基于无人机视觉的早期森林火情检测方法研究

发布时间：2020-08-12 14:15

【摘要】：随着科技的进步,无人机不再仅限于军事用途,也在民用领域开始了新的探索,使用无人机搭载相机在森林火情监测方面得到了广泛的应用研究。因此视频火灾检测技术的研究具有重要意义,其特点是非接触、响应迅速、检测范围大、主动可视。本文以基于无人机视觉的林火检测为研究对象,做了以下研究工作:(1)介绍了基于无人机视觉的烟雾检测,使用无人机搭载CCD相机进行视频图像的采集,对采集到的图像进行增强,使得烟雾部分的显著性更强,便于后续的检测工作:接下来对烟雾的显著性检测算法,即低秩矩阵恢复算法,包括其中用到的主成分分析算法,以及Mean Shift聚类算法和块匹配算法原理都给出了详细介绍,通过对几个不同场景下的图像检测结果和分割结果来看,低秩矩阵恢复结合Mean Shift聚类和块匹配算法可以很好的检测烟雾。最后对分割出来的目标区域进行特征提取,并对提取的特征进行了对比。(2)基于无人机视觉的林火火焰检测,介绍了火焰的显著性检测算法,以及不同颜色模型的分析,接着给出不同场景在不同颜色模型中的显著性检测结果,由实验结果可知,Lab颜色模型下的检测结果较好,因此在Lab颜色空间对火焰图像进行分割,得到了很好的分割结果,最后对分割出来的火焰进行特征提取,并对不同场景下的特征进行比较分析,可知本文选取的特征能够很好的区分火焰和类火焰物体。(3)介绍了支持向量机在林火识别中的应用,首先对支持向量机的基本原理以及常用的核函数进行了简单介绍,并对其中需要修改的参数进行了详细说明,接下来利用第二章和第三章中提取到的林火烟雾和火焰特征进行支持向量机的训练和测试,得到支持向量机的分类结果。由最终的分类结果可见,本文所采用的检测算法和林火的特征可以有效的进行林火的检测和识别,为林火监测系统的搭建提供了依据。
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：S762.2
【图文】：

效果图,图像,亮度值,烟雾

基于无人机视觉的烟雾检测烟雾区域，抑制非烟雾区域，进而减少误分割的风险。使用的增强算法是线性增强算法，对到范围内的图像进行增强，同时对这外的图像进行抑制。亮度值在到范围内的像素被映射到到，映射： ( ) = ( ) ( ) ( ( ) ) ( ) ( ( ) ) ( ) （其中 ( )表示( )处原始图像的亮度值， ( )是增强后的像素亮度值，实的，，，分别为 100，200，30，250，此时可以得到最好的增强效图 2-2 是不同背景下图像的增强效果，其中(a)(c)(e)三幅为原图，(b)(d)(f)为效果图。

直方图,高层,图像中心,视觉显著性

4）高层先验融合：基于位置的高斯先验分布（距图像中心距离）：ɡ ( ) = ¤( ( ) ) （接近图像的中心越吸引注意力，用像素位置距图像中心的距离作为位置先验基于语义的先验（人脸检测）： ( ) = ( ) （式中是语义对象（人脸）的中心。基于颜色的先验（暖色更显著）：色与黄色具有视觉显著性【56】,通过 2-D 直方图获得，如 ( )为稀疏矩阵颜( )为低秩矩阵颜色直方图，表示位置处的颜色值：ɡ ( ) = ¤((H ( ) H ( )) )H ( ) = (￠R ￠G)￠R = ￠G = （

核函数,邻域,指法,核密度估计

西安理工大学硕士学位论文式的分布，最常用的是核密度估计方法（kernel density estimation），将该点邻域的加权平均，邻域的大小和权值由核函数（kernelfunction）指法表示如下： ( ) = ( ) （需要估计的函数值， ( )为核函数，最常用的几种核函数【56】包括：（a）均匀核函数：U( ) （b）三角核函数：

【相似文献】