[發(fā)明專利]一種基于動(dòng)靜態(tài)網(wǎng)格融合策略的森林火災(zāi)煙霧根節(jié)點(diǎn)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010832365.6
• 申請(qǐng)日: 2020-08-18
• 公開(kāi)（公告）號(hào): CN111967394A
• 公開(kāi)（公告）日: 2020-11-20
• 發(fā)明（設(shè)計(jì)）人: 程朋樂(lè);婁黎明;秦政
• 申請(qǐng)（專利權(quán)）人: 北京林業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/34;G06K9/38;G06T5/30
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于動(dòng)靜態(tài)網(wǎng)格融合策略的森林火災(zāi)煙霧根節(jié)點(diǎn)檢測(cè)方法，其特征在于，包含以下步驟：

第一步，視頻信息預(yù)處理，通過(guò)采集固定攝像頭的連續(xù)幀煙霧圖像，進(jìn)行幀圖像提取，并通過(guò)基本的圖像處理方法，得到特定尺寸的單通道灰度圖像；

第二步，煙霧輪廓提取，對(duì)獲得的單通道灰度幀圖像用Sobel算法提取靜態(tài)輪廓；Sobel算法的計(jì)算方法為,首先求解圖像像素x方向梯度，當(dāng)梯度大于設(shè)定的閾值時(shí)，認(rèn)定該點(diǎn)為邊緣點(diǎn)，遍歷像素后獲得煙霧豎直方向的邊緣；其次求解圖像像素y方向的梯度，當(dāng)梯度大于設(shè)定閾值時(shí)，認(rèn)定該點(diǎn)為邊緣點(diǎn)，遍歷像素后獲得煙霧水平方向的邊緣，最后，合并梯度，將豎直方向邊緣圖與水平方向邊緣線性相加，獲得該幀圖像的Sobel輪廓圖像，并對(duì)提取出的Sobel圖像進(jìn)行二值化，腐蝕操作，以過(guò)濾背景輪廓噪聲；

第三步，動(dòng)態(tài)區(qū)域提取，對(duì)第一步中獲得的單通道灰度幀圖像通過(guò)Vibe算法進(jìn)行動(dòng)態(tài)區(qū)域提取，獲得該幀圖像的Vibe動(dòng)態(tài)區(qū)域圖像；

第四步，圖像融合，將每幀Sobel圖像與該幀對(duì)應(yīng)的Vibe圖像進(jìn)行融合，融合方法為，對(duì)每幀原始圖像所對(duì)應(yīng)的兩幀圖像進(jìn)行網(wǎng)格分割操作，網(wǎng)格大小為20*20像素，每張圖像共有24*16個(gè)網(wǎng)格區(qū)域，計(jì)算各個(gè)網(wǎng)格對(duì)應(yīng)的Sobel圖像與Vibe圖像的像素值之和，以選定不同網(wǎng)格區(qū)域的融合方式進(jìn)行圖像融合；

第五步，骨骼圖像提取，對(duì)融合得到的單通道二值化連通域進(jìn)行骨骼圖像提取，并計(jì)算骨骼圖相端點(diǎn)坐標(biāo)，即為當(dāng)前幀圖像的煙霧根候選點(diǎn)坐標(biāo)。

2.根據(jù)權(quán)利要求1所述的一種基于動(dòng)靜態(tài)網(wǎng)格融合策略的森林火災(zāi)煙霧根節(jié)點(diǎn)檢測(cè)方法，其特征在于所述第二步中的Sobel靜態(tài)輪廓提取算法提取靜態(tài)煙霧輪廓圖像，具體執(zhí)行方法為：

步驟201，以單通道灰度圖格式讀入當(dāng)前幀，遍歷像素并分別對(duì)x方向和y方向進(jìn)行梯度求導(dǎo)，得到x方向與y方向的輪廓圖像；

步驟202，將x方向輪廓圖像像素灰度值G_x與y方向輪廓圖像的像素灰度值G_y線性相加，由于森林火災(zāi)初始煙霧往往為向上飄散的不規(guī)則煙霧，因此x方向梯度所影響的豎直方向煙霧邊界比y方向梯度所影響的水平方向煙霧邊界更為重要，因此x方向梯度給予更大的比重，獲得當(dāng)前幀的輪廓圖像像素G，計(jì)算公式如下：

|G|＝0.75×|G_x|+0.25×|G_y| (1)

步驟203，將得到的輪廓圖像進(jìn)行形態(tài)學(xué)操作，腐蝕操作處理，腐蝕核為3*3，森林場(chǎng)景中樹(shù)木輪廓難以辨認(rèn)，無(wú)法被Sobel提取出來(lái)，較小的腐蝕核即可過(guò)濾掉背景中樹(shù)木輪廓，獲得更清晰的煙霧輪廓圖像。

3.根據(jù)權(quán)利要求1所述的一種基于動(dòng)靜態(tài)網(wǎng)格融合的森林火災(zāi)煙霧根節(jié)點(diǎn)檢測(cè)方法，其特征在于所述第四步中的Sobel靜態(tài)特征圖像與Vibe動(dòng)態(tài)特征圖像的融合算法，其具體執(zhí)行方法為：

步驟401，建立一個(gè)與初始圖像大小相等，格式一致，像素值全為0的模板圖像Model；

步驟402，將生成的Sobel靜態(tài)輪廓圖像與Vibe動(dòng)態(tài)區(qū)域圖像進(jìn)行配對(duì)操作，此時(shí)獲得的Sobel靜態(tài)輪廓圖像也許依舊存在沒(méi)有被過(guò)濾掉的背景像素，而Vibe圖像也存在著煙霧邊緣像素移動(dòng)緩慢，不能提取出完整的動(dòng)態(tài)煙霧區(qū)域的問(wèn)題，需要對(duì)對(duì)應(yīng)同一張輸入幀圖像的Sobel靜態(tài)輪廓圖像和Vibe動(dòng)態(tài)區(qū)域圖像進(jìn)行融合。對(duì)對(duì)應(yīng)的兩個(gè)圖像進(jìn)行網(wǎng)格分割操作，網(wǎng)格大小為20*20像素，每張圖片共有24*16個(gè)網(wǎng)格區(qū)域，這樣既能保證辨別出煙霧區(qū)域與背景區(qū)域，又控制了計(jì)算量；

步驟403，遍歷網(wǎng)格，計(jì)算每個(gè)網(wǎng)格的像素之和，numS(i,j)表示Sobel圖像位于(i,j)位置的網(wǎng)格像素和，numV(i,j)表示Vibe圖像位于(i,j)位置的網(wǎng)格像素和，融合條件公式如下：

其中Area_Sobel(i,j)為Sobel圖像位于(i,j)位置的小區(qū)域，Area_Vibe(i,j)為Sobel圖像位于(i,j)位置的小區(qū)域，由于每張圖共有網(wǎng)格24*16個(gè)，即i_max＝24，j_max＝16，Area_Model(i,j)為模板圖像位于(i,j)位置的小區(qū)域，當(dāng)且僅當(dāng)兩張圖像對(duì)應(yīng)網(wǎng)格區(qū)域的像素值和均不為零時(shí)，認(rèn)定該網(wǎng)格區(qū)域?yàn)闊熿F區(qū)域，否則，認(rèn)定為背景區(qū)域，對(duì)背景區(qū)域采用全部置0的操作方式，而僅對(duì)煙霧區(qū)域進(jìn)行策略性融合，融合策略公式如下：

其中M_(i,j)(m,n)表示模板圖像位于(i,j)區(qū)域的網(wǎng)格的像素坐標(biāo)，S_(i,j)(m,n)表示Sobel圖像位于(i,j)區(qū)域的網(wǎng)格的像素坐標(biāo)，V_(i,j)(m,n)表示Vibe圖像位于(i,j)區(qū)域的網(wǎng)格的像素坐標(biāo)，對(duì)被認(rèn)定為煙霧區(qū)域的網(wǎng)格采用以像素為單位的融合策略，當(dāng)兩張圖像對(duì)應(yīng)網(wǎng)格區(qū)域的對(duì)應(yīng)像素點(diǎn)有一方不為0，或雙方均不為0時(shí)，將該像素點(diǎn)的像素置為255，若兩張圖片對(duì)應(yīng)網(wǎng)格區(qū)域的對(duì)應(yīng)像素均為0，則認(rèn)定該像素為煙霧區(qū)域的非煙霧像素點(diǎn)，即背景像素；

步驟404，將融合后的圖像顯示在模板圖像上，再次二值化操作，即得到融合后的煙霧特征圖像。