基于CN和FHOG的森林火灾在线识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于CN(Color Names)和FHOG(Fused Histogram Oriented Gradient)的森林火灾在线识别方法及装置，包括以下步骤：S1、构建火焰样本图像集合；S2、将样本图像在CN颜色空间投影，并依据主元分析方法确定投影颜色空间主元；S3、构建火焰的FHOG特征，应用金字塔池化方法进行均值池化，构建FHOG特征集合；S4、采集图像，并进行主元颜色空间投影，在投影图像中应用阈值处理确定疑似火点区域；S5、计算疑似火点区域的FHOG特征并进行金字塔池化；S6、计算疑似火点区域金字塔池化FHOG特征与FHOG特征集合中样本特征的相似度，依据阈值最终确定火灾发生情况；S7、如果发生火灾，给出报警信息。本发明专利技术还提供了基于CN+FHOG特征的在线火灾识别装置。本发明专利技术精度高，能够有效的进行火灾在线识别。

On line identification method and device of forest fire based on CN and FHOG

【技术实现步骤摘要】
基于CN和FHOG的森林火灾在线识别方法及装置
本专利技术涉及图像处理
，具体为一种基于CN和FHOG的森林火灾在线识别方法及装置。
技术介绍
森林火灾是一种严重影响生态环境的因素之一。它给森林带来的危害是毁灭性的，给环境带来的危害也是毁灭性的。森林火灾一旦发生，扑灭难度较大。因此，对森林火灾的及时预警显得格外重要。随着科技的进步，对森林火灾的预警取得了长足的进步。森林火灾检测方法有多种，基于图像识别的森林火灾检测算法较多。其中，有多种算法是基于颜色空间的火灾检测与识别算法。基于颜色的火灾识别算法在检测过程中无法摆脱颜色空间固有的缺陷——颜色容易受到光照的影响，最终造成基于颜色空间的火灾检测算法存在较高的误报率。图像的文理特征则受光照的变化影响较小，但是文理特征容易受到形变的影响，鉴于文理特征和颜色特征之间的互补特性，本专利技术提出了一种应用多颜色空间粗检和FHOG特征进行细检相结合的森林火灾检测方法，并将该检测算法固化至处理器，实现处理器对图像采集设备视场范围内火灾情况进行在线检测，最终将检测结果通过网络传输至服务器。专本文档来自技高网...

【技术保护点】
1.一种基于CN和FHOG的森林火灾在线识别方法及装置，其特征在于，包括以下步骤：/nS1、选择不同光照条件下的森林火灾图像，构建森林火灾火焰样本的集合；/nS2、应用多颜色空间CN算法所提供的颜色空间转换矩阵将火焰样本集合的RGB图像转换到11维的多颜色空间，应用主元分析的方法在11维的颜色空间中提取火焰样本集合描述的颜色主元投影向量；/nS3、计算火焰样本集合中每一个样本的FHOG特征，将计算后的特征通过2×2均值池化的方法进行池化处理，最终构建火焰样本集合对应的均值池化的FHOG特征集合；/nS4、将采集到的原始图像帧中的RGB图像投影到主元颜色空间，构建投影图像，将主元投影图像进行腐蚀...

【技术特征摘要】
1.一种基于CN和FHOG的森林火灾在线识别方法及装置，其特征在于，包括以下步骤：
S1、选择不同光照条件下的森林火灾图像，构建森林火灾火焰样本的集合；
S2、应用多颜色空间CN算法所提供的颜色空间转换矩阵将火焰样本集合的RGB图像转换到11维的多颜色空间，应用主元分析的方法在11维的颜色空间中提取火焰样本集合描述的颜色主元投影向量；
S3、计算火焰样本集合中每一个样本的FHOG特征，将计算后的特征通过2×2均值池化的方法进行池化处理，最终构建火焰样本集合对应的均值池化的FHOG特征集合；
S4、将采集到的原始图像帧中的RGB图像投影到主元颜色空间，构建投影图像，将主元投影图像进行腐蚀和膨胀处理，将处理后的结果图像应用连通域处理的方法确定投影图像中的连通区域，确定的连通域即为火灾的疑似区域；
S5、以疑似区域确定的区域参数，在原始RGB图像中提取疑似区域的RGB图像，并计算该区域的FHOG特征，将计算得到的FHOG特征进行2×2均值池化，最终获得疑似区域的2×2×31维的特征；
S6、将候选区域的均值池化特征与原始样本集合的均值池化FHOG特征进行相似度计算，最终确定候选区域是否存在火灾；
S7、存在火灾时，给出报警信息。


2.根据权利要求1所述的基于CN和FHOG的森林火灾在线识别方法，其特征在于，所述的火焰颜色主元投影向量包括：
S21、在样本集合中选择单一样本图像，确保样本图像为RGB彩色图像，将RGB三通道的原始样本图像经过CN算法提出的多颜色空间投影矩阵进行投影，最终获得10个通道的多通道图像；
S22、将多通道图像三维矩阵进行矩阵转换，转换为(m×n)×10的二维矩阵，并将矩阵进行中心化，求取中心化后矩阵的协方差矩阵，计算样本集合中每一个样本的协方差矩阵，然后求样本集合中所有样本协方差矩阵的均值矩阵，此均值矩阵作为最终的协方差矩阵，将协方差矩阵进行奇异值分解，并依据特征值的大小对对应的特征向量进行排序；最大特征值对应的特征向量即为本发明所应用的主元投影向量；
S23、依据相同过程构建不同火焰样本的主元描述向量。


3.根据权利要求1所述的基于CN和FHOG的森林火灾在线识别方法，其特征在于，所述金字塔均值池化的FHOG包括：
对火焰样本集合中的图像，求取图像对应的FHOG特征；FHOG特征的计算过程中，cell的大小选择为4×4像素区域，9维的方向不敏感特征和18维的方向敏感特征以及4维的求和特征；
针对原始的火灾图像样本M×N×3，可以获得与该图像样本对应的FHOG特征，特征维度为round(M/4)×round(N/4)×31；由于原始火焰样本的图像样本维度不同，因此，求取的FHOG特征维度不同，在检测过程中，无法用统一的标准计算FHOG特征之间的相似度；因此，本发明提出应用金字塔池化的思想对原始火焰样本的FHOG特征进行金字塔均值池化；首先求取火焰样本图像的FHOG特征，将获得的round(M/4)×round(N/4)×31维的FHOG特征视为31个通道的二维矩阵特征，因此，31个通道特征对应了31个二维的矩阵，求每一个通道二维矩阵的均值，最终获得1×31维的向量，此向量即为全局均值的FHOG特征向量；以相同的方式，对31个通道的每一个二维矩阵求矩阵的2×2维的均值向量，最终构建4×31维的FHOG特征，将全局的均值池化向量和2×2维的均值池化向量串联，最终构成样本的均值池化后的特征，特征为1×155；原始的火焰样本图像有10帧，因此最终构建的样本图像的均值池化特征矩阵为10×155。


4.根据权利要求1所述的基于CN和FHOG的森林火灾在线识别方法，其特征在于，应用颜色投影主元向量投影的方法确定候选目标区域，包括：
对采集...

【专利技术属性】
技术研发人员：赵运基，魏胜强，刘晓光，孔军伟，周梦林，范存良，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南;41