無人機森林火災監測中火情檢測方法研究

無人機森林火災監測中火情檢測方法研究

張增，王兵，伍小潔，趙恩偉

(天津航天中為數據系統科技有限公司，天津 300301)

摘要：本文將無人機遙感的高清可見光圖像用于森林火災的監測，監測過程包括森林火災檢測、火災區域分割、特征提取、火災識別。首先，選擇RGB顏色空間進行森林火災的檢測，在大幅減少單張圖像的計算量的同時，也排除了大部分無火圖像。其次，選擇HSV顏色空間完成圖像分割，得到完整性較好的火災區域。最后基于灰度共生矩陣和火災區域邊緣圖像提取了火災區域的多維特征，并用支持向量機完成了火災識別過程。本文算法對森林火災的檢測率可達到87.7%，識別率達到89.2%，表明該算法用于森林火災監測效果較好。

關鍵詞：森林火災；顏色空間；灰度共生矩陣；紋理分析；支持向量機

doi:10.3969/j.issn.1000-3177.2015.01.018

中圖分類號：TP751文獻標識碼：A

收稿日期：2014-02-18修訂日期：2014-05-04

基金項目：973計劃課題(2012CB719901)；中央高校基本科研業務費專項資金項目(SWJTU10ZT02)。

作者簡介：趙婷婷(1988～)，女，碩士研究生，主要從事遙感影像處理與分析研究。

收稿日期：2014-01-06修訂日期：2014-03-19

基金項目：國家自然科學

作者簡介：袁敏(1991～)，女，碩士研究生，主要從事資源環境遙感方面的研究。

收稿日期：2014-02-08修訂日期：2014-03-10

基金項目：重慶市教委科技項目(KJ1401028)；重慶三峽學院校級科研項目(KJ131108)。

作者簡介：徐蓉(1984～)，女，博士，研究方向為國土資源遙感。

An Algorithm of Forest Fire Detection Based on UAV Remote Sensing

ZHANG Zeng，WANG Bin，WU Xiao-jie，ZHAO En-wei

(TianjinZhongweiAerospaceDataSystemTechnologyCO.，LTD，Tianjin300301)

Abstract：High resolution photo of UAV is used to monitor forest fire which includes fire detection，segmentation，feature extraction and fire identification.Firstly，fire detection is completed in RGB color space which not only reduces calculation of a single image but also excludes most images without fire.Secondly，HSV color space is chosen to finish the image segmentation so that the fire area in an image can remain intact.Thirdly，multidimensional characteristics are extracted based on the gray-level co-occurrence matrix and the edge image of forest fire，and then support vector machine (SVM) is used to complete the fire identification.Experimental results show that forest fire detection rate is 87.7% and fire recognition rate is 89.2%.

Key words：forest fire；color space；co-occurrence matrix；texture analysis；SVM

1引言

森林是一種非常重要的自然資源，它不僅能夠提供豐富的林業產品，而且對于大氣環境的調節作用非常明顯。我國每年有上萬次森林火災發生，造成嚴重的森林資源破壞、環境污染、經濟和財產損失。目前我國的林火監測體系分為衛星監測、航空巡護、地面監測三種監測手段[1]，其中航空巡護相對于衛星遙感地面分辨率更高，巡護響應更快。近年來快速發展的無人機遙感技術為航空巡護增添了一種新手段，在森林火災的防控中發揮了重要作用。無人機可以攜帶各種載荷進行拍攝，本文利用無人機拍攝的高清圖像進行森林火災的監測。

2森林火災的檢測與分割

2.1森林火災的檢測

使用無人機遙感的高分辨率圖像確定森林火災要經過檢測、分割、識別等過程，檢測的目的是為了確定圖像中有無可疑的火災區域以確定是否進行后續的分割、識別處理。無人機地面站接收、顯示的圖像均使用RGB顏色空間。森林火災的檢測在RGB顏色空間進行可有效避免顏色空間的轉換過程，節約檢測時間。森林火災在RGB顏色模型中一般滿足式(1)～式(4)。

火焰各像素點的顏色分量關系：

R(x，y)≥G(x，y)≥B(x，y)

(1)

火焰顏色分量大于某個閾值[2]：

R(x，y)>Th

(2)

火焰像素點的亮度大于給定的閾值[3]，即滿足以下公式：

Y=0.299R(x，y)+0.587G(x，y)+0.114B(x，y)

(3)

紅色飽和度：

(4)

文獻[2-3]中使用以上方法進行火災區域分割，在實際的分割實驗中存在分割不完全、間斷區域較多的特點。若是使用以上方式進行森林火災檢測，對于高清晰度圖像來說限制條件多、計算量較大、漏檢率偏高。對大量的森林火災圖像分析表明，森林火災區域包含紅色、黃色或偏向于紅色、紅色的區域，有些亮度較大的區域也可能出現泛白色，而森林火災圖像中幾乎都存在紅色、黃色區域。在對大量森林火災圖像進行統計發現，森林火災區域中大都存在滿足以下關系的區域

R(x，y)-G(x，y)>T1

(5)

G(x，y)-B(x，y)>T2

(6)

其中，T1>0，T2>0，當T1，T2取值較小時誤檢率較高，一般來講隨著T1，T2的增大，檢測區域亮度增大、誤檢率減少、漏檢率增大，實際中一般取T1，T2=40～60。對于高清的可見光圖像來說，使用式(5)、式(6)進行檢測可以顯著減少檢測時間、排除大部分無火圖像。

圖1　可見光森林火災圖像及檢測結果

2.2火場區域的分割

在RGB顏色空間檢測后的圖像火場區域存在間斷、不完整的特點，不宜作為火災分割圖像。RGB顏色空間內R(紅色)、G(綠色)、B(藍色)相關度很高，無法用單一的參數實現對火災區域的分割。而HSV顏色空間能夠反映人眼的視覺特性[4]，其三要素H(色調)、S(飽和度)、V(亮度)的相關性比R、G、B的相關性要小得多。從RGB空間到HSV空間的轉換關系如下：

V=max(R，G，B)

(7)

(8)

(9)

H=H+360(當H<0)

(10)

將HSV三個分量轉化至0～255范圍內，森林火災的H、S、V分量圖像如圖2所示。

圖2　森林火災圖像HSV空間分量圖像

將森林火災圖像轉化至HSV空間后，需要進行火災區域的分割。Otsu法是常用的圖像分割方法，根據圖像的灰度特征將圖像劃分為目標和背景兩種類型。分別對S、V分量進行閾值分割，分割結果如下：

圖3　S、V分量分割結果

取S與V分量分割結果的亮色交集區域進行形態學操作后作為最后的分割結果，如圖4所示。

圖4　森林火災HSV空間分割結果

3森林火災的特征提取

在完成森林火災區域的分割之后，需要進行森林火災特征的提取。在森林火災的檢測中發現，地物干擾多為紅色或黃色的房屋、車輛、干枯的樹木、雜草，干擾物體的內部紋理與火災的內部紋理差異明顯，可以使用紋理特征識別森林火災。一種有效提取紋理特征的方式是以灰度共生矩陣為基礎的，設一幅二維數字圖像f(x，y)，其分辨率為M×N，灰度級為Ng。

P(i，j)=#{x1，y1}，(x2，y2)∈M×N丨f(x1，y1)=

i，f(x2，y2)=j

(11)

圖5　火災區域及干擾區域邊緣檢測圖像

4基于支持向量機的森林火災識別算法

支持向量機(SVM)，起初由Vapnik[6]提出時，是作為尋求最優(在一定程度上)二分類器的一種技術，后來它又被拓展到回歸和聚類應用。SVM在解決小樣本、非線性及高維模式識別問題中表現出許多特有的優勢。SVM的關鍵在于確定合適的核函數。SVM常用的核函數有線性、多項式、徑向基、sigmoid型函數[7]。

選擇200幅火災及干擾圖像用于紋理及內部邊緣特征的SVM訓練，300幅火災及干擾圖像用于識別實驗，采用各核函數時的識別結果見表1。

表1　SVM采用不同核函數時的識別結果

從表1可以看出，選擇徑向基函數作為SVM的核函數進行識別時期識別準確率最高，故本文算法選擇徑向基函數作為SVM的核函數進行森林火災識別。

基于無人機高清圖像的森林火災識別流程如下：

圖6　森林火災識別流程圖

5實驗結果

對典型的森林圖像進行識別后得到結果，從森林火災中選取火災圖像及典型干擾圖像，選取含有火災的圖像140幅，典型干擾圖像60幅，提取紋理、邊緣特征進行SVM訓練。選擇火災圖像100幅、無火圖像200幅(強干擾圖像40幅，弱干擾或無干擾圖像160幅)做測試使用。在火災的識別特征的選擇上，分別采用紋理特征及紋理和內部邊緣特征進行森林火災的識別。

檢測與識別的結果如100幅有火圖像中檢測到有火圖像87幅，200幅無火圖像檢測到有火24幅，檢測準確率為87.7%。僅使用紋理特征時在檢測到的87幅有火圖像中識別到有火圖像75幅，使用紋理及內部邊緣特征時識別到有火圖像82幅。僅使用紋理特征識別24幅誤判為有火的圖像中識別到有火圖像11幅，使用紋理及內部邊緣特征時識別到有火圖像7幅。

表2　森林火災識別準確度統計

本文方法火災檢測準確率超過87%，檢測算法運算簡單，對于千萬像素級別的高清圖像來說，可以排除絕大部分無火圖像的同時節約時間用于森林火災識別過程。基于紋理與內部邊緣特征的森林火災識別準確率為89.2%，比僅使用紋理特征識別火源的方法準確度有較大提升，該方法適用于基于無人機遙感的森林火災監測過程。

6結束語

本文利用無人機遙感的高清森林圖像進行森林火災監測，在多顏色空間實現了森林火災的檢測與識別。首先在RGB顏色空間利用改進的森林火災檢測方法，在不增加漏檢率的前提下顯著減少了計算量。在HSV空間使用OTSU實現了森林火災區域的分割。對森林火災區域利用紋理分析提取了能量、逆差距、相關、對比度、內部邊緣等多維特征，并使用SVM完成森林火災及干擾物的分類。利用本文方法對森林火災的檢測及識別準確度均大于87%，用于森林火災的監測效果較好。利用HSV空間進行森林火災的分割時，存在對亮白色的火災區域難以分割的現象，需要繼續改進。

參考文獻：

[1]吳雪瓊，覃先林，李程，等.我國林火監測體系現狀分析[J].內蒙古林業調查設計，2010，33(3)：69-72.

[2]HONG W B，PENG J W，CHEN C Y.A new image base realtime flame detection method using color analysis[J].IEEE Transaction on Image Processing，2005，43(1)：100-105.

[3]CELIK T，DEMIREL H.Fire detection in video sequence using statical color model[J].Journal of Computer Vision，2006，2(4)：213-216.

[4]張國權，李戰明，李向偉，等.HSV空間彩色圖像分割研究[J].計算機工程與應用，2010，46(26)：179-181.

[5]劉龍飛，陳云浩，李京.遙感影像紋理分析方法綜述與展望[J].遙感技術與應用，2003，18(6)：441-451.

[6]VAPNIK V.統計學習理論的本質[M].北京：清華大學出版社，2000.

[7]謝菲，陳雷霆，邱航.基于紋理特征的圖像分類方法研究與系統實現[J].計算機應用研究，2009，26(7)：2765-2770.

E-mail：767163826@qq.com

E-mail：yuanmin0926@163.com

E-mail：xurong010504@163.com