CN111967394A - 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法 - Google Patents

一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法 Download PDF

Info

Publication number
CN111967394A
CN111967394A CN202010832365.6A CN202010832365A CN111967394A CN 111967394 A CN111967394 A CN 111967394A CN 202010832365 A CN202010832365 A CN 202010832365A CN 111967394 A CN111967394 A CN 111967394A
Authority
CN
China
Prior art keywords
image
smoke
grid
pixel
sobel
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.)
Granted
Application number
CN202010832365.6A
Other languages
English (en)
Other versions
CN111967394B (zh
Inventor
程朋乐
娄黎明
秦政
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.)
Beijing Forestry University
Original Assignee
Beijing Forestry University
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 Beijing Forestry University filed Critical Beijing Forestry University
Priority to CN202010832365.6A priority Critical patent/CN111967394B/zh
Publication of CN111967394A publication Critical patent/CN111967394A/zh
Application granted granted Critical
Publication of CN111967394B publication Critical patent/CN111967394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法，针对现有烟雾根节点检测方法无法通过运动检测和灰度检测得出完整烟雾轮廓的问题，提出了一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法，该算法首先通过Sobel算法提取烟雾静态特征，再通过Vibe算法提取烟雾动态特征，并将提取出的特征图像以网格策略相融合，获得烟雾图像，再提取骨骼及骨骼端点，获得烟雾根候选点。该算法通过融合烟雾动静态特征，改进了烟雾边缘和烟雾根部难以被动态提取算法识别的问题，同时简化了烟雾区域提取过程，极大提高了检测效率。

Description

一种基于动静态网格融合策略的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，尤其涉及基于动静态网格融合策略的森林火灾烟雾根节点检测方法。
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。MSER算法的核心思想是基于灰度图像灰度值在一定范围内趋于稳定的特性提取MSER候选区域。而烟雾在动态条件下进行扩散，仅仅在烟雾中心部分灰度值趋于稳定，烟雾边缘灰度值频繁发生变化，导致MSER算法不能完整提取出烟雾轮廓，这种结果直接导致无法提取到正确的烟雾区域，从而无法确定烟雾根节点的位置。
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。该发明在权利要求书“步骤1”图像预处理部分采用了帧间差分算法进行动态背景的提取。对于运动缓慢的烟雾边缘，动态提取效果不明显，而对于烟雾密度极大的烟雾根部，同样会被认定为不变的像素而无法被动态提取，从而导致无法提取到正确的烟雾轮廓，无法确定烟雾根节点的位置。将无法对待检测目标进行烟雾根节点的提取和流体力学模拟的计算。
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。该发明在烟雾源(燃烧源)提取过程中(权利要求书第一步、第二步)同样需要对烟雾候选区的连通域采取计算，并采用了帧间差分的动态区域提取算法。但该方法同样会出现因烟雾源根部烟雾密度大且均匀，使得烟雾源根部无法被提取出来的缺陷。若未能成功提取到待检测烟雾的候选区域，该专利提出的山崩算法将无法分割出崩塌计算的山崖区域，导致检测失败。
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。
中北大学计算机与控制工程学院提出一种基于梯度和Vibe算法的运动检测算法(王丹，樊永生，王秀川，一种基于梯度和Vibe算法的运动检测算法，视频应用与工程，2017,41(3)：100-104.)，该文章通过对梯度图进行运动检测，得到前景像素，检测运动目标。这种方法既不能弥补梯度算法会带来大量背景干扰的缺点，也无法弥补动态提取无法提取到运动物体完整轮廓的缺点，无法用于森林火灾烟雾检测，而直接相与的融合方式更是无法提取出正确的烟雾区域。
中国科学院大学计算机与控制工程学院提出一种基于优化的Sobel和Vibe的运动检测算法(ZHANG Yujia,ZHAO Xiaoguang,TAN Min,Motion Detection Based onImproved Sobel and Vibe Algorithm,Proceeding of the 35th Chinese ControlConference,July 27-29,2016,Chnegdu,China:4144-4148.),该文章通过基于Otsu改进的Sobel算法提取出边缘并填充，用以填充前景像素的缝隙，达到对高速公路上行驶的车辆的检测，该算法对运动中的车辆具有良好的检测效果，但是该算法对前期动态提取和边缘提取的准确度和清晰度都有极大的要求车辆具有清晰的边缘和运动特征，而森林火灾早期烟雾既无明显的边缘轮廓，也无清晰的运动轨迹，是无法通过动态检测算法检测出完整的烟雾区域，也无法通过梯度检测算法检测出完整轮廓，因此该算法同样不适用于森林火灾早期烟雾的检测。
发明内容
基于以上问题本发明提供了一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法，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，烟雾轮廓提取，对获得的单通道灰度帧图像用Sobel算法提取静态轮廓；Sobel算法的计算方法为,首先求解图像像素x方向梯度，当梯度大于设定的阈值时，认定该点为边缘点，遍历像素后获得烟雾竖直方向的边缘；其次求解图像像素y方向的梯度，当梯度大于设定阈值时，认定该点为边缘点，遍历像素后获得烟雾水平方向的边缘，最后，合并梯度，将竖直方向边缘图与水平方向边缘线性相加，获得该帧图像的Sobel轮廓图像，并对提取出的Sobel图像进行二值化，腐蚀操作，以过滤背景轮廓噪声；
第三步，动态区域提取，对第一步中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；
第四步，图像融合，将每帧Sobel图像与该帧对应的Vibe图像进行融合，融合方法为，对每帧原始图像所对应的两帧图像进行网格分割操作，网格大小为20*20像素，每张图像共有24*16个网格区域，计算各个网格对应的Sobel图像与Vibe图像的像素值之和，以选定不同网格区域的融合方式进行图像融合；
第五步，骨骼图像提取，对融合得到的单通道二值化连通域进行骨骼图像提取，并计算骨骼图相端点坐标，即为当前帧图像的烟雾根候选点坐标。
第二步中，Sobel静态轮廓提取算法提取静态烟雾轮廓图像，具体执行方法为：
步骤201，以单通道灰度图格式读入当前帧，遍历像素并分别对x方向和y方向进行梯度求导，得到x方向与y方向的静态轮廓图像；
步骤202，将x方向轮廓图像像素灰度值Gx与y方向轮廓图像的像素灰度值Gy线性相加，由于森林火灾初始烟雾往往为向上飘散的不规则烟雾，因此x方向梯度所影响的竖直方向烟雾边界比y方向梯度所影响的水平方向烟雾边界更为重要，因此x方向梯度给予更大的比重，获得当前帧的轮廓图像像素G，计算公式如下：
|G|＝0.75×|Gx|+0.25×|Gy| (1)
步骤203，将得到的轮廓图像进行形态学操作，腐蚀操作处理，腐蚀核为3*3，森林场景中树木轮廓难以辨认，无法被Sobel提取出来，较小的腐蚀核即可过滤掉背景中树木轮廓，获得更清晰的烟雾轮廓图像。
Sobel静态轮廓图像与Vibe动态区域图像的融合算法具体执行方法为:
步骤401，建立一个与初始图像大小相等，格式一致，像素值全为0的模板图像Model；
步骤402，将生成的Sobel静态轮廓图像与Vibe动态区域图像进行配对操作，此时获得的Sobel轮廓图像也许依旧存在没有被过滤掉的背景像素，而Vibe图像也存在着烟雾边缘像素移动缓慢，不能提取出完整的烟雾区域的问题，需要对对应同一张输入帧图像的Sobel静态轮廓图像和Vibe动态区域图像进行融合。对对应的两个图像进行网格分割操作，网格大小为20*20像素，每张图片共有24*16个网格区域，这样既能保证辨别出烟雾区域与背景区域，又控制了计算量；
步骤403，遍历网格，计算每个网格的像素之和，numS(i,j)表示Sobel图像位于(i,j)位置的网格像素和，numV(i,j)表示Vibe图像位于(i,j)位置的网格像素和，融合条件公式如下：
Figure BDA0002638458830000051
其中Area_Sobel(i,j)为Sobel图像位于(i,j)位置的小区域，Area_Vibe(i,j)为Sobel图像位于(i,j)位置的小区域，由于每张图共有网格24*16个，即imax＝24，jmax＝16，Area_Model(i,j)为模板图像位于(i,j)位置的小区域，当且仅当两张图像对应网格区域的像素值和均不为零时，认定该网格区域为烟雾区域，否则，认定为背景区域，对背景区域采用全部置0的操作方式，而仅对烟雾区域进行策略性融合，融合策略公式如下：
Figure BDA0002638458830000061
其中M(i,j)(m,n)表示模板图像位于(i,j)区域的网格的像素坐标，S(i,j)(m,n)表示Sobel图像位于(i,j)区域的网格的像素坐标，V(i,j)(m,n)表示Vibe图像位于(i,j)区域的网格的像素坐标，对被认定为烟雾区域的网格采用以像素为单位的融合策略，当两张图像对应网格区域的对应像素点有一方不为0，或双方均不为0时，将该像素点的像素置为255，若两张图片对应网格区域的对应像素均为0，则认定该像素为烟雾区域的非烟雾像素点，即背景像素；
步骤404，将融合后的图像显示在模板图像上，再次二值化操作，即得到融合后的烟雾特征图像。
本文的有益效果在于：通过对源视频帧图像分别进行Sobel算法和Vibe算法，获得Sobel静态轮廓图像与Vibe动态区域图像，根据森林火灾烟雾的特点调整Sobel算法的参数，并将Sobel静态轮廓图像与Vibe动态区域图像以针对森林火灾烟雾特点的网格融合策略相融合，获得更为精确的烟雾候选区域。该方法不仅弥补了动态提取算法在识别烟雾时难以捕捉运动缓慢的烟雾边缘的缺点，又弥补了高密度的烟雾底端同样不易被动态提取算法识别的缺点，同时还简化了烟雾区域提取的过程，仅对单帧图片所对应的Sobel图像及Vibe图像进行处理即可获得烟雾根候选区，极大的提升了计算效率。
附图说明
图1为本发明计算过程中的计算流程图；
图2为本发明计算过程中的结果示意图；
图3为本发明计算过程中的图像融合流程图。
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当前帧，遍历像素并分别对x方向和y方向进行梯度求导，得到x方向与y方向的静态轮廓图像；
步骤202，将x方向轮廓图像像素灰度值Gx与y方向轮廓图像的像素灰度值Gy线性相加，由于森林火灾初始烟雾往往为向上飘散的不规则烟雾，因此x方向梯度所影响的竖直方向烟雾边界比y方向梯度所影响的水平方向烟雾边界更为重要，因此x方向梯度给予更大的比重，获得当前帧的轮廓图像像素G，计算公式如下：
|G|＝0.75×|Gx|+0.25×|Gy| (1)
步骤203，将得到的轮廓图像进行形态学操作，腐蚀操作处理，腐蚀核为3*3，森林场景中树木轮廓难以辨认，无法被Sobel提取出来，较小的腐蚀核即可过滤掉背景中树木轮廓，获得更清晰的烟雾轮廓图像。
步骤301，对第一步获得的单通道灰度图像通过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。
步骤401，建立一个与初始图像大小相等，格式一致，像素值全为0的模板图像Model；
步骤402，将生成的Sobel静态轮廓图像与Vibe动态区域图像进行配对操作，此时获得的Sobel静态轮廓图像也许依旧存在没有被过滤掉的背景像素，而Vibe图像也存在着烟雾边缘像素移动缓慢，不能提取出完整的动态烟雾区域的问题，需要对对应同一张输入帧图像的Sobel静态轮廓图像和Vibe动态区域图像进行融合。对对应的两个图像进行网格分割操作，网格大小为20*20像素，每张图片共有24*16个网格区域，这样既能保证辨别出烟雾区域与背景区域，又控制了计算量；
步骤403，遍历网格，计算每个网格的像素之和，numS(i,j)表示Sobel图像位于(i,j)位置的网格像素和，numV(i,j)表示Vibe图像位于(i,j)位置的网格像素和，融合条件公式如下：
Figure BDA0002638458830000081
其中Area_Sobel(i,j)为Sobel图像位于(i,j)位置的小区域，Area_Vibe(i,j)为Sobel图像位于(i,j)位置的小区域，由于每张图共有网格24*16个，即imax＝24，jmax＝16，Area_Model(i,j)为模板图像位于(i,j)位置的小区域，当且仅当两张图像对应网格区域的像素值和均不为零时，认定该网格区域为烟雾区域，否则，认定为背景区域，对背景区域采用全部置0的操作方式，而仅对烟雾区域进行策略性融合，融合策略公式如下：
Figure BDA0002638458830000082
其中M(i,j)(m,n)表示模板图像位于(i,j)区域的网格的像素坐标，S(i,j)(m,n)表示Sobel图像位于(i,j)区域的网格的像素坐标，V(i,j)(m,n)表示Vibe图像位于(i,j)区域的网格的像素坐标，对被认定为烟雾区域的网格采用以像素为单位的融合策略，当两张图像对应网格区域的对应像素点有一方不为0，或双方均不为0时，将该像素点的像素置为255，若两张图片对应网格区域的对应像素均为0，则认定该像素为烟雾区域的非烟雾像素点，即背景像素；
步骤404，将融合后的图像显示在模板图像上，再次二值化操作，即得到融合后的烟雾特征图像。
步骤501，对获得的烟雾特征图像闭操作获得连通域；
步骤502，对连通图像进行骨骼提取，得出当前图像的骨骼图像，骨骼图像计算过程中，提取条件如下：
1)2×255≤B(P1)≤6×255
2)A(P1)＝1
3)P2×P4×P6＝0
4)P4×P6×P8＝0
其中P1为中心像素值，Pi,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Pi为中心，邻域像素之和在2*255和6*255之间，A(Pi)表示以像素Pi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503，对提取完毕的骨骼图像进行骨骼端点提取计算，设定P为当前骨骼图像上的骨骼点，对P周围360°分布的8个像素点值进行像素值判定，若有且仅有一个像素点像素值与P点相同，则P点即为符合条件的烟雾根候选点。

Claims (3)

1.一种基于动静态网格融合策略的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，烟雾轮廓提取，对获得的单通道灰度帧图像用Sobel算法提取静态轮廓；Sobel算法的计算方法为,首先求解图像像素x方向梯度，当梯度大于设定的阈值时，认定该点为边缘点，遍历像素后获得烟雾竖直方向的边缘；其次求解图像像素y方向的梯度，当梯度大于设定阈值时，认定该点为边缘点，遍历像素后获得烟雾水平方向的边缘，最后，合并梯度，将竖直方向边缘图与水平方向边缘线性相加，获得该帧图像的Sobel轮廓图像，并对提取出的Sobel图像进行二值化，腐蚀操作，以过滤背景轮廓噪声；
第三步，动态区域提取，对第一步中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；
第四步，图像融合，将每帧Sobel图像与该帧对应的Vibe图像进行融合，融合方法为，对每帧原始图像所对应的两帧图像进行网格分割操作，网格大小为20*20像素，每张图像共有24*16个网格区域，计算各个网格对应的Sobel图像与Vibe图像的像素值之和，以选定不同网格区域的融合方式进行图像融合；
第五步，骨骼图像提取，对融合得到的单通道二值化连通域进行骨骼图像提取，并计算骨骼图相端点坐标，即为当前帧图像的烟雾根候选点坐标。
2.根据权利要求1所述的一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法，其特征在于所述第二步中的Sobel静态轮廓提取算法提取静态烟雾轮廓图像，具体执行方法为：
步骤201，以单通道灰度图格式读入当前帧，遍历像素并分别对x方向和y方向进行梯度求导，得到x方向与y方向的轮廓图像；
步骤202，将x方向轮廓图像像素灰度值Gx与y方向轮廓图像的像素灰度值Gy线性相加，由于森林火灾初始烟雾往往为向上飘散的不规则烟雾，因此x方向梯度所影响的竖直方向烟雾边界比y方向梯度所影响的水平方向烟雾边界更为重要，因此x方向梯度给予更大的比重，获得当前帧的轮廓图像像素G，计算公式如下：
|G|＝0.75×|Gx|+0.25×|Gy| (1)
步骤203，将得到的轮廓图像进行形态学操作，腐蚀操作处理，腐蚀核为3*3，森林场景中树木轮廓难以辨认，无法被Sobel提取出来，较小的腐蚀核即可过滤掉背景中树木轮廓，获得更清晰的烟雾轮廓图像。
3.根据权利要求1所述的一种基于动静态网格融合的森林火灾烟雾根节点检测方法，其特征在于所述第四步中的Sobel静态特征图像与Vibe动态特征图像的融合算法，其具体执行方法为：
步骤401，建立一个与初始图像大小相等，格式一致，像素值全为0的模板图像Model；
步骤402，将生成的Sobel静态轮廓图像与Vibe动态区域图像进行配对操作，此时获得的Sobel静态轮廓图像也许依旧存在没有被过滤掉的背景像素，而Vibe图像也存在着烟雾边缘像素移动缓慢，不能提取出完整的动态烟雾区域的问题，需要对对应同一张输入帧图像的Sobel静态轮廓图像和Vibe动态区域图像进行融合。对对应的两个图像进行网格分割操作，网格大小为20*20像素，每张图片共有24*16个网格区域，这样既能保证辨别出烟雾区域与背景区域，又控制了计算量；
步骤403，遍历网格，计算每个网格的像素之和，numS(i,j)表示Sobel图像位于(i,j)位置的网格像素和，numV(i,j)表示Vibe图像位于(i,j)位置的网格像素和，融合条件公式如下：
Figure FDA0002638458820000031
其中Area_Sobel(i,j)为Sobel图像位于(i,j)位置的小区域，Area_Vibe(i,j)为Sobel图像位于(i,j)位置的小区域，由于每张图共有网格24*16个，即imax＝24，jmax＝16，Area_Model(i,j)为模板图像位于(i,j)位置的小区域，当且仅当两张图像对应网格区域的像素值和均不为零时，认定该网格区域为烟雾区域，否则，认定为背景区域，对背景区域采用全部置0的操作方式，而仅对烟雾区域进行策略性融合，融合策略公式如下：
Figure FDA0002638458820000032
其中M(i,j)(m,n)表示模板图像位于(i,j)区域的网格的像素坐标，S(i,j)(m,n)表示Sobel图像位于(i,j)区域的网格的像素坐标，V(i,j)(m,n)表示Vibe图像位于(i,j)区域的网格的像素坐标，对被认定为烟雾区域的网格采用以像素为单位的融合策略，当两张图像对应网格区域的对应像素点有一方不为0，或双方均不为0时，将该像素点的像素置为255，若两张图片对应网格区域的对应像素均为0，则认定该像素为烟雾区域的非烟雾像素点，即背景像素；
步骤404，将融合后的图像显示在模板图像上，再次二值化操作，即得到融合后的烟雾特征图像。
CN202010832365.6A 2020-08-18 2020-08-18 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法 Active CN111967394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010832365.6A CN111967394B (zh) 2020-08-18 2020-08-18 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010832365.6A CN111967394B (zh) 2020-08-18 2020-08-18 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法

Publications (2)

Publication Number Publication Date
CN111967394A true CN111967394A (zh) 2020-11-20
CN111967394B CN111967394B (zh) 2024-05-17

Family

ID=73388280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010832365.6A Active CN111967394B (zh) 2020-08-18 2020-08-18 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法

Country Status (1)

Country Link
CN (1) CN111967394B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113190031A (zh) * 2021-04-30 2021-07-30 成都思晗科技股份有限公司 基于无人机的森林火灾自动拍照跟踪方法、装置及系统
CN113538357A (zh) * 2021-07-09 2021-10-22 同济大学 一种抗阴影干扰的路面状态在线检测方法
CN113793470A (zh) * 2021-08-09 2021-12-14 上海腾盛智能安全科技股份有限公司 一种基于动态图像探测分析的探测装置
CN114119754A (zh) * 2021-12-08 2022-03-01 北京林业大学 基于连通粒的像素级火灾烟雾根节点检测方法
CN116824166A (zh) * 2023-08-29 2023-09-29 南方电网数字电网研究院有限公司 输电线路烟雾识别方法、装置、计算机设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824070A (zh) * 2014-03-24 2014-05-28 重庆邮电大学 一种基于计算机视觉的快速行人检测方法
WO2018068311A1 (zh) * 2016-10-14 2018-04-19 富士通株式会社 背景模型的提取装置、交通拥堵状况检测方法和装置
KR101869442B1 (ko) * 2017-11-22 2018-06-20 공주대학교 산학협력단 화재 감지 장치 및 방법
CN110135374A (zh) * 2019-05-21 2019-08-16 吉林大学 采用图像块特征识别与回归分类的火灾烟雾检测方法
CN110166781A (zh) * 2018-06-22 2019-08-23 腾讯科技（深圳）有限公司 一种视频编码方法、装置和可读介质
CN110309808A (zh) * 2019-07-09 2019-10-08 北京林业大学 一种大范围尺度空间下的自适应烟雾根节点检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824070A (zh) * 2014-03-24 2014-05-28 重庆邮电大学 一种基于计算机视觉的快速行人检测方法
WO2018068311A1 (zh) * 2016-10-14 2018-04-19 富士通株式会社 背景模型的提取装置、交通拥堵状况检测方法和装置
KR101869442B1 (ko) * 2017-11-22 2018-06-20 공주대학교 산학협력단 화재 감지 장치 및 방법
CN110166781A (zh) * 2018-06-22 2019-08-23 腾讯科技（深圳）有限公司 一种视频编码方法、装置和可读介质
CN110135374A (zh) * 2019-05-21 2019-08-16 吉林大学 采用图像块特征识别与回归分类的火灾烟雾检测方法
CN110309808A (zh) * 2019-07-09 2019-10-08 北京林业大学 一种大范围尺度空间下的自适应烟雾根节点检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨丹;戴芳;: "运动目标检测的ViBe算法改进", 中国图象图形学报, no. 12, 16 December 2018 (2018-12-16) *
林宏;刘志刚;赵同林;张雁: "基于视频的林火烟雾识别算法研究", 安全与环境学报, vol. 13, no. 2, 25 April 2013 (2013-04-25) *
郑鑫;高宇;陈锋;程朋乐;: "基于高斯混合模型林火"烟雾根"的识别", 林业和草原机械, no. 01, 29 February 2020 (2020-02-29) *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113190031A (zh) * 2021-04-30 2021-07-30 成都思晗科技股份有限公司 基于无人机的森林火灾自动拍照跟踪方法、装置及系统
CN113538357A (zh) * 2021-07-09 2021-10-22 同济大学 一种抗阴影干扰的路面状态在线检测方法
CN113793470A (zh) * 2021-08-09 2021-12-14 上海腾盛智能安全科技股份有限公司 一种基于动态图像探测分析的探测装置
CN114119754A (zh) * 2021-12-08 2022-03-01 北京林业大学 基于连通粒的像素级火灾烟雾根节点检测方法
CN114119754B (zh) * 2021-12-08 2024-04-05 北京林业大学 基于连通粒的像素级火灾烟雾根节点检测方法
CN116824166A (zh) * 2023-08-29 2023-09-29 南方电网数字电网研究院有限公司 输电线路烟雾识别方法、装置、计算机设备和存储介质
CN116824166B (zh) * 2023-08-29 2024-03-08 南方电网数字电网研究院股份有限公司 输电线路烟雾识别方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN111967394B (zh) 2024-05-17

Similar Documents

Publication Publication Date Title
CN111967394A (zh) 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法
CN108665487B (zh) 基于红外和可见光融合的变电站作业对象和目标定位方法
CN110517288A (zh) 基于全景多路4k视频图像的实时目标检测跟踪方法
CN108009529B (zh) 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
CN110874592B (zh) 一种基于总有界变分的森林火灾烟雾图像检测方法
CN105260749B (zh) 基于方向梯度二值模式和软级联svm的实时目标检测方法
CN106023245B (zh) 基于中智集相似度量测的静态背景下运动目标检测方法
CN112115878A (zh) 一种基于烟雾区域密度的森林火灾烟雾根节点检测方法
CN106991686B (zh) 一种基于超像素光流场的水平集轮廓跟踪方法
CN110263794B (zh) 基于数据增强的目标识别模型的训练方法
CN110647836B (zh) 一种鲁棒的基于深度学习的单目标跟踪方法
CN105869174B (zh) 一种天空场景图像分割方法
CN109410512B (zh) 一种基于最小二乘法的烟雾根节点检测方法
CN112115875A (zh) 一种基于动静态结合区域层叠策略森林火灾烟雾根检测方法
CN106934819A (zh) 一种提高图像中运动物体检测精度的方法
CN110210428A (zh) 一种基于mser的远距离复杂环境下的烟雾根节点检测方法
CN111753693B (zh) 一种静态场景下目标检测方法
CN112364865A (zh) 一种复杂场景中运动小目标的检测方法
CN103729828A (zh) 视频去雨方法
CN103793921B (zh) 一种运动目标提取方法及装置
CN110728700B (zh) 一种运动目标追踪方法、装置、计算机设备及存储介质
CN103209321B (zh) 一种视频背景快速更新方法
CN113657264A (zh) 基于暗通道和knn算法融合的森林火灾烟雾根节点检测方法
CN111914818A (zh) 一种基于多帧离散置信度森林火灾烟雾根节点检测方法
JP7078295B2 (ja) 変状検出装置、変状検出方法、及びプログラム

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
GR01 Patent grant
GR01 Patent grant