CN111914818A - 一种基于多帧离散置信度森林火灾烟雾根节点检测方法 - Google Patents

Abstract

本发明公开了一种基于多帧离散置信度森林火灾烟雾根节点检测方法。通过对源视频帧图像进行Vibe算法，获Vibe动态区域图像，获得连通域和烟雾骨骼图像，通过离散的选择多帧非连续骨骼端点图像，并对其进行层叠搜索策略，计算每帧骨骼端点图像搜索结果的离散度，选择具有较大置信度的基帧图像，再对基帧骨骼端点图像再次进行层叠搜索策略，选择具有较大置信度的骨骼端点，并认定其为烟雾根节点。该方法不仅弥补了现有烟雾根节点检测方法只能获得数量较多的烟雾根节点候选点，即骨骼端点，而无法得到真实的烟雾根节点的缺点，而且由于加入了双层置信度选择过程，使得获得的烟雾根节点具有较高的置信度。

Description

一种基于多帧离散置信度森林火灾烟雾根节点检测方法

技术领域

本发明属于森林防火和视频目标检测领域，尤其涉及一种基于视频的烟雾源根节点检测方法。

背景技术

由于森林的特殊性，森林火灾一旦引发，很容易在风力推动下迅速蔓延，由于森林的面积较大，火灾发生时不一定能及时发现，发现火灾时往往已经蔓延了相当宽的距离，此时森林火灾的扑救也存在相当大的难度，森林火灾往往会造成巨大的资源损毁，因此对森林火灾的早期识别十分重要。烟雾是森林火灾的早期的明显特征，森林火灾早期烟雾往往为向上飘散的不规则形状，越是向上，烟雾越稀薄，越是难以被检测出，但早期烟雾的源头的位置往往是确定的，较短时间内是不变的，基于此原理，通过烟雾的分布形态确定烟雾源的位置成为重要的突破口之一。

专利申请号为201910490504.9，发明名称为“一种基于MSER的远距离复杂环境下的烟雾根节点检测方法”的中国专利。该发明在采用MSER算法对远距离烟雾场景进行候选区域提取，并通过角点提取算法和凸包检测算法对图像中可能存在干扰项进行排除，然后通过骨骼提取算法对候选区域提取烟雾根节点候选点，最后采用连续帧的帧间信息提取出烟雾根节点。

专利申请号为201711440134，发明名称为“一种基于特征根和流体力学的森林火灾烟视频目标检测方法”的中国专利。该发明通过提取视频中连续帧图像进行动态提取，在通过形态学算法岁动态区域进行连通区域骨骼化，提取连续帧骨骼端点中可以的烟雾根特征候选点，再将其投入二维烟雾引擎以判定。

专利申请号为201811318766，发明名称为“一种基于最小二乘法的烟雾根节点检测方法”的中国专利。该发明通过连续帧图像中连通域分布情况进行连通域替代点的统计计算，得出在连续图像中持续存在的动态区域，通过回归算法得持续存在的动态区域的相交点，采用连续三帧图片得出计算结果，确定烟雾源。

专利申请号为201910613683.0，发明名称为“一种大范围尺度空间下的自适应烟雾根节点检测方法”的中国专利。该发明在说明书“步骤401-步骤411”中采用了基于贝叶斯理论的图像融合方法，该方法以4张Vibe图像以及3张MSER图像为基础，采用分区网格的形式对图像进行概率统计。计算每个网格区域的融合概率后，对超过阈值概率的区域进行融合计算，得出融合图像。该算法的应用背景为烟雾根检测算法，对连续帧间持续存在信息的连贯性要求较高。根据其融合算法的计算原理，该算法最多可以包含连续7帧的图像信息，并且每轮计算需要对10*10网格区域内的所有像素点进行遍历统计。这种计算过程对多帧图像是不友好的，即便是最小单位的连续帧图像计算出根节点也需要极大的计算量。并且为了保证算法的运行速度，其包含连续帧图像的数量不允许过多，存在很大的局限性。

以上发明均存在一个共同的不足之处，即均以连续帧骨骼图像确定烟雾根节点信息，尽管烟雾根节点是不随时间变化的点，但连续帧时间差过短，不足以使烟雾形态发生明显变化，而干扰点在连续的三到五帧内也不足以产生超过设定阈值的位置移动，会导致在确定烟雾根节点的过程中，大量干扰点无法被过滤掉，过多的烟雾根候选点伴随真正的烟雾根节点同时进入后面的二维物理引擎，增大了计算量，降低了运算效率，而在获得烟雾区域之后，如何最大程度合理的减少烟雾根候选点的数量，也是一个重要的问题。

发明内容

基于以上问题，本发明提供了一种基于多帧离散置信度烟雾森林火灾根节点检测方法，能够通过对原视频帧图像对烟雾源根节点进行定位。

该方法基本步骤如下：

第一步，视频信息预处理，通过采集固定摄像头的连续帧烟雾图像，进行帧图像提取，并通过基本的图像处理方法，得到特定尺寸的单通道灰度图像；

第二步，烟雾动态区域提取，对获得的单通道灰度帧图像通过Vibe算法进行动态区域提取，获得该帧图像的Vibe动态区域图像；

第三步，对得到的vibe图像进行闭操作，形成连通域；

第四步，对连通域进行骨骼提取。得到全部帧的烟雾骨骼图像；

第五步，在全部骨骼图像帧中以特定间隔均匀选取10张骨骼图像，并提取骨骼端点，得到十个骨骼端点点集，并对每个骨骼端点点集中的每个骨骼端点分别执行骨骼端点层叠搜索策略。获得每帧图像上的骨骼端点对应搜索结果整数集；

第六步，对获得的10帧图像所对应的10个整数集求离散度，并选择离散因子最大的骨骼帧为基帧，认为真实的烟雾根节点出现在该帧图像上的概率最大，对选择出来的基帧骨骼图像再次进行层叠搜索，获取每个骨骼端点所搜索到的像素点数量，将大于设定阈值TH的骨骼端点认定为具有较高置信度的烟雾根节点；

第五步中，10帧烟雾骨骼端点图像执行层叠搜索策略，具体执行方法为：

步骤501，对上一步获得的全部烟雾骨骼图像，以每25帧抽取一帧的频率获得10帧烟雾骨骼图像作为待处理骨骼图像集；

步骤502，对骨骼图像集中每一帧骨骼图像转换为骨骼端点图像，将以上的端点信息通过坐标投影的方式在一幅单通道模板图像上进行叠加，获得具有所有骨骼端点的模板图像；

步骤503，分别对每一帧骨骼端点图像上的每个端点在投影完毕的模板图像上执行搜索统计策略，得到统计个数集，其搜索策略为：

对于搜索点坐标(i,j)，以R＝5为半径在模板图像上进行搜索，每搜索到一个像素点，计数值加1，获得一个二维整数组M[N][m]，N的取值为1-10，代表第N帧，m的取值上限为第N帧的骨骼端点数量，表示第N帧的第m个骨骼端点，M[N][m]表示第N帧第m个骨骼端点层叠搜索到的像素个数；

离散因子判定基帧图像及对基帧图像再次进行层叠搜索策略获得具有较高置信度的烟雾根节点，具体执行方法为:

步骤601，将生成的二维整数组看做10个整数集，对应10帧骨骼端点图像，对每一个整数集求离散因子，离散因子K的定义方法为：

步骤602，选择离散因子值最大的骨骼图相帧作为基帧，认为真实的烟雾根节点出现在该帧图像上的概率最大，并对基帧上的骨骼端点再次对模板图像进行层叠搜索，获得基帧骨骼端点所对应的搜索结果整数集，将搜索结果大于阈值TH＝5的像素点，即至少在5帧骨骼端点图像中被搜索到的点认定为有较高置信度的烟雾根节点，并将其画圈标注。

本文的有益效果在于：通过对源视频帧图像进行Vibe算法，获的Vibe动态区域图像，进一步获得连通域和烟雾骨骼图像，通过离散的选择多帧非连续骨骼端点图像，并对其进行层叠搜索策略，计算每帧骨骼端点图像搜索结果的离散度，选择具有较大置信度的基帧图像，再对基帧骨骼端点图像再次进行层叠搜索策略，选择具有较大置信度的骨骼端点，并认定其为烟雾根节点。该方法不仅弥补了现有烟雾根节点检测方法只能获得数量较多的烟雾根节点候选点，即骨骼端点，而无法得到真实的烟雾根节点的缺点，而且由于加入了双层置信度选择过程，使得获得的烟雾根节点具有较高的置信度，是一个烟雾根检测领域的重大突破，极大的提升了结果的正确率和计算效率。

附图说明

图1为本发明计算过程中的计算流程图。

具体实施方式

参照附图，通过下面文本说明书，本发明的前述以及其他的特征将变得明显。在说明书和附图中，具体公开了本发明的特定实施方式，其表明了其中可以采用文本发明的原则部分实施方式，应了解的是，本发明不限于所描述的实施方式，相反，本发明包括落入所附权利要求的范围内的全部修改、变形以及等同物。

步骤101，视频信息预处理，通过采集固定摄像头的连续帧烟雾图像，进行帧图像提取，对帧图像进行单通道灰度化处理，并裁剪为480*320像素，获得单通道灰度图像；

步骤201，以单通道灰度图格式读入每一帧，通过Vibe算法进行动态区域提取，获得每一帧图像的Vibe动态区域图像。

步骤301，对得到的每一帧vibe图像进行闭操作，形成连通域。

步骤401，对每一帧连通域图像进行骨骼提取，得到每帧图像的骨骼图像，骨骼图像计算过程中，提取条件如下：

其中P₁为中心像素值，P_i,i＝2,3,...,9，为以P₁为中心从像素12点方向开始顺时针排列的临域像素值，B_(Pi)表示以像素P_i为中心，邻域像素之和在2*255和6*255之间，A_(Pi)表示以像素P_i为中心，临域8枚像素中按照顺时针方向，相邻两个像素出现0至255变化的次数。

步骤501，对上一步获得的全部烟雾骨骼图像，以每25帧抽取一帧的频率获得10帧烟雾骨骼图像作为待处理骨骼图像集；

步骤502，对骨骼图像集中每一帧骨骼图像转换为骨骼端点图像，将以上的端点信息通过坐标投影的方式在一幅单通道模板图像上进行叠加，获得具有所有骨骼端点的模板图像；

步骤503，分别对每一帧骨骼端点图像上的每个端点在投影完毕的模板图像上执行搜索统计策略，得到统计个数集，其搜索策略为：

对于搜索点坐标(i,j)，以R＝5为半径在模板图像上进行搜索，每搜索到一个像素点，计数值加1，获得一个二维整数组M[N][m]，N的取值为1-10，代表第N帧，m的取值上限为第N帧的骨骼端点数量，表示第N帧的第m个骨骼端点，M[N][m]表示第N帧第m个骨骼端点层叠搜索到的像素个数；

步骤601，将生成的二维整数组看做10个整数集，对应10帧骨骼端点图像，对每一个整数集求离散因子，离散因子K的定义方法为：

步骤602，选择离散因子值最大的骨骼图相帧作为基帧，认为真实的烟雾根节点出现在该帧图像上的概率最大，并对基帧上的骨骼端点再次对模板图像进行层叠搜索，获得基帧骨骼端点所对应的搜索结果整数集，将搜索结果大于阈值TH＝5的像素点，即至少在5帧骨骼端点图像中被搜索到的点认定为有较高置信度的烟雾根节点，并将其画圈标注。

Claims (3)

1.一种基于多帧离散置信度森林火灾烟雾根节点检测方法，其特征在于，包含以下步骤：

第一步，视频信息预处理，通过采集固定摄像头的连续帧烟雾图像，进行帧图像提取，并通过基本的图像处理方法，得到特定尺寸的单通道灰度图像；

第二步，烟雾动态区域提取，对获得的单通道灰度帧图像通过Vibe算法进行动态区域提取，获得该帧图像的Vibe动态区域图像；

第三步，对得到的vibe图像进行闭操作，形成连通域；

第四步，对连通域进行骨骼提取，得到全部帧的烟雾骨骼图像；

第五步，在全部骨骼图像帧中以特定间隔均匀选取10张骨骼图像，并提取骨骼端点，得到十个骨骼端点点集，并对每个骨骼端点点集中的每个骨骼端点分别执行骨骼端点层叠搜索策略，获得每帧图像上的骨骼端点对应搜索结果整数集；

第六步，对获得的10帧图像所对应的10个整数集求离散度，并选择离散因子最大的骨骼帧为基帧，认为真实的烟雾根节点出现在该帧图像上的概率最大，对选择出来的基帧骨骼图像再次进行层叠搜索，获取每个骨骼端点所搜索到的像素点数量，将大于设定阈值TH的骨骼端点认定为具有较高置信度的烟雾根节点。

2.根据权利要求1所述的一种基于多帧离散置信度森林火灾烟雾根节点检测方法，其特征在于所述第五步中的选取10帧骨骼端点，并对其执行层叠搜索策略，具体执行方法为：

步骤501，对上一步获得的全部烟雾骨骼图像，以每25帧抽取一帧的频率获得10帧烟雾骨骼图像作为待处理骨骼图像集；

步骤502，对骨骼图像集中每一帧骨骼图像转换为骨骼端点图像，将以上的端点信息通过坐标投影的方式在一幅单通道模板图像上进行叠加，获得具有所有骨骼端点的模板图像；

步骤503，分别对每一帧骨骼端点图像上的每个端点在投影完毕的模板图像上执行搜索统计策略，得到统计个数集，其搜索策略为：

对于搜索点坐标(i,j)，以R＝5为半径在模板图像上进行搜索，每搜索到一个像素点，计数值加1，获得一个二维整数组M[N][m]，N的取值为1-10，代表第N帧，m的取值上限为第N帧的骨骼端点数量，表示第N帧的第m个骨骼端点，M[N][m]表示第N帧第m个骨骼端点层叠搜索到的像素个数。

3.根据权利要求1所述的一种基多帧离散置信度森林火灾烟雾根节点检测方法，其特征在于所述第六步中的离散因子判定，其具体执行方法为：

步骤601，将生成的二维整数组看做10个整数集，对应10帧骨骼端点图像，对每一个整数集求离散因子，离散因子K的定义方法为：

步骤602，选择离散因子值最大的骨骼图相帧作为基帧，认为真实的烟雾根节点出现在该帧图像上的概率最大，并对基帧上的骨骼端点再次对模板图像进行层叠搜索，获得基帧骨骼端点所对应的搜索结果整数集，将搜索结果大于阈值TH＝5的像素点，即至少在5帧骨骼端点图像中被搜索到的点认定为有较高置信度的烟雾根节点，并将其画圈标注。

Images