无人机烟雾识别系统在森林防火中的应用研究

柯斌　戴杨

摘要：无人机遥感图像的烟雾识别系统是一种明显优于传统森林防火方法的新型技术手段，但是常见的烟雾识别算法的准确率往往不高而且还存在一定比例的误判率。文章提出一种新的烟雾识别混合算法，通过二值化处理、RGB颜色模型、多特征融合的综合处理，以期望提高烟雾识别准确率和降低误判率。

关键词：无人机；烟雾识别；森林防火

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2018）08-0154-03

林火的监测和识别技术是森林火灾预警和救治的关键技术，是森林防火领域中值得研究的重要课题之一。传统的森林防火手段有地面巡视、塔台瞭望、卫星遥感、飞机巡视等四种方法：地面巡视，依靠人工在地面巡逻探测林火点，耗时耗人工，且效率较低；塔台瞭望，依靠护林员等在塔台上瞭望侦察的古老方式探测林火点，侦察范围有限且耗人工；卫星遥感，依靠地球卫星的遥感图像等信息探测分析出森林区域的林火点，费用昂贵，且因为卫星遥感图像尺度较宏观，并不能及时发现和精准定位林火点，容易漏报、延误火情；飞机巡视，聘请专业飞行员驾驶的直升机或小型飞机进行飞行侦察，费用较高，不适合日常高频率飞行侦察。

一般而言，巡视监测的对象有火焰和烟雾两个基本对象，因为在林火早期并不容易监测到大量的火焰，烟雾却是森林火灾早期最显著的视觉现象，“先有烟，后有火”，所以监测烟雾能最早发现林火的可能性，更具有研究价值。近年来随着无人机技术的发展和成熟，通过无人机遥感图像进行自动烟雾识别成为森林防火的新型技术手段，其优点在于费用低、效率高，自动识别林火前期的烟雾特征并进行预警处理。文章从无人机遥感图像系统的设计、常见图像识别算法、烟雾识别混合算法优化共三个方面进行论述，以实现无人机烟雾识别系统在森林防火中的应用。

1无人机遥感图像系统的设计

图像识别技术的应用前提是必须有图像数据，无人机遥感图像即航拍视频图像序列可以提供图像来源。无人机遥感图像系统的设计主要有以下两个方面：

1.1硬件系统

无人机遥感图像硬件系统有以下四个模块组成：

1.1.1无人机模块

负责整个系统的飞行，机种主要有固定翼和多旋翼两种，由于固定翼无人机转弯半径大、起飞降落跑道要求高、飞行高度较高，而多旋翼无人机具有飞行灵活、场地适应性高、低空飞行、具有多种飞行模式，可实现路径规划自动飞行等优点，所以多旋翼是最佳选择。

1.1.2视频采集模块

负责视频的采集，主要有三轴云台和摄影机，三轴云台可以在无人机飞行时控制和维持摄影机的姿态，保证摄影构图的稳定。为实现烟雾点的精准定位，一般采用保持摄影机90度垂直地面的构图，结合无人机的GPS和罗盘信号，很容易实现精准定位：如图2所示，是比较理想的正确构图，烟雾和背景很好识别；图1则是不正确的构图，因为烟雾与天空部分的颜色特征很接近，烟雾识别算法很容易误判。

1.1.3无线传输模块

负责将采集到的视频和飞行数据实时地传送到地面站，以便对数据进行存储和分析。900MHZ数传负责飞行数据和GPS信息等的无线传输，最终用于预警时的林火点定位；2.5GHZ图传负责遥感视频的无线传输，最终用于地面站烟雾识别分析。

1.1.4地面站模块

负责将接收到的遥感视频和飞行数据存储起来，并通过烟雾识别算法对视频图像序列中的烟雾特征进行实时分析识别，最终实现烟区自动预警和定位。

1.2路徑规划

无人机的自动飞行路线由路径规划来实现，路径规划主要有三个原则：

1.2.1安全原则

无人机的自动飞行主要由GPS、罗盘、飞控进行导航和控制，飞行系统目前并没有先进的障碍物识别和躲避功能，所以航点的设定并不能完全在软件中完成，一定要去现场勘察试飞，科学规划航点，保证航点之间没有障碍物。

1.2.2遍历原则

无人机的路径规划一定要保证林区的所有区域都在摄影范围之内，不能漏掉某个区域，否则不能保证100%林区的监测。遍历原则的实现与GPS的精度有很大关系，精度越高越容易实现精准的路径规划和较低的拍摄区域重叠率。

1.2.3节省原则

无人机的电池等动力能源在每次的飞行中是固定有限的，所以如何在有限的能源和时间内尽可能的飞出较大的林区面积是需要关注的问题。在设计飞行路线时，由于无人机转弯耗时耗能，应尽量走直线少转弯，尽量以林区的长边为准，匀速直线飞行，实现最少转弯。

2常见图像识别算法

2.1帧差法

帧差法是一种通过对视频图像序列中相邻两帧作差分运算来获得运动目标检测的方法。在环境亮度变化不大的情况下，如果相邻帧图像像素值变化小于设定的阈值时，可以认为此处为背景像素即无物体运动；如果图像区域的像素值变化很大，可以认为这是由于图像中运动物体引起的，将这些区域标记为前景像素。根据基本原理可以看出，帧差法可以很好地适用于无镜头运动的、光线变化不大的视频中运动物体的检测，但并不适用于户外光线环境复杂的，而且是运动镜头的航拍视频中的烟雾识别，很容易误判和漏判。

2.2颜色模型

RGB颜色模型可以理解为一个三维坐标的立方体，R、G、B分别为红绿蓝三个颜色通道变量，数值在0和255之间变化，从而表现出色彩、明暗的变化，黑色原点到对角白色顶点的中轴线是一条逐渐由黑变白的灰度线，R、G、B三分量相等。由于烟雾具有明显的颜色特征和亮度特征，所以运用RGB颜色模型来识别烟雾是一种可取的方法，烟雾区就是以黑色原点到对角白色顶点的中轴灰度线中去掉暗黑色和高光亮白色后中间的一段灰度线为中心的一片区域，通过数学建模形成烟雾区模型，通过判断视频图像序列中的像素RGB值是否在烟雾区范围内来进行烟雾识别。

2.3混合高斯背景模型

混合高斯背景模型是一种明显优于帧差法的背景模型，图像中的像素值一般服从高斯分布，对多峰分布背景进行建模很有效，可以鲁棒性地克服诸如户外光线变化、树枝摇动等环境因素造成的影响，可以满足实际应用中算法精确性和实时性的要求。混合高斯背景模型对每一个像素点用K个高斯分布来描述其特征，在获得新的一帧图像后对混合高斯背景模型进行更新，用当前帧的每个像素点与混合高斯背景模型进行匹配，如果成功则判定该像素为背景点，否则为前景点，从而提取运动像素区域。

3烟雾识别混合算法优化

烟雾识别算法最重要的问题就是算法的准确率，本着“宁错勿漏”的原则，可以一定比例地误判，但不可以漏判，最终通过人工识别来确认，所以排除非烟雾干扰物如河流、云雾、白灰色物体的干扰，提高预警准确率和降低误报率、漏报率是烟雾识别算法优化的重点。为实现这个目的，单独使用以上三种算法或者简单结合两种算法并不能满足这个要求，因此有必要研究一种混合算法。文章提出的混合算法整个流程经过二值化处理、RGB颜色模式烟雾区判别式、多特征融合三个主要步骤的判断后，如果三者都成立则进人预警阶段，人工识别烟雾，如果成立最终采取报警处理，否则全部进入不报警处理，主要流程分析如下。

3.1二值化处理，提取高亮部分，初步判断

以烟区的RGB模型为准，计算出烟雾区的最小灰度亮度值，假设为160，设置为二值化阈值，混合算法先进行二值化处理，提取亮度大于160的区域，如果无，说明肯定没有烟雾和其他亮度超過160的物体，如果有，说明可能有烟雾，也可能是其他灰白色干扰物，再进人混合算法的第二步。这个步骤是为了快速提前高亮部分，直接进行初步判断，处理数据较少，简单迅速有效，尤其是对于没有干扰物的比较理想的林区烟雾识别十分有利。

3.2RGB颜色模型烟区判别式，提取烟区和干扰物

经过第一步的灰度亮度初步判断后，亮度大于160的像素有可能是烟雾，也有可能仅仅是比较亮的物体而已，例如黄土、水泥道路。这就需要运用基于烟雾区RGB模型的烟雾区判别式来识别部分干扰物，尤其是具有明显的与烟雾区不同的颜色特征的即R、G、B某一个值明显偏大的干扰物，以及部分亮度超过烟雾区范围的亮白色干扰物很容易排除。但是即便是这样，也还是有一部分与烟雾颜色特征很相近的物体会识别不出来，如河流、云雾、白灰色物体等干扰物，如果不作处理，会导致混合算法误判预警。

3.3多特征融合算法，进一步排除干扰物

混合算法的最后一步就是为了进一步排除烟雾区RGB模型识别不了的干扰物，最终提高报警准确率、降低误报率。在林区中，常见的河流、云雾、白灰色建筑物或者道路等物体在颜色特征上具有很强的干扰性，必须通过进一步的多特征融合算法，才能排除干扰，提高准确率：第一、轮廓特征，通过对图像中已经通过前两步算法的灰亮色干扰物进行轮廓识别，对于轮廓特征固定的干扰物进行排除，如建筑物、河流等；第二、运动特征，通过对图像中已经通过前两步算法的物体进行运动特征识别，烟雾运动具有独有的扩散和减淡特性，可以通过算法实现排除符合烟雾运动特征之外的干扰物尤其是云雾的干扰。

4结语

无人机烟雾识别系统的实现大大提高了森林前期防火的效率，且费用较低，是森林防火的新型技术手段，但是由于目前烟雾识别算法还不够精准、完善，还不能做到100%的报警准确率，仍需大量的进一步的研究和实验来提高准确率、降低误报率和漏报率，一步步不断地完善烟雾识别算法，尤其是非烟雾白灰色干扰物的混合优化算法值得进一步的研究和完善。