[發(fā)明專利]基于圖像智能分析的山火檢測方法

在審

• 申請?zhí)枺?/td>: 201410853102.8
• 申請日: 2014-12-31
• 公開（公告）號: CN104573719A
• 公開（公告）日: 2015-04-29
• 發(fā)明（設計）人: 姚楠;羅旺;郭雅娟;洪功義;張?zhí)毂?/a>
• 申請（專利權）人: 國家電網(wǎng)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
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00
• 代理公司: 南京縱橫知識產(chǎn)權代理有限公司 32224
• 代理人: 董建林

技術領域

本發(fā)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

森林火災是指發(fā)生在山野間，對森林生態(tài)系統(tǒng)和人類生命財產(chǎn)安全造成極大傷害和損失難以控制的火情，其特點是突發(fā)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(fā)生日趨頻繁。我國非常重視山火的預防和保護，旨在山火發(fā)生的初期就有效地將其撲滅，杜絕其對環(huán)境和人類生命財產(chǎn)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(xiàn)一些疏忽，而且在一些特定的情況下，無法實時準確地發(fā)現(xiàn)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(yè)的人才，其最大的缺點是對盲區(qū)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(tǒng)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。

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(qū)域，進而提取山火區(qū)域的顏色和梯度特征，最后通過貝葉斯分類法和BP神經(jīng)網(wǎng)絡分類法對圖像進行分類。

傳統(tǒng)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(qū)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(qū)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(jù)該閾值將圖片進行分割，得到山火的區(qū)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(qū)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(huán)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(qū)分。如果山火區(qū)域不能夠較準確地提取出來，將會影響后續(xù)的特征提取，從而增加對火災檢測的難度。

發(fā)明內容

為解決現(xiàn)有技術的不足，本發(fā)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(jù)這些特征對圖像進行山火的分類。

本發(fā)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：

(1)訓練階段，該階段分為以下三個步驟：

步驟一、構建數(shù)據(jù)庫：從網(wǎng)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(shù)，如果其與超像素塊總數(shù)的比例大于0.7，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)：

F_c＝[r,g,b₁,r-g,g-b₁,l,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，b₁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-b₁代表RGB顏色空間中綠色通道與藍色通道的差值，l代表亮度，a代表在紅色和綠色之間的位置，b₂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(tǒng)計所有顏色聚類中心在該超像素出現(xiàn)的次數(shù)，得到顏色特征的直方圖；