[发明专利]一种森林火灾自动检测方法及系统

权利要求书

1.一种森林火灾自动检测方法，其特征在于，包括以下步骤：

步骤1，获取第一视频图像及参考图像；其中，所述第一视频图像为视频采集设备在第一时刻采集到的视频图像，所述第一时刻为任一采样时刻；所述参考图像为所述视频采集设备在森林未发生火灾时采集到的视频图像；

对所述第一视频图像进行预处理，得到第一预处理视频图像；

对所述参考图像进行预处理，得到预处理参考图像；

其中，所述预处理包括：对图像依次进行去噪、图像二值化处理和图像形态学处理，其中图像形态学处理指腐蚀与膨胀；

步骤2，利用所述第一预处理视频图像及所述预处理参考图像进行烟雾预判断，确定在所述第一时刻所述视频采集设备监控区域内是否有烟雾产生；若确定无烟雾产生，则返回步骤1；若确定有烟雾产生，则转至步骤3；

具体的，步骤2包含以下子步骤：

(2a)将所述预处理参考图像作为背景图像对所述第一预处理视频图像进行背景差分处理，得到差分图像；

(2b)根据所述第一预处理视频图像确定动态阈值，将所述差分图像中的每一像素点的灰度值与所述动态阈值进行比较：若所述差分图像中像素点的灰度值大于所述动态阈值，则将所述差分图像的该像素点的灰度值置为255；若所述差分图像中像素点的灰度值小于或等于所述动态阈值，则将所述差分图像的该像素点的灰度值置为0；

(2c)确定所述差分图像中灰度值为255的像素点的个数M；若M大于设定值，则确定在所述第一时刻所述视频采集设备监控区域内有烟雾产生；若M小于或等于所述设定值，则确定在所述第一时刻所述视频采集设备监控区域内无烟雾产生；

其中，所述根据所述第一预处理视频图像确定动态阈值，包括：

设图像有1,2,...L共L个灰度等级，其中灰度等级i的全部像素点的灰度值之和为n_i，整幅图像的所有像素点的灰度值之和为N＝n₁+n₂+...+n_L；

首先进行公式(1)所示的灰度概率归一化处理：

p_i＝n_i/N 公式(1)

其中，p_i≥0，

设动态阈值对应的灰度等级为k，并用C₀表示背景类像素点，用C₁表示前景类像素点，则像素点属于C₀或C₁的概率和均值分别如公式(2)-(5)所示：

其中，ω₀表示像素点属于C₀类像素点的概率，ω₁表示像素点属于C₁类像素点的概率，表示第C₀类像素点的均值，表示整个图像的像素点的均值；

则C₀类和C₁类的类内方差和总方差可用如下所示的公式(6)-(7)计算：

从公式(8)可以看出，总方差与灰度级k无关，因此，可以使用如下所示的公式(9)作为得到最佳动态阈值的计算公式：

式中，表示两类间的方差；

求得使η(k)最大的灰度级k^*，也即最大的灰度级k^*，进而根据该灰度级k^*即可求得最佳动态阈值；

因此，最佳动态阈值可表示为k_best-1，其中k_best＝max(k^*,16)，max(k^*,16)中的16是根据大量烟雾检测训练得到的；

步骤3，对所述第一预处理视频图像进行小波分解，得到所述第一预处理视频图像在水平方向、垂直方向以及对角方向三个方向上的分量；

对所述预处理参考图像进行小波分解，得到所述预处理参考图像在水平方向、垂直方向以及对角方向三个方向上的分量；

利用所述第一预处理视频图像和所述预处理参考图像在所述三个方向上的分量，判断所述视频采集设备监控区域内产生的烟雾是否为真实烟雾；其具体按照以下子步骤实施：

(3a)利用所述第一预处理视频图像在所述三个方向上的分量，计算得到所述第一预处理视频图像的小波边缘能量W_n＝|H_n|²+|V_n|²+|D_n|²；其中，W_n表示第一预处理视频图像的小波边缘能量，H_n表示第一预处理视频图像在水平方向上的分量，V_n表示第一预处理视频图像在垂直方向上的分量，D_n表示第一预处理视频图像在对角方向上的分量；

(3b)利用所述预处理参考图像在所述三个方向上的分量，计算得到所述预处理参考图像的小波边缘能量W₀＝|H₀|²+|V₀|²+|D₀|²；其中，W₀表示预处理参考图像的小波边缘能量，H₀表示预处理参考图像在水平方向上的分量，V₀表示预处理参考图像在垂直方向上的分量，D₀表示预处理参考图像在对角方向上的分量；

(3c)利用所述第一预处理视频图像的小波边缘能量W_n及所述预处理参考图像的小波边缘能量W₀，计算得到所述第一预处理视频图像和所述预处理参考图像的小波边缘能量差值△W＝|W_n-W₀|；

(3d)判断所述第一预处理视频图像和所述预处理参考图像的小波边缘能量差值△W是否小于等于预设的第一判决阈值W₁且小于等于预设的第二判决阈值W₂：若W₁≤△W≤W₂，则确定所述视频采集设备监控区域内产生的烟雾为真实烟雾；若△W≤W₁或△W≥W₂，则确定所述视频采集设备监控区域内产生的烟雾为虚假烟雾；

若确定所述视频采集设备监控区域内产生的烟雾为虚假烟雾，则返回步骤1；若确定所述视频采集设备监控区域内产生的烟雾为真实烟雾，则转至步骤4；

步骤4，获取所述视频采集设备在所述第一时刻之后的N个采样时刻采集到的N帧视频图像，并分别对所述N帧视频图像进行预处理，得到N帧预处理视频图像；所述N个采样时刻依次为第二时刻、第三时刻、…第N+1时刻，所述N帧视频图像依次为第二视频图像、第三视频图像、…第N+1视频图像，所述N帧预处理视频图像依次为第二预处理视频图像、第三预处理视频图像、…第N+1预处理视频图像，N为整数，N≥2；

利用所述第一预处理视频图像至所述第N+1预处理视频图像进行烟雾扩散性特征检测，确定所述视频采集设备监控区域内产生的烟雾是否为火灾引起的烟雾；若确定所述视频采集设备监控区域内产生的烟雾不是火灾引起的烟雾，则返回步骤1；若确定所述视频采集设备监控区域内产生的烟雾是火灾引起的烟雾，则转至步骤5；

步骤5，分别提取所述第二预处理视频图像至所述第N+1预处理视频图像的N帧预处理视频图像中的运动区域，判断所述N帧预处理视频图像中的运动区域内的像素点个数是否逐渐增加；若所述N帧预处理视频图像中的运动区域内的像素点个数未逐渐增加，则返回步骤1；若所述N帧预处理视频图像中的运动区域内的像素点个数逐渐增加，则转至步骤6；

其中，所述的运动区域指运动目标所在的区域；所述的判断N帧预处理视频图像中的运动区域内的像素点个数是否逐渐增加指的是判断不等式：B₂B₃…B_i…B_N+1是否成立，其中，B_i表示第i预处理视频图像中的运动区域内的像素点个数；

具体的，可采用混合高斯背景差分法为将采集图像序列中的当前帧与高斯混合背景模型进行比较，若当前像素值与背景匹配，则将当前帧设置为背景，实现背景更新；若当前像素值与背景不匹配，则当前帧为前景；具体来说，运动区域提取过程如下：

(1)对于N帧预处理视频图像中的第一帧图像中的任一像素点(i,j)，与已知高斯混合模型进行匹配：若匹配，则利用该像素点的灰度值进行背景更新；若不匹配则视此像素点为前景，同时用此像素点的均值代替高斯混合模型中权重最小的高斯分布的均值；

其中，像素点(i,j)与高斯混合模型是否匹配可用如下所示的公式(10)判断，若满足该公式则匹配，若不满足则不匹配：

|X_t-μ_i,t|≤ξσ_i,t 公式(10)

所述的更新公式如公式(11)-公式(15)所示：

ω_i,t+1＝(1-α)·ω_i,t+α·(M_i,t) 公式(11)

μ_i,t+1＝(1-ρ)·μ_i,t+ρ·X_t+1 公式(13)

(σ_i,t+1)²＝(1-ρ)(σ_i,t)²+ρ(X_t+1-μ_i,t)^T(X_t+1-μ_i,t) 公式(14)

其中，ξ取2.5～3，α表示高斯模型的学习速率，ω_i,t表示t时刻第i个高斯分布的权值，表示高斯概率密度函数，μ_i,t表示高斯混和模型中的第i个高斯分布的均值，表示高斯混和模型中的第i个高斯分布的方差，X_t表示t时刻图像中像素点(i,j)的灰度值，X_t+1表示t+1时刻图像中像素点(i,j)的灰度值；

(2)对于N帧预处理视频图像中的第二帧图像的(i,j)点，用如上已更新过的高斯混合模型进行匹配，之后步骤同步骤(1)，如此直至处理至第N+1帧预处理视频图像；

步骤6，将所述第N+1视频图像转换为YCbCr色彩空间下的第N+1图像，并提取所述第N+1图像的Y分量、Cr分量以及Cb分量；

计算所述第N+1预处理视频图像中运动区域的圆形度；

根据所述第N图像的Y分量、Cr分量以及Cb分量和所述第N+1预处理视频图像中运动区域的圆形度，确定所述视频采集设备的监控区域内是否存在火焰；若确定所述视频采集设备的监控区域内不存在火焰，则返回至步骤1；若确定所述视频采集设备的监控区域内存在火焰，则确定森林当前有火灾发生。