CN108197540A - 一种基于surf的火灾图像特征提取与识别方法 - Google Patents

Abstract

本发明公开了一种基于SURF的火灾图像特征提取与识别方法，其涉及计算机视觉领域。本发明在深入分析火灾图像颜色和纹理特征的基础上，首先基于颜色直方图提取图像的颜色特征，再利用SURF算法计算两类图像的局部特征，计算量大大降低，并利用K均值聚类算法对局部特征计算出两类图像各自的聚类中心，最后基于特征点分别与火灾类图像及非火灾类图像聚类中心的距离进行火灾图像识别。本发明能够有效地利用火灾图像在颜色和纹理上远胜于其他图像视觉信息的辨识度的优势，将火灾图像与非火灾图像有效地区分开来，进而做到及时报警。

Description

一种基于SURF的火灾图像特征提取与识别方法

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于SURF的火灾图像特征提取与识别方法。

背景技术

随着计算机技术的发展，基于数字图像处理和计算机视觉的视频火灾检测方法已成为火灾检测领域的正要手段。传统的火灾报警是通过烟雾、温度来进行检测，相比基于图像的检测方法准确率低，因此对基于图像的火灾监控和火灾发生后及时报警进行研究一直都是火灾报警的重点。火灾图像上会呈现一些显著的特点，火焰区域多数呈橘红色，烟雾区域多数呈灰白色；从纹理上看，火灾区域与其他区域的区别比较明显。

基于特征的匹配方法利用的像素数较少，可以大大减少匹配计算量，Herbert Bay等提出的SURF(Speeded-Up Robust Features)特征在SIFT(Scale Invariant FeatureTransform)的基础上简化了图像金字塔分解的操作。SURF也是一种尺度、旋转不变的特征描述方法，对图像的卷积做近似处理，使得求解Hessian矩阵的计算量大大降低，运算时间相比SIFT减少了3倍以上。K均值算法是目前最常用的聚类算法之一，其目的是使各个样本与所在类别均值的误差平方和达到最小。K均值算法原理简单、具有计算速度快的特点。

发明内容

本发明的目的在于提出一种能够提高火灾图像识别的准确性和满足实时性需求的基于SURF的火灾图像特征提取与识别方法。

为实现本发明目的，本发明技术方案具体为：

一种基于SURF的火灾图像特征提取与识别方法，其包括以下步骤：

S1.从测试库中导入图像，并进行图像预处理和提取图像的HSV颜色特征；

S2.判断HSV颜色空间中与火灾图像的共有颜色特征是否存在重叠，若存在重叠，继续执行步骤S3，若不存在重叠，则将该图像识别为非火灾图像，直接执行步骤S6；

S3.利用SURF算法计算火灾类图像和非火灾类图像的局部特征；

S4.采用K均值聚类算法针对局部特征分别计算出火灾类图像和非火灾类图像的聚类中心；

S5.基于特征点分别与火灾类图像及非火灾类图像聚类中心的距离进行火灾图像识别；

S6.输出图像识别结果。

作为本发明技术方案的进一步改进，所述步骤S1在HSV颜色空间进行图像的颜色特征提取如下，

假设一幅图像在区间内共有T个灰度级，则定义其灰度直方图为如下函数：

H(1_m)＝n_m

其中，1_m是区间[0,I]内第m级亮度，n_m是亮度级为l_m像素总数，m＝1,2,...,T；

归一化直方图后得到：

其中，c(1_m)表示灰度级1_m出现的频率。

作为本发明技术方案的进一步改进，所述步骤S3包括以下步骤：

S3.1利用快速Hessian算子检测得到特征点，以特征点为中心，并以6s为半径的圆形区域内，对图像进行以4s×4s模板大小的Haar小波梯度运算，其中s为特征点的当前尺度；

S3.2对Haar小波的相应值使用σ＝2s的高斯加权函数进行加权运算，以每个特征点为中心、角度为π/3的扇形滑动窗口，获取特征点的主方向；具体地，对扇形滑动窗口以内的图像进行Haar小波的变换后，将Haar小波的相应值在dx方向和dy方向进行累加，最终得到一个向量，最大的Haar小波相应累加值对应的方向为特征点的主方向；

S3.3以特征点为中心，将坐标轴旋转到主方向，按主方向选取20σ×20σ的正方形区域，将该正方形区域划分为4×4个子区域，在每个子区域内计算Harr小波在x、y方向的响应d_x、d_y，每个子区域在x、y方向的响应d_x、d_y分别求和并生成了一个∑d_x，∑|d_x|，∑d_y，∑|d_y|的四维向量，这样每个特征点就有64维的描述向量，再进行归一化，形成最终的特征点描述子。

作为本发明技术方案的进一步改进，所述步骤S4具体包括假设要将n个数据对象中随机选择K个类别，使用K均值算法的步骤如下：

S4.1从n个数据对象中随机选择K个对象作为初始聚类中心；

S4.2根据每个聚类对象的中心对象，计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分；

S4.3计算新的中心对象，返回步骤S4.2，直至每个聚类不再发生变化时停止。

作为本发明技术方案的进一步改进，假设接近火灾图像的特征点数为a，初始值为0，接近非火灾图像的特征点数为b,初始值为0；

从测试图像特征当中提取某一特征点，该某一特征点与火灾类图像聚类中心距离为L1,与非火灾类图像聚类中心距离为L2，则比较L1是否小于L2，如果小于，则a＝a+1，若大于，则b＝b+1；

在特征点完全读取完毕后，通过计算a所占比例获得图像I的识别结果。

与现有技术相比，本发明具有以下有益效果：

本发明在深入分析火灾图像颜色和纹理特征的基础上，提出了一种基于颜色直方图、基于尺度不变特征转换的改进的SURF(Speeded-Up Robust Features)算法和K均值聚类算法的火灾图像特征提取与识别方法。本发明能够有效地利用火灾图像在颜色和纹理上远胜于其他图像视觉信息的辨识度的优势，将火灾图像与非火灾图像有效地区分开来，有利于做到及时报警。

附图说明

图1是本发明中的基于SURF的火灾图像特征提取与识别方法的流程图。

图2是本发明中判定为火灾图像的图像实例。

图3-4是本发明中判定为非火灾图像的图像实例。

具体实施方式

本发明为一种基于SURF的火灾图像特征提取与识别方法，该方法实际上可嵌入FPGA实现，开发具有火灾图像特征提取与识别的相机或摄像机。下面将结合本申请说明书附图，对本发明的一种基于SURF的火灾图像特征提取与识别方法的具体实施例做进一步详细说明，显然，所描述的实施例仅仅是本发明一部分实施例，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前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1所示，本具体实施例的方法具体包括以下步骤：

S1.从测试库中导入图像，并进行图像预处理和提取图像的HSV颜色特征；

作为一种区分图像内容的主要特征，颜色特征的提取与处理在图像识别过程中占据了重要位置。在图像处理中，常用的图像颜色模式有两种：RGB颜色模型和HSV颜色模型。其中，RGB颜色空间采用物理三基色表示，适合彩色显像管工作，但不适合彩色图像的处理，而HSV颜色模型不仅可以清晰地将图像汇总的颜色特征和亮度特征相区别，其在颜色的表示上所采用的色调及色彩饱和度更接近人眼感受颜色的方式。故HSV颜色模式在颜色特征检测方面较RGB模式更适合。

本发明具体采用颜色直方图方法提取图像的颜色特征，具体如下，假设一幅图像在区间[0,I]内共有T个灰度级，则定义其灰度直方图为如下函数：

H(1_m)＝n_m (1)

其中，1_m是区间[0,I]内第m级亮度，n_m是亮度级为l_m像素总数，m＝1,2,...,T。

归一化直方图后得到：

其中，c(1_m)表示灰度级1_m出现的频率。

S2.判断HSV颜色空间中与火灾图像的共有颜色特征是否存在重叠，若存在重叠，继续执行步骤S3，若不存在重叠，则将该图像识别为非火灾图像，执行步骤S6。

S3.利用SURF算法计算火灾类图像和非火灾类图像的局部特征；

SURF算法较之SIFT算法在计算速度和鲁棒性上有较大改进，已被广泛的应用于目标识别和跟踪。

其中，SURF算法通过图像二阶Hessian矩阵定义如下：

其中L_xx(x,σ)是高斯函数的二阶导数与图像I(x,y)在点(x,y)处的卷积，L_xy(x,σ)、L_yy(x,σ)分别为高斯二阶偏导数 与图像I(x,y)在点(x,y)处的卷积，其中二维高斯函数为：而Hessian矩阵行列式在尺度空间和图像空间的最大值点则被确定为特征点。

SURF算法利用快速Hessian算子检测得到特征点，随后对特征点进行精确定位，确定特征点的主方向，并构造特征向量，其具体步骤如下：

S3.1以特征点为中心，并以6s(s为特征点的当前尺度)为半径的圆形区域内，对图像进行以4s×4s模板大小的Haar小波梯度运算。对Haar小波的相应值使用σ＝2s的高斯加权函数进行加权运算。

S3.2以每个特征点为中心、角度为π/3的扇形滑动窗口，获取特征点的主方向。对扇形滑动窗口以内的图像进行Haar小波的变换后，Haar小波的相应值在dx方向和dy方向进行累加，最终得到一个向量。特征点的主方向为最大的Haar小波相应累加值对应的方向，也就是最长向量所对应的方向。

S3.3以特征点为中心，将坐标轴旋转到主方向，按主方向选取20σ×20σ的正方形区域，将该正方形区域划分为4×4个子区域，在每个子区域内计算Harr小波在x、y方向的响应d_x、d_y，每个子区域在x、y方向的响应d_x、d_y分别求和并生成了一个∑d_x，∑|d_x|，∑d_y，∑|d_y|的四维向量，这样每个特征点就有64维的描述向量，再进行归一化，形成最终的特征点描述子。

S4.采用K均值聚类算法针对局部特征分别计算出火灾类图像和非火灾类图像的聚类中心；

假设要将n个数据对象中随机选择K个类别，使用K均值算法的主要步骤为：

1)从n个数据对象中随机选择K个对象作为初始聚类中心；

2)根据每个聚类对象的中心对象，计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分；

3)计算新的中心对象，返回步骤2，当每个聚类不再发生变化时停止，得到火灾类图像与非火灾类图像的聚类中心。

S5.基于特征点分别与火灾类图像及非火灾类图像聚类中心的距离进行火灾图像识别。

假设接近火灾图像的特征点数为a，初始值为0，接近非火灾图像的特征点数为b,初始值为0，从测试图像特征当中提取某一特征点，该某一特征点与火灾类图像聚类中心距离为L1,与非火灾类图像聚类中心距离为L2，则比较L1是否小于L2，如果小于，则a＝a+1，若大于，则b＝b+1。

最后判断特征点是否完全读取完毕，当读取完毕时，通过计算a所占比例获得图像I的识别结果。

若a/(a+b)＞0.5，则该图像识别为火灾类图像，否则，该图像识别为非火灾类图像。

S6.输出图像识别结果。

综上，本发明通过颜色直方图初判、局部特征与聚类中心对比等步骤获得较好的识别结果，能够有效地将火灾图像和非火灾图像区分出来。区别于传统方法火灾检测，具有重要的应用价值。

以上实施例仅起到解释本发明技术方案的作用，本发明所要求的保护范围并不局限于上述实施例所述的实现***和具体实施步骤。因此，仅对上述实施例中具体的公式及算法进行简单替换，但其实质内容仍与本发明所述方法相一致的技术方案，均应属于本发明的保护范围。

Claims (5)

1.一种基于SURF的火灾图像特征提取与识别方法，其特征是，包括如下步骤：

S1.从测试库中导入图像，并进行图像预处理和提取图像的HSV颜色特征；

S2.判断HSV颜色空间中与火灾图像的共有颜色特征是否存在重叠，若存在重叠，继续执行步骤S3，若不存在重叠，则将该图像识别为非火灾图像，直接执行步骤S6；

S3.利用SURF算法计算火灾类图像和非火灾类图像的局部特征；

S4.采用K均值聚类算法针对局部特征分别计算出火灾类图像和非火灾类图像的聚类中心；

S5.基于特征点分别与火灾类图像及非火灾类图像聚类中心的距离进行火灾图像识别；

S6.输出图像识别结果。

2.根据权利要求1所述的一种基于SURF的火灾图像特征提取与识别方法，其特征在于，所述步骤S1在HSV颜色空间进行图像的颜色特征提取如下，

假设一幅图像在区间内共有T个灰度级，则定义其灰度直方图为如下函数：

H(1_m)＝n_m

其中，1_m是区间[0,I]内第m级亮度，n_m是亮度级为l_m像素总数，m＝1,2,...,T；

归一化直方图后得到：

其中，c(1_m)表示灰度级1_m出现的频率。

3.根据权利要求1或2所述的一种基于SURF的火灾图像特征提取与识别方法，其特征在于，所述步骤S3包括以下步骤：

S3.1利用快速Hessian算子检测得到特征点，以特征点为中心，并以6s为半径的圆形区域内，对图像进行以4s×4s模板大小的Haar小波梯度运算，其中s为特征点的当前尺度；

S3.2对Haar小波的相应值使用σ＝2s的高斯加权函数进行加权运算，以每个特征点为中心、角度为π/3的扇形滑动窗口，获取特征点的主方向；具体地，对扇形滑动窗口以内的图像进行Haar小波的变换后，将Haar小波的相应值在dx方向和dy方向进行累加，最终得到一个向量，最大的Haar小波相应累加值对应的方向为特征点的主方向；

S3.3以特征点为中心，将坐标轴旋转到主方向，按主方向选取20σ×20σ的正方形区域，将该正方形区域划分为4×4个子区域，在每个子区域内计算Harr小波在x、y方向的响应d_x、d_y，每个子区域在x、y方向的响应d_x、d_y分别求和并生成了一个∑d_x，∑|d_x|，∑d_y，∑|d_y|的四维向量，这样每个特征点就有64维的描述向量，再进行归一化，形成最终的特征点描述子。

4.根据权利要求1所述的一种基于SURF的火灾图像特征提取与识别方法，其特征是，所述步骤S4具体包括假设要将n个数据对象中随机选择K个类别，使用K均值算法的步骤如下：

S4.1从n个数据对象中随机选择K个对象作为初始聚类中心；

S4.2根据每个聚类对象的中心对象，计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分；

S4.3计算新的中心对象，返回步骤S4.2，直至每个聚类不再发生变化时停止。

5.根据权利要求1所述的一种基于SURF的火灾图像特征提取与识别方法，其特征是，所述步骤S5具体包括：假设接近火灾图像的特征点数为a，初始值为0，接近非火灾图像的特征点数为b,初始值为0；

从测试图像特征当中提取某一特征点，该某一特征点与火灾类图像聚类中心距离为L1,与非火灾类图像聚类中心距离为L2，则比较L1是否小于L2，如果小于，则a＝a+1，若大于，则b＝b+1；

在特征点完全读取完毕后，通过计算a所占比例获得图像I的识别结果。