CN113780195A - 一种基于块提取的森林火灾烟雾根节点检测方法 - Google Patents
一种基于块提取的森林火灾烟雾根节点检测方法 Download PDFInfo
- Publication number
- CN113780195A CN113780195A CN202111079559.4A CN202111079559A CN113780195A CN 113780195 A CN113780195 A CN 113780195A CN 202111079559 A CN202111079559 A CN 202111079559A CN 113780195 A CN113780195 A CN 113780195A
- Authority
- CN
- China
- Prior art keywords
- block
- smoke
- blocks
- value
- image
- 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
Images
Classifications
-
- 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
本发明公开了一种基于块提取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分割出的连通域不完整且可能存在噪声及干扰的问题,提出了一种基于块提取的森林火灾烟雾根节点检测方法。该方法的具体过程为:首先将图像分为若干大小相等的块,以块为单位,通过帧差法提取运动块,再提取满足烟雾颜色特征的块,并将两特征图像进行按位与运算,再对图像进行形态学开、闭操作去除图像中的噪点和空洞,获得烟雾区域,再提取烟雾骨骼图像及骨骼端点,并获得烟根候选点。该方法改进了烟雾区域提取不准确的问题,提高了检测效率。
Description
技术领域
本发明属于森林防火和视频目标检测领域,尤其涉及一种基于块提取的森林火灾烟雾根节点检测方法。
背景技术
由于森林火灾发生时造成的经济损失和环境损失不可估量,因此对森林火灾的早期识别非常重要。烟雾是森林火灾的早期的明显特征,虽然在检测方法发展的过程中出现了特征融合、多特征提取、光流法等新种类检测方法,但究其根源依然是对颜色、动态、纹理三大特征的更新融合改进,具有一定缺陷。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。
发明内容
基于以上问题本发明提供了一种块提取的烟雾根检测方法,能够检测出视频中的烟雾区域。
该方法基本步骤如下:
第一步,输入视频,得到帧图像序列;
第二步,提取运动块,将每帧图像分割为若干个4*4大小相等的图像块,以块为单位,进行帧间差分算法,计算连续帧每块之间的差值,若差值大于阈值,则判定为运动块,标记为1,若差值小于阈值,则不是运动块,标记为0,结果得到烟雾候选区域二值图像P1;
第三步,提取满足烟雾颜色特征的块,第一,在RGB色度空间中,将每块内全部像素R、G、B的平均值作为该块的R、G、B分量,计算分量中的最大值与最小值的差是否小于阈值T;第二,在HIS色度空间中,将每块内全部像素I的平均值作为该块的I值,计算I的值是否在阈值T1和T2之间。同时满足以上两个条件的块,标记为1,否则标记为0,结果得到烟雾候选区域二值图像P2;
第四步,将运动块和满足颜色特征的块进行按位与运算得到烟雾区域二值图像P,P=P1∩P2;
第五步,为去除图像中的噪点和空洞,对图像进行形态学开运算,剔除面积较小的无效区域,然后进行形态学闭运算,填补空洞,得到烟雾区域连通域;
第六步,骨骼图像提取,对得到的二值图像连通域进行骨骼图像提取,并提取端点坐标,作为烟雾根候选点。
第二步中,提取运动块,具体方法为:
步骤201,将图像分割为若干大小为4*4的若干块bij,其中,i为行号,j为列号;
步骤202,计算连续帧块之间的差值Dij,即计算块内所有像素点的总差值,计算公式为:
其中,(x,y)为一个像素点;
步骤203,若差值大于阈值,则为运动块,标记为1,计算公式如下:
其中,T为判断是否为运动块的阈值;B(1)ij为运动块提取结果。
第三步中,提取满足烟雾颜色特征的块,具体方法为:
步骤301,将图像分割为若干大小为4*4的若干块bij,其中,i为行号,j为列号;
步骤302,计算每块的R、G、B分量,为全部像素R、G、B的平均值,计算每块分量中最大值与最小值的差值dij是否小于阈值Tm;
步骤303,计算每块的亮度值Iij,为该块全部像素亮度值的平均值,计算Iij的值是否在T1和T2之间;
步骤304,同时满足步骤302与步骤303中所述条件的块,是符合颜色特征的块,标记为1,否则标记为0,计算公式如下:
其中,B(2)ij为符合烟雾颜色特征的块的提取结果。
第四步的具体步骤如下:
将运动块和满足颜色特征的块进行按位与运算得到烟雾区域,即选择B(1)ij和B(2)ij都为1的块,计算公式如下:
其中,Bij为最终疑似烟雾区域。
本文的有益效果在于:通过提取动态并且满足烟雾颜色特征的块,获得更为精确的烟雾候选区域,从而更准确的提取烟雾根,该方法改进了烟雾区域提取时分割出的连通域不完整且存在噪点及干扰的问题,提高了检测效率。
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,输入视频,得到帧图像序列;
步骤201,将图像分割为若干大小为4*4的若干块bij,其中,i为行号,j为列号;
步骤202,计算连续帧块之间的差值Dij,即计算块内所有像素点的总差值,计算公式为:
其中,(x,y)为一个像素点;
步骤203,若差值大于阈值,则为运动块,标记为1,计算公式如下:
其中,T为判断是否为运动块的阈值;B(1)ij为运动块提取结果。
步骤301,将图像分割为若干大小为4*4的若干块bij,其中,i为行号,j为列号;
步骤302,计算每块的R、G、B分量,为全部像素R、G、B的平均值,计算每块分量中最大值与最小值的差值dij是否小于阈值Tm;
步骤303,计算每块的亮度值Iij,为该块全部像素亮度值的平均值,计算Iij的值是否在T1和T2之间;
步骤304,同时满足步骤302与步骤303中所述条件的块,是符合颜色特征的块,标记为1,否则标记为0,计算公式如下:
其中,B(2)ij为符合烟雾颜色特征的块的提取结果。
步骤401,将运动块和满足颜色特征的块进行按位与运算得到烟雾区域,即选择B(1)ij和B(2)ij都为1的块,计算公式如下:
其中,Bij为最终疑似烟雾区域。
步骤501,为去除图像中的噪点和空洞,对图像进行形态学开运算,剔除面积较小的无效区域,然后进行形态学闭运算,填补空洞,得到烟雾区域连通域;
步骤601,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602,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 (4)
1.一种基于块提取的森林火灾烟雾根节点检测方法,包括以下步骤:
第一步,输入视频,得到帧图像序列;
第二步,提取运动块,将每帧图像分割为若干个4*4大小相等的图像块,以块为单位,进行帧间差分算法,计算连续帧每块之间的差值,若差值大于阈值,则判定为运动块,标记为1,若差值小于阈值,则不是运动块,标记为0,结果得到烟雾候选区域二值图像P1;
第三步,提取满足烟雾颜色特征的块,第一,在RGB色度空间中,将每块内全部像素R、G、B的平均值作为该块的R、G、B分量,计算分量中的最大值与最小值的差是否小于阈值T;第二,在HIS色度空间中,将每块内全部像素I的平均值作为该块的I值,计算I的值是否在阈值T1和T2之间,同时满足以上两个条件的块,标记为1,否则标记为0,结果得到烟雾候选区域二值图像P2;
第四步,将运动块和满足颜色特征的块进行按位与运算得到烟雾区域二值图像P,P=P1∩P2;
第五步,为去除图像中的噪点和空洞,对图像进行形态学开运算,剔除面积较小的无效区域,然后进行形态学闭运算,填补空洞,得到烟雾区域连通域;
第六步,骨骼图像提取,对得到的二值图像连通域进行骨骼图像提取,并提取端点坐标,作为烟雾根候选点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111079559.4A CN113780195A (zh) | 2021-09-15 | 2021-09-15 | 一种基于块提取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 |
---|---|---|---|
CN202111079559.4A CN113780195A (zh) | 2021-09-15 | 2021-09-15 | 一种基于块提取的森林火灾烟雾根节点检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780195A true CN113780195A (zh) | 2021-12-10 |
Family
ID=78844145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111079559.4A Pending CN113780195A (zh) | 2021-09-15 | 2021-09-15 | 一种基于块提取的森林火灾烟雾根节点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780195A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116485678A (zh) * | 2023-04-28 | 2023-07-25 | 深圳联安通达科技有限公司 | 基于嵌入式操作系统的图像处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN108009529A (zh) * | 2017-12-27 | 2018-05-08 | 北京林业大学 | 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 |
CN110222644A (zh) * | 2019-06-10 | 2019-09-10 | 哈尔滨理工大学 | 基于图像分割的森林火灾烟雾检测方法 |
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 |
CN110516609A (zh) * | 2019-08-28 | 2019-11-29 | 南京邮电大学 | 一种基于图像多特征融合的火灾视频检测及预警方法 |
CN112115875A (zh) * | 2020-09-21 | 2020-12-22 | 北京林业大学 | 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 |
-
2021
- 2021-09-15 CN CN202111079559.4A patent/CN113780195A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN108009529A (zh) * | 2017-12-27 | 2018-05-08 | 北京林业大学 | 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 |
CN110222644A (zh) * | 2019-06-10 | 2019-09-10 | 哈尔滨理工大学 | 基于图像分割的森林火灾烟雾检测方法 |
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 |
CN110516609A (zh) * | 2019-08-28 | 2019-11-29 | 南京邮电大学 | 一种基于图像多特征融合的火灾视频检测及预警方法 |
CN112115875A (zh) * | 2020-09-21 | 2020-12-22 | 北京林业大学 | 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 |
Non-Patent Citations (2)
Title |
---|
兰久强;刘金清;刘引;吴庆祥;: "基于颜色和纹理特征的林火烟雾识别", 计算机系统应用 * |
刘青松 等: "基于机器学习的烟雾检测算法去除固定干扰", 《计算机测量与控制》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116485678A (zh) * | 2023-04-28 | 2023-07-25 | 深圳联安通达科技有限公司 | 基于嵌入式操作系统的图像处理方法 |
CN116485678B (zh) * | 2023-04-28 | 2024-02-09 | 深圳联安通达科技有限公司 | 基于嵌入式操作系统的图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
JP4746050B2 (ja) | ビデオデータを処理するための方法及びシステム | |
CN108805897B (zh) | 一种改进的运动目标检测vibe方法 | |
CN107085714B (zh) | 一种基于视频的森林火灾检测方法 | |
CN113780195A (zh) | 一种基于块提取的森林火灾烟雾根节点检测方法 | |
CN105913441A (zh) | 一种用于改善视频中目标检测性能的阴影去除方法 | |
CN104952256B (zh) | 一种基于视频信息的交叉口处车辆的检测方法 | |
CN111310768B (zh) | 基于鲁棒性背景先验和全局信息的显著性目标检测方法 | |
CN113221763B (zh) | 一种基于视频图像亮度的火焰识别方法 | |
CN114842033B (zh) | 一种用于智能ar设备的图像处理方法 | |
CN107481225A (zh) | 一种自动寻找最优参数分割粘连细胞的方法 | |
CN111429462A (zh) | 一种基于边缘检测和数学形态学的车牌定位方法 | |
CN104933728A (zh) | 一种混合运动目标检测方法 | |
CN110782409B (zh) | 一种去除多运动物体阴影的方法 | |
CN113744326B (zh) | 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法 | |
CN109308709B (zh) | 基于图像分割的Vibe运动目标检测算法 | |
CN107358635B (zh) | 一种基于模糊相似性的彩色形态学图像处理方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN106446764B (zh) | 基于改进的模糊颜色聚合向量的视频目标检测方法 | |
CN113066077B (zh) | 火焰检测方法及装置 | |
CN115410184A (zh) | 一种基于深度神经网络的目标检测车牌识别方法 | |
CN111382736B (zh) | 车牌图像的获取方法和装置 | |
CN110211096B (zh) | 一种雾霾图像的检测方法 | |
CN114187219A (zh) | 基于红绿蓝二重差分的移动目标阴影实时消除方法 | |
CN109191481B (zh) | 不良曝光条件下的鞋印图像快速阈值分割方法 |
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 |