本發(fā)明涉及山火檢測領域，具體涉及一種基于單張圖片的山火檢測方法。

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。

技術實現(xiàn)要素：

本發(fā)明的目的在于針對上述現(xiàn)有技術中存在的問題，提出了一種基于單張圖片的山火檢測方法，實現(xiàn)了火焰區(qū)域的自動檢測和識別，滿足實時性要求，代替了人工檢測圖片，大大節(jié)省了人力物力。

為達到上述發(fā)明的目的，本發(fā)明通過以下技術方案實現(xiàn)：

本發(fā)明還公開一種基于單張圖片的山火檢測方法，包括步驟如下：

步驟1，利用離線獲得的火焰區(qū)域色調概率模型在給定的單張圖片中檢測出各個候選火焰區(qū)域；

步驟2，將檢測到的單張圖片中的各個候選火焰區(qū)域進行分割，獲得每個候選火焰區(qū)域所對應的真實原圖；

步驟3，利用多尺度laws能量技術分別分析步驟2中分割出的各個候選火焰區(qū)域真實原圖中的紅、綠、藍三個通道信息，獲得這些候選火焰區(qū)域真實原圖的三個通道的多尺度laws能量特征；

步驟4，將步驟3中獲得的每個候選火焰區(qū)域真實原圖的三個通道的多尺度laws能量特征輸入給離線訓練好的支持向量機模型，如果是真實火焰區(qū)域，則輸出1，否則輸出0，從而篩選出真正的火焰區(qū)域。

本發(fā)明的一種基于單張圖片的山火檢測方法，通過將單張圖片分候選火焰區(qū)域分割、分三通道分析特征量，并利用支持向量機模型篩選出真正的火焰區(qū)域，從而實現(xiàn)了火焰區(qū)域的自動檢測和識別，滿足實時性要求，代替了人工檢測圖片，大大節(jié)省了人力物力。

附圖說明

圖1為本發(fā)明的一種基于單張圖片的山火檢測方法的步驟圖。

圖2為本發(fā)明實施例的尺度1為m1行n1列的單張圖片。

圖3為本發(fā)明實施例的尺度2為m2行n2列的單張圖片。

圖4為本發(fā)明實施例的尺度3為m3行n3列的單張圖片。

具體實施方式

下面結合附圖和實施例對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部實施例。

參看圖1，為本發(fā)明實施例的步驟圖，其公開一種基于單張圖片的山火檢測方法，其步驟1至步驟4具體如下：

步驟1，利用離線獲得的火焰區(qū)域色調概率模型在給定的單張圖片中檢測出各個候選火焰區(qū)域；

在步驟1中，所述離線獲得火焰區(qū)域的色調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個火焰區(qū)域；

第a2步：將各個火焰區(qū)域由其他格式轉化成hsv格式；

第a3步：對于各個火焰區(qū)域每個像素的色調h分量進行統(tǒng)計，獲得h分量的顏色直方圖f(h)，其中h∈{0,1,2,r-1}，r表示色調的色級，通常等于256；

第a4步：對于f(h)進行歸一化，即f(h)/s再賦值給f(h)，此時f(h)就是火焰區(qū)域的色調概率模型，其中s＝∫f(h)dh。

在步驟1中，檢測出各個候選火焰區(qū)域的具體方法為：

第b1步：將當前給定的單張彩色圖片轉化為hsv格式；

第b2步：對于當前所給定的已經(jīng)轉化為hsv顏色空間的單張圖片中的每個像素，考察其h分量，并利用火焰區(qū)域色調概率模型f(h)，將每個像素h值所對應的f(h)賦給每個像素，從而獲得該單張圖片的火焰色調概率圖；

第b3步：設置閾值以確定候選火焰區(qū)域，所述閾值包括兩個：一個是概率閾值ft＝0.5，另一個是面積閾值st，即當概率值f>ft的聚集像素面積大于st時，才算作一個候選火焰區(qū)域，所述面積閾值st≥500；

步驟2，將檢測到的單張圖片中的各個候選火焰區(qū)域進行分割，獲得每個候選火焰區(qū)域所對應的真實原圖；

在步驟2中，獲得每個候選火焰區(qū)域的真實原圖具體步驟如下：

第c1步：將獲得的各個候選火焰區(qū)域作為掩膜，即將各個候選區(qū)域中的像素設置為1，其余像素設置為0；

第c2步：對于當前給定的單張彩色圖片，將所對應的掩膜中設置為1的原始像素挑選出來，這樣就得到了所有的候選火焰區(qū)域的真實原圖；

步驟3，利用多尺度laws能量技術分別分析步驟2中分割出的各個候選火焰區(qū)域真實原圖中的紅、綠、藍三個通道信息，獲得這些候選火焰區(qū)域真實原圖的三個通道的多尺度laws能量特征；

在步驟3中，獲得各個候選火焰區(qū)域的真實原圖的三個通道的多尺度laws能量特征具體步驟如下：

第d1步：將每個候選火焰區(qū)域的真實原圖的r、g、b三個通道分別獨自成像的區(qū)域a(r)、區(qū)域a(g)、區(qū)域a(b)；

第d2步：計算每個候選火焰區(qū)域的真實原圖的像a(r)、像a(g)、像a(b)的3個平均值μ(a(r))、μ(a(g))、μ(a(b))，其中

在這3個公式中，r(i,j)、g(i,j)和b(i,j)分別表示區(qū)域a(r)、區(qū)域a(g)和區(qū)域a(b)中的紅、綠、藍像素的顏色值，|a(r)|、|a(g)|、|a(b)|分別表示區(qū)域a(r)、區(qū)域a(g)和區(qū)域a(b)中像素的數(shù)量；

第d3步：利用laws能量對于每個候選火焰區(qū)域的真實原圖的區(qū)域a(r)、區(qū)域a(g)、區(qū)域a(b)分別計算3個尺度上的平均laws能量，于是可以獲得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個平均laws能量值，其中

在這3個公式中，

其中s1、s2、s3分別表示尺度1、尺度2、尺度3中分塊的像素數(shù)量，ri,j(k,l)表示在相應分塊(i,j)中各個像素的紅色分量值，μ(i,j)表示相應分塊(i,j)中各個像素的紅色分量值的平均值；其中，參看圖2至圖4，尺度1每個分塊最小是10×10，尺度2每個分塊是尺度1每個分塊的4倍，尺度3每個分塊是尺度1每個分塊的9倍；對于區(qū)域a(g)、區(qū)域a(b)上的3個尺度上的平均laws能量l1(a(g))、l2(a(g))、l3(a(g))、l1(a(b))、l2(a(b))、l3(a(b))的計算類似于紅色分量的計算公式；

第d4步：將每個真實火焰區(qū)域的區(qū)域a(r)、區(qū)域a(g)、區(qū)域a(b)的3個平均值和9個多尺度平均laws能量組成一個12維判別向量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)))。

步驟4，將步驟3中獲得的每個候選火焰區(qū)域真實原圖的三個通道的多尺度laws能量特征輸入給離線訓練好的支持向量機模型，如果是真實火焰區(qū)域，則輸出1，否則輸出0，從而篩選出真正的火焰區(qū)域；

作為一個具體實施例，所述步驟4所述支持向量機模型的離線訓練方法的具體步驟如下：

第e1步：對于包含火焰的至少100張彩色圖像，將每張圖像由其他格式轉化為hsv格式；

第e2步：對于每張所給定的已經(jīng)轉化為hsv顏色空間的圖片中的每個像素，考察其h分量，并利用步驟一所獲得的火焰區(qū)域色調概率模型f(h)，將每個像素h值所對應的f(h)賦給每個像素，從而獲得每張圖片的火焰色調概率圖；

第e3步：設置合適的閾值確定候選火焰區(qū)域，這些閾值包括兩個：一個是概率閾值ft＝0.5，另一個是面積閾值st，即當概率值f>ft的聚集像素面積大于st時，才算作一個候選火焰區(qū)域，st≥500；

第e4步：將前述第3步所獲得的各個候選火焰區(qū)域作為掩膜，即將各個候選區(qū)域中的像素設置為1，其余像素設置為0；

第e5步：對于每張彩色圖片，將所對應的掩膜中設置為1的原始像素挑選出來，這樣就得到了所有的候選火焰區(qū)域的真實原圖；

第e6步：將每個候選火焰區(qū)域真實原圖的r、g、b三個通道分別獨自成像a(r)、a(g)、a(b)；

第e7步：計算每個候選火焰區(qū)域真實原圖的a(r)、a(g)、a(b)的3個平均值μ(a(r))、μ(a(g))、μ(a(b))，其中

在這3個公式中，r(i,j)、g(i,j)和b(i,j)分別表示區(qū)域a(r)、a(g)和a(b)中的紅、綠、藍像素的顏色值，|a(r)|、|a(g)|、|a(b)|分別表示區(qū)域a(r)、a(g)和a(b)中像素的數(shù)量；

第e8步：利用laws能量對于每個候選火焰區(qū)域真實原圖的a(r)、a(g)、a(b)分別計算3個尺度上的平均laws能量，于是可以獲得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個平均laws能量值，其中

在這3個公式中，

其中s1、s2、s3分別表示尺度1、尺度2、尺度3中分塊的像素數(shù)量,參見圖2至圖4,ri,j(k,l)表示在相應分塊(i,j)中各個像素的紅色分量值，μ(i,j)表示相應分塊(i,j)中各個像素的紅色分量值的平均值；

其中，尺度1每個分塊最小是10×10，尺度2每個分塊是尺度1每個分塊的4倍，尺度3每個分塊是尺度1每個分塊的9倍；

對于a(g)、a(b)區(qū)域上的3個尺度上的平均laws能量l1(a(g))、l2(a(g))、l3(a(g))、l1(a(b))、l2(a(b))、l3(a(b))的計算類似于紅色分量的計算公式；

第e9步：將每個候選火焰區(qū)域真實原圖的a(r)、a(g)、a(b)的3個平均值和9個多尺度平均laws能量組成一個12維判別向量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：至少獲得1000個候選火焰區(qū)域的12維向量集合p＝{vi|i∈n∧i≥1000}，其中n是自然數(shù)集合，如果集合中該向量代表的是真實火焰區(qū)域，則將該向量的標記設置為1，否則設置為0。

上述實施例僅用以說明本發(fā)明而并非限制本發(fā)明所描述的技術方案；因此，盡管本說明書參照上述的各個實施例對本發(fā)明已進行了詳細的說明，但是，本領域的普通技術人員應當理解，仍然可以對本發(fā)明進行修改或者等同替換；而一切不脫離本發(fā)明的精神和范圍的技術方案及其改進，其均應涵蓋在本發(fā)明的權利要求范圍當中。