基于圖像智能分析的山火檢測方法
【技術領域】
[0001] 本發明涉及一種山火檢測方法，特別是涉及一種基于圖像智能分析的山火檢測方 法。
【背景技術】
[0002] 森林火災是指發生在山野間，對森林生態系統和人類生命財產安全造成極大傷害 和損失難以控制的火情，其特點是突發性強、覆蓋面積廣、蔓延速度快、危險性高。隨著全球 氣候的變暖，森林火災的發生日趨頻繁。我國非常重視山火的預防和保護，旨在山火發生 的初期就有效地將其撲滅，杜絕其對環境和人類生命財產的破壞。早期的火災的檢測主要 是靠工作人員的巡邏，這種方法不僅耗費了大量的人力、物力資源，人為的巡邏難免會出現 一些疏忽，而且在一些特定的情況下，無法實時準確地發現險情，造成無法估量的損失。目 前有利用飛機偵察森林安全，不過，針對大面積的森林，飛機偵察會耗費大量的費用，而且 操作難度大，需要專業的人才，其最大的缺點是對盲區的檢測精度很低。由于森林覆蓋范圍 廣，該方法實用性不強。另外，由于森林壞境的復雜性和多變性，飛機偵測的火災系統誤報 率較高。所以，基于圖像的山火檢測方法受到了廣泛的關注。
[0003] 目前，較好的方法是首先用基于閾值分割法和顏色聚類法提取山火的區域，進而 提取山火區域的顏色和梯度特征，最后通過貝葉斯分類法和BP神經網絡分類法對圖像進 行分類。
[0004] 傳統基于圖像的方法主要采用閾值分割法、特征聚類法和基于邊緣的區域提取 法。但是這些方法主要是基于灰度圖像，其損失的顏色特征對山火的檢測非常重要，從而在 分割時無法將山火和背景很好地區分開。另外，有一些方法是基于彩色圖像的分割方法，比 如將RGB圖像轉換為HSI顏色通道下的彩色圖像，對H，S，I這三個通道學習火災的閾值，根 據該閾值將圖片進行分割，得到山火的區域；也有方法是直接采用HSI空間的I分量去學習 閾值，檢測火災區域。雖然這些基于閾值的方法快速簡單，但其對閾值的選取非常敏感，由 于森林環境的復雜性，往往很難選取一個合適的閾值將背景和山火很好地區分。如果山火 區域不能夠較準確地提取出來，將會影響后續的特征提取，從而增加對火災檢測的難度。
【發明內容】
[0005] 為解決現有技術的不足，本發明的目的在于，提供一種基于圖像智能分析的山火 檢測方法，用SLIC的方法得到圖像的超像素，該方法能夠快速的將圖像的像素進行聚類， 且能很好地擬合目標的邊緣，得到超像素塊之后，提出其顏色和紋理特征，根據這些特征對 圖像進行山火的分類。
[0006] 本發明的技術方案為：一種基于圖像智能分析的山火檢測方法，其特征是，包括以 下步驟：
[0007] ⑴訓練階段，該階段分為以下三個步驟：
[0008] 步驟一、構建數據庫：從網上搜集關于山火的圖片，用手工標注的方法標定山火的 位置，并標注每張圖片的類別；
[0009] 步驟二、SLIC得到超像素：給定一張訓練圖片，用SLIC的方法提取圖像的超像素， 針對每個超像素塊，找到其中標定為山火的像素的個數，如果其與超像素塊總數的比例大 于〇. 7,則將該超像素塊設定為山火的正樣本，否則，設定為山火的負樣本；
[0010] 步驟三、訓練顏色特征的聚類中心：針對每一張訓練圖片，提取每一個像素的顏色 特征，如公式（1):
[0011] Fc= [r, g, b 1； r-g, g-b1； 1, a, b2] ⑴
[0012] 其中，r代表RGB顏色空間中紅色通道，g代表RGB顏色空間中綠色通道，h代表 RGB顏色空間中藍色通道，r-g代表RGB顏色空間中紅色通道與綠色通道的差值，g-h代表 RGB顏色空間中綠色通道與藍色通道的差值，1代表亮度，a代表在紅色和綠色之間的位置， b 2代表在黃色和藍色之間的位置，
[0013]從訓練圖片的所有像素的顏色特征中隨機選取多個顏色特征，用KMEANS方法進 行聚類；
[0014] 步驟四、訓練紋理特征的聚類中心：針對每一張訓練圖片，將圖片分為4*4的塊， 每個塊的間隔設為4個像素，從每個小塊中提取紋理特征，從訓練圖片的所有小塊對應的 紋理特征中隨機選取多個特征，用KMEANS方法進行聚類；
[0015] 步驟五、得到顏色特征的直方圖：給定一張訓練圖片，首先用SLIC的方法將圖片 分為多個超像素，每個超像素的每個像素提取步驟三的顏色特征，針對每個顏色特征，用步 驟三訓練的顏色特征聚類中心找到與之最接近的顏色聚類中心，用此顏色聚類中心代表該 顏色特征，統計所有顏色聚類中心在該超像素出現的次數，得到顏色特征的直方圖；
[0016]步驟六、得到紋理特征的直方圖：給定一張訓練圖片，得到SLIC生成的超像素，將 每個超像素分為4*4的小塊，每個塊的間隔設為4個像素，從每個小塊中提取紋理特征，用 步驟四訓練的紋理特征聚類中心找到與該紋理特征最靠近的紋理聚類中心，用此紋理聚類 中心代表該紋理特征，統計所有紋理聚類中心在該超像素出現的次數，得到紋理特征的直 方圖；
[0017] 步驟七、訓練RBF核的SVM:將步驟五生成的顏色特征直方圖與步驟六生成的紋理 特征直方圖串聯起來，作為超像素的特征，給定山火的正樣本和負樣本，對每一個樣本對應 的超像素，提取其顏色和紋理特征，訓練RBF核的SVM訓練器，如公式（2):
【主權項】
1. 一種基于圖像智能分析的山火檢測方法，其特征是，包括以下步驟： (1) 訓練階段，該階段分為以下三個步驟： 步驟一、構建數據庫：從網上搜集關于山火的圖片，用手工標注的方法標定山火的位 置，并標注每張圖片的類別； 步驟二、SLIC得到超像素：給定一張訓練圖片，用SLIC的方法提取圖像的超像素，針 對每個超像素塊，找到其中標定為山火的像素的個數，如果其與超像素塊總數的比例大于 〇. 7,則將該超像素塊設定為山火的正樣本，否則，設定為山火的負樣本； 步驟三、訓練顏色特征的聚類中心：針對每一張訓練圖片，提取每一個像素的顏色特 征，如公式（1): Fc= [r,g,b1；r-g,g-b1； 1,a,b2] (1) 其中，r代表RGB顏色空間中紅色通道，g代表RGB顏色空間中綠色通道，h代表RGB顏 色空間中藍色通道，r-g代表RGB顏色空間中紅色通道與綠色通道的差值，g-h代表RGB顏 色空間中綠色通道與藍色通道的差值，1代表亮度，a代表在紅色和綠色之間的位置，匕代 表在黃色和藍色之間的位置， 從訓練圖片的所有像素的顏色特征中隨機選取多個顏色特征，用KMEANS方法進行聚 類； 步驟四、訓練紋理特征的聚類中心：針對每一張訓練圖片，將圖片分為4*4的塊，每個 塊的間隔設為4個像素，從每個小塊中提取紋理特征，從訓練圖片的所有小塊對應的紋理 特征中隨機選取多個特征，用KMEANS方法進行聚類； 步驟五、得到顏色特征的直方圖：給定一張訓練圖片，首先用SLIC的方法將圖片分為 多個超像素，每個超像素的每個像素提取步驟三的顏色特征，針對每個顏色特征，用步驟三 訓練的顏色特征聚類中心找到與之最接近的顏色聚類中心，用此顏色聚類中心代表該顏色 特征，統計所有顏色聚類中心在該超像素出現的次數，得到顏色特征的直方圖； 步驟六、得到紋理特征的直方圖：給定一張訓練圖片，得到SLIC生成的超像素，將每 個超像素分為4*4的小塊，每個塊的間隔設為4個像素，從每個小塊中提取紋理特征，用步 驟四訓練的紋理特征聚類中心找到與該紋理特征最靠近的紋理聚類中心，用此紋理聚類中 心代表該紋理特征，統計所有紋理聚類中心在該超像素出現的次數，得到紋理特征的直方 圖； 步驟七、訓練RBF核的SVM:將步驟五生成的顏色特征直方圖與步驟六生成的紋理特征 直方圖串聯起來，作為超像素的特征，給定山火的正樣本和負樣本，對每一個樣本對應的超 像素，提取其顏色和紋理特征，訓練RBF核的SVM訓練器，如公式（2):
其中，x為超像素塊串聯起來的顏色和紋理直方圖，n代表的是訓練樣本的總數，y代表 的是樣本的類別，a和b均為常數，K代表的是核函數； (2) 測試階段，該階段分為以下三個步驟： 步驟一、SLIC得到超像素：給定一張測試圖片，首先用SLIC的方法生成多個超像素，將SLIC的規范化閾值設定為0. 01，使得超像素的邊緣吻合目標的邊緣； 步驟二、得到顏色聚類中心的直方圖：針對每個超像素，提取每個像素的顏色特征，用 訓練階段中步驟三訓練的顏色聚類中心找到與該顏色特征最接近的顏色聚類中心，用此聚 類中心表示該顏色特征，統計超像素區域內所有顏色聚類中心出現的次數，得到顏色聚類 中心的直方圖； 步驟三、得到紋理聚類中心的直方圖：給定一個超像素區域，將超像素分為4*4的規范 化小塊，每個小塊的間距為4個像素，從每個小塊提取紋理特征，從訓練步驟四訓練得到的 紋理聚類中心找到與該紋理特征最靠近的紋理聚類中心，用此聚類中心表示該紋理特征， 統計超像素區域內所有紋理聚類中心出現的次數，得到紋理聚類中心的直方圖； 步驟四、用訓練的RBF核的SVM分類器對特征分類：將步驟二和步驟三的直方圖串聯起 來表示超像素區域的特征，用訓練的RBF核的SVM分類器對該特征進行分類，得到超像素屬 于山火的概率； 步驟五、對山火待定區域后處理：將概率小于0. 3的區域設定為非山火確定區域，將概 率大于0.7的區域設定為山火確定區域，其余部分為山火待定區域，針對分為山火待定區 域的每個超像素塊，統計其周圍分為山火確定區域和非山火確定區域的超像素的個數，若 山火確定區域超像素個數大于非山火確定區域超像素的個數，則將該山火待定區域分為山 火確定區域。
2. 根據權利要求1所述的基于圖像智能分析的山火檢測方法，其特征是，上述訓練階 段的步驟二中，用SLIC的方法提取圖像的超像素的具體過程為：將超像素塊的大小設定為 大于20的像素，同時，將SLIC的規范化參數設為0. 01，使得其生成的超像素塊與目標的輪 廓吻合。
3. 根據權利要求1所述的基于圖像智能分析的山火檢測方法，其特征是，上述訓練階 段的步驟三中，從訓練圖片的所有像素的顏色特征中隨機選取顏色特征的個數為300000 個，聚類的總數為150。
4. 根據權利要求1所述的基于圖像智能分析的山火檢測方法，其特征是，上述訓練階 段的步驟四中，從訓練圖片的所有小塊對應的紋理特征中隨機選取的特征為300000個，聚 類的總數為150。
【專利摘要】本發明公開了一種基于圖像智能分析的山火檢測方法，包括訓練階段和測試階段，用SLIC的方法得到圖像的超像素，該方法能夠快速的將圖像的像素進行聚類，且能很好地擬合目標的邊緣，得到超像素塊之后，提出其顏色和紋理特征，根據這些特征對圖像進行山火的分類。本發明提出的基于紋理和顏色的火災檢測方法能夠快速有效地檢測山火的位置，且能達到一個較精確的分類結果。該方法使用的SLIC生成的超像素能夠很好地吻合目標的邊緣，且分割效果較為理想。用來描述超像素區域的特征簡單有效，復雜度低，能夠滿足山火檢測的實時性要求。
【IPC分類】G06T7-00, G06K9-62
【公開號】CN104573719
【申請號】CN201410853102
【發明人】姚楠, 羅旺, 郭雅娟, 洪功義, 張天兵
【申請人】國家電網公司, 江蘇省電力公司, 江蘇省電力公司電力科學研究院, 南京南瑞信息通信科技有限公司
【公開日】2015年4月29日
【申請日】2014年12月31日