一种基于单张图片的山火检测方法与流程

本发明涉及山火检测领域，具体涉及一种基于单张图片的山火检测方法。

背景技术：

森林火灾是指发生在山野间，对森林生态系统和人类生命财产安全造成极大伤害和损失难以控制的火情，其特点是突发性强、覆盖面积广、蔓延速度快、危险性高。随着全球气候的变暖，森林火灾的发生日趋频繁。我国非常重视山火的预防和保护，旨在山火发生的初期就有效地将其扑灭，杜绝其对环境和人类生命财产的破坏。早期的火灾的检测主要是靠工作人员的巡逻，这种方法不仅耗费了大量的人力、物力资源，人为的巡逻难免会出现一些疏忽，而且在一些特定的情况下，无法实时准确地发现险情，造成无法估量的损失。目前有利用飞机侦察森林安全，不过，针对大面积的森林，飞机侦察会耗费大量的费用，而且操作难度大，需要专业的人才，其最大的缺点是对盲区的检测精度很低。由于森林覆盖范围广，该方法实用性不强。另外，由于森林坏境的复杂性和多变性，飞机侦测的火灾系统误报率较高。

技术实现要素：

本发明的目的在于针对上述现有技术中存在的问题，提出了一种基于单张图片的山火检测方法，实现了火焰区域的自动检测和识别，满足实时性要求，代替了人工检测图片，大大节省了人力物力。

为达到上述发明的目的，本发明通过以下技术方案实现：

本发明还公开一种基于单张图片的山火检测方法，包括步骤如下：

步骤1，利用离线获得的火焰区域色调概率模型在给定的单张图片中检测出各个候选火焰区域；

步骤2，将检测到的单张图片中的各个候选火焰区域进行分割，获得每个候选火焰区域所对应的真实原图；

步骤3，利用多尺度laws能量技术分别分析步骤2中分割出的各个候选火焰区域真实原图中的红、绿、蓝三个通道信息，获得这些候选火焰区域真实原图的三个通道的多尺度laws能量特征；

步骤4，将步骤3中获得的每个候选火焰区域真实原图的三个通道的多尺度laws能量特征输入给离线训练好的支持向量机模型，如果是真实火焰区域，则输出1，否则输出0，从而筛选出真正的火焰区域。

本发明的一种基于单张图片的山火检测方法，通过将单张图片分候选火焰区域分割、分三通道分析特征量，并利用支持向量机模型筛选出真正的火焰区域，从而实现了火焰区域的自动检测和识别，满足实时性要求，代替了人工检测图片，大大节省了人力物力。

附图说明

图1为本发明的一种基于单张图片的山火检测方法的步骤图。

图2为本发明实施例的尺度1为m1行n1列的单张图片。

图3为本发明实施例的尺度2为m2行n2列的单张图片。

图4为本发明实施例的尺度3为m3行n3列的单张图片。

具体实施方式

下面结合附图和实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。

参看图1，为本发明实施例的步骤图，其公开一种基于单张图片的山火检测方法，其步骤1至步骤4具体如下：

步骤1，利用离线获得的火焰区域色调概率模型在给定的单张图片中检测出各个候选火焰区域；

在步骤1中，所述离线获得火焰区域的色调概率模型采用如下方法建立模型：

第a1步：利用人工方式分割各个火焰区域；

第a2步：将各个火焰区域由其他格式转化成hsv格式；

第a3步：对于各个火焰区域每个像素的色调h分量进行统计，获得h分量的颜色直方图f(h)，其中h∈{0,1,2,r-1}，r表示色调的色级，通常等于256；

第a4步：对于f(h)进行归一化，即f(h)/s再赋值给f(h)，此时f(h)就是火焰区域的色调概率模型，其中s＝∫f(h)dh。

在步骤1中，检测出各个候选火焰区域的具体方法为：

第b1步：将当前给定的单张彩色图片转化为hsv格式；

第b2步：对于当前所给定的已经转化为hsv颜色空间的单张图片中的每个像素，考察其h分量，并利用火焰区域色调概率模型f(h)，将每个像素h值所对应的f(h)赋给每个像素，从而获得该单张图片的火焰色调概率图；

第b3步：设置阈值以确定候选火焰区域，所述阈值包括两个：一个是概率阈值ft＝0.5，另一个是面积阈值st，即当概率值f>ft的聚集像素面积大于st时，才算作一个候选火焰区域，所述面积阈值st≥500；

步骤2，将检测到的单张图片中的各个候选火焰区域进行分割，获得每个候选火焰区域所对应的真实原图；

在步骤2中，获得每个候选火焰区域的真实原图具体步骤如下：

第c1步：将获得的各个候选火焰区域作为掩膜，即将各个候选区域中的像素设置为1，其余像素设置为0；

第c2步：对于当前给定的单张彩色图片，将所对应的掩膜中设置为1的原始像素挑选出来，这样就得到了所有的候选火焰区域的真实原图；

步骤3，利用多尺度laws能量技术分别分析步骤2中分割出的各个候选火焰区域真实原图中的红、绿、蓝三个通道信息，获得这些候选火焰区域真实原图的三个通道的多尺度laws能量特征；

在步骤3中，获得各个候选火焰区域的真实原图的三个通道的多尺度laws能量特征具体步骤如下：

第d1步：将每个候选火焰区域的真实原图的r、g、b三个通道分别独自成像的区域a(r)、区域a(g)、区域a(b)；

第d2步：计算每个候选火焰区域的真实原图的像a(r)、像a(g)、像a(b)的3个平均值μ(a(r))、μ(a(g))、μ(a(b))，其中

在这3个公式中，r(i,j)、g(i,j)和b(i,j)分别表示区域a(r)、区域a(g)和区域a(b)中的红、绿、蓝像素的颜色值，|a(r)|、|a(g)|、|a(b)|分别表示区域a(r)、区域a(g)和区域a(b)中像素的数量；

第d3步：利用laws能量对于每个候选火焰区域的真实原图的区域a(r)、区域a(g)、区域a(b)分别计算3个尺度上的平均laws能量，于是可以获得l1(a(r))、l2(a(r))、l3(a(r))、l1(a(g))、l2(a(g))、l3(a(g))、l1(a(b))、l2(a(b))、l3(a(b))共9个平均laws能量值，其中

在这3个公式中，

其中s1、s2、s3分别表示尺度1、尺度2、尺度3中分块的像素数量，ri,j(k,l)表示在相应分块(i,j)中各个像素的红色分量值，μ(i,j)表示相应分块(i,j)中各个像素的红色分量值的平均值；其中，参看图2至图4，尺度1每个分块最小是10×10，尺度2每个分块是尺度1每个分块的4倍，尺度3每个分块是尺度1每个分块的9倍；对于区域a(g)、区域a(b)上的3个尺度上的平均laws能量l1(a(g))、l2(a(g))、l3(a(g))、l1(a(b))、l2(a(b))、l3(a(b))的计算类似于红色分量的计算公式；

第d4步：将每个真实火焰区域的区域a(r)、区域a(g)、区域a(b)的3个平均值和9个多尺度平均laws能量组成一个12维判别向量v＝(μ(a(r))、l1(a(r))、l2(a(r))、l3(a(r))、μ(a(g))、l1(a(g))、l2(a(g))、l3(a(g))、μ(a(b))、l1(a(b))、l2(a(b))、l3(a(b)))。

步骤4，将步骤3中获得的每个候选火焰区域真实原图的三个通道的多尺度laws能量特征输入给离线训练好的支持向量机模型，如果是真实火焰区域，则输出1，否则输出0，从而筛选出真正的火焰区域；

作为一个具体实施例，所述步骤4所述支持向量机模型的离线训练方法的具体步骤如下：

第e1步：对于包含火焰的至少100张彩色图像，将每张图像由其他格式转化为hsv格式；

第e2步：对于每张所给定的已经转化为hsv颜色空间的图片中的每个像素，考察其h分量，并利用步骤一所获得的火焰区域色调概率模型f(h)，将每个像素h值所对应的f(h)赋给每个像素，从而获得每张图片的火焰色调概率图；

第e3步：设置合适的阈值确定候选火焰区域，这些阈值包括两个：一个是概率阈值ft＝0.5，另一个是面积阈值st，即当概率值f>ft的聚集像素面积大于st时，才算作一个候选火焰区域，st≥500；

第e4步：将前述第3步所获得的各个候选火焰区域作为掩膜，即将各个候选区域中的像素设置为1，其余像素设置为0；

第e5步：对于每张彩色图片，将所对应的掩膜中设置为1的原始像素挑选出来，这样就得到了所有的候选火焰区域的真实原图；

第e6步：将每个候选火焰区域真实原图的r、g、b三个通道分别独自成像a(r)、a(g)、a(b)；

第e7步：计算每个候选火焰区域真实原图的a(r)、a(g)、a(b)的3个平均值μ(a(r))、μ(a(g))、μ(a(b))，其中

在这3个公式中，r(i,j)、g(i,j)和b(i,j)分别表示区域a(r)、a(g)和a(b)中的红、绿、蓝像素的颜色值，|a(r)|、|a(g)|、|a(b)|分别表示区域a(r)、a(g)和a(b)中像素的数量；

第e8步：利用laws能量对于每个候选火焰区域真实原图的a(r)、a(g)、a(b)分别计算3个尺度上的平均laws能量，于是可以获得l1(a(r))、l2(a(r))、l3(a(r))、l1(a(g))、l2(a(g))、l3(a(g))、l1(a(b))、l2(a(b))、l3(a(b))共9个平均laws能量值，其中

在这3个公式中，

其中s1、s2、s3分别表示尺度1、尺度2、尺度3中分块的像素数量,参见图2至图4,ri,j(k,l)表示在相应分块(i,j)中各个像素的红色分量值，μ(i,j)表示相应分块(i,j)中各个像素的红色分量值的平均值；

其中，尺度1每个分块最小是10×10，尺度2每个分块是尺度1每个分块的4倍，尺度3每个分块是尺度1每个分块的9倍；

对于a(g)、a(b)区域上的3个尺度上的平均laws能量l1(a(g))、l2(a(g))、l3(a(g))、l1(a(b))、l2(a(b))、l3(a(b))的计算类似于红色分量的计算公式；

第e9步：将每个候选火焰区域真实原图的a(r)、a(g)、a(b)的3个平均值和9个多尺度平均laws能量组成一个12维判别向量v＝(μ(a(r))、l1(a(r))、l2(a(r))、l3(a(r))、μ(a(g))、l1(a(g))、l2(a(g))、l3(a(g))、μ(a(b))、l1(a(b))、l2(a(b))、l3(a(b)))；

第e10步：至少获得1000个候选火焰区域的12维向量集合p＝{vi|i∈n∧i≥1000}，其中n是自然数集合，如果集合中该向量代表的是真实火焰区域，则将该向量的标记设置为1，否则设置为0。

上述实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或者等同替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。