Алгоритм обнаружения дыма лесного пожара на видеоизображении

  • Рихард Петрович Богуш Полоцкий государственный университет, ул. Блохина, 29, 211440, г. Новополоцк, Беларусь https://orcid.org/0000-0002-6609-5810
  • Сергей Владимирович Абламейко Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь; Объединенный институт проблем информатики НАН Беларуси, ул. Сурганова, 6, 220012, г. Минск, Беларусь https://orcid.org/0000-0001-9404-1206
DOI: https://doi.org/10.33581/2520-6508-2021-1-91-101

Аннотация

Предлагается алгоритм обнаружения дыма лесного пожара на видеопоследовательностях, формируемых стационарными камерами наблюдения. На первом этапе улучшается контраст кадров. Затем на основе анализа динамических и статических признаков выполняется обнаружение областей с медленной скоростью движения на видео. Для этого используются адаптивное вычитание фона и цветовая сегментация. На третьем шаге осуществляется пространственно-временной анализ блоков малых размеров, которые формируются для сегментированных на предыдущем шаге областей. Для этого создаются наборы признаков на основе дескрипторов ковариации, а для дальнейшей классификации используется метод опорных векторов с радиальной базисной функцией ядра. Представлены результаты экспериментов на реальных видеопоследовательностях, подтверждающие эффективность применения алгоритма для раннего обнаружения возгораний в лесу.

Биографии авторов

Рихард Петрович Богуш, Полоцкий государственный университет, ул. Блохина, 29, 211440, г. Новополоцк, Беларусь

кандидат технических наук, доцент; заведующий кафедрой вычислительных систем и сетей факультета информационных технологий

Сергей Владимирович Абламейко, Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь; Объединенный институт проблем информатики НАН Беларуси, ул. Сурганова, 6, 220012, г. Минск, Беларусь

академик Национальной академии наук Беларуси, доктор технических наук, профессор; профессор кафедры веб-технологий и компьютерного моделирования механико-математического факультета БГУ, главный научный сотрудник отдела интеллектуальных информационных систем Объединенного института проблем информатики НАН Беларуси

Литература

  1. Kudrin AYu, Zaporozhets AI, Podrezov YuV. [Modern methods of detecting and monitoring forest fires]. Tekhnologii grazhdanskoi bezopasnosti. 2006;3(4):66–67. Russian.
  2. Baranovsky OV, Krasnoproshin VV, Valvachev AN. System of monitoring natural and territorial complexes. Vestnik of Brest State Technical University. Physics, mathematics, informatics. 2019;5:12–15. Russian.
  3. Ye S, Bai Z, Chen H, Bohush R, Ablameyko S. An effective algorithm to detect both smoke and flame using color and wavelet analysis. Pattern Recognition and Image Analysis. 2017;27(1):131–138. DOI: 10.1134/S1054661817010138.
  4. Gomez-Rodriguez F, Arrue BС, Ollero A. Smoke monitoring and measurement using image processing: application to forest fires. In: Sadjadi FA, editor. Automatic target recognition XIII. AeroSense; 2003 April 21–25; Orlando, Florida, USA. [S. l.]: [s. n.]; 2003. p. 404–411. (Proceedings of SPIE; volume 5094). DOI: 10.1117/12.487050.
  5. Vicente J, Guillemant P. An image processing technique for automatically detecting forest fire. International Journal of Thermal Sciences. 2002;41(12):1113–1120. DOI: 10.1016/S1290-0729(02)01397-2.
  6. Toreyin BU, Cetin AE. Wildfire detection using LMS based active learning. In: IEEE International conference on acoustics, speech and signal processing; 2009 April 19–24; Taipei, Taiwan. [S. l.]: Institute of Electrical and Electronics Engineers; 2009. p. 1461–1464. DOI: 10.1109/ICASSP.2009.4959870.
  7. Genovese A, Labati RD, Piuri V, Scotti F. Wildfire smoke detection using computational intelligence techniques. IEEE International conference on computational intelligence for measurement systems and applications (CIMSA) proceedings; 2011 September 19–21; Ottawa, Canada. [S. l.]: Institute of Electrical and Electronics Engineers; 2011. p. 1–6. DOI: 10.1109/CIMSA.2011.6059930.
  8. Hakan Habiboglu Y, Gunay O, Cetin AE. Real-time wildfire detection using correlation descriptors. In: Mestre X, Hernando J, Pardas M, editors. 19th European signal processing conference (EUSIPCO-2011); 2011 August 29 – September 2; Barcelona, Spain. Kessariani: European Association for Signal, Speech, and Image Processing (EURASIP); 2011. p. 894–898. (Proceedings of EUSIPCO; volume 19).
  9. Ko BC, Park JO, Nam J-Y. Spatiotemporal bag-of-features for early wildfire smoke detection. Image and Vision Computing. 2013;31(10):786–795. DOI: 10.1016/j.imavis.2013.08.001.
  10. Luxing Qin, Xuehui Wu, Yichao Cao, Xiaobo Lu. An effective method for forest fire smoke detection. Journal of Physics: Conference Series. 2019;1187(5):052045. DOI: 10.1088/1742-6596/1187/5/052045.
  11. Khomyakova VV, Khomyakov AN. Convolutional neural network for video-based smoke detection. In: Loginov YuYu, editor. Reshetnevskie chteniya. Chast’ 2. Materialy XXII Mezhdunarodnoi nauchno-prakticheskoi konferentsii, posvyashchennoi pamyati general’nogo konstruktora raketno-kosmicheskikh sistem akademika M. F. Reshetneva; 12–16 noyabrya 2018 g.; Krasnoyarsk, Rossiya [Reshetnev readings. Part 2. Materials of the 22nd International scientific and practical conference dedicated to the memory of the general designer of the rocket and space systems, academician M. F. Reshetnev; 2018 November 12–16; Krasnoyarsk, Russia]. Krasnoyarsk: Reshetnev Siberian State University of Science and Technology; 2018. p. 308–309. Russian.
  12. Zhao Y, Zhang H, Zhang X, Qian W. Wildfire smoke detection based on depthwise separable convolutions and target-awareness. Preprint 2020040027. 2020 April 3. DOI: 10.20944/preprints202004.0027.v1.
  13. Zivkovic Z, van der Heijden F. Recursive unsupervised learning of finite mixture models. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2004;26(5):651–656. DOI: 10.1109/TPAMI.2004.1273970.
  14. Vapnik VN, Chervonenkis AYa. Teoriya raspoznavaniya obrazov (statisticheskie problemy obucheniya) [Pattern recognition theory (statistical learning problems)]. Moscow: Nauka; 1974. 416 p. Russian.
Опубликован
2021-04-12
Ключевые слова: лесной пожар, анализ изображений, фоновый кадр, ковариационные дескрипторы, метод опорных векторов
Как цитировать
Богуш, Р. П., & Абламейко, С. В. (2021). Алгоритм обнаружения дыма лесного пожара на видеоизображении. Журнал Белорусского государственного университета. Математика. Информатика, 1, 91-101. https://doi.org/10.33581/2520-6508-2021-1-91-101
Выпуск
№ 1 (2021): Журнал Белорусского государственного университета. Математика. Информатика
Раздел
Теоретические основы информатики

Copyright (c) 2021 Журнал Белорусского государственного университета. Математика. Информатика

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.

Авторы, публикующиеся в данном журнале, соглашаются со следующим:

  1. Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
  2. Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
  3. Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).