一种基于无人机的纵火人员识别和跟踪方法技术

本发明专利技术公开了一种基于无人机的纵火人员识别和跟踪方法，使用标注了火灾和人员的数据训练得到基于

【技术实现步骤摘要】
一种基于无人机的纵火人员识别和跟踪方法


[0001]本专利技术涉及无人机图像领域，特别是一种基于无人机的纵火人员识别和跟踪方法
。

技术介绍

[0002]据统计，在近十年的已查明火因的森林草原火灾中，由人为因素应发的占
97
％以上，因此能够即使发现火情并且锁定疑似纵火人员对减少山林火灾的发生有着重要的帮助
。
然而，现有的方案多是利用监控摄像头观察固定区域火势巡林人巡查，效率低下且耗费人力并且对于纵火人员的追查困难
。
因此，亟需研发一种能够快速且准确的实现对纵火人员识别和跟踪的技术
。

技术实现思路

[0003]本专利技术的目的在于，提供一种基于无人机的纵火人员识别和跟踪方法
。
本专利技术具有能够快速且精准的实现对纵火人员识别和跟踪的特点
。
[0004]本专利技术的技术方案：一种基于无人机的纵火人员识别和跟踪方法，使用标注了火灾和人员的数据训练得到基于
Yolo
检测网络的山火检测模型；当
Yolo
检测网络模型检测到无人机视频流中存在火焰时，以火焰周围一定距离内检测人员，通过火焰的发展趋势判断疑似纵火人员，对疑似纵火人员的检测图像进行保存并使用
DeepSort
算法对人员进行目标跟踪
。
[0005]前述的一种基于无人机的纵火人员识别和跟踪方法中，包括以下具体步骤：
[0006]S1、
建立山火检测的数据集，基于数据集训练得到基于
Yolo
检测网络的山火检测模型，山火检测模型包括火焰检测器和人员检测器；
[0007]S2、
无人机在山林边缘区域进行巡航，将视频流通过无线网络传输至服务器，山火检测模型对服务器中的视频流进行处理；
[0008]S3、
当山火检测模型检测到视频流中存在火焰后，将以火焰检测框为中心，面积为九个检测框大小的区域为人员检测区域，进行人员的检测，同时发出疑似山火警告；
[0009]S4
：将检测到的人员检测框裁剪并上传到服务器，同时使用
DeepSort
算法为人员赋予
id
，记录人员检测框中心和火焰检测框中心的像素距离；
[0010]S5
：将山火检测框的区域进行
Canny
算法处理得到火焰的像素数量，利用其数量变化判断火焰发展趋势；
[0011]S6
：当火焰趋势不变或变大时，通过步骤
S4
中记录的距离对人员防火可能性进行排序，距离越近的可能性越大
。
[0012]前述的一种基于无人机的纵火人员识别和跟踪方法中，山火检测的数据集的建立过程：搜集公开的航拍山火和人群的图片和视频，将视频的每一帧保存为图像，对图像的火焰和人群进行标注，划分为山火数据集和人群数据集，随后采用数据增强方法扩充数据集
。
[0013]前述的一种基于无人机的纵火人员识别和跟踪方法中，步骤
S3
具体检测过程为：
首先使用火焰检测器检测火焰，当在
2s
内连续多次检测到火焰后，再以火焰检测框为中心，面积为九个火焰框大小的区域使用人员检测器进行人员检测
。
[0014]前述的一种基于无人机的纵火人员识别和跟踪方法中，步骤
S5
中，火焰检测器对检测到的山火检测框区域的图片采用
Canny
算法检测边缘，统计每帧图像的火焰像素数量并进行平滑操作，得到火焰像素数量随时间的变化曲线，对曲线进行分析来判断火势变化
。
[0015]前述的一种基于无人机的纵火人员识别和跟踪方法中，火焰像素数量的统计方法为：将火焰检测框区域图片的
R
通道像素进行高斯滤波，然后使用梯度算子计算图片像素梯度，对梯度图像进行非极大抑制，根据设置的低阈值和高阈值将非极大值抑制后的图像分为强边缘
、
弱边缘和非边缘；根据强边缘和弱边缘之间的连接关系，将弱边缘像素分配给强边缘像素，以形成连续的边缘，然后统计火焰边缘内像素数量
。
[0016]前述的一种基于无人机的纵火人员识别和跟踪方法中，火焰像素数量随时间的变化曲线的具体构建方法为：
[0017]1)
选取
R
通道像素值高的几个封闭区域，计算像素面积，作为单帧图片中火焰的像素面积；
[0018]2)
定义像素面积相对变化量为其中分子为相邻两帧间的火焰面积差值的绝对值，分母为后帧的检测框像素数量；
[0019]3)
当定义像素面积相对变化量在
2s
内始终低于1％，则认为该目标为类火焰目标，重新进行检测；
[0020]4)
将每帧统计的火焰像素面积随时间的变化构成一条曲线；与此同时，使用长度为
1s
的时间窗口对曲线进行平均滤波，得到相对平滑的趋势曲线，即得到火焰像素数量随时间的变化曲线；
[0021]前述的一种基于无人机的纵火人员识别和跟踪方法中，根据火焰像素数量随时间的变化曲线判断火势变化的过程是将每积累1分钟的趋势曲线进行分段，将曲线分为四段，每段长度为
15s
，如果某段斜率的绝对值低于某一阈值，则认为基本不变；否则，根据斜率的正或负判定为火势增长或火势减弱
。
[0022]前述的一种基于无人机的纵火人员识别和跟踪方法中，分段方法如下：将曲线首尾相连，设定曲线中距离连线最远的点为关键点以及曲线首尾两点也为关键点，然后在相邻两两关键点间连线，重复上述操作，将曲线分为四段，每段长度为
15s。
[0023]与现有技术相比，本专利技术利用无人机在规划好的的路线进行巡航，将拍摄到的画面和定位信息上传到本地服务器，然后通过基于
YOLO
算法建立的山火检测模型对巡航视频进行处理，能够快速且准确的识别出火焰和纵火嫌疑人员，还通过搭配
deepsort
算法能够实现人员的检测和跟踪
。
综上所述，本专利技术具有能够快速且精准的实现对纵火人员识别和跟踪的特点
。
附图说明
[0024]图1是本专利技术的整体流程图；
[0025]图2是火焰趋势判断流程图
。
具体实施方式
[0026]下面结合附图和实施例对本专利技术作进一步的说明，但并不作为对本专利技术限制的依据
。
[0027]实施例
。
一种基于无人机的纵火人员识别和跟踪方法，如图1所示，从互联网上获得航拍视角下的行人和山火的图像和视频，将视频按帧划分为图像，使用标注软件将火焰和人员进行标定；
[0028]对标注后的数据进行数据增强，将图片进行翻转
、
旋转
、
调整亮度的操作以扩充训练集，构建出林火数据集和人群数据集；
[0029]利用
...

【技术保护点】

【技术特征摘要】
1.
一种基于无人机的纵火人员识别和跟踪方法，其特征在于：使用标注了火灾和人员的数据训练得到基于
Yolo
检测网络的山火检测模型；当
Yolo
检测网络模型检测到无人机视频流中存在火焰时，以火焰周围一定距离内检测人员，通过火焰的发展趋势判断疑似纵火人员，对疑似纵火人员的检测图像进行保存并使用
DeepSort
算法对人员进行目标跟踪
。2.
根据权利要求1所述的一种基于无人机的纵火人员识别和跟踪方法，其特征在于，包括以下具体步骤：
S1、
建立山火检测的数据集，基于数据集训练得到基于
Yolo
检测网络的山火检测模型，山火检测模型包括火焰检测器和人员检测器；
S2、
无人机在山林边缘区域进行巡航，将视频流通过无线网络传输至服务器，山火检测模型对服务器中的视频流进行处理；
S3、
当山火检测模型检测到视频流中存在火焰后，将以火焰检测框为中心，面积为九个检测框大小的区域为人员检测区域，进行人员的检测，同时发出疑似山火警告；
S4
：将检测到的人员检测框裁剪并上传到服务器，同时使用
DeepSort
算法为人员赋予
id
，记录人员检测框中心和火焰检测框中心的像素距离；
S5
：将山火检测框的区域进行
Canny
算法处理得到火焰的像素数量，利用其数量变化判断火焰发展趋势；
S6
：当火焰趋势不变或变大时，通过步骤
S4
中记录的距离对人员防火可能性进行排序，距离越近的可能性越大
。3.
根据权利要求2所述的一种基于无人机的纵火人员识别和跟踪方法，其特征在于，山火检测的数据集的建立过程：搜集公开的航拍山火和人群的图片和视频，将视频的每一帧保存为图像，对图像的火焰和人群进行标注，划分为山火数据集和人群数据集，随后采用数据增强方法扩充数据集
。4.
根据权利要求2所述的一种基于无人机的纵火人员识别和跟踪方法，其特征在于，步骤
S3
具体检测过程为：首先使用火焰检测器检测火焰，当在
2s
内连续多次检测到火焰后，再以火焰检测框为中心，面积为九个火焰框大小的区域使用人员检测器进行人员检测
。5.
根据权利要...

【专利技术属性】
技术研发人员：张国财，程文明，麻斌鑫，魏振兴，唐长华，
申请(专利权)人：浙江航天润博测控技术有限公司，
类型：发明
国别省市：