论文部分内容阅读
森林火灾一旦发生,将很难扑救,不仅会造成经济损失惨重,而且会对生态平衡造成严重的破坏。利用视频图像对林区进行监测逐渐成为预防和监测森林火灾的重要手段。基于视频的森林火灾监测手段则可以很好的弥补传统林火监测手段的不足,视频监控不仅可以对整个林区进行24小时的监视,获得连续实时的资料,而且大大缩短了林火监测的时间,有效地提高了林火监测的精度。由于森林火灾监控现场是野外广阔的林区,而且树叶的摇摆使得视频图像中的运动对象很多,强烈的阳光、秋季的枯叶和红枫会导致火灾识别的误报等,这些特点都使得现有室内、或静止场景的火灾视频监控的视频处理技术不再适用。森林火灾发生的一个重要表现就是火焰。本文在视频片段大粒度下,基于空间静态特征和时序动态特征提取森林火焰特征向量。并提出用于林火视频火焰识别的AdaBoost-BP模型。首先考虑到森林中背景物体大多是绿色的树木,而早期火焰的颜色基本上分布在红到黄的范围之间,所以利用火焰颜色特征来排除大量与火焰颜色不相似的视频。但是秋季的枯叶、红枫及林区的灯光等类火焰颜色的物体仅依靠颜色特征无法排除,考虑到燃烧时火焰是不断运动变化的,所以结合运动特征进一步排除类火焰颜色相对静止的物体。其次考虑到火灾发生有一个蔓延的过程,是一个包含若干连续视频帧图像的视频片段,所以本文基于滑动时间窗将林火监控视频划分成时空视频块,在视频片段大粒度下分析森林火焰视频的静态、动态、时间、空间等特征,重点分析火焰的圆形度、纹理这两种空间静态特征,以及火焰面积变化、形状相似性、闪烁频率这三种时序动态特征,形成火焰特征向量。然后针对常用火焰分类识别算法的不足,提出一种基于AdaBoost的BP神经网络林火视频火焰识别方法,利用AdaBoost算法集成弱分类器——BP神经网络,重点研究了AdaBoost算法的迭代次数以及BP神经网络隐层节点数对分类器误差的影响,最终确定AdaBoost算法的迭代次数和隐层节点数的最佳参数,并与单独BP神经网络分类算法进行比较与分析。最后设计开发森林火灾火焰识别软件系统。利用Visual C++和MATLAB混合编程,在视频监控平台上融合了基于本文研究的疑似火焰区域检测、视频图像特征提取以及AdaBoost-BP算法分类识别方法等。