一种静动态多特征融合的山火检测方法及系统技术方案

本发明专利技术公开了一种静动态多特征融合的山火检测方法及系统。所述方法首先对山火视频进行帧采样生成初始图像序列并进行预处理，生成预处理后的图像序列；将预处理后的图像序列划分为静态样本和动态样本，利用卷积神经网络提取所述静态样本的静态特征并提取所述动态样本的动态特征；利用核典型相关分析方法将静态特征和动态特征进行融合，生成融合后特征；将融合后特征输入支持向量机分类器中进行学习训练，生成训练好的山火检测分类器；采用训练好的山火检测分类器进行山火检测。本发明专利技术方法在提取基于视频帧的图像特征过程中，对经过预处理后的图像采取静、动态特征分别提取再融合的方法，可以较全面的提取山火特征，提高山火检测的精度与准确度。

A fire detection method and system based on static and dynamic multi feature fusion

【技术实现步骤摘要】
一种静动态多特征融合的山火检测方法及系统
本专利技术涉及山火检测
，特别是涉及一种静动态多特征融合的山火检测方法及系统。
技术介绍
随着电网的快速发展以及电网结构的不断扩大，电网不可避免地要穿越山林，从而山火就成了铺设电网必须预防的情况。因为身处山林，地形复杂且地域广阔，人工监测比较困难，实现山火的自动监测可以大大减少人力的浪费。图像处理技术和计算机视觉的迅速发展为计算机自动检测山火提供了技术基础。目前的山火识别与检测的方法，多数都是单独使用卷积神经网络或者对运动区域利用传统特征提取方法对图像进行特征提取；同时，由于山火的数据集较少，且发生地点的背景、天气状况也比较复杂，所以当前的对于山火的检测存在着特征提取不全面、识别准确度较低等缺点。
技术实现思路
本专利技术的目的是提供一种静动态多特征融合的山火检测方法及系统，以解决现有的的山火识别与检测方法对山火特征提取不全面、识别准确度低的问题。为实现上述目的，本专利技术提供了如下方案：一种静动态多特征融合的山火检测方法，所述山火检测方法包括：获取对山火视频进行帧采样生成的初始图像序列；所述初始图像序列中包括多幅连续拍摄的原始图像；对所述初始图像序列进行预处理，生成预处理后的图像序列；将所述预处理后的图像序列划分为静态样本和动态样本；利用卷积神经网络提取所述静态样本的静态特征；提取所述动态样本的动态特征；利用核典型相关分析方法将所述静态特征和所述动态特征进行融合，生成融合后特征；将所述融合后特征输入支持向量机分类器中进行学习训练，生成训练好的山火检测分类器；采用所述训练好的山火检测分类器进行山火检测。可选的，所述对所述初始图像序列进行预处理，生成预处理后的图像序列，具体包括：采用中值滤波方法对所述初始图像序列中的每幅原始图像进行去噪处理，生成去噪后图像；采用单尺度Retinex方法对所述去噪后图像进行图像增强处理，生成增强后图像；多幅连续的增强后图像构成所述预处理后的图像序列。可选的，所述将所述预处理后的图像序列划分为静态样本和动态样本，具体包括：将所述预处理后的图像序列中的多幅连续的增强后图像按照4:1的比例分为训练样本和测试样本；将所述训练样本中的多幅连续的增强后图像按3:2的比例划分为静态样本和动态样本。可选的，所述利用卷积神经网络提取所述静态样本的静态特征，具体包括：将所述静态样本输入VGG-19卷积神经网络，获取所述VGG-19卷积神经网络输出的特征图；根据所述特征图的高、宽和通道数对不同通道的特征之间进行内积运算，得到特征矩阵；将所述特征矩阵向量化为所述静态样本的静态特征。可选的，所述提取所述动态样本的动态特征，具体包括：利用单高斯背景模型法提取所述动态样本中的运动区域；对所述运动区域利用灰度共生矩阵提取火焰纹理特征；提取所述运动区域的面积变化特征及闪烁特征；将所述火焰纹理特征、所述面积变化特征以及所述闪烁特征加权合并为所述动态样本的动态特征。一种静动态多特征融合的山火检测系统，所述山火检测系统包括：初始图像序列获取模块，用于获取对山火视频进行帧采样生成的初始图像序列；所述初始图像序列中包括多幅连续拍摄的原始图像；图像预处理模块，用于对所述初始图像序列进行预处理，生成预处理后的图像序列；静动态样本划分模块，用于将所述预处理后的图像序列划分为静态样本和动态样本；静态特征提取模块，用于利用卷积神经网络提取所述静态样本的静态特征；动态特征提取模块，用于提取所述动态样本的动态特征；静动态特征融合模块，用于利用核典型相关分析方法将所述静态特征和所述动态特征进行融合，生成融合后特征；模型训练模块，用于将所述融合后特征输入支持向量机分类器中进行学习训练，生成训练好的山火检测分类器；山火检测模块，用于采用所述训练好的山火检测分类器进行山火检测。可选的，所述图像预处理模块具体包括：去噪处理单元，用于采用中值滤波方法对所述初始图像序列中的每幅原始图像进行去噪处理，生成去噪后图像；增强处理单元，用于采用单尺度Retinex方法对所述去噪后图像进行图像增强处理，生成增强后图像；多幅连续的增强后图像构成所述预处理后的图像序列。可选的，所述静动态样本划分模块具体包括：训练样本划分单元，用于将所述预处理后的图像序列中的多幅连续的增强后图像按照4:1的比例分为训练样本和测试样本；静动态样本划分单元，用于将所述训练样本中的多幅连续的增强后图像按3:2的比例划分为静态样本和动态样本。可选的，所述静态特征提取模块具体包括：特征图获取单元，用于将所述静态样本输入VGG-19卷积神经网络，获取所述VGG-19卷积神经网络输出的特征图；特征矩阵计算单元，用于根据所述特征图的高、宽和通道数对不同通道的特征之间进行内积运算，得到特征矩阵；静态特征提取单元，用于将所述特征矩阵向量化为所述静态样本的静态特征。可选的，所述动态特征提取模块具体包括：运动区域提取单元，用于利用单高斯背景模型法提取所述动态样本中的运动区域；火焰纹理特征提取单元，用于对所述运动区域利用灰度共生矩阵提取火焰纹理特征；面积变化特征及闪烁特征提取单元，用于提取所述运动区域的面积变化特征及闪烁特征；动态特征提取单元，用于将所述火焰纹理特征、所述面积变化特征以及所述闪烁特征加权合并为所述动态样本的动态特征。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供一种静动态多特征融合的山火检测方法及系统，所述方法首先对山火视频进行帧采样生成初始图像序列；对所述初始图像序列进行预处理，生成预处理后的图像序列；将所述预处理后的图像序列划分为静态样本和动态样本；利用卷积神经网络提取所述静态样本的静态特征并提取所述动态样本的动态特征；利用核典型相关分析方法将所述静态特征和所述动态特征进行融合，生成融合后特征；将所述融合后特征输入支持向量机分类器中进行学习训练，生成训练好的山火检测分类器；采用所述山火检测分类器进行山火检测。本专利技术方法在提取基于视频帧的图像特征过程中，对经过预处理后的图像采取静、动态特征分别提取再融合的方法，可以较全面的提取山火特征，提高山火检测的精度与准确度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术提供的静动态多特征融合的山火检测方法的流程图；图2为本专利技术提供的静动态多特征融合的山火检测方法的原理图；图3为本专利技术提供的图像预处理流程框图；图4为本专利技术提供的静态特征提取流本文档来自技高网...

【技术保护点】
1.一种静动态多特征融合的山火检测方法，其特征在于，所述山火检测方法包括：/n获取对山火视频进行帧采样生成的初始图像序列；所述初始图像序列中包括多幅连续拍摄的原始图像；/n对所述初始图像序列进行预处理，生成预处理后的图像序列；/n将所述预处理后的图像序列划分为静态样本和动态样本；/n利用卷积神经网络提取所述静态样本的静态特征；/n提取所述动态样本的动态特征；/n利用核典型相关分析方法将所述静态特征和所述动态特征进行融合，生成融合后特征；/n将所述融合后特征输入支持向量机分类器中进行学习训练，生成训练好的山火检测分类器；/n采用所述训练好的山火检测分类器进行山火检测。/n

【技术特征摘要】
1.一种静动态多特征融合的山火检测方法，其特征在于，所述山火检测方法包括：
获取对山火视频进行帧采样生成的初始图像序列；所述初始图像序列中包括多幅连续拍摄的原始图像；
对所述初始图像序列进行预处理，生成预处理后的图像序列；
将所述预处理后的图像序列划分为静态样本和动态样本；
利用卷积神经网络提取所述静态样本的静态特征；
提取所述动态样本的动态特征；
利用核典型相关分析方法将所述静态特征和所述动态特征进行融合，生成融合后特征；
将所述融合后特征输入支持向量机分类器中进行学习训练，生成训练好的山火检测分类器；
采用所述训练好的山火检测分类器进行山火检测。


2.根据权利要求1所述的山火检测方法，其特征在于，所述对所述初始图像序列进行预处理，生成预处理后的图像序列，具体包括：
采用中值滤波方法对所述初始图像序列中的每幅原始图像进行去噪处理，生成去噪后图像；
采用单尺度Retinex方法对所述去噪后图像进行图像增强处理，生成增强后图像；多幅连续的增强后图像构成所述预处理后的图像序列。


3.根据权利要求2所述的山火检测方法，其特征在于，所述将所述预处理后的图像序列划分为静态样本和动态样本，具体包括：
将所述预处理后的图像序列中的多幅连续的增强后图像按照4:1的比例分为训练样本和测试样本；
将所述训练样本中的多幅连续的增强后图像按3:2的比例划分为静态样本和动态样本。


4.根据权利要求3所述的山火检测方法，其特征在于，所述利用卷积神经网络提取所述静态样本的静态特征，具体包括：
将所述静态样本输入VGG-19卷积神经网络，获取所述VGG-19卷积神经网络输出的特征图；
根据所述特征图的高、宽和通道数对不同通道的特征之间进行内积运算，得到特征矩阵；
将所述特征矩阵向量化为所述静态样本的静态特征。


5.根据权利要求4所述的山火检测方法，其特征在于，所述提取所述动态样本的动态特征，具体包括：
利用单高斯背景模型法提取所述动态样本中的运动区域；
对所述运动区域利用灰度共生矩阵提取火焰纹理特征；
提取所述运动区域的面积变化特征及闪烁特征；
将所述火焰纹理特征、所述面积变化特征以及所述闪烁特征加权合并为所述动态样本的动态特征。


6.一种静动态多特征融合的山火检测系统，其特征在于，所述山火检测系统包括：
初始图像序列获取模块，用于获取对山火视频进行帧采样生成的初始图像...

【专利技术属性】
技术研发人员：李永祥，张申，杨罡，李强，晋涛，白耀鹏，刘志祥，张振宇，
申请(专利权)人：国网山西省电力公司电力科学研究院，山西振中电力股份有限公司，
类型：发明
国别省市：山西;14