基于监控视频的秸秆焚烧监测方法、装置制造方法及图纸

本发明专利技术公开了一种基于监控视频的秸秆焚烧监测方法。本发明专利技术方法基于实时性好且易于获取的监控视频，利用视频图像处理技术以及模式识别技术对视频图像进行分析处理，对视频监控区域内的秸秆焚烧事件进行智能识别并报警。本发明专利技术方法首先训练分类器，并利用下采样预处理方法克服正负样本不平衡问题，然后利用分类器对秸秆焚烧事件进行初步识别，再利用反映烟火图像梯度边缘信息的颜色梯度幅度值对分类器的初步识别结果进行修正，从而可得到更准确的监测结果。本发明专利技术还公开了一种基于监控视频的秸秆焚烧监测装置。相比现有技术，本发明专利技术可利用监控视频对秸秆焚烧进行全智能监测，且监测结果准确度更高，实时性更好。

【技术实现步骤摘要】

本专利技术涉及视频图像智能识别
，尤其涉及一种基于监控视频的秸秆焚烧监测方法、装置。
技术介绍
近年来，农作物秸秆成为农村面源污染的新源头。每年夏收和秋冬之际，总有大量的小麦、玉米等秸秆在田间焚烧，产生了大量浓重的烟雾，不仅成为农村环境保护的瓶颈问题，甚至成为殃及城市环境的罪魁祸首。当下备受诟病的雾霾天气，其中一个可能诱因是秸秆燃烧。因此，各级管理部门和环保单位对于秸秆燃烧的防范需求也变得日益迫切起来。目前针对秸秆防燃应用场景，常见的方法是通过卫星遥感图像来分析处理。然而，卫星遥感存在时效性差和空间分辨率低的问题，参数对比如下表。另外，就基层环保单位而言，很难获取遥感卫星图像。因此卫星遥感技术多以省市以上环保部门使用，主要功能是解决事后定责问题，而非事先防范问题。随着物联网技术和相关技术的迅速应用，在秸秆燃烧防范技术上已经有所突破，例如，通过无人航拍，视频监控等方法，对秸秆燃烧重点区域实时采集图像，并监控以达到秸秆防燃的目的。然而这类视频监控的方法依然存在一个问题——就是视频场景依然需要专人不间断值守，依然耗费人力物力。目前在山林防火方面，已出现了部分基于视频监控图像的智能识别技术，可根据监控视频智能地对山林火灾进行监测。然而，由于使用场景具有不同的特点，这些技术无法适用于秸秆焚烧的智能监测。例如，一份中国专利申请(申请号为CN201410043121，名称为“一种输电线路杆塔图像监测系统的山火图像识别方法”)公开了一种输电线路杆塔图像监测系统的山火图像识别方法，该专利技术采用颜色特征阈值和Otsu图像分割方法提取火焰区域，采用小波变换提取烟雾模糊化特征，并采用另一组颜色特征阈值进行分析；由于山火易发于干燥天气，该专利技术需要利用湿度监测数据进行辅助判断；而田间秸秆焚烧监测无法获得这些辅助监测数据，而且几乎任何天气情况下都可能有人偷偷焚烧秸秆，固定颜色特征阈值参数显然不能适用。秸秆焚烧由于是人为引起，是全天候的，并且农田附近有村庄民居、高速公路、树林、河流湖泊等复杂场景，因此需要一种更加鲁棒、有效的智能监测方法。
技术实现思路
本专利技术所要解决的技术问题在于克服现有技术不足，提供一种基于监控视频的秸秆焚烧监测方法，可利用监控视频对秸秆焚烧进行全智能监测，且监测结果准确度更高，实时性更好。本专利技术基于监控视频的秸秆焚烧监测方法，包括以下步骤：步骤A、获取存在秸秆焚烧的图像正样本和不存在秸秆焚烧的图像负样本，并利用下采样方法缩减不存在秸秆焚烧的图像负样本的样本数量，得到训练样本集；然后提取训练样本集中各训练样本的图像特征，对二类分类器模型进行训练，得到分类器；步骤B、获取监控视频的当前帧图像相对于参考帧图像的绝对差图像，并对绝对差图像进行二值化处理：将绝对差图像中天际线以下部分中像素值大于预设阈值的像素设置为目标，其余像素均设置为背景，得到二值绝对差图像；步骤C、利用滑动窗口对所述二值绝对差图像中天际线以下部分进行逐像素扫描，如当前窗口中目标像素所占比例超过预设比例阈值，则将当前帧图像中对应于当前窗口位置的窗口图像的图像特征输入所述分类器进行分类，所述比例阈值的取值范围为10％～70％；如分类结果为存在秸秆焚烧且当前帧图像中对应于当前窗口位置的窗口图像的颜色梯度幅度值小于预设梯度阈值，则判定当前帧图像中存在一个秸秆焚烧事件。优选地，所述下采样方法为串行聚类方法，具体如下：以第一个图像负样本作为一个样本簇；从第二个图像负样本开始，依次判断该图像负样本在预设特征空间中与已经存在的各样本簇中心之间的最小欧氏距离是否大于预设距离阈值，如是，则将该图像负样本作为一个新的样本簇，如否，则将该图像负样本划入距离最近的已存在样本簇中；在所有图像负样本处理完成后，将当前各样本簇的中心作为新的图像负样本。优选地，所述预设特征空间为HSL颜色空间的归一化直方图特征所构成的特征空间。优选地，所述图像特征为HSL颜色空间的直方图特征与局部二值模式特征的组合。上述技术方案中可采用现有的各种天际线检测方法，为了进一步降低算法复杂度，提高监测实时性，优选地，所述天际线利用以下方法检测得到：步骤1、利用沈俊边缘检测算子中对称的指数函数滤波器对当前帧图像进行垂直方向快速递归滤波，得到滤波图像；步骤2、对滤波图像与当前帧图像的差值图像进行二值化处理：将所有的正值像素都赋值为1，而其它像素都为0；步骤3、对所得到的二值图像进行膨胀处理；步骤4、对膨胀处理后的图像进行黑白像素反相，然后进行贴标签处理，记最上部背景区域为天空区域；步骤5、对膨胀处理后的图像中属于天空区域的各像素分别进行处理：如以当前像素为中心的3×3像素大小的邻域中存在一个以上值为1的像素，则将当前像素标记为目标像素，否则标记为背景，从而得到新的图像；步骤6、利用霍夫变换对步骤5所得到新的图像进行直线检测，并从所检测到的直线中取其上目标像素最多的一条作为天际线。优选地，图像的颜色梯度幅度值通过以下方法得到：对RGB颜色空间中该图像的三个颜色分量图像，分别以各颜色分量图像中所有像素的Sobel梯度幅值之和作为该颜色分量图像的Sobel梯度幅值，然后从三个颜色分量图像的Sobel梯度幅值中选择最大值作为该图像的颜色梯度幅度值。优选地，所述二类分类器模型为支持向量机分类模型。优选地，所述监控视频通过安装在移动通信基站塔体上部的视频监控设备获取得到。根据相同的专利技术思路还可以得到以下技术方案：基于监控视频的秸秆焚烧监测装置，包括：视频采集单元，用于实时获取待监测区域的监控视频；二值绝对差图像获取单元，用于获取监控视频的当前帧图像相对于参考帧图像的绝对差图像，并对绝对差图像进行二值化处理：将绝对差图像中天际线以下部分中像素值大于预设阈值的像素设置为目标，其余像素均设置为背景，得到二值绝对差图像；秸秆焚烧事件判定单元，包括分类器、颜色梯度幅度值计算模块、扫描模块；其中，所述分类器按照以下方法预先训练得到：获取存在秸秆焚烧的图像正样本和不存在秸秆焚烧的图像负样本，并利用下采样方法缩减不存在秸秆焚烧的图像负样本的样本数量，得到训练样本集；然后提取训练样本集中各训练样本的图像特征，对二类分类器模型进行训练；所述颜色梯度幅度值计算模块用于计算当前帧图像中对应于当前窗口位置的窗口图像的颜色梯度幅度值；所述扫描模块用于利用滑动窗口对所述二值绝对差图像中天际线以下部分进行逐像素扫描，如当前窗口中目标像素所占比例超过预设比例阈值，则将当前帧图像中对应于当前窗口位置的窗口图像的图像特征输入所述分类器进行分类，所述比例阈值的取值范围为10％～70％；如分类结果为存在秸秆焚烧且当前帧图像中对应于当前窗口位置的窗口图像的颜色梯度幅度值小于预设梯度阈值，则判定当前帧图像中存在一个秸秆焚烧事件。优选地，所述下采样方法为串行聚类方法，具体如下：以第一个图像负样本作为一个样本簇；从第二个图像负样本开始，依次判断该图像负样本在预设特征空间中与已经存在的各样本簇中心之间的最小欧氏距离是否大于预设距离阈值，如是，则将该图像负样本作为一个新的样本簇，如否，则将该图像负样本划入距离最近的已存在样本簇中；在所有图像负样本处理完成后，将当前各样本簇的中心作为新的图像负样本。优选地，所述预设特征空间为HSL颜色空间的归一化<本文档来自技高网...

【技术保护点】
基于监控视频的秸秆焚烧监测方法，其特征在于，包括以下步骤：步骤A、获取存在秸秆焚烧的图像正样本和不存在秸秆焚烧的图像负样本，并利用下采样方法缩减不存在秸秆焚烧的图像负样本的样本数量，得到训练样本集；然后提取训练样本集中各训练样本的图像特征，对二类分类器模型进行训练，得到分类器；步骤B、获取监控视频的当前帧图像相对于参考帧图像的绝对差图像，并对绝对差图像进行二值化处理：将绝对差图像中天际线以下部分中像素值大于预设阈值的像素设置为目标，其余像素均设置为背景，得到二值绝对差图像；步骤C、利用滑动窗口对所述二值绝对差图像中天际线以下部分进行逐像素扫描，如当前窗口中目标像素所占比例超过预设比例阈值，则将当前帧图像中对应于当前窗口位置的窗口图像的图像特征输入所述分类器进行分类，所述比例阈值的取值范围为10%~70%；如分类结果为存在秸秆焚烧且当前帧图像中对应于当前窗口位置的窗口图像的颜色梯度幅度值小于预设梯度阈值，则判定当前帧图像中存在一个秸秆焚烧事件。

【技术特征摘要】
1.基于监控视频的秸秆焚烧监测方法，其特征在于，包括以下步骤：步骤A、获取存在秸秆焚烧的图像正样本和不存在秸秆焚烧的图像负样本，并利用下采样方法缩减不存在秸秆焚烧的图像负样本的样本数量，得到训练样本集；然后提取训练样本集中各训练样本的图像特征，对二类分类器模型进行训练，得到分类器；步骤B、获取监控视频的当前帧图像相对于参考帧图像的绝对差图像，并对绝对差图像进行二值化处理：将绝对差图像中天际线以下部分中像素值大于预设阈值的像素设置为目标，其余像素均设置为背景，得到二值绝对差图像；步骤C、利用滑动窗口对所述二值绝对差图像中天际线以下部分进行逐像素扫描，如当前窗口中目标像素所占比例超过预设比例阈值，则将当前帧图像中对应于当前窗口位置的窗口图像的图像特征输入所述分类器进行分类，所述比例阈值的取值范围为10%~70%；如分类结果为存在秸秆焚烧且当前帧图像中对应于当前窗口位置的窗口图像的颜色梯度幅度值小于预设梯度阈值，则判定当前帧图像中存在一个秸秆焚烧事件。2.如权利要求1所述基于监控视频的秸秆焚烧监测方法，其特征在于，所述下采样方法为串行聚类方法，具体如下：以第一个图像负样本作为一个样本簇；从第二个图像负样本开始，依次判断该图像负样本在预设特征空间中与已经存在的各样本簇中心之间的最小欧氏距离是否大于预设距离阈值，如是，则将该图像负样本作为一个新的样本簇，如否，则将该图像负样本划入距离最近的已存在样本簇中；在所有图像负样本处理完成后，将当前各样本簇的中心作为新的图像负样本。3.如权利要求2所述基于监控视频的秸秆焚烧监测方法，其特征在于，所述预设特征空间为HSL颜色空间的归一化直方图特征所构成的特征空间。4.如权利要求1所述基于监控视频的秸秆焚烧监测方法，其特征在于，所述图像特征为HSL颜色空间的直方图特征与局部二值模式特征的组合。5.如权利要求1所述基于监控视频的秸秆焚烧监测方法，其特征在于，所述天际线利用以下方法检测得到：步骤1、利用沈俊边缘检测算子中对称的指数函数滤波器对当前帧图像进行垂直方向快速递归滤波，得到滤波图像；步骤2、对滤波图像与当前帧图像的差值图像进行二值化处理：将所有的正值像素都赋值为1，而其它像素都为0；步骤3、对所得到的二值图像进行膨胀处理；步骤4、对膨胀处理后的图像进行黑白像素反相，然后进行贴标签处理，记最上部背景区域为天空区域；步骤5、对膨胀处理后的图像中属于天空区域的各像素分别进行处理：如以当前像素为中心的3×3像素大小的邻域中存在一个以上值为1的像素，则将当前像素标记为目标像素，否则标记为背景，从而得到新的图像；步骤6、利用霍夫变换对步骤5所得到新的图像进行直线检测，并从所检测到的直线中取其上目标像素最多的一条作为天际线。6.如权利要求1所述基于监控视频的秸秆焚烧监测方法，其特征在于，图像的颜色梯度幅度值通过以下方法得到：对RGB颜色空间中该图像的三个颜色分量图像，分别以各颜色分量图像中所有像素的Sobel梯度幅值之和作为该颜色分量图像的Sobel梯度幅值，然后从三个颜色分量图像的Sobel梯度幅值中选择最大值作为该图像的颜色梯度幅度值。7.如权利要求1所述基于监控视频的秸秆焚烧监测方法，其特征在于，所述二类分类器模型为支持向量机分类模型。8.如权利要求1所述基于监控视频的秸秆焚烧监测方法，其特征在于，所述监控视频通过安装在移动通信基站塔体上部的视频监控设备获取得到。9.基于监控视频的秸秆焚烧监测装置，其特征在于，包括：视频采集单元，用于实时获取待监测区域的监控视频；二值绝对差图像获取单元，用于获取监控视频的当前帧图像相对于参考帧图像的绝对差图像，并对绝对差图像进行二值化处理：将绝对差图像中天际线以下部分中像素值大于预设阈值的像素设置为目标，其余像素均...

【专利技术属性】
技术研发人员：张杰，李士进，
申请(专利权)人：张杰，李士进，
类型：发明
国别省市：江苏;32