无人机森林火灾监测中火情检测方法研究

2016-01-11张增,王兵,伍小洁等

遥感信息 2015年1期

无人机森林火灾监测中火情检测方法研究

张增，王兵，伍小洁，赵恩伟

(天津航天中为数据系统科技有限公司，天津 300301)

摘要：本文将无人机遥感的高清可见光图像用于森林火灾的监测，监测过程包括森林火灾检测、火灾区域分割、特征提取、火灾识别。首先，选择RGB颜色空间进行森林火灾的检测，在大幅减少单张图像的计算量的同时，也排除了大部分无火图像。其次，选择HSV颜色空间完成图像分割，得到完整性较好的火灾区域。最后基于灰度共生矩阵和火灾区域边缘图像提取了火灾区域的多维特征，并用支持向量机完成了火灾识别过程。本文算法对森林火灾的检测率可达到87.7%，识别率达到89.2%，表明该算法用于森林火灾监测效果较好。

关键词：森林火灾；颜色空间；灰度共生矩阵；纹理分析；支持向量机

doi:10.3969/j.issn.1000-3177.2015.01.018

中图分类号：TP751文献标识码：A

收稿日期：2014-02-18修订日期：2014-05-04

基金项目：973计划课题(2012CB719901)；中央高校基本科研业务费专项资金项目(SWJTU10ZT02)。

作者简介：赵婷婷(1988～)，女，硕士研究生，主要从事遥感影像处理与分析研究。

收稿日期：2014-01-06修订日期：2014-03-19

基金项目：国家自然科学

作者简介：袁敏(1991～)，女，硕士研究生，主要从事资源环境遥感方面的研究。

收稿日期：2014-02-08修订日期：2014-03-10

基金项目：重庆市教委科技项目(KJ1401028)；重庆三峡学院校级科研项目(KJ131108)。

作者简介：徐蓉(1984～)，女，博士，研究方向为国土资源遥感。

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

森林是一种非常重要的自然资源，它不仅能够提供丰富的林业产品，而且对于大气环境的调节作用非常明显。我国每年有上万次森林火灾发生，造成严重的森林资源破坏、环境污染、经济和财产损失。目前我国的林火监测体系分为卫星监测、航空巡护、地面监测三种监测手段[1]，其中航空巡护相对于卫星遥感地面分辨率更高，巡护响应更快。近年来快速发展的无人机遥感技术为航空巡护增添了一种新手段，在森林火灾的防控中发挥了重要作用。无人机可以携带各种载荷进行拍摄，本文利用无人机拍摄的高清图像进行森林火灾的监测。

2森林火灾的检测与分割

2.1森林火灾的检测

使用无人机遥感的高分辨率图像确定森林火灾要经过检测、分割、识别等过程，检测的目的是为了确定图像中有无可疑的火灾区域以确定是否进行后续的分割、识别处理。无人机地面站接收、显示的图像均使用RGB颜色空间。森林火灾的检测在RGB颜色空间进行可有效避免颜色空间的转换过程，节约检测时间。森林火灾在RGB颜色模型中一般满足式(1)～式(4)。

火焰各像素点的颜色分量关系：

R(x，y)≥G(x，y)≥B(x，y)

(1)

火焰颜色分量大于某个阈值[2]：

R(x，y)>Th

(2)

火焰像素点的亮度大于给定的阈值[3]，即满足以下公式：

Y=0.299R(x，y)+0.587G(x，y)+0.114B(x，y)

(3)

红色饱和度：

(4)

文献[2-3]中使用以上方法进行火灾区域分割，在实际的分割实验中存在分割不完全、间断区域较多的特点。若是使用以上方式进行森林火灾检测，对于高清晰度图像来说限制条件多、计算量较大、漏检率偏高。对大量的森林火灾图像分析表明，森林火灾区域包含红色、黄色或偏向于红色、红色的区域，有些亮度较大的区域也可能出现泛白色，而森林火灾图像中几乎都存在红色、黄色区域。在对大量森林火灾图像进行统计发现，森林火灾区域中大都存在满足以下关系的区域

R(x，y)-G(x，y)>T1

(5)

G(x，y)-B(x，y)>T2

(6)

其中，T1>0，T2>0，当T1，T2取值较小时误检率较高，一般来讲随着T1，T2的增大，检测区域亮度增大、误检率减少、漏检率增大，实际中一般取T1，T2=40～60。对于高清的可见光图像来说，使用式(5)、式(6)进行检测可以显著减少检测时间、排除大部分无火图像。

图1　可见光森林火灾图像及检测结果

2.2火场区域的分割

在RGB颜色空间检测后的图像火场区域存在间断、不完整的特点，不宜作为火灾分割图像。RGB颜色空间内R(红色)、G(绿色)、B(蓝色)相关度很高，无法用单一的参数实现对火灾区域的分割。而HSV颜色空间能够反映人眼的视觉特性[4]，其三要素H(色调)、S(饱和度)、V(亮度)的相关性比R、G、B的相关性要小得多。从RGB空间到HSV空间的转换关系如下：

V=max(R，G，B)

(7)

(8)

(9)

H=H+360(当H<0)

(10)

将HSV三个分量转化至0～255范围内，森林火灾的H、S、V分量图像如图2所示。

图2　森林火灾图像HSV空间分量图像

将森林火灾图像转化至HSV空间后，需要进行火灾区域的分割。Otsu法是常用的图像分割方法，根据图像的灰度特征将图像划分为目标和背景两种类型。分别对S、V分量进行阈值分割，分割结果如下：

图3　S、V分量分割结果

取S与V分量分割结果的亮色交集区域进行形态学操作后作为最后的分割结果，如图4所示。

图4　森林火灾HSV空间分割结果

3森林火灾的特征提取

在完成森林火灾区域的分割之后，需要进行森林火灾特征的提取。在森林火灾的检测中发现，地物干扰多为红色或黄色的房屋、车辆、干枯的树木、杂草，干扰物体的内部纹理与火灾的内部纹理差异明显，可以使用纹理特征识别森林火灾。一种有效提取纹理特征的方式是以灰度共生矩阵为基础的，设一幅二维数字图像f(x，y)，其分辨率为M×N，灰度级为Ng。

P(i，j)=#{x1，y1}，(x2，y2)∈M×N丨f(x1，y1)=

i，f(x2，y2)=j

(11)

图5　火灾区域及干扰区域边缘检测图像

4基于支持向量机的森林火灾识别算法

支持向量机(SVM)，起初由Vapnik[6]提出时，是作为寻求最优(在一定程度上)二分类器的一种技术，后来它又被拓展到回归和聚类应用。SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。SVM的关键在于确定合适的核函数。SVM常用的核函数有线性、多项式、径向基、sigmoid型函数[7]。

选择200幅火灾及干扰图像用于纹理及内部边缘特征的SVM训练，300幅火灾及干扰图像用于识别实验，采用各核函数时的识别结果见表1。

表1　SVM采用不同核函数时的识别结果

从表1可以看出，选择径向基函数作为SVM的核函数进行识别时期识别准确率最高，故本文算法选择径向基函数作为SVM的核函数进行森林火灾识别。

基于无人机高清图像的森林火灾识别流程如下：

图6　森林火灾识别流程图

5实验结果

对典型的森林图像进行识别后得到结果，从森林火灾中选取火灾图像及典型干扰图像，选取含有火灾的图像140幅，典型干扰图像60幅，提取纹理、边缘特征进行SVM训练。选择火灾图像100幅、无火图像200幅(强干扰图像40幅，弱干扰或无干扰图像160幅)做测试使用。在火灾的识别特征的选择上，分别采用纹理特征及纹理和内部边缘特征进行森林火灾的识别。

检测与识别的结果如100幅有火图像中检测到有火图像87幅，200幅无火图像检测到有火24幅，检测准确率为87.7%。仅使用纹理特征时在检测到的87幅有火图像中识别到有火图像75幅，使用纹理及内部边缘特征时识别到有火图像82幅。仅使用纹理特征识别24幅误判为有火的图像中识别到有火图像11幅，使用纹理及内部边缘特征时识别到有火图像7幅。

表2　森林火灾识别准确度统计

本文方法火灾检测准确率超过87%，检测算法运算简单，对于千万像素级别的高清图像来说，可以排除绝大部分无火图像的同时节约时间用于森林火灾识别过程。基于纹理与内部边缘特征的森林火灾识别准确率为89.2%，比仅使用纹理特征识别火源的方法准确度有较大提升，该方法适用于基于无人机遥感的森林火灾监测过程。

6结束语

本文利用无人机遥感的高清森林图像进行森林火灾监测，在多颜色空间实现了森林火灾的检测与识别。首先在RGB颜色空间利用改进的森林火灾检测方法，在不增加漏检率的前提下显著减少了计算量。在HSV空间使用OTSU实现了森林火灾区域的分割。对森林火灾区域利用纹理分析提取了能量、逆差距、相关、对比度、内部边缘等多维特征，并使用SVM完成森林火灾及干扰物的分类。利用本文方法对森林火灾的检测及识别准确度均大于87%，用于森林火灾的监测效果较好。利用HSV空间进行森林火灾的分割时，存在对亮白色的火灾区域难以分割的现象，需要继续改进。

参考文献：

[1]吴雪琼，覃先林，李程，等.我国林火监测体系现状分析[J].内蒙古林业调查设计，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]张国权，李战明，李向伟，等.HSV空间彩色图像分割研究[J].计算机工程与应用，2010，46(26)：179-181.

[5]刘龙飞，陈云浩，李京.遥感影像纹理分析方法综述与展望[J].遥感技术与应用，2003，18(6)：441-451.

[6]VAPNIK V.统计学习理论的本质[M].北京：清华大学出版社，2000.

[7]谢菲，陈雷霆，邱航.基于纹理特征的图像分类方法研究与系统实现[J].计算机应用研究，2009，26(7)：2765-2770.