CN109766763A - 一种森林火灾检测方法及系统 - Google Patents
一种森林火灾检测方法及系统 Download PDFInfo
- Publication number
- CN109766763A CN109766763A CN201811537449.6A CN201811537449A CN109766763A CN 109766763 A CN109766763 A CN 109766763A CN 201811537449 A CN201811537449 A CN 201811537449A CN 109766763 A CN109766763 A CN 109766763A
- Authority
- CN
- China
- Prior art keywords
- image
- fire
- region
- forest fire
- forest
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供的森林火灾检测方法及系统,根据获取的实时视频图像在Lab空间进行显著性区域筛选得到粗选区域,在所述粗选区域中对火灾图像进行特征提取,利用SVM对正负样本数据进行训练与分类,基于分类结果根据判别准则对森林火灾进行检测,从而提高森林了火灾检测效率;且由于针对小范围的森林图像进行分析,检测发生林火的可能性,能够检测小面积火灾,减少损失。
Description
技术领域
本发明涉及机器视觉技术领域,特别涉及一种森林火灾检测方法及系统。
背景技术
森林防火是有利于国计民生的热点问题,目前,森林火灾监测技术主要包括人工监测、瞭望塔监测、有人/无人机监测和卫星监测等,在林火检测和识别方面则主要依赖于有经验的操作人员肉眼观察或计算机半自动辅助判读。人工肉眼观察效率低,现有的林火检测与识别算法易受天气、光照等的变化影响,检测正确率较低;同时,只能检测到大面积火灾,对小范围林火难以检测。
发明内容
有鉴如此,有必要针对现有技术存在的缺陷,提供一种对火灾检测率高且可以检测小范围林火的森林火灾检测方法。
为实现上述目的,本发明采用下述技术方案:
一方面,本发明提供了一种森林火灾检测方法,包括下述步骤:
获取实时视频图像;
根据所述视频图像在Lab空间进行显著性区域筛选得到粗选区域;
在所述粗选区域中对火灾图像进行特征提取;
利用SVM对正负样本数据进行训练与分类;及
基于分类结果根据判别准则对森林火灾进行检测。
在一些较佳的实施例中,在Lab空间进行显著性区域筛选的步骤中,包括下述步骤:
将采集的RGB图像转换到Lab空间;
在Lab空间利用视觉显著性检测算法对火灾图像进行提取;
根据真实火灾RGB图像中R≥G>B的先验知识,对火灾图像进行粗筛选。
在一些较佳的实施例中,在所述粗选区域中对火灾图像进行特征提取的步骤中,具体包括下述步骤:
以一定大小的窗口在粗筛选区域的外接矩形轮廓内滑动,并结合相邻N帧图像同一区域的信息,计算窗口区域为火灾区域的概率;
利用Gabor滤波器生成8个方向的卷积核,与图像进行卷积操作,得到8个特征图像;
根据8个特征图像生成火灾目标特征的自相关矩阵,得到目标特征。
在一些较佳的实施例中,所述窗口的大小为5×5。
在一些较佳的实施例中,当所述计算窗口区域为火灾区域的概率大于60%,则该窗口区域在计算目标特征时才予以使用。
在一些较佳的实施例中,在根据判别准则对森林火灾进行检测的步骤中,具体包括下述步骤:
若当前像素为火点,则其八邻域内至少有3个点为火点,即当前像素点f(x,y),如果其被SVM分类为正样本,标记为1;为负样本,标记为0,则火灾图像的判据可表示如下:
其中,N8(f(i))表示f(i)的8邻域像素。
另一方面,本发明还提供了一种森林火灾检测系统,包括:
图像获取单元,用于获取实时视频图像;
疑似区域筛选单元,用于根据所述视频图像在Lab空间进行显著性区域筛选得到粗选区域;
图像特征提取单元,用于在所述粗选区域中对火灾图像进行特征提取;
训练分类单元;利用SVM对正负样本数据进行训练与分类;及
判断单元,用于基于分类结果根据判别准则对森林火灾进行检测。
在一些较佳的实施例中,所述疑似区域筛选单元包括:
图像转换模块,用于将采集的RGB图像转换到Lab空间;
提取模块,用于在Lab空间利用视觉显著性检测算法对火灾图像进行提取;
筛选模块,用于根据真实火灾RGB图像中R≥G>B的先验知识,对火灾图像进行粗筛选。
在一些较佳的实施例中,图像特征提取单元包括:
火灾区域概率计算模块,以一定大小的窗口在粗筛选区域的外接矩形轮廓内滑动,并结合相邻N帧图像同一区域的信息,计算窗口区域为火灾区域的概率;
特征图像模块,利用Gabor滤波器生成8个方向的卷积核,与图像进行卷积操作,得到8个特征图像;
特征提取模块,根据8个特征图像生成火灾目标特征的自相关矩阵,得到目标特征。
本发明采用上述技术方案的优点是:
本发明提供的森林火灾检测方法及系统,根据获取的实时视频图像在Lab空间进行显著性区域筛选得到粗选区域,在所述粗选区域中对火灾图像进行特征提取,利用SVM对正负样本数据进行训练与分类,基于分类结果根据判别准则对森林火灾进行检测,从而提高森林了火灾检测效率;且由于针对小范围的森林图像进行分析,检测发生林火的可能性,能够检测小面积火灾,减少损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例1提供的森林火灾检测方法的步骤流程图。
图2为本发明实施例1提供的根据所述视频图像在Lab空间进行显著性区域筛选得到粗选区域步骤流程图。
图3为本发明实施例1提供的在所述粗选区域中对火灾图像进行特征提取的步骤流程图。
图4为本发明实施例2提供的森林火灾检测系统的结构示意图。
图5为本发明实施例2提供的疑似区域筛选单元的结构示意图。
图6为本发明实施例2提供的图像特征提取单元的结构示意图。
具体实施方式
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它实施例,都属于本发明保护的范围。
实施例1
请参阅图1,为本发明实施例提供的森林火灾检测方法的步骤流程图,包括下述步骤:
步骤S110:获取实时视频图像。
步骤S120:根据所述视频图像在Lab空间进行显著性区域筛选得到粗选区域。
请参阅图2,为本发明实施例1提供的根据所述视频图像在Lab空间进行显著性区域筛选得到粗选区域步骤流程图,包括下述步骤:
步骤S121:将采集的RGB图像转换到Lab空间;
步骤S122:在Lab空间利用视觉显著性检测算法对火灾图像进行提取;
步骤S123:根据真实火灾RGB图像中R≥G>B的先验知识,对火灾图像进行粗筛选。
可以理解,通过上述步骤S121-步骤S123能够在Lab空间进行显著性区域筛选得到粗选区域。
步骤S130:在所述粗选区域中对火灾图像进行特征提取。
请参阅图3,为本发明实施例1提供的在所述粗选区域中对火灾图像进行特征提取的步骤流程图,包括下述步骤:
步骤S131:以一定大小的窗口在粗筛选区域的外接矩形轮廓内滑动,并结合相邻N帧图像同一区域的信息,计算窗口区域为火灾区域的概率;
可以理解,所述窗口大小可以自定义设置,优选为5×5。
步骤S132:利用Gabor滤波器生成8个方向的卷积核,与图像进行卷积操作,得到8个特征图像;
步骤S133:根据8个特征图像生成火灾目标特征的自相关矩阵,得到目标特征。
在一些较佳的实施例中,当所述计算窗口区域为火灾区域的概率大于60%,则该窗口区域在计算目标特征时才予以使用。
可以理解,通过上述步骤S131-步骤S132可实现在所述粗选区域中对火灾图像进行特征提取。
步骤S140:利用SVM对正负样本数据进行训练与分类。
具体地,利用互联网下载的林火视频与自行拍摄的视频,通过半自动的方式得到目标特征(标注样本)。在训练样本时,核函数采用RBF(径向基函数),通过交叉验证确定模型各参数。根据训练得到的模型,对林火视频进行分类。
步骤S150:基于分类结果根据判别准则对森林火灾进行检测。
在一些较佳的实施例中,若当前像素为火点,则其八邻域内至少有3个点为火点,即当前像素点f(x,y),如果其被SVM分类为正样本,标记为1;为负样本,标记为0,则火灾图像的判据可表示如下:
其中,N8(f(i))表示f(i)的8邻域像素。
本发明提供的森林火灾检测方法,根据获取的实时视频图像在Lab空间进行显著性区域筛选得到粗选区域,在所述粗选区域中对火灾图像进行特征提取,利用SVM对正负样本数据进行训练与分类,基于分类结果根据判别准则对森林火灾进行检测,从而提高森林了火灾检测效率;且由于针对小范围的森林图像进行分析,检测发生林火的可能性,能够检测小面积火灾,减少损失。
实施例2
请参阅图4,为本发明实施例提供的森林火灾检测系统的结构示意图200,包括:
图像获取单元210,用于获取实时视频图像;
疑似区域筛选单元220,用于根据所述视频图像在Lab空间进行显著性区域筛选得到粗选区域。
图像特征提取单元230,用于在所述粗选区域中对火灾图像进行特征提取;
训练分类单元240;利用SVM对正负样本数据进行训练与分类;及
判断单元250,用于基于分类结果根据判别准则对森林火灾进行检测。
请参阅图5,为本发明实施例2提供的疑似区域筛选单元200的结构示意图,包括:
图像转换模块221,用于将采集的RGB图像转换到Lab空间;
提取模块222,用于在Lab空间利用视觉显著性检测算法对火灾图像进行提取;
筛选模块223,用于根据真实火灾RGB图像中R≥G>B的先验知识,对火灾图像进行粗筛选。
请参阅图6,为本发明实施例2提供的图像特征提取单元230的结构示意图,包括:
火灾区域概率计算模块231,以一定大小的窗口在粗筛选区域的外接矩形轮廓内滑动,并结合相邻N帧图像同一区域的信息,计算窗口区域为火灾区域的概率;
可以理解,所述窗口大小可以自定义设置,优选为5×5。
特征图像模块232,利用Gabor滤波器生成8个方向的卷积核,与图像进行卷积操作,得到8个特征图像;
特征提取模块233,根据8个特征图像生成火灾目标特征的自相关矩阵,得到目标特征。
在一些较佳的实施例中,当所述计算窗口区域为火灾区域的概率大于60%,则该窗口区域在计算目标特征时才予以使用。
在一些较佳的实施例中,若当前像素为火点,则其八邻域内至少有3个点为火点,即当前像素点f(x,y),如果其被SVM分类为正样本,标记为1;为负样本,标记为0,则火灾图像的判据可表示如下:
其中,N8(f(i))表示f(i)的8邻域像素。
本发明提供的森林火灾检测系统,根据获取的实时视频图像在Lab空间进行显著性区域筛选得到粗选区域,在所述粗选区域中对火灾图像进行特征提取,利用SVM对正负样本数据进行训练与分类,基于分类结果根据判别准则对森林火灾进行检测,从而提高森林了火灾检测效率;且由于针对小范围的森林图像进行分析,检测发生林火的可能性,能够检测小面积火灾,减少损失。
当然本发明的森林火灾检测方法还可具有多种变换及改型,并不局限于上述实施方式的具体结构。总之,本发明的保护范围应包括那些对于本领域普通技术人员来说显而易见的变换或替代以及改型。
Claims (9)
1.一种森林火灾检测方法,其特征在于,包括下述步骤:
获取实时视频图像;
根据所述视频图像在Lab空间进行显著性区域筛选得到粗选区域;
在所述粗选区域中对火灾图像进行特征提取;
利用SVM对正负样本数据进行训练与分类;及
基于分类结果根据判别准则对森林火灾进行检测。
2.如权利要求1所述的森林火灾检测方法,其特征在于,在Lab空间进行显著性区域筛选的步骤中,包括下述步骤:
将采集的RGB图像转换到Lab空间;
在Lab空间利用视觉显著性检测算法对火灾图像进行提取;
根据真实火灾RGB图像中R≥G>B的先验知识,对火灾图像进行粗筛选。
3.如权利要求1所述的森林火灾检测方法,其特征在于,在所述粗选区域中对火灾图像进行特征提取的步骤中,具体包括下述步骤:
以一定大小的窗口在粗筛选区域的外接矩形轮廓内滑动,并结合相邻N帧图像同一区域的信息,计算窗口区域为火灾区域的概率;
利用Gabor滤波器生成8个方向的卷积核,与图像进行卷积操作,得到8个特征图像;
根据8个特征图像生成火灾目标特征的自相关矩阵,得到目标特征。
4.如权利要求3所述的森林火灾检测方法,其特征在于,所述窗口的大小为5×5。
5.如权利要求3所述的森林火灾检测方法,其特征在于,当所述计算窗口区域为火灾区域的概率大于60%,则该窗口区域在计算目标特征时才予以使用。
6.如权利要求3所述的森林火灾检测方法,其特征在于,在根据判别准则对森林火灾进行检测的步骤中,具体包括下述步骤:
若当前像素为火点,则其八邻域内至少有3个点为火点,即当前像素点f(x,y),如果其被SVM分类为正样本,标记为1;为负样本,标记为0,则火灾图像的判据可表示如下:
其中,N8(f(i))表示f(i)的8邻域像素。
7.一种森林火灾检测系统,其特征在于,包括:
图像获取单元,用于获取实时视频图像;
疑似区域筛选单元,用于根据所述视频图像在Lab空间进行显著性区域筛选得到粗选区域;
图像特征提取单元,用于在所述粗选区域中对火灾图像进行特征提取;
训练分类单元;利用SVM对正负样本数据进行训练与分类;及
判断单元,用于基于分类结果根据判别准则对森林火灾进行检测。
8.如权利要求7所述的森林火灾检测系统,其特征在于,所述疑似区域筛选单元包括:
图像转换模块,用于将采集的RGB图像转换到Lab空间;
提取模块,用于在Lab空间利用视觉显著性检测算法对火灾图像进行提取;
筛选模块,用于根据真实火灾RGB图像中R≥G>B的先验知识,对火灾图像进行粗筛选。
9.如权利要求7所述的森林火灾检测系统,其特征在于,图像特征提取单元包括:
火灾区域概率计算模块,以一定大小的窗口在粗筛选区域的外接矩形轮廓内滑动,并结合相邻N帧图像同一区域的信息,计算窗口区域为火灾区域的概率;
特征图像模块,利用Gabor滤波器生成8个方向的卷积核,与图像进行卷积操作,得到8个特征图像;
特征提取模块,根据8个特征图像生成火灾目标特征的自相关矩阵,得到目标特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811537449.6A CN109766763A (zh) | 2018-12-15 | 2018-12-15 | 一种森林火灾检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811537449.6A CN109766763A (zh) | 2018-12-15 | 2018-12-15 | 一种森林火灾检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109766763A true CN109766763A (zh) | 2019-05-17 |
Family
ID=66451882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811537449.6A Pending CN109766763A (zh) | 2018-12-15 | 2018-12-15 | 一种森林火灾检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766763A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597909A (zh) * | 2020-04-22 | 2020-08-28 | 吉林省大河智能科技有限公司 | 一种基于视觉显著性的火灾检测判断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164587A (zh) * | 2013-04-12 | 2013-06-19 | 南京大学 | 林火蔓延地理元胞自动机仿真方法 |
KR101371647B1 (ko) * | 2011-08-04 | 2014-03-10 | 울산대학교 산학협력단 | 이미지 데이터 기반의 화재 감지 장치 및 그 방법 |
CN108229458A (zh) * | 2017-12-22 | 2018-06-29 | 湖南源信光电科技股份有限公司 | 一种基于运动检测和多特征提取的火焰智能识别方法 |
-
2018
- 2018-12-15 CN CN201811537449.6A patent/CN109766763A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101371647B1 (ko) * | 2011-08-04 | 2014-03-10 | 울산대학교 산학협력단 | 이미지 데이터 기반의 화재 감지 장치 및 그 방법 |
CN103164587A (zh) * | 2013-04-12 | 2013-06-19 | 南京大学 | 林火蔓延地理元胞自动机仿真方法 |
CN108229458A (zh) * | 2017-12-22 | 2018-06-29 | 湖南源信光电科技股份有限公司 | 一种基于运动检测和多特征提取的火焰智能识别方法 |
Non-Patent Citations (2)
Title |
---|
张庆杰 等: "森林防火无人机系统设计与林火识别算法研究", 《电子测量技术》 * |
邓超 等: "多通道奇Gabor梯度相关矩阵的角点检测算法", 《计算机应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597909A (zh) * | 2020-04-22 | 2020-08-28 | 吉林省大河智能科技有限公司 | 一种基于视觉显著性的火灾检测判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Fast forest fire smoke detection using MVMNet | |
US10282622B2 (en) | Marine intrusion detection system and method | |
CN108303747B (zh) | 检查设备和检测枪支的方法 | |
CN110033471B (zh) | 一种基于连通域分析和形态学操作的框线检测方法 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN110046631A (zh) | 用于自动推断时空图像的变化的系统和方法 | |
CN106650600A (zh) | 一种基于视频图像分析的森林烟火检测方法 | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN107766801B (zh) | 一种基于红外热点追踪的绝缘子识别方法及装置 | |
WO2006115676A2 (en) | Video ghost detection by outline | |
CN110852179B (zh) | 基于视频监控平台的可疑人员入侵的检测方法 | |
CN109034038B (zh) | 一种基于多特征融合的火灾识别装置 | |
CN111046728A (zh) | 一种基于特征金字塔网络的秸秆燃烧检测方法 | |
CN114140745A (zh) | 施工现场人员属性检测方法、系统、装置及介质 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
Zhao et al. | Image dehazing based on haze degree classification | |
CN114399734A (zh) | 一种基于视觉信息的森林火灾预警方法 | |
CN114325856A (zh) | 基于边缘计算的输电线异物监测方法 | |
CN109766763A (zh) | 一种森林火灾检测方法及系统 | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
CN102456129A (zh) | 一种安检图像纠偏方法和系统 | |
KR101877173B1 (ko) | 위성영상을 이용한 해안선 검출 시스템 및 방법 | |
Kaliyev et al. | Computer Vision-based Fire Detection using Enhanced Chromatic Segmentation and Optical Flow Model | |
CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190517 |
|
RJ01 | Rejection of invention patent application after publication |