基于码书模型的森林火情自动检测

李国良

（中国林业科学研究院高原林业研究所,云南昆明，650233）

0 引言

森林火灾被公认为世界八大自然灾害之一[1]，具有突发性强、破坏性大、救助困难等特点，给地球环境和人类生产生活带来的巨大危害及损失直接影响社会安定。预防工作是防止森林火灾发生的先决条件，越来越受到世界各国重视，因此开展森林火情自动检测研究对预防森林火灾具有重要意义。

当森林火灾发生时，森林图像中作为火情特征的浓烟和火焰相对于正常森林场景呈现出非常明显的运动状态，因此可以将正常的森林场景视为背景信息，将火情特征视为运动目标前景信息，将计算机码书模型应用于森林火情检测，满足检测的实时性和精确性[2]。

1 码书模型实现森林火情自动检测

传统码书模型[3]通过对每个像素点建立一个码书来记录背景信息实现前景分割[4]，具有很好的前景分割性能，本文基于该思想通过优化传统码书模型实现森林火情自动检测。

1.1 码书与码字的结构定义

为森林图像数据中的每一个像素建立一个基于时间序列地码书,当前像素的码书为CodeBook= {c1,c2,…cL}，其中有L个码字。码字的颜色向量信息为。码字元素为。码字元素中保存着能反应火情是否发生的亮度值特征，其中和在码字为空时分别表示码字对应像素的最小亮度值和最大亮度值，码字不为空时分别表示码字的最小亮度值和最大亮度值，可根据二者计算出码字的亮度变化范围[Ilow,Ihigh]，即像素点属于背景的最小与最大亮度范围。fi为码字的匹配次数，用于得到背景模型对应的背景图像。λi为码字最大消极步长，即该码字出现的最大时间间隔。pi和qi表示码字第一次出现和最后一次出现的次数，用于计算匹配次数。

1.2 码书模型的背景构造与更新

定义码书和码字的结构后，选取300帧大小统一为1024*720的无人机传回数据作为码书模型的训练序列，训练构造码书背景模型，将像素的亮度值设为I= {i1,i2,…i1024*720}，总共1024*720个像素，ij(j= 1,…1024∗ 720)代表第t个像素的亮度值。为每个像素建立的码书为CodeBook= {c1,c2,…cL}，码书中的若干个码字数目与场景的变化幅度有关，剧烈变化的码书中码字数目较多。由于森林场景中的背景变化复杂，所以本文将标准码书模型简化，降低计算复杂度。

具体的背景码书模型构造与更新过程：

（1）初始化码书。为码书申请空间，码书和码字都置为空。

（2）计算每个像素的亮度值。训练序列中图像的像素连续采样值为V= {v1,v2,…v300}，即同一个像素在不同时间的连续采样值。其中第t帧图像的采样像素点vt(t= 1,… 300)根据当前像素亮度值公式计算亮度值为。

（3）码书背景模型构造与更新。根据本文判据每输入一帧图像都会进行码字匹配，如果未匹配成功，就新建一个码字cl，新码字的颜色向量为，新码字元素为。如果匹配成功，则将码字融入背景模型，依据码字更新公式将匹配的码字cm的码字颜色向量和码字元素分别更新。

（4）由于采用的训练序列中存在噪声干扰，也可能包含火情。所以在训练的过程中利用λi过滤掉表示噪声和火情的码字，得到较纯净的背景码书：。

反复进行过程4和5的步骤，直至完成码书背景模型的训练，我们就可以得到准确反映森林场景变化的背景模型。

1.3 森林火情目标检测

在码书背景模型训练完成后，对原始图像进行火情目标检测，遍历图像的所有像素，根据已经生成的背景模型逐像素与对应码字进行匹配，判断是否属于背景码书。匹配成功的判定为属于背景像素，不成功地为火情像素，以此实现森林火情目标检测。

目标检测步骤：

（1）逐帧读取待检测的原始图像。

（2）计算原始图像中每一个像素的亮度值：

（3）根据本文判据到已训练完成的码书背景模型中进行码字匹配，如果匹配则判定该像素为背景像素，不包含火情信息。不匹配则判定该像素为火情像素，继续检测下一像素直至所有像素被遍历。

（4）完成每一帧中所有像素的检测后得到若干火情区域，将判定为背景的像素点的像素值置为0，判定为火情的像素点的像素值置为1，得到火情区域二值图像。

（5）输出火情区域二值图像，得到基于码书模型的检测结果，检测结束。

通过码书模型对不同程度的火情进行目标检测，得到了图1所示实验结果，检测结果中的白色部分即为本文方法判定的火情发生区域，由于背景区域中存在点状和线状的噪声，会对后续实验造成干扰，所以需要进一步去除背景噪声。

图1 森林火情目标检测

2 中值滤波去噪

中值滤波算法[5]是去除固定值脉冲噪声的经典方法，森林火情接近于恒定信号，中值滤波可以使输出信号呈一致性，较完整保留图像内的火情信息。本文设置滤波窗口为5×5，实现背景噪声完全去除。

3 设定阈值自动检测火情

中值滤波完全消除背景噪声，完整确定火情区域。由于二值化图像的像素值为0和1两种离散值，因此将列像素和[6]作为是否发生火情的判据。求出每列像素值之和存入数组A(i)，从图像通道序列号i=1开始遍历A(i),当满足A(i)＞T这一判据时，判定当前数据中存在森林火情。

图3为以图像通道为横轴，列像素和为纵轴绘制的统计直方图，三个图分别对应图2。图中出现的大尖峰说明发生了森林火情，此起彼伏的小尖峰则为零散的小火情，结合原始图像中的火情发生情况，将阈值T设置为5000实现自动检测。

图2 中值滤波去噪后图像

图3 列像素和统计直方图

4 总结与展望

本文的码书模型计算量、占用内存均很小，在较强大的计算机硬件设备支撑下，接近于实时检测。每个像素的码书模型可以在一定时长后重新更新，能适应较长时段后森林火情的发展变化，检测准确率高。

本文方法可对白天森林图像中的所有火情获得很好的检测效果。但对于夜间森林图像，仅能保证火焰火情检测的准确率，烟雾火情的准确率不高，未来将在本文基础上开展提高夜间烟雾火情检测准确率的研究。