CN105426840A - 一种基于多特征融合的红外森林火灾判定方法 - Google Patents

Abstract

本发明公开了一种基于多特征融合的红外森林火灾判定方法，包括以下步骤：A、红外图像序列输入；B、二值化处理；C、形态学处理；D、火焰特征提取；E、火焰特征SVM分类判别；F、利用贝叶斯分类器进行分类决策；G、通过步骤F的数据判定是否有火灾发生。步骤D中的火焰特征包括：红外火焰高度特性、红外火焰梯度特性、红外火焰移动特性以及火焰频谱特性。本发明提供一种基于多特征融合的红外森林火灾判定方法，能够在森林火灾发生的早期快速、准确、安全的检测火灾，大大提高了森林防火的判断精度，提高了工作效率。

Description

一种基于多特征融合的红外森林火灾判定方法

技术领域

本发明属于红外图像识别领域，具体是指一种采用多特征融合红外图像进行火焰检测识别的森林火灾判定方法。

背景技术

森林火灾是一种突发性强、破坏性大、救助困难的自然灾害。从1950年至1987年的38年间，全国年均发生森林火灾15838次，火灾发生率为13.9次/10万公顷，年均受害森林面积约为94万公顷，森林火灾受害率平均为8.5％，是世界同期平均水平的8倍，全国森林火灾年均伤亡800人。有关专家测算，这一时期全国共烧毁木材9.55亿立方米。按每米价值150元计算，全国直接经济损失达高达1433亿元，占全国各类火灾总损失的56.5％。如何做好森林防火工作，即有效预防和扑救森林火灾，确保人民生命财产安全还是一个大难题，现在只能做到早发现早扑救，尽量将森林火灾造成的损失降到最小。然而森林火灾形势十分严峻，过去近百年的时间里，全球气温上升了0.5到0.8℃，尤其是在最近的50年里上升幅度较大。专家预测未来10到15年，平均气温上升的幅度将会更大。随着林区气温升高、林区可燃物增加、火源管理困难等情况，使得森林火灾的危险性进一步增加。

面对如此严峻的森林防火现状，要求人们运用更多的先进技术和管理方法，采取最有力的措施，尽可能对森林大火的发生和蔓延进行最大限度的控制。常见的可见光检测火灾方法容易受到恶劣天气和强光的影响，夜间也不能准确的检测火灾，使得森林防火效率大大降低。最近几年，基于红外热成像的森林防火技术开始进入人们的视野。这种方法能避免夜间能见度低、环境恶劣等影响，在森林防火邻域有着很好的应用前景。

目前大多数红外图像火灾识别方法是针对室内火灾的，少数红外火灾识别应用于检测林火，其中现有的红外热成像防火方法是将红外图像转为伪彩色进行温度的检测，当达到某个温度阈值时判断为火灾，然而这就会受到森林环境中有诸多干扰因素如太阳光和电线塔等高温物体的影响，使正确识别率大大降低，不能有效进行森林防火。而且单纯的图像阈值分割对火灾难以准确的识别，无法在森林火灾发生的早期快速、准确、安全的检测火灾。

发明内容

本发明的目的在于克服上述问题，提供一种基于多特征融合的红外森林火灾判定方法，能够在森林火灾发生的早期快速、准确、安全的检测火灾，大大提高了森林防火的判断精度，提高了工作效率。

本发明的目的通过下述技术方案实现：

一种基于多特征融合的红外森林火灾判定方法，包括以下步骤：

A、红外图像序列输入；

B、二值化处理；

C、形态学处理；

D、火焰特征提取；

E、火焰特征SVM分类判别；

F、利用贝叶斯分类器进行分类决策；

G、通过步骤F的数据判定是否有火灾发生。

步骤B中二值化处理采用Otsu算法来进行二值化图像分割；其中Otsu阈值分割计算公式为：

$k^{*}=Arg\underset{0\&le;k\&le;L-1}{Max}<\frac{{\&lsqb;m_G{P}_1\left(k\right)-m\left(k\right)\&rsqb;}^2}{P_1\left(k\right)\&lsqb;1-P_1\left(k\right)\&rsqb;}>;$

式中k^*为最佳阈值，m_G为整个图像的平均灰度值，P₁(k)为灰度值从0至k的像素概率累加和，p_i是灰度值为i的像素概率。

步骤C中形态学处理采用的公式为：

其中f是阈值化后的图像，b为腐蚀以及膨胀用的结构元；通过步骤C的形态学处理将步骤B中的热源干扰形成的斑点状弱小噪声进一步减少。

步骤D中的火焰特征包括：红外火焰高度特性、红外火焰梯度特性、红外火焰移动特性以及火焰频谱特性。

所述红外火焰高度特性首先通过对火焰的动态分析，并对一定帧数进行统计分析，得到火焰高度动态特征序列H＝{h_i,h_i+1,...,h_i+n-1}，其中的n为采集的长度，h_i为第i帧的高度；其次，由于火焰的跳动频率在2～8Hz之间，根据香农的采样定理，则需要的采集频率应大于16Hz，以保证统计上的稳定特征，将采集的静态特征加入序列，同时采用长度为32的序列进行分析，并对加入静态特征量的序列进行更新，将新的静态特征量加入序列的尾部，并将序列的头部删除；最后，对获取的最终火焰高度动态特征序列进行Fourier变换，设获得的Fourier系数集合为F，则集合内第k个元素f_k可以描述为：

$f_k=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{h}_i{e}^{-\frac{j2\mathrm{\&pi;}ik}{n}},$

其中，j²＝-1，通过对Fourier系数F进行分析，可以对干扰进行区分；

由于火焰包含了比较丰富的频率，因此反应在频率谱上则具有比较大的能量，将谱能量P(F)作为红外森林火焰的判据，其计算公式如下：

$P\left(F\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{f}_k\stackrel{\&OverBar;}{f_k},$

其中是f_k的复共轭。

所述红外火焰梯度特性的计算过程如下：

首先对分割出的疑似红外森林火灾高危点和火灾火焰区域中心在x向，y向和±45°四个方向上逐像素点做差值运算，来近似四个方向的梯度；接着通过公式ΔQ_i＝Q_i+1-Q_i得到梯度特性并作为红外森林火焰判据，其中Q_i为采集的当前帧的梯度值的单链表。

所述红外火焰移动特性用火焰的质心来表示，该质心由矩计算求得；对于二值化后的红外可疑火灾区域图像，它的pq矩为：

M_pq＝∑∑f(i,j)i^pj^q，

其可疑区域质心表达式为：

$(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})=(M_{10}/M_{00},M_{01}/M_{00}),$

其中f(i,j)为二值化的红外可疑区域像素值，i，j为图像坐标点,p和q的取值为正整数。

所述火焰频谱特性是根据火焰轮廓的无规律性以及不规则的特性，提取出可疑的红外火焰区域的轮廓，先利用Canny边界提取的方法对可疑区域的边界进行提取；然后，以边缘区域的中心点为原点，以水平方向从右边逆时针把疑似火灾区域分为64等份；计算原点到边界轮廓的每条等分的线段的距离可得到关于角度θ的离散函数：

x[l]＝f(iθ)，

其中x[l]为第l个线段的距离，l＝0，1，2，...，64，f(iθ)为第i个等分线段的长度值；

因为火焰轮廓不规则以及随机变换，与其他一般的物体轮廓差别很大，所以上述轮廓函数在进行小波变换到频域后又将分解为高频信号和低频信号；低频信号包含轮廓本身大致的信息，而高频信号则包含了轮廓细节上的信息，红外火焰轮廓的高频信息与其他一般的物体有比较大的区别，所以为了确定曲线的高频内容，我们用x[l]进行一维的小波变换，小波基函数为：

${\mathrm{\&psi;}}_{a,\mathrm{\&tau;}}\left(t\right)=a^{-\frac{1}{2}}\mathrm{\&psi;}\left(\frac{t-\mathrm{\&tau;}}{a}\right),a>0,\mathrm{\&tau;}\&Element;R,$

其中ψ(t)为小波母函数，a为伸缩因子，τ为平移因子，ψ_a,τ(t)是依赖参数a,τ的小波基函数，一维离散小波变换函数为：

$W\&lsqb;j,k\&rsqb;=\underset{l=0}{\overset{64}{\&Sigma;}}x\&lsqb;l\&rsqb;\stackrel{\&OverBar;}{{\mathrm{\&psi;}}_{j,k}\&lsqb;l\&rsqb;},$

其中j为伸缩因子，代表频域信息，k为平移因子，代表空间位置， ${\mathrm{\&psi;}}_{j,k}\&lsqb;l\&rsqb;=\frac{1}{\sqrt{2^j}}\mathrm{\&psi;}(\frac{l}{2^j}-k),$ 是ψ_j,k[l]的复共轭；

计算出频域小波信号W[j,k]后，设定一个阈值j_T，当j>j_T时的信号值为高频信息w_H[j,k]，当j<j_T的信号值为低频信息w_L[j,k]，高频带的红外小波火焰信号的变化比一般的物体的小波信号有很大的差异，所以高波段的能量与低波段的能量比可以作为一个判别火焰的特征：

$\mathrm{\&rho;}=\frac{{\mathrm{\&Sigma;}}_k|w_H\&lsqb;j,k\&rsqb;|}{{\mathrm{\&Sigma;}}_k|c_L\&lsqb;j,k\&rsqb;|}.$

步骤E中火焰特征SVM分类判别是将步骤D中的各个火焰特征输入SVM分类器中，并将其与训练样本通过SVM分类器后得到的分类函数进行匹配，从而完成分类判别；其中，训练样本为(x_i，y_i),相应的分类函数为：

$f\left(\stackrel{\&RightArrow;}{x}\right)=sgn\left(\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i^{*}{y}_{i}K\right({\stackrel{\&RightArrow;}{x}}_i,\stackrel{\&RightArrow;}{x})+b^{*}),$

其中b^*是分类阈值，当时，x就属于该类，否则就不属于该类。

步骤F中所述的利用贝叶斯分类器进行分类决策，主要判据为步骤E中分别利用SVM进行训练得到各个特征的分类器，，然后再利用最小错误率的贝叶斯决策融合进行判断识别火焰，贝叶斯公式为：

$P\left({\mathrm{\&omega;}}_j\right|x)=\frac{p\left(x\right|{\mathrm{\&omega;}}_j)P\left({\mathrm{\&omega;}}_j\right)}{\underset{i=1}{\overset{2}{\&Sigma;}}p\left(x\right|{\mathrm{\&omega;}}_j)P\left({\mathrm{\&omega;}}_j\right)},$ 其中j＝1，2，

如此步骤G中判定是否发生火灾则基于最小错误率的贝叶斯决策规则：如果P(ω₁|x)＞P(ω₂|x)，则把x归类于为正常状态，反之P(ω₁|x)＜P(ω₂|x)，则把x归类于危险状态，就此进行红外森林火灾的识别。

本发明与现有技术相比，具有以下优点及有益效果：

本发明能够通过火焰红外来判定林区是否发生活在，其精准度高、相应效率快，在森林火灾发生的早期就能够快速、准确、安全的检测出火灾发生的情况，大大提高了森林防火的判断精度，提高了工作效率，很好的克服了现有技术的误判情况，进一步节省了人力资源的损耗，提高了人力资源的利用率。

附图说明

图1为本发明的步骤图。

图2为本发明火焰频谱特性把疑似火灾区域等分图。

具体实施方式

下面结合实施例对本发明作进一步的详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，一种基于多特征融合的红外森林火灾判定方法，包括以下步骤：

A、红外图像序列输入；

B、二值化处理；

二值化处理采用Otsu算法来进行二值化图像分割；其中Otsu阈值分割计算公式为：

$k^{*}=Arg\underset{0\&le;k\&le;L-1}{Max}<\frac{{\&lsqb;m_G{P}_1\left(k\right)-m\left(k\right)\&rsqb;}^2}{P_1\left(k\right)\&lsqb;1-P_1\left(k\right)\&rsqb;}>;$

式中k^*为最佳阈值，m_G为整个图像的平均灰度值，P₁(k)为灰度值从0至k的像素概率累加和，p_i是灰度值为i的像素概率。

C、形态学处理；

形态学处理采用的公式为：

其中f是阈值化后的图像，b为腐蚀以及膨胀用的结构元；通过步骤C的形态学处理将步骤B中的热源干扰形成的斑点状弱小噪声进一步减少。

D、火焰特征提取；

火焰特征包括：红外火焰高度特性、红外火焰梯度特性、红外火焰移动特性以及火焰频谱特性。

红外火焰高度特性首先通过对火焰的动态分析，并对一定帧数进行统计分析，得到火焰高度动态特征序列H＝{h_i,h_i+1,...,h_i+n-1}，其中的n为采集的长度，h_i为第i帧的高度；其次，由于火焰的跳动频率在2～8Hz之间，根据香农的采样定理，则需要的采集频率应大于16Hz，以保证统计上的稳定特征，将采集的静态特征加入序列，同时采用长度为32的序列进行分析，并对加入静态特征量的序列进行更新，将新的静态特征量加入序列的尾部，并将序列的头部删除；最后，对获取的最终火焰高度动态特征序列进行Fourier变换，设获得的Fourier系数集合为F，则集合内第k个元素f_k可以描述为：

$f_k=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{h}_i{e}^{-\frac{j2\mathrm{\&pi;}ik}{n}},$

其中，j²＝-1，通过对Fourier系数F进行分析，可以对干扰进行区分；

由于火焰包含了比较丰富的频率，因此反应在频率谱上则具有比较大的能量，将谱能量P(F)作为红外森林火焰的判据，其计算公式如下：

$P\left(F\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{f}_k\stackrel{\&OverBar;}{f_k},$

其中是f_k的复共轭。

红外火焰梯度特性的计算过程如下：

首先对分割出的疑似红外森林火灾高危点和火灾火焰区域中心在x向，y向和±45°四个方向上逐像素点做差值运算，来近似四个方向的梯度；接着通过公式ΔQ_i＝Q_i+1-Q_i得到梯度特性并作为红外森林火焰判据，其中Q_i为采集的当前帧的梯度值的单链表。

以水平方向为例，如表1所示，以R₅为中心的3×3区域，用下述方法计算梯度值，再用同样的模板计算R₆的梯度值，将火焰边界内所计算的一系列梯度值的计算结果保存在单链表Q₁中，当采集下一帧，重复上述步骤，记录为Q₂，再用Q₁减去Q₂的差的绝对值的累加和可以作为红外森林火焰判据。梯度计算如下：

竖直：grad(R₅)＝2R₆+R₃+R₉-2R₄-R₇-R₁,

水平：grad(R₅)＝2R₂+R₁+R₃-2R₈-R₉-R₇,

+45°：grad(R₅)＝2R₃+R₂+R₆-2R₇-R₄-R₈,

-45°：grad(R₅)＝2R₇+R₄+R₈-2R₃-R₂-R₆,

则有：ΔQ_i＝Q_i+1-Q_i。

R1	R2	R3
			R4	R5	R6
R7	R8	R9

表1

红外火焰移动特性用火焰的质心来表示，该质心由矩计算求得；对于二值化后的红外可疑火灾区域图像，它的pq矩为：

M_pq＝∑∑f(i,j)i^pj^q，

其可疑区域质心表达式为：

$(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})=(M_{10}/M_{00},M_{01}/M_{00}),$

其中f(i,j)为二值化的红外可疑区域像素值，i，j为图像坐标点,p和q的取值为正整数。

火焰频谱特性是根据火焰轮廓的无规律性以及不规则的特性，提取出可疑的红外火焰区域的轮廓，先利用Canny边界提取的方法对可疑区域的边界进行提取；然后，以边缘区域的中心点为原点，以水平方向从右边逆时针把疑似火灾区域分为64等份，如图2所示；计算原点到边界轮廓的每条等分的线段的距离可得到关于角度θ的离散函数：

x[l]＝f(iθ)，

其中x[l]为第l个线段的距离，l＝0，1，2，...，64，f(iθ)为第i个等分线段的长度值；

因为火焰轮廓不规则以及随机变换，与其他一般的物体轮廓差别很大，所以上述轮廓函数在进行小波变换到频域后又将分解为高频信号和低频信号；低频信号包含轮廓本身大致的信息，而高频信号则包含了轮廓细节上的信息，红外火焰轮廓的高频信息与其他一般的物体有比较大的区别，所以为了确定曲线的高频内容，我们用x[l]进行一维的小波变换，小波基函数为：

${\mathrm{\&psi;}}_{a,\mathrm{\&tau;}}\left(t\right)=a^{-\frac{1}{2}}\mathrm{\&psi;}\left(\frac{t-\mathrm{\&tau;}}{a}\right),a>0,\mathrm{\&tau;}\&Element;R,$

其中ψ(t)为小波母函数，a为伸缩因子，τ为平移因子，ψ_a,τ(t)是依赖参数a,τ的小波基函数，一维离散小波变换函数为：

$W\&lsqb;j,k\&rsqb;=\underset{l=0}{\overset{64}{\&Sigma;}}x\&lsqb;l\&rsqb;\stackrel{\&OverBar;}{{\mathrm{\&psi;}}_{j,k}\&lsqb;l\&rsqb;},$

其中j为伸缩因子，代表频域信息，k为平移因子，代表空间位置， ${\mathrm{\&psi;}}_{j,k}\&lsqb;l\&rsqb;=\frac{1}{\sqrt{2^j}}\mathrm{\&psi;}(\frac{l}{2^j}-k),$ 是ψ_j,k[l]的复共轭；

计算出频域小波信号W[j,k]后，设定一个阈值j_T，当j>j_T时的信号值为高频信息w_H[j,k]，当j<j_T的信号值为低频信息w_L[j,k]，高频带的红外小波火焰信号的变化比一般的物体的小波信号有很大的差异，所以高波段的能量与低波段的能量比可以作为一个判别火焰的特征：

$\mathrm{\&rho;}=\frac{{\mathrm{\&Sigma;}}_k|w_H\&lsqb;j,k\&rsqb;|}{{\mathrm{\&Sigma;}}_k|c_L\&lsqb;j,k\&rsqb;|}.$

E、火焰特征SVM分类判别；

火焰特征SVM分类判别是将步骤D中的各个火焰特征输入SVM分类器中，并将其与训练样本通过SVM分类器后得到的分类函数进行匹配，从而完成分类判别；其中，训练样本为(x_i，y_i),相应的分类函数为：

$f\left(\stackrel{\&RightArrow;}{x}\right)=sgn\left(\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i^{*}{y}_{i}K\right({\stackrel{\&RightArrow;}{x}}_i,\stackrel{\&RightArrow;}{x})+b^{*}),$

其中b^*是分类阈值，当时，x就属于该类，否则就不属于该类。

SVM分类器在使用之前必须要收集大量正负训练样本，并提取特征，从而完成分类器模型函数的建模。应用过程中，首先加载分类器数据文件，初始化分类判别函数模型，然后提取火焰特征，输入到分类器模型函数，得到分类判别结果。

F、利用贝叶斯分类器进行分类决策；

G、通过步骤F的数据判定是否有火灾发生。

步骤F中所述的利用贝叶斯分类器进行分类决策，主要判据为步骤E中分别利用SVM进行训练得到各个特征的分类器，，然后再利用最小错误率的贝叶斯决策融合进行判断识别火焰，贝叶斯公式为：

$P\left({\mathrm{\&omega;}}_j\right|x)=\frac{p\left(x\right|{\mathrm{\&omega;}}_j)P\left({\mathrm{\&omega;}}_j\right)}{\underset{i=1}{\overset{2}{\&Sigma;}}p\left(x\right|{\mathrm{\&omega;}}_j)P\left({\mathrm{\&omega;}}_j\right)},$ 其中j＝1，2，

如此步骤G中判定是否发生火灾则基于最小错误率的贝叶斯决策规则：如果P(ω₁|x)＞P(ω₂|x)，则把x归类于为正常状态，反之P(ω₁|x)＜P(ω₂|x)，则把x归类于危险状态，就此进行红外森林火灾的识别。

如上所述，便可很好的实现本发明。

Claims (10)

1.一种基于多特征融合的红外森林火灾判定方法，其特征在于：包括以下步骤：

A、红外图像序列输入；

B、二值化处理；

C、形态学处理；

D、火焰特征提取；

E、火焰特征SVM分类判别；

F、利用贝叶斯分类器进行分类决策；

G、通过步骤F的数据判定是否有火灾发生。

2.根据权利要求1所述的一种基于多特征融合的红外森林火灾判定方法，其特征在于：步骤B中二值化处理采用Otsu算法来进行二值化图像分割；其中Otsu阈值分割计算公式为：

$k^{*}=Arg\underset{0\&le;k\&le;L-1}{Max}<\frac{{\&lsqb;m_G{P}_1\left(k\right)-m\left(k\right)\&rsqb;}^2}{P_1\left(k\right)\&lsqb;1-P_1\left(k\right)\&rsqb;}>;$

式中k^*为最佳阈值，m_G为整个图像的平均灰度值，P₁(k)为灰度值从0至k的像素概率累加和，p_i是灰度值为i的像素概率。

3.根据权利要求2所述的一种基于多特征融合的红外森林火灾判定方法，其特征在于：步骤C中形态学处理采用的公式为：

其中f是阈值化后的图像，b为腐蚀以及膨胀用的结构元；通过步骤C的形态学处理将步骤B中的热源干扰形成的斑点状弱小噪声进一步减少。

4.根据权利要求3所述的一种基于多特征融合的红外森林火灾判定方法，其特征在于：步骤D中的火焰特征包括：红外火焰高度特性、红外火焰梯度特性、红外火焰移动特性以及火焰频谱特性。

5.根据权利要求4所述的一种基于多特征融合的红外森林火灾判定方法，其特征在于：所述红外火焰高度特性首先通过对火焰的动态分析，并对一定帧数进行统计分析，得到火焰高度动态特征序列H＝{h_i,h_i+1,...,h_i+n-1}，其中的n为采集的长度，h_i为第i帧的高度；其次，由于火焰的跳动频率在2～8Hz之间，根据香农的采样定理，则需要的采集频率应大于16Hz，以保证统计上的稳定特征，将采集的静态特征加入序列，同时采用长度为32的序列进行分析，并对加入静态特征量的序列进行更新，将新的静态特征量加入序列的尾部，并将序列的头部删除；最后，对获取的最终火焰高度动态特征序列进行Fourier变换，设获得的Fourier系数集合为F，则集合内第k个元素f_k可以描述为：

$f_k=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{h}_i{e}^{-\frac{j2\mathrm{\&pi;}ik}{n}},$

其中，j²＝-1，通过对Fourier系数F进行分析，可以对干扰进行区分；

由于火焰包含了比较丰富的频率，因此反应在频率谱上则具有比较大的能量，将谱能量P(F)作为红外森林火焰的判据，其计算公式如下：

$P\left(F\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{f}_k\stackrel{\&OverBar;}{f_k},$

其中是f_k的复共轭。

6.根据权利要求5所述的一种基于多特征融合的红外森林火灾判定方法，其特征在于：所述红外火焰梯度特性的计算过程如下：

首先对分割出的疑似红外森林火灾高危点和火灾火焰区域中心在x向，y向和±45°四个方向上逐像素点做差值运算，来近似四个方向的梯度；接着通过公式ΔQ_i＝Q_i+1-Q_i得到梯度特性并作为红外森林火焰判据，其中Q_i为采集的当前帧的梯度值的单链表。

7.根据权利要求6所述的一种基于多特征融合的红外森林火灾判定方法，其特征在于：所述红外火焰移动特性用火焰的质心来表示，该质心由矩计算求得；对于二值化后的红外可疑火灾区域图像，它的pq矩为：

M_pq＝ΣΣf(i,j)i^pj^q，

其可疑区域质心表达式为：

$(\stackrel{\&OverBar;}{x},\stackrel{\&OverBar;}{y})=(M_{10}/M_{00},M_{01}/M_{00}),$

其中f(i,j)为二值化的红外可疑区域像素值，i，j为图像坐标点,p和q的取值为正整数。

8.根据权利要求7所述的一种基于多特征融合的红外森林火灾判定方法，其特征在于：所述火焰频谱特性是根据火焰轮廓的无规律性以及不规则的特性，提取出可疑的红外火焰区域的轮廓，先利用Canny边界提取的方法对可疑区域的边界进行提取；然后，以边缘区域的中心点为原点，以水平方向从右边逆时针把疑似火灾区域分为64等份；计算原点到边界轮廓的每条等分的线段的距离可得到关于角度θ的离散函数：

x[l]＝f(iθ)，

其中x[l]为第l个线段的距离，l＝0，1，2，...，64，f(iθ)为第i个等分线段的长度值；

因为火焰轮廓不规则以及随机变换，与其他一般的物体轮廓差别很大，所以上述轮廓函数在进行小波变换到频域后又将分解为高频信号和低频信号；低频信号包含轮廓本身大致的信息，而高频信号则包含了轮廓细节上的信息，红外火焰轮廓的高频信息与其他一般的物体有比较大的区别，所以为了确定曲线的高频内容，我们用x[l]进行一维的小波变换，小波基函数为：

${\mathrm{\&psi;}}_{a,\mathrm{\&tau;}}\left(t\right)=a^{-\frac{1}{2}}\mathrm{\&psi;}\left(\frac{t-\mathrm{\&tau;}}{a}\right),a>0,\mathrm{\&tau;}\&Element;R,$

其中ψ(t)为小波母函数，a为伸缩因子，τ为平移因子，ψ_a,τ(t)是依赖参数a,τ的小波基函数，一维离散小波变换函数为：

$W\&lsqb;j,k\&rsqb;=\underset{l=0}{\overset{64}{\&Sigma;}}x\&lsqb;l\&rsqb;\stackrel{\&OverBar;}{{\mathrm{\&psi;}}_{j,k}\&lsqb;l\&rsqb;},$

其中j为伸缩因子，代表频域信息，k为平移因子，代表空间位置， ${\mathrm{\&psi;}}_{j,k}\&lsqb;l\&rsqb;=\frac{1}{\sqrt{2^j}}\mathrm{\&psi;}(\frac{l}{2^j}-k),$ 是ψ_j,k[l]的复共轭；

计算出频域小波信号W[j,k]后，设定一个阈值j_T，当j>j_T时的信号值为高频信息w_H[j,k]，当j<j_T的信号值为低频信息w_L[j,k]，高频带的红外小波火焰信号的变化比一般的物体的小波信号有很大的差异，所以高波段的能量与低波段的能量比可以作为一个判别火焰的特征：

$\mathrm{\&rho;}=\frac{{\mathrm{\&Sigma;}}_k\left|w_H\&lsqb;j,k\&rsqb;\right|}{{\mathrm{\&Sigma;}}_k\left|c_L\&lsqb;j,k\&rsqb;\right|}.$

9.根据权利要求8所述的一种基于多特征融合的红外森林火灾判定方法，其特征在于：步骤E中火焰特征SVM分类判别是将步骤D中的各个火焰特征输入SVM分类器中，并将其与训练样本通过SVM分类器后得到的分类函数进行匹配，从而完成分类判别；其中，训练样本为(xⁱ，yⁱ),相应的分类函数为：

$f\left(\stackrel{\&RightArrow;}{x}\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&alpha;}}_i^{*}{y}_{i}K\right({\stackrel{\&RightArrow;}{x}}_i,\stackrel{\&RightArrow;}{x})+b^{*}),$

其中b^*是分类阈值，当时，x就属于该类，否则就不属于该类。

10.根据权利要求9所述的一种基于多特征融合的红外森林火灾判定方法，其特征在于：步骤F中所述的利用贝叶斯分类器进行分类决策，主要判据为步骤E中分别利用SVM进行训练得到各个特征的分类器，，然后再利用最小错误率的贝叶斯决策融合进行判断识别火焰，贝叶斯公式为：

$P\left({\mathrm{\&omega;}}_j\right|x)=\frac{p\left(x\right|{\mathrm{\&omega;}}_j)P\left({\mathrm{\&omega;}}_j\right)}{\underset{i=1}{\overset{2}{\&Sigma;}}p\left(x\right|{\mathrm{\&omega;}}_j)P\left({\mathrm{\&omega;}}_j\right)},$ 其中j＝1，2，

如此步骤G中判定是否发生火灾则基于最小错误率的贝叶斯决策规则：如果P(ω₁|x)＞P(ω₂|x)，则把x归类于为正常状态，反之P(ω₁|x)＞P(ω₂|x)，则把x归类于危险状态，就此进行红外森林火灾的识别。