[发明专利]一种基于深度时空域特征的输电线路山火检测方法

权利要求书

1.一种基于深度时空域特征的输电线路山火检测方法包括以下步骤：

(1)对从前端摄像头获取到的视频图像帧序列使用Vibe算法检测运动目标；

(2)对运动目标区域分块提取静态深度空域特征和动态光流深度时域特征，采用预先训练好的深度CNN神经网络模型进行级联分类，以检测出准确的山火区域。

2.根据权利要求1所述的基于深度时空域特征的输电线路山火检测方法，其特征在于：步骤(1)中，对从前端摄像头获取到的视频每一帧使用Vibe算法检测运动目标的步骤为：

步骤1：背景模型初始化

算法从单一帧进行模板的初始化；算法假定相邻的像素有着相似的时域分布，因此，某一像素的初始化值随机取自它们的邻近点在第1帧的值；

M⁰(x)＝{v⁰(y|y∈N_G(x))}；

步骤2：背景建模与前景检测

背景建模为每个背景点x存储一个样本集M(x)＝{v₁,v₂,...v_N}，然后对于每个新像素值，计算其和样本集中每个样本值的距离，若距离小于阈值R，则近似样本点数目增加，当该数目大于阈值，则认为新像素点为背景，否则为前景，即：

#{S_R(v(x))∩{v₁,v₂,...,v_N}}≥#min；

应用时样本集数目N取20，阈值#min取2，距离相近判定的阈值R取20；

步骤3：背景更新

每次确定需要更新像素点的背景模型时，以新的像素值随机取代该像素样本集中的一个样本值，按一定更新率更新背景模型；当一个像素点被判定为背景时，它有1/rate的概率更新背景模型，rate是时间采样因子，取值为16。

3.根据权利要求1所述的基于深度时空域特征的输电线路山火检测方法，其特征在于：步骤(2)中，提取静态深度空域特征和动态光流深度时域特征，采用预先训练好的深度CNN神经网络模型进行级联分类，以检测出准确的山火区域的步骤为：

步骤1：空域深度特征提取与分类

利用vibe算法检测出运动前景后，采用16*16的小块对前景区域按从上到下，从左到右的方式进行遍历，当当前块的前景像素大于一定阈值时，先对当前块进行预处理，然后采用CNN卷积神经网络提取当前块的空域特征并分类；预处理时先将16*16的块大小采用biliner双线性插值算法规一化为28*28，然后计算RGB 3通道均值，并将各像素点处值减去此均值；当采用CNN网络分类当前块不是山火块时按遍历顺序继续处理下一块，否则对当前块继续下一步操作；

步骤2：光流特征提取

使用光流进行运动检测时，给图像中的每个像素点赋予一个速度矢量，这样就形成了一个运动矢量场；在某一特定时刻，图像上的点与三维物体上的点一一对应，这种对应关系通过投影来计算得到；

以原始图像序列的光流序列作为CNN的输入，对于一组连续的L帧的光流，把每一帧的x和y方向的光流图像块重叠在一起构成通道为2L的光流序列，L取5；

稠密的光流可以看成是连续两帧t,t+1的位移向量场dt,dt(u,v)表示点(u,v)从t时刻到t+1时刻的位移矢量，和分别表示水平和垂直方向上的分量；为了表示一个帧序列的运动，将连续L帧重叠起来形成通道为2L的光流序列作为输入；将w,h表示成输入的宽度和高度，那么卷积神经网络的输入Ir为，

U＝[1；w],v＝[1；h],k＝[1；L]

对任意的点(u,v),通道Ir(u,v,c),c＝[1；2L]表示L帧序列的运动编码；

步骤3：时域深度特征提取与分类

用CNN卷积神经网络在光流场序列中提取深度特征用于目标运动行为分类，当判断当前块是火焰块时，则将当前块标注为山火区域，否则转到步骤1继续处理下一块。