一种基于深度学习的无人机森林火焰识别方法技术

本发明专利技术涉及一种基于深度学习的无人机森林火焰识别方法，属于无人机视觉与数字图像处理技术领域，首先运用直方图均衡化、多级中值滤波算法对返回的火焰图像进行预处理，接着采用颜色空间模型算法对视频进行疑似火焰像素进行检测，然后利用数学形态学对视频图像进行开运算处理；本发明专利技术利用改进的中值滤波去除视频图像的噪声，相较于普通中值滤波，改进后的滤波不仅保留了其在光学测量图象的相位分析处理方法中有特殊作用，同时还采用了条纹中心分析方法，通过扩大窗口来相对地减少冲激噪声空间密度使得图像的细节更好，同时提高了处理效率。

A method of UAV forest flame recognition based on deep learning

【技术实现步骤摘要】
一种基于深度学习的无人机森林火焰识别方法
本专利技术属于无人机视觉与数字图像处理
，具体为一种基于深度学习的无人机森林火焰识别方法。
技术介绍
伴随着科技的快速发展，无人化操作成为时下的发展趋势，发展前景广阔，无人机经常会执行一些特殊任务，这无疑向无人机对目标的识别能力、以及灵活性提出了更好更高的要求。基于视频火焰识别的无人机森林防火方法特点是组成结构简单、成本低、性价比高等等，同时由于这种方法可以将得到的图像进行共面处理，得到无畸变且行对准图像，此时图像处理精确度更高，更有利于无人机的准确识别。通常所用的分帧方法，首先得确定视频的帧数。加载所有帧图像所需的时间长，占用内存多。处理时，仅使用当前帧，MATLAB图像处理工具箱中mmreader可以读入视频，利用get函数得到图像帧的数目，通过mmread(A，i)可加载所需要的帧。现在大多数方法有基于空间或者空间的火焰区域提取，但是采用RGB颜色模型对亮度的依赖性比较高，在亮度改变的情况下，颜色模型对火焰像素检测会包含大量无关像素。颜色模型的饱和度相比于另外几个的区分度没那么明显，所以检测的火焰区域会出现漏掉或者多出来的现象。由此可见，单独使用一种颜色模型都很难提取出令人满意的区域。颜色特征和运动特征是火焰像素区别于其他对象像素的显著特征，因此本专利技术结合和两个颜色空间，基于图像的运动像素的提取和颜色颜色像素来识别火焰像素，再采用均值分割的方法来提取火焰区域。广泛使用的降噪方法，一般是利用形态开闭操作对图进行降噪，每进行一次开操作为腐蚀-膨胀，目的是消除图像中大于领域内点的孤立异常值。闭操作为膨胀-腐蚀，目的是消除图像中小于领域内点的孤立异常值。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号平滑处理技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。中值滤波法对消除椒盐噪声非常有效，在光学测量条纹图象的相位分析处理方法中有特殊作用，但在条纹中心分析方法中作用不大。所以，目前对于传统的中值滤波在降噪处理和细节保护上不太理想，这就使得无人机的识别结果不精确，从而影响无人机对火焰的识别。
技术实现思路
本专利技术克服现有技术存在的不足，提供一种超快速低损碳化硅衬底抛光液及其制备方法，目的是获得低粗糙度、高平整度、亚表面损伤小的碳化硅衬底表面，为后续进行化学机械精密抛光提供基础加工条件。本专利技术是通过如下技术方案实现的。一种基于深度学习的无人机森林火焰识别方法，具体包括以下步骤：1)获取无人机视觉范围内的视频；具体可以为利用摄像头获取无人机的图像，将摄像头安装在无人机正前方，获取摄像头范围内视频，将视频返回。2)对获取的视频进行分帧处理，获得一系列图像；3)对图像进行增强对比度效果的预处理；4)利用改进的中值滤波算法进一步处理经过所述预处理的图片；所述的改进的中值滤波是通过扩大窗口来相对地减少冲激噪声空间密度。5)对疑似火焰的图片像素进行识别；所述识别是综合RGB和HSV两个模型提取火焰区域，判断是否为运动像素，同时满足颜色特征和运动特征的像素被识别为疑似火焰像素图像；6)对图像进行形态学处理，消除图像中小于领域内点的孤立异常值。7)结合深度学习神经网络算法-YOLO，对检测到的火焰目标进行实时跟踪识别。所述的改进的中值滤波具体方法为：设S(z，y)表示中心像素点(x，y)在滤波时所对应的掩模窗口，令Z1为S(x，y)中的灰度最小值，Z2为S(x，y)中的灰度最大值，Z3为S(z，Y)中的灰度中值，Z(z，Y)为在坐标(z，y)上的灰度，S为S(x，y)允许的最大尺寸，自适应中值滤波器算法工作的2个层面定义为A层和B层；其中灰度中值Z3的计算方法结合了均值思想，把排序得到的中值与窗口中所有像素点的均值加权得到灰度中值，所述中值的权重为0.3，均值的权重为0.7。A层:ZA1＝Zmed-ZminZA2＝Zmax-Zmed当ZA1>T(T为阈值)，且ZA2>T则转到B层，否则，增大窗口尺寸；如果窗口尺寸小于则重复A层；否则，输出Z(x，y)；B层：ZB1＝Z(x,y)-Zmin，ZB2＝Zmax-Z(x，y)，当ZB1＞T，ZB2＞T，则输出Z(x,y)；否则输出ZmedA层用来判断是否为一脉冲，B层用来判断Z(x，y)是否为一脉冲；当A层和B层都不是，算法就利用输出一个不变的像素值Z(x，y)来代替领域中值作为输出，以避免不必要的细节损失。所述算法中阈值T的计算方法为：给定一个可接受的信噪比M；先初始化一个阈值T；通过上述算法获得一个新的图像，计算其信噪比Mn，如果Mn大于M，将T/2赋值给T，则再次计算信噪比，接受当前T值作为阈值。优选的，所述对图像进行增强对比度效果的预处理是进行直方图均衡化处理。图像运用直方图均衡化进行预处理，直方图均衡化的作用是图像增强。均衡化过程中，必须要保证两个条件：①像素无论怎么映射，一定要保证原来的大小关系不变，较亮的区域，依旧是较亮的，较暗依旧暗，只是对比度增大，绝对不能明暗颠倒；②如果是八位图像，那么像素映射函数的值域应在0和255之间的，不能越界。综合以上两个条件，累积分布函数是个好的选择，因为累积分布函数是单调增函数(控制大小关系)，并且值域是0到1(控制越界问题)，所以直方图均衡化中使用的是累积分布函数。累积分布函数具有一些好的性质，比较概率分布函数和累积分布函数，前者的二维图像是参差不齐的，后者是单调递增的。直方图均衡化过程中，映射方法是：其中n为图像中像素的总和，L为图像中可能的灰度级总数。优选的，对疑似火焰的图片像素进行识别：1、输入火焰图像。求出高度和宽度，并且求出灰度直方图2、求出分量并且将模型转化为模型，求出三个分量3、遍历各个像素点，根据运动像素和颜色特征的三个规则检测疑似火焰像素。具体为：先利用火焰的颜色特征来排除大量的无关视频，颜色像素检测依据规则为：规则1：R>G>＝B规则2：R>150规则3：S>0.3上述规则中R代表火焰的红色分量，G代表火焰的绿色分量，B代表火焰的蓝色分量，S代表火焰的饱和度，规则1和规则2说明火焰的颜色以红色分量为主，而且与其他对象相比，火焰的值更大；规则3中，用火焰像素的饱和度来排除那些非火焰对象的像素；RGB和HSV结合起来提取火焰区域；其次，运用运动检测的方法识别其是否为运动像素，以过滤类似火焰颜色像素的静态像素；动态像素检测是通过比较相邻两帧对应像素点的灰度值变化，计算公式如下：ΔF(i,j,t)＝1如果|I(i,j,t-1)|>TΔF(i,j,t)＝0其中I(i本文档来自技高网...

【技术保护点】
1.一种基于深度学习的无人机森林火焰识别方法，其特征在于，具体包括以下步骤：/n1)获取无人机视觉范围内的视频；/n2)对获取的视频进行分帧处理，获得一系列图像；/n3)对图像进行增强对比度效果的预处理；/n4)利用改进的中值滤波算法进一步处理经过所述预处理的图片；所述的改进的中值滤波是通过扩大窗口来相对地减少冲激噪声空间密度；/n5)对疑似火焰的图片像素进行识别；所述识别是综合RGB和HSV两个模型提取火焰区域，判断是否为运动像素，同时满足颜色特征和运动特征的像素被识别为疑似火焰像素图像；/n6)对图像进行形态学处理，消除图像中小于领域内点的孤立异常值；/n7)结合深度学习神经网络算法-YOLO，对检测到的火焰目标进行实时跟踪识别。/n

【技术特征摘要】
1.一种基于深度学习的无人机森林火焰识别方法，其特征在于，具体包括以下步骤：
1)获取无人机视觉范围内的视频；
2)对获取的视频进行分帧处理，获得一系列图像；
3)对图像进行增强对比度效果的预处理；
4)利用改进的中值滤波算法进一步处理经过所述预处理的图片；所述的改进的中值滤波是通过扩大窗口来相对地减少冲激噪声空间密度；
5)对疑似火焰的图片像素进行识别；所述识别是综合RGB和HSV两个模型提取火焰区域，判断是否为运动像素，同时满足颜色特征和运动特征的像素被识别为疑似火焰像素图像；
6)对图像进行形态学处理，消除图像中小于领域内点的孤立异常值；
7)结合深度学习神经网络算法-YOLO，对检测到的火焰目标进行实时跟踪识别。


2.根据权利要求1所述的一种基于深度学习的无人机森林火焰识别方法，其特征在于，所述的改进的中值滤波具体方法为：设S(z，y)表示中心像素点(x，y)在滤波时所对应的掩模窗口，令Z1为S(x，y)中的灰度最小值，Z2为S(x，y)中的灰度最大值，Z3为S(z，Y)中的灰度中值，Z(z，Y)为在坐标(z，y)上的灰度，S为S(x，y)允许的最大尺寸，自适应中值滤波器算法工作的2个层面定义为A层和B层；其中灰度中值Z3的计算方法结合了均值思想，把排序得到的中值与窗口中所有像素点的均值加权得到灰度中值，所述中值的权重为0.3，均值的权重为0.7；
A层：
ZA1＝Zmed-ZminZA2＝Zmax-Zmed
当ZA1＞T(T为阈值)，且ZA2＞T则转到B层，否则，增大窗口尺寸；
如果窗口尺寸小于则重复A层；否则，输出Z(x，y)；
B层：
ZB1＝Z(x，y)-Zmin，ZB2＝Zmax-Z(x，y)，
当ZR1＞T，ZB2＞T，则输出Z(x，y)；否则输出Zmed
A层用来判断是否为一脉冲，B层用来判断Z(x，y)是否为一脉冲；当A层和B层...

【专利技术属性】
技术研发人员：陈德鹏，贾华宇，李战峰，覃志强，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14