一種基于圖像分割的森林火災(zāi)煙霧檢測方法
【專利摘要】本發(fā)明涉及一種基于圖像分割的森林火災(zāi)煙霧檢測方法，包括以下步驟：獲取單幀視頻圖像；對獲取的單幀視頻圖像進行天地線檢測；根據(jù)顏色距離和空間距離對天地線檢測后的圖像進行超像素分割；采用支持向量機對圖像的像素塊進行分類，從而對煙霧進行識別。本發(fā)明能夠排除天空、云霧和光照對于煙霧檢測的干擾。
【專利說明】
一種基于圖像分割的森林火災(zāi)煙霧檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及火災(zāi)預(yù)警技術(shù)領(lǐng)域，特別是涉及一種基于圖像分割的森林火災(zāi)煙霧檢 測方法。
【背景技術(shù)】
[0002] 針對森林火災(zāi)的智能圖像處理技術(shù)是一個新的研究領(lǐng)域。為了避免火勢的蔓延， 火災(zāi)檢測的實時性和精確性是至關(guān)重要的；另外，對于火勢蔓延的預(yù)測和著火位置的定位， 也有利于火災(zāi)的及時撲救。在森林中，由于樹木的遮擋，煙霧的出現(xiàn)往往會早于火焰，所以 研究基于數(shù)字圖像的煙霧檢測，能夠及早地對森林火情進行預(yù)警，并能夠直觀地定位出著 火位置。一般性的，現(xiàn)有森林火災(zāi)檢測算法從煙霧的光譜特征、形狀特征和運動特征進行檢 測，再輔助以其他檢測手段，例如利用煙霧會使背景變模糊這一特性，用空域小波分析檢測 煙霧;近年來，也有很多學(xué)者研究煙霧的自相似性，即運用分形理論檢測煙霧。但傳統(tǒng)的森 林火災(zāi)煙霧檢測算法大多只考慮理想背景下的煙霧檢測，并在像素級層面上對圖像進行分 析，并不一定適用森林這樣的復(fù)雜環(huán)境下的煙霧識別。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明所要解決的技術(shù)問題是提供一種基于圖像分割的森林火災(zāi)煙霧檢測方法， 能夠排除天空、云霧和光照對于煙霧檢測的干擾。
[0004] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:提供一種基于圖像分割的森林火災(zāi) 煙霧檢測方法，包括以下步驟：
[0005] (1)獲取單幀視頻圖像；
[0006] (2)對獲取的單幀視頻圖像進行天地線檢測；
[0007] (3)根據(jù)顏色距離和空間距離對天地線檢測后的圖像進行超像素分割；
[0008] (4)采用支持向量機對圖像的像素塊進行分類，從而對煙霧進行識別。
[0009] 所述步驟(2)包括以下子步驟：
[0010] (21)取原始圖像的藍色通道，根據(jù)最大類間方差自動確定閾值，對圖像進行二值 化；
[0011] (22)用索貝爾垂直梯度模板對二值化的圖像提取水平邊緣；
[0012] (23)將圖像等分為多段垂直列帶，在每一列帶內(nèi)，對每一行進行處理，逐行將行向 量的值累加到一點，并選擇累加值較大的幾個點作為候選點，再對候選點求取地面部分協(xié) 方差矩陣和天空部分協(xié)方差矩陣之和的倒數(shù)，倒數(shù)值最大的候選點為所要找的邊緣點； [0013] (24)對不同列帶內(nèi)的邊緣點進行直線擬合，填充整條天地線，完成天地線檢測。
[0014] 所述步驟(3)包括以下子步驟：
[0015] (31)初始化K個聚類中心；
[0016] (32)根據(jù)顏色距離和空間距離得到像素點的相似度，并根據(jù)相似度把每個像素和 該像素最近的聚類中心相關(guān)聯(lián)；
[0017] (33)-旦每個像素被歸類到最近的簇心，用區(qū)域內(nèi)所有像素的矢量的平均值更新 族心；
[0018] (34)重復(fù)步驟(32)和步驟(33)，把孤立的像素點合并到最近的超像素中。
[0019]所述步驟(4)中提取各超像素塊的均值以及各像素塊灰度值的均方差作為支持向 量機的輸入特征。
[0020] 所述步驟(3)和步驟(4)之間還包括對超像素分割后的圖像進行合并的步驟:有序 遍歷當前像素塊，通過當前像素塊和相鄰像素塊的迭代合并，得到完整的煙霧區(qū)域。
[0021] 有益效果
[0022] 由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點和積極效 果:本發(fā)明針對單幀靜止圖像，將超像素分割技術(shù)應(yīng)用到森林火災(zāi)檢測領(lǐng)域，并提出一種新 的超像素合并算法來解決過分割問題，再輔助以改進的天地線分割算法來排除天空部分對 檢測的干擾，最后采用SVM對超像素塊進行分類，避免了固定閾值對于算法自適應(yīng)性的影 響。該方法不涉及到煙霧的運動特征，突破了傳統(tǒng)林火煙霧檢測算法中需要攝像機固定的 限制，適用于攝像機對森林進行動態(tài)全景采樣時的情況。
【附圖說明】
[0023] 圖1是本發(fā)明的流程圖；
[0024] 圖2是本發(fā)明中天地線擬合的示意圖；
[0025] 圖3是本發(fā)明的超像素分割示意圖；
[0026] 圖4是本發(fā)明中像素塊的相似性度量示意圖；
[0027] 圖5是本發(fā)明中超像素合并以后的結(jié)果圖；
[0028]圖6是本發(fā)明的檢測結(jié)果示意圖。
【具體實施方式】
[0029] 下面結(jié)合具體實施例，進一步闡述本發(fā)明。應(yīng)理解，這些實施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人 員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定 的范圍。
[0030] 本發(fā)明的實施方式涉及一種基于圖像分割的森林火災(zāi)煙霧檢測方法，如圖1所示， 包括以下步驟：
[0031] 首先，獲取一幀視頻圖像。拍攝森林畫面時，往往會攝入天空部分。由于云和煙霧 的光譜特征相似，在用光譜特征進行疑似區(qū)域提取時，會把云判為疑似區(qū)域。為了減少天空 部分的干擾，本發(fā)明引入天地線分割算法。檢測地平線對于人而言是非常直觀的，但是對計 算機而言卻是一個極大的挑戰(zhàn)，氣候的變化，一天中不同光照的影響，地形的不同等都會使 天空和地面的外觀發(fā)生變化，所以一個穩(wěn)健的天地線檢測算法應(yīng)研究天空和地面的相對差 異，而并不是它們的絕對外觀。本發(fā)明參照并改進現(xiàn)有算法，使其適應(yīng)不同形狀的地平線的 檢測，能排除天空中云霧對于煙霧檢測的干擾，降低誤檢率。具體如下：
[0032] 圖像二值化:取原始圖像的藍色通道，根據(jù)最大類間方差自動確定閾值，對圖像進 行二值化；
[0033] 提取水平邊緣:用sobel垂直梯度模相
f二值化的圖像提取水平邊緣；
[0034] 檢測地平線:將圖像等分為X段垂直列帶，X可以根據(jù)圖像的實際大小而定。在每一 列帶內(nèi)，對每一行進行處理，逐行將行向量的值累加到一點，選擇累加值較大的幾個點為候 選點，如圖2(a)所示;再對候選點求取J(地面部分協(xié)方差矩陣和天空部分協(xié)方差矩陣只和 的倒數(shù))值，兩部分的協(xié)方差矩陣之和越小，說明天地線的劃分越準確，J值最大的候選點就 是所要找的邊緣點，如圖2(b);
[0035]
[0036] 其中，術(shù),，釋,，i e {1，2，3}分別表示矩陣Σ s、Σ g的特征值。S代表天空，g代表地 面。其中，其中，矩陣?3、?』
[0037]
[0038]
[0039]
[0040]
[0041 ]分別表示天空和地面部分的均值。
[0042] 地平線擬合:對不同列帶內(nèi)的邊緣點進行直線擬合，填充整條地平線。
[0043] 超像素是由一系列位置相鄰并且特性相似的像素點組成的小區(qū)域。SLIC是對k-means聚類算法的一種改進，其根據(jù)顏色和空間定義像素之間的距離，其通過限制搜索空間 降低計算量，計算復(fù)雜度和像素的個數(shù)N成線性關(guān)系，而獨立于超像素的個數(shù)K。算法步驟如 下：
[0044] 初始化:對于在CIELAB空間中的彩色圖像，初始化K個聚類中心。為了避免把聚類 中心放在邊緣或者噪聲點上，將聚類中心移至3 X 3鄰域的最低梯度處；
[0045] 分配:在分配過程中，根據(jù)相似度，把每個像素 i和它最近的聚類中心相關(guān)聯(lián)，并通 過限制搜索距離(僅搜索超像素中心點附近的2SX2S區(qū)域)來減少距離運算，這是算法加速 的關(guān)鍵。
[0046] 更新:一旦每個像素被歸類到最近的簇心，用區(qū)域內(nèi)所有像素矢量的平均值更新 簇心。范數(shù)L2被用來表示新的簇心和上一個簇心之間的誤差。分配和更新步驟可以被反復(fù) 迭代，直到L 2收斂，研究發(fā)現(xiàn)，對于一般圖像而言，10次迭代就能夠滿足收斂。最后，把孤立 的像素點合并到最近的超像素中。其中，相似度的度量公式為
[0047]
[0048]
[0049]
[0050] 其中，I，a，b表示CIELAB顏色空間分量，具體的1表示明度值，a通道的顏色是從紅 色到深綠;b通道則是從藍色到黃色。X，y表示像素點的坐標值。i，j表示像素 i和像素 j。N。表 示最大的顏色距離，用一個常數(shù)表示，
菱示最大的搜索空間距離。 分別為像素點的顏色距離和空間距離，為了統(tǒng)一這兩個測度，需要對其進行歸一化，D'為歸 一化后像素點的相似性。
[0051 ]在運用超像素分割算法對森林圖像進行分割以后，目標煙霧區(qū)域被分為一些相似 的超像素塊，造成過分割，如圖3所示。為了解決過分割而導(dǎo)致的煙霧目標被分為多個部分 的問題，需要對過分割圖像進行區(qū)域合并，區(qū)域合并的經(jīng)典方法是區(qū)域鄰接圖（RAG)和最近 近鄰圖(NNG)，其概念清晰，但是具體實現(xiàn)過程并不簡單。
[0052]本發(fā)明提出了一種新的超像素合并算法:有序遍歷當前像素塊，通過當前像素塊 和相鄰像素塊的迭代合并，解決超像素的過分割問題，得到完整的煙霧區(qū)域。具體算法如 下： 輸入:過分割圖像： 輸出：超像素合并后的圖像 產(chǎn)初始化*/ Label = !ubcl_changcj = O for每個超像素_ 返回當前塊的標號 If當前塊已經(jīng)被標記 跳出循環(huán) end if 取與當前塊相鄰的超像素塊標號
[0053] //*檢測相鄰塊中已被標記的塊*/ for每.一個相鄰換： if相鄰塊沒有被標記 結(jié)束本次循環(huán) else if當前塊和相鄰塊相似 當前塊用相鄰塊的/ate/標記 結(jié)束整個循環(huán)； end if end if end for if當前塊沒有被標記 用 標記當前塊，/i/6e/_c/?iwge = end if 產(chǎn)檢測相鄰塊中未被標記的塊*/ for每個相鄰塊 if相鄰塊已經(jīng)被標記 結(jié)束本次循環(huán) else
[0054] if當前塊和相鄰塊相似 用當前塊的fofe/標記相鄰塊 end if end if end for /*檢測標號是否變化*/ if label change == / /Me/ 加 I; 重置為 0 end if end For
[0055] 其中所提"標號"指的是在超像素初始化分割以后賦予每個超像素塊的區(qū)域標簽， "label"是在超像素合并之后賦予每個合并像素塊的新標簽。為了得到當前像素塊的相鄰 塊信息，可以用一個3 X 3的結(jié)構(gòu)元素（B)對當前像素快（A)進行膨脹，得到輪廓 C = 通過搜索C的區(qū)域標簽，就能確定當前塊的所有相鄰像素塊了。超像素之間的 相似性通過灰度直方圖之間的Bhattacharyya系數(shù)（以下稱巴氏系數(shù))進行度量。
[0056]
[0057]其中HistR和HistQ是指區(qū)域R和Q歸一化的灰度直方圖，u代表區(qū)域中的第u個元素。 巴氏系數(shù)越大，區(qū)域相似度越高。圖4是一些像素塊的相似性度量示意圖。圖5是進行超像素 合并以后的結(jié)果。從圖中可以發(fā)現(xiàn)，本發(fā)明能夠在森林環(huán)境下分割出視頻圖像的相似區(qū)域。
[0058]為了檢測出煙霧區(qū)域，需在超像素分割后，對像素塊進行分類。一般而言可以用模 式分類器或者啟發(fā)式閾值進行分類，考慮到系統(tǒng)的自適應(yīng)性，本發(fā)明選用支持向量機(SVM) 進行煙霧識別。本發(fā)明使用libsvm，根據(jù)光譜信特征，對超像素塊進行二分類，即煙霧像素 塊和非煙霧像素塊?？晒┭芯康南嚓P(guān)特征很多，例如光譜特征、紋理特征、幾何特征等，但是 考慮到森林環(huán)境的復(fù)雜性，煙霧形狀的不確定性以及監(jiān)控距離的限制，這里僅分析像素塊 的光譜信息特征。煙霧本身和森林背景在光譜信息方面有明顯的差異。本發(fā)明在RGB和HIS 顏色空間，提取各超像素塊1?、6、8、]?、13和1的均值，以及各像素塊灰度值的均方差作為模 式分類器的輸入特征。其中M和N是R、G、B的最大值和最小值。選用46個煙霧像素塊，53個背 景像素塊作為訓(xùn)練集。取圖像分割后40個煙霧像素塊和60個非煙霧像素塊作為測試集。由 于沒有公共火災(zāi)煙霧數(shù)據(jù)庫，測試用圖大部分來自實際拍攝，小部分來著互聯(lián)網(wǎng)。這里，定 義檢測正確率為正確判斷煙霧區(qū)域和非煙霧區(qū)域的概率;虛警率為將非煙霧區(qū)域誤判為煙 霧區(qū)域的概率;漏檢率為將煙霧區(qū)域誤判為非煙霧區(qū)域的概率。本實驗中，檢測正確率為 77%，虛警率為14%，漏檢率9%。圖6是最終檢測結(jié)果示意圖。要減少由于不同光照情況、不 同森林環(huán)境、不同拍攝條件造成的影響，還需調(diào)整訓(xùn)練樣本數(shù)量、增加特征量以及調(diào)整 Iibsvm的相關(guān)參數(shù)。實際應(yīng)用中，需根據(jù)實際場景采集訓(xùn)練樣本進行訓(xùn)練，增加系統(tǒng)魯棒 性。
【主權(quán)項】
1. 一種基于圖像分割的森林火災(zāi)煙霧檢測方法，其特征在于，包括以下步驟： (1) 獲取單幀視頻圖像； (2) 對獲取的單幀視頻圖像進行天地線檢測； (3) 根據(jù)顏色距離和空間距離對天地線檢測后的圖像進行超像素分割； (4) 采用支持向量機對圖像的像素塊進行分類，從而對煙霧進行識別。2. 根據(jù)權(quán)利要求1所述的基于圖像分割的森林火災(zāi)煙霧檢測方法，其特征在于，所述步 驟(2)包括以下子步驟： (21) 取原始圖像的藍色通道，根據(jù)最大類間方差自動確定閾值，對圖像進行二值化； (22) 用索貝爾垂直梯度模板對二值化的圖像提取水平邊緣； (23) 將圖像等分為多段垂直列帶，在每一列帶內(nèi)，對每一行進行處理，逐行將行向量的 值累加到一點，并選擇累加值較大的幾個點作為候選點，再對候選點求取地面部分協(xié)方差 矩陣和天空部分協(xié)方差矩陣之和的倒數(shù)，倒數(shù)值最大的候選點為所要找的邊緣點； (24) 對不同列帶內(nèi)的邊緣點進行直線擬合，填充整條天地線，完成天地線檢測。3. 根據(jù)權(quán)利要求1所述的基于圖像分割的森林火災(zāi)煙霧檢測方法，其特征在于，所述步 驟(3)包括以下子步驟： (31) 初始化K個聚類中心； (32) 根據(jù)顏色距離和空間距離得到像素點的相似度，并根據(jù)相似度把每個像素和該像 素最近的聚類中心相關(guān)聯(lián)； (3 3) -旦每個像素被歸類到最近的簇心，用區(qū)域內(nèi)所有像素的矢量的平均值更新簇 心； (34)重復(fù)步驟(32)和步驟(33)，把孤立的像素點合并到最近的超像素中。4. 根據(jù)權(quán)利要求1所述的基于圖像分割的森林火災(zāi)煙霧檢測方法，其特征在于，所述步 驟(4)中提取各超像素塊的均值以及各像素塊灰度值的均方差作為支持向量機的輸入特 征。5. 根據(jù)權(quán)利要求1所述的基于圖像分割的森林火災(zāi)煙霧檢測方法，其特征在于，所述步 驟(3)和步驟(4)之間還包括對超像素分割后的圖像進行合并的步驟:有序遍歷當前像素 塊，通過當前像素塊和相鄰像素塊的迭代合并，得到完整的煙霧區(qū)域。
【文檔編號】G06K9/46GK106056139SQ201610361398
【公開日】2016年10月26日
【申請日】2016年5月26日
【發(fā)明人】顧曉雯, 禹素萍, 吳贇, 賴秋玲, 李春江
【申請人】東華大學(xué)