一种基于图像识别技术的森林火灾自动监测识别系统及方法技术方案

一种基于图像识别技术的森林火灾自动监测识别系统及方法，属于图像处理领域。基于视频监控图像处理和模式识别技术的适用范围广、经济性强的特点，将其应用于森林火灾的监测预警领域。本发明专利技术包括：使用中值滤波和灰度处理方法进行图像降噪、数据压缩的预处理；运用混合高斯背景模型及差分检测技术进行监控图像中运动目标的检测；再对检测到的目标图像提取颜色矩、能量、熵、逆差矩、圆形度等多维特征融合为归一化的特征向量；最后使用支持向量机的二分类器进行识别判决。本发明专利技术能够较好的检测复杂背景中的出现的运动目标并提取特征参数进行识别的功能，进而实现火灾自动识别，且具有监测准确性高的优点。

【技术实现步骤摘要】
一种基于图像识别技术的森林火灾自动监测识别系统及方法
本专利技术涉及一种基于图像识别技术的森林火灾自动监测识别系统及方法。
技术介绍
为减少森林火灾的损失，森林火灾的监测预警技术，已经成为当今世界各国都十分关注的研究课题。传统的火灾监测方法是感烟、感温、感光探测器以及红外对射探测,还有现在比较流行的卫星监测。对于森林这样的大空间火灾监测，本文提出了一种基于图像视觉特征的火灾监测方法。随着科学技术的快速发展，各种新兴的技术手段，如卫星遥感、智能传感器、无人机、红外探测等技术正逐渐应用于森林火灾的监测预警领域，传统的人工巡逻、瞭望塔监测的手段也迎来了革命性的改变，这其中一种新的基于视频监控图像处理和模式识别技术的火灾监测预警方法由于其适用范围广、经济性强的特点，正受到越来越多研究学者的关注。本文的课题就是研究基于视频监控图像的森林火灾自动监测识别技术及软件系统，目的是实现已经安装在林区的视频监控硬件系统与森林火灾自动识别软件系统的结合，从而辅助或替代人工监测方式，实现全天候林火自动监测预警功能，具有一定的创新性和实用意义。目前，在森林火灾视频图像自动监测识别领域，国内外众多研究学者虽然进行了广泛的探索和研究，但大部分还是停留在理论研究层面，在实际应用中准确率、处理能力、抗干扰性、可靠性和实用性等问题仍然是技术难点，还需要更多的研究和努力。
技术实现思路
本专利技术的目的是为了解决现有的自动监测识别技术及软件系统还是停留在理论研究层面，在实际应用中准确率、处理能力、抗干扰性、可靠性和实用性等问题仍然是技术难点的问题，而提出一种基于图像识别技术的森林火灾自动监测识别系统及方法。一种基于图像识别技术的森林火灾自动监测识别系统，所述的监测识别系统包括：图像采集模块、图像预处理模块、运动目标检测模块、特征提取模块、分类器模块、烟雾气体检测模块；其中，图像采集模块，用于采集森林视频监控图像帧序列，并进行标准化格式转换和压缩；图像预处理模块，用于对图像进行中值滤波去躁处理；运动目标检测模块，用于确定接收的图像中的前景目标点，将可疑目标区域从背景中分割出来；特征提取模块，用于得到归一化特征参数组成的特征向量；分类器模块，用于判断图像是否发生了火灾；烟雾气体检测模块，用于检测所在环境中的烟雾气体的值是否超过设定烟雾气体的阈值。一种基于图像识别技术的森林火灾自动监测识别方法，其特征在于：所述的监测识别方法通过以下步骤实现：步骤一、由图像采集模块采集森林视频监控图像帧序列，并进行标准化格式转换和压缩；之后逐帧提取原始视频监控图像并送入图像预处理模块进行中值滤波去躁处理；之后，将彩色图像进行灰度化转换；之后，将经过上述预处理后的图像送入运动目标检测模块；步骤二、运动目标检测模块接收连续多帧图像，然后对接收的图像中的背景图像进行混合高斯建模估计，计算并不断的更新模型参数，通过分析新加入图像中各点是否匹配背景的最优高斯分布来确定前景目标点；并将运动目标从背景中分割出来转变为二值图像，之后再进行去噪、填充的后处理，将可疑目标区域从背景中分割出来；步骤三、当运动目标检测模块发现图像中有运动目标并将其分割出来时，调用特征提取模块提取目标图像的三阶颜色矩特征，能量、熵和逆差矩的纹理特征，圆形度的形状特征和面积增长率的动态特征，最后得到归一化特征参数组成的特征向量，送给后续分类器模块进行识别判决；步骤四、使用分类器模块进行识别判决：SVM分类器对特征提取模块的送来的特征向量进行计算分析，通过前期样本训练得到的参数，得出最终的判决结果，当判断是发生了火灾，就立即发出报警信息并标识目标图像，如果判断不是火灾则返回继续检测运动目标；步骤五、通过烟雾气体检测模块，进一步检测所在环境中的烟雾气体的值，并在发出警报信息时附加烟雾检测结果；若烟雾检测结果超过设定烟雾气体的阈值，则表明烟雾气体检测模块能进一步验证分类器模块的检测结果的准确性，若否，则仅仅在发出警报信息时附加烟雾检测结果。本专利技术的有益效果为：本专利技术实现了对复杂背景下的运动目标进行检测、分割、特征提取、分类识别的技术设计和功能。本专利技术的系统采用了图像压缩、中值滤波、灰度变换的技术方法，并改进逐帧读取视频图像为3帧步进的读取方式，在实验中较好的去除了视频帧图像的椒盐噪声干扰，同时降低了图像的数据运算量，提高了系统运行的速度。在运动目标检测部分，本系统采用了在复杂静态背景中性能较好的混合高斯模型背景差分技术，对每个像素点使用3个高斯分布进行背景建模，即达到了较好的运动目标的检测，也实现了背景前景的二值分割。在特征提取部分设计时，本系统充分考虑对森林火灾烟雾和火焰都适用的特征类型，一个目的是简化系统的复杂度，另一个是确保系统能够适应全天候监测识别的需求。因此选择了颜色、纹理、圆形度和面积扩散这4类特征，共17维的特征向量。在特征提取方法上分别使用了颜色矩方法(提取三个颜色通道的一二三阶矩共9个特征量)、灰度共生矩阵方法(提取图像灰度共生矩阵的熵、能量、逆差矩三个参数在4个方向上的均值、方差6个特征量)、圆形度方法(用运动目标区域的二值图像边缘检测计算目标的圆形度特征量)和面积扩散方法(3帧运动目标图像之间的面积增长率特征量)，经过实验和数据分析，这些特征参量能够较好的区分森林火灾火焰、烟雾与一些常见的干扰物，如人、汽车、太阳等等目标。在分类器设计上，选取了适用于本系统的解决二分问题性能较好的SVM方法，通过将上述特征参数融合为归一化的特征向量，然后分别输入烟雾、火焰SVM分类器，从而进行分类器训练和报警识别功能。基于RGB、YCbCr和HSI颜色模型的火灾检测算法。将RGB图像分别转换到YCbCr和HSI颜色空间并提取三种颜色空间各个通道的灰度图像，采用PCA降维法对通道的特异性进行分析，给出7个火焰识别判据，并建立ROC曲线求取识别判据中的阈值。利用该算法对包含多种亮度和色度的火焰正样本和非火焰负样本的图像集进行测试，测试结果表明该算法相比传统的基于RGB颜色空间的模型识别率提高6.83％，误报率降低了10.07％。在保证高识别率和低误报率的同时，提高了识别效率，符合森林火灾监测对于实时性、准确性的要求。具体实施方式具体实施方式一：本实施方式的一种基于图像识别技术的森林火灾自动监测识别系统，所述的监测识别系统包括：图像采集模块、图像预处理模块、运动目标检测模块、特征提取模块、分类器模块、烟雾气体检测模块；其中，图像采集模块，用于采集森林视频监控图像帧序列，并进行标准化格式转换和压缩；图像预处理模块，用于对图像进行中值滤波去躁处理，使图像更平滑、干扰点更少，储存这一原始背景图像供后续处理使用；运动目标检测模块，用于确定接收的图像中的前景目标点，将可疑目标区域从背景中分割出来；特征提取模块，用于得到归一化特征参数组成的特征向量；分类器模块，用于判断图像是否发生了火灾；...

【技术保护点】
1.一种基于图像识别技术的森林火灾自动监测识别系统，其特征在于：所述的监测识别系统包括：图像采集模块、图像预处理模块、运动目标检测模块、特征提取模块、分类器模块、烟雾气体检测模块；其中，/n图像采集模块，用于采集森林视频监控图像帧序列，并进行标准化格式转换和压缩；/n图像预处理模块，用于对图像进行中值滤波去躁处理；/n运动目标检测模块，用于确定接收的图像中的前景目标点，将可疑目标区域从背景中分割出来；/n特征提取模块，用于得到归一化特征参数组成的特征向量；/n分类器模块，用于判断图像是否发生了火灾；/n烟雾气体检测模块，用于检测所在环境中的烟雾气体的值是否超过设定烟雾气体的阈值。/n

【技术特征摘要】
1.一种基于图像识别技术的森林火灾自动监测识别系统，其特征在于：所述的监测识别系统包括：图像采集模块、图像预处理模块、运动目标检测模块、特征提取模块、分类器模块、烟雾气体检测模块；其中，
图像采集模块，用于采集森林视频监控图像帧序列，并进行标准化格式转换和压缩；
图像预处理模块，用于对图像进行中值滤波去躁处理；
运动目标检测模块，用于确定接收的图像中的前景目标点，将可疑目标区域从背景中分割出来；
特征提取模块，用于得到归一化特征参数组成的特征向量；
分类器模块，用于判断图像是否发生了火灾；
烟雾气体检测模块，用于检测所在环境中的烟雾气体的值是否超过设定烟雾气体的阈值。


2.根据权利要求1所述的一种基于图像识别技术的森林火灾自动监测识别系统，其特征在于：所述的特征提取模块包括颜色、纹理、形状和运动特征提取四个子模块。


3.根据权利要求1或2所述的一种基于图像识别技术的森林火灾自动监测识别系统，其特征在于：所述的分类器模块包含烟雾识别子模块和火焰识别子模块。


4.一种基于图像识别技术的森林火灾自动监测识别方法，其特征在于：所述的监测识别方法通过以下步骤实现：
步骤一、由图像采集模块采集森林视频监控图像帧序列，并进行标准化格式转换和压缩；
之后逐帧提取原始视频监控图像并送入图像预处理模块进行中值滤波去躁处理；
之后，将彩色图像进行灰度化转换；
之后，将经过上述预处理后的图像送入运动目标检测模块；
步骤二、运动目标检测模块接收连续多帧图像，然后对接收的图像中的背景图像进行混合高斯建模估计，计算并不断的更新模型参数，通过分析新加入图像中各点是否匹配背景的最优高斯分布来确定前景目标点；
并将运动目标从背景中分割出来转变为二值图像，之后再进行去噪、填充的后处理，将可疑目标区域从背景中分割出来；
步骤三、当运动目标检测模块发现图像中有运动目标并将其分割出来时，调用特征提取模块提取目标图像的三阶颜色矩特征，能量、熵和逆差矩的纹理特征，圆形度的形状特征和面积增长率的动态特征，最后得到归一化特征参数组成的特征向量，送给后续分类器模块进行识别判决；
步骤四、使用分类器模块进行识别判决：
SVM分类器对特征提取模块的送来的特征向量进行计算分析，通过前期样本训练得到的参数，得出最终的判决结果，当判断是发生了火灾，就立即发出报警信息并标识目标图像，如果判断不是火灾则返回继续检测运动目标；
步骤五、通过烟雾气体检测模块，进一步检测所在环境中的烟雾气体的值，并在发出警报信息时附加烟雾检测结果；
若烟雾检测结果超过设定烟雾气体的阈值，则表明烟雾气体检测模块能进一步验证分类器模块的检测结果的准确性，若否，则仅仅在发出警报信息时附加烟雾检测结果。


5.根据权利要求4所述的一种基于图像识别技术的森林火灾自动监测识别方法，其特征在于：
所述的步骤一中图像预处理模块的处理步骤为：
(1)逐个帧接收主程序的视频序列；
(2)对每一帧图像进行使用imresize()库函数图像压缩；
(3)接着使用medfifl2()库函数进行图像中值滤波，同时将滤波后的彩色图像存储在文件中，以备后续特征提取模块调用；
(4)接着使用rgb2gray()库函数进行图像灰度化变换，并将灰度图像储存在件中，以备后续特征提取；
(5)最后返回灰度图像序列。


6.根据权利要求4或5所述的一种基于图像识别技术的森林火灾自动监测识别方法，其特征在于：所述的步骤二中，运动目标检测模块的步骤为：
(1)开始读入预处理的图像帧序列；
(2)选取读入的第一帧作为初始背景，利用其像素的灰度值，进行三个高斯模型参数的初始化，初始化参数包括：均值、方差、权重、偏差阈值、学习率、更新率；
(3)依次逐帧读入后续图像，并更新图像中各点的三个高斯背景模型参数，
具体的更新方法为：
先计算新的像素灰度值与3个高斯模型的均值的绝对差，即绝对距离，并将各绝对距离分别与判决阈值进行比较；
如果绝对距离小于判决阈值，就标记为匹配，利用像素灰度进行该模型的权重、均值和方差参数更新；如果绝对距离大于判决阈值，就标记为不匹配，只更新权重略微降低；
如果比较结果为与三个高斯模型都不匹配，则将当前权重最小的模型用当前像素灰度值进行均值、方差和权重参数的初始化操作；
(4)各模型参数更新结束后，按照优先级索引的方式，以权重和方差的比...

【专利技术属性】
技术研发人员：张玉萍，张威，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23