CN103778418A - 一种输电线路杆塔图像监测***的山火图像识别方法 - Google Patents

Abstract

本发明公开了一种适输电线路杆塔图像监测***的山火图像识别方法，包括以下步骤：步骤1、通过输电线路杆塔上微气象在线监测***的数据对森林火险等级做出评级，根据评级调整在线监测***采集图像的频率；步骤2、采用图像差分原理检测图像异常情况；步骤3、对图像进行天际线分割；步骤4、对图像是否存在火焰区域进行判断；步骤5、对图像是否存在烟雾区域进行判断；步骤6、判断是否出现火情。具有实现了对输电线路山火的远程预警，确保电力***输电线路安全稳定的运行等优点。

Description

一种输电线路杆塔图像监测***的山火图像识别方法

技术领域

本发明涉及一种输电线路在线监测图像识别技术，特别涉及一种输电线路杆塔图像监测***的山火图像识别方法。

背景技术

目前国内对山火的预警多采用林业部门人员巡视，租用高空飞行器监测等手段，均存在着监测范围和时间有限，费用过高，易受气候条件影响，无法进行全天候监测的问题。林业部租用两颗美国国家海洋和大气局的卫星以红外成像的形式对我国境内山火进行监测，但是每天只能对指定区域扫描4次，对山火发生的预警缺乏及时性。

国内公司针对输电线路附近山火在线监测的产品，多为采用烟雾传感器对山火进行预警，但是由于风力风向、大气烟尘等自然因素的影响，正确识别率较低。烟雾传感器长期暴露于野外地区，可靠性也会降低。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种输电线路杆塔图像监测***的山火图像识别方法，该方法通过对输电线路周围的地形地貌以及山火的火焰和烟雾特征进行综合的图像识别，实现了对输电线路山火的远程预警，确保电力***输电线路安全稳定的运行。

本发明的目的通过下述技术方案实现：一种输电线路杆塔图像监测***的山火图像识别方法，包括以下步骤：

步骤1、通过输电线路杆塔上微气象在线监测***的数据对森林火险等级做出评级，根据评级调整在线监测***采集图像的频率；

步骤2、采用图像差分原理检测图像异常情况；

步骤3、对图像进行天际线分割；

步骤4、对图像是否存在火焰区域进行判断；

步骤5、对图像是否存在烟雾区域进行判断；

步骤6、综合各项判据，判断是否出现火情。

所述步骤2包括以下步骤：

步骤2-1、选定第i帧正常情况图像作为参考图像，为M×N图像，记为f_r(x,y)；

步骤2-2、将第i+1帧图像与参考图像作差分运算，记为：

Δf_i(x,y)=f_i+1(x,y)-f_r(x,y)；

当Δf_i(x,y)>f_i,thres时，判断图像中有异常情况发生，进入图像天际线分割；

当Δf_i(x,y)<f_i,thres时，判断图像中无异常情况发生，同时将第i+1帧图像f_i+1(x,y)作为参考图像f_r(x,y)；

其中，f_i(x,y)为某时刻正常情况参考图像的像素，f_i,thres为判断有异常情况发生时的图像像素阈值；

步骤2-3、把f_i,thres作为判断有异常情况发生时的图像像素阈值。

以上式中，f_i(x,y)为某时刻正常情况参考图像的像素，f_i,thres为判断有异常情况发生时的图像像素阈值。

所述步骤3包括以下步骤：

步骤3-1、通过Canny边缘检测算法可以对图像中各个特征部分进行轮廓识别；

步骤3-2、对比轮廓线的延续性长度，角度，高度差，对比度，得到天际轮廓线；

步骤3-3、将静态图片分为天空部分和地面部分。

对所述轮廓线进行判断的判据如下：

天际线的角度在0°角上下波动；

天际线上升和下降的像素角度之间的呈对称比例；天际线的平均垂直高度差较小的边界；

设单位区域内边界线的角记为A(x)，垂直高度差记为h(x)；

单位区域的角度和为

且平均垂直高度差分布为时，表示天际轮廓线；

其中，t表示划分单位区域的个数，A_thres表示单位区域的角度和整定判据、h_thres表示平均垂直高度差整定判据。

所述步骤4包括以下步骤：

步骤4-1、提取图像火焰颜色分量数值，所述图像火焰颜色分量数值的RGB特征为：

R≥k₁G≥k₂B,R≥230，

式中，k₁和k₂是根据摄像头的图像饱和特性以及对比背景的复杂程度求得的系数；

在字图像HSV颜色模型中，H、S和V的参数分别表示色调、饱和度和亮度；而数字成像CCD/CMOS对亮度空间更为敏感，相对背景植被的漫反射部分，火焰的饱和度和亮度更高；

步骤4-2、分析山火图像，当山火图像的HSV值满足H的取值范围为0～0.17、S的取值范围为0～1且V的取值范围为0.4～1时，判定为火焰像素。

所述步骤5包括以下步骤：

步骤5-1、通过小波变换将图像信号分解为高、低频两部分，对比前后图像的小波能量值作为烟雾特征的判据；

步骤5-2、通过小波能量值识别图像是否被烟雾模糊化的判据为：

ΔE_Li=E_L(i+1)(x,y)-E_Li(x,y)>E_L,thres，

其中，E_Li(x,y)为尺度d1的某时刻正常情况参考图像的低频能量，E_L,thres为烟雾识别的阈值；

步骤5-3、参考图像中物体颜色特性进行对比作为山火烟雾的识别判据，山火烟雾的HSV特征为：

0≤H≤0.17，

0.16≤S≤0.31，

0.73≤V≤1，

对图片中具有以上HSV特征的像素的含量的计算：

其中，N_HSV为识别区域中具有以上HSV特征的像素，N为区域中总像素；

烟雾识别的颜色特性判据为：a_N>a_N,thres；

步骤5-4、通过颜色特性对图片区域进行分割，得到烟雾的图像。

在步骤4中，通过以下步骤对所述火焰区域采用动态阀值进行判断：

步骤（4.1）设f(x,y)为M×N图像(x,y)点的灰度值,灰度级为L，假设f(x,y)的取值范围为[0,L-1]，记为G_L={0,1,2,…,L-1}，设P(i)为图像f(x,y)中灰度级i的频数,则灰度级出现的概率为：

$P\left(i\right)=\frac{1}{M\&times;N}\underset{f(x,y)=t}{\mathrm{\&Sigma;}}f(x,y),$

其中，i∈G_L；

步骤（4.2）根据OTSU算法，记t为火焰区域与背景的分割阈值，火焰像素占图像比例为火焰区域平均值为：

$u_0\left(t\right)=\underset{0\&le;i\&le;t}{\mathrm{\&Sigma;}}\mathrm{ip}\left(i\right)/w_0\left(t\right);$ 背景像素占图像比例为 $w_1\left(t\right)=\underset{t\&le;i\&le;L-1}{\mathrm{\&Sigma;}}p\left(i\right);$ 背景平均值为 $u_1\left(t\right)=\underset{t\&le;i\&le;L-1}{\mathrm{\&Sigma;}}\mathrm{ip}\left(i\right)/w_1\left(t\right);$

图像总平均值为：u=w₀(t)u₀(t)+w₁(t)u₁(t)；

当g(t)=w₀(t)(u₀(t)-u)²+w₁(t)(u₁(t)-u)²取得最大值时的t值，即为分割的最佳阈值。

所述步骤6中，通过以下步骤对山火图像进行预警：

步骤6-1、最新采集的图像与前一时刻正常情况的参考图像进行差分运算；

若图像异常部分面积大于整定值f_i,thres时，对图像进行降噪滤波处理；进行天际线识别，分割天空和地面的图像；同时启动烟雾和火焰图像识别算法；

步骤6-2、提取烟雾特征后，对比图像的小波能量值，当其大于整定值E_H,thres时；对比采集图像与参考图像的颜色特性，当颜色特性大于整定判据a_N,thres时，发出山火预警信号；

步骤6-3、进行火焰图像识别，天际线识别后，从地面图像部分提取颜色特征量，对满足式R≥k₁G≥k₂B部分的面积进行滤波，得到火焰图像面积，当火焰图像面积大于整定值S_i,thres时，发出山火预警信号。

本发明的应用范围：本发明可用于电力部门架空输电线路杆塔附近的山火预警，对安装于输电线路杆塔上的图像监测***所拍摄的图像进行识别，结合图像处理、边缘检测、颜色分析和小波能量函数等新型算法，实现对输电线路附近是否发生火情进行判断；本发明解决了输电线路杆塔走廊穿越山林地区受到山火威胁，缺乏有效预警手段的问题，使得***能够准确地对输电线路杆塔附近的火情发出报警。

本发明相对于现有技术具有如下的优点及效果：

1、本发明可以实现全天的山火监测和自动预警；本发明可在现有的输电线路杆塔端图像在线监测设备上实现，无需对现有遥测端设备进行重大改变。

2、本发明可以与电力***输电线路其他在线监测设备和预警***相集成，以便于电力***部门及时响应输电线路附近山火险情。

附图说明

图1a是天际线识别的原图。

图1b是天际线识别的Canny算子边缘检测图。

图1c是天际线识别的连续天际线选择图。

图2a是第一种火焰识别的原图。

图2b是第一种火焰识别的最大火焰提取图。

图2c是第一种火焰识别中火焰提取图像的最佳分割阀值图。

图3a是第二种火焰识别的原图。

图3b是第二种火焰识别的最大火焰提取图。

图3c是第二种火焰识别中火焰提取图像的最佳分割阀值图。

图4a是烟雾原图像图。

图4b是提取烟雾特征图像图。

图5是输电线路山火图像预警流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

图像识别原理：

对山火的特征识别主要有火焰特征和烟雾特征两种方式，山火图像识别的过程可分为4个阶段：异常情况诊断、异常情况（火焰或烟雾）识别、火焰和烟雾图像分割、山火特征检测和预警。

异常情况诊断：

正常情况下，摄像头拍摄固定区域的图像内容在一定时间间隔内应具有较高的相似度。而山火发生初期，烟雾的大面积扩散会遮挡较大面积的背景，同时由于着火点上方气流扰动产生的光线折射，在图像上这部分面积的颜色、照度与参考图像相比会发生显著变化。

由此可以运用图像的差分运算作为森林火灾发生的起始判据。设f_i(x,y)为第i帧M×N图像（x×y）：

Δf_i(x,y)=f_i+1(x,y)-f_i(x,y)>f_i,thres，（1）

式中，f_i(x,y)为某时刻正常情况参考图像的像素，f_i,thres为判断有异常情况发生时的图像像素阈值。

参考图像必须实时更新，为防止因季节、天气等因素所导致的图像背景变化对异常情况诊断的影响，图像的采集间隔时间可以根据实际情况进行调整。

火焰识别：

山地气候、地形、植被等各种复杂因素，按红色分量提取火焰面积时，背景产生的色素可能对火焰识别产生干扰。

在研究过程中，发现可能对山火的图像识别产生影响的情况包括：强光条件下的火红色绝缘子；南方地区的红土；电力检修工人的红色工作服；山区火红色的植被；秋季枯黄植被；朝霞和晚霞时形成的火烧云等。本文通过对不同形式的处理，对以上影响因素加以区分。

火焰的颜色识别判据：

在数字图像RGB分析中，火焰本身含有丰富的R、G、B三种颜色分量。通过对图像火焰颜色分量数值的提取，其RGB特征为：

R≥G≥B,R≥230，（2）

数字图像HSV颜色模型中，H、S、V的参数分别是色调、饱和度和亮度。而数字成像CCD/CMOS对亮度空间更为敏感，相对背景植被的漫反射部分，火焰的饱和度和亮度更高。根据山火图像分析，山火的HSV特征：

0≤H≤0.17，（3）

0.2≤S≤1，（4）

0.4≤V≤1，（5）

式中，H的取值范围为0～0.17，S的取值范围为0～1，V的取值范围为0.4～1。像素点的RGB值，HSV值同时满足以上条件，则判定为火焰像素。

在复杂背景的条件下，采用多种颜色特征确定火焰范围可有效区分可能存在的干扰。

YCbCr空间（Y是指亮度分量，Cb指蓝色色度分量，Cr指红色色度分量）：

Cr≥Cb，（6）

由此可以用火焰像素在图像中面积作为火焰识别的判据：

S_i(x,y)≥S_i,thres，（7）

式中：S_i为某时刻图像中火焰像素的面积，S_i,thres为整定判据。

火焰图像分割：

对比火焰色素RGB分量图像，可以发现火焰中心，R（红）、G（绿）、B（蓝）各个分量都很丰富；同时，R、G、B各分量呈一定比例分布。而图像红色、近红色色素区域中，G、B分量明显减少，G、B分量的差值也不明显。将式（2）修正为：

R≥k₁G≥k₂B，（8）

式中：k₁、k₂取值根据摄像头的图像饱和特性以及对比背景的复杂程度求得，一般为1.1-1.35，过大的取值，虽然滤波的效果更好，但是也可能滤除部分火焰外焰的颜色分量，造成识别火焰区域过小。

火焰区域动态阀值：

鉴于拍摄条件以及摄像头光学（如摄像头起雾等）性能不同，即便同一摄像头在不同时刻拍摄的照片也无法在色调、饱和度和亮度上保持完全一致，因此有必要采取动态的阀值对火焰的像素进行提取。

N.Otsu于1979年提出最大类间方差法(Otsu法)作为动态阈值方法，利用图像的灰度直方图，以目标和背景的方差最大来动态地确定图像的分割阈值。

设f(x,y)为M×N图像(x,y)点的灰度值,灰度级为L，假设f(x,y)的取值范围为[0，L-1],记为G_L={0,1,2,…,L-1}。设P(i)为图像f(x,y)中灰度级i的频数,则灰度级出现的概率为

$P\left(i\right)=\frac{1}{M\&times;N}\underset{f(x,y)=t}{\mathrm{\&Sigma;}}f(x,y)---\left(9\right)$

式中i∈G_L。

根据OTSU算法，记t为火焰区域与背景的分割阈值；

火焰像素占图像比例为：

火焰区域平均值为： $u_0\left(t\right)=\underset{0\&le;i\&le;t}{\mathrm{\&Sigma;}}\mathrm{ip}\left(i\right)/w_0\left(t\right);$

背景像素占图像比例为：

背景平均值为： $u_1\left(t\right)=\underset{t\&le;i\&le;L-1}{\mathrm{\&Sigma;}}\mathrm{ip}\left(i\right)/w_1\left(t\right).$

图像总平均值为：

u=w₀(t)u₀(t)+w₁(t)u₁(t)，（10）

当t使得值：

g(t)=w₀(t)(u₀(t)-u)²+w₁(t)(u₁(t)-u)²，（11）

取得最大值时t即为分割的最佳阈值。

式(8)中，以k₁、k₂取最大值和最小值时，对图像进行分割，得到最小火焰区域S_min和最大火焰区域S_max。t取最佳分割阈值时，火焰区域的面积S_t∈(S_min,S_max)。

烟雾识别：

图像小波分析可以图像高低频部分的不同小波系数。由于山火烟雾具有半透明的特性，烟雾对图像的遮挡作用，导致图像区域变得模糊，边缘和细节信息减小，对应小波系数的减少。因此可采用小波方法分析烟雾的出现。

烟雾图像的能量识别判据

对在相同的拍摄角度和焦距的图像数据进行小波变换，对比判断是否产生烟雾。由于烟雾对可见光的漫反射，使得图片烟雾部分的照度和灰度值发生变化。

小波变换可将图像信号分解为高、低频两部分。对比前后图像的小波能量值可作为烟雾特征的判据。通过小波能量值识别图像是否被烟雾模糊化的判据为：

ΔE_Li=E_L(i+1)(x,y)-E_Li(x,y)>E_L,thres，（12）

式中，E_Li(x,y)为尺度d1的某时刻正常情况参考图像的低频能量，E_L,thres为烟雾识别的阈值。

烟雾图像分割：

山火中，由于燃烧物主要为树木，烟雾颗粒的颜色较浅，同时具有半透明特性，会削弱图像中物体的色彩饱和度，而其他运动物体对物体的色彩饱和度基本无影响。因此，与参考图像中物体颜色特性进行对比作为山火烟雾的识别判据。

山火烟雾的HSV特征：

0≤H≤0.17，（13）

0.16≤S≤0.31，（14）

0.73≤V≤1，（15）

对图片中具有以上HSV特征的像素的含量的计算：

$a_N=\frac{N_{\mathrm{HSV}}}{N},---\left(16\right)$

式中：N_HSV为识别区域中具有以上HSV特征的像素，N为区域中总像素。

烟雾识别的颜色特性判据为：

a_N>a_N,thres，（17）

通过颜色特性对图片区域进行分割，可以得到烟雾的图像。

天际线识别：

由于天气变化容易对图像差分运算产生影响，火烧云和雾气等天气现象也会对火焰和烟雾识别产生重大干扰。为了提高识别准确率，同时减小图像识别面积，本文采用天际线识别技术将图像中天空和地面部分分割。

通过Canny边缘检测算法可以对图像中各个特征部分进行轮廓识别。对比轮廓线的延续性长度，角度，高度差，对比度；得到天际轮廓线；将静态图片分为天空部分和地面部分。

具体轮廓线判断的判据如下：

天际线的角度在0°角上下波动；天际线上升和下降的像素角度之间的呈对称比例；天际线的平均垂直高度差较小的边界。

设单位区域内边界线的角为A(x)，垂直高度差为h(x)。若这一界线的单位区域的角度和、平均垂直高度差分布为：

$\underset{x=1}{\overset{t}{\mathrm{\&Sigma;}}}A\left(x\right)<A_{\mathrm{thres}},---\left(18\right)$

$\underset{x=1}{\overset{t}{\mathrm{\&Sigma;}}}\frac{h\left(x\right)}{x}<h_{\mathrm{thres}},---\left(19\right)$

式中，t为划分单位区域的个数，A_thes、h_thes分别为单位区域的角度和、平均垂直高度差整定判据。

天际线识别结果分析：

天际线识别可以滤除天空部分的原图像的背景图像，效果如图1(a)所示：

如图1（b）所示，Canny边缘检测之后，得到图像边缘，此时的图像包含很多杂乱的轮廓线。通过对图像内轮廓的角度以及垂直高度差的分布情况识别，分离出天际线，如图1（c）所示。

山火火焰识别结果分析：

如图2（a）所示，为输电线路图像监测***拍摄的图像，分辨率为320×240。拍摄时间为下午3时，天气晴朗，阳光反射强烈；在距离摄像头约300米处，人为燃烧落叶等杂物产生的火焰。利用基于本文提出算法的软件对图片进行识别。如图2（b）所示，为式（2）的处理之后效果，图片中产生了较多的干扰。式（8）的处理之后效果如图2（c）所示，仅剩火焰中心部分。

如图3（a）所示，是输电线路图像监测***拍摄的模拟山火图像，经过式（8）处理之后，滤除图3（b）中的红色绝缘子和红土干扰部分，得到如图3(c)所示的火焰提取图像（最佳分割阀值）。

山火烟雾识别结果分析：

根据烟雾的饱和度、颜色、光谱能量特性可以定义烟雾识别判据，模拟识别实验中发现对烟烟雾识别的误报主要来自于背景图像的改变。山林地区中，新的开荒、建设，季节的交替，植被的生长、枯萎都有可能大面积改变图像背景。采用实时更新的参考图像可以大大减小序列图片以上因素对背景产生改变而导致的误警。

本文采用山火烟雾的HSV特征对图像烟雾部分进行分割，分割前的的分割效果如图4（a）所示，分割后的效果图4（b）所示。

南方森林地区，早晨多雾，而雾气对图像中的特征值的影响与火灾烟雾极为相似。结合输电线路杆塔上的微气象***，可以对因气象条件变化产生的影响加以识别，减小因天气因素导致的误识别。雾气出现时，湿度很大，森林火险等级低，可以通过微气象***监测得到的湿度数据对烟雾识别判据做出适当的调整，以适应复杂地理、气象条件对火灾识别***的影响。

输电线路山火图像监测***：

山火图像预警流程：

山火的发展过程中，烟雾总是先于火焰面积出现，但是在夜晚或光线较暗的情况下，摄像头难以捕捉到烟雾特征图像。从静态图像上，山火产生的烟雾与自然产生雾气难以区分；且火焰识别的计算量小于烟雾的小波能量识别，火焰识别能更快完成。因此，输电线路山火图像识别过程中火焰识别与烟雾识别应同时进行。

本文基于现有输电线路图像在线监测***，结合异常情况检测、天际线识别、山火火焰识别、山火图像分割、山火烟雾图像识别、山火烟雾图像分割等算法，提出了输电线路山火图像预警方法，具体的流程如图5所示：

最新采集的图像与前一时刻正常情况的参考图像进行差分运算；

若图像异常部分面积大于整定值f_i,thres时，对图像进行降噪滤波处理；进行天际线识别，分割天空和地面的图像；同时启动烟雾和火焰图像识别算法。

提取烟雾特征后，对比图像的小波能量值，当其大于整定值E_H,thres时；对比采集图像与参考图像的颜色特性，当颜色特性大于整定判据a_N,thres时，发出山火预警信号。

同时，进行火焰图像识别，天际线识别后，从地面图像部分提取颜色特征量，对满足式（8）部分的面积进行滤波，得到火焰图像面积，大于整定值S_i,thres时，发出山火预警信号。

与微气象***结合：

现有输电线路在线监测***已有温度、气压、风速、湿度等传感器，所采集的微气象数据可以作为***山火等级的综合评估参数。根据森林火险等级预报，图像采集***采用不同采集时间间隔，调整图像采集的密度。

同时，将集中信息算法相结合，调整识别过程中各层间的判据整定值，形成开放性的探测***，以适应复杂多变的火灾环境，提高图像识别山火的精度。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种输电线路杆塔图像监测***的山火图像识别方法，其特征在于，包括以下步骤：

步骤1、通过输电线路杆塔上微气象在线监测***的数据对森林火险等级做出评级，根据评级调整在线监测***采集图像的频率；

步骤2、采用图像差分原理检测图像异常情况；

步骤3、对图像进行天际线分割；

步骤4、对图像是否存在火焰区域进行判断；

步骤5、对图像是否存在烟雾区域进行判断；

步骤6、判断是否出现火情，如果出现火情，则进行预警。

2.根据权利要求1所述的输电线路杆塔图像监测***的山火图像识别方法，其特征在于，所述步骤2包括以下步骤：

步骤2-1、选定第i帧正常情况图像作为参考图像，为M×N图像，记为f_r(x,y)；

步骤2-2、将第i+1帧图像与参考图像作差分运算，记为：

Δf_i(x,y)=f_i+1(x,y)-f_r(x,y)；

当Δf_i(x,y)>f_i,thres时，判断图像中有异常情况发生，进入图像天际线分割；

当Δf_i(x,y)<f_i,thres时，判断图像中无异常情况发生，同时将第i+1帧图像f_i+1(x,y)作为参考图像f_r(x,y)；

其中，f_i(x,y)为某时刻正常情况参考图像的像素，f_i,thres为判断有异常情况发生时的图像像素阈值；

步骤2-3、把f_i,thres作为判断有异常情况发生时的图像像素阈值。

3.根据权利要求1所述的输电线路杆塔图像监测***的山火图像识别方法，其特征在于，所述步骤3包括以下步骤：

步骤3-1、通过Canny边缘检测算法可以对图像中各个特征部分进行轮廓识别；

步骤3-2、对比轮廓线的延续性长度、角度、高度差和对比度，得到天际轮廓线；

步骤3-3、将静态图片分为天空部分和地面部分。

对所述轮廓线进行判断的判据如下：

天际线的角度在0°角上下波动；

天际线上升和下降的像素角度之间的呈对称比例；天际线的平均垂直高度差较小的边界；

设单位区域内边界线的角记为A(x)，垂直高度差记为h(x)；

单位区域的角度和为

且平均垂直高度差分布为 $\underset{x=1}{\overset{t}{\mathrm{\&Sigma;}}}\frac{h\left(x\right)}{x}<h_{\mathrm{thres}}$ 时表示天际轮廓线；

其中，t表示划分单位区域的个数，A_thres表示单位区域的角度和整定判据、h_thres表示平均垂直高度差整定判据。

4.根据权利要求1所述的输电线路杆塔图像监测***的山火图像识别方法，其特征在于，所述步骤4包括以下步骤：

步骤4-1、提取图像火焰颜色分量数值，所述图像火焰颜色分量数值的RGB特征为：

R≥k₁G≥k₂B,R≥230，

式中，k₁和k₂是根据摄像头的图像饱和特性以及对比背景的复杂程度求得的系数；

在字图像HSV颜色模型中，H、S和V的参数分别表示色调、饱和度和亮度；而数字成像CCD/CMOS对亮度空间更为敏感，相对背景植被的漫反射部分，火焰的饱和度和亮度更高；

步骤4-2、分析山火图像，当山火图像的HSV值满足H的取值范围为0～0.17、S的取值范围为0～1且V的取值范围为0.4～1时，判定为火焰像素。

5.根据权利要求1所述的输电线路杆塔图像监测***的山火图像识别方法，其特征在于，所述步骤5包括以下步骤：

步骤5-1、通过小波变换将图像信号分解为高、低频两部分，对比前后图像的小波能量值作为烟雾特征的判据；

步骤5-2、通过小波能量值识别图像是否被烟雾模糊化的判据为：

ΔE_Li=E_L(i+1)(x,y)-E_Li(x,y)>E_L,thres，

其中，E_Li(x,y)为尺度d1的某时刻正常情况参考图像的低频能量，E_L,thres为烟雾识别的阈值；

步骤5-3、参考图像中物体颜色特性进行对比作为山火烟雾的识别判据，山火烟雾的HSV特征为：

0≤H≤0.17，

0.16≤S≤0.31，

0.73≤V≤1，

对图片中具有以上HSV特征的像素的含量的计算：

其中，N_HSV为识别区域中具有以上HSV特征的像素，N为区域中总像素；

烟雾识别的颜色特性判据为：a_N>a_N,thres；

步骤5-4、通过颜色特性对图片区域进行分割，得到烟雾的图像。

6.根据权利要求1所述的输电线路杆塔图像监测***的山火图像识别方法，其特征在于，在步骤4种，通过以下步骤对所述火焰区域采用动态阀值进行判断：

步骤（4.1）设f(x,y)为M×N图像(x,y)点的灰度值_,灰度级为L，假设f(x,y)的取值范围为[0,L-1]，记为G_L={0,1,2,…,L-1}，设P(i)为图像f(x,y)中灰度级i的频数,则灰度级出现的概率为： $P\left(i\right)=\frac{1}{M\&times;N}\underset{f(x,y)=t}{\mathrm{\&Sigma;}}f(x,y),$

其中，i∈G_L；

步骤（4.2）根据OTSU算法，记t为火焰区域与背景的分割阈值，火焰像素占图像比例为

火焰区域平均值为：

$u_0\left(t\right)=\underset{0\&le;i\&le;t}{\mathrm{\&Sigma;}}\mathrm{ip}\left(i\right)/w_0\left(t\right);$ 背景像素占图像比例为 $w_1\left(t\right)=\underset{t\&le;i\&le;L-1}{\mathrm{\&Sigma;}}p\left(i\right);$ 背景平均值为 $u_1\left(t\right)=\underset{t\&le;i\&le;L-1}{\mathrm{\&Sigma;}}\mathrm{ip}\left(i\right)/w_1\left(t\right);$

图像总平均值为：u=w₀(t)u₀(t)+w₁(t)u₁(t)；

当g(t)=w₀(t)(u₀(t)-u)²+w₁(t)(u₁(t)-u)²取得最大值时的t值，即为分割的最佳阈值。

7.根据权利要求1所述的输电线路杆塔图像监测***的山火图像识别方法，其特征在于，所述步骤6中，通过以下步骤对山火图像进行预警：

步骤6-1、最新采集的图像与前一时刻正常情况的参考图像进行差分运算；

若图像异常部分面积大于整定值f_i,thres时，对图像进行降噪滤波处理；进行天际线识别，分割天空和地面的图像；同时启动烟雾和火焰图像识别算法；

步骤6-2、提取烟雾特征后，对比图像的小波能量值，当其大于整定值E_H,thres时；对比采集图像与参考图像的颜色特性，当颜色特性大于整定判据a_N,thres时，发出山火预警信号；

步骤6-3、进行火焰图像识别，天际线识别后，从地面图像部分提取颜色特征量，对满足式R≥k₁G≥k₂B部分的面积进行滤波，得到火焰图像面积，当火焰图像面积大于整定值S_i,thres时，发出山火预警信号。

Images