一种基于光学图像和红外图像融合分析的森林防火监测方法技术

本发明专利技术公开一种基于光学图像和红外图像融合分析的森林防火监测方法，其包括如下步骤：S1.利用高斯混合背景建模与灰度阈值法分别对光学图像与红外图像进行预处理提取特征信息；S2.将预处理得到的特征信息进行整合并生成归一化子图传入YOLO v3目标检测模型；S3.基于预训练好的YOLO v3目标检测模型对火焰情况进行分类检测，生成分析报告；S4.根据分析报告来标记具体起火位置并送人工复检决定是否采取相关措施。本发明专利技术方法能够改善传统的森林防火检测方法；通过对监控图像预处理并进行火焰分类检测，在减轻服务器压力，节省传输资源的前提下改善森林防火的监测。的前提下改善森林防火的监测。的前提下改善森林防火的监测。

【技术实现步骤摘要】
一种基于光学图像和红外图像融合分析的森林防火监测方法


[0001]本专利技术属于图像检测
，具体涉及一种基于深度学习和光学图像和红外图像融合分析的森林防火监测方法。

技术介绍

[0002]森林火灾是全球性的林业重要灾害之一，在破坏森林的各种因素中，森林火灾是最为严重的，每年都会造成林木资源的重大损失和灾区及周边地区大范围的环境污染。很多地区由于干旱致使森林火灾多发，不仅严重破坏了森林资源，而且造成了巨大的经济损失。
[0003]森林防火的难度在于森林面积广、交通不方便、通信困难及能源供应缺乏等问题，目前针对森林火灾的监测，主要采用人工嘹望、远程视频监控及卫星遥感监测等方法。人工嘹望的方法比较落后，难以及时发现火情，往往延误扑火时间，造成严重后果。利用数字视频技术和现代通信技术结合的远程视频监控系统，其工作方式主要为：在林区范围内各监测点处安置摄像头，并通过有线或无线数据传输网络实现画面实时送达监控中心，由中心工作人员实施监控。虽然这类系统避免了直接派驻人员的麻烦，可以在一定程度上提高火灾报警的及时性，但实时视频的传输需要庞大且昂贵的通信网络保证。此外，发生火灾的情况相对比较少，故多数时间系统传送的是安全状况下的画面。但由于火情发生难以预测，理论上工作人员必须24小时不间断的监视各监测点传送的视频，否则依然可能延误火情的预报。因此此类预警系统的工作效率不高但投入的人力和物力却较高。采用卫星遥感方式进行监测，通过对遥感照片处理从而发现火灾，由于高分辨率卫星绕地球同一地点的周期较长，对于小面积森林火灾不能有效监控。这些监测手段的运用，对加强森林资源管理是至关重要的，但也明显存在不足。能采用简单易行的方法完成森林防火监控，成为有效保护森林资源的当务之急。

技术实现思路

[0004]本专利技术的目的是：针对
技术介绍
描述的问题，本专利技术提供一种基于光学图像和红外图像融合分析的森林防火监测方法。
[0005]为了解决上述问题，本专利技术所采用的技术方案是：一种基于光学图像和红外图像融合分析的森林防火监测方法，其特征在于，包括如下步骤：
[0006]S1，利用高斯混合背景建模与灰度阈值法分别对光学图像与红外图像进行预处理提取特征信息；
[0007]S2，将预处理得到的特征信息进行整合并生成归一化子图传入YOLO v3目标检测网络；
[0008]S3，基于预训练好的YOLO v3目标检测模型对火焰情况进行分类检测，生成分析报告；
[0009]S4，根据分析报告来标记具体起火位置并送人工复检决定是否采取相关措施。
[0010]进一步的，所述步骤S1中，利用高斯混合背景建模对光学图像进行预处理，具体方法包括：
[0011](1)模型初始化，第一帧图像的每个像素值作为均值，并设置方差w，建立q数量的高斯混合模型，q默认为1，w默认为1.0；
[0012](2)模型学习，将当前帧的像素点和已有的高斯模型对应的像素点作比较，若：
[0013]满足|X
k
‑
u
(q，k)
|＞2.5σ
(q，k)
，需要进行增加高斯分量；
[0014]满足|X
k
‑
u
(q，k)
|＝2.5σ
(q，k)
，需要进行替换高斯分量；
[0015]满足|X
k
‑
u
(q，k)
|＜2.5σ
(q，k)
，判断背景和前景；
[0016]其中，X
k
为新像素值，u
(q，k)
为均值，σ
(q，k)
为标准差，k为第k个高斯分量；
[0017]针对森林场景的监控视频，调低标准差的系数，由默认2.5改为1.5+0.5；
[0018]若满足|X
k
‑
u
(q，k)
|＜1.5+0.5σ
(q，k)
，判断背景和前景；
[0019]判断公式为：
[0020][0021]其中，w
q
为权重归一化后的结果，b为选出的背景模式数量，T表示背景所占的比例；
[0022]高斯混合模型的迭代计算公式为：
[0023]w
q
(k+1)＝(1
‑
α)w
q
(k)+αM
q
(k+1)
[0024]μ
q
(k+1)＝(1
‑
ρ)μ
q
(k)+ρI(k+1)
[0025][0026]ρ＝αG(I(k+1)；μ
q
，σ
q
)
[0027]其中，α和ρ代表学习率，w
q
表示权值，μ
q
是均值，是方差，k为第k个高斯分量，M
q
是求第k个高斯分量的像素均值的函数，I表示求第k个高斯分量的像素值的函数，G是求学习率的函数；
[0028](3)对得到的前景图像进行5*5中值滤波去噪；
[0029](4)利用OpenCV对步骤(3)得到的图像进行烟火检测，预处理结束。
[0030]进一步的，所述步骤S1中，利用OpenCV对红外图像进行烟火检测，每隔一段时间将森林的环境温度与预设的森林环境温度表进行对比，设定一个温度阈值t，如果温度大于t，则检测到异常，将提取可疑信息并传至云端服务器进行进一步检测；检测过程中，一些热源的出现会影响检测结果，采用MeanShift跟踪算法对可疑热源进行追踪计算其移动速度，减少运动生物可能带来的影响，具体步骤为：
[0031](1)Mean Shift的向量基本形式的定义为：
[0032][0033]其中，x表示空间中任意一点，x
i
表示第i个样本点，n表示样本点x
i
有k个点落入S
k
区域中；S
h
是一个半径为h的高维球区域，满足以下关系的y点的集合：
[0034]S
h
(x)≡{y：(y
‑
x)
T
(y
‑
x)≤h2}
[0035](2)将检测到的可疑对象在视频首帧中框出，作为Mean Shift的输入；
[0036](3)提取对象的轮廓，从图像中获取对象的特征信息，并设置跟踪参数；
[0037](4)对得到的信息进行反向投影，获得反向投影图，计算反向投影的公式如下：
[0038][0039]其中，m是直方图区间的个数，u表示直方图的个数，q
u
每一个直方图对应的频数，b(x
i
)表示图像在点x
i
位置的像数值，δ表示冲击响应函数；
[0040](5)根据反向投影和物体轮廓进行Mean Shift迭代，收敛后移动到检测目标上，返回目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光学图像和红外图像融合分析的森林防火监测方法，其特征在于，包括如下步骤：S1，利用高斯混合背景建模与灰度阈值法分别对光学图像与红外图像进行预处理提取特征信息；S2，将预处理得到的特征信息进行整合并生成归一化子图传入YOLO v3目标检测网络；S3，基于预训练好的YOLO v3目标检测模型对火焰情况进行分类检测，生成分析报告；S4，根据分析报告来标记具体起火位置并送人工复检决定是否采取相关措施。2.如权利要求1所述的一种基于光学图像和红外图像融合分析的森林防火监测方法，其特征在于，所述步骤S1中，利用高斯混合背景建模对光学图像进行预处理，具体方法包括：(1)模型初始化，第一帧图像的每个像素值作为均值，并设置方差w，建立q数量的高斯混合模型，q默认为1，w默认为1.0；(2)模型学习，将当前帧的像素点和已有的高斯模型对应的像素点作比较，若：满足|X
k
‑
u
(q，k)
|＞2.5σ
(q，k)
，需要进行增加高斯分量；满足|X
k
‑
u
(q，k)
|＝2.5σ
(q，k)
，需要进行替换高斯分量；满足|X
k
‑
u
(q，k)
|＜2.5σ
(q，k)
，判断背景和前景；其中，X
k
为新像素值，u
(q，k)
为均值，σ
(q，k)
为标准差，k为第k个高斯分量；针对森林场景的监控视频，调低标准差的系数，由默认2.5改为1.5+0.5；若满足|X
k
‑
u
(q，k)
|＜(1.5+0.5)σ
(q，k)
，判断背景和前景；判断公式为：其中，w
q
为权重归一化后的结果，b为选出的背景模式数量，T表示背景所占的比例；高斯混合模型的迭代计算公式为：w
q
(k+1)＝(1
‑
α)w
q
(k)+αM
q
(k+1)μ
q
(k+1)＝(1
‑
ρ)μ
q
(k)+ρI(k+1)ρ＝αG(I(k+1)；μ
q
，σ
q
)其中，α和ρ代表...

【专利技术属性】
技术研发人员：崔建明，崔宾阁，廖信鹏，王智慧，张德学，罗生路，刘正，李致远，李名帅，
申请(专利权)人：青岛山科智汇信息科技有限公司，
类型：发明
国别省市：