CN106339657B - 基于监控视频的秸秆焚烧监测方法、装置 - Google Patents
基于监控视频的秸秆焚烧监测方法、装置 Download PDFInfo
- Publication number
- CN106339657B CN106339657B CN201510400389.3A CN201510400389A CN106339657B CN 106339657 B CN106339657 B CN 106339657B CN 201510400389 A CN201510400389 A CN 201510400389A CN 106339657 B CN106339657 B CN 106339657B
- Authority
- CN
- China
- Prior art keywords
- image
- crop straw
- straw burning
- pixel
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于监控视频的秸秆焚烧监测方法。本发明方法基于实时性好且易于获取的监控视频,利用视频图像处理技术以及模式识别技术对视频图像进行分析处理,对视频监控区域内的秸秆焚烧事件进行智能识别并报警。本发明方法首先训练分类器,并利用下采样预处理方法克服正负样本不平衡问题,然后利用分类器对秸秆焚烧事件进行初步识别,再利用反映烟火图像梯度边缘信息的颜色梯度幅度值对分类器的初步识别结果进行修正,从而可得到更准确的监测结果。本发明还公开了一种基于监控视频的秸秆焚烧监测装置。相比现有技术,本发明可利用监控视频对秸秆焚烧进行全智能监测,且监测结果准确度更高,实时性更好。
Description
技术领域
本发明涉及视频图像智能识别技术领域,尤其涉及一种基于监控视频的秸秆焚烧监测方法、装置。
背景技术
近年来,农作物秸秆成为农村面源污染的新源头。每年夏收和秋冬之际,总有大量的小麦、玉米等秸秆在田间焚烧,产生了大量浓重的烟雾,不仅成为农村环境保护的瓶颈问题,甚至成为殃及城市环境的罪魁祸首。当下备受诟病的雾霾天气,其中一个可能诱因是秸秆燃烧。因此,各级管理部门和环保单位对于秸秆燃烧的防范需求也变得日益迫切起来。
目前针对秸秆防燃应用场景,常见的方法是通过卫星遥感图像来分析处理。然而,卫星遥感存在时效性差和空间分辨率低的问题,参数对比如下表。
另外,就基层环保单位而言,很难获取遥感卫星图像。因此卫星遥感技术多以省市以上环保部门使用,主要功能是解决事后定责问题,而非事先防范问题。
随着物联网技术和相关技术的迅速应用,在秸秆燃烧防范技术上已经有所突破,例如,通过无人航拍,视频监控等方法,对秸秆燃烧重点区域实时采集图像,并监控以达到秸秆防燃的目的。然而这类视频监控的方法依然存在一个问题——就是视频场景依然需要专人不间断值守,依然耗费人力物力。
目前在山林防火方面,已出现了部分基于视频监控图像的智能识别技术,可根据监控视频智能地对山林火灾进行监测。然而,由于使用场景具有不同的特点,这些技术无法适用于秸秆焚烧的智能监测。例如,一份中国专利申请(申请号为CN201410043121,名称为“一种输电线路杆塔图像监测***的山火图像识别方法”)公开了一种输电线路杆塔图像监测***的山火图像识别方法,该发明采用颜色特征阈值和Otsu图像分割方法提取火焰区域,采用小波变换提取烟雾模糊化特征,并采用另一组颜色特征阈值进行分析;由于山火易发于干燥天气,该发明需要利用湿度监测数据进行辅助判断;而田间秸秆焚烧监测无法获得这些辅助监测数据,而且几乎任何天气情况下都可能有人偷偷焚烧秸秆,固定颜色特征阈值参数显然不能适用。
秸秆焚烧由于是人为引起,是全天候的,并且农田附近有村庄民居、高速公路、树林、河流湖泊等复杂场景,因此需要一种更加鲁棒、有效的智能监测方法。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种基于监控视频的秸秆焚烧监测方法,可利用监控视频对秸秆焚烧进行全智能监测,且监测结果准确度更高,实时性更好。
本发明基于监控视频的秸秆焚烧监测方法,包括以下步骤:
步骤A、获取存在秸秆焚烧的图像正样本和不存在秸秆焚烧的图像负样本,并利用下采样方法缩减不存在秸秆焚烧的图像负样本的样本数量,得到训练样本集;然后提取训练样本集中各训练样本的图像特征,对二类分类器模型进行训练,得到分类器;
步骤B、获取监控视频的当前帧图像相对于参考帧图像的绝对差图像,并对绝对差图像进行二值化处理:将绝对差图像中天际线以下部分中像素值大于预设阈值的像素设置为目标,其余像素均设置为背景,得到二值绝对差图像;
步骤C、利用滑动窗口对所述二值绝对差图像中天际线以下部分进行逐像素扫描,如当前窗口中目标像素所占比例超过预设比例阈值,则将当前帧图像中对应于当前窗口位置的窗口图像的图像特征输入所述分类器进行分类,所述比例阈值的取值范围为10%~70%;如分类结果为存在秸秆焚烧且当前帧图像中对应于当前窗口位置的窗口图像的颜色梯度幅度值小于预设梯度阈值,则判定当前帧图像中存在一个秸秆焚烧事件。
优选地,所述下采样方法为串行聚类方法,具体如下:以第一个图像负样本作为一个样本簇;从第二个图像负样本开始,依次判断该图像负样本在预设特征空间中与已经存在的各样本簇中心之间的最小欧氏距离是否大于预设距离阈值,如是,则将该图像负样本作为一个新的样本簇,如否,则将该图像负样本划入距离最近的已存在样本簇中;在所有图像负样本处理完成后,将当前各样本簇的中心作为新的图像负样本。优选地,所述预设特征空间为HSL颜色空间的归一化直方图特征所构成的特征空间。
优选地,所述图像特征为HSL颜色空间的直方图特征与局部二值模式特征的组合。
上述技术方案中可采用现有的各种天际线检测方法,为了进一步降低算法复杂度,提高监测实时性,优选地,所述天际线利用以下方法检测得到:
步骤1、利用沈俊边缘检测算子中对称的指数函数滤波器对当前帧图像进行垂直方向快速递归滤波,得到滤波图像;
步骤2、对滤波图像与当前帧图像的差值图像进行二值化处理:将所有的正值像素都赋值为1,而其它像素都为0;
步骤3、对所得到的二值图像进行膨胀处理;
步骤4、对膨胀处理后的图像进行黑白像素反相,然后进行贴标签处理,记最上部背景区域为天空区域;
步骤5、对膨胀处理后的图像中属于天空区域的各像素分别进行处理:如以当前像素为中心的3×3像素大小的邻域中存在一个以上值为1的像素,则将当前像素标记为目标像素,否则标记为背景,从而得到新的图像;
步骤6、利用霍夫变换对步骤5所得到新的图像进行直线检测,并从所检测到的直线中取其上目标像素最多的一条作为天际线。
优选地,图像的颜色梯度幅度值通过以下方法得到:对RGB颜色空间中该图像的三个颜色分量图像,分别以各颜色分量图像中所有像素的Sobel梯度幅值之和作为该颜色分量图像的Sobel梯度幅值,然后从三个颜色分量图像的Sobel梯度幅值中选择最大值作为该图像的颜色梯度幅度值。
优选地,所述二类分类器模型为支持向量机分类模型。
优选地,所述监控视频通过安装在移动通信基站塔体上部的视频监控设备获取得到。
根据相同的发明思路还可以得到以下技术方案:
基于监控视频的秸秆焚烧监测装置,包括:
视频采集单元,用于实时获取待监测区域的监控视频;
二值绝对差图像获取单元,用于获取监控视频的当前帧图像相对于参考帧图像的绝对差图像,并对绝对差图像进行二值化处理:将绝对差图像中天际线以下部分中像素值大于预设阈值的像素设置为目标,其余像素均设置为背景,得到二值绝对差图像;
秸秆焚烧事件判定单元,包括分类器、颜色梯度幅度值计算模块、扫描模块;其中,所述分类器按照以下方法预先训练得到:获取存在秸秆焚烧的图像正样本和不存在秸秆焚烧的图像负样本,并利用下采样方法缩减不存在秸秆焚烧的图像负样本的样本数量,得到训练样本集;然后提取训练样本集中各训练样本的图像特征,对二类分类器模型进行训练;所述颜色梯度幅度值计算模块用于计算当前帧图像中对应于当前窗口位置的窗口图像的颜色梯度幅度值;所述扫描模块用于利用滑动窗口对所述二值绝对差图像中天际线以下部分进行逐像素扫描,如当前窗口中目标像素所占比例超过预设比例阈值,则将当前帧图像中对应于当前窗口位置的窗口图像的图像特征输入所述分类器进行分类,所述比例阈值的取值范围为10%~70%;如分类结果为存在秸秆焚烧且当前帧图像中对应于当前窗口位置的窗口图像的颜色梯度幅度值小于预设梯度阈值,则判定当前帧图像中存在一个秸秆焚烧事件。
优选地,所述下采样方法为串行聚类方法,具体如下:以第一个图像负样本作为一个样本簇;从第二个图像负样本开始,依次判断该图像负样本在预设特征空间中与已经存在的各样本簇中心之间的最小欧氏距离是否大于预设距离阈值,如是,则将该图像负样本作为一个新的样本簇,如否,则将该图像负样本划入距离最近的已存在样本簇中;在所有图像负样本处理完成后,将当前各样本簇的中心作为新的图像负样本。优选地,所述预设特征空间为HSL颜色空间的归一化直方图特征所构成的特征空间。
优选地,所述图像特征为HSL颜色空间的直方图特征与局部二值模式特征的组合。
优选地,所述天际线利用以下方法检测得到:
步骤1、利用沈俊边缘检测算子中对称的指数函数滤波器对当前帧图像进行垂直方向快速递归滤波,得到滤波图像;
步骤2、对滤波图像与当前帧图像的差值图像进行二值化处理:将所有的正值像素都赋值为1,而其它像素都为0;
步骤3、对所得到的二值图像进行膨胀处理;
步骤4、对膨胀处理后的图像进行黑白像素反相,然后进行贴标签处理,记最上部背景区域为天空区域;
步骤5、对膨胀处理后的图像中属于天空区域的各像素分别进行处理:如以当前像素为中心的3×3像素大小的邻域中存在一个以上值为1的像素,则将当前像素标记为目标像素,否则标记为背景,从而得到新的图像;
步骤6、利用霍夫变换对步骤5所得到新的图像进行直线检测,并从所检测到的直线中取其上目标像素最多的一条作为天际线。
优选地,所述颜色梯度幅度值计算模块通过以下方法计算图像的颜色梯度幅度值:对RGB颜色空间中该图像的三个颜色分量图像,分别以各颜色分量图像中所有像素的Sobel梯度幅值之和作为该颜色分量图像的Sobel梯度幅值,然后从三个颜色分量图像的Sobel梯度幅值中选择最大值作为该图像的颜色梯度幅度值。
优选地,所述二类分类器模型为支持向量机分类模型。
优选地,所述视频采集单元为安装在移动通信基站塔体上部的视频监控设备。
进一步地,所述基于监控视频的秸秆焚烧监测装置还包括秸秆焚烧事件计数器及报警单元;秸秆焚烧事件计数器用于统计秸秆焚烧事件判定单元所判定的当前帧图像中所存在的秸秆焚烧事件数量;报警单元用于将当前帧图像中所存在的秸秆焚烧事件数量与预设报警阈值进行比较,如大于报警阈值,则进行报警。
相比现有技术,本发明具有以下有益效果:
本发明依托图像处理分析技术,紧密结合环保行业的技术趋势,针对用户已有的视频监控获取的图像信号实时分析处理,以实现7*24小时、实时、自动监测并对秸秆燃烧场景做出快速预警;
本发明针对训练样本不平衡问题,主要是正样本数远远少于负样本数,如果不进行预处理,则很容易发生训练精度99%,而检测率几乎为0的情况,提出利用串行聚类方法缩减负训练样本数,使分类器对烟火燃烧的正样本识别精度大幅提高;
本发明根据秸秆焚烧监测的实际场景,提出了一种全新的快速天际线检测方法,一方面可以减少处理范围,提高识别速度和精度,另一方面降低由于天空云彩的运动引起的误检测;
本发明在分类器的分类结果基础上,进一步结合颜色梯度幅度值进行综合判断,有效提升了监测准确度,降低了误报率。
附图说明
图1为本发明方法的流程示意图;
图2为具体实施方式中的当前帧图像;
图3为对当前帧图像进行垂直方向快速递归滤波并二值化后的滤波图像;
图4为膨胀操作后的滤波图像;
图5为贴标签处理后得到的天空区域图像;
图6为对属于天空区域的各像素分别进行处理后得到的新的图像;
图7为利用霍夫变换检测出的直线;
图8为叠加了天际线的当前帧图像;
图9为当前帧图像中利用分类器初步识别的秸秆焚烧事件。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
本发明的思路是基于实时性好且易于获取的监控视频,利用视频图像处理技术以及模式识别技术对视频图像进行分析处理,对视频监控区域内的秸秆焚烧事件进行智能识别并报警。本发明方法首先训练分类器,然后利用分类器对秸秆焚烧事件进行初步识别,再利用反映烟火图像梯度边缘信息的颜色梯度幅度值对分类器的初步识别结果进行修正,从而可得到更准确的监测结果。
本发明监测方法的基本流程如图1所示,主要包括训练阶段和实时监测阶段,下面分别进行详细说明。
一、训练阶段:
步骤1、获取存在秸秆焚烧的图像正样本和不存在秸秆焚烧的图像负样本,并对其进行预处理。
由于收集烟火燃耗图像样本较难,获得的正例样本数一般较少,而未燃耗样本(负例样本)则很多,因此出现了训练样本不平衡问题,主要是正样本数远远少于负样本数,如果不进行预处理,则很容易发生训练精度99%,而检测率几乎为0的情况。常规模型训练中的训练样本是由人工选择的,并没有考虑到不平衡样本分类问题,而人工选择样本对该领域的研究人员来说有一定难度。因此有必要对样本进行预处理以克服训练样本不平衡问题。
为了使正反例样本达到平衡,机器学***衡样本分类问题。
常用的下采样方法包括随机下采样和聚类等方法,为了保留更多对分类有利的信息,本发明优先选用串行聚类方法缩减负训练样本数,避免一般聚类方法需要设定聚类数目的问题,使分类器对烟火燃烧的正样本识别精度大大提高。串行聚类方法具体如下:以第一个图像负样本作为一个样本簇;从第二个图像负样本开始,依次判断该图像负样本在预设特征空间中与已经存在的各样本簇中心之间的最小欧氏距离是否大于预设距离阈值,如是,则将该图像负样本作为一个新的样本簇,如否,则将该图像负样本划入距离最近的已存在样本簇中;在所有图像负样本处理完成后,将当前各样本簇的中心作为新的图像负样本。
在使用串行聚类方法缩减负训练样本数时,可以采用现有的各类图像特征,本发明优选采用HSL颜色空间的归一化直方图特征。对于每一个图像负样本,如果在HSL颜色空间的归一化直方图特征空间中它到已经存在的样本簇的中心的最小欧几里得距离大于预先设定的阈值(优选值为0.6)的话,就增加一个新簇;否则,它就属于离它最近的中心所在的簇。当所有的负样本处理完成后,以每个簇中心样本作为新的图像负样本,与原有正图像样本一起构成训练集。
步骤2、提取训练样本集中各训练样本的图像特征,对二类分类器模型进行训练,得到分类器。
对于不同应用场景而言,图像特征的合理选择会直接影响最终的结果。对于秸秆焚烧监测而言,本发明优选颜色特征和纹理特征的组合。在秸秆焚烧图像中,要么有燃烧产生的烟雾,要么有明火,或者两者同时出现;并且在燃烧过程中,烟雾和火焰的形状会随时间发生变化。因此,本发明提取的颜色特征为HSL颜色空间的直方图特征;常用的纹理特征有Gabor滤波纹理特征和LBP(Local Binary Patterns,局部二值模式)特征,由于LBP特征提取速度较快,能够满足秸秆焚烧监测中的时效性要求,并且对灰度变化具有鲁棒性,本发明优选采用的纹理特征为LBP特征。以上两种图像特征均为现有技术,下面对其具体提取方法进行简要说明:
(1)HSL颜色空间的直方图特征:
对于图像中的一个像素,根据其H,L,S分量的值分别量化到8个bin中,然后由这8个bin组合成8*8*8=512个bin,并统计总的像素个数,最后进行归一化。
(2)LBP特征:
局部二值模式是一种有效的纹理描述算子,它具有旋转不变性和灰度不变性等显著的优点,近年来在人脸识别、遥感等领域得到广泛应用。本发明采用的LBP算子定义为在3×3的窗口,以窗口中心像素点为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心点的值,则该像素位置被标记1,否则为0。这样,3×3邻域内的8个点可产生一个8-bit的无符号数,再按其位置赋以不同权重求和得一个整数,即得到该窗口的LBP值,最后统计图像(窗口子图像)内所有像素的LBP值形成LBP直方图纹理特征。更详细内容可参见文献[Ojala T,Pietikinen M,Menp T.Gray scale and rotation invariant textureclassification with local binary patterns[C]//Proceedings of IEEE EuropeanConference on Computer Vision,Lecture Notes in Computer Science.BerlinHeidelberg:Springer,2000,1842:404-420.]。
本发明可采用现有的各种二类分类器模型,例如支持向量机(Support VectorMachine,简称SVM)、Bayesian分类器、BP神经网络、k-最近邻分类器等,鉴于SVM在处理小样本问题上表现出的良好能力,本发明优选采用其作为分类器。SVM理论目前已经比较成熟且应用广泛,在此不再多做介绍。
二、实时监测阶段:
步骤1、获取目标区域的监测视频:
监测视频可以通过自行架设的视频采集设备获取,也可以利用已有的视频采集设备的资源,例如电力部门架设在输电线路杆塔上的视频图像采集设备,或者通信公司架设在移动通信基站塔体上部的视频监控设备。为了获得更大的监测范围,本发明优选采用架设在移动通信基站塔体上部的视频监控设备所获取的监控视频,例如江苏***新近研发出的“蓝天卫士”***,其利用基站铁塔资源,在田间铁塔顶端安装网络高清球机摄像头,可获得大覆盖范围的监控视频。图2即为利用“蓝天卫士”***获取的监控视频中的一帧图像。
步骤2、获取监控视频的当前帧图像相对于参考帧图像的绝对差图像,并对绝对差图像进行二值化处理:将绝对差图像中天际线以下部分中像素值大于预设阈值的像素设置为目标,其余像素均设置为背景,得到二值绝对差图像:
本步骤的目的是通过检测监控视频中当前帧图像与参考帧图像之间的场景变化来缩小图像识别的范围。现有场景变化检测方法较多,如背景差法、帧差法、光流法等,由于秸秆焚烧监测摄像头的镜头可以推拉控制,其背景往往不固定,而光流法计算复杂度较高,不适合快速监测预警***,因此本发明优先采用帧差法进行场景变化检测。同时,由于本发明解决的是农村秸秆焚烧监测预警,摄像头一般架设在通信运营商的信号基站架上,监测范围很广,图像上部相当一部分是天空。为了避免对云的移动误检测为烟雾,同时降低后续处理的计算量,本发明先检测出天际线,然后对天际线以下部分进行识别,这样能够避免对天空中云的移动的误检测,并提高整个监测过程的实时性。
本发明可采用现有的各种天际线检测方法,为了进一步降低算法复杂度,提高监测实时性,本发明针对秸秆焚烧监测的特定场景特点,提出了一种更快速的天际线检测方法,具体如下:
步骤(1)、利用沈俊边缘检测算子(沈俊,基于多边界模型的边缘检测,模式识别与人工智能,1989年第2期1-10)中对称的指数函数滤波器对当前帧图像进行垂直方向快速递归滤波,得到滤波图像;
假设用f0(i,j)表示当前帧图像对应的灰度图像,则上述滤波过程的数学表达如下:
f1(i,j)=f1(i-1,j)+a0×[f0(i,j)-f1(i-1,j)] i=1,2,…,n
(1)
f2(i,j)=f2(i+1,j)+a0×[f1(i,j)-f2(i+1,j)] i=n,n-1,…,1
(2)
f2(i,j)即为所得到的滤波图像,其中,a0为取值范围在(0,1)间的一个系数,优选的取值为0.5。
步骤(2)、对滤波图像f2(i,j)与当前帧图像f0(i,j)的差值图像进行二值化处理:将所有的正值像素都赋值为1,而其它像素都为0,得到二值图像S;图3即为对当前帧图像(图2)进行垂直方向快速递归滤波并二值化后的滤波图像。
步骤(3)、对所得到的二值图像进行膨胀处理,得到图像S1;图4显示了图3膨胀处理后的结果。
步骤(4)、对膨胀处理后的图像S1进行黑白像素反相,然后进行贴标签处理,记最上部背景区域为天空区域;图5中最大连通背景区域即为贴标签处理得到的天空区域。
步骤(5)、对步骤(3)所得到图像S1中属于天空区域的各像素分别进行处理:如以当前像素为中心的3×3像素大小的邻域中存在一个以上值为1的像素,则将当前像素标记为目标像素(设置像素值为1),否则标记为背景(设置像素值为0),从而得到新的图像S2;图6即为对属于天空区域的各像素分别进行处理后得到的图像(天空区域与地面之间的边界像素)。
步骤(6)、利用霍夫(Hough)变换对步骤5所得到新的图像S2进行直线检测,并从所检测到的直线中取其上目标像素最多的一条作为天际线。图7为利用霍夫变换检测出的直线,图8为叠加了天际线的当前帧图像。
假设以监控视频的某一帧为参考帧图像I1,时间t(具体值可根据实际需要选择,例如5分钟、10分钟等)之后的帧图像为当前帧图像I2,首先计算出两帧图像的绝对差图像I3=|I2-I1|,然后在天际线以下部分对绝对差图像I3进行阈值分割,凡是像素值大于某个阈值的像素均置为1,其他像素置为0;在天际线以上部分所有像素置为0;从而得到图像B。
步骤3、利用滑动窗口对所述二值绝对差图像中天际线以下部分进行逐像素扫描,如当前窗口中目标像素所占比例超过预设比例阈值,则将当前帧图像中对应于当前窗口位置的窗口图像的图像特征输入所述分类器进行分类:
例如,在图像B中以滑动窗口W进行逐像素扫描,如果当前窗口内像素值为1的像素数目超过一个比例阈值P,则对相同位置的当前帧图像I2中的相应的窗口子图像提取HSL直方图特征和LBP特征,利用训练好的分类器进行分类,初步判断其是否发生燃烧。其中滑动窗口W的大小可根据具体监控视频的图像帧大小选取16*16,32*32,48*48等尺寸。比例阈值P的范围为10%~70%,本发明优选25%。图9显示了当前帧图像中利用分类器初步识别的秸秆焚烧事件,图中的每一个方框表示初步识别为烟火燃烧的图像子窗口。
步骤4、对于分类结果为存在秸秆焚烧的窗口子图像,进一步判断其颜色梯度幅度值是否小于预设梯度阈值,如是,则判定当前帧图像中存在一个秸秆焚烧事件:
虽然SVM分类器具有良好的识别性能,但有时候还会将行驶的红色汽车、白色运动物体误识别为烟火目标,本发明基于存在烟火的子图像块的边缘较弱,背景模糊等特点,提出在彩色图像的RGB三个通道子图像进行梯度边缘信息提取,从初步分类结果中排除边缘特征显著的子图像区域,进一步降低误警率。
其中颜色梯度幅度值通过以下方法得到:对RGB颜色空间中该图像的三个颜色分量图像,分别以各颜色分量图像中所有像素的Sobel梯度幅值之和作为该颜色分量图像的Sobel梯度幅值,然后从三个颜色分量图像的Sobel梯度幅值中选择最大值作为该图像的颜色梯度幅度值。具体计算方法如下:
分别对该子图像窗口的三个颜色分量RGB通道图像计算Sobel梯度幅度,分别记为Gr,Gg,Gb,则该子图像窗口对应的颜色梯度幅度值为三者之中最大的,即max(Gr,Gg,Gb)。各颜色分量图像的Sobel梯度幅度为每个像素Sobel梯度幅度值的和,以R通道图像f为例,
其中M为子图像窗口尺寸,||.||表示矢量长度,即为梯度幅度值。
其中梯度阈值优选为10000。
每检测到一个秸秆焚烧事件,则将秸秆焚烧事件计数器count(初始值为0)加1,当整幅图像扫描完成后,秸秆焚烧事件计数器count的值即为监测到的秸秆焚烧事件。
步骤5、判断秸秆焚烧事件计数器count的值是否达到预设的报警阈值,如是,则利用声、光、消息窗弹出、短信息等手段进行报警,提示该时刻该摄像头监控范围内有人焚烧秸秆。由于秸秆焚烧产生的烟火在图像中表现为区域性事件,不是孤立发生的,因此本发明设置一个报警阈值(本实施例中为3),当若干子图像窗口同时被识别为秸秆焚烧时,才进行报警,这样可以降低误报率。
步骤6、将当前帧图像I2设置为参考帧图像,经过时间t后开始下一轮监测。
本发明经在南京某地区实际试用,检测率达到99%,误报(虚警数)一天只有10次左右,完全能够满足秸秆焚烧监测预警的实际需求。
Claims (17)
1.基于监控视频的秸秆焚烧监测方法,其特征在于,包括以下步骤:
步骤A、获取存在秸秆焚烧的图像正样本和不存在秸秆焚烧的图像负样本,并利用下采样方法缩减不存在秸秆焚烧的图像负样本的样本数量,得到训练样本集;然后提取训练样本集中各训练样本的图像特征,对二类分类器模型进行训练,得到分类器;
步骤B、获取监控视频的当前帧图像相对于参考帧图像的绝对差图像,并对绝对差图像进行二值化处理:将绝对差图像中天际线以下部分中像素值大于预设阈值的像素设置为目标,其余像素均设置为背景,得到二值绝对差图像;
步骤C、利用滑动窗口对所述二值绝对差图像中天际线以下部分进行逐像素扫描,如当前窗口中目标像素所占比例超过预设比例阈值,则将当前帧图像中对应于当前窗口位置的窗口图像的图像特征输入所述分类器进行分类,所述预设比例阈值的取值范围为10%~70%;如分类结果为存在秸秆焚烧且当前帧图像中对应于当前窗口位置的窗口图像的颜色梯度幅度值小于预设梯度阈值,则判定当前帧图像中存在一个秸秆焚烧事件。
2.如权利要求1所述基于监控视频的秸秆焚烧监测方法,其特征在于,所述下采样方法为串行聚类方法,具体如下:以第一个图像负样本作为一个样本簇;从第二个图像负样本开始,依次判断该图像负样本在预设特征空间中与已经存在的各样本簇中心之间的最小欧氏距离是否大于预设距离阈值,如是,则将该图像负样本作为一个新的样本簇,如否,则将该图像负样本划入距离最近的已存在样本簇中;在所有图像负样本处理完成后,将当前各样本簇的中心作为新的图像负样本。
3.如权利要求2所述基于监控视频的秸秆焚烧监测方法,其特征在于,所述预设特征空间为HSL颜色空间的归一化直方图特征所构成的特征空间。
4.如权利要求1所述基于监控视频的秸秆焚烧监测方法,其特征在于,所述图像特征为HSL颜色空间的直方图特征与局部二值模式特征的组合。
5.如权利要求1所述基于监控视频的秸秆焚烧监测方法,其特征在于,所述天际线利用以下方法检测得到:
步骤1、利用沈俊边缘检测算子中对称的指数函数滤波器对当前帧图像进行垂直方向快速递归滤波,得到滤波图像;
步骤2、对滤波图像与当前帧图像的差值图像进行二值化处理:将所有的正值像素都赋值为1,而其它像素都为0;
步骤3、对所得到的二值图像进行膨胀处理;
步骤4、对膨胀处理后的图像进行黑白像素反相,然后进行贴标签处理,记最上部背景区域为天空区域;
步骤5、对膨胀处理后的图像中属于天空区域的各像素分别进行处理:如以当前像素为中心的3×3像素大小的邻域中存在一个以上值为1的像素,则将当前像素标记为目标像素,否则标记为背景,从而得到新的图像;
步骤6、利用霍夫变换对步骤5所得到新的图像进行直线检测,并从所检测到的直线中取其上目标像素最多的一条作为天际线。
6.如权利要求1所述基于监控视频的秸秆焚烧监测方法,其特征在于,图像的颜色梯度幅度值通过以下方法得到:对RGB颜色空间中该图像的三个颜色分量图像,分别以各颜色分量图像中所有像素的Sobel梯度幅值之和作为该颜色分量图像的Sobel梯度幅值,然后从三个颜色分量图像的Sobel梯度幅值中选择最大值作为该图像的颜色梯度幅度值。
7.如权利要求1所述基于监控视频的秸秆焚烧监测方法,其特征在于,所述二类分类器模型为支持向量机分类模型。
8.如权利要求1所述基于监控视频的秸秆焚烧监测方法,其特征在于,所述监控视频通过安装在移动通信基站塔体上部的视频监控设备获取得到。
9.基于监控视频的秸秆焚烧监测装置,其特征在于,包括:
视频采集单元,用于实时获取待监测区域的监控视频;
二值绝对差图像获取单元,用于获取监控视频的当前帧图像相对于参考帧图像的绝对差图像,并对绝对差图像进行二值化处理:将绝对差图像中天际线以下部分中像素值大于预设阈值的像素设置为目标,其余像素均设置为背景,得到二值绝对差图像;
秸秆焚烧事件判定单元,包括分类器、颜色梯度幅度值计算模块、扫描模块;其中,所述分类器按照以下方法预先训练得到:获取存在秸秆焚烧的图像正样本和不存在秸秆焚烧的图像负样本,并利用下采样方法缩减不存在秸秆焚烧的图像负样本的样本数量,得到训练样本集;然后提取训练样本集中各训练样本的图像特征,对二类分类器模型进行训练;所述颜色梯度幅度值计算模块用于计算当前帧图像中对应于当前窗口位置的窗口图像的颜色梯度幅度值;所述扫描模块用于利用滑动窗口对所述二值绝对差图像中天际线以下部分进行逐像素扫描,如当前窗口中目标像素所占比例超过预设比例阈值,则将当前帧图像中对应于当前窗口位置的窗口图像的图像特征输入所述分类器进行分类,所述预设比例阈值的取值范围为10%~70%;如分类结果为存在秸秆焚烧且当前帧图像中对应于当前窗口位置的窗口图像的颜色梯度幅度值小于预设梯度阈值,则判定当前帧图像中存在一个秸秆焚烧事件。
10.如权利要求9所述基于监控视频的秸秆焚烧监测装置,其特征在于,所述下采样方法为串行聚类方法,具体如下:以第一个图像负样本作为一个样本簇;从第二个图像负样本开始,依次判断该图像负样本在预设特征空间中与已经存在的各样本簇中心之间的最小欧氏距离是否大于预设距离阈值,如是,则将该图像负样本作为一个新的样本簇,如否,则将该图像负样本划入距离最近的已存在样本簇中;在所有图像负样本处理完成后,将当前各样本簇的中心作为新的图像负样本。
11.如权利要求10所述基于监控视频的秸秆焚烧监测装置,其特征在于,所述预设特征空间为HSL颜色空间的归一化直方图特征所构成的特征空间。
12.如权利要求9所述基于监控视频的秸秆焚烧监测装置,其特征在于,所述图像特征为HSL颜色空间的直方图特征与局部二值模式特征的组合。
13.如权利要求9所述基于监控视频的秸秆焚烧监测装置,其特征在于,所述天际线利用以下方法检测得到:
步骤1、利用沈俊边缘检测算子中对称的指数函数滤波器对当前帧图像进行垂直方向快速递归滤波,得到滤波图像;
步骤2、对滤波图像与当前帧图像的差值图像进行二值化处理:将所有的正值像素都赋值为1,而其它像素都为0;
步骤3、对所得到的二值图像进行膨胀处理;
步骤4、对膨胀处理后的图像进行黑白像素反相,然后进行贴标签处理,记最上部背景区域为天空区域;
步骤5、对膨胀处理后的图像中属于天空区域的各像素分别进行处理:如以当前像素为中心的3×3像素大小的邻域中存在一个以上值为1的像素,则将当前像素标记为目标像素,否则标记为背景,从而得到新的图像;
步骤6、利用霍夫变换对步骤5所得到新的图像进行直线检测,并从所检测到的直线中取其上目标像素最多的一条作为天际线。
14.如权利要求9所述基于监控视频的秸秆焚烧监测装置,其特征在于,所述颜色梯度幅度值计算模块通过以下方法计算图像的颜色梯度幅度值:对RGB颜色空间中该图像的三个颜色分量图像,分别以各颜色分量图像中所有像素的Sobel梯度幅值之和作为该颜色分量图像的Sobel梯度幅值,然后从三个颜色分量图像的Sobel梯度幅值中选择最大值作为该图像的颜色梯度幅度值。
15.如权利要求9所述基于监控视频的秸秆焚烧监测装置,其特征在于,所述二类分类器模型为支持向量机分类模型。
16.如权利要求9所述基于监控视频的秸秆焚烧监测装置,其特征在于,所述视频采集单元为安装在移动通信基站塔体上部的视频监控设备。
17.如权利要求9所述基于监控视频的秸秆焚烧监测装置,其特征在于,还包括秸秆焚烧事件计数器及报警单元;秸秆焚烧事件计数器用于统计秸秆焚烧事件判定单元所判定的当前帧图像中所存在的秸秆焚烧事件数量;报警单元用于将当前帧图像中所存在的秸秆焚烧事件数量与预设报警阈值进行比较,如大于报警阈值,则进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510400389.3A CN106339657B (zh) | 2015-07-09 | 2015-07-09 | 基于监控视频的秸秆焚烧监测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510400389.3A CN106339657B (zh) | 2015-07-09 | 2015-07-09 | 基于监控视频的秸秆焚烧监测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106339657A CN106339657A (zh) | 2017-01-18 |
CN106339657B true CN106339657B (zh) | 2019-02-22 |
Family
ID=57826388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510400389.3A Active CN106339657B (zh) | 2015-07-09 | 2015-07-09 | 基于监控视频的秸秆焚烧监测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106339657B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997461B (zh) | 2017-03-28 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种烟火检测方法及装置 |
CN108182706B (zh) * | 2017-12-08 | 2021-09-28 | 重庆广睿达科技有限公司 | 一种焚烧物的监控方法及*** |
CN108279287B (zh) * | 2018-02-01 | 2020-12-18 | 嘉兴市丰成五金材料股份有限公司 | 基于通信技术的烟雾快速散发*** |
CN108777777A (zh) * | 2018-05-04 | 2018-11-09 | 江苏理工学院 | 一种基于深度神经网络的监控视频秸秆焚烧巡检方法 |
CN111131688B (zh) * | 2018-10-31 | 2021-04-23 | Tcl科技集团股份有限公司 | 一种图像处理方法、装置及移动终端 |
CN111462451B (zh) * | 2019-11-01 | 2022-04-26 | 武汉纺织大学 | 基于视频信息的秸秆焚烧检测报警*** |
CN112381802A (zh) * | 2020-11-17 | 2021-02-19 | 中国科学院长春光学精密机械与物理研究所 | 一种图像变化检测方法、装置、电子设备及存储介质 |
CN114202868B (zh) * | 2021-12-06 | 2022-11-04 | 九江礼涞生物科技有限公司 | 一种综合治理典型农业面源污染的*** |
CN116047546B (zh) * | 2022-07-07 | 2024-02-27 | 北京玖天气象科技有限公司 | 基于多源卫星数据的山火监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441771A (zh) * | 2008-12-19 | 2009-05-27 | 中国科学技术大学 | 基于色彩饱和度与运动模式的视频火灾烟雾检测方法 |
CN101626489A (zh) * | 2008-07-10 | 2010-01-13 | 苏国政 | 无人值守目标智能识别与自动跟踪的方法及其*** |
CN101751744A (zh) * | 2008-12-10 | 2010-06-23 | 中国科学院自动化研究所 | 一种烟雾检测和预警方法 |
CN102116861A (zh) * | 2011-02-01 | 2011-07-06 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的秸秆焚烧点提取方法 |
CN203324798U (zh) * | 2013-03-19 | 2013-12-04 | 南通纺织职业技术学院 | 秸秆焚烧监控*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW508940B (en) * | 2000-03-28 | 2002-11-01 | Omnivision Tech Inc | Method and apparatus for color image date processing and compression |
-
2015
- 2015-07-09 CN CN201510400389.3A patent/CN106339657B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101626489A (zh) * | 2008-07-10 | 2010-01-13 | 苏国政 | 无人值守目标智能识别与自动跟踪的方法及其*** |
CN101751744A (zh) * | 2008-12-10 | 2010-06-23 | 中国科学院自动化研究所 | 一种烟雾检测和预警方法 |
CN101441771A (zh) * | 2008-12-19 | 2009-05-27 | 中国科学技术大学 | 基于色彩饱和度与运动模式的视频火灾烟雾检测方法 |
CN102116861A (zh) * | 2011-02-01 | 2011-07-06 | 环境保护部卫星环境应用中心 | 基于环境一号卫星的秸秆焚烧点提取方法 |
CN203324798U (zh) * | 2013-03-19 | 2013-12-04 | 南通纺织职业技术学院 | 秸秆焚烧监控*** |
Also Published As
Publication number | Publication date |
---|---|
CN106339657A (zh) | 2017-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN104303193B (zh) | 基于聚类的目标分类 | |
CN102163284B (zh) | 面向中文环境的复杂场景文本定位方法 | |
CN103069434B (zh) | 用于多模式视频事件索引的方法和*** | |
CN106934386B (zh) | 一种基于自启发式策略的自然场景文字检测方法及*** | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN103020992B (zh) | 一种基于运动颜色关联的视频图像显著性检测方法 | |
CN102521565A (zh) | 低分辨率视频的服装识别方法及*** | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN104268528A (zh) | 一种人群聚集区域检测方法和装置 | |
Mahlisch et al. | A multiple detector approach to low-resolution FIR pedestrian recognition | |
CN106331636A (zh) | 基于行为事件触发的输油管道智能视频监控***及方法 | |
CN101980242A (zh) | 人脸面相判别方法、***及公共安全*** | |
CN101447023B (zh) | 人头检测方法和*** | |
CN104463232A (zh) | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 | |
CN110263693A (zh) | 结合帧间差分与贝叶斯分类器的车辆行人检测识别方法 | |
CN107705254A (zh) | 一种基于街景图的城市环境评估方法 | |
CN105069816B (zh) | 一种进出口人流量统计的方法及*** | |
CN106709438A (zh) | 一种基于视频会议的人数统计方法 | |
CN112183472A (zh) | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 | |
CN104036250A (zh) | 视频行人检测与跟踪方法 | |
CN102663362A (zh) | 一种基于灰度特征的运动目标检测方法 | |
Zhu et al. | Fast detection of moving object based on improved frame-difference method | |
CN108509950A (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |