CN112215182A - 一种适用于森林火灾的烟雾识别方法 - Google Patents
一种适用于森林火灾的烟雾识别方法 Download PDFInfo
- Publication number
- CN112215182A CN112215182A CN202011129458.9A CN202011129458A CN112215182A CN 112215182 A CN112215182 A CN 112215182A CN 202011129458 A CN202011129458 A CN 202011129458A CN 112215182 A CN112215182 A CN 112215182A
- Authority
- CN
- China
- Prior art keywords
- smoke
- image
- images
- real
- frame
- 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
Links
- 239000000779 smoke Substances 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 240000001549 Ipomoea eriocarpa Species 0.000 claims abstract description 12
- 235000005146 Ipomoea eriocarpa Nutrition 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000717 retained effect Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 5
- 238000012706 support-vector machine Methods 0.000 description 36
- 238000005286 illumination Methods 0.000 description 8
- 238000009792 diffusion process Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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
Abstract
本发明公开了一种适用于森林火灾的烟雾识别方法,包括步骤:一、构建图像数据库;二、训练并测试SVM;三、构建烟雾自动监测平台;四、图像采集及背景帧图像建模;五、背景差分处理;六、逻辑运算获取运动前景目标;七、森林火灾的烟雾识别。本发明收集了比较容易混淆的普通云雾、朝霞、晚霞、水汽图片进行训练数据量需求少的SVM,过冗余的选取纹理以保证烟雾识别准确性高,通过连续的多帧图像与背景帧图像进行差分运算,有效提取微小运动目标,再对连续的多帧林区实时图像进行逻辑或运算,获取当下所有的运动目标信息,通过对多张或运算后的图像进行逻辑与运算,剔除随机干扰运动目标,得到保留运动前景目标的图像,烟雾识别效果好。
Description
技术领域
本发明属于烟雾识别技术领域,具体涉及一种适用于森林火灾的烟雾识别方法。
背景技术
森林火灾是世界性林业重要灾害之一,具有突发性与随机性,能够在较短的时间内造成较大的损失。森林火灾在全球每年都发生很多起,有的由于发现不及时,最后演变成超大规模的森林火灾,从而造成林业资源的重大损失和全球性环境污染。因此,一旦有火灾发生,就必须以极快的速度采取扑救措施,但是扑救是否及时,完全取决于对森林火灾的发现是否及时。传统的森林火灾监测技术主要包括瞭望台监测、人工巡护监测、飞机航测、卫星监测、红外图像监测、可见光图像监测以及无线传感网监测等。瞭望台监测需要修建瞭望台,需要人实时值守;人工巡护监测需要大量的人力巡逻,容易错过最佳预警时机,同时可能造成额外伤害;飞机航测成本高,连续性差;卫星监测周期长,灵活性差;红外图像监测一般用来监测明火,对于烟雾的预警不起作用;可见光监测成本较低,对热源的敏感度低于红外监测,主要使用了运动特征和颜色特征,受光强变化影响较大,在实际使用过程中容易误检测;无线传感网能达到红外的敏感度但布防太困难。
因此,如何高效的监测森林火灾迫在眉睫。根据识别目标的不同,视频森林火灾监测一般分为火焰和烟雾两部分监测,火焰监测是主要的监测技术,但在火灾发生初期,明火易被遮挡,所以报警时延时较大,延误了最佳灭火时机。而火灾规律表明,烟雾早于明火出现,在火灾初期烟雾扩散范围广、不易被遮挡。因此对火灾初期烟雾特征的有效识别能够为火灾的及时扑救赢得宝贵时间。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种适用于森林火灾的烟雾识别方法,收集了不同浓度、不同扩散形状的烟雾图片以及比较容易混淆的普通云雾、朝霞、晚霞、水汽图片进行训练数据量需求少的SVM,SVM训练过程中以Hog特征和纹理特征融合,组建融合特征向量,过冗余的选取纹理以保证烟雾识别准确性高,烟雾特征采集时,通过连续的多帧图像与背景帧图像进行差分运算,有效提取微小运动目标,再对连续的多帧林区实时图像进行逻辑或运算,获取当下所有的运动目标信息,包括飞鸟等随机运动目标,然后通过对多张或运算后的图像进行逻辑与运算,剔除随机干扰运动目标,得到保留运动前景目标的图像,最后送入训练并测试完成的SVM,进行森林火灾的烟雾识别,效果好,精度高,便于推广使用。
为解决上述技术问题,本发明采用的技术方案是:一种适用于森林火灾的烟雾识别方法,其特征在于,该方法包括以下步骤:
步骤一、构建图像数据库,过程如下:
步骤101、搜集多张烟雾训练图像,所述烟雾训练图像包括烟雾图像、云雾图像、朝霞图像、晚霞图像和水汽图像;
获取烟雾训练图像去除背景后只有前景特征的训练样本图像;
步骤102、将多张训练样本图像构成一个图像数据库,对图像数据库进行随机分类,获得图像训练数据集合和图像测试数据集合;
步骤二、训练并测试SVM,过程如下:
步骤201、在图像训练数据集合中调取一张训练样本图像;
步骤202、对步骤201中调取的训练样本图像进行Hog特征提取,得到Hog特征矩阵;
步骤203、利用步距为1且方向为0°的灰度共生矩阵,对步骤201中调取的训练样本图像进行纹理特征计算,选取能量特征、熵特征和惯性矩特征,构建第一纹理特征矩阵;
步骤204、利用步距为1且方向为45°的灰度共生矩阵,对步骤201中调取的训练样本图像进行纹理特征计算,选取能量特征、熵特征和惯性矩特征,构建第二纹理特征矩阵;
步骤205、利用步距为1且方向为90°的灰度共生矩阵,对步骤201中调取的训练样本图像进行纹理特征计算,选取能量特征、熵特征和惯性矩特征,构建第二纹理特征矩阵;
步骤206、将步骤202中的Hog特征矩阵、步骤203中的第一纹理特征矩阵、步骤204中的第二纹理特征矩阵和步骤205中的第三纹理特征矩阵组合,构建融合特征向量;
步骤207、将步骤206中的融合特征向量送入SVM中,对SVM进行一次训练;
步骤208、循环步骤201至步骤207,直至图像训练数据集合中的图像调取完毕,完成SVM训练过程;
步骤209、在图像测试数据集合中调取训练样本图像,对SVM进行测试,获取训练并测试完成的SVM;
步骤三、构建烟雾自动监测平台:在林区内的高地上设置烟雾自动监测平台,所述烟雾自动监测平台包括立柱以及安装在立柱上的摄像头;
步骤四、图像采集及背景帧图像建模:保持摄像头静止不动,摄像头的视野固定不变,利用摄像头拍摄多帧林区无烟雾图像,使用混合高斯模型对多帧林区无烟雾图像进行背景帧图像建模;
步骤五、背景差分处理:利用摄像头连续拍摄a×b帧林区实时图像,每次选用连续的a帧林区实时图像同时与背景帧图像进行差分运算,然后对差分运算后的a帧林区实时图像进行连通域处理,获得背景差分处理后的a×b帧林区实时图像;
其中,a和b均为不小于2的正整数;
步骤六、逻辑运算获取运动前景目标:对差分运算且进行连通域处理后的连续的a帧林区实时图像进行一次逻辑或运算,得到一张林区合并实时图像;
背景差分处理后的a×b帧林区实时图像,进行b次逻辑或运算后,得到b张林区合并实时图像;
对b张林区合并实时图像进行一次逻辑与运算,得到一张保留运动前景目标的图像;
步骤七、森林火灾的烟雾识别:将保留运动前景目标的图像送入训练并测试完成的SVM,进行森林火灾的烟雾识别。
上述的一种适用于森林火灾的烟雾识别方法,其特征在于:步骤五中,a和b的取值范围均为2~4。
上述的一种适用于森林火灾的烟雾识别方法,其特征在于:步骤101中,模拟多起火灾发生并产生烟雾,任一起模拟火灾发生并产生烟雾以搜集保留烟雾特征的训练样本图像的过程均相同;
任一起模拟火灾发生并产生烟雾以搜集保留烟雾特征的训练样本图像的过程为:保持图像采集器的视野固定不变,利用图像采集器先拍摄多帧未产生烟雾的原始图像,使用混合高斯模型对多帧未产生烟雾的原始图像进行无烟雾背景帧图像建模;然后模拟火灾发生并产生烟雾,再利用图像采集器连续拍摄c×d帧有烟雾的实时图像,每次选用连续的c帧有烟雾的实时图像同时与无烟雾背景帧图像进行差分运算,然后对差分运算后的c帧有烟雾的实时图像进行连通域处理,获得背景差分处理后的c×d帧有烟雾的实时图像,其中,c和d均为不小于2的正整数;
对差分运算且进行连通域处理后的连续的c帧有烟雾的实时图像进行一次逻辑或运算,得到一张有烟雾合并实时图像;背景差分处理后的c×d帧有烟雾的实时图像,进行d次逻辑或运算后,得到d张有烟雾合并实时图像;对d张有烟雾合并实时图像进行一次逻辑与运算,得到一张保留烟雾特征的训练样本图像;
步骤101中,在林区多个高地位置分别设置视野固定不变的图像采集器,采集多张类烟雾图像并处理成保留类烟雾特征的训练样本图像,任一保留类烟雾特征的训练样本图像的处理过程均相同;其中,类烟雾图像为云雾图像、朝霞图像、晚霞图像或水汽图像,保留类烟雾特征的训练样本图像为保留云雾特征、朝霞特征、晚霞特征或水汽特征的训练样本图像;
任一保留类烟雾特征的训练样本图像的处理过程为:利用图像采集器先拍摄多帧未产生类烟雾的原始图像,使用混合高斯模型对多帧未产生类烟雾的原始图像进行无类烟雾背景帧图像建模;再利用图像采集器连续拍摄c×d帧有类烟雾的实时图像,每次选用连续的c帧有类烟雾的实时图像同时与无类烟雾背景帧图像进行差分运算,然后对差分运算后的c帧有类烟雾的实时图像进行连通域处理,获得背景差分处理后的c×d帧有类烟雾的实时图像;
对差分运算且进行连通域处理后的连续的c帧有类烟雾的实时图像进行一次逻辑或运算,得到一张有类烟雾合并实时图像;背景差分处理后的c×d帧有类烟雾的实时图像,进行d次逻辑或运算后,得到d张有类烟雾合并实时图像;对d张有类烟雾合并实时图像进行一次逻辑与运算,得到一张保留类烟雾特征的训练样本图像。
上述的一种适用于森林火灾的烟雾识别方法,其特征在于:步骤101、c和d的取值范围均为2~4。
上述的一种适用于森林火灾的烟雾识别方法,其特征在于:步骤101中,所述训练样本图像的数量为2000~3000张。
本发明与现有技术相比具有以下优点:
1、本发明训练并测试SVM,支持向量机(SVM)在解决小样本、非线性及高维模式识别中表现出许多特有的优势,由于现在没有公开的森林火灾检测的公开数据集,只能自己制备,限于人力物力,数据集不能形成规模,在使用深度学习等方法时效果较差,因此本申请采用了SVM分类器,取得了较好的分类结果,解决了数据集的制备比较困难,样本数量比较小的问题;图像数据库构建过程中,收集了不同浓度、不同扩散形状的烟雾图片以及比较容易混淆的普通云雾、朝霞、晚霞、水汽图片进行训练SVM,便于推广使用。
2、本发明SVM训练过程中以Hog特征和纹理特征融合,组建融合特征向量,Hog特征几何形变和光学形变都有不敏感的特性,对于火灾初期的烟雾检测,Hog的不敏感可以排除光照、树叶等的影响,还能捕捉烟雾弥散过程中丰富的梯度信息;能量是图像矩阵各元素的平方和,主要反映了灰度均匀程度和纹理的粗细度;熵主要反映了图像纹理的非均匀程度和复杂程度;惯性矩主要反映图像是否清晰以及沟纹深浅,对比度越小,纹理的沟纹越浅,视觉效果越模糊,过冗余的选取纹理以保证烟雾识别准确性高,可靠稳定,使用效果好。
3、本发明方法步骤简单,烟雾特征采集时,通过连续的多帧图像与背景帧图像进行差分运算,有效提取微小运动目标,再对连续的多帧林区实时图像进行逻辑或运算,获取当下所有的运动目标信息,包括飞鸟等随机运动目标,然后通过对多张或运算后的图像进行逻辑与运算,剔除随机干扰运动目标,得到保留运动前景目标的图像,最后送入训练并测试完成的SVM,进行森林火灾的烟雾识别,效果好,精度高,便于推广使用。
综上所述,本发明收集了不同浓度、不同扩散形状的烟雾图片以及比较容易混淆的普通云雾、朝霞、晚霞、水汽图片进行训练数据量需求少的SVM,SVM训练过程中以Hog特征和纹理特征融合,组建融合特征向量,过冗余的选取纹理以保证烟雾识别准确性高,烟雾特征采集时,通过连续的多帧图像与背景帧图像进行差分运算,有效提取微小运动目标,再对连续的多帧林区实时图像进行逻辑或运算,获取当下所有的运动目标信息,包括飞鸟等随机运动目标,然后通过对多张或运算后的图像进行逻辑与运算,剔除随机干扰运动目标,得到保留运动前景目标的图像,最后送入训练并测试完成的SVM,进行森林火灾的烟雾识别,效果好,精度高,便于推广使用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明方法的方法流程框图。
具体实施方式
如图1所示,本发明的一种适用于森林火灾的烟雾识别方法,包括以下步骤:
步骤一、构建图像数据库,过程如下:
步骤101、搜集多张烟雾训练图像,所述烟雾训练图像包括烟雾图像、云雾图像、朝霞图像、晚霞图像和水汽图像;
获取烟雾训练图像去除背景后只有前景特征的训练样本图像;
步骤102、将多张训练样本图像构成一个图像数据库,对图像数据库进行随机分类,获得图像训练数据集合和图像测试数据集合;
本实施例中,步骤101中,模拟多起火灾发生并产生烟雾,任一起模拟火灾发生并产生烟雾以搜集保留烟雾特征的训练样本图像的过程均相同;
任一起模拟火灾发生并产生烟雾以搜集保留烟雾特征的训练样本图像的过程为:保持图像采集器的视野固定不变,利用图像采集器先拍摄多帧未产生烟雾的原始图像,使用混合高斯模型对多帧未产生烟雾的原始图像进行无烟雾背景帧图像建模;然后模拟火灾发生并产生烟雾,再利用图像采集器连续拍摄c×d帧有烟雾的实时图像,每次选用连续的c帧有烟雾的实时图像同时与无烟雾背景帧图像进行差分运算,然后对差分运算后的c帧有烟雾的实时图像进行连通域处理,获得背景差分处理后的c×d帧有烟雾的实时图像,其中,c和d均为不小于2的正整数;
对差分运算且进行连通域处理后的连续的c帧有烟雾的实时图像进行一次逻辑或运算,得到一张有烟雾合并实时图像;背景差分处理后的c×d帧有烟雾的实时图像,进行d次逻辑或运算后,得到d张有烟雾合并实时图像;对d张有烟雾合并实时图像进行一次逻辑与运算,得到一张保留烟雾特征的训练样本图像;
步骤101中,在林区多个高地位置分别设置视野固定不变的图像采集器,采集多张类烟雾图像并处理成保留类烟雾特征的训练样本图像,任一保留类烟雾特征的训练样本图像的处理过程均相同;其中,类烟雾图像为云雾图像、朝霞图像、晚霞图像或水汽图像,保留类烟雾特征的训练样本图像为保留云雾特征、朝霞特征、晚霞特征或水汽特征的训练样本图像;
任一保留类烟雾特征的训练样本图像的处理过程为:利用图像采集器先拍摄多帧未产生类烟雾的原始图像,使用混合高斯模型对多帧未产生类烟雾的原始图像进行无类烟雾背景帧图像建模;再利用图像采集器连续拍摄c×d帧有类烟雾的实时图像,每次选用连续的c帧有类烟雾的实时图像同时与无类烟雾背景帧图像进行差分运算,然后对差分运算后的c帧有类烟雾的实时图像进行连通域处理,获得背景差分处理后的c×d帧有类烟雾的实时图像;
对差分运算且进行连通域处理后的连续的c帧有类烟雾的实时图像进行一次逻辑或运算,得到一张有类烟雾合并实时图像;背景差分处理后的c×d帧有类烟雾的实时图像,进行d次逻辑或运算后,得到d张有类烟雾合并实时图像;对d张有类烟雾合并实时图像进行一次逻辑与运算,得到一张保留类烟雾特征的训练样本图像。
本实施例中,步骤101、c和d的取值范围均为2~4。
本实施例中,步骤101中,所述训练样本图像的数量为2000~3000张。
实际使用中,图像采集器采用摄像头。
步骤二、训练并测试SVM,过程如下:
步骤201、在图像训练数据集合中调取一张训练样本图像;
步骤202、对步骤201中调取的训练样本图像进行Hog特征提取,得到Hog特征矩阵;
实际实施时,Hog特征提取对颜色的要求不大,所以第一步就是将图像转化为灰度图像;第二步,为了减少光照因素的影响,首先需要将从图像中提取的运动区域进行规范化(归一化),由于在森林这个特定场景比较广阔,提取出的运动区域为小图元,虽然小图元局部的表层曝光在纹理强度中的贡献比较大,但是如果图元太小容易造成系统的漏检,所以将图元进行gamma空间校正,把图元整体的亮度提高,压缩处理来有效地降低图像局部的阴影和光照变化;第三步,计算图像梯度:为了进一步捕获烟雾轮廓纹理信息、降低光照影响,计算图像横坐标和纵坐标方向的梯度,并据此计算每个像素位置的梯度方向值,求导操作不仅能够捕获轮廓和一些纹理信息,还能进一步弱化光照影响;第四步,为每个细胞单元构建梯度方向直方图,并收集Hog特征,由于局部光照的变化和前景-背景对比度的变化,使得梯度强度的变化范围非常大,需要对梯度强度做归一化,对光照、阴影、边缘和纹理等信息进一步压缩,最后将所有块的梯度直方图串联起来,收集Hog特征,得到特征向量。
步骤203、利用步距为1且方向为0°的灰度共生矩阵,对步骤201中调取的训练样本图像进行纹理特征计算,选取能量特征、熵特征和惯性矩特征,构建第一纹理特征矩阵;
步骤204、利用步距为1且方向为45°的灰度共生矩阵,对步骤201中调取的训练样本图像进行纹理特征计算,选取能量特征、熵特征和惯性矩特征,构建第二纹理特征矩阵;
步骤205、利用步距为1且方向为90°的灰度共生矩阵,对步骤201中调取的训练样本图像进行纹理特征计算,选取能量特征、熵特征和惯性矩特征,构建第二纹理特征矩阵;
步骤206、将步骤202中的Hog特征矩阵、步骤203中的第一纹理特征矩阵、步骤204中的第二纹理特征矩阵和步骤205中的第三纹理特征矩阵组合,构建融合特征向量;
实际实施时,设Hog特征矩阵为U[m,n1],纹理特征矩阵为V[m,n2],融合特征向量为T[m,n],其中,m表示样本数量,n表示特征数,n1为Hog特征数,n2为纹理特征特征数,本申请使用了5940个Hog特征,9个纹理特征,总共5949维特征。
步骤207、将步骤206中的融合特征向量送入SVM中,对SVM进行一次训练;
步骤208、循环步骤201至步骤207,直至图像训练数据集合中的图像调取完毕,完成SVM训练过程;
步骤209、在图像测试数据集合中调取训练样本图像,对SVM进行测试,获取训练并测试完成的SVM;
需要说明的是,训练并测试SVM,支持向量机(SVM)在解决小样本、非线性及高维模式识别中表现出许多特有的优势,由于现在没有公开的森林火灾检测的公开数据集,只能自己制备,限于人力物力,数据集不能形成规模,在使用深度学习等方法时效果较差,因此本申请采用了SVM分类器,取得了较好的分类结果,解决了数据集的制备比较困难,样本数量比较小的问题;图像数据库构建过程中,收集了不同浓度、不同扩散形状的烟雾图片以及比较容易混淆的普通云雾、朝霞、晚霞、水汽图片进行训练SVM;SVM训练过程中以Hog特征和纹理特征融合,组建融合特征向量,Hog特征几何形变和光学形变都有不敏感的特性,对于火灾初期的烟雾检测,Hog的不敏感可以排除光照、树叶等的影响,还能捕捉烟雾弥散过程中丰富的梯度信息;能量是图像矩阵各元素的平方和,主要反映了灰度均匀程度和纹理的粗细度;熵主要反映了图像纹理的非均匀程度和复杂程度;惯性矩主要反映图像是否清晰以及沟纹深浅,对比度越小,纹理的沟纹越浅,视觉效果越模糊,过冗余的选取纹理以保证烟雾识别准确性高。
步骤三、构建烟雾自动监测平台:在林区内的高地上设置烟雾自动监测平台,所述烟雾自动监测平台包括立柱以及安装在立柱上的摄像头;
步骤四、图像采集及背景帧图像建模:保持摄像头静止不动,摄像头的视野固定不变,利用摄像头拍摄多帧林区无烟雾图像,使用混合高斯模型对多帧林区无烟雾图像进行背景帧图像建模;
步骤五、背景差分处理:利用摄像头连续拍摄a×b帧林区实时图像,每次选用连续的a帧林区实时图像同时与背景帧图像进行差分运算,然后对差分运算后的a帧林区实时图像进行连通域处理,获得背景差分处理后的a×b帧林区实时图像;
其中,a和b均为不小于2的正整数;
步骤六、逻辑运算获取运动前景目标:对差分运算且进行连通域处理后的连续的a帧林区实时图像进行一次逻辑或运算,得到一张林区合并实时图像;
背景差分处理后的a×b帧林区实时图像,进行b次逻辑或运算后,得到b张林区合并实时图像;
对b张林区合并实时图像进行一次逻辑与运算,得到一张保留运动前景目标的图像;
本发明烟雾特征采集时,通过连续的多帧图像与背景帧图像进行差分运算,有效提取微小运动目标,再对连续的多帧林区实时图像进行逻辑或运算,获取当下所有的运动目标信息,包括飞鸟等随机运动目标,然后通过对多张或运算后的图像进行逻辑与运算,剔除随机干扰运动目标,得到保留运动前景目标的图像,最后送入训练并测试完成的SVM,进行森林火灾的烟雾识别,效果好,精度高。
步骤七、森林火灾的烟雾识别:将保留运动前景目标的图像送入训练并测试完成的SVM,进行森林火灾的烟雾识别。
本实施例中,步骤五中,a和b的取值范围均为2~4。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (5)
1.一种适用于森林火灾的烟雾识别方法,其特征在于,该方法包括以下步骤:
步骤一、构建图像数据库,过程如下:
步骤101、搜集多张烟雾训练图像,所述烟雾训练图像包括烟雾图像、云雾图像、朝霞图像、晚霞图像和水汽图像;
获取烟雾训练图像去除背景后只有前景特征的训练样本图像;
步骤102、将多张训练样本图像构成一个图像数据库,对图像数据库进行随机分类,获得图像训练数据集合和图像测试数据集合;
步骤二、训练并测试SVM,过程如下:
步骤201、在图像训练数据集合中调取一张训练样本图像;
步骤202、对步骤201中调取的训练样本图像进行Hog特征提取,得到Hog特征矩阵;
步骤203、利用步距为1且方向为0°的灰度共生矩阵,对步骤201中调取的训练样本图像进行纹理特征计算,选取能量特征、熵特征和惯性矩特征,构建第一纹理特征矩阵;
步骤204、利用步距为1且方向为45°的灰度共生矩阵,对步骤201中调取的训练样本图像进行纹理特征计算,选取能量特征、熵特征和惯性矩特征,构建第二纹理特征矩阵;
步骤205、利用步距为1且方向为90°的灰度共生矩阵,对步骤201中调取的训练样本图像进行纹理特征计算,选取能量特征、熵特征和惯性矩特征,构建第二纹理特征矩阵;
步骤206、将步骤202中的Hog特征矩阵、步骤203中的第一纹理特征矩阵、步骤204中的第二纹理特征矩阵和步骤205中的第三纹理特征矩阵组合,构建融合特征向量;
步骤207、将步骤206中的融合特征向量送入SVM中,对SVM进行一次训练;
步骤208、循环步骤201至步骤207,直至图像训练数据集合中的图像调取完毕,完成SVM训练过程;
步骤209、在图像测试数据集合中调取训练样本图像,对SVM进行测试,获取训练并测试完成的SVM;
步骤三、构建烟雾自动监测平台:在林区内的高地上设置烟雾自动监测平台,所述烟雾自动监测平台包括立柱以及安装在立柱上的摄像头;
步骤四、图像采集及背景帧图像建模:保持摄像头静止不动,摄像头的视野固定不变,利用摄像头拍摄多帧林区无烟雾图像,使用混合高斯模型对多帧林区无烟雾图像进行背景帧图像建模;
步骤五、背景差分处理:利用摄像头连续拍摄a×b帧林区实时图像,每次选用连续的a帧林区实时图像同时与背景帧图像进行差分运算,然后对差分运算后的a帧林区实时图像进行连通域处理,获得背景差分处理后的a×b帧林区实时图像;
其中,a和b均为不小于2的正整数;
步骤六、逻辑运算获取运动前景目标:对差分运算且进行连通域处理后的连续的a帧林区实时图像进行一次逻辑或运算,得到一张林区合并实时图像;
背景差分处理后的a×b帧林区实时图像,进行b次逻辑或运算后,得到b张林区合并实时图像;
对b张林区合并实时图像进行一次逻辑与运算,得到一张保留运动前景目标的图像;
步骤七、森林火灾的烟雾识别:将保留运动前景目标的图像送入训练并测试完成的SVM,进行森林火灾的烟雾识别。
2.按照权利要求1所述的一种适用于森林火灾的烟雾识别方法,其特征在于:步骤五中,a和b的取值范围均为2~4。
3.按照权利要求1所述的一种适用于森林火灾的烟雾识别方法,其特征在于:步骤101中,模拟多起火灾发生并产生烟雾,任一起模拟火灾发生并产生烟雾以搜集保留烟雾特征的训练样本图像的过程均相同;
任一起模拟火灾发生并产生烟雾以搜集保留烟雾特征的训练样本图像的过程为:保持图像采集器的视野固定不变,利用图像采集器先拍摄多帧未产生烟雾的原始图像,使用混合高斯模型对多帧未产生烟雾的原始图像进行无烟雾背景帧图像建模;然后模拟火灾发生并产生烟雾,再利用图像采集器连续拍摄c×d帧有烟雾的实时图像,每次选用连续的c帧有烟雾的实时图像同时与无烟雾背景帧图像进行差分运算,然后对差分运算后的c帧有烟雾的实时图像进行连通域处理,获得背景差分处理后的c×d帧有烟雾的实时图像,其中,c和d均为不小于2的正整数;
对差分运算且进行连通域处理后的连续的c帧有烟雾的实时图像进行一次逻辑或运算,得到一张有烟雾合并实时图像;背景差分处理后的c×d帧有烟雾的实时图像,进行d次逻辑或运算后,得到d张有烟雾合并实时图像;对d张有烟雾合并实时图像进行一次逻辑与运算,得到一张保留烟雾特征的训练样本图像;
步骤101中,在林区多个高地位置分别设置视野固定不变的图像采集器,采集多张类烟雾图像并处理成保留类烟雾特征的训练样本图像,任一保留类烟雾特征的训练样本图像的处理过程均相同;其中,类烟雾图像为云雾图像、朝霞图像、晚霞图像或水汽图像,保留类烟雾特征的训练样本图像为保留云雾特征、朝霞特征、晚霞特征或水汽特征的训练样本图像;
任一保留类烟雾特征的训练样本图像的处理过程为:利用图像采集器先拍摄多帧未产生类烟雾的原始图像,使用混合高斯模型对多帧未产生类烟雾的原始图像进行无类烟雾背景帧图像建模;再利用图像采集器连续拍摄c×d帧有类烟雾的实时图像,每次选用连续的c帧有类烟雾的实时图像同时与无类烟雾背景帧图像进行差分运算,然后对差分运算后的c帧有类烟雾的实时图像进行连通域处理,获得背景差分处理后的c×d帧有类烟雾的实时图像;
对差分运算且进行连通域处理后的连续的c帧有类烟雾的实时图像进行一次逻辑或运算,得到一张有类烟雾合并实时图像;背景差分处理后的c×d帧有类烟雾的实时图像,进行d次逻辑或运算后,得到d张有类烟雾合并实时图像;对d张有类烟雾合并实时图像进行一次逻辑与运算,得到一张保留类烟雾特征的训练样本图像。
4.按照权利要求3所述的一种适用于森林火灾的烟雾识别方法,其特征在于:步骤101、c和d的取值范围均为2~4。
5.按照权利要求1所述的一种适用于森林火灾的烟雾识别方法,其特征在于:步骤101中,所述训练样本图像的数量为2000~3000张。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129458.9A CN112215182B (zh) | 2020-10-21 | 2020-10-21 | 一种适用于森林火灾的烟雾识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129458.9A CN112215182B (zh) | 2020-10-21 | 2020-10-21 | 一种适用于森林火灾的烟雾识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215182A true CN112215182A (zh) | 2021-01-12 |
CN112215182B CN112215182B (zh) | 2023-12-08 |
Family
ID=74056206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011129458.9A Active CN112215182B (zh) | 2020-10-21 | 2020-10-21 | 一种适用于森林火灾的烟雾识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215182B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450354A (zh) * | 2021-08-30 | 2021-09-28 | 山东仕达思生物产业有限公司 | 基于卷积神经网络和摇摆活动特征的滴虫检测方法 |
CN113533162A (zh) * | 2021-07-09 | 2021-10-22 | 重庆影图智能科技有限公司 | 基于机器视觉运用的空气过滤器检测方法、系统及其设备 |
CN113766190A (zh) * | 2021-09-05 | 2021-12-07 | 无锡联友塑业有限公司 | 利用图像监控的自动化控制平台 |
CN115311604A (zh) * | 2022-09-29 | 2022-11-08 | 江苏海舟安防科技有限公司 | 一种基于物联网的消防方法 |
CN116781870A (zh) * | 2023-08-23 | 2023-09-19 | 北京大业桥科技股份有限公司 | 一种远程微波监控方法和系统 |
CN116883764A (zh) * | 2023-09-07 | 2023-10-13 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 一种电池系统故障识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130094699A1 (en) * | 2011-10-12 | 2013-04-18 | Industry Academic Cooperation Foundation Keimyung University | Forest fire smoke detection method using random forest classification |
US20140099020A1 (en) * | 2012-10-05 | 2014-04-10 | Industry Academic Cooperation Foundation Keimyung University | Method of detecting smoke of forest fire using spatiotemporal bof of smoke and random forest |
CN108764142A (zh) * | 2018-05-25 | 2018-11-06 | 北京工业大学 | 基于3dcnn的无人机影像森林烟雾检测和分类方法 |
CN109165577A (zh) * | 2018-08-07 | 2019-01-08 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
CN111666834A (zh) * | 2020-05-20 | 2020-09-15 | 哈尔滨理工大学 | 一种基于图像识别技术的森林火灾自动监测识别系统及方法 |
-
2020
- 2020-10-21 CN CN202011129458.9A patent/CN112215182B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130094699A1 (en) * | 2011-10-12 | 2013-04-18 | Industry Academic Cooperation Foundation Keimyung University | Forest fire smoke detection method using random forest classification |
US20140099020A1 (en) * | 2012-10-05 | 2014-04-10 | Industry Academic Cooperation Foundation Keimyung University | Method of detecting smoke of forest fire using spatiotemporal bof of smoke and random forest |
CN108764142A (zh) * | 2018-05-25 | 2018-11-06 | 北京工业大学 | 基于3dcnn的无人机影像森林烟雾检测和分类方法 |
CN109165577A (zh) * | 2018-08-07 | 2019-01-08 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
CN111666834A (zh) * | 2020-05-20 | 2020-09-15 | 哈尔滨理工大学 | 一种基于图像识别技术的森林火灾自动监测识别系统及方法 |
Non-Patent Citations (7)
Title |
---|
季鸣等: "基于改进差分和光流的新型运动目标检测方法", 《计算机系统应用》 * |
季鸣等: "基于改进差分和光流的新型运动目标检测方法", 《计算机系统应用》, vol. 24, no. 10, 31 December 2015 (2015-12-31), pages 111 - 115 * |
岳娇娇: "基于多特征融合的林火烟雾检测算法研究", 《中国知网》 * |
岳娇娇: "基于多特征融合的林火烟雾检测算法研究", 《中国知网》, vol. 2017, no. 01, 15 January 2017 (2017-01-15), pages 1 - 67 * |
李雪宝;黄徐胜;郑艳芳;刘永良;张其亮;卢冶;史凌;: "基于小波变换的森林火灾烟雾检测算法的设计", 信息技术, no. 10 * |
郑怀兵等: "基于视频分析的森林火灾烟雾检测方法", 《南京理工大学学报》 * |
郑怀兵等: "基于视频分析的森林火灾烟雾检测方法", 《南京理工大学学报》, no. 06, 30 December 2015 (2015-12-30), pages 686 - 692 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113533162A (zh) * | 2021-07-09 | 2021-10-22 | 重庆影图智能科技有限公司 | 基于机器视觉运用的空气过滤器检测方法、系统及其设备 |
CN113450354A (zh) * | 2021-08-30 | 2021-09-28 | 山东仕达思生物产业有限公司 | 基于卷积神经网络和摇摆活动特征的滴虫检测方法 |
CN113450354B (zh) * | 2021-08-30 | 2021-11-16 | 山东仕达思生物产业有限公司 | 基于卷积神经网络和摇摆活动特征的滴虫检测方法 |
CN113766190A (zh) * | 2021-09-05 | 2021-12-07 | 无锡联友塑业有限公司 | 利用图像监控的自动化控制平台 |
CN113766190B (zh) * | 2021-09-05 | 2022-05-31 | 无锡联友塑业有限公司 | 利用图像监控的自动化控制平台 |
CN115311604A (zh) * | 2022-09-29 | 2022-11-08 | 江苏海舟安防科技有限公司 | 一种基于物联网的消防方法 |
CN116781870A (zh) * | 2023-08-23 | 2023-09-19 | 北京大业桥科技股份有限公司 | 一种远程微波监控方法和系统 |
CN116883764A (zh) * | 2023-09-07 | 2023-10-13 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 一种电池系统故障识别方法及装置 |
CN116883764B (zh) * | 2023-09-07 | 2023-11-24 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 一种电池系统故障识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112215182B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215182B (zh) | 一种适用于森林火灾的烟雾识别方法 | |
CN109522819B (zh) | 一种基于深度学习的火灾图像识别方法 | |
CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
CN107609470A (zh) | 野外火灾早期烟雾视频检测的方法 | |
CN110288586A (zh) | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 | |
CN109272455A (zh) | 基于弱监督生成对抗网络的图像去雾方法 | |
CN110427824B (zh) | 一种人工智能虚拟场景的安防自动测试方法及系统 | |
CN114078218B (zh) | 一种自适应融合的森林烟火识别数据增广方法 | |
CN110334660A (zh) | 一种雾天条件下基于机器视觉的森林火灾监测方法 | |
CN111899452A (zh) | 基于边缘计算的森林防火预警系统 | |
CN109241902A (zh) | 一种基于多尺度特征融合的山体滑坡检测方法 | |
Qiang et al. | Forest fire smoke detection under complex backgrounds using TRPCA and TSVB | |
CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
Li et al. | A lightweight convolutional neural network flame detection algorithm | |
CN103605171A (zh) | 全天空成像仪及基于全天空成像仪的云层特性分析方法 | |
CN111860457A (zh) | 一种斗殴行为识别预警方法及其识别预警系统 | |
CN114399734A (zh) | 一种基于视觉信息的森林火灾预警方法 | |
CN114037910A (zh) | 一种无人机森林火灾检测系统 | |
Zheng et al. | A lightweight algorithm capable of accurately identifying forest fires from UAV remote sensing imagery | |
CN113128422A (zh) | 一种深度神经网络的图像烟火检测方法及系统 | |
Wang et al. | Forest fire detection method based on deep learning | |
Zhan et al. | A High-precision Forest Fire Smoke Detection Approach Based on DRGNet to Remote Sensing Through Uavs | |
CN114092844A (zh) | 一种基于生成对抗网络的多波段图像目标检测方法 | |
Gao et al. | Design and implementation of fire detection system using new model mixing | |
Wang et al. | Research on appearance defect detection of power equipment based on improved faster-rcnn |
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 |