森林防火监控方法及森林防火监控系统.pdf

1、(10)申请公布号 CN 103632158 A (43)申请公布日 2014.03.12 CN 103632158 A (21)申请号 201310587310.3 (22)申请日 2013.11.20 G06K 9/60(2006.01) G08B 17/00(2006.01) (71)申请人 北京环境特性研究所 地址 100854 北京市海淀区永定路 50 号 (72)发明人 王鹏飞 刘峰 张挺 石志强 肖军波 (74)专利代理机构 北京市京大律师事务所 11321 代理人 张璐 方晓明 (54) 发明名称 森林防火监控方法及森林防火监控系统 (57) 摘要 本发明公开了一种森林防火监控

2、方法及森林 防火监控系统。 本发明中， 获取采集的当前森林视 频图像， 并将获取的当前森林视频图像应用于预 先设置的混合高斯背景模型， 生成当前森林视频 图像对应的背景图像 ； 将当前森林视频图像与该 当前森林视频图像对应的背景图像进行差分， 生 成当前背景差分图像 ； 将生成的当前背景差分图 像应用于预先设置的烟火对象检测算法， 获取烟 火对象信息。 应用本发明， 可以降低防火监控的虚 警率、 提升火灾监控精度。 (51)Int.Cl. 权利要求书 3 页 说明书 14 页 附图 1 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书3页 说明书14页 附图1页 (1

3、0)申请公布号 CN 103632158 A CN 103632158 A 1/3 页 2 1. 一种森林防火监控方法， 该方法包括 ： 获取采集的当前森林视频图像， 并将获取的当前森林视频图像应用于预先设置的混合 高斯背景模型， 生成当前森林视频图像对应的背景图像 ； 将当前森林视频图像与该当前森林视频图像对应的背景图像进行差分， 生成当前背景 差分图像 ； 将生成的当前背景差分图像应用于预先设置的烟火对象检测算法， 获取烟火对象信 息。 2. 根据权利要求 1 所述的方法， 其中， 所述将获取的当前森林视频图像应用于预先设 置的混合高斯背景模型， 生成当前森林视频图像对应的背景图像包括 ：

4、 对于当前森林视频图像中的每一个像素点， 将像素点应用于预先设置的混合高斯背景 模型， 得到该像素点在混合高斯背景模型中的取值概率， 计算每一单高斯模型中概率权重 与协方差的比值， 将混合高斯背景模型中的每个单高斯模型按照比值进行排序， 并且当确 定新获取的图像帧的像素与混合高斯模型中的任一单高斯模型分布匹配时， 用该像素点替 换混合高斯背景模型中对应的像素点作为当前混合高斯背景模型 ； 提取当前混合高斯背景模型中的像素点， 生成当前森林视频图像对应的背景图像。 3. 根据权利要求 2 所述的方法， 其中， 利用下述公式确定所述像素点在混合高斯背景 模型中的取值概率 ： 式中， P(xt)为时

5、刻t时的当前森林视频图像中的所述像素点在混合高斯背景模型中的 取值概率 ； xj为当前森林视频图像中的图像像素 j 在时刻 t 时的取值 ； 为第 i 个单高斯模型在时刻 t 取值分布的均值 ； K 为混合高斯背景模型中的单高斯模型个数 ； 为时刻 t 时像素 j 的混合高斯背景模型中， 第 i 个单高斯模型的概率权重 ； 为时刻t时的当前森林视频图像中的像素点在第i个单高斯模型中的取 值概率。 4.根据权利要求3所述的方法， 其中， 利用下述公式确定所述时刻t时的当前森林视频 图像中的像素点在第 i 个单高斯模型中的取值概率 ： 式中， ui， t为第 i 个单高斯模型在时刻 t 取值分布的

6、均值 ； 为第 i 个单高斯模型在时刻 t 取值分布的协方差 ； d 为 xi,t的维数。 5. 根据权利要求 4 所述的方法， 其中， 利用下述公式确定所述新获取的图像帧的像素 与混合高斯模型中的任一单高斯模型分布匹配 ： 权 利 要 求 书 CN 103632158 A 2 2/3 页 3 式中， xj,i+1为新获取的图像帧的像素在时刻 t 时第 i 个单高斯模型中的取值 ； 为匹配阈值。 6. 根据权利要求 1 所述的方法， 其中， 利用下述公式确定所述当前背景差分图像 ： D(x,y,t)=|I(x,y,t)-B(x,y,t)| 式中， D(x,y,t) 为当前背景差分图像 ； (x

7、,y) 为像素点在图像中的像素位置信息。 7. 根据权利要求 1 至 6 任一项所述的方法， 其中， 所述方法进一步包括 ： 获取当前背景差分图像中像素点的像素值， 如果获取的像素值超过预先设置的二值化 阈值， 将该像素点的像素值更新为二值化的烟火对象的像素值 ； 否则， 将该像素点的像素值 更新为二值化的背景点的像素值。 8. 根据权利要求 7 所述的方法， 其中， 所述将生成的当前背景差分图像应用于预先设 置的烟火对象检测算法， 获取烟火对象信息具体包括 ： B1， 将当前背景差分图像与当前帧森林视频图像进行与运算， 得到待处理图像 ； B2， 获取待处理图像中各像素点的 RGB 值， 计

8、算每一像素点的红颜色值与蓝颜色值的 颜色差绝对值 ； B3， 当确定每一像素点的颜色差绝对值大于预先设置的检测阈值时， 标记该每一像素 点为烟火对象的像素点 ； B4， 根据标记为烟火对象的像素点在待处理图像中覆盖的区域， 获取烟火对象信息。 9. 一种森林防火监控系统， 其特征在于， 该系统包括 ： 摄像头、 混合高斯背景模型运算 器、 差分处理器以及烟火对象检测器 ； 摄像头， 用于采集当前森林视频图像 ； 混合高斯背景模型运算器， 用于获取采集的当前森林视频图像， 并将获取的当前森林 视频图像应用于预先设置的混合高斯背景模型， 生成当前森林视频图像对应的背景图像 ； 差分处理器， 用于将

9、当前森林视频图像与该当前森林视频图像对应的背景图像进行差 分， 生成当前背景差分图像 ； 烟火对象检测器， 用于将生成的当前背景差分图像应用于预先设置的烟火对象检测算 法， 获取烟火对象信息。 10. 根据权利要求 9 所述的系统， 其特征在于， 所述混合高斯背景模型运算器包括 ： 取 值概率计算模块、 判断模块、 像素点计数模块以及背景图像生成模块 ； 取值概率计算模块， 用于将当前森林视频图像中的像素点应用于预先设置的混合高斯 背景模型， 得到该像素点在混合高斯背景模型中的取值概率 ； 判断模块， 用于计算每一单高斯模型中概率权重与协方差的比值， 将混合高斯背景模 型中的每个单高斯模型按照

10、比值进行排序， 并且当确定新获取的图像帧的像素与混合高斯 模型中的任一单高斯模型分布匹配时， 用该像素点替换混合高斯背景模型中对应的像素点 作为当前混合高斯背景模型 ； 像素点计数模块， 用于判断输入判断模块的像素点是否为当前森林视频图像中的最后 一个像素点， 如果否， 依序读取当前森林视频图像中的下一个像素点， 输出至取值概率计算 模块 ； 如果是， 通知背景图像生成模块 ； 权 利 要 求 书 CN 103632158 A 3 3/3 页 4 背景图像生成模块， 用于根据来自像素点计数模块的通知， 提取当前混合高斯背景模 型中的像素点， 生成当前森林视频图像对应的背景图像。 权 利 要 求

11、 书 CN 103632158 A 4 1/14 页 5 森林防火监控方法及森林防火监控系统 技术领域 0001 本发明涉及防火监控技术， 尤其涉及一种森林防火监控方法及森林防火监控系 统。 背景技术 0002 随着人们对生态环境的日益重视和关注， 森林面积以及林木蓄积量逐年增加， 再 加上气候条件的多变性， 使得森林火灾的发生越来越频繁。由于森林火灾的发生具有突发 性、 随机性， 并能在短时间内造成巨大的经济损失， 导致森林防火任务变得越来越艰巨。 0003 目前， 森林防火工作仍存在野外火源管理难度较大， 森林火灾隐患增多， 造成的经 济影响较大等问题。 因而， 如何提升森林防火智能监控水

12、平， 以便于及时掌握各森林片区的 火情相关信息， 从而及早发现火情隐患， 将森林火灾导致的损失减少至最低， 是目前亟需解 决的技术问题。 0004 现有技术中， 采用森林防火智能监控技术， 能够避免原始人工观察火情的局限， 可 以实现森林林区数字化、 科学化的管理， 大大减少林业部门的费用支出和管理成本， 提高林 区企业的社会效应和经济效应， 因而， 在森林防火中应用越来越广泛。其中， 基于视频的森 林防火监控系统是目前火灾检测领域的研究热点， 它能有效克服以传感器为基础的传统火 灾检测技术的诸多不足， 可以方便地应用于广场、 森林等室外复杂环境。 但现有基于视频的 森林防火监控系统， 通过监

13、控员对摄像头拍摄得到的视频图像进行人工识别已确定是否发 生火情。由于森林中与火焰颜色相近的景物较多， 例如， 在秋季时逐渐变红， 范围越来越大 的红叶区域。因而， 人工识别容易受到与火焰颜色相近的景物干扰， 从而出现误判， 使得防 火监控的虚警率较高， 导致林业部门出动不必要的火警处理力量， 增加了防火监控成本， 影 响了基于视频的森林防火监控系统的鲁棒性， 使得森林火灾监控精度较低。 发明内容 0005 本发明的实施例提供一种森林防火监控方法， 降低防火监控的虚警率、 提升火灾 监控精度。 0006 本发明的实施例还提供一种森林防火监控系统， 降低防火监控的虚警率、 提升火 灾监控精度。 0

14、007 为达到上述目的， 本发明实施例提供的一种森林防火监控方法， 该方法包括 ： 0008 获取采集的当前森林视频图像， 并将获取的当前森林视频图像应用于预先设置的 混合高斯背景模型， 生成当前森林视频图像对应的背景图像 ； 0009 将当前森林视频图像与该当前森林视频图像对应的背景图像进行差分， 生成当前 背景差分图像 ； 0010 将生成的当前背景差分图像应用于预先设置的烟火对象检测算法， 获取烟火对象 信息。 0011 其中， 所述将获取的当前森林视频图像应用于预先设置的混合高斯背景模型， 生 说 明 书 CN 103632158 A 5 2/14 页 6 成当前森林视频图像对应的背景

15、图像包括 ： 0012 对于当前森林视频图像中的每一个像素点， 将像素点应用于预先设置的混合高斯 背景模型， 得到该像素点在混合高斯背景模型中的取值概率， 计算每一单高斯模型中概率 权重与协方差的比值， 将混合高斯背景模型中的每个单高斯模型按照比值进行排序， 并且 当确定新获取的图像帧的像素与混合高斯模型中的任一单高斯模型分布匹配时， 用该像素 点替换混合高斯背景模型中对应的像素点作为当前混合高斯背景模型 ； 0013 提取当前混合高斯背景模型中的像素点， 生成当前森林视频图像对应的背景图 像。 0014 其中， 利用下述公式确定所述像素点在混合高斯背景模型中的取值概率 ： 0015 0016

16、 式中， P(xt)为时刻t时的当前森林视频图像中的所述像素点在混合高斯背景模型 中的取值概率 ； 0017 xj为当前森林视频图像中的图像像素 j 在时刻 t 时的取值 ； 0018 为第 i 个单高斯模型在时刻 t 取值分布的均值 ； 0019 K 为混合高斯背景模型中的单高斯模型个数 ； 0020 为时刻 t 时像素 j 的混合高斯背景模型中， 第 i 个单高斯模型的概率权重 ； 0021 为时刻 t 时的当前森林视频图像中的像素点在第 i 个单高斯模型 中的取值概率。 0022 其中， 利用下述公式确定所述时刻 t 时的当前森林视频图像中的像素点在第 i 个 单高斯模型中的取值概率 ：

17、 0023 0024 式中， ui,t为第 i 个单高斯模型在时刻 t 取值分布的均值 ； 0025 为第 i 个单高斯模型在时刻 t 取值分布的协方差 ； 0026 d 为 xi,t的维数。 0027 其中， 利用下述公式确定所述新获取的图像帧的像素与混合高斯模型中的任一单 高斯模型分布匹配 ： 0028 0029 式中， xj,i+1为新获取的图像帧的像素在时刻 t 时第 i 个单高斯模型中的取值 ； 0030 为匹配阈值。 0031 其中， 利用下述公式确定所述当前背景差分图像 ： 0032 D(x,y,t)=|I(x,y,t)-B(x,y,t)| 0033 式中， D(x,y,t) 为

18、当前背景差分图像 ； 0034 (x,y) 为像素点在图像中的像素位置信息。 0035 其中， 所述方法进一步包括 ： 说 明 书 CN 103632158 A 6 3/14 页 7 0036 获取当前背景差分图像中像素点的像素值， 如果获取的像素值超过预先设置的二 值化阈值， 将该像素点的像素值更新为二值化的烟火对象的像素值 ； 否则， 将该像素点的像 素值更新为二值化的背景点的像素值。 0037 其中， 所述将生成的当前背景差分图像应用于预先设置的烟火对象检测算法， 获 取烟火对象信息具体包括 ： 0038 B1， 将当前背景差分图像与当前帧森林视频图像进行与运算， 得到待处理图像 ； 0

19、039 B2， 获取待处理图像中各像素点的 RGB 值， 计算每一像素点的红颜色值与蓝颜色 值的颜色差绝对值 ； 0040 B3， 当确定每一像素点的颜色差绝对值大于预先设置的检测阈值时， 标记该每一 像素点为烟火对象的像素点 ； 0041 B4， 根据标记为烟火对象的像素点在待处理图像中覆盖的区域， 获取烟火对象信 息。 0042 其中， 所述将生成的当前背景差分图像应用于预先设置的烟火对象检测算法， 获 取烟火对象信息具体包括 ： 0043 C1， 标记当前背景差分图像中前景点覆盖的区域 ； 0044 C2， 将当前背景差分图像应用于拉普拉斯算子， 得到梯度图像 ； 0045 C3， 统计

20、梯度图像中各标记区域内梯度值小于预先设置的梯度阈值的像素点数 量， 当确定统计的像素点数量大于预先设置的像素点数阈值时， 标记该标记区域为烟火对 象区域 ； 0046 C4， 根据标记的烟火对象区域， 获取烟火对象信息。 0047 其中， 所述将生成的当前背景差分图像应用于预先设置的烟火对象检测算法， 获 取烟火对象信息具体包括 ： 0048 根据预先存储的烟火对象轮廓特征信息， 对得到的当前背景差分图像进行轮廓特 征匹配， 获取当前背景差分图像中与存储的烟火对象轮廓特征信息相匹配的标记区域， 标 记该匹配的标记区域为烟火对象区域， 根据标记的烟火对象区域， 获取烟火对象信息。 0049 其中

21、， 所述方法进一步包括 ： 0050 对获取的烟火对象信息进行平滑处理 ； 0051 对进行平滑处理的烟火对象信息进行时间关联， 获取关联的烟火对象信息。 0052 其中， 采用图像形态学处理中的开运算和闭运算进行所述平滑处理。 0053 其中， 所述对进行平滑处理的烟火对象信息进行时间关联， 获取关联的烟火对象 信息包括 ： 0054 D1， 从存储的森林视频图像序列中， 获取首次出现烟火对象信息的森林视频图 像 ； 0055 D2， 在获取的森林视频图像中， 以烟火对象信息所在的位置为中心， 构建以预先设 置的半径阈值为半径的候选烟火对象区域 ； 0056 D3， 以首次出现烟火对象信息的

22、森林视频图像为初始帧， 按时间按顺序， 从森林视 频图像序列中选取预定帧数的森林视频图像， 形成森林视频图像集 ； 0057 D4， 统计森林视频图像集中候选烟火对象区域内具有烟火对象信息的图像帧数 ； 0058 D5， 当确定统计的图像帧数超过预先设置的帧数阈值时， 确定候选烟火对象区域 说 明 书 CN 103632158 A 7 4/14 页 8 内存在烟火对象， 获取候选烟火对象区域内关联的烟火对象信息。 0059 其中， 采用管道滤波进行所述统计森林视频图像集中候选烟火对象区域内具有烟 火对象信息的图像帧数。 0060 其中， 在所述获取采集的当前森林视频图像之后， 并将获取的当前森

23、林视频图像 应用于预先设置的混合高斯背景模型之前， 所述方法进一步包括 ： 0061 采用中值滤波算法或， 对获取的当前森林视频图像进行降噪处理 ； 或 0062 对获取的森林视频图像进行行中值滤波， 然后， 对进行行中值滤波的森林视频图 像再进行列中值滤波。 0063 一种森林防火监控系统， 该系统包括 ： 摄像头、 混合高斯背景模型运算器、 差分处 理器以及烟火对象检测器 ； 0064 摄像头， 用于采集当前森林视频图像 ； 0065 混合高斯背景模型运算器， 用于获取采集的当前森林视频图像， 并将获取的当前 森林视频图像应用于预先设置的混合高斯背景模型， 生成当前森林视频图像对应的背景图

24、 像 ； 0066 差分处理器， 用于将当前森林视频图像与该当前森林视频图像对应的背景图像进 行差分， 生成当前背景差分图像 ； 0067 烟火对象检测器， 用于将生成的当前背景差分图像应用于预先设置的烟火对象检 测算法， 获取烟火对象信息。 0068 较佳地， 所述混合高斯背景模型运算器包括 ： 取值概率计算模块、 判断模块、 像素 点计数模块以及背景图像生成模块 ； 0069 取值概率计算模块， 用于将当前森林视频图像中的像素点应用于预先设置的混合 高斯背景模型， 得到该像素点在混合高斯背景模型中的取值概率 ； 0070 判断模块， 用于计算每一单高斯模型中概率权重与协方差的比值， 将混合

25、高斯背 景模型中的每个单高斯模型按照比值进行排序， 并且当确定新获取的图像帧的像素与混合 高斯模型中的任一单高斯模型分布匹配时， 用该像素点替换混合高斯背景模型中对应的像 素点 ； 0071 像素点计数模块， 用于判断输入判断模块的像素点是否为当前森林视频图像中的 最后一个像素点， 如果否， 依序读取当前森林视频图像中的下一个像素点， 输出至取值概率 计算模块 ； 如果是， 通知背景图像生成模块 ； 0072 背景图像生成模块， 用于根据来自像素点计数模块的通知， 提取混合高斯背景模 型中的像素点， 生成当前森林视频图像对应的背景图像。 0073 较佳地， 所述烟火对象检测器包括 ： 与运算模

26、块、 颜色差绝对值计算模块、 标记模 块以及烟火对象确定模块 ； 0074 与运算模块， 用于将当前背景差分图像与当前帧森林视频图像进行与运算， 得到 待处理图像 ； 0075 颜色差绝对值计算模块， 用于获取待处理图像中各像素点的 RGB 值， 计算每一像 素点的红颜色值与蓝颜色值的颜色差绝对值 ； 0076 标记模块， 用于当确定每一像素点的颜色差绝对值是否大于预先设置的检测阈值 时， 标记该每一像素点为烟火对象的像素点 ； 说 明 书 CN 103632158 A 8 5/14 页 9 0077 烟火对象确定模块， 用于根据标记为烟火对象的像素点在待处理图像中覆盖的区 域， 获取烟火对象

27、信息。 0078 较佳地， 进一步包括 ： 0079 二值化处理器， 用于获取当前背景差分图像中像素点的像素值， 如果获取的像素 值超过预先设置的二值化阈值， 将该像素点的像素值更新为二值化的烟火对象的像素值 ； 否则， 将该像素点的像素值更新为二值化的背景点的像素值 ； 将更新的当前背景差分图像 输出至烟火对象检测器。 0080 较佳地， 进一步包括 ： 平滑处理器以及关联处理器 ； 0081 平滑处理器， 用于采用图像形态学处理中的开运算和闭运算， 对获取的烟火对象 信息进行平滑处理 ； 0082 关联处理器， 用于对进行平滑处理的烟火对象信息进行时间关联， 获取关联的烟 火对象信息。 0

28、083 较佳地， 所述关联处理器包括 ： 查询模块、 候选烟火对象区域构建模块、 森林视频 图像集生成模块、 图像帧数统计模块以及关联模块 ； 0084 查询模块， 用于从存储的森林视频图像序列中， 获取首次出现烟火对象信息的森 林视频图像 ； 0085 候选烟火对象区域构建模块， 用于在获取的森林视频图像中， 以烟火对象信息所 在的位置为中心， 构建以预先设置的半径阈值为半径的候选烟火对象区域 ； 0086 森林视频图像集生成模块， 用于以首次出现烟火对象信息的森林视频图像为初始 帧， 按时间按顺序， 从森林视频图像序列中选取预定帧数的森林视频图像， 形成森林视频图 像集 ； 0087 图像

29、帧数统计模块， 用于统计森林视频图像集中候选烟火对象区域内具有烟火对 象信息的图像帧数 ； 0088 关联模块， 用于判断统计的图像帧数是否超过预先设置的帧数阈值， 如果确定候 选烟火对象区域内存在烟火对象， 获取候选烟火对象区域内关联的烟火对象信息。 0089 由上述技术方案可见， 本发明实施例提供的一种森林防火监控方法及森林防火监 控系统， 对采集的视频图像进行图像预处理， 将进行降噪处理的当前森林视频图像应用于 预先设置的混合高斯背景模型， 得到当前森林视频图像对应的背景图像， 进而将当前森林 视频图像与背景图像进行差分处理， 得到当前背景差分图像， 并应用于预先设置的烟火对 象检测算法

30、， 获取烟火对象信息。 这样， 通过设置自动识别烟火对象的混合高斯背景模型算 法， 从而能够自动识别出森林视频图像中的烟火对象， 从而降低森林防火监控的虚警率， 提 升火灾监控精度。 附图说明 0090 为了更清楚地说明本发明实施例或现有技术中的技术方案， 以下将对实施例或现 有技术描述中所需要使用的附图作简单地介绍。显而易见地， 以下描述中的附图仅仅是本 发明的一些实施例， 对于本领域普通技术人员而言， 还可以根据这些附图所示实施例得到 其它的实施例及其附图。 0091 图 1 为本发明实施例森林防火监控方法流程示意图。 说 明 书 CN 103632158 A 9 6/14 页 10 00

31、92 图 2 为本发明实施例森林防火监控系统结构示意图。 具体实施方式 0093 以下将结合附图对本发明各实施例的技术方案进行清楚、 完整的描述， 显然， 所描 述的实施例仅仅是本发明的一部分实施例， 而不是全部的实施例。 基于本发明中的实施例， 本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例， 都属于本 发明所保护的范围。 0094 现有基于视频的森林防火监控系统， 容易受到与火焰颜色相近的景物干扰， 从而 出现误判， 使得森林火灾监控精度较低， 影响基于视频的森林防火监控系统的鲁棒性。 0095 在森林防火监控系统中， 摄像头采集的视频图像中， 不但包含所需的烟火对象

32、信 息， 而且包含由各种随机噪声和起伏背景组成的干扰对象信息。 而且， 由于森林背景相对于 其他区域背景， 例如， 空旷地背景或城市居民区背景， 具有一定的特殊性。 因而， 现有应用于 城市居民区的防火监控方法， 并不能适用于森林防火监控。 在森林防火监控系统中， 由于其 中的一些干扰对象颜色与烟火对象颜色相同或相近似， 因而， 需要在采集得到的视频图像 中， 通过有效的烟火对象检测算法， 将烟火对象从干扰对象中检测出来， 以有效降低防火监 控的虚警率。 0096 本发明实施例中， 针对干扰对象颜色与烟火对象颜色相同或相近似情形， 提出用 于森林防火监控系统的烟火对象检测算法， 对烟火对象以及

33、干扰对象进行区分。 具体来说， 先对采集的视频图像进行图像预处理， 以对采集的视频图像进行降噪 ； 进而采取本发明实 施例的图像分割算法 （混合高斯背景模型算法） ， 将烟火对象从包含干扰对象的、 经降噪处 理的视频图像中分割出来 ； 对分割得到的烟火对象进行分析， 从而确定是否有火警。这样， 可以降低森林防火监控的虚警率， 提高森林防火监控的鲁棒性。 0097 图 1 为本发明实施例森林防火监控方法流程示意图。参见图 1， 该流程包括 ： 0098 步骤 101， 获取采集的当前森林视频图像， 对获取的当前森林视频图像进行降噪处 理 ； 0099 本步骤中， 对获取的当前森林视频图像进行降噪

34、处理为可选步骤。进行降噪处理 即对森林视频图像进行预处理。 0100 本发明实施例中， 降噪处理是为了排除在森林视频图像采集过程中引入的无规则 性噪声干扰， 可以采用现有技术中的中值滤波算法， 对获取的森林视频图像进行降噪处理。 0101 进一步地， 由于现有技术的中值滤波算法需要对采集的森林视频图像进行遍历， 实时性较差。本发明实施例中， 较佳地， 采用改进的中值滤波算法， 即行区域中值滤波算法 进行降噪处理。具体来说， 对获取的森林视频图像进行行中值滤波， 然后， 对进行行中值滤 波的森林视频图像再进行列中值滤波。 这样， 可以有效减少进行降噪处理所需的时间、 提高 降噪处理的实时性。 0

35、102 本发明实施例中， 采集的森林视频图像以标识进行区别， 对每一森林视频图像， 按 照标识依序进行降噪处理。 0103 步骤 102， 将进行降噪处理的当前森林视频图像应用于预先设置的混合高斯背景 模型， 得到当前森林视频图像对应的背景图像 ； 0104 本步骤中， 混合高斯背景模型利用高斯分布对每个像素建立背景模型， 为每个像 说 明 书 CN 103632158 A 10 7/14 页 11 素用 K 个单高斯分布进行混合建模， 即使用 K（例如， 3 至 5 个） 个单高斯模型来表征当前森 林视频图像中各像素点的特征。 0105 本步骤具体包括 ： 0106 A1， 将进行降噪处理的

36、当前森林视频图像中的一像素点应用于预先设置的混合高 斯背景模型， 得到该像素点在混合高斯背景模型中的取值概率 ； 0107 本步骤中， 对预先设置的混合高斯背景模型进行初始化， 选取当前森林视频图像 中的一像素点， 将该像素点应用于初始化的混合高斯背景模型， 得到该一像素点在混合高 斯背景模型中的取值概率， 在后续流程中再对初始化的混合高斯背景模型进行更新 ； 然后， 选取当前森林视频图像中的另一像素点， 应用于更新的混合高斯背景模型， 得到该另一像 素点在混合高斯背景模型中的取值概率， 在后续流程中再对更新的混合高斯背景模型进行 再次更新， 直至选取完当前森林视频图像中的所有像素点。 010

37、8 本发明实施例中， 对于整帧森林视频图像， 森林视频图像中的每一像素点对应一 混合高斯背景模型， 进行相应混合高斯背景模型处理。 0109 实际应用中， 由于用于视频图像采集的森林场景是不断变化的， 考虑到背景像素 值在一段时间内的分布是多峰的， 因而， 可以利用多个单高斯模型的集合来描述像素值在 一段时间内的状态， 从而基于多个单高斯模型生成混合高斯背景模型。 具体来说， 对每一像 素点， 定义 K 个单高斯模型来表征该像素点状态， K 值体现了像素值多峰分布的峰的个数。 在匹配过程中， 只要该像素点符合 K 个单高斯模型分布中的任何一个， 则认为该像素点是 具有背景特征的像素点， 即背景

38、点 ； 否则， 该像素点被判定为具有目标特征的像素点， 即前 景点。 0110 较佳地， 图像中每个像素点的混合高斯背景模型由K个 （三个） 单高斯模型组成， 从 而对于每一像素点， 采用三个单高斯模型分布混合建模， 得到混合高斯背景模型。 0111 由 K 个单高斯模型成分组成的混合高斯背景模型表示像素点在时间域上的概率 分布。 0112 在时刻t时， 当前森林视频图像中的像素点的像素值为xj， 当前森林视频图像中的 像素点在混合高斯背景模型中的取值概率， 即图像像素 j 在时刻 t 取值为 xj的概率计算公 式为 ： 0113 0114 0115 式中， P(xj)为时刻t时的当前森林视频

39、图像中的像素点在混合高斯背景模型中的 取值概率， 即图像像素 j 在时刻 t 取值为 xj的概率 ； 0116 K 为混合高斯背景模型中的单高斯模型个数， 即单高斯模型成分个数 ； 0117 为时刻 t 时像素 j 的混合高斯背景模型中， 第 i 个单高斯模型的概率权重 ； 0118 较佳地， 说 明 书 CN 103632158 A 11 8/14 页 12 0119 为时刻t时的当前森林视频图像中的像素点在第i个单高斯模型中 的取值概率 ； 0120 为第 i 个单高斯模型在时刻 t 取值分布的均值 ； 0121 为第 i 个单高斯模型在时刻 t 取值分布的协方差 ； 0122 xj为当前

40、森林视频图像中的图像像素 j 在时刻 t 时的取值 ； 0123 d 为 xj的维数。对于 RGB 空间而言， 各分量可视为相互独立， 则协方差矩阵定义为 其中 表示标准差， I 表示单位矩阵。 0124 较佳地， K 一般取 3 5。 0125 A2， 计算每一单高斯模型中概率权重与协方差的比值， 将混合高斯背景模型中的 每个单高斯模型按照比值进行排序， 检验新获取的图像帧的像素与混合高斯模型中的任一 单高斯模型分布是否匹配， 如果是， 用该像素点替换混合高斯背景模型中对应的像素点， 否 则， 不作处理 ； 0126 本步骤中， 在初始化阶段， 像素每个点的颜色通道范围为 0,255， 可以

41、对 K 个高 斯分布直接初始化较大的对每个高斯分布的均值进行初始化。随着场景的不断变化， 每个像素的混合高斯模型都要不断地被学习更新。 将混合高斯模型中的每个高斯分布按照 由大到小排序， 检验新获取的图像帧的像素与混合高斯模型中的 K 个高斯分布是 否匹配， 如果匹配成功， 判定该像素点为背景点， 并用该像素点替换混合高斯背景模型中对 应的像素点， 从而对混合高斯背景模型进行更新 ； 否则， 该像素点为前景点， 不对混合高斯 背景模型中对应的像素点进行更新。 0127 如前所述， 混合高斯背景模型包括多个单高斯模型， 如果新获取的像素和混合高 斯模型分布的某个成分满足下式， 则确定该像素与混合

42、高斯模型分布相匹配。 0128 0129 式中， xj,i+1为新获取的图像帧的像素在时刻 t 时第 i 个单高斯模型中的取值 ； 0130 为匹配阈值。 0131 若 xj与第 i 个单高斯模型成分匹配， 则该单高斯模型成分被 xj更新， 其余单高斯 模型则保持不变， 更新方差如下所示 ： 0132 0133 0134 0135 0136 其中， 是单高斯模型的学习率， 为参数的学习率， 反映的是高斯分布参数的 收敛速度。 0137 若 xj与像素的 K 个单高斯模型分布都不匹配， 那么混合高斯模型中排在最末的 说 明 书 CN 103632158 A 12 9/14 页 13 单高斯模型分

43、布将被新的高斯成分所替代， 新成分的均值为 xj， 标准差和权值被初始化为 init和 init， 其余的高斯分布则保持均值和方差不变， 但权重将按照下面的式子进行更 新 ： 0138 0139 在更新完成后， 各高斯分布的权重还需要重新归一化。 参数更新完成之后， 为了确 定像素的混合高斯模型中哪些高斯成分是由背景产生的， 根据每个单高斯模型分布， 按照 由大到小的排序， 取前Bj个高斯成分作为背景的分布， Bj可以采用下面的式子来确 定 ： 0140 0141 其中， T 为预定义的权重的阈值， 代表了背景高斯成分在像素的整个高斯概率分布 中所占的最小比例。 0142 A3， 选取进行降噪

44、处理的当前森林视频图像中的另一像素点， 将该另一像素点应 用于替换的混合高斯背景模型， 得到该另一像素点在替换的混合高斯背景模型中的取值概 率， 执行步骤 A2， 直至进行降噪处理的当前森林视频图像中的最后一个像素点 ； 0143 A4， 获取最后一个像素点进行取值概率判断后得到的最终混合高斯背景模型， 提 取最终混合高斯背景模型中的像素点， 得到当前森林视频图像对应的背景图像。 0144 本步骤中， 由于进行降噪处理的当前森林视频图像中的像素点与混合高斯背景模 型中相应位置的像素点相对应。因而， 也可以在得到第一个像素点对应的混合高斯背景模 型后， 按照与第一个像素点处理相同的方法， 可以得

45、到进行降噪处理的当前森林视频图像 中的每一像素点分别对应的混合高斯背景模型， 形成混合高斯背景模型集 ； 提取混合高斯 背景模型集中的背景点， 得到当前森林视频图像对应的背景图像。 0145 这样， 通过混合高斯背景模型处理， 对当前森林视频图像进行图像分割处理， 在当 前森林视频图像的图像分割处理完毕后， 将经过像素点更新的混合高斯背景模型作为当前 森林视频图像对应的背景图像。 0146 关于设置混合高斯背景模型以及混合高斯背景模型的运算算法， 为公知技术， 在 此略去详述。 0147 步骤 103， 将当前森林视频图像与该当前森林视频图像对应的背景图像进行差分， 得到当前背景差分图像 ；

46、0148 本步骤中， 在森林视频图像序列中， 假设当前森林视频图像为 I(x,y,t)， 当前森林 视频图像对应的背景图像为 B(x,y,t)， 则当前背景差分图像计算公式为 ： 0149 D(x,y,t)=|I(x,y,t)-B(x,y,t)| （3） 0150 式中， D(x,y,t) 为当前背景差分图像 ； 0151 (x,y) 为像素点在图像中的像素位置信息。 0152 本发明实施例中， 为了使得当前背景差分图像中的背景点与前景点在颜色灰度上 更容易区别， 还可以进一步对当前背景差分图像进行二值化处理。即该方法进一步包括 ： 0153 获取当前背景差分图像中像素点的像素值， 如果获取的

47、像素值超过预先设置的二 值化阈值， 将该像素点的像素值更新为二值化的烟火对象的像素值 ； 否则， 将该像素点的像 说 明 书 CN 103632158 A 13 10/14 页 14 素值更新为二值化的背景点的像素值。 0154 本步骤中， 像素点的像素值即为像素点的灰度值。本发明实施例中， 烟火对象的 灰度值设置为 255， 背景点的灰度值设置为 0。这样， 通过获取当前背景差分图像中像素点 的灰度值， 如果获取的灰度值超过预先设置的二值化阈值， 将当前背景差分图像中该像素 点的灰度值更新为 255 ； 如果获取的灰度值没有超过预先设置的二值化阈值， 将当前背景 差分图像中该像素点的灰度值更

48、新为 0。举例来说， 假设二值化阈值为 100， 如果获取的当 前背景差分图像中像素点的灰度值为 120， 则将当前背景差分图像中该像素点的灰度值从 120 更新为 255 ； 如果获取的当前背景差分图像中像素点的灰度值为 90， 则将当前背景差分 图像中该像素点的灰度值从 90 更新为 0， 从而对当前背景差分图像进行二值化处理。 0155 步骤 104， 将得到的当前背景差分图像应用于预先设置的烟火对象检测算法， 获取 烟火对象信息。 0156 本步骤中， 作为可选的实施例， 将得到的当前背景差分图像应用于预先设置的烟 火对象检测算法， 获取烟火对象信息具体包括 ： 0157 B1， 将当前背景差分图像与当前帧森林视频图像进行与运算， 得到待处理图像 ； 0158 本步骤中， 如前所述， 如果对当前背景差分图像进行了二值化处理， 则将进行二值 化处理后的当前背景差分图像与当前帧森林视频图像进行与运算， 得到待处理图像。 0159 B2， 获取待处理图像中各像素点的 RGB 值， 计算每一像素点的红颜色值与蓝颜色 值的颜色差绝对值 ； 0160 本步骤中， 颜色差绝对值计算公式为 ： 0161 H=|R-B| 0162 式中， H 为颜色差绝对值 ； 0163 R 为像素点的 RGB