《图像处理与模式识别在火灾探测领域的应用.ppt》由会员分享，可在线阅读，更多相关《图像处理与模式识别在火灾探测领域的应用.ppt（30页珍藏版）》请在三一文库上搜索。
1、图像处理与模式识别在火灾探测领域的应用,一）森林火灾成因及监测简介 二）基于数字图像处理的火灾探测技术简介 三） 火灾图像的获取、预处理与分割 四）火灾图像特征分析 五）基于神经网络的火灾探测,森林火灾的成因及监测简介,森林火灾的成因 森林火灾的发生是一个极其复杂的自然因素与人为因素相互作用的结果，它涉及树种类型与分布状况、地形地貌的分布状况、水资源的分布状况、气象因子、居民活动范围的分布等。,森林火灾探测要解决的问题,森林防火模型的建立 火势蔓延趋势分析 火焰初步判定（火焰图像处理：火灾图像的增强、裁剪预处理，火灾火焰的分割，） 识别与跟踪 视频定位（基于GIS的视频定位）,林火扑救涉及的信
2、息,(1)火场实时信息：主要包括火灾发生地周围气象站传回的温度、相对湿度、地表湿度、风力、风向、降水量等信息；火场扑救人员现场报告的火情信息。 (2)火场指挥调度信息：为火场指挥员的指挥调度命令，包括消防兵力的布署与调配、林火扑救方案的选取等。 (3)火场静态信息：包括地形地貌信剧如高程、坡度、坡向、土壤类型等)、生产生活设施分布信息(如居民区、工业区、配电站等)、森林小班资源信息(如火场及火场周边小班的树种、林种、树龄、面积、郁闭度、蓄积量、造林密度等)、消防警力分布信息(如火场周边消防队的位置、消防人员的数量、配备的消防器材、消防指挥员的联络方式等)、水资源分布信息(火场周围的河流、湖泊或
3、水库的位置、蓄水量、高程)、交通道路分布信息(如道路等级、坡度、坡向、通行能力等)。 (4)历史火灾信息：包括历史火灾发生的时间、地点、引发火灾的原因、火灾造成的损失、当时采用的救火策略、事后分析应该吸取的教训等。,火灾的物理特征,早期火灾中存在三种典型的热物理现象： 阴燃 火羽流 烟气,摄像器件的选择,综合考虑红外波长宽度、早期火灾阴燃能力、仪器造价、仪器寿命等因素，用于火灾监控的首选摄像器件应该为：微光摄像机(低照度摄像机)配合红外滤光，其次为黑白CCD配合红外滤光。从火灾确认的角度，微光摄像机加彩色摄像机(红外波段加彩色波段简称双波段)是在综合考虑热辐射和彩色视频信息基础上较好配合。,基
4、于数字图像处理的火灾探测技术主要应用图像或温度传感技术，用摄像头监视现场，同时对摄得的连续图像由图像采集卡转换为数字图像输入计算机，根据早期火灾火焰的图像特征并结合多重判据，运用数字图像处理对序列图像进行识别判断，从而达到探测火灾的目的。由于图像包含有强度、形体、位置等多种信息，而且采用光学传感器(CCD摄像头)以非接触方式监测现场，所以图像型火灾探测技术相比于传统的探测技术而言有其自身特有的优越性：,二）基于数字图像处理的火灾探测技术特点（优势）,(1)可以融合传感器探测的优点； (2)属于非接触探测技术，适用于大空间、大面积、多粉尘、高湿度等复杂场所； (3)基于数字图像信号处理技术，可采
5、取对火灾燃烧时的多参数、多图像特征识别，能够提高火灾探测的可靠性； (4)可对火灾现象中的图像信息作出快速反应，并提供直观的图像信息。,图像型火灾探测方法缺陷,图像信息量大 处理速度慢 图像处理算法复杂、难实现 硬件设备价格相对昂贵 监测系统的可靠性和灵敏性要求难以同时满足等 但总体说来，图像型火灾探测技术有非常积极的现实意义和应用前景。,图像型火灾探测方法流程,三）火灾图像的获取、预处理与分割,1. 图像的获取 采用CCD获取图像，并用采集卡将图像转换成计算机处理的数字信号。 2. 图像的预处理 图像预处理通常包括增强、滤波、细化等几个方面。 3. 火灾图像的分割,3.1 火灾图像的预处理（
6、滤波）,3.2 火灾图像的分割,采用背景差分方法（差影图法）,在背景单一，光线较弱的环境下，用背景差分法可以有效的分割出火焰。这是因为在这种情况下可以获得理想的背景图像，各帧图像和理想背景相减，这样无论什么场景，都会很精确地得到运动目标。但在背景复杂，光线较强的情况下，背景差分法很难有效的分割出火焰。,一种新的图像差影检测算法,图像的灰度化处理 将彩色火焰图像转变为基于红分量和基于蓝分量的两幅不同的灰度图,由于火焰像素的红分量值基本上为255或稍低，而蓝分量值介于50到220之间，所以用红分量值代替绿分量值和蓝分量值所形成的灰度图可以使火焰在图像中更加突出。用蓝分量值代替红分量值和绿分量值所形
7、成的灰度图使火焰在图像中基本不可见，,四）火灾图像特征分析 -火焰特征的分析,1）火焰的颜色特征 火焰的色彩特征比较明显，一般在红色到黄色范围内变动。如果燃烧的材料比较纯净且燃烧温度很高，有时会产生蓝色火焰。 由于火灾火焰的颜色与温度具有相关关系，随着火焰由焰心到火焰外表面温度的升高，其颜色依次为暗红色，红色、橙色、黄色、蓝白色和白色，所以火焰的颜色特征是对火焰进行识别的一个有效判剧。 下面对于火焰图像的一阶颜色矩进行分析：,从表中的数据可以看出，火灾火焰的阶颜色矩与煤气火焰，车灯和其它一般的运动物体有明显差别，但与路灯差别较小，由于路灯也有很多种颜色，如白色，黄色等，很容易与火灾火焰的一阶颜
8、色矩相近或相同，所以颜色矩判剧需要与其它判剧配合使用。,2）火焰的纹理特征 对纹理分析的方法有两种：一种是统计纹理分析法，二是结构纹理分析法，其中，前一种最常用，主要有空间自相关法、傅立叶功率普法、灰度共生矩阵法、灰度差分统计与行程长度统计法等。,灰度共生矩阵法：,1）在图像中任意取一点(x，y)以(x+a,y+b)形成一个点对，其灰度值记为为(i,j)； 2）固定a,b值，令点(x,y)在整幅图像上移动，则会得到各种(i,j)值。 3）在整幅图像中，统计出每一种(i,j)值出现的次数，再将它们归一化为出现的概率，则称该方阵为灰度联合概率矩阵，也称为灰度共生矩阵。,距离差分值(a,b)取不同的
9、数值组合，可以得到沿一定方向如 相隔一定距离的像元之间灰度联合概率矩阵。 利用灰度共生矩阵可以得到一系列的纹理特征统计量，例如，反差、熵、逆差距、灰度相关、能量、集群荫与集群突出等。设,火灾纹理特征的特点,火灾火焰图像的反差特征与其它干扰情况有明显的差别。 火灾火焰图像的逆差矩特征和能量特征与煤气火焰相近，与其它情况有明显差别； 火灾火焰图像的灰度相关特征与路灯图像相近，与其它情况有明显差别。,3）火灾火焰的形状特征（如质心、中心矩等） 考虑到火焰的形状不断变化这一独特的性质，反映在图像的数字特征上即表现为其质心也应该是无序的变换，与此相对应，如果x，y同时有规律的变化(如同时增大)，则证明有
10、高亮度的物体向摄像机方向移动，这样就可以将干扰现象排除。,五）基于神经网络的火灾探测,输入层节点数：6 阶颜色矩、反差、逆差矩、能量、 灰度相关、形体变化相似度 隐藏层节点数：输入层节点数2+1 输出层节点数:1（对输出做了归一化，其值在0-1之间） 1)0.85Y1 火灾状态； 2)0.25Y0.85 可疑状态； 3)0Y0.25 正常状态；,选取在各种场合下拍摄的早期火灾及干扰现象的视频序列作为学习样本，其中火灾图像100幅，煤气火焰图像10幅，路灯图像10幅，车灯图像10幅，一般运动物体图像10幅，对网络进行训练。 对于神经网络系统取另外几幅火灾图像和干扰图像作为测试样本，输入系统中进行识别，结果如下：,