CN113657264A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113657264A
CN113657264A CN202110939326.0A CN202110939326A CN113657264A CN 113657264 A CN113657264 A CN 113657264A CN 202110939326 A CN202110939326 A CN 202110939326A CN 113657264 A CN113657264 A CN 113657264A
Authority
CN
China
Prior art keywords
smoke
image
dark channel
knn
root node
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
Application number
CN202110939326.0A
Other languages
English (en)
Inventor
程朋乐
冯旭红
娄黎明
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 CN202110939326.0A priority Critical patent/CN113657264A/zh
Publication of CN113657264A publication Critical patent/CN113657264A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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

Landscapes

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

Abstract

本发明涉及一种基于视频的烟雾根节点检测方法。包括以下步骤：首先对视频图像进行预处理，目的是剔除建筑物等规则几何图形的物体，剔除过程包括轮廓查找和多边形曲线拟合；其次对完成预处理的图像进行KNN动态区域提取；接着利用烟雾颜色特征获取暗通道二值化图像，并将动态区域图像和暗通道二值图像合并，计算出其运动历史图；最后利用Canny算法检测出烟雾边缘后，用水平线扫描法扫描图像，找到候选烟雾根节点。

Description

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
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根节点检测方法。
背景技术
森林火灾具有突发性强、破坏性大等特点，一旦发生森林火灾，对国家的经济以及对生态环境会带来严重的损失。当前针对森林火灾的预防主要是根据火的特征和烟的特征进行判别。基于火的森林火灾检测研究技术相对比较成熟，但由于火的滞后性，一旦有火产生已经发生了火灾，因此研究基于烟雾的森林火灾检测更具有现实意义。由于烟雾本身扩散性强、烟雾图像对比度低等特点，在实际场合的应用效果与实际环境有比较大的差别，会存在漏报或误报现象。由此可见，分析早期森林火灾烟雾的运动规律、识别烟雾和定位烟雾根节点位置对于森林火灾检测技术具有重要的理论意义和实用价值。
发明内容
本发明提供了一种基于暗通道和KNN算法融合的烟雾根节点检测方法，通过对固定林火监控摄像监控视频的帧图像提取并进行处理，实现对烟雾根节点的定位。
根据本发明计算过程，所述根节点检测方法包括：
第一步，视频信息预处理：采集固定摄像头的连续帧烟雾图像，并对图像中的规则图形(矩形、三角形等)进行切除，切除区域用黑色(RGB值为[0,0,0]) 进行填充；
第二步，KNN前景图像提取：对填充后的RGB图像做基于KNN的背景差分运算，提取视频序列的运动目标；
第三步，暗通道二值化图像提取：利用暗通道原理对当前帧图像进行处理，并根据阈值得到暗通道二值图像；
第四步，获取烟雾候选区域：合并KNN前景图像和暗通道二值化图像，并使用形态学方法去除噪声，获得烟雾候选区域；
第五步，运动历史图(MHI)提取：根据合并图像计算出当前时刻烟雾的运动历史图，填补丢失的烟雾运动信息；
第六步，候选坐标获取：对获取的烟雾二值图像做Canny边缘检测，获取烟雾轮廓边缘图像，并用水平线扫描算法自下而上对烟雾轮廓图像扫描，水平线第一次与烟雾轮廓边缘的交点，即为当前帧图像烟雾根候选坐标；
根据如上所述的五个步骤，一种基于暗通道和KNN算法融合的烟雾根节点检测方法，其特征在于所述第一步骤中的视频信息预处理，其计算方法为：首先对当前帧图像进行轮廓检测；然后求出每一个轮廓的多边形拟合曲线，并获得每一个轮廓的角点坐标；最后，判断根据角点的数量判断是否为规则图形；
根据如上所述的五个步骤，一种基于暗通道和KNN算法融合的烟雾根节点检测方法，其特征在于所述第二步KNN前景图像提取，首先对图像的颜色进行分类；然后构建一个相似矩阵，通过计算特征空间中每个像素点K个邻居像素点来提取前景图像；
根据如上所述的五个步骤，一种基于暗通道和KNN算法融合的烟雾根节点检测方法，其特征在于所述第三步暗通道二值化图像提取，根据不同的场景，设定合适的阈值，获得烟在暗通道中的候选区域。
本发明的有益效果在于：通过对复杂多变的场景进行实时检测，并对疑似火灾烟雾区域进行特征融合判定，准确快速地识别烟雾，并找出候选烟雾根节点。
参照后文的说明和附图，详细公开了本发明的实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的条款范围内，本发明的实施方式包括许多改变、修改和等同。
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。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，其发明了其中可以采用文本发明的原则，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。
本发明实施例提供一种烟雾检测方法。图1是本发明实施例的烟雾检根测方法的流程示意图，如图1所示，所述烟雾根节点检测方法包括：
步骤101，对基本参数进行初始化后，提取当前帧图像；
步骤102，首先，查找当前帧中所有轮廓并且存储在序列中，接下来遍历每一个轮廓，用指定精度逼近多边形曲线，最后判断多边形的顶点数，若顶点数为8个以内，则排除该区域，并用[0，0，0]的RGB坐标值进行代替，形成新的分割图像；
步骤201，选定当前帧的前20帧作为训练样本，计算当前帧与训练样本间的欧式距离，计算方式如下：
Figure BDA0003214121840000041
其中dis代表两个像素点的欧式距离，xi表示当前帧的第i个像素，yk i表示历史第k帧的第i个像素点；
步骤202，将当前帧每个像素点与历史帧对应像素点的距离按照从小到大的排序，统计前K个样本的类别来判别像素点是否属于前景点。
步骤301，根据暗通道先验论，设定阈值，得到烟雾在暗通道中的候选区域，其中计算公式如下：
Figure BDA0003214121840000042
Jdark→0(3) 其中，Jc表示彩色通道的每个通道，Ω(x)表示以像素x为中心的一个窗口；
步骤401,将用KNN得到的运动区域与烟雾在暗通道中的候选区域求交，并用形态学滤波去除噪声，形成基本的动态区域连通域。其中形态学操作采用先腐蚀后膨胀的开运算进行，腐蚀过程采用矩形核心进行，尺寸大小为7×7，膨胀过程采用矩形核心进行，尺寸为3×3。
步骤501，根据合并后的二值图像，计算出当前时刻的运动历史图(MHI)，计算公式如下：
Figure BDA0003214121840000043
其中τ表示MHI运动信息时间持续的长短，D(x,y,t)表示t时刻当前帧某一点的像素值；
步骤601，计算合并图像的梯度幅度和方向估计每一点处的边缘强度，然后根据梯度方向，对梯度幅值进行非极大值抑制，最后利用双阈值算法检测和连接边缘，获得烟雾轮廓图像；
步骤602，用一条水平线自上而下扫描烟雾轮廓区域，当水平线上某一点坐标与烟雾轮廓坐标相同且只有一个时，该点被判定为候选烟雾根节点，结束扫描。

Claims (4)

1.一种基于暗通道和KNN算法融合的森林火灾烟雾根节点检测方法，其特征在于，包含以下步骤：
第一步，视频信息预处理：采集固定摄像头的连续帧烟雾图像，并对图像中的规则图形，如矩形、三角形等进行切除，切除区域用黑色，RGB值为[0,0,0]，进行填充；
第二步，KNN前景图像提取：对填充后的RGB图像做基于KNN的背景差分运算，提取视频序列的运动目标；
第三步，暗通道二值化图像提取：利用暗通道原理对当前帧图像进行处理，并根据阈值得到暗通道二值图像；
第四步，获取烟雾候选区域：合并KNN前景图像和暗通道二值化图像，并使用形态学方法去除噪声，获得烟雾候选区域；
第五步，运动历史图提取：根据合并图像计算出当前时刻烟雾的运动历史图，填补丢失的烟雾运动信息；
第六步，候选坐标获取：对获取的烟雾二值图像做Canny边缘检测，获取烟雾轮廓边缘图像，并用水平线扫描算法自下而上对烟雾轮廓图像扫描，水平线第一次与烟雾轮廓边缘的交点，即为当前帧图像烟雾根候选坐标。
2.根据权力要求1所述的一种基于暗通道和KNN算法融合的森林火灾烟雾根节点检测方法，其特征在于所述第一步中的视频信息预处理，其计算方法为：首先对当前帧图像进行轮廓检测，然后求出每一个轮廓的多边形拟合曲线，并获得每一个轮廓的角点坐标，最后，判断根据角点的数量判断是否为规则图形。
3.根据权力要求1所述的所述的一种基于暗通道和KNN算法融合的森林火灾烟雾根节点检测方法，其特征在于所述第二步KNN前景图像提取，首先对图像的颜色进行分类，然后构建一个相似矩阵，通过计算特征空间中每个像素点K个邻居像素点来提取前景图像。
4.根据权力要求1所述的一种基于暗通道和KNN算法融合的森林火灾烟雾根节点检测方法，其特征在于所述第三步暗通道二值化图像提取，根据不同的场景，设定合适的阈值，获得烟雾在暗通道中的候选区域。
CN202110939326.0A 2021-08-16 2021-08-16 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 Pending CN113657264A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110939326.0A CN113657264A (zh) 2021-08-16 2021-08-16 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110939326.0A CN113657264A (zh) 2021-08-16 2021-08-16 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

Publications (1)

Publication Number Publication Date
CN113657264A true CN113657264A (zh) 2021-11-16

Family

ID=78491270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110939326.0A Pending CN113657264A (zh) 2021-08-16 2021-08-16 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

Country Status (1)

Country Link
CN (1) CN113657264A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116416200A (zh) * 2022-01-12 2023-07-11 中国消防救援学院 基于区域匹配的森林火灾烟雾检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650584A (zh) * 2016-09-29 2017-05-10 广东安居宝数码科技股份有限公司 火焰检测方法和系统
CN111274896A (zh) * 2020-01-15 2020-06-12 深圳市守行智能科技有限公司 一种烟火识别算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650584A (zh) * 2016-09-29 2017-05-10 广东安居宝数码科技股份有限公司 火焰检测方法和系统
CN111274896A (zh) * 2020-01-15 2020-06-12 深圳市守行智能科技有限公司 一种烟火识别算法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
刘相滨，阳波: "一个燃烧视觉监控系统的研究与实现", 《计算机与现代化》, pages 97 *
张汉营;刘秉瀚;: "基于暗通道和小波的单幅图像烟雾检测算法", 计算机系统应用, no. 03 *
王慧琴编著: "《数字图像处理》", 30 November 2006, 北京邮电大学出版社, pages: 192 *
赵亮: "基于视频的火灾烟雾检测算法的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, pages 3 *
赵亮;骆炎民;骆翔宇;: "基于背景动态更新与暗通道先验的火灾烟雾检测算法", 计算机应用研究, no. 03 *
马超，李琳一著: "《Emgu CV学习与设计》", 31 July 2019, 延边大学出版社, pages: 202 - 203 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116416200A (zh) * 2022-01-12 2023-07-11 中国消防救援学院 基于区域匹配的森林火灾烟雾检测方法
CN116416200B (zh) * 2022-01-12 2023-10-27 中国消防救援学院 基于区域匹配的森林火灾烟雾检测方法

Similar Documents

Publication Publication Date Title
US9846946B2 (en) Objection recognition in a 3D scene
CN107767400B (zh) 基于层次化显著性分析的遥感图像序列动目标检测方法
CN103824070B (zh) 一种基于计算机视觉的快速行人检测方法
CN108052917B (zh) 一种基于新旧时相变化发现的违章建筑自动识别的方法
CN103093198B (zh) 一种人群密度监测方法及装置
CN111191570B (zh) 图像识别方法和装置
CN109711256B (zh) 一种低空复杂背景无人机目标检测方法
CN110210428B (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
CN107403451B (zh) 自适应二值特征单目视觉里程计方法及计算机、机器人
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
CN112489055A (zh) 融合亮度-时序特征的卫星视频动态车辆目标提取方法
CN114463624A (zh) 一种应用于城市管理监督的违章建筑物检测方法及装置
CN116128916B (zh) 一种基于空间能流对比度的红外弱小目标增强方法
CN113221976A (zh) 基于时空光流网络的多视频帧黑烟柴油车检测方法及系统
Raikar et al. Automatic building detection from satellite images using internal gray variance and digital surface model
CN109978916B (zh) 基于灰度图像特征匹配的Vibe运动目标检测方法
CN108985216B (zh) 一种基于多元logistic回归特征融合的行人头部检测方法
CN106951831B (zh) 一种基于深度摄像机的行人检测跟踪方法
JP6429323B2 (ja) オブジェクト抽出方法および装置
CN115187744A (zh) 一种基于激光点云的机柜识别方法
Ibrahim et al. Human identification system based on moment invariant features
Renno et al. Evaluating motion detection algorithms: issues and results
CN114119754B (zh) 基于连通粒的像素级火灾烟雾根节点检测方法
CN113284135B (zh) 基于全局与局部上下文信息的sar舰船检测方法
Zhu et al. A novel rain detection and removal approach using guided filtering and formation modeling

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