CN115100555B - 云雾环境下基于多运动特征的森林火灾烟雾检测方法 - Google Patents

云雾环境下基于多运动特征的森林火灾烟雾检测方法 Download PDF

Info

Publication number
CN115100555B
CN115100555B CN202210894224.6A CN202210894224A CN115100555B CN 115100555 B CN115100555 B CN 115100555B CN 202210894224 A CN202210894224 A CN 202210894224A CN 115100555 B CN115100555 B CN 115100555B
Authority
CN
China
Prior art keywords
optical flow
smoke
cloud
extracted
suspected
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.)
Active
Application number
CN202210894224.6A
Other languages
English (en)
Other versions
CN115100555A (zh
Inventor
蔡晨晓
赵丽媛
杨轶
姚娟
邹云
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202210894224.6A priority Critical patent/CN115100555B/zh
Publication of CN115100555A publication Critical patent/CN115100555A/zh
Application granted granted Critical
Publication of CN115100555B publication Critical patent/CN115100555B/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
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及无人机森林火灾预测技术领域，尤其涉及一种云雾环境下基于多运动特征的森林火灾烟雾检测方法，包括：对无人机高空巡检过程所拍摄到的疑似烟雾区域进行提取；对提取的疑似烟雾区域的图像进行光流场分析，得到光流角度比率之和，并初步判别；对提取区域进行二维离散小波变换分解为高低频多种频域的图像；采用皮尔逊相关系数统计图像的连续帧之间高低频的相关性；依据联合判据对提取的疑似烟雾区域再次判别，得到疑似烟雾区域最终判别结果。本发明不需要依赖其他传感器和高性能的机载计算机，有效减轻无人机的负载，且与深度学习的算法相比，前期无需制作大量的数据集训练，提高了检测速度，保证了无人机在巡检过程中的实时性。

Description

云雾环境下基于多运动特征的森林火灾烟雾检测方法
技术领域
本发明涉及无人机森林火灾预测技术领域，尤其涉及一种云雾环境下基于多运动特征的森林火灾烟雾检测方法。
背景技术
森林火灾不仅会造成巨大的经济损失，对于一系列特大火灾时间，可能会造成人员伤亡，因此，早期预防和早期检测火灾具有重大科研意义。烟雾是火灾早期暴露出来的主要特征，如果能够迅速精确警觉烟雾的发生，那么对火灾救援提供很重要的预警信息。随着无人机技术的逐渐成熟，利用无人机进行森林防火巡护可以有效弥补传统森林防火工作存在的不足，具有广阔的发展前景。
现有的利用无人机搭载各种烟雾、温度传感器进行火灾检测的方法，需要无人机近距离的靠近气体。虽然在云雾环境下，可以精确检测出待测对象是否为烟雾，但是这种检测方法效率低，而且难以保证无人机的安全。
随着图像处理技术和深度学习的发展，利用无人机进行火灾检测开始借鉴这种技术。基于深度学习的计算机视觉算法更适合应用于复杂的室外场景。基于深度学习的森林火灾检测方法有效降低了传统利用传感器检测的复杂度和危险性。研究者利用神经网络进行特征提取，通过神经网络和损失函数，对烟雾数据集进行训练，但这种检测方法直接用于烟雾检测的检测效果不好。主要原因是深度学习方法需要大量训练数据集，由于缺乏数据，神经网络难以识别。其次，在云雾环境下识别火灾烟雾是关键难题。在火灾烟雾检测这一特定的领域的数据集很少，公开的数据集大多没有标签，样本单一也不具有代表性。基于深度学习的烟雾检测方法很难区分出检测到的目标是否为烟雾，在检测过程难以保证检测效果和实时性。
发明内容
为解决上述现有技术存在的问题，本发明公开一种云雾环境下基于多运动特征的森林火灾烟雾检测方法。
为了实现本发明的目的，所采用的技术方案是：云雾环境下基于多运动特征的森林火灾烟雾检测方法，包括如下步骤：
S1、对无人机高空巡检过程所拍摄到的疑似烟雾区域进行提取；对提取的疑似烟 雾区域的图像进行光流场分析，根据光流场分析得到的光流角的分布占比，计算出-90º~- 60º、 60º~90º两种角度内光流角度比率之和
Figure DEST_PATH_IMAGE001
，与设定的光流角阈值R T 进行比较，进行初 步判别，若大于光流角阈值R T ，则进入步骤S2，否则，判断提取的疑似烟雾区域为云雾；
S2、提取的疑似烟雾区域初步判断为烟雾，对提取区域进行二维离散小波变换分解为高低频多种频域的图像；
S3、对分解后的多种频域的图像，采用皮尔逊相关系数统计图像的连续帧之间高低频的相关性；
S4、依据联合判据对提取的疑似烟雾区域再次判别，得到疑似烟雾区域最终判别结果。
作为本发明的优化方案，在步骤S1中，进行光流场分析过程包括如下步骤：
S1-1、对提取的疑似烟雾区域进行光流场分析，获得光流场图像中的光流矢量分布，计算光流场中光流矢量的光流强度和光流角度：
Figure 669774DEST_PATH_IMAGE002
（1）
Figure DEST_PATH_IMAGE003
（2）
S1-2、通过光流场中的各个角度范围内的光流角个数统计得到各个角度范围内光 流角的分布占比
Figure 167752DEST_PATH_IMAGE004
：
Figure DEST_PATH_IMAGE005
（3）
其中：U(i,j)为像素点(i,j)在x方向上的光流向量；V(i,j)为像素点(i,j)在y方 向上的光流向量；W(i,j)为像素点(i,j)的光流强度；θ(i,j)为像素点(i,j)的光流角度；
Figure 877082DEST_PATH_IMAGE006
表示θ 1~θ 2角度范围内的光流角个数，S表示光流场图像中总光流角个数；
通过光流角的分布占比
Figure 827720DEST_PATH_IMAGE004
，在-90º~-60º、 60º~90º两种角度内光流角度比率 之和为
Figure 146444DEST_PATH_IMAGE001
，
Figure 498928DEST_PATH_IMAGE001
的计算如下：
Figure DEST_PATH_IMAGE007
（4）
其中：
Figure 379159DEST_PATH_IMAGE008
为光流角度在-90º~-60º范围内的比率，
Figure DEST_PATH_IMAGE009
为光流角度在60º ~90º范围内的比率。
作为本发明的优化方案，光流角阈值R T 的设定过程包括如下步骤：
A、收集若干组森林火灾烟雾和若干组森林云雾样本，对烟雾和云雾样本进行光流场分析，分别统计烟雾样本光流场和云雾样本光流场中光流角的分布占比的差异，并记录；
B、通过计算烟雾样本和云雾样本中
Figure 754777DEST_PATH_IMAGE001
的差异，得到光流角阈值R T 为40%。
作为本发明的优化方案，在步骤S2中，对提取区域进行二维离散小波变换分解的过程包括：从水平和竖直两个方向对提取的疑似烟雾区域的图像进行低通和高通滤波，将提取的疑似烟雾区域的图像的低频信息生成一个低频子带L；提取的疑似烟雾区域的图像的高频信息分解为3个高频子带；用H 表示水平方向高频信息，V表示垂直方向高频子带，D表示对角方向高频子带，将一帧图像分解为4幅不同频域的图像。
作为本发明的优化方案，步骤S3中，采用皮尔逊相关系数法对相邻帧图片分解后在不同频域求取相关系数，由以下公式计算相关系数r xy ：
Figure 175394DEST_PATH_IMAGE010
（5）
其中：x ij 表示第一帧图片(i,j)点的像素值；y ij 表示第二帧图片(i,j)点的像素 值；i=1,2,…,m；j=1,2,…,n；
Figure DEST_PATH_IMAGE011
表示第一帧图片像素的平均值；
Figure 585647DEST_PATH_IMAGE012
表示第二帧图片像素的 平均值。
作为本发明的优化方案，在步骤S4中，联合判据的获取过程包括：对多组烟雾样本和多组云雾样本进行分解后，求取低频相关性系数r L，水平方向高频相关性系数r H ，竖直方向高频相关性系数r D ，对角线方向高频相关性系数r V ，并统计，记录烟雾样本和云雾样本在不同参数指标上的差异，根据差异定义作为判据的参数和阈值。
作为本发明的优化方案，判据的参数包括低频相关性系数r L和水平方向高频相关性系数r H ；
设低频相关性系数r L的变化率为ΔP：
Figure DEST_PATH_IMAGE013
（6）
其中：
Figure 135314DEST_PATH_IMAGE014
表示低频相关性系数r L的最大值，
Figure DEST_PATH_IMAGE015
表示低频相关性系数r L的最小 值；
计算烟雾样本和云雾样本的低频相关性系数r L的变化率为ΔP后，记录两者差异，并设置合适的低频相关性阈值P T ；
根据统计的水平方向高频相关性系数r H 数值，设置水平方向高频相关性阈值H T 。
作为本发明的优化方案，在步骤S4中，依据联合判据对提取的疑似烟雾区域再次判别的过程包括：若满足ΔP＞P T ，或者满足r H ＞H T ，则判断提取的疑似烟雾区域为烟雾，否则判断为云雾。
本发明具有积极的效果：1）本发明在不依赖其它传感器和高性能的机载计算机的前提下，所设计的检测方法能够在远距离的情况下有效的分析出提取区域内的气体是否为烟雾，保证了无人机的安全和巡检效率，有效减轻无人机的负载；
2）本发明设计的检测方法与深度学习的算法相比，前期无需制作大量的数据集训练，检测过程中计算量小，提高了检测速度，保证了无人机在巡检过程中的实时性；
3）本发明可以在云雾环境下，有效降低云雾对烟雾检测的干扰，保证了检测效果的准确性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明森林火灾烟雾检测方法的流程图；
图2是本发明实施例中烟雾样本光流处理结果图；
图3是本发明实施例中云雾样本光流处理结果图；
图4是本发明实施例中烟雾样本离散小波变换处理结果图；
图5是本发明实施例中云雾样本离散小波变换处理结果图；
图6是本发明实施例中烟雾云雾低频相关性系数对比图；
图7是本发明实施例中烟雾云雾水平高频相关性系数对比图；
图8是本发明实施例中烟雾云雾竖直方向高频相关性系数对比图；
图9是本发明实施例中烟雾云雾对角线方向高频相关性系数对比图。
具体实施方式
如图1所示，本发明公开了云雾环境下基于多运动特征的森林火灾烟雾检测方法，包括如下步骤：
S1、对无人机高空巡检过程所拍摄到的疑似烟雾区域进行提取；对提取的疑似烟 雾区域的图像进行光流场分析，根据光流场分析得到的光流角的分布占比，计算出-90º~- 60º、 60º~90º两种角度内光流角度比率之和
Figure 60545DEST_PATH_IMAGE001
，与设定的光流角阈值R T 进行比较，进行初 步判别，若大于光流角阈值R T ，则进入步骤S2，否则，判断提取的疑似烟雾区域为云雾；
其中，图1中输入视频指的是无人机拍摄图像，提取图像指的是提取的疑似烟雾区域。
光流是空间运动物体在观测成像面上像素运动的瞬时速度。将二维图像平面特定坐标点上的灰度瞬时变化率定义为光流矢量。
火灾燃烧时不可避免地会产生粒径在25nm~100μm、温度在100~1000℃范围的微小颗粒群，即视觉烟雾。这些微粒云在燃烧热的驱动下，往往表现为朝着某一确定方向的光流运动趋势。
利用光流场分析的稀疏特征点表达包含目标运动信息的图像变化，面对云雾和烟雾复杂的不规则运动，确定其运动情况，并在提取出的疑似区域图像的总运动矢量的基础上，融合目标的整体和边缘动态特征相关系数进行特征标志判别，以此来减少森林中云雾对烟雾的干扰，从而更准确的检测出云雾环境下的火灾烟雾。
首先收集30组烟雾样本和30组云雾样本进行光流场的统计分析，利用两者光流场中光流角度分布差异进行烟雾检测的初步判别。
在步骤S1中，进行光流场分析过程包括如下步骤：
S1-1、对提取的疑似烟雾区域进行光流场分析，获得光流场图像中的光流矢量分布，计算光流场中光流矢量的光流强度和光流角度：
Figure 222536DEST_PATH_IMAGE002
（1）
Figure 284033DEST_PATH_IMAGE003
（2）
S1-2、通过光流场中的各个角度范围内的光流角个数统计得到各个角度范围内光 流角的分布占比
Figure 568384DEST_PATH_IMAGE004
：
Figure 918594DEST_PATH_IMAGE005
（3）
其中：U(i,j)为像素点(i,j)在x方向上的光流向量；V(i,j)为像素点(i,j)在y方 向上的光流向量；W(i,j)为像素点(i,j)的光流强度；θ(i,j)为像素点(i,j)的光流角度；
Figure 946593DEST_PATH_IMAGE006
表示θ 1~θ 2角度范围内的光流角个数，S表示光流场图像中总光流角个数；
通过光流角的分布占比
Figure 128175DEST_PATH_IMAGE004
，在-90º~-60º、 60º~90º两种角度内光流角度比率 之和为
Figure 255531DEST_PATH_IMAGE001
，
Figure 155354DEST_PATH_IMAGE001
的计算如下：
Figure 721465DEST_PATH_IMAGE016
（4）
其中：
Figure 23133DEST_PATH_IMAGE008
为光流角度在-90º~-60º范围内的比率，
Figure DEST_PATH_IMAGE017
为光流角度在60º ~90º范围内的比率。
根据对30组烟雾样本和30组云雾样本使用光流场分析得到的烟雾和云雾样本的光流图，如图2、图3所示，统计光流场图像中光流矢量的光流角度在各个角度范围内的分布占比情况，分析角度分布占比情况，结果表明：烟雾的光流角度大多集中在-90°~-60°、60°~90°；而云雾的光流角度大多集中在-30°~0°、0°~30°。以此设置判据光流角度占比阈值R T 。
光流角阈值R T 的设定过程包括如下步骤：
A、收集若干组森林火灾烟雾和若干组森林云雾样本，对烟雾和云雾样本进行光流场分析，分别统计烟雾样本光流场和云雾样本光流场中光流角的分布占比的差异，并记录；
为排除噪声的干扰，只对-90º~-60º、 60º~90º两种角度内光流角度比率进行对比。
B、通过计算烟雾样本和云雾样本中
Figure 819925DEST_PATH_IMAGE001
的差异，得到光流角阈值R T 为40%，烟雾样 本的
Figure 207044DEST_PATH_IMAGE001
为51.5%，而云雾样本的
Figure 514529DEST_PATH_IMAGE001
为11.86%，根据人工经验选择法，得到光流角阈值R T 为 40%。
利用公式（1）和（2）计算出提取的疑似烟雾区域的光流矢量并绘制在光流图中，然 后根据光流矢量的光流角度计算出提取区域的
Figure 405125DEST_PATH_IMAGE001
，然后进行判断，当满足
Figure 202179DEST_PATH_IMAGE001
大于光流角 阈值R T 时，初步判断可疑区域为烟雾区域，然后进入下一步的判据判别；否则将可疑区域判 别为云雾，然后返回步骤S1，继续提取可疑区域。
S2、提取的疑似烟雾区域初步判断为烟雾，对提取区域进行二维离散小波变换分解为高低频多种频域的图像。
实际生活中信号的变化规律为：低频信号变化相对缓慢，持续作用的时间较长；高频信号不仅变化迅速，而且持续时间较短。因此在对实际信号分析时，为了得到更高分辨率的分析结果，需要采用不同的时频窗口对低频、高频分量进行观察分析。
在步骤S2中，对提取区域进行二维离散小波变换分解的过程包括：从水平和竖直两个方向对提取的疑似烟雾区域的图像进行低通和高通滤波，将提取的疑似烟雾区域的图像的低频信息生成一个低频子带L；提取的疑似烟雾区域的图像的高频信息分解为3个高频子带；用H 表示水平方向高频信息，V表示垂直方向高频子带，D 表示对角方向高频子带，将一帧图像分解为4幅不同频域的图像。
其中，小波变换的本质是采用一组伸缩平移且相互正交的时频窗口对原始信号进行展开，低频分量信息一般反映图像的全局结构信息，高频分量信息则表达图像中目标的边缘信息。其中又可分解为 1个低频子带(水平方向和垂直方向均经过低通滤波) L和3个高频子带，用H表示水平方向高频信息，V表示垂直方向高频子带，D表示对角方向高频子带。
森林火灾烟雾与云雾在短时运动过程中的整体变化较小，所以两者在图像中的低频分量相关性均高。森林火灾烟雾因其特有的动态结构和燃烧特性，在目标区域短时运动过程中的边缘结构变化较大；而云雾动力较小，在目标区域短时运动过程中的边缘结构变化较小，因此两者在相邻两帧图像的高频分量相关性会有不同。
步骤S3中，采用皮尔逊相关系数法对相邻帧图片分解后在不同频域求取相关系数，由以下公式计算相关系数r xy ：
Figure 748698DEST_PATH_IMAGE010
（5）
其中：x ij 表示第一帧图片(i,j)点的像素值；y ij 表示第二帧图片(i,j)点的像素 值；i=1,2,…,m；j=1,2,…,n；
Figure 922191DEST_PATH_IMAGE011
表示第一帧图片像素的平均值；
Figure 932872DEST_PATH_IMAGE012
表示第二帧图片像素的 平均值。
直接利用像素值进行相关性计算，对明显不相似区域的判别是有效的，但在某些复杂的背景环境下仅从整体相关性上无法看出较为明显的特征。
考虑到这一点，分别对烟雾样本和云雾样本进行二维离散小波变换分解为高低频不同频域的图像，分解图如图4和图5所示。统计烟雾与云雾不同频域的相邻帧之间相关性，并根据统计结果，定义能区分烟雾和云雾的阈值。
S4、依据联合判据对提取的疑似烟雾区域再次判别，得到疑似烟雾区域最终判别结果。
在步骤S4中，联合判据的获取过程包括：对多组烟雾样本和多组云雾样本进行分解后，求取低频相关性系数r L，水平方向高频相关性系数r H ，竖直方向高频相关性系数r D ，对角线方向高频相关性系数r V ，并统计，记录烟雾样本和云雾样本在不同参数指标上的差异，根据差异定义作为判据的参数和阈值。
如图6-9所示，实验样本不同频域中相邻帧的相关系数统计结果显示，烟雾与云雾高低频相关性具有显著区别。
判据的两个参数包括低频相关性系数r L和水平方向高频相关性系数r H ；其中：低频相关性系数r L和水平方向高频相关性系数r H 由对应的图片，根据公式（5）计算得到。
设低频相关性系数r L的变化率为ΔP：
Figure 900828DEST_PATH_IMAGE013
（6）
其中：
Figure 934643DEST_PATH_IMAGE014
表示低频相关性系数r L的最大值，
Figure 646247DEST_PATH_IMAGE018
表示低频相关性系数r L的最小 值。
计算烟雾样本和云雾样本的低频相关性系数r L的变化率为ΔP后，记录两者差异，经计算烟雾的低频相关变化率∆P smoke =6.24%，而云雾的低频相关变化率∆P fog =0.03%，根据结果，由人工经验选择法设置低频相关性阈值P T 为0.04%；
根据统计的r H 数值，烟雾样本的水平高频分量信息的相关系数都较低，而云雾样本的水平高频分量信息的相关系数都较高，均在0.8以上，因此设置水平高频相关性阈值H T 为0.8。
在步骤S4中，依据联合判据对提取的疑似烟雾区域再次判别的过程包括：若满足ΔP＞P T ，或者满足r H ＞H T ，则判断提取的疑似烟雾区域为烟雾，否则判断为云雾。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.云雾环境下基于多运动特征的森林火灾烟雾检测方法，其特征在于：包括如下步骤：
S1、对无人机高空巡检过程所拍摄到的疑似烟雾区域进行提取；对提取的疑似烟雾区 域的图像进行光流场分析，根据光流场分析得到的光流角的分布占比，计算出-90º~-60º、 60º~90º两种角度内光流角度比率之和
Figure DEST_PATH_IMAGE002
，与设定的光流角阈值R T 进行比较，进行初步判 别，若大于光流角阈值R T ，则进入步骤S2，否则，判断提取的疑似烟雾区域为云雾；
S2、提取的疑似烟雾区域初步判断为烟雾，对提取区域进行二维离散小波变换分解为高低频多种频域的图像；
S3、对提取区域进行二维离散小波变换分解得到的高低频多种频域的图像，采用皮尔逊相关系数统计图像的连续帧之间高低频的相关性；
S4、依据联合判据对提取的疑似烟雾区域再次判别，得到疑似烟雾区域最终判别结果；
在步骤S4中，联合判据的获取过程包括：对多组烟雾样本和多组云雾样本进行分解后，求取低频相关性系数r L，水平方向高频相关性系数r H ，竖直方向高频相关性系数r D ，对角线方向高频相关性系数r V ，并统计，记录烟雾样本和云雾样本在不同参数指标上的差异，根据差异定义作为判据的参数和阈值。
2.根据权利要求1所述的云雾环境下基于多运动特征的森林火灾烟雾检测方法，其特征在于：在步骤S1中，进行光流场分析过程包括如下步骤：
S1-1、对提取的疑似烟雾区域进行光流场分析，获得光流场图像中的光流矢量分布，计算光流场中光流矢量的光流强度和光流角度：
Figure DEST_PATH_IMAGE004
（1）
Figure DEST_PATH_IMAGE006
（2）
S1-2、通过光流场中的各个角度范围内的光流角个数统计得到各个角度范围内光流角 的分布占比
Figure DEST_PATH_IMAGE008
：
Figure DEST_PATH_IMAGE010
（3）
其中：U(i,j)为像素点(i,j)在x方向上的光流向量；V(i,j)为像素点(i,j)在y方向上 的光流向量；W(i,j)为像素点(i,j)的光流强度；θ(i,j)为像素点(i,j)的光流角度；
Figure DEST_PATH_IMAGE012
表示θ 1~θ 2角度范围内的光流角个数，S表示光流场图像中总光流角个数；
通过光流角的分布占比
Figure DEST_PATH_IMAGE008A
，在-90º~-60º、 60º~90º两种角度内光流角度比率之和 为
Figure DEST_PATH_IMAGE002A
，
Figure DEST_PATH_IMAGE002AA
的计算如下：
Figure DEST_PATH_IMAGE014
（4）
其中：
Figure DEST_PATH_IMAGE016
为光流角度在-90º~-60º范围内的比率，
Figure DEST_PATH_IMAGE018
为光流角度在60º~90º 范围内的比率。
3.根据权利要求2所述的云雾环境下基于多运动特征的森林火灾烟雾检测方法，其特征在于：光流角阈值R T 的设定过程包括如下步骤：
A、收集若干组森林火灾烟雾和若干组森林云雾样本，对烟雾和云雾样本进行光流场分析，分别统计烟雾样本光流场和云雾样本光流场中光流角的分布占比的差异，并记录；
B、通过计算烟雾样本和云雾样本中
Figure DEST_PATH_IMAGE002AAA
的差异，得到光流角阈值R T 为40%。
4.根据权利要求1所述的云雾环境下基于多运动特征的森林火灾烟雾检测方法，其特征在于：在步骤S2中，对提取区域进行二维离散小波变换分解的过程包括：从水平和竖直两个方向对提取的疑似烟雾区域的图像进行低通和高通滤波，将提取的疑似烟雾区域的图像的低频信息生成一个低频子带L；提取的疑似烟雾区域的图像的高频信息分解为3个高频子带；用H 表示水平方向高频信息，V表示垂直方向高频子带，D 表示对角方向高频子带，将一帧图像分解为4幅不同频域的图像。
5.根据权利要求4所述的云雾环境下基于多运动特征的森林火灾烟雾检测方法，其特征在于：步骤S3中，采用皮尔逊相关系数法对相邻帧图片分解后在不同频域求取相关系数，由以下公式计算相关系数r xy ：
Figure DEST_PATH_IMAGE020
（5）
其中：x ij 表示第一帧图片(i,j)点的像素值；y ij 表示第二帧图片(i,j)点的像素值；i=1, 2,…,m；j=1,2,…,n；
Figure DEST_PATH_IMAGE022
表示第一帧图片像素的平均值；
Figure DEST_PATH_IMAGE024
表示第二帧图片像素的平均值。
6.根据权利要求5所述的云雾环境下基于多运动特征的森林火灾烟雾检测方法，其特征在于：判据的参数包括低频相关性系数r L和水平方向高频相关性系数r H ；
设低频相关性系数r L的变化率为ΔP：
Figure DEST_PATH_IMAGE026
（6）
其中：
Figure DEST_PATH_IMAGE028
表示低频相关性系数r L的最大值，
Figure DEST_PATH_IMAGE030
表示低频相关性系数r L的最小值；
计算烟雾样本和云雾样本的低频相关性系数r L的变化率为ΔP后，记录两者差异，并设置合适的低频相关性阈值P T ；
根据统计的水平方向高频相关性系数r H 数值，设置水平方向高频相关性阈值H T 。
7.根据权利要求6所述的云雾环境下基于多运动特征的森林火灾烟雾检测方法，其特征在于：在步骤S4中，依据联合判据对提取的疑似烟雾区域再次判别的过程包括：若满足ΔP＞P T ，或者满足r H ＞H T ，则判断提取的疑似烟雾区域为烟雾，否则判断为云雾。
CN202210894224.6A 2022-07-27 2022-07-27 云雾环境下基于多运动特征的森林火灾烟雾检测方法 Active CN115100555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210894224.6A CN115100555B (zh) 2022-07-27 2022-07-27 云雾环境下基于多运动特征的森林火灾烟雾检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210894224.6A CN115100555B (zh) 2022-07-27 2022-07-27 云雾环境下基于多运动特征的森林火灾烟雾检测方法

Publications (2)

Publication Number Publication Date
CN115100555A CN115100555A (zh) 2022-09-23
CN115100555B true CN115100555B (zh) 2022-11-15

Family

ID=83301261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210894224.6A Active CN115100555B (zh) 2022-07-27 2022-07-27 云雾环境下基于多运动特征的森林火灾烟雾检测方法

Country Status (1)

Country Link
CN (1) CN115100555B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012731B (zh) * 2023-03-30 2023-06-09 成都国星宇航科技股份有限公司 一种星上在轨云检测的方法、系统及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190100518A (ko) * 2018-02-07 2019-08-29 계명대학교 산학협력단 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법 및 시스템
CN112132870A (zh) * 2020-09-27 2020-12-25 上海应用技术大学 森林火灾早期烟雾检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334660A (zh) * 2019-07-08 2019-10-15 天津城建大学 一种雾天条件下基于机器视觉的森林火灾监测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190100518A (ko) * 2018-02-07 2019-08-29 계명대학교 산학협력단 소프트 타겟 학습 기법에 의해 경량화된 랜덤 포레스트 분류 방법을 이용한 보행자 검출 방법 및 시스템
CN112132870A (zh) * 2020-09-27 2020-12-25 上海应用技术大学 森林火灾早期烟雾检测方法

Also Published As

Publication number Publication date
CN115100555A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN102982313B (zh) 烟雾检测的方法
CN111126293A (zh) 一种火焰和烟雾异常情况检测方法及系统
CN110874592A (zh) 一种基于总有界变分的森林火灾烟雾图像检测方法
CN104050637A (zh) 基于两次引导滤波的快速图像去雾方法
CN110827262B (zh) 一种基于连续有限帧红外图像的弱小目标检测方法
CN115100555B (zh) 云雾环境下基于多运动特征的森林火灾烟雾检测方法
Kongurgsa et al. Real-time intrusion—detecting and alert system by image processing techniques
Manchanda et al. Analysis of computer vision based techniques for motion detection
CN115690564A (zh) 基于Recursive BIFPN网络的室外火灾烟雾图像检测方法
CN114549642B (zh) 一种低对比度红外弱小目标检测方法
CN112927459B (zh) 一种基于无人机视觉的九宫格火势预测方法及应用
CN110751667A (zh) 基于人类视觉系统的复杂背景下红外弱小目标检测方法
Zhao et al. Image dehazing based on haze degree classification
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
CN111311640A (zh) 一种基于运动估计的无人机识别跟踪方法
CN102142148B (zh) 视频空时特征提取方法
CN103473753A (zh) 一种基于多尺度小波阈值去噪的目标检测方法
Kaliyev et al. Computer Vision-based Fire Detection using Enhanced Chromatic Segmentation and Optical Flow Model
CN116452976A (zh) 一种煤矿井下安全检测方法
CN111126230A (zh) 一种烟雾浓度的量化评价方法及应用该方法的电子设备
CN114494359A (zh) 一种基于异常光流的小样本运动目标检测方法
Jehad et al. Developing and validating a real time video based traffic counting and classification
CN109859200B (zh) 一种基于背景分析的低空慢速无人机快速检测方法
Yu et al. Unmanned aerial vehicle (UAV) image haze removal using dark channel prior
Pal et al. Quality enhancement of foggy images comprising of large sky region on SAMEER TU dataset

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