基于图像处理的森林火灾检测文献综述
浅谈数字图像处理的火险识别技术
浅谈数字图像处理的火险识别技术摘要：论文首先总结了目前各种火灾探测技术的发展现状, 然后对常用的颜色模型及其转换方式进行了阐述, 提出了基于RGB颜色三分量的图像灰度化技术。
对常用的滤波算子和直方图均衡化也进行了分析。
然后提出了背景差分的方法, 重点分析了图像差影以及阈值分割和边缘检测的算法。
关键词：图像处理; 图像分割; 火焰特征; 特征识别;一、绪论(一) 图像型火灾检测技术的出现在使用传统火灾探测技术的过程中, 经常使用火灾特征量作为检测对象。
在过去, 基于温度传感和烟雾感知的检测模型, 科学界已经应用高清晰摄像机、图像处理、计算机多媒体技术来检测火灾。
基于图像的火灾探测技术主要关注数字图像中火灾现象的分析, 并根据图像的特征识别火灾。
由于火灾图像的特点, 图像火灾探测技术在很大程度上避免了复杂地形、植被和恶劣天气对火灾探测精度的影响。
监测范围大, 适用于各种开放空间和大型仓库。
(二) 森林火险的检测目前, 许多森林地区仍然依靠护林员进行人工保护, 但事实上森林火灾的作用很小, 很难及时发现森林火灾, 即使发现, 也很难立即控制。
传统的方法包括航空摄影测量。
然而, 由于大量易燃的森林, 容易产生大量的烟雾, 飞机不仅不安全在烟雾中, 能见度低, 观察的质量也不令人满意。
卫星遥感技术也可用。
但遥感仅适用于大型火灾, 而且反应缓慢, 直到为时已晚才发现【2】。
研究发现, 国内外大多数森林火灾图像都是基于灰色地图, 其缺点是单一判断和高错误率, 而系统的鲁棒性较弱。
根据这种情况, 系统可以通过对各种特征的综合评价来准确判断火灾的发生。
(三) 综述分析了基于火焰图像滤波、前景提取和均衡化的各种颜色模型, 可以对火灾图像进行提取, 然后进行森林火灾预测和及时处理。
二、火灾图像的预处理(一) 颜色模型1、HSI模型HSI模型基于两个重要事实:I组件与图像的颜色信息没有任何关系;H和S的成分与人们感知颜色的方式密切相关。
基于先进图像处理技术的火灾检测系统设计
基于先进图像处理技术的火灾检测系统设计近年来，火灾成为了一个日益严峻的社会问题。
它带来的损失和影响不可避免且难以补偿。
为了保障人民安全，需要建立一个有效的火灾检测系统，及时发现火灾并进行应急处理。
本文将基于先进的图像处理技术，来探讨如何设计一款高效的火灾检测系统。
一、火灾检测系统基本原理火灾检测系统主要基于视觉技术来实现。
它包括了两个基本部分：图像采集和图像处理。
图像采集包括了安装摄像机，实时采集周围环境图像的内容并传输到计算机上。
图像处理是对图像进行分类、特征提取、目标识别和检测等操作，来确定是否存在火灾场景，而且要尽可能地减少误报。
二、图像分类技术在卷积神经网络时代，图像分类不仅简单，而且准确度高。
CNN模型通常包含若干个卷积层和池化层组成，采用的是反向传播算法来进行学习。
为了提高准确度，我们还需要针对火灾特征而进行特殊优化，比如控制误分类率和假阳性概率。
三、火灾特征提取技术火灾与其他正常场景有很大的不同。
火灾的特征包括了颜色、形状、发光亮度等。
通过对图像进行特征提取和分析，我们可以准确地检测出火灾。
我们可以采用人工神经网络方法，将多种特征融合在一起，同时针对每个特征进行优化，以达到更好的效果。
四、火灾目标检测技术目标检测技术可以将特征提取和分类相结合，实现图像中火灾目标区域的精准检测。
在这里，我们推荐YOLO模型，它可以高效地进行整张图像的检测，减少时间和空间浪费。
它将图像分类和方框回归两个任务分别进行学习，同时优化两个损失函数。
相较于传统目标检测技术，YOLO模型具有着极高的检测效率和精度，尤其在实时视频监测领域中效果较好。
五、火灾检测算法的实现在实现算法时，我们需要注意算法的可调节性和稳定性。
应该让算法可以适应多种不同的环境和场景，并且能够动态调整参数和算法精度。
同时，需要将所有算法进行综合，在降低误报率的前提下，实现检测效率的最大化。
六、火灾检测技术在实际应用中的优点基于先进的图像处理技术，我们实现了一款高效的火灾检测系统。
基于无人机遥感图像的森林火灾检测
第４３卷第１期宁夏大学学报（自然科学版）２０２２年３月 Ｖｏｌ．４３Ｎｏ．１ＪｏｕｒｎａｌｏｆＮｉｎｇｘｉａＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）Ｍａｒ．２０２２ 文章编号：０２５３ ２３２８（２０２２）０１ ００１７ ０５基于无人机遥感图像的森林火灾检测杨海川１， 茹志鹏１， 张诗雨２（１．九天智能科技（宁夏）有限公司大数据中心，宁夏石嘴山 ７５３０００； ２．宁夏工商职业技术学院，宁夏银川 ７５００２１）摘 要：为减少森林火灾造成的生态与经济损失，搭建无人机检测平台采集森林遥感图像，基于支持向量机（ＳＶＭ）开发森林火灾检测系统．通过分析森林遥感图像的像素点，预提取火灾的感兴趣区域（ＲＯＩ），提高火灾识别准确率．利用方向梯度提取森林火焰的边缘特征与纹理特征，采用机器学习方法进行森林火灾识别．实验结果表明，该检测方法对火灾与非火灾识别的准确率较高，分别为９３％与９６％，整体识别准确率为９４．５％．关键词：无人机监测；森林火灾检测；遥感图像；支持向量机分类号：（中图）ＴＰ３９１．４１；Ｓ７６２ 文献标志码：Ａ收稿日期：２０２１ ０５ ３１基金项目：国家自然科学基金资助项目（６１８３３０１３）作者简介：杨海川（１９９４—），男，硕士，主要从事无人机飞行控制以及图像处理与识别研究． 森林对自然生态有重要意义，可以保持水土、调节气候，为野生动植物提供栖息地．同时，森林也为人类提供大量的动植物生态资源［１］．但是，由于森林火灾的发生，大量自然森林区被破坏，造成严重的生态与经济损失．而森林火灾的发生具有偶然性、突发性等特点，为了保护动植物的生态环境，减少森林火灾造成的损失，节约自然生态保护的人力与经济成本，需要对大型森林地区进行实时监测．由于火灾发生时蔓延性强难以控制，对森林火灾进行及时、准确的检测便成为目前国内外研究的重要方向［２］．森林区多是人烟稀少的地区，一般传感器检测设备在森林地区难以部署．目前，森林火灾检测多采用遥感图像作为判别依据进行火灾识别［３—５］，并用无人机搭载摄像头进行实时拍摄监测，基于无人机的遥感视频拍摄被广泛应用于森林监测领域［６—７］．同时，随着计算机技术及图像处理技术的发展，基于视觉的遥感技术已经被广泛应用于火灾检测系统．目前，国内外对火焰和火灾的检测方法多为基于图像处理技术［８—９］及深度学习理论的目标识别方法［１０—１２］．基于图像处理技术的检测方法是对火焰图像进行分析，提取火焰特征．由于森林背景与火焰差异明显，该方法算法简单，对火焰特征提取准确，但对烟雾以及云的特征区分效果较差．然而，该方法实时性较好，目前可以广泛应用．而基于深度学习理论的检测方法，直接利用火焰图像进行标定学习检测，可以提取形态复杂的火焰特征，并对烟雾检测有一定的效果，准确率较高．但该方法算法复杂，需要大量标定图片，目前难以在移动平台中应用．针对森林火灾检测的研究现状，兼顾识别的准确率与时效性，并基于无人机无人监测平台开发的森林火灾检测系统，本文考虑利用遥感图像结合图像处理技术与机器学习理论进行森林火灾检测．１ 遥感图像预处理方法１．１ 遥感图像分析由于森林多位于人烟稀少地区，根据应用场景，本文利用无人机平台拍摄的遥感图像进行火灾识别．首先对识别的火灾目标进行图像预处理，提取火灾检测中的感兴趣区域（ＲＯＩ）．图１为利用无人机采集到的部分森林遥感图像．图１ 森林遥感图像宁夏大学学报（自然科学版）第４３卷在森林环境中，自然背景包括森林、岩石、土壤、天空与云，识别目标为火焰与烟雾．由于火灾与森林的背景差异明显，对火焰的检测较为简单，但在火灾发生前期，森林中仅有烟雾未出现明火，此时对烟雾的检测就显得更为重要．一张森林遥感图像中会包含多类目标，本文基于目标分类截取包含目标类别的原始图像，将ＲＧＢ图像进行图像分割，分别提取森林、岩石、云、烟雾以及火焰的ＲＧＢ图像，并进行人工标定，结果见图２．GBR? . ? ?'M ?&'图２ 目标犚犌犅像素提取图２中Ｒ、Ｇ、Ｂ分别代表ＲＧＢ像素分量．散点分布越接近坐标轴，当前像素点的像素值越接近坐标轴所代表的颜色，像素点距离坐标轴原点越远其亮度越高．利用标定图像进行标定，由图２可以看出不同目标的像素向量分布存在一定的差异：森林、岩石、火焰目标的亮度整体偏低，当Ｒ轴向量值相同时森林目标的Ｇ分量较高，火焰目标的Ｒ分量最高，岩石目标的亮度位于森林目标与火焰目标之间，而云目标整体亮度较高且其Ｇ分量相对较高，烟雾目标多分布于坐标轴的主对角线上，代表亮度以黑白为主，与实际相符，且烟雾目标与云目标的ＲＧＢ分量重合度较高．通过选取不同视角可得图３．1G? . ? ?'M ?&'图３ 目标犚犌犅像素聚类图３是由图２经视角变换得到的．由图３可以看出，５个类别在像素空间距离上有明显的聚类关系，可以根据各目标在像素空间中的位置关系，利用无人机系统采集的监控图像可以作为火灾目标识别的判断依据．考虑根据机器学习方法对带标签的像素点进行分类判断．１．２ 基于犛犞犕的图像预处理方法首先，根据ＲＧＢ３个分量对图像像素点进行森林、岩石、云、烟雾、火焰分类．由图２可以看出像素分量之间存在明显的线性相关关系，但回归方法仅能体现像素组合之间的关系，无法体现像素点中的亮度差异．考虑利用支持向量机（ＳＶＭ）机器学习方法对像素点进行分类．首先，定义正样本（Ｐｏｓｉｔｉｖｅｓａｍｐｌｅ）与负样本（Ｎｅｇａｔｉｖｅｓａｍｐｌｅ）的分割计算方法，即为待寻优的超平面分类函数：１－狔犻狑Ｔ犳狓（）犻＋（）犫－ξ犻≤０，（１）式中：狑Ｔ与犫为分割平面参数；狓犻为像素点训练样本，包含Ｒ、Ｇ、Ｂ３个特征向量；犳狓（）犻为映射函数；狔犻为符号函数，作为判断正、负样本的条件；ξ犻为松弛参数，防止标定过程中偶然标定错误等人为因素导致的训练过拟合．其次，定义训练目标优化函数：ｍｉｎ狑，犫，ξｍａｘλ，μ１２狑２＋∑狀犻＝１ξ犻＋∑狀犻＝１λ［犻１－狔犻狑Ｔ犳狓（）犻＋（）犫－ξ］犻－∑狀犻＝１μ犻ξ犻，（２）式中：λ犻，μ犻为约束参数；狑，犫，ξ犻为正、负样本的分割平面参数．由于用于样本数据分类的超平面有无数个，在（２）式中引入间隔最大化作为训练目标，从而超平面参数的求解结果唯一．对目标优化函数（２）中狑，犫，ξ犻分别求导取极值，化简得到目标分割平面参数约束条件：狑＝∑狀犻＝１λ犻狔犻犳狓（）犻，（３）∑犿犻＝１λ犻狔犻＝０，（４）λ犻＋μ犻＝１．（５）对于第犻个训练样本，根据（１）式可得狔２犻狑Ｔ犳狓（）犻＋（）犫＝狔犻，（６）其中狔犻为判断正、负样本的条件，满足狔２犻＝１．化简可得犫＝１狀∑狀犻＝１狔犻－狑Ｔ犳狓（）（）犻．（７）以（２）式为目标函数，（３）～（７）式为约束条件，对参数狑Ｔ、犫进行寻优，得到最优分类超平面公式（１）．由（１）式可知经典的支持向量机为传统二分类器，本文在图像预处理中考虑了５类目标，不能满足本文提出的火灾检测方法的要求，为克服经典支持向量机的缺陷，本方法定义森林目标分类模块中共包含５（５－１）／２＝１０个ＳＶＭ模型，每个分类器对当前像８１第１期杨海川等：基于无人机遥感图像的森林火灾检测素点进行分类投票．当分类器对某像素进行分类时，将像素点导入ＳＶＭ模型中，根据１０个ＳＶＭ模型的投票结果得出目标类别的预测．训练样本中，森林样本９２４００个，岩石样本８５６２４个，云样本１０７０４６个，烟雾样本８９６７６个，火焰样本２９５４７个．整体分类模块的输入是一个３维向量，输出为５维向量．２ ＨＯＧ ＳＶＭ火灾检测方法在火灾检测中，利用方向梯度直方图（ＨＯＧ）提取遥感图像中感兴趣区域的形态与纹理特征．利用机器学习方法基于形态特征，对火灾与非火灾遥感图像进行二分类．根据遥感图像感兴趣区域，计算每个像素点的梯度强度和梯度方向，以梯度强度最大的像素点对应的梯度方向为当前像素的梯度方向．梯度方向和梯度强度的计算公式为α狓，（）狔＝ａｒｃｔａｎ犐犵狓，狔＋１－犐犵狓，狔－１犐犵狓＋１，狔－犐犵狓－１，狔，（８）犌狓，（）狔＝犐犵狓＋１，狔－犐ｇ狓－１，（）狔２＋犐犵狓，狔＋１－犐犵狓，狔－（）１槡２，（９）式中：犐为遥感图像对应的像素点；狓，狔为像素点坐标；犵为红外温度图像的Ｇａｍｍａ系数．由于遥感图像拍摄时间及角度不同，为减少光度对火灾检测的影响，将遥感图像映射到标准化Ｇａｍｍａ空间．计算遥感森林检测图像中所有像素点的梯度方向与梯度强度，构建细胞单元（ｃｅｌｌ）的方向梯度直方图．将０°～１８０°平均分为８组，以２２．５°为一个梯度方向集，定义合梯度方向为一个梯度方向集中的整体方向，建立梯度方向直方图，将梯度方向量化为８个直方图通道（图４）．90˚图４ 犎犗犌方向块基于８个直方图通道对细胞单元中各像素点的梯度强度进行投影；依次以投影量为权值，叠加到８个梯度方向代表的直方图上，定义相邻２×２个细胞单元为块（ｂｌｏｃｋ），通过滑动归一化消除目标与远景的光照强度差异影响．在本文提出的基于ＨＯＧ ＳＶＭ的火灾检测方法中，将８个合梯度方向作为方向梯度直方图的统计量，将感兴趣区域的尺寸转化为２５６×２５６，选取细胞单元的尺寸为８×８，细胞块尺寸为２×２，一个元胞块包含４×８个特征，一帧遥感图像包含（２５６／８－１）２×（４×８）＝３０７５２个维度的特征向量，以此为分类输入代入（１）式，将１０００张存在火灾的遥感图片与１０００张不存在火灾的遥感图片作为训练集，进行火灾与非火灾的目标二分类．３ 仿真实验３．１ 硬件平台系统森林火灾检测系统包括无人机监测平台、北斗导航定位系统、地面站通信平台（图５）．图５ 森林火灾检测系统平台由图５可见，在森林火灾检测系统中，通过无人机搭载遥感摄像头采集森林火灾的遥感图像，利用北斗导航系统定位无人机，从而间接定位森林火灾．由于图像传输具有实时性且功耗过高，考虑在无人机平台中实现火灾识别．为保证实时性，提高运算速度，对摄像头采集到的每帧遥感图像的感兴趣区域做整体火灾检测，且仅在检测到火灾时进行图像传输，并基于５Ｇ通信进行数据交互，将检测结果及火灾现场视频图像发送至地面终端．３．２ 火灾识别方法在无人机硬件平台中嵌入基于遥感图像的森林火灾检测方法，整体识别流程包括图像预处理与森林火灾识别两部分（图６）．图６ 森林火灾识别方法流程图将森林遥感图像分为训练图像数据与测试图像数据，对训练图像数据根据森林、岩石、云、烟雾及火９１宁夏大学学报（自然科学版）第４３卷焰目标进行分类，训练目标特征分类器，用于图像预处理与感兴趣区域的提取．利用目标特征分类器对带标签的学习图像进行预处理，得到学习样本图片，提取ＨＯＧ特征后利用ＨＯＧ特征分类器进行学习，完成对森林火灾遥感图像的识别．整个方法中包含２个相互独立的特征分类器，分别用于遥感图像的预处理和火灾的识别．分类结果见表１．由表１可以看出，分类器的分类准确率整体较高．存在一定偏差的原因为在森林环境中选取目标时，不存在一个像素块仅含有一个单一分类的目标，每个像素块中都含有部分其他分类目标，进行标定时不可避免地加入了噪声．由表１可知，由于像素点的ＲＧＢ值相近，对烟雾和云的检测准确率较低，同样也验证了上文的结论．表１ 目标分类结果％ 标定目标分类结果森林岩石云烟雾火焰森林８９．８２５．１８１．４１３．８７０岩石３．６７９５．１３００．８５０．０５云４．７５０．９１８４．３４１２．９３０烟雾 ２．７８０．３１２５．４２６６．５００火焰０．０１１．６８００９５．１１ 火灾发生初期森林中未出现明火，根据表１的虚线框所示，云与烟雾的识别存在一定的偏差，若仅对烟雾进行检测，则准确率较低．考虑图像处理后利用烟雾与火灾的形态特征检测火灾．为提高遥感图像处理速度，对无人机采集的遥感图像进行预处理．根据图３，遥感图像中的每个像素点经过多分类支持向量机的识别后，都将得到一个分类结果．将相邻分类结果作为一个分类块，判断当前分类块中的主分类结果，将主分类结果作为该分类块的分类结果，利用分类块确定感兴趣区域，提取感兴趣区域进行火灾检测．图１中第２、第３张遥感图像的预处理结果及感兴趣区域的划分结果如图７所示．图７ 感兴趣区域提取利用图像预处理提取感兴趣区域，将遥感图片的感兴趣区域缩至２５６×２５６，统计方向梯度，计算每个细胞单元模的梯度直方图．梯度特征提取结果见图８．BC图８ 犎犗犌特征提取利用ＨＯＧ特征表示火灾遥感图像的纹理特征．ＨＯＧ可以准确提取遥感图像的纹理特征，适用于对火灾以及烟雾的检测．由图８可以看出烟雾的方向梯度以纵向为主，背景干扰的方向梯度无明显指向．将遥感图像中所有细胞单元的方向梯度直方图作为输入狓代入（１）式，利用支持向量机进行训练．以１００张火灾遥感图片与１００张非火灾遥感图片为测试集进行测试．将引入遥感图像预处理方法前后的火灾检测结果进行对比，计算公式为 犘犛ｒ狘犛（）ｆｉｒｅ＝犛ｆｉｒｅｒ犛ｆｉｒｅ，犘犛ｒ狘犛（）ｎｏｎｆｉｒｅ＝犛ｎｏｎｆｉｒｅｒ犛ｎｏｎｆｉｒｅ，犘珚犛ｒ狘犛（）ｆｉｒｅ＝１－犘犛ｒ狘犛（）ｆｉｒｅ，犘珚犛ｒ狘犛（）ｎｏｎｆｉｒｅ＝１－犘犛ｒ狘犛（）ｎｏｎｆｉｒｅ烅烄烆，（１０）式中：犛ｆｉｒｅｒ和犛ｎｏｎｆｉｒｅｒ分别表示对存在火灾与不存在火灾的森林遥感图像识别正确的样本数量；犛ｆｉｒｅ和犛ｎｏｎｆｉｒｅ分别表示火灾与非火灾遥感图片的样本总数；犘犛ｒ狘犛（）ｆｉｒｅ和犘珚犛ｒ狘犛（）ｆｉｒｅ分别表示火灾遥感图像识别的正确率与错误率；犘犛ｒ狘犛（）ｎｏｎｆｉｒｅ和犘珚犛ｒ狘犛（）ｎｏｎｆｉｒｅ分别表示非火灾遥感图像识别的正确率与错误率．将识别结果进行直观表示（见图９）．图９ａ、图９ｂ中上、下两组概率分别表示火灾遥感图像的识别正确率、错误率及非火灾遥感图像的识别错误率、正确率．本文检测方法的准确率较高（平均为９３．５％），具有一定的可行性．0.920.910.090.080.10.20.30.40.50.60.70.80.90.10.20.30.40.50.60.70.80.90.960.930.070.04第１期杨海川等：基于无人机遥感图像的森林火灾检测４ 结论本文提出了一种基于遥感图像的森林火灾检测方法，其识别过程包括基于遥感图像像素点的目标分类和火灾目标识别．利用图像预处理技术对森林火灾的背景、烟雾、火灾进行区分，提取遥感图像的感兴趣区域，并对感兴趣区域进行基于边缘与纹理特征的火灾目标识别．仿真实验结果表明，对火灾遥感图像进行感兴趣区域提取及预处理后火灾识别效果更好，验证了该方法的可行性．将火灾识别方法嵌入硬件平台，搭建基于遥感图像的检测系统可实现对森林火灾的精准监测．参考文献：［１］ ＹＵＡＮＣｈｉ，ＺＨＡＮＧＹｏｕｍｉｎ，ＬＩＵＺｈｉｘｉａｎｇ．Ａｓｕｒｖｅｙｏｎｔｅｃｈｎｏｌｏｇｉｅｓｆｏｒａｕｔｏｍａｔｉｃｆｏｒｅｓｔｆｉｒｅｍｏｎｉ ｔｏｒｉｎｇ，ｄｅｔｅｃｔｉｏｎ，ａｎｄｆｉｇｈｔｉｎｇｕｓｉｎｇｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｓａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｉｑｕｅｓ［Ｊ］．ＣａｎａｄｉａｎＪｏｕｒｎａｌｏｆＦｏｒｅｓｔＲｅｓｅａｒｃｈ，２０１５，４５（７）：７８３ ７９２．［２］ ＷＡＲＤＩＨＡＮＩＥＤ，ＲＡＭＤＨＡＮＩＭ，ＳＵＨＡＲＪＯＮＯＡ，ｅｔａｌ．Ｒｅａｌ ｔｉｍｅｆｏｒｅｓｔｆｉｒｅｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍｕｓｉｎｇｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＥｎｇｉｎｅｅｒｉｎｇＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１８，１３（６）：１５８７ １５９４．［３］ ＪＲＭＡＲＴＩＮＥＺ ＤＥＤＩＯＳ，ＡＲＲＵＥＢＣ，ＯＬＬＥＲＯＡ，ｅｔａｌ．Ｃｏｍｐｕｔｅｒｖｉｓｉｏｎｔｅｃｈｎｉｑｕｅｓｆｏｒｆｏｒｅｓｔｆｉｒｅｐｅｒｃｅｐｔｉｏｎ［Ｊ］．ＩｍａｇｅａｎｄＶｉｓｉｏｎＣｏｍｐｕｔｉｎｇ，２００８，２６（４）：５５０ ５６２．［４］ ＣＨＩＳＨＯＬＭＲＡ，ＣＵＩＪｉｎｑｉａｎｇ，ＬＵＭＳＫＹ，ｅｔａｌ．ＵＡＶＬｉＤＡＲｆｏｒｂｅｌｏｗ ｃａｎｏｐｙｆｏｒｅｓｔｓｕｒｖｅｙｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＵｎｍａｎｎｅｄＶｅｈｉｃｌｅＳｙｓｔｅｍｓ，２０１３，１（１）：６１ ６８．［５］ ＲＯＢＥＲＴＳＧＪ，ＷＯＯＳＴＥＲＭＪ．ＦｉｒｅｄｅｔｅｃｔｉｏｎａｎｄｆｉｒｅｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｖｅｒＡｆｒｉｃａｕｓｉｎｇｍｅｔｅｏｓａｔＳＥＶＩ ＲＩ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００８，４６（４）：１２００ １２１８．［６］ ＺＨＵＹｏｎｇｙａｎ，ＪＥＯＮＳ，ＳＵＮＧＨ，ｅｔａｌ．ＤｅｖｅｌｏｐｉｎｇＵＡＶ ｂａｓｅｄｆｏｒｅｓｔｓｐａｔｉａｌｉｎｆｏｒｍａｔｉｏｎａｎｄｅｖａｌｕａｔｉｏｎｔｅｃｈｎｏｌｏｇｙｆｏｒｅｆｆｉｃｉｅｎｔｆｏｒｅｓｔｍａｎａｇｅｍｅｎｔ［Ｊ］．Ｓｕｓ ｔａｉｎａｂｉｌｉｔｙ，２０２０，１２（２３）：１０１５０．［７］ ＳＨＩＮＪＩ，ＳＥＯＷＷ，ＫＩＭＴ，ｅｔａｌ．ＵｓｉｎｇＵＡＶｍｕｌｔｉｓｐｅｃｔｒａｌｉｍａｇｅｓｆｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｆｏｒｅｓｔｂｕｒｎｓｅｖｅｒｉｔｙ—ａｃａｓｅｓｔｕｄｙｏｆｔｈｅ２０１９ＧａｎｇｎｅｕｎｇＦｏｒｅｓｔＦｉｒｅ［Ｊ］．Ｆｏｒｅｓｔｓ，２０１９，１０（１１）：１０２５．［８］ ＷＡＮＧＴｅｎｇ，ＢＵＬｅｐｉｎｇ，ＹＡＮＧＺｈｉｋａｉ，ｅｔａｌ．Ａｎｅｗｆｉｒｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｕｓｉｎｇａｍｕｌｔｉ ｅｘｐｅｒｔｓｙｓｔｅｍｂａｓｅｄｏｎｃｏｌｏｒｄｉｓｐｅｒｓｉｏｎ，ｓｉｍｉｌａｒｉｔｙａｎｄｃｅｎｔｒｏｉｄｍｏ ｔｉｏｎｉｎｉｎｄｏｏｒｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．ＩＥＥＥ／ＣＡＡＪｏｕｒｎａｌｏｆＡｕｔｏｍａｔｉｃａＳｉｎｉｃａ，２０２０，７（１）：２６３ ２７５．［９］ ＶＩＰＩＮＶ．Ｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｂａｓｅｄｆｏｒｅｓｔｆｉｒｅｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＥｍｅｒｇｉｎｇＴｅｃｈｎｏｌｏｇｙａｎｄＡｄｖａｎｃｅｄＥｎｇｉｎｅｅｒｉｎｇ，２０１２，２（２）：８７ ９５．［１０］ ＳＨＡＨＩＤＭ，ＣＨＩＥＮＩＦ，ＳＡＲＡＰＵＧＤＩＷ，ｅｔａｌ．Ｄｅｅｐｓｐａｔｉａｌ ｔｅｍｐｏｒａｌｎｅｔｗｏｒｋｓｆｏｒｆｌａｍｅｄｅｔｅｃｔｉｏｎ［Ｊ］．ＭｕｌｔｉｍｅｄｉａＴｏｏｌｓａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０２０：１ ２２．ＤＯＩ：１０．１００７／ｓ１１０４２ ０２０ １００７９ １．［１１］ ＷＵＳｈｉｘｉａｏ，ＧＵＯＣｈｅｎｇｃｈｅｎｇ，ＹＡＮＧＪｉａｎｆｅｎｇ．ＵｓｉｎｇＰＣＡａｎｄｏｎｅ ｓｔａｇｅｄｅｔｅｃｔｏｒｓｆｏｒｒｅａｌ ｔｉｍｅｆｏｒｅｓｔｆｉｒｅｄｅｔｅｃｔｉｏｎ［Ｊ］．ＴｈｅＪｏｕｒｎａｌｏｆＥｎｇｉｎｅｅｒｉｎｇ，２０２０，２０２０（３）：３８３ ３８７．［１２］ ＭＵＨＡＭＭＡＤＫ，ＡＨＭＡＤＪ，Ｌ Ｚｈｉｈａｎ，ｅｔａｌ．ＥｆｆｉｃｉｅｎｔｄｅｅｐＣＮＮ ｂａｓｅｄｆｉｒｅｄｅｔｅｃｔｉｏｎａｎｄｌｏｃａｌｉｚａ ｔｉｏｎｉｎｖｉｄｅｏｓｕｒｖｅｉｌｌａｎｃｅａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｙｓｔｅｍｓ，Ｍａｎ，ａｎｄＣｙｂｅｒｎｅｔｉｃｓ：Ｓｙｓｔｅｍｓ，２０１９，４９（７）：１４１９ １４３４．犗狀犉狅狉犲狊狋犉犻狉犲犇犲狋犲犮狋犻狅狀犅犪狊犲犱狅狀犝犞犃犚犲犿狅狋犲犛犲狀狊犻狀犵犐犿犪犵犲犢犪狀犵犎犪犻犮犺狌犪狀１，犚狌犣犺犻狆犲狀犵１，犣犺犪狀犵犛犺犻狔狌２（１．ＢｉｇＤａｔａＣｅｎｔｅｒｏｆＮｕｅｖｉｎＴｅｃｈｎｏｌｏｇｙ（Ｎｉｎｇｘｉａ）Ｃｏ．，Ｌｔｄ．，Ｓｈｉｚｕｉｓｈａｎ７５３０００，Ｃｈｉｎａ；２．ＮｉｎｇｘｉａＶｏｃａｔｉｏｎａｌＴｅｃｈｎｉｃａｌＣｏｌｌｅｇｅｏｆＩｎｄｕｓｔｒｙａｎｄＣｏｍｍｅｒｃｅ，Ｙｉｎｃｈｕａｎ７５００２１，Ｃｈｉｎａ）犃犫狊狋狉犪犮狋：Ｔｏｒｅｄｕｃｅｔｈｅｇｒｅａｔｅｃｏｌｏｇｉｃａｌａｎｄｅｃｏｎｏｍｉｃｌｏｓｓｃａｕｓｅｄｂｙｔｈｅｆｏｒｅｓｔｆｉｒｅｓ，ａｆｏｒｅｓｔｆｉｒｅｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｉｓｂｕｉｌｔｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）ｂｙｕｓｉｎｇｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｃｏｌｌｅｃｔｅｄｂｙｔｈｅＵＡＶｍｏｎｉｔｏｒｉｎｇｐｌａｔｆｏｒｍ．Ｔｈｅｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔ（ＲＯＩ）ｉｓｐｒｅ ｅｘｔｒａｃｔｅｄｔｈｒｏｕｇｈｐｉｘｅｌａｎａｌｙｓｉｓｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ，ｗｈｉｃｈｗｉｌｌｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｆｉｒｅｄｅｔｅｃｔｉｏｎ．Ｔｈｅｄｉｒｅｃｔｉｏｎｇｒａｄｉｅｎｔｉｓａｄｏｐｔｅｄｔｏｅｘｔｒａｃｔｔｈｅｅｄｇｅｆｅａｔｕｒｅｓａｎｄｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｏｆｔｈｅｆｌａｍｅｓ，ａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｅｔｈｏｄｉｓａｐｐｌｉｅｄｔｏｄｅｔｅｃｔｆｏｒｅｓｔｆｉｒｅｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｆｏｒｔｈｅｆｉｒｅａｎｄｎｏｎ ｆｉｒｅｉｓ９３％ａｎｄ９６％ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｏｖｅｒａｌｌｉｄｅｎｔｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｉｓ９４．５％．犓犲狔狑狅狉犱狊：ＵＡＶｍｏｎｉｔｏｒｉｎｇ；ｆｏｒｅｓｔｆｉｒｅｄｅｔｅｃｔｉｏｎ；ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（责任编辑 张 娣）１２。
基于图像处理的森林火灾检测系统的技术研究毕业论文
基于图像处理的森林火灾检测系统的技术研究摘要图像预处理的主要方法有：灰度化、二值化、均值滤波、中值滤波、高斯滤波。
本研究还将各向异性扩散方法应用于医学图像的去噪处理。
采用基于各向异性扩散的偏微分方程，其初始值为输入图像，转化为差分格式迭代求解滤波结果。
以在去除噪声的同时，保持重要的边缘、局部细节。
在此基础上提出八向各向异性扩散和边缘增强各向异性扩散，取得了满意的结果。
K-均值聚类是一个快速的图像分割算法。
大量的实验表明K-均值聚类是一个快速收敛的算法。
经典的C-均值聚类算法是将图像分割成C类的常用方法。
它是一种非监督模糊聚类后再标定的过程，适合灰度图像中存在着模糊和不确定性的特点。
但是这种算法存在不足，如聚类数无法自动确定，运算的开销太大。
医学器官虚拟三维重构技术是现代外科计算机化，信息化发展的重要方向，是计算机科学、数学、机械学、外科及生物医学工程学等多学科高技术的结晶。
本文把各种图像预处理运用到三维医学重构上，使重构效果更好。
关键词：森林火灾检测系统；图像处理；图像分割；Color Image Segmentation and Medicinal O rgan’s3D-ReconstructionAbstractIn this paper,firstly introduce image pre-processing,for example,gray-value,two-value, gaussian filters, anisotropic diffusion.To remove the speckle noise in medical images by using anisotropic diffusion method.Based on anisotropic diffusion,a partial differential equation,of which the initial data was the input images,was transformed into differential forms and solved with iterations.Anisotropic diffusion can remove the speckle noise effedtively and has great potential in filtering medical images.It can preserve edges and local detail.K-means is a fast segmentation process. Extensive experiments show it is fast and generic.The classical C-means clustering algorithm is a well-knowm clustering method to partition an image into homogeneous regions.It is a procedure of the label following an un supervised fuzzy clustering that fuzzy c-means(FCM) algorithm is applied for intensity image segmentation,and it suits for the uncertain and ambiguous characteristic in intensity image.However,there are some deficiencies in the algorithm,for example,the number of clustering can not be determined automatically and the operational const,for large data sets ,is too high;Medicinal organ’s dummy 3D-reconstruction is an important direction of the development in modern surgery’s computerization and informationize field. It’s a combination of t he latest techniques in computer science , mathematics , mechanics , surgery and biological engineering. In this paper,image pre-processing is appled in Medicinal organ’s dummy 3D-reconstruction,that make the result more better.Keywords:forest fire detection system; image processing; Partial Differential Equation;目录摘要 (1)Abstract (2)目录 (3)第一章课题的来源、目的和意义..................................... 错误！未定义书签。
基于图像分割的森林火灾早期烟检测算法研究
1引言针对森林火灾的智能图像处理技术是一个新的研究领域。
为了避免火势的蔓延，火灾检测的实时性和精确性是至关重要的；另外，对于火势蔓延的预测和着火位置的定位，也有利于火灾的及时扑救。
在森林中，由于树木的遮挡，烟雾的出现往往会早于火焰，所以研究基于数字图像的烟雾检测，能够及早地对森林火情进行预警，并能够直观地定位出着火位置。
文献[1]已对现有基于视频图像的林火烟雾检测算法做了较全面的总结：一般性的，可以从烟雾的光谱特征、形状特征和运动基于图像分割的森林火灾早期烟检测算法研究禹素萍1，2，顾晓雯1，2，吴贇1，2YU Suping 1，2,GU Xiaowen 1，2,WU Yun 1，21.东华大学信息科学与技术学院，上海2016202.东华大学教育部数字化纺织服装工程技术工程研究中心，上海2016201.College of Information Science and Technology,Donghua University,Shanghai 201620,China2.Engineering Research Center of Digitized Textile &Fashion Technology of Ministry of Education,Donghua University,Shanghai 201620,ChinaYU Suping,GU Xiaowen,WU Yun.Early forest fire smoke detection algorithm based on image segmentation puter Engineering and Applications,2017,53（16）：166-171.Abstract ：Focused on fire detection in large and complicated space such as forest region,a method is presented for forest fire smoke detection in a single frame,and a new superpixels merging algorithm is studied,and then an existed horizon detection algorithm is improved.Firstly,Simple Linear Iterative Clustering （SLIC ）is performed to compute superpixels and a new superpixels merging algorithm is used.Secondly,a robust horizon detection algorithm is proposed to reduce false alarm rata by cloud interference.Finally,these superpixel areas are characterized using spectrum information,and support vector machine classification is applied to distinguish smoke and background.Experimental results show that this supepixels merging algorithm is efficient and concise,which is easy to be programmed.The smoke detection algorithm is based on image segmentation method,which can reduce noise interference,and smoke detection rate is 77%under forest scene.Key words ：single frame;smoke detection;image segmentation;horizon detection;supepixels merging摘要：针对森林这样的大空间、复杂场景下的火灾检测，提出一种在单帧视频序列图像中的烟检测方法，并研究一种新的超像素合并算法，改进现有的天地线检测算法。
森林防火系统中图像识别算法的研究
哈尔滨工业大学工学硕士学位论文摘要森林是陆地生态的主体，具有很高的生态效益和经济效益。
鉴于目前我国森林防火的严峻形势，必须开发有效技术解决森林火灾的监测问题。
传统火灾探测器多采用单一时刻的火灾参量作为判断标准，在外界干扰下易引起频繁误报或漏报。
近年来提出的基于机器视觉的火灾报警系统，利用数字图像处理技术来实现火灾自动报警。
基于火焰和烟雾的图像特征，本文研究了一种识别自然环境下火灾的机器视觉方法。
火灾发生过程中，主要的图像信息是燃烧时产生的烟雾和火焰，通过对烟雾和火焰的图像信息研究发现，烟雾和火焰本身具有一定的规律性，以此为依据设计有针对性的算法，从图像中识别出烟雾和火焰，判断火灾是否发生。
首先，论文阐述了森林防火技术及图像型火灾检测技术的发展和现状，并对图像分割和滤波方法中的关键技术进行了详细介绍，在此基础上，本文分别讨论了火焰和烟雾的分割与识别。
然后，对于火焰分割，针对不同情况下的火焰研究了三种不同的分割技术，实现了火焰区域的准确分割。
对于火焰的特征检测，主要进行颜色和动态特征的分析，通过建立火焰颜色模型进行颜色识别，再进一步进行火焰的四个动态特征的识别。
对于烟雾分割，由于烟雾颜色的复杂性，采取颜色提取法进行分割，并运用视觉一致性的聚类算法对其进行了改进。
对于烟雾的特征检测，主要进行小波特征及动态特征的分析，通过对比烟雾图像与背景图像小波系数进行小波特征识别，再对识别结果进一步进行动态特征识别，包括烟雾的不规则性和扩散性，最终确定视频中是否存在烟雾。
最后，综合以上分析，给出了森林防火系统中火灾的识别的整体流程以及火焰和烟雾分别的识别流程。
实验证明，综合火焰和烟雾的静态特征及动态特征的火灾识别方法，识别率高。
在火灾检测技术中，具有较好的发展前景。
关键词火焰识别；烟雾识别；图像分割；动态特征- I -AbstractForest is the main terrestrial ecosystem, with high ecological benefits and economic benefits. In view of the current forest fire in China's serious situation, effective technology must be develop to solve the problem of forest fire monitoring so that people's lives and property safety can be effectively protected. More traditional fire detectors use a single moment of the parameters as a standard, in the under-interference caused frequent false positives or omissions. In recent years the fire alarm system based on the machine vision uses digital image processing techniques to achieve automatic fire alarm.Based on the flame and smoke image characteristics, a machine vision method of identifying the natural fire is proposed in this thesis. In the course of the fire, the main image information is the combustion of smoke and flame. Through the study of smoke and flames image information, smoke and flame phenomenon itself has certain regularity. So targeted algorithm can be designed, identify the smoke and flame from image and judge whether the fire occurred based on this kind of found.First of all the thesis explains the techniques status and development of forest fire prevention and fire-detection using digital image processing techniques. On this basis, the segmentation and the identification of flame and smoke are discussed.Then, three different segmentation technologies for different flames are proposed to achieve the accuracy flame region. For the detection of the flame characteristics, color and dynamic analysis are mainly used. The color is identified by establishing of flame color model. Further the dynamic characteristics of the flame are identified. For the complexity of the smoke color, the color extraction method is used to division, and improved by using of the clustering algorithm for visual consistency. For the detection of smoke characteristics, the wavelet characteristics analysis and the dynamic characteristics analysis are mainly used. The wavelet characteristics are identified by comparing images and background images smoke wavelet coefficients, and then the dynamic characteristics of the result, including the- II -哈尔滨工业大学工学硕士学位论文irregularity and the diffusivity of the smoke is further identified. And then we can determine whether there is smoke in the video.Finally, the overall flow of fire identification in forest fire protection is proposed based on above analysis.The experimentation results show that the fire detecting method which integrating static character and dynamic character of flame smoke has high recognition rate. In the area of fire detecting based on video image sequence analysis, the technique introduced in this thesis has good prospect for development .Keywords flame recognition; smoke recognition; image segmentation; dynamic character- III -目录摘要 (I)Abstract (II)第1章绪论 (1)1.1 课题背景 (1)1.2 课题来源 (2)1.3 森林防火技术的研究现状 (3)1.4 图像型火灾检测的研究现状 (4)1.4.1 火焰与烟雾图像特征分析 (5)1.4.2 图像型火灾检测的技术现状 (7)1.4.3 图像型火灾检测的应用现状 (7)1.5 论文的主要内容及结构安排 (8)1.5.1 论文的研究内容 (8)1.5.2 论文的结构安排 (8)第2章数字图像处理基础 (10)2.1 引言 (10)2.2 图像分割理论基础 (10)2.2.1 边缘检测法图像分割 (11)2.2.2 阈值法图像分割 (12)2.2.3 基于区域特性的图像分割 (14)2.2.4 特征空间聚类法图像分割 (14)2.3 图像的滤波 (15)2.3.1 线性滤波 (16)2.3.2 非线性滤波 (16)2.4 本章小结 (18)第3章火焰与烟雾的图像分割 (19)3.1 引言 (19)3.2 实时背景差分 (19)3.3 图像增强 (20)3.4 火焰分割 (22)- IV -哈尔滨工业大学工学硕士学位论文3.4.1 最大类间方差阈值法 (22)3.4.2 特征空间聚类法 (24)3.4.3 颜色提取法 (26)3.5 烟雾分割 (27)3.5.1 颜色提取法 (27)3.5.2 基于视觉一致性聚类法 (30)3.6 本章小结 (33)第4章火焰与烟雾的特征识别 (34)4.1 引言 (34)4.2 火焰的颜色特征 (34)4.2.1 各色彩空间比较 (34)4.2.2 火焰图像分布模型 (35)4.2.3 YCbCr空间分析 (39)4.3 火焰的动态特征 (41)4.3.1 不规则性 (41)4.3.2 扩散性 (42)4.3.3 相似性 (42)4.3.4 稳定性 (43)4.4 烟雾的小波特征 (44)4.5 烟雾的动态特征 (45)4.5.1 扩散性 (45)4.5.2 不规则性 (45)4.6 本章小结 (46)第5章实验结果分析 (47)5.1引言 (47)5.2 火灾识别的总体流程 (48)5.3 火焰分割与识别结果分析 (48)5.3.1 火焰分割结果 (49)5.3.2 火焰特征识别结果分析 (50)5.4烟雾分割与识别结果分析 (57)5.4.1 烟雾分割结果 (57)5.4.2 烟雾特征识别结果分析 (59)5.5 本章小结 (60)- V -结论 (61)参考文献 (62)攻读学位期间发表的学术论文 (67)哈尔滨工业大学硕士学位论文原创性声明 (68)哈尔滨工业大学硕士学位论文使用授权书 (68)致谢 (69)- -VI哈尔滨工业大学工学硕士学位论文第1章绪论1.1课题背景信息技术迅猛发展，图像压缩及视频监控等技术已经深入到社会生活的各个方面，而森林火险预警的重要手段之一就是对现场的直接观测。
基于模糊聚类的图像型火灾检测
Ｆ ｒ ｔｃｉｎｉ ｌｒ ｄ ｏ ［］Ｉ ｔｒ ａ ｏ ａ Ｊ ｕｎ ｌ ｆ ｍａ ｉｇ ｉ Ｄｅ ｔ Ｃｏｏ ｅ ｓＪ．ｎｅｎ ｔ ｎ ｌ ｏ ｒ ａ ｏ ｇ ｎ ｅ ｅ ｏ ｎ Ｖｉ ｉ Ｉ ａ ｄＲ ｂ ｔ ｓ ２ ０ ， （ ０ ） ２ —４ ｎ ｏ ｏｉ ， ０ ９ ２ Ｓ ９ ： ２ ３ ． ｃ
ｆｅ ｅ ｃ ｆ ｒ — ｋ ｅ ｉ ｎｓｉ ｂ ａ ｎ ｄｂ ｘ ｌ ｔ ｎ ａ ｃ ｍｕ ａ ｉ ｎ ｍ ｅｈｏ ． ｅ ｆｒ —ｉ ｅ ｒ ｇ ｏ ｓｗｈ ｃ ｒ ｏ ｏ ｎ ｃ ｅ ｕ ｅ ｏ ｇ ｔ ａ ｅ ｒ ｑｕ ｎ ｙ ｏ ｅ ｌ ｅｒ ｇ ｏ ｓｏ ｔ ｉ ｅ ｙ ｐｉ ｅ ｉ ｆ ｉ ｍｏ ｉ ｃ ｕ ｌ ｔｏ ｔ ｄ Ｔｈ ｅ ｌ ｅ ｉ ｎ ｉ ｈ ａ ｅ ｎ ｔｃ ｎ ｅ ｔ ｄ ｂ ｔ ｌ ｎ ｏｔ ｓ ｏ ｉ ｋ ｂ ｈｅ ｍ
［ ｙｗ ｒ ｓ ｉｅｄｔｃｉｎ ｃ ｌｒ ｄｌｆｚｙｃ ｓ ｒ ｇ ｐ ｌａｉｎｆ ｑ ｅｃ Ｋｅ ｏ ｄ ］ｆ ｅ ｔ ； ｏｏ ｅ；ｕｚ ｌ ｔ ｉ ；ｕｓｔ ｅ ｕｎ ｙ ｒ ｅ ｏ ｍｏ ｕ ｅｎ ｏ ｒ
ＤＯＩ １ ．９ ９ ．ｓ ．０ ０３ ２ ． １ ． ．６ ： ０３ ６／ｉ ｎ１ ０ —４ ８２ ２０ ０ ４ ｊｓ ０ ４
模糊聚类法合并同一疑似火焰区域中的不连通部分 ， 依据 火焰的运动特征进 行火灾判定。实验结果表 明，该算法误报率较低 ，运行 效率较 高 ，适用于多种场景的火灾检测 。
关健词 ：火灾检测 ；颜色模型 ；模糊聚类 ；闪烁频率
Ｉ ａ ｅＴ ｐ ｒ ｔ ｃ ｉ ｎ Ｂａ ｅ ｎ Ｆｕ ｚ ｕ ｔ ｒｎｇ ｍ ｇ ｙ ｅＦｉ ｅＤｅ ｅ ｔｏ ｓ ｄ ０ ｚ ｙ Ｃｌ ｓ ｅ ｉ
基于图像处理的火灾自动检测系统研究
基于图像处理的火灾自动检测系统研究随着科技的不断发展，人们对于生活中的安全问题越来越关注。
其中，火灾是一种常见的灾难形式，它不仅会造成人员伤亡和财产损失，还会对社会生产和生活造成严重的影响。
因此，怎样及时、准确地发现火灾，是人们关注的焦点。
在火灾监测领域，图像处理技术的应用十分广泛。
利用计算机对图像进行处理，可以实现火灾烟雾的识别和分析，在实现自动化火灾报警的同时，还能够提高火灾报警的准确性和时效性。
本文基于图像处理技术，探讨了火灾自动检测系统的研究与应用。
一、图像处理技术在火灾监测中的应用图像处理技术包括图像获取、处理、分析和识别，这些操作都需要依赖于数字图像的处理方法，图像处理技术可用于火灾信息处理的各个环节。
1. 图像采集火灾自动检测系统中，图像采集是非常关键的一步。
传感器可以采集火灾现场的图像和视频，并将其转换为数字信号，以便计算机对其进行处理。
传感器的选择和部署位置也是需要仔细考虑的，应该选用大量传感器覆盖火灾现场，以确保能够全面采集火灾信息。
2. 图像预处理采集到的图像需要进行处理才能得到有用的火灾信息。
预处理是图像处理的第一步，它涉及到图像去噪、增强、滤波等操作。
预处理的目的是去除无用信息和噪声，使图像更具有可读性和识别性。
3. 目标检测火灾自动监测系统中，火灾目标地检测是必不可少的，并且也是复杂的。
目标检测的主要任务是识别出火灾目标并将其和背景相区分。
根据火灾特征，可以利用机器学习的方法对火灾目标进行分类，识别出火焰、烟雾和燃气等目标。
同时，也需要考虑目标与背景的相似性，以确保目标的准确识别。
4. 目标跟踪在火灾自动检测系统中，目标跟踪是指在一个连续的时间段内，不断追踪某个火灾目标的位置、形状和大小等信息。
目标跟踪需要考虑很多因素，如目标的移动方向、速度、变化和干扰等，这些因素都会影响目标跟踪的准确性和实时性。
5. 报警处理一旦火灾目标被识别并跟踪到，接下来就需要对其进行报警处理。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
本科毕业论文（设计)
文献综述
学生姓名文慧学号091014429
班级机械09—4 专业机械设计制造
及其自动化
指导教师郑嫦娥
基于红外图像处理的森林火灾识别方法研究
1国内外现状
国内外很多公司、科研机构和大学院校都对图像型火灾探测技术进行过大量的研究.
Bosque 公司的BSDS 系统采用红外和普通摄像机进行双波段监控,在准确识别森林火灾的同时还可以区别其它现象的干扰，误报率较低。
在大空间火灾监控方面有ISLI 公司和Magnox Electric 公司联合开发的用于电站火灾监控的VSD－8 系统。
该系统以视频运动检测软件为主体，使用各种滤波器技术，并与人工智能相结合，进行电站内的火灾监控。
国内相关单位对于图像型火灾探测技术也进行了深入的研究.其中，中国科技大学的火灾科学国家重点实验室的研究处于国际领先的地位。
依托火灾科学重点实验室的科大立安公司已经研制出双波段火灾探测器LIAN-DC，并通过相关反面的验收，投入实际应用。
同时,上海交通大学，西安交通大学都曾在火灾探测方面进行过积极的研究，并在工程实践中提出过一些算法，其探测手段主要集中在使用红外型摄像机,探测系统的抗干扰性还有待提高。
迄今为止，国内外图像型火灾探测系统还存在误报率高,自动灭火算法误差大等问题.还有待提出更多更好的探测算法以及算法的实现方法。
2常用的探测系统
国内外科研机构和各大公司开发的众多火灾探测系统基于各种火灾识别模式，常见的是感烟探测系统、感温探测系统、火焰探测系统、气体探测系统和复合式探测系统等，感烟探测系统占有量最高,约70％～80％。
2。
1感烟探测系统
感烟式火灾探测器主要是利用烟雾传感器探测火灾中产生的烟雾气溶胶，如中国科技大学提出高灵敏度红外图像式烟雾相对浓度测试系统,该系统利用利
用发射红外光,使红外光穿过烟雾，并用CCD接收红外光的方法来检测烟雾浓度.北京林业大学的郭炜强也对基于运动特征的林火烟雾图像检测技术进行研究，感烟是探测系统在国内国外研究较多，研究较为成熟。
2。
2感温探测系统
感温式烟雾探测器主要是利用一个点型或线缆型的温度传感器来探测传感器周围温度的变化或升温速率。
其结构有点型和线缆型，当前广泛使用的是点型电子感温火灾探测器和线缆型易熔金属或记忆金属感温火灾探测器。
如美国的智能微尘监测网络通过直升机飞播温度传感器来了解火灾情况；德国发明的防火机器昆虫通过红外线和生物传感技术监视森林里的温度来判断是否发生火灾。
2.3感光探测系统（火焰探测系统)
感光式火灾探测器主要是探测火灾中火焰辐射光波的特性。
通常有红外光探测器和紫外光探测器。
(优点缺点)？?？
2.4气体探测系统
可燃气体探测器采用各种光敏元件或传感器来探测火灾初期产生的烟气中某些气体的浓度或气体成分，一般的结构为点型。
当前用于火灾探测的可燃气体探测器主要采用催化燃烧式或者电化学式探测原理.如葡萄牙的“F3”森林火灾探测系统则是在探测到烟雾后对大气进行化学分析然后发出警报。
2.5复合式探测系统
有些场合会综合使用两种或者两种以上的探测方法，或者是同一种方法两种或两种以上灵敏度的探测器来提高探测能力和性能。
如烟温复合式火灾探测器，双灵敏度感烟输出式火灾探测器。
随着科学技术的发展，森林防火工作正日益走向智能化、系统化、综合化.因此本毕业设计将综合研究感烟和感温探测系统，以实现降低火灾探测系统的误报率。
3林火识别的算法研究
目前的红外热成像仪林火识别主要依据系统设计者的主观经验对热图像的数据进行处理，现主要的林火识别算法包括阈值判定法、邻域阈值判定法和均值对比判定法。
3。
1 阈值判定法
在红外热成像中，温度越高的区域图像的像元值就越大，表现在图像上就越亮。
因此需要根据试验,事先设置红外热像仪的着火点的阈值，当像元取值高于这一阈值时系统便认为发现着火点。
将该阈值设定为F，则着火点的集合可表示为:
Fire = ｛a（i，j）︳a（i,j ）＞F，1≤i≤m，1≤j≤n｝（2）
3。
2 邻域阈值判定法
该方法仍然需要事先设置红外热像仪的着火点阈值F，当像元取值高于这一阈值时,需要该像元取值及该像元周边八邻域( 考虑到误差及红外热像仪处于不断扫描过程中，均值判定法一般不考虑图像边缘点的取值,故像元均包含八邻域) 的取值求平均，若该平均值仍然大于着火点阈值F，则认为发现着火点。
设像元取值及像元周边八邻域取值之和为
Sum，其算法为:Sum = Σi + 1x = i －1a( x,j －1) + Σi + 1x = i －1a( x，j）+Σi + 1x = i －1a（x，j + 1）,1＜i ＜m,1 ＜j ＜n （3) 则着火点的集合可以表示为：
Fire = ｛a（i，j）︳a（i，j) ＞F ＆Sum/9 ＞F，1 ＜i ＜m，1 ＜j ＜n}
3. 3 均值对比判定法
该方法是在均值判定法的基础之上，求取全图所有像元取值的平均值Ave，再设定一个阈值T，当像元及周边八邻域像元取值的平均值大于Ave + T时，认
为发现着火点。
全图所有像元取值的平均值可表示为：
Ave = Σm，ni = 1，j = 1a（i，j ）/m ×n （5）120
阈值判定法通过判定单一像元点取值计算火点，灵敏性最高，但也容易受野外个别奇异点干扰; 邻域阈值判定法提取火点抗干扰能力比阈值判定法有所增强，但能准确判定火点的最远距离会有所缩短; 均值对比判定法提取火点的时候,可以通过求取均值来排除大多数干扰，但其监测距离最短。
为此我们将深入研究监测距离长抗干扰能力又比较强的森林火灾识别算法，以实现算法的最优化。
4基于红外图像分析的图像处理方法
4.1滤波法平均滤波法处理背景噪音.。
.。
.。
..。
.。
.。
.。
..。
4。
2图像分割。
.。
...。
4。
3阀值确定。
..。
.。
.。
.。
.。
....。
.。
.。
.。
5实验分析的方法
林火自动识别算法的参数设置受外界环境的影响较大，必须根据当地的实际情况进行测试和调整,国内已有相当多的可以可靠获取算法参数的验证火灾系统可靠度的方法。
.。
.。
.。
.。
.。
.。
.。
本毕业设计将采用的方法。
..。
..。
.。
.。
.
参考文献
［1] 李明。
大空间早期火灾的双波段图像型探测方法的研究[D]。
天津:天津大学，2007
［2］都该欣。
高灵敏度红外图像式烟雾相对浓度测试的研究和实现[J]。
火灾科学，2001（1)
［3］基于红外图像和视频分析的林火监测技术［J]。
.。