一種基于圖像特征提取的多特征融合秸稈焚燒火災檢測方法與流程

本發明涉及一種基于圖像特征提取的多特征融合秸稈焚燒火災檢測方法，屬于圖像識別技術領域。

背景技術：

火災在日常生活中發生頻繁，嚴重影響到人們的生命和財產安全。而農田秸稈焚燒會造成霧霾天氣，并產生大量有毒有害物質，甚至引發火災。我國從1999年就明令禁止秸稈焚燒，但是至今仍舊屢禁不止。秸稈焚燒可能有深刻的社會原因，暫不考慮，僅僅從技術角度對秸稈焚燒造成的火災進行警報，從而遏制火災的危害。

為了對秸稈焚燒造成的火災進行預防和警報，科研人員們做出了極大的努力。早期，人們依靠傳統的感煙，感光，感溫的探測器去檢測火焰從而降低生活中的損失。但是由于傳統的火災檢測器對環境要求苛刻，也不適合對廣闊的空間進行火焰檢測，所以迫切需要更合理的方式進行火災檢測。隨著信息技術的發展，火災探測正在逐步的向圖像化和智能化轉變。

這些新型的火災檢測方式大多使用了圖像特征提取結合模式識別的方式對火災進行檢測。在這些提取的圖像特征中，顏色特征是火焰檢測必不可少的一項，因為它包含了火焰最為基本的信息。有基于ycbcr、cielab、hsv、ohta等顏色空間的火焰顏色特征提取。文獻[閆紅梅,李白萍,視頻監控系統中的火災監測算法研究[c].第17屆全國圖像圖形學術會議論文集,2012年5月]提取了火焰變化的動態特征結合bp網絡對火焰進行識別。文獻[包晗,康泉勝,周明.一種基于lvq神經網絡與圖像處理的火焰識別算法[j].中國安全科學學報,2011,21(6):60-64]提取了火焰圖像序列的面積重疊率和中心相對移動率等特征結合學習向量量化(lvq)神經網絡融合技術對視頻序列中的火焰進行自動檢測。文獻[wangd,cuix,parke,etal.adaptiveflamedetectionusingrandomnesstestingandrobustfeatures[j].firesafetyjournal,2013,55:116-125]使用顏色特征和運動概率特征來衡量視頻圖像中是否含有火焰。文獻[吳茜茵,嚴云洋,杜靜,等.多特征融合的火焰檢測算法[j].智能系統學報,2015(2015年02):240-247]提出了一種融合圓形度、矩形度和重心高度系數的火焰檢測算法，然后將融合后的火焰特征輸入支持向量機(svm)中進行分類。由于農田秸稈焚燒火災與一般火災在可燃物、燃燒環境上的不同都會導致檢測效果發生偏差，所以以上這些方法在農田秸稈焚燒火災上有一定的局限性。但是，農田秸稈焚燒的可燃物的紋理特征有其獨特之處，因此考慮火焰紋理和顏色特征相結合的檢測方式。文獻[吳茜茵,嚴云洋,杜靜,等.多特征融合的火焰檢測算法[j].智能系統學報,2015(2015年02):240-247]采用局部二值模式方法提取疑似火焰區域的多尺度紋理特征，并輸入到支持向量機中進行識別。這些方法在各自相應的范圍取得了極好的成績，但是在秸稈焚燒中不太適應。

技術實現要素：

本發明所要解決的技術問題是提供一種能夠克服現存火災檢測技術中火災檢測率低，誤檢率高的缺點，有效提高檢測針對性和準確性的基于圖像特征提取的多特征融合秸稈焚燒火災檢測方法。

本發明為了解決上述技術問題采用以下技術方案：本發明設計了一種基于圖像特征提取的多特征融合秸稈焚燒火災檢測方法，首先針對準確分割后的火焰圖像和非火焰圖像，分別基于圖像hog特征、圖像灰度共生矩陣特征、圖像顏色矩特征，分別針對預設指定分類器進行訓練，分別獲得火焰hog特征分類器、火焰圖像灰度共生矩陣特征分類器、火焰顏色矩特征分類器；包括如下步驟：

步驟a.將待檢測圖像劃分為至少兩個圖像單元區，各個圖像單元區的尺寸彼此相同，然后進入步驟b；

步驟b.分別針對各個圖像單元區，分別獲得圖像單元區的圖像hog特征、圖像灰度共生矩陣特征、圖像顏色矩特征，然后進入步驟c；

步驟c.分別針對各個圖像單元區，根據所獲圖像單元區的圖像hog特征、圖像灰度共生矩陣特征、圖像顏色矩特征，分別采用火焰hog特征分類器、火焰圖像灰度共生矩陣特征分類器、火焰顏色矩特征分類器針對圖像單元區進行分類，獲得圖像單元區分別對應圖像hog特征、圖像灰度共生矩陣特征、圖像顏色矩特征的火焰分類結果，然后進入步驟d；

步驟d.根據預設圖像hog特征權值、圖像灰度共生矩陣特征權值、圖像顏色矩特征權值，分別針對各個圖像單元區，針對圖像單元區分別對應圖像hog特征、圖像灰度共生矩陣特征、圖像顏色矩特征的火焰分類結果進行加權處理，獲得圖像單元區所對應的火焰分類值，然后進入步驟e；

步驟e.分別針對各個圖像單元區，判斷圖像單元區所對應的火焰分類值是否大于預設火焰閾值，是則判斷該為圖像單元區為火焰區域，即秸稈焚燒火災區；否則判斷該為圖像單元區為非火焰區域。

作為本發明的一種優選技術方案，所述步驟b中，獲得圖像單元區的圖像hog特征，包括如下步驟：

步驟b-01.以預設n×n個像素組成一個子單元區、預設m×m個子單元區構建滑動窗口，且n×m小于圖像單元區的邊長；

步驟b-02.采用滑動窗口在圖像單元區上分別沿水平方向和豎直方向進行滑動，且每次滑動步長為n個像素，同時分別針對每次移動后滑動窗口所對應的圖像區，分別針對滑動窗口中各個子單元區所對應的圖像區，按梯度方向平均劃分為9個區間，并分別對子單元區所對應圖像區內各個像素所屬方向進行投票統計，所獲票數即為像素的邊緣強度，進而獲得子單元區所對應圖像區的9維特征向量，并進一步獲得滑動窗口所對應圖像區的(9×m×m)個特征；

步驟b-03.將滑動窗口在圖像單元區上移動所對應各圖像區的(9×m×m)個特征進行串聯，構成圖像單元區的圖像hog特征。

作為本發明的一種優選技術方案，在步驟a之前，還包括步驟α如下，執行完步驟α之后，再執行步驟a；

步驟α.將待檢測圖像的顏色空間轉化為ycbcr顏色空間，更新待檢測圖像。

作為本發明的一種優選技術方案，還包括步驟β如下，執行完步驟α之后，接著執行步驟β，執行完步驟β之后，再執行步驟a；

步驟β.獲得待檢測圖像中的火焰可疑區域，然后進入步驟a；

并且步驟a中，將所獲待檢測圖像中火焰可疑區域劃分為至少兩個圖像單元區，然后針對各個圖像單元區繼續后續步驟。

作為本發明的一種優選技術方案，所述步驟β包括如下步驟：

步驟β-01.針對待檢測圖像，采用大津算法獲得火焰初級可疑區域，然后進入步驟β-02；

步驟β-02.針對火焰初級可疑區域，采用顏色判別方法獲得火焰可疑區域。

作為本發明的一種優選技術方案，在步驟a之前，還包括步驟β如下，執行完步驟β之后，再執行步驟a；

步驟β.獲得待檢測圖像中的火焰可疑區域，然后進入步驟a；

并且步驟a中，將所獲待檢測圖像中火焰可疑區域劃分為至少兩個圖像單元區，然后針對各個圖像單元區繼續后續步驟。

作為本發明的一種優選技術方案，所述步驟β包括如下步驟：

步驟β-01.針對待檢測圖像，采用大津算法獲得火焰初級可疑區域，然后進入步驟β-02；

步驟β-02.針對火焰初級可疑區域，采用顏色判別方法獲得火焰可疑區域。

作為本發明的一種優選技術方案，所述步驟b中，獲得圖像單元區的圖像灰度共生矩陣特征包括灰度共生矩陣能量、慣性矩、相關性和、信息總量的四維特征。

作為本發明的一種優選技術方案，所述步驟b中，獲得圖像單元區的圖像顏色矩特征，包括分別針對圖像單元區的色調、飽和度和亮度，分別提取其一階中心距、二階中心距、三階中心距共計九維特征。

作為本發明的一種優選技術方案，所述預設指定分類器為svm分類器。

本發明所述一種基于圖像特征提取的多特征融合秸稈焚燒火災檢測方法采用以上技術方案與現有技術相比，具有以下技術效果：本發明設計的基于圖像特征提取的多特征融合秸稈焚燒火災檢測方法，克服了現存火災檢測技術中火災檢測率低和誤檢率高的缺點，有效提高檢測針對性和準確性，并且降低了漏檢率，具體應用中，不依賴于動態的火焰場景，僅僅依靠靜態的圖片即可完成檢測，具有較高的適應性；不僅如此，其中引入大津算法和顏色檢測算法，有效降低了運算的復雜度，使得后續的處理時間縮短，極大的提高了檢測效率。

附圖說明

圖1是本發明所設計基于圖像特征提取的多特征融合秸稈焚燒火災檢測方法的架構示意圖；

圖2a為實施例圖像rgb顏色空間示意圖及其各個單通道顏色空間示意圖；

圖2b為實施例圖像ycbcr顏色空間示意圖及其各個單通道顏色空間示意圖；

圖3為火災圖片檢測結果示例圖。

具體實施方式

下面結合說明書附圖對本發明的具體實施方式作進一步詳細的說明。

在真實的火焰檢測中，火焰的顏色和周圍環境的區分度受到環境明亮度的影響。為了排除非火焰顏色物體對火焰檢測的干擾，特別引入火焰顏色分割模型，而各種色彩模式下的火焰顏色有很大的區分度，對火焰檢測的影響關系重大。在rgb空間中，r、g、b分別對應于紅色通道，綠色通道，藍色通道。而在ycbcr空間中，y、cb、cr分別對應于亮度通道，色度藍通道，色度紅通道。成功的將亮度和色度分開來。為了解決rgb圖像在色彩分離現象中的不明朗問題，特別引入ycbcr顏色空間對火焰進行檢測。如圖2a所示，從左至右依次為rgb顏色空間示意圖、r通道顏色空間示意圖、g通道顏色空間示意圖、b通道顏色空間示意圖；如圖2b所示，從左至右依次為ycbcr顏色空間示意圖、y通道顏色空間示意圖、cb通道顏色空間示意圖、cr通道顏色空間示意圖；依次，若將rgb顏色空間轉換為ycbcr顏色空間，則可以將亮度和色度區分開，以方便下一步的檢測。在此基礎上，使用了大津otsu算法，獲取了火焰初級可疑區域，縮小了所要檢測區域的面積。接著對火焰初級可疑區域進行檢測，獲得更為細化的火焰可疑區域。

如圖1所示，本發明設計了一種基于圖像特征提取的多特征融合秸稈焚燒火災檢測方法，首先針對準確分割后的火焰圖像和非火焰圖像，分別基于圖像hog特征、圖像灰度共生矩陣特征、圖像顏色矩特征，分別針對svm分類器進行訓練，分別獲得火焰hog特征分類器、火焰圖像灰度共生矩陣特征分類器、火焰顏色矩特征分類器；包括如下步驟：

步驟α.顏色空間的使用對火焰的檢測意義重大，檢測環境受到亮度變化的影響，為了將火焰顏色的亮度和色度區分開來，因此將待檢測圖像由rgb顏色空間轉化為ycbcr顏色空間，更新待檢測圖像，然后進入步驟β，其中，ycbcr顏色空間的公式如下所示：

步驟β.獲得待檢測圖像中的火焰可疑區域，然后進入步驟a。

其中，步驟β具體包括如下步驟：

步驟β-01.針對待檢測圖像，采用大津算法獲得火焰初級可疑區域，然后進入步驟β-02。

其中，大津算法(otsu算法)(具體可參見文獻[otsunobuyuki.athresholdselectionmethodfromgray-levelhistograms.ieeetransactionsonsystems,manandcyberenetics,vol.9.no.1,jan.1979:62-66])的基本思想是：遍歷圖像中的所有灰度值，將此灰度值作為閾值將圖像分割成兩組，一組對應目標，另一組對應背景，找出灰度值中使得分割所得兩類中類內方差最小而類間方差最大的作為圖像的閾值進而分割圖像。

步驟β-02.針對火焰初級可疑區域，采用顏色判別方法獲得火焰可疑區域。這里顏色判別方法具體為，使用手工分割出的多張火焰圖片的顏色約束條件，針對步驟β-01中的火焰初級可疑區域進一步的進行檢測，獲得火焰可疑區域。

步驟a.將所獲待檢測圖像中火焰可疑區域劃分為至少兩個圖像單元區，各個圖像單元區的尺寸彼此相同，然后進入步驟b。

步驟b.分別針對各個圖像單元區，分別獲得圖像單元區的圖像hog特征、圖像灰度共生矩陣特征、圖像顏色矩特征，然后進入步驟c。

上述步驟b中，獲得圖像單元區的圖像hog特征，具體執行包括如下步驟：

步驟b-01.以預設n×n個像素組成一個子單元區、預設m×m個子單元區構建滑動窗口，且n×m小于圖像單元區的邊長。

步驟b-02.采用滑動窗口在圖像單元區上分別沿水平方向和豎直方向進行滑動，且每次滑動步長為n個像素，同時分別針對每次移動后滑動窗口所對應的圖像區，分別針對滑動窗口中各個子單元區所對應的圖像區，按梯度方向平均劃分為9個區間，并分別對子單元區所對應圖像區內各個像素所屬方向進行投票統計，所獲票數即為像素的邊緣強度，進而獲得子單元區所對應圖像區的9維特征向量，并進一步獲得滑動窗口所對應圖像區的(9×m×m)個特征。

步驟b-03.將滑動窗口在圖像單元區上移動所對應各圖像區的(9×m×m)個特征進行串聯，構成圖像單元區的圖像hog特征。

這里對于步驟b中，采用滑動窗口獲得圖像單元區的圖像hog特征過程，在實際的應用過程中，可按如下進行實施例設定，圖像單元區的尺寸定義為48×48像素，8×8個像素組成一個子單元區、預設2×2個子單元區構建滑動窗口，則采用滑動窗口在圖像單元區上分別沿水平方向和豎直方向進行滑動，且每次滑動步長即為8個像素，如此，滑動窗口所對應圖像區中由4×9＝36個特征，由于對于48×48像素的圖像單元區，水平方向有5個步長，豎直方向有5個步長，則圖像單元區所對應圖像區共有36×5×5＝900個特征。

還有上述步驟b中，所獲圖像單元區的圖像灰度共生矩陣特征包括灰度共生矩陣能量(asm)、慣性矩(con)、相關性和(cor)、信息總量(ent)的四維特征；以及所獲圖像單元區的圖像顏色矩特征，包括分別針對圖像單元區的色調、飽和度和亮度，分別提取其一階中心距、二階中心距、三階中心距共計九維特征。

步驟c.分別針對各個圖像單元區，根據所獲圖像單元區的圖像hog特征、圖像灰度共生矩陣特征、圖像顏色矩特征，分別采用火焰hog特征分類器、火焰圖像灰度共生矩陣特征分類器、火焰顏色矩特征分類器針對圖像單元區進行分類，獲得圖像單元區分別對應圖像hog特征、圖像灰度共生矩陣特征、圖像顏色矩特征的火焰分類結果，然后進入步驟d。這里在實際應用中，對于各種分類器所獲得的火焰分類結果，可以設定1為有火焰，0為沒有火焰。

步驟d.根據預設圖像hog特征權值、圖像灰度共生矩陣特征權值、圖像顏色矩特征權值，分別針對各個圖像單元區，針對圖像單元區分別對應圖像hog特征、圖像灰度共生矩陣特征、圖像顏色矩特征的火焰分類結果進行加權處理，獲得圖像單元區所對應的火焰分類值，然后進入步驟e。

步驟e.分別針對各個圖像單元區，判斷圖像單元區所對應的火焰分類值是否大于預設火焰閾值，是則判斷該為圖像單元區為火焰區域，即秸稈焚燒火災區；否則判斷該為圖像單元區為非火焰區域。

如此，基于上述設計基于圖像特征提取的多特征融合秸稈焚燒火災檢測方法，在實際應用過程當中，即可針對待檢測圖像進行檢測，獲得圖3所示的秸稈焚燒火災標識區圖像。

上述技術方案所設計的基于圖像特征提取的多特征融合秸稈焚燒火災檢測方法，克服了現存火災檢測技術中火災檢測率低和誤檢率高的缺點，有效提高檢測針對性和準確性，并且降低了漏檢率，具體應用中，不依賴于動態的火焰場景，僅僅依靠靜態的圖片即可完成檢測，具有較高的適應性；不僅如此，其中引入大津算法和顏色檢測算法，有效降低了運算的復雜度，使得后續的處理時間縮短，極大的提高了檢測效率。

上面結合附圖對本發明的實施方式作了詳細說明，但是本發明并不限于上述實施方式，在本領域普通技術人員所具備的知識范圍內，還可以在不脫離本發明宗旨的前提下做出各種變化。