森林火灾火焰区域检测方法研究
发布时间：2021-03-21 20:15
森林是人类宝贵的自然资源,而森林火灾突发性强、蔓延速度快、扑救困难,其对森林以及森林周边的危害最大。因此林火监测工作至关重要,基于视频图像的森林火灾监测技术近年来得到较快发展并被广泛运用。火焰是森林火灾的主要视觉特征,因此本文从细粒度角度出发,以提高火焰像素检测精度为目标,研究包含枯草、光照等复杂环境下森林火灾视频图片的火焰区域检测新方法,可通过检测的火焰区域判断火灾,并为预测火灾发展态势与蔓延趋势提供更精确的火焰区域,从而为火灾扑救提供有力的技术支撑。火焰颜色通常集中在红黄之间,且有着闪烁特性,因而目前提取火焰区域方法大多基于火焰的颜色特征和运动特征。但在野外山林环境下常有大风,某些符合火焰颜色模型的非火焰对象因风吹动会被误判为火焰;并且无风时燃烧较稳定的火焰像素闪烁不明显,因此视频图片中某一区域在短时间内持续为火焰时,运动目标检测方法易出现漏检,这种漏检现象常发生在火焰区域内部,尤其是近白色焰心表现较明显。因此本文研究基于火焰颜色特征与纹理特征的火焰区域检测方法,本文主要研究内容如下:首先提取疑似火焰区域。在强烈阳光背景下剧烈燃烧的火焰在结构上表现出由内向外的白-黄-红的环形颜色变...
【文章来源】：南京林业大学江苏省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
常用林火监测方法
火焰区域。再将去除大部分背景的疑似火焰区域图片切割成一定大小的图像小块。进而利用非下采样小波变换与灰度共生矩阵方法对每一图像块提取纹理特征，采用基于AdaBoost-SVM算法的林火火焰识别模型将图像块类为火焰小块和非火焰小块，保留火焰小块即得到初步火焰区域。最后对初步火焰区域进行优化得到最终的火焰区域。该方法有以下四个特点：特点一，目前基于火焰视频图像的林火监控方法是基于火焰图像的粗粒度检测方法[21]，其监控报警流程依次分为采集图像、提取火焰区域、提取火焰图像的特征以及火焰识别报警四个步骤，如图1-3所示。步骤3是将提取出火焰区域的火焰图片作为提取火焰特征的对象，但实际上该火焰图片中包含大量非火焰对象，因而提取出的火焰特征并不十分精确。步骤4是将提取的整幅图片的特征向量输入到分类器中，识别出火焰图片即发现火情并报警。由于在火焰图像识别中，精确提取火焰特征值是保证火焰识别正确率的前提，因此该方法通常并不能很好地区分火焰图片与非火焰图片。图1-3常用林火监控报警流程Fig.1-3Commonlyusedprocessofmonitoringandalarmingforestfire本文提出的森林火灾火焰区域检测方法是像素级的细粒度检测方法。该方法能较好地
5提取出视频中某帧图片的火焰区域，因此能通过检测的火焰区域判断是否发生火灾达到林火监控的目的，也就是说本文方法实现林火监控报警的流程如图1-4所示。而且本文方法能为预测火灾发展态势与蔓延趋势提供更精确的火焰像素区域。当今林火监控技术既要发现火情及时报警，又要通过获得的各类森林火灾信息来进一步分析火灾程度、发展态势与蔓延趋势等，本文方法符合这一潮流。图1-4本文林火监控报警流程Fig.1-4Processofmonitoringandalarmingforestfireinthispaper特点二，本文将去除大部分背景的疑似火焰区域图片切割成一定大小的图像块，再利用非下采样小波变换与灰度共生矩阵方法对每一图像小块提取纹理特征，得到的是稳定且不易受环境干扰的局部纹理特征，而大多学者研究的是整幅图片基于灰度共生矩阵等的全局纹理特征提龋特点三，分类算法的种类很多，主要有支持向量机（SupportVectorMachine，简称SVM）、BP(backpropagation)神经网络、贝叶斯、决策树等。在火焰识别领域，张霞[22]、丘企敏[23]等分别使用了SVM、BP神经网络。集成学习常可获得比单一分类器更加出色的泛化性能，例如利用AdaBoost算法对多个分类器进行集成，重点关注错误分类样本，分类器的泛化能力与准确率有所提升。因此本文将AdaBoost算法和具有较好分类性能的SVM分类器相结合，利用AdaBoost-SVM算法用于森林火灾火焰的分类识别。特点四，在强烈阳光背景下剧烈燃烧的火焰颜色与通常情形时不同，火焰不仅集中在红黄之间，而且由于火焰各区域存在温度差，火焰在结构上表现出由内向外的白-黄-红的环形颜色变化。因此实际的火焰中心区域，即焰心颜色接近白色，与选取的一般颜色模型有明显区别，导致火焰区域分割不完整。本文建立适合强烈阳光背景的火焰颜色模型，并提出对于?
【参考文献】：
期刊论文
[1]基于Gabor和灰度共生矩阵混合特征叶片泵装配质量检测[J]. 刘康,陈小林,刘岩俊,梁浩. 液晶与显示. 2018(11)
[2]基于灰度共生矩阵的遥感图像分类研究[J]. 廖敏,陈国郑. 科学技术创新. 2018(28)
[3]与视频背景颜色相似的纹理缺乏前景目标检测方法[J]. 赵亚琴,蒋林权,陈越,孙一超. 计算机应用与软件. 2018(08)
[4]基于计算机视觉的森林火灾识别算法设计[J]. 刘凯,魏艳秀,许京港,赵永政,蔡志勇. 森林工程. 2018(04)
[5]Face recognition system based on CNN and LBP features for classifier optimization and fusion[J]. Wu Yulin,Jiang Mingyan. The Journal of China Universities of Posts and Telecommunications. 2018(01)
[6]林火监测技术分析与综合应用[J]. 伍小洁,陈利明,张洁,燕正亮. 卫星应用. 2017(05)
[7]多特征融合的火焰检测算法[J]. 吴茜茵,严云洋,杜静,高尚兵,刘以安. 智能系统学报. 2015(02)
[8]基于多传感器融合的林火监测[J]. 丘启敏,郑嫦娥,田野,刘晋浩,傅天驹. 安全与环境学报. 2015(01)
[9]浅析森林火灾的控制[J]. 赵铁成. 林业科技情报. 2013(02)
[10]国外森林火灾应急管理系统研究与借鉴[J]. 田晓瑞,舒立福. 中国应急管理. 2012(11)
博士论文
[1]基于集成学习的高分遥感图像玉米区高精度提取算法研究[D]. 李大威.中北大学 2017
[2]基于多特征的火焰图像探测研究及实现[D]. 荣建忠.中国科学技术大学 2012
[3]基于视频图像的林火烟雾识别方法的研究[D]. 黄儒乐.北京林业大学 2012
[4]基于支持向量机（SVM）的高光谱影像智能化分析关键问题研究[D]. 沈照庆.武汉大学 2010
[5]基于支持向量机的目标跟踪技术研究[D]. 宋华军.中国科学院研究生院（长春光学精密机械与物理研究所） 2006
硕士论文
[1]基于视频图像的森林火灾自动监测识别技术研究[D]. 詹琪.电子科技大学 2017
[2]火焰图像快速检测方法研究及应用[D]. 戴静.西南科技大学 2017
[3]森林火灾烟雾图像识别算法研究[D]. 兰久强.福建师范大学 2017
[4]基于嵌入式Linux的森林火灾监控软件设计[D]. 路盼.长安大学 2016
[5]基于多特征的视频火焰检测[D]. 张霞.上海师范大学 2016
[6]基于图像特征的森林烟雾和火焰检测算法研究[D]. 王全.太原理工大学 2015
[7]基于多特征融合的森林火灾火焰视频识别研究[D]. 徐铭铭.南京林业大学 2015
[8]基于AdaBoost的分类器学习算法比较研究[D]. 卢婷.华东理工大学 2014
[9]火灾探测中混合智能算法的应用研究[D]. 王泉.重庆理工大学 2013
[10]森林火灾视频识别技术研究[D]. 咸慧.长春理工大学 2013
本文编号：3093477
【文章来源】：南京林业大学江苏省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
常用林火监测方法
火焰区域。再将去除大部分背景的疑似火焰区域图片切割成一定大小的图像小块。进而利用非下采样小波变换与灰度共生矩阵方法对每一图像块提取纹理特征，采用基于AdaBoost-SVM算法的林火火焰识别模型将图像块类为火焰小块和非火焰小块，保留火焰小块即得到初步火焰区域。最后对初步火焰区域进行优化得到最终的火焰区域。该方法有以下四个特点：特点一，目前基于火焰视频图像的林火监控方法是基于火焰图像的粗粒度检测方法[21]，其监控报警流程依次分为采集图像、提取火焰区域、提取火焰图像的特征以及火焰识别报警四个步骤，如图1-3所示。步骤3是将提取出火焰区域的火焰图片作为提取火焰特征的对象，但实际上该火焰图片中包含大量非火焰对象，因而提取出的火焰特征并不十分精确。步骤4是将提取的整幅图片的特征向量输入到分类器中，识别出火焰图片即发现火情并报警。由于在火焰图像识别中，精确提取火焰特征值是保证火焰识别正确率的前提，因此该方法通常并不能很好地区分火焰图片与非火焰图片。图1-3常用林火监控报警流程Fig.1-3Commonlyusedprocessofmonitoringandalarmingforestfire本文提出的森林火灾火焰区域检测方法是像素级的细粒度检测方法。该方法能较好地
5提取出视频中某帧图片的火焰区域，因此能通过检测的火焰区域判断是否发生火灾达到林火监控的目的，也就是说本文方法实现林火监控报警的流程如图1-4所示。而且本文方法能为预测火灾发展态势与蔓延趋势提供更精确的火焰像素区域。当今林火监控技术既要发现火情及时报警，又要通过获得的各类森林火灾信息来进一步分析火灾程度、发展态势与蔓延趋势等，本文方法符合这一潮流。图1-4本文林火监控报警流程Fig.1-4Processofmonitoringandalarmingforestfireinthispaper特点二，本文将去除大部分背景的疑似火焰区域图片切割成一定大小的图像块，再利用非下采样小波变换与灰度共生矩阵方法对每一图像小块提取纹理特征，得到的是稳定且不易受环境干扰的局部纹理特征，而大多学者研究的是整幅图片基于灰度共生矩阵等的全局纹理特征提龋特点三，分类算法的种类很多，主要有支持向量机（SupportVectorMachine，简称SVM）、BP(backpropagation)神经网络、贝叶斯、决策树等。在火焰识别领域，张霞[22]、丘企敏[23]等分别使用了SVM、BP神经网络。集成学习常可获得比单一分类器更加出色的泛化性能，例如利用AdaBoost算法对多个分类器进行集成，重点关注错误分类样本，分类器的泛化能力与准确率有所提升。因此本文将AdaBoost算法和具有较好分类性能的SVM分类器相结合，利用AdaBoost-SVM算法用于森林火灾火焰的分类识别。特点四，在强烈阳光背景下剧烈燃烧的火焰颜色与通常情形时不同，火焰不仅集中在红黄之间，而且由于火焰各区域存在温度差，火焰在结构上表现出由内向外的白-黄-红的环形颜色变化。因此实际的火焰中心区域，即焰心颜色接近白色，与选取的一般颜色模型有明显区别，导致火焰区域分割不完整。本文建立适合强烈阳光背景的火焰颜色模型，并提出对于?
【参考文献】：
期刊论文
[1]基于Gabor和灰度共生矩阵混合特征叶片泵装配质量检测[J]. 刘康,陈小林,刘岩俊,梁浩. 液晶与显示. 2018(11)
[2]基于灰度共生矩阵的遥感图像分类研究[J]. 廖敏,陈国郑. 科学技术创新. 2018(28)
[3]与视频背景颜色相似的纹理缺乏前景目标检测方法[J]. 赵亚琴,蒋林权,陈越,孙一超. 计算机应用与软件. 2018(08)
[4]基于计算机视觉的森林火灾识别算法设计[J]. 刘凯,魏艳秀,许京港,赵永政,蔡志勇. 森林工程. 2018(04)
[5]Face recognition system based on CNN and LBP features for classifier optimization and fusion[J]. Wu Yulin,Jiang Mingyan. The Journal of China Universities of Posts and Telecommunications. 2018(01)
[6]林火监测技术分析与综合应用[J]. 伍小洁,陈利明,张洁,燕正亮. 卫星应用. 2017(05)
[7]多特征融合的火焰检测算法[J]. 吴茜茵,严云洋,杜静,高尚兵,刘以安. 智能系统学报. 2015(02)
[8]基于多传感器融合的林火监测[J]. 丘启敏,郑嫦娥,田野,刘晋浩,傅天驹. 安全与环境学报. 2015(01)
[9]浅析森林火灾的控制[J]. 赵铁成. 林业科技情报. 2013(02)
[10]国外森林火灾应急管理系统研究与借鉴[J]. 田晓瑞,舒立福. 中国应急管理. 2012(11)
博士论文
[1]基于集成学习的高分遥感图像玉米区高精度提取算法研究[D]. 李大威.中北大学 2017
[2]基于多特征的火焰图像探测研究及实现[D]. 荣建忠.中国科学技术大学 2012
[3]基于视频图像的林火烟雾识别方法的研究[D]. 黄儒乐.北京林业大学 2012
[4]基于支持向量机（SVM）的高光谱影像智能化分析关键问题研究[D]. 沈照庆.武汉大学 2010
[5]基于支持向量机的目标跟踪技术研究[D]. 宋华军.中国科学院研究生院（长春光学精密机械与物理研究所） 2006
硕士论文
[1]基于视频图像的森林火灾自动监测识别技术研究[D]. 詹琪.电子科技大学 2017
[2]火焰图像快速检测方法研究及应用[D]. 戴静.西南科技大学 2017
[3]森林火灾烟雾图像识别算法研究[D]. 兰久强.福建师范大学 2017
[4]基于嵌入式Linux的森林火灾监控软件设计[D]. 路盼.长安大学 2016
[5]基于多特征的视频火焰检测[D]. 张霞.上海师范大学 2016
[6]基于图像特征的森林烟雾和火焰检测算法研究[D]. 王全.太原理工大学 2015
[7]基于多特征融合的森林火灾火焰视频识别研究[D]. 徐铭铭.南京林业大学 2015
[8]基于AdaBoost的分类器学习算法比较研究[D]. 卢婷.华东理工大学 2014
[9]火灾探测中混合智能算法的应用研究[D]. 王泉.重庆理工大学 2013
[10]森林火灾视频识别技术研究[D]. 咸慧.长春理工大学 2013
本文编号：3093477
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3093477.html
最近更新
教材专著
