本发明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。
背景技术：
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。
技术实现要素：
本发明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。
本发明的有益效果为：
本发明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。本发明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；
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。
具体实施方式二：
与具体实施方式一不同的是，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。
具体实施方式三：
与具体实施方式一或二不同的是，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，所述的分类器模块包含烟雾识别子模块和火焰识别子模块。
具体实施方式四：
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方法，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，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；
之后，将彩色图像进行灰度化转换，以降低图像的数据量，并存储，用于后续处理使用；
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、填充等的后处理，将可疑目标区域从背景中明显的分割出来；
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。
具体实施方式五：
与具体实施方式四不同的是，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方法，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；
具体实施方式六：
与具体实施方式四或五不同的是，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方法，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，以权重和方差的比值为参数来进行从大到小排序；
(5)最后再进行一次像素绝对距离与判决阈值的比较判别，如果像素灰度值与前3个高斯模型都不匹配；则将该像素点灰度置为255，判定为前景点；否则置为0，判定为背景点；
(6)将各像素点的判定结果组成一个二值图像，从而实现背景前景的分割。
具体实施方式七：
与具体实施方式六不同的是，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方法，所述的步骤三中，特征提取模块提取目标图像的三阶颜色矩特征的过程为，
特征提取模块包括颜色特征提取子模块、纹理特征提取子模块、形状特征提取子模块和运动特征提取子模块，通过读取原始彩色、灰度以及分割后的二值图像并进行运算处理，分别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。
具体实施方式八：
与具体实施方式七不同的是，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方法，所述的步骤四中，使用分类器模块进行识别判决的过程为，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，由一个控制器根据输入图像的亮度信息参数进行工作模式控制，背景比较明亮的时候使用烟雾识别器、背景较昏暗时两个识别器同时工作，背景完全黑暗的时候只使用火焰识别器；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。
具体实施方式九：
与具体实施方式八不同的是，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方法，步骤三中，颜色特征提取子模块采用混合颜色空间中火焰像素识别方法，具体为：
(1)、设火焰图像在rgb颜色空间中识别判据如式(1)和式(2)所示：
r(x，y)＞g(x，y)＞b(x，y)(1)
r(x，y)＞rmean(2)
其中，
(2)、ycbcr颜色空间的火焰像素识别判据
(2.1)、亮度最大特征：
对于任意一幅候选火灾图像，式(3)、式(4)和式(5)分别代表ycbcr颜色空间各个通道均值的定义，
其中，(xi，yi)是像素的空间位置；ymean、cbmean、crmean代表y、cb、cr的平均值，k为整个图像像素点个数，通过统计分析，火焰图像在ycbcr颜色空间火焰图像在ycbcr颜色空间中识别判据如式(6)和式(7)所示：
y(x，y)＞ymean&cb(x，y)＜cbmean&cr(x，y)＞crmean(6)
y(x，y)＞cb(x，y)&cr(x，y)＞cb(x，y)(7)
其中，y(x，y)代表(x，y)空间位置的像素点的亮度分量，cb(x，y)和cr(x，y)分别代表在(x，y)空间位置上，该像素点的蓝色和红色分量与亮度y的差值；
(2.2)、色度差定阈特征：
在火焰区域，像素的cb和cr通道有显著的区别，cb通道是显著的“黑色”而cr通道是显著的“白色”，这个现象可以用式(8)区分表示：
|cr(x，y)-cb(x，y)|≥τ(8)
其中，是指定的常数；通过对包含2000幅图像的图像数据集进行分类分析来确定值，此数据集包含了多种亮度和色度的火焰正样本和非火焰负样本；τ值为70；
(3)、hsi颜色空间的火焰像素识别判据：
通过对图像集进行多次测试得出，在hsi空间中，火焰的h值在[0，60]之间，s值在[20，100]之间，i值在[100，255]之间，满足三个阈值限定的则提取为火焰候选区域；由此得出式(9)所示规则：
0≤h(x，y)≤60&20≤s(x，y)≤100&100≤i(x，y)≤255(9)
其中，h、s、i分别代表色度、饱和度、亮度，取值范围分别是
0°≤h≤360°，0≤s≤100，0≤i≤255；
(4)、混合颜色空间中火焰像素识别判据：
提取同一张候选图像的r通道值以及y通道值，两者相减得到差图，其中火焰部分可以认为灰度值小于某一特定阈值t，识别判据如下式所示：
|r-y|≤t(10)
对样本图片中的火焰区域做标记，将式(1)、(2)、(6)、(7)、(8)、(9)以及式(10)中常数分别从1取到100作为识别判据对图像集进行分类识别，建立roc曲线，获取最佳点t取40，该识别判据可用于将火焰部分与类似火焰颜色部分区分开，应用到本发明的图像集中，使得误判率由19％下降到了15.4％。
实验结果表明：该算法的判据计算量较小，在保证高识别率和低误报率的同时，提高了识别效率，符合森林火灾检测对于实时性、准确性的要求。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。