[发明专利]一种基于MSER的远距离复杂环境下的烟雾根节点检测方法

权利要求书

1.一种基于MSER的远距离复杂环境下的烟雾根节点检测方法，其特征在于，包含以下步骤：

第一步，视频信息预处理：通过采集固定摄像头的连续帧烟雾图像，进行帧图像提取，并对RGB色域的帧图像进行中值滤波和高斯滤波去除噪声干扰；

第二步，图像中角点提取：通过对中值滤波后的图像进行Shi-Tomasi角点提取，找出图像中所有的可疑角点；

第三步，角点自动聚类处理：通过对产生角点的坐标进行层次聚类计算，并根据OTSU最大类间差算法确定聚类数目，得到自动确定的聚类数目下的各个分类角点坐标；

第四步，图像分割切除：对自动聚类完毕后各个分类下的坐标进行凸包计算，画出凸包区域，并在原始的RGB帧图像中对凸包区域进行切除，并用黑色进行切除区域的填充，黑色的RGB值为[0,0,0]；

第五步，MSER+的计算处理：对填充后的RGB图像做MSER的正向算法计算，仅仅检测白色的MSER区域，不执行MSER-的计算，将得到的区域存入单通道二值图像；

第六步，候选区域代表坐标计算：对得到的单通道二值图像连通域进行骨骼图像提取，并计算出骨骼图像的端点坐标，记录该图像中所有的骨骼图像端点坐标，该坐标即为当前帧图像的候选区域代表坐标；

第七步，代表坐标分类：计算当前图像的后续一帧图像，记录步骤六中计算出的骨骼图像端点坐标，并对这两帧图像的端点坐标再次进行步骤三种提出的基于OTSU分类的自动聚类算法，计算凸包区域簇，并记录区域簇；

第八步，代表坐标分类锁定:再次计算后续两帧图像中提取出的区域簇,此时应用了4帧图像，对凸包区域簇进行位置重叠匹配，淘汰掉没有区域簇重合的区域，并对重合的区域簇进行编号计数，在后续循环计算的过程中，若编号计数连续中断10次，即40帧图像，则淘汰该区域；

第九步，锁定区域下的烟雾根坐标匹配：对步骤八中锁定的区域簇内的骨骼图像端点坐标点做基于欧式距离的半径匹配策略，若存在连续帧图像端点坐标在区域簇内稳定存在，并浮动于小半径范围内，则该小半径范围内所有端点坐标的平均值为烟雾根节点，端点坐标包括X轴方向和Y轴方向。

2.根据权利要求1所述的一种基于MSER的远距离复杂环境下的烟雾根节点检测方法，其特征在于所述第三步中角点自动聚类处理，其计算方法为:

步骤1，角点自动聚类首先将提取出的角点坐标进行记录收集，然后逐次计算两两坐标点的欧氏距离，找出欧氏距离最近的两个坐标点，进行合并计算，并将合并后的端点作为这两点的代替坐标点，再次进行后续的迭代计算，直到所有坐标点全部计算完成，形成一颗完整的分类二叉树为止，其中合并点的坐标公式如下：

式(1)中x_i和x_j分别对应在当前所有角点坐标中距离最近的两点的水平坐标，y_i和y_j分别对应在当前所有角点坐标中距离最近的两点的垂直坐标，x_new,y_new分别代表两者合并后的替代坐标的水平方向坐标值和垂直方向的坐标值；

步骤2，二叉树具体合并过程如下，以六个角点为例，其中A、B、C、D、E、F六个点为图像计算出的角点，数字1、2、3、4、5所代表的是相应角点的合并顺序以及合并后新的坐标点，则依顺序，第一轮合并的坐标为A、B两点，第二次合并坐标点为C、D两点，第三次合并为1、2两点以此类推；

步骤3，二叉树合并完成后，提取出每轮合并的坐标点，进行OTSU分类坐标值的计算，以六个角点为例，计算方式自顶向下：5坐标点表示所有的六个角点合并为最终一类，则一类到二类的转变是将5分解成为3、4两个大类，则3、4两二叉树节点下的所有坐标进行OTSU坐标分类计算，即A、B、C、D为一组输入信息，E、F为一组输入信息；以此类推，4坐标表示所有六个角点合并为最终两类，则第二类到第三类的转变是将4分解为E、F两个大类，此时3、E、F为六个角点的三大类信息点，则最新分裂的坐标点为OTSU的输入信息，即E为一组输入信息，F为一组输入信息；

步骤4，六个角点最多存在六个分类结果，最少存在一个分类结果，共会计算出五个OTSU坐标点；即：若存在N个角点，共会存在最多N个分类结果，最少1个分类结果，共会计算出N-1个OTSU坐标点；

步骤5，OTSU坐标点计方式如下：

首先计算坐标点所占比例：

其中，Len1和Len2表示输入两组数据的坐标点个数，w₁和w₂表示两组数据坐标点数占总计算坐标点数的比例；

其次计算平均坐标值：

其中，x_1ave和x_2ave表示两组数据各自的水平坐标平均值，y_1ave和y_2ave表示两组数据各自的垂直坐标平均值；

最后计算最大类间差下的坐标值：

其中，OTSU_x和OTSU_y表示OTSU坐标下的水平坐标值和垂直坐标值；

步骤6，计算所有OTSU坐标与坐标之间的距离，找到坐标集中距离其他坐标距离和最小的点，此时该点所代表的分类种类即为最佳分类方式，距离计算公式如下：

其中，x_c和y_c代表当前迭代计算坐标点坐标值，x_ci和y_ci代表所有OTSU坐标点中除当前迭代坐标点外的其他所有坐标点坐标值，n代表所有坐标点的个数；

步骤7，计算出满足上述条件的OTSU坐标点后，当前坐标点值所代表的分类变化数即为最佳分类种类，如果Pmin点由第三类分裂到第四类时产生的新坐标点参与计算得出，则最佳分类种类为第三类。