一种基于深度学习的无人机森林火焰识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111062293A(43)申请公布日2020.04.24(21)申请号201911259736.X(22)申请日2019.12.10(71)申请人太原理工大学地址030024山西省太原市迎泽西大街79号(72)发明人陈德鹏贾华宇李战峰覃志强(74)专利代理机构太原高欣科创专利代理事务所(普通合伙)14109代理人冷锦超邓东东(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于深度学习的无人机森林火焰识别方法(57)摘要本发明涉及一种基于深度学习的无人机森林火焰识别方法，属于无人机视觉与数字图像处理技术领域，首先运用直方图均衡化、多级中值滤波算法对返回的火焰图像进行预处理，接着采用颜色空间模型算法对视频进行疑似火焰像素进行检测，然后利用数学形态学对视频图像进行开运算处理；本发明利用改进的中值滤波去除视频图像的噪声，相较于普通中值滤波，改进后的滤波不仅保留了其在光学测量图象的相位分析处理方法中有特殊作用，同时还采用了条纹中心分析方法，通过扩大窗口来相对地减少冲激噪声空间密度使得图像的细节更好，同时提高了处理效率。CN111062293ACN111062293A权利要求书1/2页1.一种基于深度学习的无人机森林火焰识别方法，其特征在于，具体包括以下步骤：1)获取无人机视觉范围内的视频；2)对获取的视频进行分帧处理，获得一系列图像；3)对图像进行增强对比度效果的预处理；4)利用改进的中值滤波算法进一步处理经过所述预处理的图片；所述的改进的中值滤波是通过扩大窗口来相对地减少冲激噪声空间密度；5)对疑似火焰的图片像素进行识别；所述识别是综合RGB和HSV两个模型提取火焰区域，判断是否为运动像素，同时满足颜色特征和运动特征的像素被识别为疑似火焰像素图像；6)对图像进行形态学处理，消除图像中小于领域内点的孤立异常值；7)结合深度学习神经网络算法-YOLO，对检测到的火焰目标进行实时跟踪识别。2.根据权利要求1所述的一种基于深度学习的无人机森林火焰识别方法，其特征在于，所述的改进的中值滤波具体方法为：设S(z，y)表示中心像素点(x，y)在滤波时所对应的掩模窗口，令Z1为S(x，y)中的灰度最小值，Z2为S(x，y)中的灰度最大值，Z3为S(z，Y)中的灰度中值，Z(z，Y)为在坐标(z，y)上的灰度，S为S(x，y)允许的最大尺寸，自适应中值滤波器算法工作的2个层面定义为A层和B层；其中灰度中值Z3的计算方法结合了均值思想，把排序得到的中值与窗口中所有像素点的均值加权得到灰度中值，所述中值的权重为0.3，均值的权重为0.7；A层：ZA1＝Zmed-ZminZA2＝Zmax-Zmed当ZA1＞T(T为阈值)，且ZA2＞T则转到B层，否则，增大窗口尺寸；如果窗口尺寸小于则重复A层；否则，输出Z(x，y)；B层：ZB1＝Z(x，y)-Zmin，ZB2＝Zmax-Z(x，y)，当ZR1＞T，ZB2＞T，则输出Z(x，y)；否则输出ZmedA层用来判断是否为一脉冲，B层用来判断Z(x，y)是否为一脉冲；当A层和B层都不是，算法就利用输出一个不变的像素值Z(x，y)来代替领域中值作为输出，以避免不必要的细节损失；所述算法中阈值T的计算方法为：给定一个可接受的信噪比M；先初始化一个阈值T；通过上述算法获得一个新的图像，计算其信噪比Mn，如果Mn大于M，将T/2赋值给T，则再次计算信噪比，接受当前T值作为阈值。3.根据权利要求1所述的一种基于深度学习的无人机森林火焰识别方法，其特征在于，所述对图像进行增强对比度效果的预处理是进行直方图均衡化处理。4.根据权利要求1所述的一种基于深度学习的无人机森林火焰识别方法，其特征在于，对疑似火焰的图片像素进行识别，具体为：先利用火焰的颜色特征来排除大量的无关视频，颜色像素检测依据规则为：规则1：R>G>＝B规则2：R>150规则3：S>0.32CN111062293A权利要求书2/2页上述规则中R代表火焰的红色分量，G代表火焰的绿色分量，B代表火焰的蓝色分量，S代表火焰的饱和度，规则1和规则2说明火焰的颜色以红色分量为主，而且与其他对象相比，火焰的值更大；规则3中，用火焰像素的饱和度来排除那些非火焰对象的像素；RGB和HSV结合起来提取火焰区域；其次，运用运动检测的方法识别其是否为运动像素，以过滤类似火焰颜色像素的静态像素；动态像素检测是通过比较相邻两帧对应像素点的灰度值变化，计算公式如下：ΔF(i,j,t)＝1如果|I(i,j,t-1)|>TΔF(i,j,t)＝0其中I(i,j,t)，表示第t帧的像素的强度；综合RGB和HSV两个模型提取火焰区域，