[发明专利]一种基于SURF的火灾图像特征提取与识别方法

说明书

本发明公开了一种基于SURF的火灾图像特征提取与识别方法，其涉及计算机视觉领域。本发明在深入分析火灾图像颜色和纹理特征的基础上，首先基于颜色直方图提取图像的颜色特征，再利用SURF算法计算两类图像的局部特征，计算量大大降低，并利用K均值聚类算法对局部特征计算出两类图像各自的聚类中心，最后基于特征点分别与火灾类图像及非火灾类图像聚类中心的距离进行火灾图像识别。本发明能够有效地利用火灾图像在颜色和纹理上远胜于其他图像视觉信息的辨识度的优势，将火灾图像与非火灾图像有效地区分开来，进而做到及时报警。

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于SURF的火灾图像特征提取与识别方法。

背景技术

随着计算机技术的发展，基于数字图像处理和计算机视觉的视频火灾检测方法已成为火灾检测领域的正要手段。传统的火灾报警是通过烟雾、温度来进行检测，相比基于图像的检测方法准确率低，因此对基于图像的火灾监控和火灾发生后及时报警进行研究一直都是火灾报警的重点。火灾图像上会呈现一些显著的特点，火焰区域多数呈橘红色，烟雾区域多数呈灰白色；从纹理上看，火灾区域与其他区域的区别比较明显。

基于特征的匹配方法利用的像素数较少，可以大大减少匹配计算量，Herbert Bay等提出的SURF(Speeded-Up Robust Features)特征在SIFT(Scale Invariant FeatureTransform)的基础上简化了图像金字塔分解的操作。SURF也是一种尺度、旋转不变的特征描述方法，对图像的卷积做近似处理，使得求解Hessian矩阵的计算量大大降低，运算时间相比SIFT减少了3倍以上。K均值算法是目前最常用的聚类算法之一，其目的是使各个样本与所在类别均值的误差平方和达到最小。K均值算法原理简单、具有计算速度快的特点。

发明内容

本发明的目的在于提出一种能够提高火灾图像识别的准确性和满足实时性需求的基于SURF的火灾图像特征提取与识别方法。

为实现本发明目的，本发明技术方案具体为：

一种基于SURF的火灾图像特征提取与识别方法，其包括以下步骤：

S1.从测试库中导入图像，并进行图像预处理和提取图像的HSV颜色特征；

S2.判断HSV颜色空间中与火灾图像的共有颜色特征是否存在重叠，若存在重叠，继续执行步骤S3，若不存在重叠，则将该图像识别为非火灾图像，直接执行步骤S6；

S3.利用SURF算法计算火灾类图像和非火灾类图像的局部特征；

S4.采用K均值聚类算法针对局部特征分别计算出火灾类图像和非火灾类图像的聚类中心；

S5.基于特征点分别与火灾类图像及非火灾类图像聚类中心的距离进行火灾图像识别；

S6.输出图像识别结果。

作为本发明技术方案的进一步改进，所述步骤S1在HSV颜色空间进行图像的颜色特征提取如下，

假设一幅图像在区间内共有T个灰度级，则定义其灰度直方图为如下函数：

H(1_m)＝n_m

其中，1_m是区间[0,I]内第m级亮度，n_m是亮度级为l_m像素总数，m＝1,2,...,T；

归一化直方图后得到：

其中，c(1_m)表示灰度级1_m出现的频率。

作为本发明技术方案的进一步改进，所述步骤S3包括以下步骤：