论文部分内容阅读
【摘 要】森林火灾是一种突发性强、破坏性大的自然灾害，其给人类社会带来不可估量的经济损失，同时也给林区自然环境、植被和群落森林生态带来巨大的破坏。那么，如何预防和控制森林火灾就成了防灾减灾的重要组成部分。根据森林火灾的特点和林区复杂的地理环境，尽早的准确的发现火点就会给林火的救援赢得了宝贵的时间。据此，本文设计出了一种智能的火点监测识别系统。根据测试结果显示本系统能准确的判断直径在0.5米大小的火点，正确率已经到达预期效果。
【关键词】森林火灾 智能监测 火点识别 图像处理 神经网络
【Abstract】With the features of breaking out suddenly and devastating terribly， forest fire as a natural disaster brings not only incalculable economic loss to human society， but also huge damage to the natural environment， vegetation and community forest ecology. So， how to prevent and control forest fire has become an important part of disaster prevention and mitigation. According to the characteristics of forest fire and the complex geographical environment of the forest. To find fire point accurately and as soon as possible will win precious time to rescue. On this grounds， this paper designed a kind of intelligent fire monitoring and identification system.According to the test results which show this system can accurately recognize the fire point with the diameter of about 0.5 meters ，The accuracy can reach expected goal.
【Keywords】forest fire； Intelligent monitoring； fire recognition； image processing； neural network
一、緒论
随着生活水平的逐步提高，人们对森林资源的需求量呈现上升趋势，但是森林火灾频繁发生，使得这些宝贵的资源更加的稀缺。火灾对林中的生物也造成很大的影响，而且火灾后要想恢复是十分困难。对人们的生产，生活来说，其破坏性更是不容小觑。每年全球发生火灾被烧毁森林面积达到几百万公顷，造成的经济损失十分惨重[1]。
人们传统的防治森林火灾的方法及其优缺点如下表所示：
二、视频图像探测技术
随着信号处理、计算机通信、人工智能以及智能控制等技术的发展，火灾探与这些技术产生了交叉和融合，火灾探测技术进入了一个全新的智能化发展时期。图像型的火灾探测系统是以计算机为处理核心，结合光电技术、图像处理技术及模式识别技术而发展起来的新型的火灾监测系统。其探测方法是利用高精度的CCD摄像机获取监测区域的动态信息，对拍摄的视频信号经过图像采集卡或视频服务器转换后形成数字图像序列然后传递给计算机，计算机连续地对图像帧进行处理和分析，来判段和识别监测区域是否发生了火灾，当发现有火情时系统就会自动报警[2]。
对于图像型火灾探测技术其研究的重点是所拍摄的图像所包含的物理特性。感烟型的核心是要利用火焰的物理特性，光谱特征，图像的纹理，轮廓等来判断火情存在。早期感焰型探测器选择对特定光谱敏感元件作为感光元件，目前工业上一般选用彩色CCD摄像机。感烟型探测器，它使用了多种智能算法，并具有自学习功能和自适应能力，可以根据现场自动调整运行参数，在一定程度上提高了系统的可靠性。
三、系统硬件设计
该系统的前端是图像采集部分，需在待监测的林区建设监控云台并在云台上安装CCD摄像头，该摄像头具有高倍变焦、360°旋转从而实现数公里以内林区全方位实时监测。监测到的图像通过视频线/控制线传给视频服务器，通过其对图像进行编码处理，通过互联网或者局域网传给监控中心。在监控中心设有图像识别子系统及报警与定位子系统等处理软件，实现火点监测。
当图像型CCD摄像机把监测到的信号传到监控中心后，图像识别子系统对接收到的信号进行火焰光谱特征和颜色的分析对比、加工、判断、复原等一系列操作，判断出是否有火情。如果有火情把此信息通知相关工作人员，工作人员得到信息后进行分析选取最佳方案采取一定的措施。这样做不仅保证了实时性效果，监测的准确度也能提高。这样就解决了传统的技术所解决不了的问题，本系统以视频图像为载体，采用以图像处理为主的多种监测手段的智能监测系统，以实现利用图像处理对拍摄的现场图像进行处理和分析，实现火灾的智能识别。
四、系统软件设计实现
当硬件设备能正常运行时，能否准确的监测到火点就取决于软件系统了，下面将介绍如何能做到对火点的准确分析，做出正确判断的。①在首次采集时对采集到的所有信号按地址进行存储到数据库中，监控中如果采集到的信号没有大的变化情况下，对数据库中的信息更新。当某一区域的数据发生大的变化时，要做到对该区域的数据更新，以免影响以后的工作。②在正常工作过程中，当有一个区域的数据采集来以后，要完成和数据库中的数据的一个比对，可以判定此区域没有火情。当相差比较多时，在做进一步判断。同时保存此区域大的编号。③对有异常的区域做重点研究，在其中要用到图像轮廓检测，HSI归一化检测，BP神经网络检测，色谱分析，sift特征匹配等相关检测。如果判断和着火时的特性基本一致，可以断定此区域有火情。如果判断不满足着火的基本特性，则作进一步观察，确定是否有其他异常情况发生。 （一）HSI归一化模型检测
根据Y.H.Gong的研究可知：当HSI颜色对的相似距离小于3.0时，人类视觉认为它们是相似的；当HSI颜色对的相似距离大于6.0时，人类视觉认为它们是显著不同的。当空间距离D≤0.2的像素点，在颜色上也是相似的。根据HSI颜色距离，将具有视觉相似的颜色的像素点聚类到一起，而将具有显著不同颜色的像素点归并到不同的类[3]。
（二）基于图像处理的检测
所谓图像处理就是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为。首先图像处理技术有助于人们更加客观准确地认识世界，人们通过视觉系统可以从外界获取80%以上的信息，而图像又是所有视觉信息的载体。另一方面，通过图像处理中的模式识别技术，把图像进行分类处理。通过计算机识别技术可以更加快速准确的检索和识别出各种我们所想要了解的事物。
图 （a）火灾原图
（b）轮廓提取
（c） R通道图像
1.图像轮廓检测
图像的轮廓检测一种定位二维或三维图像中的对象的边缘的系统。通过输入表示该图像的各元素值的数据元素集。该数据集被存储在存数据库中。用处理器确定该图像中的对象的边缘。该处理器计算所述数据元素的一阶或二阶导数，并且计算该图像的等照度线曲率κ，校正因数α。然后，该处理器确定取决于所计算出的导数和所述等照度线曲率的算子的过零点，输出端提供对于该图像中的边缘轮廓。通过输出的轮廓来判断是否有火情。
2.图像的RGB分割算法
图像模式是把图像的色彩分解成及部分颜色组件，对颜色组件不同的分类就形成了不同的色彩模式，不同的色彩模式定义的颜色范围也不同，会影响图像的通道数目和文件大小。常见的图像模式有：位图模式、灰度模式、双色调模式、CMYK模式、RGB模式等。
以下是上图的matlab实现的部分代码：
I=imread（‘D：＼tutu＼1.jpg’）； % 读取待处理图片
I1=rgb2gray（I）； %将真彩图像转换成灰度图像
bw1=edge（I1，’prewitt’）； %读取灰度图像的边缘
imshow（I）； %显示原图像
imshow（bw1）； %显示灰度图像轮廓
R=I（：，：，1）； %提取原图像的R通道分量
imshow（R）； %显示R通道图像
（三）神经网络的火灾图像的识别算法
人工神经网络兴起于上个世纪八十年代，其具有很强的自适应、学习能力以及容错能力，在信息处理和智能控领域得到了广泛的应用。神经网络可以用于处理非线性的、模糊的数据，它可以在正常情况下给出求解问题的最优解，而且在数据、资料残缺不全的情况下仍可以正常运转并给出满意的结果。火灾火焰的燃烧过程是一个强非线性系统，比一般装置中的燃烧过程更为复杂。其燃烧状态的变化受可燃物的数量、种类及自然条件等多种因素的制约，具有很强的非线性和模糊性，因此用神经网络的方法可以提高火点识别的可靠性和准确性[4]。
五、測试和总结
软件平台和硬件平台都搭建好后，作者本人对采集来的信号做了测试了测试，结果显示比较正常。系统能正常显示采集到的视频信号；能分析图像的轮廓级灰度图像；可以显示特征匹配的信息；能对是否存在火情做出正确的判断。在对收集的图片做分析时，也基本能判断出是否有着火点。正确率能达到预期想要的效果。
由于硬件设备的限制，采集较远距离的视频图像不能做到十分清楚，加之软件平台做的还有一定的缺陷，比如各个方式对火灾预测的权重如何选取等问题的存在。
参考文献：
[1]朱梅东.基于ZigBee的森林火灾监测系统的设计与实现，2010年.
[2]董华，程晓舫.基于图像探测的早期火灾模式研究[J].光学技术，1999，28（l）：60～63.
[3]王圆圆，丁志杰，万华林.基于视觉颜色聚类的彩色图像分割[J].北京理工大学学报，2003年.
[4]Okayama Y.Aprimitive study of a fire detection method controlled by artificial neural net[J].Fire Safety，1991，17（6）：535～553.
作者简介：
杨宏业（1962—），男，辽宁省人，教授，硕导，主要研究方向智能交通控制、图像处理等。
周贺辉（1986—），男，河南省人，硕士研究生，主要研究方向为图像处理。
【关键词】森林火灾 智能监测 火点识别 图像处理 神经网络
【Abstract】With the features of breaking out suddenly and devastating terribly， forest fire as a natural disaster brings not only incalculable economic loss to human society， but also huge damage to the natural environment， vegetation and community forest ecology. So， how to prevent and control forest fire has become an important part of disaster prevention and mitigation. According to the characteristics of forest fire and the complex geographical environment of the forest. To find fire point accurately and as soon as possible will win precious time to rescue. On this grounds， this paper designed a kind of intelligent fire monitoring and identification system.According to the test results which show this system can accurately recognize the fire point with the diameter of about 0.5 meters ，The accuracy can reach expected goal.
【Keywords】forest fire； Intelligent monitoring； fire recognition； image processing； neural network
一、緒论
随着生活水平的逐步提高，人们对森林资源的需求量呈现上升趋势，但是森林火灾频繁发生，使得这些宝贵的资源更加的稀缺。火灾对林中的生物也造成很大的影响，而且火灾后要想恢复是十分困难。对人们的生产，生活来说，其破坏性更是不容小觑。每年全球发生火灾被烧毁森林面积达到几百万公顷，造成的经济损失十分惨重[1]。
人们传统的防治森林火灾的方法及其优缺点如下表所示：
二、视频图像探测技术
随着信号处理、计算机通信、人工智能以及智能控制等技术的发展，火灾探与这些技术产生了交叉和融合，火灾探测技术进入了一个全新的智能化发展时期。图像型的火灾探测系统是以计算机为处理核心，结合光电技术、图像处理技术及模式识别技术而发展起来的新型的火灾监测系统。其探测方法是利用高精度的CCD摄像机获取监测区域的动态信息，对拍摄的视频信号经过图像采集卡或视频服务器转换后形成数字图像序列然后传递给计算机，计算机连续地对图像帧进行处理和分析，来判段和识别监测区域是否发生了火灾，当发现有火情时系统就会自动报警[2]。
对于图像型火灾探测技术其研究的重点是所拍摄的图像所包含的物理特性。感烟型的核心是要利用火焰的物理特性，光谱特征，图像的纹理，轮廓等来判断火情存在。早期感焰型探测器选择对特定光谱敏感元件作为感光元件，目前工业上一般选用彩色CCD摄像机。感烟型探测器，它使用了多种智能算法，并具有自学习功能和自适应能力，可以根据现场自动调整运行参数，在一定程度上提高了系统的可靠性。
三、系统硬件设计
该系统的前端是图像采集部分，需在待监测的林区建设监控云台并在云台上安装CCD摄像头，该摄像头具有高倍变焦、360°旋转从而实现数公里以内林区全方位实时监测。监测到的图像通过视频线/控制线传给视频服务器，通过其对图像进行编码处理，通过互联网或者局域网传给监控中心。在监控中心设有图像识别子系统及报警与定位子系统等处理软件，实现火点监测。
当图像型CCD摄像机把监测到的信号传到监控中心后，图像识别子系统对接收到的信号进行火焰光谱特征和颜色的分析对比、加工、判断、复原等一系列操作，判断出是否有火情。如果有火情把此信息通知相关工作人员，工作人员得到信息后进行分析选取最佳方案采取一定的措施。这样做不仅保证了实时性效果，监测的准确度也能提高。这样就解决了传统的技术所解决不了的问题，本系统以视频图像为载体，采用以图像处理为主的多种监测手段的智能监测系统，以实现利用图像处理对拍摄的现场图像进行处理和分析，实现火灾的智能识别。
四、系统软件设计实现
当硬件设备能正常运行时，能否准确的监测到火点就取决于软件系统了，下面将介绍如何能做到对火点的准确分析，做出正确判断的。①在首次采集时对采集到的所有信号按地址进行存储到数据库中，监控中如果采集到的信号没有大的变化情况下，对数据库中的信息更新。当某一区域的数据发生大的变化时，要做到对该区域的数据更新，以免影响以后的工作。②在正常工作过程中，当有一个区域的数据采集来以后，要完成和数据库中的数据的一个比对，可以判定此区域没有火情。当相差比较多时，在做进一步判断。同时保存此区域大的编号。③对有异常的区域做重点研究，在其中要用到图像轮廓检测，HSI归一化检测，BP神经网络检测，色谱分析，sift特征匹配等相关检测。如果判断和着火时的特性基本一致，可以断定此区域有火情。如果判断不满足着火的基本特性，则作进一步观察，确定是否有其他异常情况发生。 （一）HSI归一化模型检测
根据Y.H.Gong的研究可知：当HSI颜色对的相似距离小于3.0时，人类视觉认为它们是相似的；当HSI颜色对的相似距离大于6.0时，人类视觉认为它们是显著不同的。当空间距离D≤0.2的像素点，在颜色上也是相似的。根据HSI颜色距离，将具有视觉相似的颜色的像素点聚类到一起，而将具有显著不同颜色的像素点归并到不同的类[3]。
（二）基于图像处理的检测
所谓图像处理就是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为。首先图像处理技术有助于人们更加客观准确地认识世界，人们通过视觉系统可以从外界获取80%以上的信息，而图像又是所有视觉信息的载体。另一方面，通过图像处理中的模式识别技术，把图像进行分类处理。通过计算机识别技术可以更加快速准确的检索和识别出各种我们所想要了解的事物。
图 （a）火灾原图
（b）轮廓提取
（c） R通道图像
1.图像轮廓检测
图像的轮廓检测一种定位二维或三维图像中的对象的边缘的系统。通过输入表示该图像的各元素值的数据元素集。该数据集被存储在存数据库中。用处理器确定该图像中的对象的边缘。该处理器计算所述数据元素的一阶或二阶导数，并且计算该图像的等照度线曲率κ，校正因数α。然后，该处理器确定取决于所计算出的导数和所述等照度线曲率的算子的过零点，输出端提供对于该图像中的边缘轮廓。通过输出的轮廓来判断是否有火情。
2.图像的RGB分割算法
图像模式是把图像的色彩分解成及部分颜色组件，对颜色组件不同的分类就形成了不同的色彩模式，不同的色彩模式定义的颜色范围也不同，会影响图像的通道数目和文件大小。常见的图像模式有：位图模式、灰度模式、双色调模式、CMYK模式、RGB模式等。
以下是上图的matlab实现的部分代码：
I=imread（‘D：＼tutu＼1.jpg’）； % 读取待处理图片
I1=rgb2gray（I）； %将真彩图像转换成灰度图像
bw1=edge（I1，’prewitt’）； %读取灰度图像的边缘
imshow（I）； %显示原图像
imshow（bw1）； %显示灰度图像轮廓
R=I（：，：，1）； %提取原图像的R通道分量
imshow（R）； %显示R通道图像
（三）神经网络的火灾图像的识别算法
人工神经网络兴起于上个世纪八十年代，其具有很强的自适应、学习能力以及容错能力，在信息处理和智能控领域得到了广泛的应用。神经网络可以用于处理非线性的、模糊的数据，它可以在正常情况下给出求解问题的最优解，而且在数据、资料残缺不全的情况下仍可以正常运转并给出满意的结果。火灾火焰的燃烧过程是一个强非线性系统，比一般装置中的燃烧过程更为复杂。其燃烧状态的变化受可燃物的数量、种类及自然条件等多种因素的制约，具有很强的非线性和模糊性，因此用神经网络的方法可以提高火点识别的可靠性和准确性[4]。
五、測试和总结
软件平台和硬件平台都搭建好后，作者本人对采集来的信号做了测试了测试，结果显示比较正常。系统能正常显示采集到的视频信号；能分析图像的轮廓级灰度图像；可以显示特征匹配的信息；能对是否存在火情做出正确的判断。在对收集的图片做分析时，也基本能判断出是否有着火点。正确率能达到预期想要的效果。
由于硬件设备的限制，采集较远距离的视频图像不能做到十分清楚，加之软件平台做的还有一定的缺陷，比如各个方式对火灾预测的权重如何选取等问题的存在。
参考文献：
[1]朱梅东.基于ZigBee的森林火灾监测系统的设计与实现，2010年.
[2]董华，程晓舫.基于图像探测的早期火灾模式研究[J].光学技术，1999，28（l）：60～63.
[3]王圆圆，丁志杰，万华林.基于视觉颜色聚类的彩色图像分割[J].北京理工大学学报，2003年.
[4]Okayama Y.Aprimitive study of a fire detection method controlled by artificial neural net[J].Fire Safety，1991，17（6）：535～553.
作者简介：
杨宏业（1962—），男，辽宁省人，教授，硕导，主要研究方向智能交通控制、图像处理等。
周贺辉（1986—），男，河南省人，硕士研究生，主要研究方向为图像处理。