104573719B/zh
Publication of CN104573719A publication Critical patent/CN104573719A/zh
Application granted granted Critical
Publication of CN104573719B publication Critical patent/CN104573719B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像智能分析的山火检测方法，包括训练阶段和测试阶段，用SLIC的方法得到图像的超像素，该方法能够快速的将图像的像素进行聚类，且能很好地拟合目标的边缘，得到超像素块之后，提出其颜色和纹理特征，根据这些特征对图像进行山火的分类。本发明提出的基于纹理和颜色的火灾检测方法能够快速有效地检测山火的位置，且能达到一个较精确的分类结果。该方法使用的SLIC生成的超像素能够很好地吻合目标的边缘，且分割效果较为理想。用来描述超像素区域的特征简单有效，复杂度低，能够满足山火检测的实时性要求。

Description

基于图像智能分析的山火检测方法
技术领域
本发明涉及一种山火检测方法，特别是涉及一种基于图像智能分析的山火检测方法。
背景技术
森林火灾是指发生在山野间，对森林生态系统和人类生命财产安全造成极大伤害和损失难以控制的火情，其特点是突发性强、覆盖面积广、蔓延速度快、危险性高。随着全球气候的变暖，森林火灾的发生日趋频繁。我国非常重视山火的预防和保护，旨在山火发生的初期就有效地将其扑灭，杜绝其对环境和人类生命财产的破坏。早期的火灾的检测主要是靠工作人员的巡逻，这种方法不仅耗费了大量的人力、物力资源，人为的巡逻难免会出现一些疏忽，而且在一些特定的情况下，无法实时准确地发现险情，造成无法估量的损失。目前有利用飞机侦察森林安全，不过，针对大面积的森林，飞机侦察会耗费大量的费用，而且操作难度大，需要专业的人才，其最大的缺点是对盲区的检测精度很低。由于森林覆盖范围广，该方法实用性不强。另外，由于森林坏境的复杂性和多变性，飞机侦测的火灾系统误报率较高。所以，基于图像的山火检测方法受到了广泛的关注。
目前，较好的方法是首先用基于阈值分割法和颜色聚类法提取山火的区域，进而提取山火区域的颜色和梯度特征，最后通过贝叶斯分类法和BP神经网络分类法对图像进行分类。
传统基于图像的方法主要采用阈值分割法、特征聚类法和基于边缘的区域提取法。但是这些方法主要是基于灰度图像，其损失的颜色特征对山火的检测非常重要，从而在分割时无法将山火和背景很好地区分开。另外，有一些方法是基于彩色图像的分割方法，比如将RGB图像转换为HSI颜色通道下的彩色图像，对H,S,I这三个通道学习火灾的阈值，根据该阈值将图片进行分割，得到山火的区域；也有方法是直接采用HSI空间的I分量去学习阈值，检测火灾区域。虽然这些基于阈值的方法快速简单，但其对阈值的选取非常敏感，由于森林环境的复杂性，往往很难选取一个合适的阈值将背景和山火很好地区分。如果山火区域不能够较准确地提取出来，将会影响后续的特征提取，从而增加对火灾检测的难度。
发明内容
为解决现有技术的不足，本发明的目的在于，提供一种基于图像智能分析的山火检测方法，用SLIC的方法得到图像的超像素，该方法能够快速的将图像的像素进行聚类，且能很好地拟合目标的边缘，得到超像素块之后，提出其颜色和纹理特征，根据这些特征对图像进行山火的分类。
本发明的技术方案为：一种基于图像智能分析的山火检测方法，其特征是，包括以下步骤：
(1)训练阶段，该阶段分为以下三个步骤：
步骤一、构建数据库：从网上搜集关于山火的图片，用手工标注的方法标定山火的位置，并标注每张图片的类别；
步骤二、SLIC得到超像素：给定一张训练图片，用SLIC的方法提取图像的超像素，针对每个超像素块，找到其中标定为山火的像素的个数，如果其与超像素块总数的比例大于0.7，则将该超像素块设定为山火的正样本，否则，设定为山火的负样本；
步骤三、训练颜色特征的聚类中心：针对每一张训练图片，提取每一个像素的颜色特征，如公式(1)：
Fc＝[r,g,b1,r-g,g-b1,l,a,b2] (1)
其中，r代表RGB颜色空间中红色通道，g代表RGB颜色空间中绿色通道，b1代表RGB颜色空间中蓝色通道，r-g代表RGB颜色空间中红色通道与绿色通道的差值，g-b1代表RGB颜色空间中绿色通道与蓝色通道的差值，l代表亮度，a代表在红色和绿色之间的位置，b2代表在黄色和蓝色之间的位置，
从训练图片的所有像素的颜色特征中随机选取多个颜色特征，用KMEANS方法进行聚类；
步骤四、训练纹理特征的聚类中心：针对每一张训练图片，将图片分为4*4的块，每个块的间隔设为4个像素，从每个小块中提取纹理特征，从训练图片的所有小块对应的纹理特征中随机选取多个特征，用KMEANS方法进行聚类；
步骤五、得到颜色特征的直方图：给定一张训练图片，首先用SLIC的方法将图片分为多个超像素，每个超像素的每个像素提取步骤三的颜色特征，针对每个颜色特征，用步骤三训练的颜色特征聚类中心找到与之最接近的颜色聚类中心，用此颜色聚类中心代表该颜色特征，统计所有颜色聚类中心在该超像素出现的次数，得到颜色特征的直方图；
步骤六、得到纹理特征的直方图：给定一张训练图片，得到SLIC生成的超像素，将每个超像素分为4*4的小块，每个块的间隔设为4个像素，从每个小块中提取纹理特征，用步骤四训练的纹理特征聚类中心找到与该纹理特征最靠近的纹理聚类中心，用此纹理聚类中心代表该纹理特征，统计所有纹理聚类中心在该超像素出现的次数，得到纹理特征的直方图；
步骤七、训练RBF核的SVM：将步骤五生成的颜色特征直方图与步骤六生成的纹理特征直方图串联起来，作为超像素的特征，给定山火的正样本和负样本，对每一个样本对应的超像素，提取其颜色和纹理特征，训练RBF核的SVM训练器，如公式(2)：
其中，x为超像素块串联起来的颜色和纹理直方图，n代表的是训练样本的总数，y代表的是样本的类别，a和b均为常数，K代表的是核函数；
(2)测试阶段，该阶段分为以下三个步骤：
步骤一、SLIC得到超像素：给定一张测试图片，首先用SLIC的方法生成多个超像素，将SLIC的规范化阈值设定为0.01，使得超像素的边缘吻合目标的边缘；
步骤二、得到颜色聚类中心的直方图：针对每个超像素，提取每个像素的颜色特征，用训练阶段中步骤三训练的颜色聚类中心找到与该颜色特征最接近的颜色聚类中心，用此聚类中心表示该颜色特征，统计超像素区域内所有颜色聚类中心出现的次数，得到颜色聚类中心的直方图；
步骤三、得到纹理聚类中心的直方图：给定一个超像素区域，将超像素分为4*4的规范化小块，每个小块的间距为4个像素，从每个小块提取纹理特征，从训练步骤四训练得到的纹理聚类中心找到与该纹理特征最靠近的纹理聚类中心，用此聚类中心表示该纹理特征，统计超像素区域内所有纹理聚类中心出现的次数，得到纹理聚类中心的直方图；
步骤四、用训练的RBF核的SVM分类器对特征分类：将步骤二和步骤三的直方图串联起来表示超像素区域的特征，用训练的RBF核的SVM分类器对该特征进行分类，得到超像素属于山火的概率；
步骤五、对山火待定区域后处理：将概率小于0.3的区域设定为非山火确定区域，将概率大于0.7的区域设定为山火确定区域，其余部分为山火待定区域，针对分为山火待定区域的每个超像素块，统计其周围分为山火确定区域和非山火确定区域的超像素的个数，若山火确定区域超像素个数大于非山火确定区域超像素的个数，则将该山火待定区域分为山火确定区域。
前述的基于图像智能分析的山火检测方法，其特征是，上述训练阶段的步骤二中，用SLIC的方法提取图像的超像素的具体过程为：将超像素块的大小设定为大于20的像素，同时，将SLIC的规范化参数设为0.01，使得其生成的超像素块与目标的轮廓吻合。
前述的基于图像智能分析的山火检测方法，其特征是，上述训练阶段的步骤三中，从训练图片的所有像素的颜色特征中随机选取颜色特征的个数为300000个，聚类的总数为150。
前述的基于图像智能分析的山火检测方法，其特征是，上述训练阶段的步骤四中，从训练图片的所有小块对应的纹理特征中随机选取的特征为300000个，聚类的总数为150。
本发明所达到的有益效果：
(1)本发明提出的基于纹理和颜色的火灾检测方法能够快速有效地检测山火的位置，且能达到一个较精确的分类结果。该方法使用的SLIC生成的超像素能够很好地吻合目标的边缘，且分割效果较为理想。用来描述超像素区域的特征简单有效，复杂度低，能够满足山火检测的实时性要求；
(2)本发明将纹理和颜色特征转换为直方图的形式用以描述SLIC生成的超像素，相比传统的山火检测方法，该方法对参数的依赖性更小，对场景的变化鲁棒性更强，复杂度更低。
附图说明
图1是本发明训练阶段的原理框图；
图2是本发明测试阶段的原理框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1和图2所示，一种基于图像智能分析的山火检测方法，包括以下步骤：
(1)训练阶段，该阶段分为以下三个步骤：
步骤一、构建数据库：从网上搜集关于山火的图片，用手工标注的方法标定山火的位置，并标注每张图片的类别；
步骤二、SLIC得到超像素：给定一张训练图片，用SLIC的方法提取图像的超像素，将超像素块的大小设定为大于20的像素，同时，将SLIC的规范化参数设为0.01，使得其生成的超像素块与目标的轮廓吻合；针对每个超像素块，找到其中标定为山火的像素的个数，如果其与超像素块总数的比例大于0.7，则将该超像素块设定为山火的正样本，否则，设定为山火的负样本；
步骤三、训练颜色特征的聚类中心：针对每一张训练图片，提取每一个像素的颜色特征，如公式(1)：
Fc＝[r,g,b1,r-g,g-b1,l,a,b2] (1)
其中，r代表RGB颜色空间中红色通道，g代表RGB颜色空间中绿色通道，b1代表RGB颜色空间中蓝色通道，r-g代表RGB颜色空间中红色通道与绿色通道的差值，g-b1代表RGB颜色空间中绿色通道与蓝色通道的差值，l代表亮度，a代表在红色和绿色之间的位置，b2代表在黄色和蓝色之间的位置，
从训练图片的所有像素的颜色特征中随机选取300000个颜色特征，用KMEANS方法进行聚类，聚类的总数设为150；
步骤四、训练纹理(LBP)特征的聚类中心：针对每一张训练图片，将图片分为4*4的块，每个块的间隔设为4个像素，从每个小块中提取纹理特征，从训练图片的所有小块对应的纹理特征中随机选取300000个特征，用KMEANS方法进行聚类，聚类的总数设为150；
步骤五、得到颜色特征的直方图：给定一张训练图片，首先用SLIC的方法将图片分为多个超像素，每个超像素的每个像素提取步骤三的颜色特征，针对每个颜色特征，用步骤三训练的颜色特征聚类中心找到与之最接近的颜色聚类中心，用此颜色聚类中心代表该颜色特征，统计所有颜色聚类中心在该超像素出现的次数，得到颜色特征的直方图；
步骤六、得到纹理(LBP)特征的直方图：给定一张训练图片，得到SLIC生成的超像素，将每个超像素分为4*4的小块，每个块的间隔设为4个像素，从每个小块中提取纹理特征，用步骤四训练的纹理特征聚类中心找到与该纹理特征最靠近的纹理聚类中心，用此纹理聚类中心代表该纹理特征，统计所有纹理聚类中心在该超像素出现的次数，得到纹理特征的直方图；
步骤七、训练RBF核的SVM：将步骤五生成的颜色特征直方图与步骤六生成的纹理特征直方图串联起来，作为超像素的特征，给定山火的正样本和负样本，对每一个样本对应的超像素，提取其颜色和纹理特征，训练RBF核的SVM训练器，如公式(2)：
其中，x为超像素块串联起来的颜色和纹理直方图，n代表的是训练样本的总数，y代表的是样本的类别，a和b均为常数，K代表的是核函数，这里核函数的基本作用在于将两个低维空间里的向量计算其经过某个变换后在高维空间里的向量内积值，在本发明中采用RBF核，该核函数能够将训练样本进行非线性的变换，通过交叉验证的方法得到RBF核SVM中最佳的参数；
(2)测试阶段，该阶段分为以下三个步骤：
步骤一、SLIC得到超像素：给定一张测试图片，首先用SLIC的方法生成多个超像素，将SLIC的规范化阈值设定为0.01，使得超像素的边缘吻合目标的边缘；
步骤二、得到颜色聚类中心的直方图：针对每个超像素，提取每个像素的颜色特征，用训练阶段中步骤三训练的颜色聚类中心找到与该颜色特征最接近的颜色聚类中心，用此聚类中心表示该颜色特征，统计超像素区域内所有颜色聚类中心出现的次数，得到颜色聚类中心的直方图；
步骤三、得到纹理(LBP)聚类中心的直方图：给定一个超像素区域，将超像素分为4*4的规范化小块，每个小块的间距为4个像素，从每个小块提取纹理特征，从训练步骤四训练得到的纹理聚类中心找到与该纹理特征最靠近的纹理聚类中心，用此聚类中心表示该纹理特征，统计超像素区域内所有纹理聚类中心出现的次数，得到纹理聚类中心的直方图；
步骤四、用训练的RBF核的SVM分类器对特征分类：将步骤二和步骤三的直方图串联起来表示超像素区域的特征，用训练的RBF核的SVM分类器对该特征进行分类，得到超像素属于山火的概率；
步骤五、对山火待定区域后处理：将概率小于0.3的区域设定为非山火确定区域，将概率大于0.7的区域设定为山火确定区域，其余部分为山火待定区域，针对分为山火待定区域的每个超像素块，统计其周围分为山火确定区域和非山火确定区域的超像素的个数，若山火确定区域超像素个数大于非山火确定区域超像素的个数，则将该山火待定区域分为山火确定区域。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种基于图像智能分析的山火检测方法，其特征是，包括以下步骤：
(1)训练阶段，该阶段分为以下三个步骤：
步骤一、构建数据库：从网上搜集关于山火的图片，用手工标注的方法标定山火的位置，并标注每张图片的类别；
步骤二、SLIC得到超像素：给定一张训练图片，用SLIC的方法提取图像的超像素，针对每个超像素块，找到其中标定为山火的像素的个数，如果其与超像素块总数的比例大于0.7，则将该超像素块设定为山火的正样本，否则，设定为山火的负样本；
步骤三、训练颜色特征的聚类中心：针对每一张训练图片，提取每一个像素的颜色特征，如公式(1)：
Fc＝[r,g,b1,r-g,g-b1,l,a,b2] (1)
其中，r代表RGB颜色空间中红色通道，g代表RGB颜色空间中绿色通道，b1代表RGB颜色空间中蓝色通道，r-g代表RGB颜色空间中红色通道与绿色通道的差值，g-b1代表RGB颜色空间中绿色通道与蓝色通道的差值，l代表亮度，a代表在红色和绿色之间的位置，b2代表在黄色和蓝色之间的位置，
从训练图片的所有像素的颜色特征中随机选取多个颜色特征，用KMEANS方法进行聚类；
步骤四、训练纹理特征的聚类中心：针对每一张训练图片，将图片分为4*4的块，每个块的间隔设为4个像素，从每个小块中提取纹理特征，从训练图片的所有小块对应的纹理特征中随机选取多个特征，用KMEANS方法进行聚类；
步骤五、得到颜色特征的直方图：给定一张训练图片，首先用SLIC的方法将图片分为多个超像素，每个超像素的每个像素提取步骤三的颜色特征，针对每个颜色特征，用步骤三训练的颜色特征聚类中心找到与之最接近的颜色聚类中心，用此颜色聚类中心代表该颜色特征，统计所有颜色聚类中心在该超像素出现的次数，得到颜色特征的直方图；
步骤六、得到纹理特征的直方图：给定一张训练图片，得到SLIC生成的超像素，将每个超像素分为4*4的小块，每个块的间隔设为4个像素，从每个小块中提取纹理特征，用步骤四训练的纹理特征聚类中心找到与该纹理特征最靠近的纹理聚类中心，用此纹理聚类中心代表该纹理特征，统计所有纹理聚类中心在该超像素出现的次数，得到纹理特征的直方图；
步骤七、训练RBF核的SVM：将步骤五生成的颜色特征直方图与步骤六生成的纹理特征直方图串联起来，作为超像素的特征，给定山火的正样本和负样本，对每一个样本对应的超像素，提取其颜色和纹理特征，训练RBF核的SVM训练器，如公式(2)：
<mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>a</mi> <mi>i</mi> </msub> <msub> <mi>y</mi> <mi>i</mi> </msub> <mi>K</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mi>x</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>b</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，x为超像素块串联起来的颜色和纹理直方图，n代表的是训练样本的总数，y代表的是样本的类别，a和b均为常数，K代表的是核函数；
(2)测试阶段，该阶段分为以下三个步骤：
步骤一、SLIC得到超像素：给定一张测试图片，首先用SLIC的方法生成多个超像素，将SLIC的规范化阈值设定为0.01，使得超像素的边缘吻合目标的边缘；
步骤二、得到颜色聚类中心的直方图：针对每个超像素，提取每个像素的颜色特征，用训练阶段中步骤三训练的颜色聚类中心找到与该颜色特征最接近的颜色聚类中心，用此聚类中心表示该颜色特征，统计超像素区域内所有颜色聚类中心出现的次数，得到颜色聚类中心的直方图；
步骤三、得到纹理聚类中心的直方图：给定一个超像素区域，将超像素分为4*4的规范化小块，每个小块的间距为4个像素，从每个小块提取纹理特征，从训练步骤四训练得到的纹理聚类中心找到与该纹理特征最靠近的纹理聚类中心，用此聚类中心表示该纹理特征，统计超像素区域内所有纹理聚类中心出现的次数，得到纹理聚类中心的直方图；
步骤四、用训练的RBF核的SVM分类器对特征分类：将步骤二和步骤三的直方图串联起来表示超像素区域的特征，用训练的RBF核的SVM分类器对该特征进行分类，得到超像素属于山火的概率；
步骤五、对山火待定区域后处理：将概率小于0.3的区域设定为非山火确定区域，将概率大于0.7的区域设定为山火确定区域，其余部分为山火待定区域，针对分为山火待定区域的每个超像素块，统计其周围分为山火确定区域和非山火确定区域的超像素的个数，若山火确定区域超像素个数大于非山火确定区域超像素的个数，则将该山火待定区域分为山火确定区域。
2.根据权利要求1所述的基于图像智能分析的山火检测方法，其特征是，上述训练阶段的步骤二中，用SLIC的方法提取图像的超像素的具体过程为：将超像素块的大小设定为大于20的像素，同时，将SLIC的规范化参数设为0.01，使得其生成的超像素块与目标的轮廓吻合。
3.根据权利要求1所述的基于图像智能分析的山火检测方法，其特征是，上述训练阶段的步骤三中，从训练图片的所有像素的颜色特征中随机选取颜色特征的个数为300000个，聚类的总数为150。
4.根据权利要求1所述的基于图像智能分析的山火检测方法，其特征是，上述训练阶段的步骤四中，从训练图片的所有小块对应的纹理特征中随机选取的特征为300000个，聚类的总数为150。
CN201410853102.8A 2014-12-31 2014-12-31 基于图像智能分析的山火检测方法 Active CN104573719B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410853102.8A CN104573719B (zh) 2014-12-31 2014-12-31 基于图像智能分析的山火检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410853102.8A CN104573719B (zh) 2014-12-31 2014-12-31 基于图像智能分析的山火检测方法

Publications (2)

Publication Number Publication Date
CN104573719A CN104573719A (zh) 2015-04-29
CN104573719B true CN104573719B (zh) 2017-10-24

Family

ID=53089739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410853102.8A Active CN104573719B (zh) 2014-12-31 2014-12-31 基于图像智能分析的山火检测方法

Country Status (1)

Country Link
CN (1) CN104573719B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740826A (zh) * 2016-02-02 2016-07-06 大连楼兰科技股份有限公司 一种基于双尺度的车道标识二值化检测方法
CN105930815B (zh) * 2016-05-04 2022-10-04 中国农业大学 一种水下生物检测方法和系统
CN106251351B (zh) * 2016-07-28 2018-07-17 国网湖南省电力公司 一种基于云变换的输电线路山火监测阈值计算方法
CN106446890B (zh) * 2016-10-28 2019-09-06 中国人民解放军信息工程大学 一种基于窗口打分和超像素分割的候选区域提取方法
CN108550155B (zh) * 2018-04-17 2021-07-27 黑龙江工程学院 一种彩色林火遥感图像的目标区域分割方法
CN108875798B (zh) * 2018-05-29 2022-06-24 电子科技大学 一种基于空间金字塔池化的超像素级特征提取方法
CN109886937B (zh) * 2019-01-29 2021-08-03 国家电网有限公司 基于超像素分割图像识别的绝缘子缺陷检测方法
CN109993755B (zh) * 2019-04-02 2021-01-08 浙江大学 一种提花织物图像组织结构分割方法
CN110147758A (zh) * 2019-05-17 2019-08-20 电子科技大学成都学院 一种基于深度学习的森林防火方法
CN110222644A (zh) * 2019-06-10 2019-09-10 哈尔滨理工大学 基于图像分割的森林火灾烟雾检测方法
CN111126187A (zh) * 2019-12-09 2020-05-08 上海眼控科技股份有限公司 火情检测方法、系统、电子设备及存储介质
CN112232138B (zh) * 2020-09-25 2022-09-23 天津大学 基于超像素特征的渠道边坡破坏智能识别方法
CN112489049A (zh) * 2020-12-04 2021-03-12 山东大学 基于超像素和svm的成熟番茄果实的分割方法及系统
CN116665034B (zh) * 2022-11-11 2023-10-31 中国消防救援学院 一种基于边缘特征的立体匹配及火焰空间定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867386A (zh) * 2012-09-10 2013-01-09 南京恩博科技有限公司 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
CN103164858A (zh) * 2013-03-20 2013-06-19 浙江大学 基于超像素和图模型的粘连人群分割与跟踪方法
CN103810723A (zh) * 2014-02-27 2014-05-21 西安电子科技大学 基于帧间约束超像素编码的目标跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101348904B1 (ko) * 2012-01-20 2014-01-09 한국과학기술원 고차 상관 클러스터링을 이용한 이미지 분할 방법, 이를 처리하는 시스템 및 기록매체

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867386A (zh) * 2012-09-10 2013-01-09 南京恩博科技有限公司 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
CN103164858A (zh) * 2013-03-20 2013-06-19 浙江大学 基于超像素和图模型的粘连人群分割与跟踪方法
CN103810723A (zh) * 2014-02-27 2014-05-21 西安电子科技大学 基于帧间约束超像素编码的目标跟踪方法

Also Published As

Publication number Publication date
CN104573719A (zh) 2015-04-29

Similar Documents

Publication Publication Date Title
CN104573719B (zh) 基于图像智能分析的山火检测方法
CN109165577B (zh) 一种基于视频图像的早期森林火灾检测方法
CN107944359B (zh) 基于视频的火焰检测方法
CN105404847B (zh) 一种遗留物实时检测方法
CN110378179B (zh) 基于红外热成像的地铁逃票行为检测方法及系统
CN106503716A (zh) 一种基于颜色和轮廓特征提取的安全帽识别方法和系统
CN104050480A (zh) 基于计算机视觉的吸烟烟雾检测方法
CN102915446A (zh) 基于svm机器学习的植物病虫害检测方法
CN103886297B (zh) 真假指纹的动态光学检测方法
CN108537239A (zh) 一种图像显著性目标检测的方法
CN103258232A (zh) 一种基于双摄像头的公共场所人数估算方法
CN105225235A (zh) 一种基于多光谱特征的视频火焰检测方法
CN102881160B (zh) 一种低照度场景下的户外交通标志识别方法
CN104184925A (zh) 一种视频场景变化的检测方法
CN104573650B (zh) 一种基于滤波响应的电线检测分类方法
CN104143077B (zh) 基于图像的行人目标检索方法和系统
CN102496002A (zh) 基于图像的人脸美貌度评价方法
CN107067007A (zh) 一种基于图像特征提取的多特征融合秸秆焚烧火灾检测方法
CN105069816B (zh) 一种进出口人流量统计的方法及系统
CN103617414A (zh) 一种基于最大间距准则的火灾颜色模型及火灾火焰和烟雾识别方法
WO2018120634A1 (zh) 病虫害识别方法及装置
CN104318266A (zh) 一种图像智能分析处理预警方法
CN105701474B (zh) 一种结合颜色和外型特征的视频烟雾识别方法
CN103226860A (zh) 一种通道客流密度估计方法
CN105205503A (zh) 基于众包主动学习用于检测异常图片的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant