[发明专利]基于图像智能分析的山火检测方法

说明书

技术领域

本发明涉及一种山火检测方法，特别是涉及一种基于图像智能分析的山火检测方法。

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。所以，基于图像的山火检测方法受到了广泛的关注。

目前，较好的方法是首先用基于阈值分割法和颜色聚类法提取山火的区域，进而提取山火区域的颜色和梯度特征，最后通过贝叶斯分类法和BP神经网络分类法对图像进行分类。

传统基于图像的方法主要采用阈值分割法、特征聚类法和基于边缘的区域提取法。但是这些方法主要是基于灰度图像，其损失的颜色特征对山火的检测非常重要，从而在分割时无法将山火和背景很好地区分开。另外，有一些方法是基于彩色图像的分割方法，比如将RGB图像转换为HSI颜色通道下的彩色图像，对H,S,I这三个通道学习火灾的阈值，根据该阈值将图片进行分割，得到山火的区域；也有方法是直接采用HSI空间的I分量去学习阈值，检测火灾区域。虽然这些基于阈值的方法快速简单，但其对阈值的选取非常敏感，由于森林环境的复杂性，往往很难选取一个合适的阈值将背景和山火很好地区分。如果山火区域不能够较准确地提取出来，将会影响后续的特征提取，从而增加对火灾检测的难度。

发明内容

为解决现有技术的不足，本发明的目的在于，提供一种基于图像智能分析的山火检测方法，用SLIC的方法得到图像的超像素，该方法能够快速的将图像的像素进行聚类，且能很好地拟合目标的边缘，得到超像素块之后，提出其颜色和纹理特征，根据这些特征对图像进行山火的分类。

本发明的技术方案为：一种基于图像智能分析的山火检测方法，其特征是，包括以下步骤：

(1)训练阶段，该阶段分为以下三个步骤：

步骤一、构建数据库：从网上搜集关于山火的图片，用手工标注的方法标定山火的位置，并标注每张图片的类别；

步骤二、SLIC得到超像素：给定一张训练图片，用SLIC的方法提取图像的超像素，针对每个超像素块，找到其中标定为山火的像素的个数，如果其与超像素块总数的比例大于0.7，则将该超像素块设定为山火的正样本，否则，设定为山火的负样本；

步骤三、训练颜色特征的聚类中心：针对每一张训练图片，提取每一个像素的颜色特征，如公式(1)：

F_c＝[r,g,b₁,r-g,g-b₁,l,a,b₂]        (1)

其中，r代表RGB颜色空间中红色通道，g代表RGB颜色空间中绿色通道，b₁代表RGB颜色空间中蓝色通道，r-g代表RGB颜色空间中红色通道与绿色通道的差值，g-b₁代表RGB颜色空间中绿色通道与蓝色通道的差值，l代表亮度，a代表在红色和绿色之间的位置，b₂代表在黄色和蓝色之间的位置，

从训练图片的所有像素的颜色特征中随机选取多个颜色特征，用KMEANS方法进行聚类；

步骤四、训练纹理特征的聚类中心：针对每一张训练图片，将图片分为4*4的块，每个块的间隔设为4个像素，从每个小块中提取纹理特征，从训练图片的所有小块对应的纹理特征中随机选取多个特征，用KMEANS方法进行聚类；

步骤五、得到颜色特征的直方图：给定一张训练图片，首先用SLIC的方法将图片分为多个超像素，每个超像素的每个像素提取步骤三的颜色特征，针对每个颜色特征，用步骤三训练的颜色特征聚类中心找到与之最接近的颜色聚类中心，用此颜色聚类中心代表该颜色特征，统计所有颜色聚类中心在该超像素出现的次数，得到颜色特征的直方图；