基于碼書模型的森林火情自動檢測

李國良

（中國林業科學研究院高原林業研究所,云南昆明，650233）

0 引言

森林火災被公認為世界八大自然災害之一[1]，具有突發性強、破壞性大、救助困難等特點，給地球環境和人類生產生活帶來的巨大危害及損失直接影響社會安定。預防工作是防止森林火災發生的先決條件，越來越受到世界各國重視，因此開展森林火情自動檢測研究對預防森林火災具有重要意義。

當森林火災發生時，森林圖像中作為火情特征的濃煙和火焰相對于正常森林場景呈現出非常明顯的運動狀態，因此可以將正常的森林場景視為背景信息，將火情特征視為運動目標前景信息，將計算機碼書模型應用于森林火情檢測，滿足檢測的實時性和精確性[2]。

1 碼書模型實現森林火情自動檢測

傳統碼書模型[3]通過對每個像素點建立一個碼書來記錄背景信息實現前景分割[4]，具有很好的前景分割性能，本文基于該思想通過優化傳統碼書模型實現森林火情自動檢測。

1.1 碼書與碼字的結構定義

為森林圖像數據中的每一個像素建立一個基于時間序列地碼書,當前像素的碼書為CodeBook= {c1,c2,…cL}，其中有L個碼字。碼字的顏色向量信息為。碼字元素為。碼字元素中保存著能反應火情是否發生的亮度值特征，其中和在碼字為空時分別表示碼字對應像素的最小亮度值和最大亮度值，碼字不為空時分別表示碼字的最小亮度值和最大亮度值，可根據二者計算出碼字的亮度變化范圍[Ilow,Ihigh]，即像素點屬于背景的最小與最大亮度范圍。fi為碼字的匹配次數，用于得到背景模型對應的背景圖像。λi為碼字最大消極步長，即該碼字出現的最大時間間隔。pi和qi表示碼字第一次出現和最后一次出現的次數，用于計算匹配次數。

1.2 碼書模型的背景構造與更新

定義碼書和碼字的結構后，選取300幀大小統一為1024*720的無人機傳回數據作為碼書模型的訓練序列，訓練構造碼書背景模型，將像素的亮度值設為I= {i1,i2,…i1024*720}，總共1024*720個像素，ij(j= 1,…1024? 720)代表第t個像素的亮度值。為每個像素建立的碼書為CodeBook= {c1,c2,…cL}，碼書中的若干個碼字數目與場景的變化幅度有關，劇烈變化的碼書中碼字數目較多。由于森林場景中的背景變化復雜，所以本文將標準碼書模型簡化，降低計算復雜度。

具體的背景碼書模型構造與更新過程：

（1）初始化碼書。為碼書申請空間，碼書和碼字都置為空。

（2）計算每個像素的亮度值。訓練序列中圖像的像素連續采樣值為V= {v1,v2,…v300}，即同一個像素在不同時間的連續采樣值。其中第t幀圖像的采樣像素點vt(t= 1,… 300)根據當前像素亮度值公式計算亮度值為。

（3）碼書背景模型構造與更新。根據本文判據每輸入一幀圖像都會進行碼字匹配，如果未匹配成功，就新建一個碼字cl，新碼字的顏色向量為，新碼字元素為。如果匹配成功，則將碼字融入背景模型，依據碼字更新公式將匹配的碼字cm的碼字顏色向量和碼字元素分別更新。

（4）由于采用的訓練序列中存在噪聲干擾，也可能包含火情。所以在訓練的過程中利用λi過濾掉表示噪聲和火情的碼字，得到較純凈的背景碼書：。

反復進行過程4和5的步驟，直至完成碼書背景模型的訓練，我們就可以得到準確反映森林場景變化的背景模型。

1.3 森林火情目標檢測

在碼書背景模型訓練完成后，對原始圖像進行火情目標檢測，遍歷圖像的所有像素，根據已經生成的背景模型逐像素與對應碼字進行匹配，判斷是否屬于背景碼書。匹配成功的判定為屬于背景像素，不成功地為火情像素，以此實現森林火情目標檢測。

目標檢測步驟：

（1）逐幀讀取待檢測的原始圖像。

（2）計算原始圖像中每一個像素的亮度值：

（3）根據本文判據到已訓練完成的碼書背景模型中進行碼字匹配，如果匹配則判定該像素為背景像素，不包含火情信息。不匹配則判定該像素為火情像素，繼續檢測下一像素直至所有像素被遍歷。

（4）完成每一幀中所有像素的檢測后得到若干火情區域，將判定為背景的像素點的像素值置為0，判定為火情的像素點的像素值置為1，得到火情區域二值圖像。

（5）輸出火情區域二值圖像，得到基于碼書模型的檢測結果，檢測結束。

通過碼書模型對不同程度的火情進行目標檢測，得到了圖1所示實驗結果，檢測結果中的白色部分即為本文方法判定的火情發生區域，由于背景區域中存在點狀和線狀的噪聲，會對后續實驗造成干擾，所以需要進一步去除背景噪聲。

圖1 森林火情目標檢測

2 中值濾波去噪

中值濾波算法[5]是去除固定值脈沖噪聲的經典方法，森林火情接近于恒定信號，中值濾波可以使輸出信號呈一致性，較完整保留圖像內的火情信息。本文設置濾波窗口為5×5，實現背景噪聲完全去除。

3 設定閾值自動檢測火情

中值濾波完全消除背景噪聲，完整確定火情區域。由于二值化圖像的像素值為0和1兩種離散值，因此將列像素和[6]作為是否發生火情的判據。求出每列像素值之和存入數組A(i)，從圖像通道序列號i=1開始遍歷A(i),當滿足A(i)＞T這一判據時，判定當前數據中存在森林火情。

圖3為以圖像通道為橫軸，列像素和為縱軸繪制的統計直方圖，三個圖分別對應圖2。圖中出現的大尖峰說明發生了森林火情，此起彼伏的小尖峰則為零散的小火情，結合原始圖像中的火情發生情況，將閾值T設置為5000實現自動檢測。

圖2 中值濾波去噪后圖像

圖3 列像素和統計直方圖

4 總結與展望

本文的碼書模型計算量、占用內存均很小，在較強大的計算機硬件設備支撐下，接近于實時檢測。每個像素的碼書模型可以在一定時長后重新更新，能適應較長時段后森林火情的發展變化，檢測準確率高。

本文方法可對白天森林圖像中的所有火情獲得很好的檢測效果。但對于夜間森林圖像，僅能保證火焰火情檢測的準確率，煙霧火情的準確率不高，未來將在本文基礎上開展提高夜間煙霧火情檢測準確率的研究。