DE102009048739B3

DE102009048739B3 - Automatic forest fire detection method involves triggering alarm, if fractal dimensions of grey values of current image and cluster surface of binarized image, and respective axis intercept lie within preset value

Info

Publication number: DE102009048739B3
Application number: DE200910048739
Authority: DE
Inventors: Dr. Knollenberg Jörg; Dr. Kührt Ekkehard; Dr. Schischmanow Adrian; Thomas Behnke
Original assignee: Deutsches Zentrum fuer Luft und Raumfahrt eV
Current assignee: Deutsches Zentrum fuer Luft und Raumfahrt eV
Priority date: 2009-07-14
Filing date: 2009-10-08
Publication date: 2012-03-29
Anticipated expiration: 2029-10-09

Abstract

Verfahren zur automatischen Waldbranderkennung mittels mindestens einer optischen Aufnahmeeinrichtung (2), einer elektronischen Auswerteeinheit (3) und einem Alarmgeber (4), umfassend folgende Verfahrensschritte:
a. Aufnehmen mindestens eines aktuellen Bildes der zu untersuchenden Szene,
b. Erzeugen eines binarisierten Bildes aus dem aktuellen Bild oder einem aus dem aktuellen Bild gewonnenen Bild,
c. Anwenden eines Clustersuchalgorithmus auf das binarisierte Bild zum Auffinden zusammenhängender Gebiete,
d. Bewertung der gefundenen Cluster aufgrund mindestens eines charakteristischen Merkmals,
e. Klassifikation von Rauchverdachtsclustern, wenn mindestens eines oder mehrere der charakteristischen Merkmale eines Clusters innerhalb vorbestimmter Merkmalsintervalle liegen und
f. Auslösen eines Alarms durch den Alarmgeber (4), wenn ein Rauchverdachtscluster klassifiziert wurde,
dadurch gekennzeichnet, dass
mindestens ein charakteristisches Merkmal eine fraktale Dimension (D_g) der Grauwerte des aktuellen Bildes und/oder eine fraktale Dimension (D_F) der Fläche eines Clusters des binarisierten Bildes ist, wobei
für jeden Pixel einer ersten Gruppe von Pixeln eines...Method for automatic forest fire detection by means of at least one optical recording device (2), an electronic evaluation unit (3) and an alarm transmitter (4), comprising the following method steps:
a. Taking at least one current picture of the scene to be examined,
b. Generating a binarized image from the current image or an image obtained from the current image,
c. Applying a cluster search algorithm to the binarized image to find contiguous areas,
d. Evaluation of the clusters found due to at least one characteristic feature,
e. Classification of suspected smoke clusters if at least one or more of the characteristic features of a cluster are within predetermined feature intervals, and
f. Triggering an alarm by the alarm transmitter (4) if a suspected smoke cluster has been classified,
characterized in that
at least one characteristic feature is a fractal dimension (D _g ) of the gray values of the current image and / or a fractal dimension (D _F ) of the surface of a cluster of the binarized image, wherein
for each pixel of a first group of pixels of a ...

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur automatischen Waldbranderkennung.The invention relates to a method and a device for automatic forest fire detection.

Die Gefahr von Bränden in Wald und Flur wächst infolge klimatischer Veränderungen und menschlicher Eingriffe und Tätigkeiten ständig. Derartige Brände stellen meist eine Gefährdung von Menschenleben dar und verursachen große volkswirtschaftliche und ökologische Schäden. Zur effektiven Bekämpfung und Eindämmung von Waldbränden ist ein frühzeitiges Erkennen notwendig. Hierfür gibt es je nach Art und Größe der zu überwachenden Region und des Gefährdungspotenzials verschiedene Verfahren. Dabei kommen beispielsweise Flugzeuge oder menschliche Beobachtungsposten auf Türmen zum Einsatz. Vor allem bei einer langfristigen, turmgebundenen Überwachung ergeben sich jedoch Erkennungsfehler durch Übermüdung, Unaufmerksamkeit und ähnliche Faktoren.The risk of fires in forests and meadows is constantly growing as a result of climatic changes and human intervention and activities. Such fires usually pose a threat to human life and cause great economic and ecological damage. To effectively combat and control forest fires, early detection is necessary. Depending on the type and size of the region to be monitored and the hazard potential, there are various procedures for this. For example, airplanes or human observation posts on towers are used. Especially in the case of long-term, tower-bound monitoring, however, recognition errors due to fatigue, inattention and similar factors arise.

In der EP 0 984 413 B1 wird ein Verfahren zur automatischen Waldbranderkennung mittels einer auf einer Plattform drehbar angeordneten optischen Aufnahmeeinrichtung, einer elektronischen Auswerteeinheit und einem Sender oder lokalen Alarmgeber offenbart, welches folgend angeführte Verfahrensschritte umfasst Erstens wird ein Referenzbild einer Szene aufgenommen und der Horizont bestimmt. Zweitens wird das aufgenommene Referenzbild auf Mittelwert und Standardabweichung normiert sowie Bildbereiche unter dem Horizont markiert. Drittens wird eine nichtlineare Filterung zur Unterdrückung möglicher Bewegungen im normierten aufgenommenen Referenzbild vorgenommen. Viertens erfolgt eine Zwischenspeicherung des gewonnenen Referenzbilds. Fünftens wird ein aktuelles Bild der zu untersuchenden Szene aufgenommen. Sechstens erfolgt ein Bildmatching des aktuellen Bildes auf das Referenzbild. Siebtens wird das gematchte Bild analog des zweiten Verfahrensschritts normiert. Achtens werden Schwellen proportional zur normierten Standardabweichung gebildet, unter deren Zuhilfenahme neuntens ein binarisiertes Differenzbild aus dem Vergleich des aktuellen Bildes mit dem entsprechenden Referenzbild erzeugt wird. Zehntens erfolgt de Anwendung eines Clusteralgorithmus auf das binarisierte Differenzbild zum Auffinden zusammenhängender Cluster. Elftens werden Wahrscheinlichkeiten zur Bewertung der gefundenen Cluster aufgrund charakteristischer Merkmale gebildet und Cluster unterhalb einer Wahrscheinlichkeitsschwelle eliminiert. Im letzten Schritt erfolgt das Auslösen eines Alarms, falls die Rauchwahrscheinlichkeit für mindestens ein Cluster eine vorgegebene Schwelle überschreitet.In the EP 0 984 413 B1 a method is disclosed for automatic forest fire detection by means of a rotatably mounted on a platform optical recording device, an electronic evaluation and a transmitter or local alarm, which includes the following method steps. First, a reference image of a scene is recorded and determines the horizon. Second, the recorded reference image is normalized to mean and standard deviation, and image areas are marked below the horizon. Third, non-linear filtering is performed to suppress possible movements in the normalized recorded reference image. Fourth, there is a temporary storage of the obtained reference image. Fifth, a current picture of the scene to be examined is taken. Sixth, image matching of the current image is performed on the reference image. Seventh, the matched image is normalized analogously to the second process step. Eighth, thresholds are formed in proportion to the normalized standard deviation, with the help of which, ninthly, a binarized difference image is generated from the comparison of the current image with the corresponding reference image. Tenth, a cluster algorithm is applied to the binarized difference image to find contiguous clusters. Eleventh, probabilities for evaluating the clusters found are constructed on the basis of characteristic features, and clusters below a probability threshold are eliminated. In the final step, an alarm is triggered if the smoke probability for at least one cluster exceeds a specified threshold.

Trotz einer hohen Erkennungssicherheit des offenbarten Verfahrens tritt unter Umständen eine hohe Anzahl von Fehlmeldungen am Tage auf. Ursachen hierfür sind beispielsweise Wettererscheinungen und/oder (neu errichtete) Windkraftanlagen im Sichtfeld der optischen Aufnahmevorrichtung. Weiterhin ist mit der bisherigen Technik keine Erkennung von Waldbränden während der Nacht möglich.Despite a high recognition reliability of the disclosed method, a high number of false reports may occur during the day. Causes for this are, for example, weather phenomena and / or (newly built) wind turbines in the field of view of the optical recording device. Furthermore, with the previous technique no detection of forest fires during the night is possible.

Aus dem Fachartikel von Song-tao Liu: An improved differential box-counting approach to compute fractal dimension of gray-level image; in: Proceedings of the 2008 International Symposium an Information Science and Engineering – Volume 1; Pages: 303–306, year of publication: 2008; ISBN: 978-0-7695-3494-7 ist ein Verfahren zum verbesserten Bestimmen der fraktalen Dimension bekannt, wobei mittels der bestimmten fraktalen Dimension auf Rauchwolken in einem Bild geschlossen wird.From the article by Song-tao Liu: An improved differential box-counting approach to computer fractal dimension of gray-level image; in: Proceedings of the 2008 International Symposium on Information Science and Engineering - Volume 1; Pages: 303-306, year of publication: 2008; ISBN: 978-0-7695-3494-7 discloses a method for improved determination of the fractal dimension wherein smoke clouds in an image are closed by means of the determined fractal dimension.

Auch die WO 95/06927 A1 offenbart die Verwendung der fraktalen Dimension zur Detektion von Rauchwolken.Also the WO 95/06927 A1 discloses the use of the fractal dimension to detect clouds of smoke.

Es stellt sich daher das technische Problem, ein Verfahren und eine Vorrichtung zur automatischen Erkennung von Waldbränden zu entwickeln, die einerseits tagsüber eine höhere Erkennungssicherheit bietet und weniger Fehlalarme auslöst und andererseits eine Waldbranderkennung auch bei Nacht ermöglicht.The technical problem therefore arises of developing a method and a device for the automatic detection of forest fires, which on the one hand offers greater detection reliability during the day and triggers fewer false alarms and on the other hand enables forest fire detection even at night.

Die Lösung des technischen Problems ergibt sich aus den Merkmalen der Ansprüche 1 und 5. Weitere vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen.The solution of the technical problem results from the features of claims 1 and 5. Further advantageous embodiments of the invention will become apparent from the dependent claims.

Hierbei umfasst ein Verfahren zur automatischen Waldbranderkennung mittels mindestens einer optischen Aufnahmeeinrichtung, einer elektronischen Auswerteeinheit und einem Alarmgeber, folgende Verfahrensschritte:

a) Aufnehmen mindestens eines aktuellen Bildes der zu untersuchenden Szene,
b) Erzeugen eines binarisierten Bildes aus dem aktuellen Bild oder einem aus dem aktuellen Bild gewonnenen Bild,
c) Anwenden eines Clustersuchalgorithmus auf das binarisierte Bild zum Auffinden zusammenhängender Gebiete,
d) Bewertung der gefundenen Cluster aufgrund mindestens eines charakteristischen Merkmales,
e) Klassifikation von Rauchverdachtsclustern, wenn mindestens eines oder mehrere der charakteristischen Merkmale eines Clusters innerhalb vorbestimmten Merkmalsintervalle liegen und
f) Auslösen eines Alarms durch den Alarmgeber, wenn ein Rauchverdachtscluster klassifiziert wurde, wobei mindestens ein charakteristisches Merkmal eine fraktale Dimension der Grauwerte des aktuellen Bildes und/oder eine fraktale Dimension einer Fläche eines Clusters des binarisierten Bildes ist.

In this case, a method for automatic forest fire detection by means of at least one optical recording device, an electronic evaluation unit and an alarm transmitter, comprises the following method steps:

a) taking at least one current image of the scene to be examined,
b) generating a binarized image from the current image or an image obtained from the current image,
c) applying a cluster search algorithm to the binarized image to find contiguous areas,
d) evaluation of the clusters found due to at least one characteristic feature,
e) Classification of suspected smoke clusters if at least one or more of the characteristic features of a cluster lie within predetermined feature intervals, and
f) triggering of an alarm by the alarm transmitter if a suspected smoke cluster has been classified, with at least one characteristic Feature is a fractal dimension of the gray values of the current image and / or a fractal dimension of an area of a cluster of the binarized image.

Durch die Auswertung der fraktalen Dimension der Grauwerte eines jeden Clusters für die Waldbranderkennung ergibt sich, dass neben den dynamischen Eigenschaften einer Rauchwolke auch ihre räumliche Struktur ausgewertet wird, die diese gegenüber der Umgebung auszeichnet. Da diese Struktur oftmals selbstähnlich ist, kann die fraktale Dimension der Grauwerte als ein Strukturparameter zur Charakterisierung der Rauchwolke verwendet werden, der insbesondere nur wenig von der Distanz zwischen optischer Aufnahmeeinrichtung und Rauchwolke beeinflusst wird.By evaluating the fractal dimension of the grayscale values of each cluster for forest fire detection, it follows that in addition to the dynamic properties of a cloud of smoke, its spatial structure is also evaluated, which distinguishes it from the environment. Since this structure is often self-similar, the fractal dimension of the gray values can be used as a structural parameter to characterize the cloud of smoke, which in particular is only slightly influenced by the distance between the optical recording device and the cloud of smoke.

Alternativ oder kumulativ wird die fraktale Dimension einer Fläche mindestens eines Clusters im binarisierten Bild ausgewertet. Anschaulich stellt dabei die fraktale Dimension die Flächigkeit bzw. umgekehrt die Zerfranstheit des Clusters dar. Dieses Merkmal hat insbesondere bei der Nachterkennung seine Vorteile.Alternatively or cumulatively, the fractal dimension of an area of at least one cluster is evaluated in the binarized image. Clearly, the fractal dimension represents the flatness or, conversely, the frailty of the cluster. This feature has its advantages in particular in the case of night detection.

Vorzugsweise wird eine Vielzahl von Merkmalen ausgewertet, die dann zusammen eine Rauchwahrscheinlichkeit bilden, wobei oberhalb einer Bewertungsschwelle Alarm ausgelöst wird. Dabei können die Merkmale bei Tag- und Nachterkennung unterschiedlich sein und/oder unterschiedlich gewichtet werden.Preferably, a plurality of features are evaluated, which then together form a smoke probability, wherein above an evaluation threshold alarm is triggered. The features may be different in day and night detection and / or weighted differently.

Dabei wird für jeden Pixel einer ersten Gruppe von Pixeln eines Clusters in dem aktuellen Bild eine Grauwertdifferenz und ein Abstand zu jedem Pixel einer zweiten Gruppe von Pixeln des Rauchverdachtsclusters in dem aktuellen Bild und die fraktale Dimension der Grauwerte als Steigung einer Geraden bestimmt, die den linearen Zusammenhang zwischen den logarithmisch aufgetragenen absoluten Grauwertdifferenzen und den entsprechenden, logarithmisch aufgetragenen, Abständen annähert. Diese Ausführungsform ermöglicht eine besonders vorteilhafte Bestimmung der fraktalen Dimension der Grauwerte für die Tagerkennung von Waldbränden, wobei nur das aktuell aufgenommene Bild ausgewertet werden muss. Die erste und die zweiten Gruppe von Pixeln eines Rauchverdachtscluster sind vorzugsweise gleich und umfassen einen Teil oder alle Pixel des Clusters. Die fraktale Dimension der Grauwerte wird lokal als Steigung einer Geraden berechnet, die die Verteilung von logarithmisch aufgetragenen absoluten Grauwertdifferenzen gegen logarithmisch aufgetragene Abstände annähert. Ist beispielsweise die erste Gruppe von Pixeln gleich der zweiten Gruppe von Pixeln und umfassen diese alle Pixel eines Clusters, so wird für einen bestimmten Pixel eine Grauwertdifferenz zu allen weiteren Pixeln des Clusters bestimmt. Gleichzeitig werden die zugehörigen Abstände des bestimmten Pixels zu allen weiteren Pixeln des Clusters bestimmt. Die so bestimmten Grauwertdifferenzen werden auf einer Ordinate, die zugehörigen Abstände auf einer Abszisse eines zweidimensionalen Koordinatensystems jeweils logarithmisch dargestellt. Dieser Vorgang wird für alle weiteren Pixel des Clusters wiederholt, wobei schon berechnete Grauwertdifferenzen und zugehörige Abstände nicht mehr bestimmt werden müssen. In die so entstehende Punktwolke wird dann eine Gerade mit einer Steigung und einem zugehörigen Achsenabschnitt angepasst, beispielsweise mit Hilfe eines Least Squares Verfahren.In this case, for each pixel of a first group of pixels of a cluster in the current image, a gray value difference and a distance to each pixel of a second group of pixels of the suspect cluster in the current image and the fractal dimension of the gray values are determined as the slope of a straight line Relationship between the logarithmically plotted absolute gray scale differences and the corresponding, logarithmically plotted, approximating distances. This embodiment enables a particularly advantageous determination of the fractal dimension of the gray values for the day recognition of forest fires, whereby only the currently recorded image has to be evaluated. The first and second groups of pixels of a suspected smoke cluster are preferably the same and comprise a part or all of the pixels of the cluster. The fractal dimension of the gray values is calculated locally as the slope of a line, which approximates the distribution of logarithmically plotted absolute gray value differences to logarithmically plotted distances. If, for example, the first group of pixels equals the second group of pixels and if these encompass all pixels of a cluster, a gray value difference for all other pixels of the cluster is determined for a specific pixel. At the same time, the associated distances of the particular pixel to all other pixels of the cluster are determined. The gray value differences determined in this way are represented logarithmically on an ordinate and the associated distances on an abscissa of a two-dimensional coordinate system. This process is repeated for all other pixels of the cluster, whereby already calculated gray value differences and associated distances no longer have to be determined. In the resulting point cloud then a straight line with a slope and an associated intercept is adapted, for example by means of a least squares method.

In einer bevorzugten Ausführungsform wird vorab ein Referenzbild einer Szene aufgenommen, wobei das Differenzbild aus aktuellem Bild und Referenzbild binarisiert wird, auf das der Clustersuchalgorithmus angewendet wird, wobei weiter vorzugsweise vor der Differenzbildung ein Bildmatching durchgeführt wird.In a preferred embodiment, a reference image of a scene is recorded in advance, wherein the difference image is binarized from the current image and the reference image, to which the cluster search algorithm is applied, and image matching is preferably carried out before the difference formation.

Die Grauwerte des Clusters werden dabei vorzugsweise normiert, beispielsweise auf den maximalen und minimalen Grauwert des Clusters. Der simultan ermittelte zugehörige Achsenabschnitt dient als weiteres Auswertekriterium für die Waldbranderkennung.The gray values of the cluster are preferably normalized, for example to the maximum and minimum gray value of the cluster. The simultaneously determined associated intercept section serves as a further evaluation criterion for the forest fire detection.

Ein Alarm wird beispielsweise ausgelöst, wenn gleichzeitig die fraktale Dimension der Grauwerte (Steigung) und der zugehörige Achsenabschnitt innerhalb eines vorbestimmten Parameterraums liegen. Bei der Auswertung mehrerer Merkmale wird entsprechend die Rauchwahrscheinlichkeit erhöht.An alarm is triggered, for example, if at the same time the fractal dimension of the gray values (slope) and the associated intercept are within a predetermined parameter space. When evaluating several characteristics, the smoke probability is correspondingly increased.

Alternativ oder kumulativ wird ein Flächenmittelpunkt des Clusters bestimmt, um den eine Kontur gebildet wird, wobei für jeden Punkt innerhalb der Kontur bestimmt wird, ob dieser zum Cluster gehört, wobei die fraktale Dimension der Fläche des Clusters als Steigung einer Geraden bestimmt wird, die den linearen Zusammenhang zwischen den logarithmisch aufgetragenen Clusterpunkten innerhalb der Kontur und den entsprechenden, logarithmisch aufgetragenen Abständen annähert. Die Kontur ist dabei vorzugsweise ein Kreis. Somit werden beispielsweise Leuchtstreifen von vorbeifahrenden Fahrzeugen erkannt, die eine längliche Leuchtspur aufweisen und somit eine geringe Steigung der Geraden aufweisen. Andere Störquellen sind beispielsweise Lichtspuren von Flugzeugen und Reflexionen an der Umgebung. Längliche Cluster, wie sie z. B. von Lichtern bewegter Fahrzeuge bei einer langen Belichtungszeit erzeugt werden, weisen typischerweise eine fraktale Dimension im Bereich von 1 bis 1,5 auf, während flächige Objekte, z. B. Rauchwolken, in etwa eine fraktale Dimension von 2 besitzen. Die fraktale Dimension D_F ist dabei beispielsweise definiert als D_F = m, wobei m die Steigung ist. Auch bei der fraktalen Dimension der Fläche wird der Achsenabschnitt zur Raucherkennung berücksichtigt, wie dies für die fraktale Dimension der Grauwerte beschrieben wurde.Alternatively, or cumulatively, a centroid of the cluster about which a contour is formed is determined, for each point within the contour, whether it belongs to the cluster, the fractal dimension of the surface of the cluster being determined as the slope of a straight line containing the linear relationship between the logarithmically applied cluster points within the contour and the corresponding, logarithmically spaced distances approximates. The contour is preferably a circle. Thus, for example, light strips are recognized by passing vehicles, which have an elongated tracer track and thus have a small slope of the line. Other sources of interference include light trails from aircraft and reflections on the environment. Elongated clusters, such as B. lights of moving vehicles are generated at a long exposure time, typically have a fractal dimension in the range of 1 to 1.5, while planar objects, such. B. clouds of smoke, in about a fractal dimension of 2 have. The fractal dimension D _F is defined, for example, as D _F = m, where m is the slope. Also in the fractal dimension of the surface, the intercept of the smoke is considered, as described for the fractal dimension of the gray values.

Weitere Störquellen können beispielsweise während der Nacht zusätzliche Fehlklassifikationen verursachen, wie beispielsweise stationäre Lichterscheinungen, wie z. B. Lampen, Blinklichter, Windkraftanlagen.Further sources of interference, for example, may cause additional misclassifications during the night, such as stationary light phenomena such. As lamps, flashing lights, wind turbines.

Um Fehlklassifikationen durch die genannten Störquellen zu unterdrücken, wird ausgenutzt, dass diese Quellen überwiegend durch elliptische Formen mit einer sehr geringen Exzentrizität und damit annähernd durch eine Kreisform charakterisiert werden können. Die Anpassung einer Ellipse an ein Cluster erfolgt vorzugsweise nur dann, wenn das herkömmliche Verfahren bereits eine hohe Rauchwahrscheinlichkeit klassifiziert hat. In diesen Bereichen wird im aufgenommenen, aktuellen Originalbild das lokale Intensitätsmaximum bestimmt und anschließend durch eine Schwellwertoperation mit vorbestimmten oder adaptiven Schwellen ein Binärbild des Rauchverdachtsclusters erzeugt. Danach werden, z. B. mittels eines Least Squares Verfahrens, die ”Best Fit”-Ellipsenparameter bestimmt. Ellipsenparameter umfassen dabei beispielsweise die Länge der Hauptachsen und die Lage des Mittelpunkts. Die normierte Differenz zwischen der Fläche der ”Best Fit”-Ellipse und dem Binärbild des Rauchverdachtsclusters dient dann als Maß für die Elliptizität des Clusters, wobei für die Elliptizität E gilt:

. Ist die Elliptizität hoch, beispielsweise größer als ein vorbestimmter Elliptizität-Schwellwert, so wird ein Rauchverdacht nicht bestätigt. Dabei wird davon ausgegangen, dass eine Rauchwolke nie eine scharfe Ellipsenform hat. Ist die Elliptizität sehr hoch (nahe 1), so spricht dies eher für ein anderes Objekt wie beispielsweise eine Lichtquelle. Alternativ und/oder kumulativ kann auch die Exzentrizität der Ellipse bestimmt werden. Ist diese beispielsweise größer als ein vorbestimmter Exzentrizitäts-Schwellwert, so wird ein Rauchverdacht bestätigt. Auch hier gilt, dass eine Rauchwolke eher breit als kreisrund (Exzentrizität 0), so dass bei einer nahe Null liegenden Exzentrizität eher wieder eine Lichtquelle als ein Rauchwolke erfasst wurde. Vorzugsweise werden beide Maße, die Elliptizität und die Exzentrizität bestimmt und ein Rauchverdacht nur dann bestätigt, wenn beide Maße jeweils unter bzw. über dem jeweiligen vorbestimmten Schwellwert liegen. Vorzugsweise ist dieser Verfahrensschritt der Bestimmung der fraktalen Dimension der Fläche vorgelagert.In order to suppress misclassifications by the mentioned sources of interference, it is exploited that these sources can be predominantly characterized by elliptical shapes with a very low eccentricity and thus approximately by a circular shape. The adaptation of an ellipse to a cluster is preferably carried out only if the conventional method has already classified a high smoke probability. In these areas, the local intensity maximum is determined in the recorded, current original image, and then a binary image of the suspected smoke cluster is generated by a threshold operation with predetermined or adaptive thresholds. After that, z. B. by means of a least squares method, the "Best Fit" Ellipsenparameter determined. Ellipse parameters include, for example, the length of the main axes and the position of the center. The normalized difference between the surface of the "Best Fit" ellipse and the binary image of the smoke suspected cluster then serves as a measure of the ellipticity of the cluster, where the following applies for the ellipticity E:

, If the ellipticity is high, for example greater than a predetermined ellipticity threshold value, a smoke suspicion is not confirmed. It is assumed that a cloud of smoke never has a sharp elliptical shape. If the ellipticity is very high (near 1), this is more likely to speak for another object, such as a light source. Alternatively and / or cumulatively, the eccentricity of the ellipse can also be determined. If this is, for example, greater than a predetermined eccentricity threshold, a suspicion of smoke is confirmed. Again, a cloud of smoke is rather broad than circular (eccentricity 0), so that when the eccentricity is near zero, it is more likely to detect a source of light than a cloud of smoke. Preferably, both dimensions, the ellipticity and the eccentricity are determined and a suspicion of smoke is confirmed only if both dimensions are respectively below or above the respective predetermined threshold value. This method step is preferably preceded by the determination of the fractal dimension of the surface.

In einer weiteren Ausführungsform wird eine mittlere fraktale Dimension der Grauwerte und/oder ein mittlerer zugehöriger Achsenabschnitt aus einer Sequenz von Bildern gemittelt und ein Alarm dann ausgelöst, wenn die mittlere fraktale Dimension der Grauwerte innerhalb eines vorbestimmten Dimensionsintervalls liegt und/oder die mittlere fraktale Dimension der Grauwerte und der mittlere Achsenabschnitt in einem vorbestimmten mittleren Parameterraum liegen. Durch die Mittelung der fraktalen Dimension der Grauwerte über mehrere Bilder kann die Erkennungssicherheit weiter verbessert werden.In another embodiment, a mean fractal dimension of the gray levels and / or a middle associated intercept is averaged from a sequence of images and an alarm is raised if the mean fractal dimension of the gray values is within a predetermined dimension interval and / or the mean fractal dimension of the gray scale Gray values and the mean intercept are in a predetermined mean parameter space. By averaging the fractal dimension of the gray values over several images, the reliability of recognition can be further improved.

Eine Vorrichtung zur automatischen Waldbranderkennung umfasst mindestens eine optischen Aufnahmeeinrichtung, eine elektronischen Auswerteeinheit und einen Alarmgeber, wobei die optische Aufnahmeeinrichtung mindestens ein aktuelles Bild einer zu untersuchenden Szene aufnimmt, die Auswerteeinheit ein binarisiertes Bild aus dem aktuellen Bild oder einem aus dem aktuellen Bild gewonnenen Bild erzeugt, ein Clustersuchalgorithmus auf das binarisierte Bild zum Auffinden zusammenhängender Gebiete anwendet, die gefundenen Cluster aufgrund charakteristischer Merkmale bewertet, Rauchverdachtscluster klassifiziert, wenn mindestens eines oder mehrere der charakteristischen Merkmale eines Clusters innerhalb vorbestimmter Merkmalsintervalle liegen, der Alarmgeber einen Alarm ausgibt, wenn ein Rauchverdachtscluster klassifiziert wurde, wobei mindestens ein charakteristisches Merkmal eine fraktale Dimension der Grauwerte des aktuellen Bildes und/oder eine fraktale Dimension der Fläche eines Clusters des binarisierten Bildes ist.An apparatus for automatic forest fire detection comprises at least one optical recording device, an electronic evaluation unit and an alarm transmitter, the optical recording device recording at least one current image of a scene to be examined, the evaluation unit generating a binarized image from the current image or an image obtained from the current image , applying a cluster search algorithm to the binarized image for finding contiguous regions, evaluating found clusters based on characteristic features, classifying suspected smoke clusters if at least one or more of the characteristic features of a cluster are within predetermined feature intervals, alerting alarms if a suspected smoke cluster has been classified where at least one characteristic feature is a fractal dimension of the gray values of the current image and / or a fractal dimension of the surface of a cluster of the binarized image is.

Die Erfindung wird anhand zweier Ausführungsbeispiele näherer erläutert. Die Figuren zeigen:The invention will be explained in more detail with reference to two embodiments. The figures show:

1 ein schematisches Blockschaltbild einer Vorrichtung zur automatischen Waldbranderkennung, 1 a schematic block diagram of an apparatus for automatic forest fire detection,

2 eine beispielhafte Ermittlung einer fraktalen Dimension der Grauwerte D_g über Geradenanpassung, 2 an exemplary determination of a fractal dimension of the gray values D _g via straight line adaptation,

3 einen Parameterbereich für Bildinhalte, 3 a parameter area for image content,

4 ein Konturbild einer stationären Lichtquelle, 4 a contour image of a stationary light source,

5 eine ”Best Fit” Ellipsenanpassung an ein Cluster, 5 a "best fit" ellipse fit to a cluster,

6 ein Bild einer Leuchtspur eines bei Nacht fahrenden Autos, 6 a picture of a light trail of a car driving at night,

7 eine ”Best Fit” Ellipsenanpassung an die binarisierte Leuchtspur und 7 a "best fit" elliptical fit to the binarized tracer trail and

8 eine beispielhafte Ermittlung der fraktalen Dimension der Fläche. 8th an exemplary determination of the fractal dimension of the surface.

1 zeigt eine Vorrichtung 1 zur automatischen Waldbranderkennung, die eine optische Aufnahmeeinrichtung 2, eine elektronische Auswerteeinheit 3 und einen Alarmgeber 4 umfasst. Die optische Aufnahmeeinrichtung 2, die elektronische Auswerteeinheit 3 und der Alarmgeber 4 sind datentechnisch verbunden. 1 shows a device 1 for automatic forest fire detection, which is an optical recording device 2 , an electronic evaluation unit 3 and an alarm device 4 includes. The optical recording device 2 , the electronic evaluation unit 3 and the alarm device 4 are connected by data technology.

Ein erstes Ausführungsbeispiel schildert die Tagerkennung einer Rauchwolke. Die optische Aufnahmeeinrichtung 2 nimmt ein aktuelles Bild einer zu untersuchenden Szene auf. In einer Vorverarbeitung, die sich an den in der EP 0 984 413 B1 vorgestellten Schritten orientiert, erzeugt die Auswerteeinheit 3 aus einem Referenzbild, welches beispielsweise zu einem früheren Zeitpunkt von der Aufnahmeeinrichtung 2 aufgenommen wurde, und dem aktuellen Bild ein binarisiertes Differenzbild. Danach wendet die Auswerteeinheit 3 einen Clustersuchalgorithmus auf das binarisierte Differenzbild an und erzeugt zusammenhängende Cluster. Hiernach bestimmt die Auswerteeinheit 3 charakteristische Merkmale der erzeugten Cluster. Dabei wird ein Rauchverdachtscluster von der Auswerteeinheit 3 klassifiziert, wenn beispielsweise mindestens eines der charakteristischen Merkmale eines erzeugten Clusters innerhalb vorbestimmter Merkmalsintervalle liegt.A first embodiment describes the tag recognition of a cloud of smoke. The optical recording device 2 takes a current picture of a scene to be examined. In a preprocessing, which is in the in the EP 0 984 413 B1 oriented steps, generates the evaluation unit 3 from a reference image which, for example, at an earlier time by the receiving device 2 and the current image is a binarized difference image. Then the evaluation unit uses 3 a cluster search algorithm on the binarized difference image and creates contiguous clusters. After that determines the evaluation unit 3 characteristic features of the generated clusters. This is a smoke suspected cluster of the evaluation 3 classified, for example, if at least one of the characteristic features of a generated cluster lies within predetermined feature intervals.

Nach dieser Vorverarbeitung bestimmt die Auswerteinheit für jedes Rauchverdachtscluster eine fraktale Dimension D_g der Grauwerte. Dabei wird für jedes von der in der Vorverarbeitung ermittelten Rauchverdachtscluster ein Helligkeitsmaximum des Rauchverdachtsclusters und der zugehörige Pixel als wahrscheinlichstes Zentrum einer Rauchwolke bestimmt. Das Helligkeitsmaximum ist dabei beispielsweise das Maximum der Intensität innerhalb des Rauchverdachtsclusters. Anschließend wird in einer N×N-Pixelumgebung, beispielsweise in einer 7×7-Umgebung, des Zentrums die fraktale Dimension D_g der Grauwerte und ein zugehöriger Achsenabschnitt C bestimmt.After this preprocessing, the evaluation unit determines a fractal dimension D _{g of} the gray values for each smoke suspected cluster. In this case, a brightness maximum of the suspected smoke cluster and the associated pixels as the most likely center of a cloud of smoke is determined for each of the smoke suspected clusters determined in the preprocessing. The brightness maximum is, for example, the maximum of the intensity within the smoke suspected cluster. Subsequently, in an N × N pixel environment, for example, in a 7 × 7 environment of the center, the fractal dimension D _{g of} the gray values and an associated intercept C are determined.

Dafür wird für jeden Pixel der N×N-Pixelumgebung eine Grauwertdifferenz und ein Abstand zu allen weiteren Punkten der N×N-Pixelumgebung bestimmt, wobei die Grauwertdifferenzen logarithmisch auf der Ordinate eines kartesischen Koordinatensystems und die zugehörigen Abstände logarithmisch auf der Abszisse des kartesischen Koordinatensystems aufgetragen werden. Dies ist in 2 beispielhaft dargestellt. Die fraktale Dimension D_g der Grauwerte ergibt sich als Steigung einer Geraden 5, die den linearen Zusammenhang zwischen den logarthmisch aufgetragenen absoluten Grauwertdifferenzen und den entsprechenden, logarithmisch aufgetragenen, Abständen annähert. Ebenfalls bestimmt die Auswerteeinheit 3 den zugehörigen Achsenabschnitt C, der den Schnittpunkt der Geraden 5 mit der Ordinate darstellt. Die fraktale Dimension D_g der Grauwerte ist dabei beispielsweise definiert als D_g = 3 – m, wobei m die Steigung der Geraden ist.For this, for each pixel of the N × N pixel environment a gray value difference and a distance to all other points of the N × N pixel environment is determined, wherein the gray value differences are plotted logarithmically on the ordinate of a Cartesian coordinate system and the associated distances logarithmically on the abscissa of the Cartesian coordinate system become. This is in 2 exemplified. The fractal dimension D _{g of} the gray values results as the slope of a straight line 5 which approximates the linear relationship between the logarithmically plotted absolute gray value differences and the corresponding logarithmically plotted intervals. The evaluation unit also determines 3 the corresponding intercept C, which is the intersection of the line 5 with the ordinate represents. The fractal dimension D _{g of} the gray values is defined, for example, as D _g = 3-m, where m is the slope of the straight line.

Vorzugsweise wird zur Ermittlung der fraktalen Dimension D_g der Grauwerte und des zugehörigen Achsenabschnitts C eine Mittelung über mehrere Bilder durchgeführt, wobei für jedes Bild die fraktale Dimension D der Grauwerte und der zugehörige Achsenabschnitt C bestimmt werden und aus der Sequenz der aufgenommenen Bilder bzw. der Sequenz der bestimmten fraktalen Dimension D_g der Grauwerte und der zugehörige Achsenabschnitte C ein mittlerer Achsenabschnitt bzw. eine mittlere fraktale Dimension der Grauwerte bestimmt wird.Preferably, to determine the fractal dimension D _{g of} the gray values and the associated intercept C, an averaging over several images is carried out, wherein the fractal dimension D of the gray values and the associated intercept C are determined for each image and from the sequence of recorded images or the Sequence of the specific fractal dimension D _{g of} the gray values and the associated intercept C a mean intercept or a mean fractal dimension of the gray values is determined.

3 zeigt die fraktale Dimension D_g der Grauwerte verschiedener Bildinhalte, die gegenüber dem zugehörigen Achsenabschnitt C aufgetragen sind. Die Bildinhalte umfassen dabei Rauch, Wald und Wiese. Ein vorbestimmter Parameterraum 6 umfasst ungefähr 95 Prozent der als Rauch klassifizierten Bildinhalte. Folglich wird ein Alarm durch den Alarmgeber 4 dann ausgelöst, wenn die für das Cluster bestimmte fraktale Dimension D_g der Grauwerte und der zugehörige Achsenabschnitt C innerhalb des vorbestimmten Parameterraums 6 liegen. 3 shows the fractal dimension D _{g of} the gray levels of various image contents plotted against the associated intercept C. The image content includes smoke, forest and meadow. A predetermined parameter space 6 includes about 95 percent of the image content classified as smoke. Consequently, an alarm is issued by the alarm device 4 then triggered, if the fractal dimension D _{g of} the gray values determined for the cluster and the associated intercept C within the predetermined parameter space 6 lie.

Ein zweites Ausführungsbeispiel zeigt die Anwendung des Verfahrens für eine nächtliche Waldbranderkennung. Dabei erfolgt die Vorverarbeitung durch die Auswerteeinheit 3 in gleicher Weise wie bei der Tagerkennung. 4 zeigt einen Bildausschnitt um eine blinkende Lichtquelle, die beispielsweise in der Vorverarbeitung einen Rauchverdacht ausgelöst hat. In 5 ist der durch eine Schwellwertoperation erzeugte, binarisierte Rauchverdachtscluster 7 sowie eine an das Rauchverdachtscluster 7 optimal angepasste Ellipse 8 dargestellt. In 5 ist sichtbar, dass die Elliptizität der angepassten Ellipse 8 groß ist, also die Abweichung zwischen der Fläche des binarisierten Rauchverdachtsclusters 7 und der angepassten Ellipse 8 gering ist (in diesem Falls weniger als 1% der Fläche des binarisierten Rauchverdachtsclusters 7). Darüber hinaus ist zu erkennen, dass die Exzentrizität der angepassten Ellipse 8 ebenfalls sehr klein ist. Dies ergibt sich aus der fast kreisförmigen Form der angepassten Ellipse 8. Elliptizität und Exzentrizität liegen daher über bzw. unter vorbestimmten Schwellwerten, wodurch das von der Vorverarbeitung erkannte Rauchverdachtscluster keinen Alarm auslöst.A second embodiment shows the application of the method for nocturnal forest fire detection. The preprocessing is carried out by the evaluation unit 3 in the same way as in tag recognition. 4 shows a picture detail around a flashing light source, which has triggered a smoke suspicion, for example in the preprocessing. In 5 is the binarized suspected smoke cluster generated by thresholding 7 and one to the smoke suspected cluster 7 optimally adapted ellipse 8th shown. In 5 is visible that the ellipticity of the fitted ellipse 8th is large, ie the deviation between the area of the binarized smoke suspected cluster 7 and the adjusted ellipse 8th is low (in this case, less than 1% of the area of the binarized suspected smoke cluster 7 ). In addition, it can be seen that the eccentricity of the adjusted ellipse 8th also very small. This results from the almost circular shape of the fitted ellipse 8th , Ellipticity and eccentricity are therefore above or below predetermined threshold values, as a result of which the suspected smoke cluster identified by the preprocessing does not trigger an alarm.

6 zeigt das Bild einer Leuchtspur 9, welches aufgrund einer Belichtungszeit von 0,4 s von einem fahrenden Auto in der Nacht erzeugt wird. In 7 ist das durch die Schwellwertbildung erzeugte Binärbild 10 der Leuchtspur zusammen mit der optimal angepassten Ellipse 11 dargestellt. In 7 ist erkennbar, dass die Elliptizität der angepassten Ellipse 11, im Gegensatz zu 5, klein ist. Auch die Exzentrizität der Ellipse 11 ist größer als beispielsweise die Exzentrizität der in 5 dargestellten angepassten Ellipse 8. Da in diesem Falls beide Maßstäbe, die Elliptizität und die Exzentrizität der angepassten Ellipse, kleiner bzw. größer als vorbestimmte Schwellwerte sind, erfolgt eine Auswertung der fraktalen Dimension D_F der Fläche der Leuchtspur 9. 6 shows the picture of a trail of light 9 , which is generated by a moving car at night due to an exposure time of 0.4 s. In 7 is the binary image generated by thresholding 10 the light trace together with the optimally adapted ellipse 11 shown. In 7 it can be seen that the ellipticity of the adapted ellipse 11 , in contrast to 5 , is small. Also the eccentricity of the ellipse 11 is greater than, for example, the eccentricity of in 5 illustrated adapted ellipse 8th , Since in this case both scales, the ellipticity and the eccentricity of the adapted ellipse, are smaller or larger than predetermined threshold values, an evaluation of the fractal dimension D _{F of} the surface of the luminous trace takes place 9 ,

8 zeigt die für diesen Fall resultierende doppelt-logarithmische Auftragung der Anzahl der Pixel innerhalb der Ellipse über den Abstand von einem Flächenschwerpunkt. Aus der Steigung der optimal angepassten Geraden ergibt sich dann die fraktale Dimension D_F der Fläche des Clusters zu D = 1,01. Die fraktale Dimension D_F der Fläche des Clusters liegt damit unterhalb beispielsweise eines vorbestimmten Schwellwerts D = 1,6, daher löst die Leuchtspur 9 keinen Alarm aus. 8th shows the resulting double logarithmic plot of the number of pixels within the ellipse over the distance from a centroid. From the slope of the optimally adjusted straight line, the fractal dimension D _{F of} the surface of the cluster is then given as D = 1.01. The fractal dimension D _{F of} the surface of the cluster is thus below, for example, a predetermined threshold value D = 1.6, therefore the tracer track dissolves 9 no alarm.

Claims

Method for automatic forest fire detection by means of at least one optical recording device ( 2 ), an electronic evaluation unit ( 3 ) and an alarm transmitter ( 4 ), comprising the following method steps: a. Taking at least one current picture of the scene to be examined, b. Generating a binarized image from the current image or an image obtained from the current image, c. Applying a cluster search algorithm to the binarized image to find contiguous regions, i. Evaluation of the found clusters due to at least one characteristic feature, e. Classification of suspected smoke clusters if at least one or more of the characteristic features of a cluster are within predetermined feature intervals, and f. Triggering of an alarm by the alarm transmitter ( 4 ), when a suspected smoke cluster has been classified, characterized in that at least one characteristic feature is a fractal dimension (D _g ) of the gray values of the current image and / or a fractal dimension (D _F ) of the area of a cluster of the binarized image, wherein for each Pixel of a first group of pixels of a cluster in the current image a gray value difference and a distance to each pixel of a second group of pixels of the suspect cluster in the current image is determined and the fractal dimension (D _g ) of the gray values as the slope of a line ( 5 ), which approximates the linear relationship between the logarithmically plotted absolute gray scale differences and the corresponding logarithmically plotted intervals, and / or a centroid of the cluster around which a contour is formed, being determined for each point within the contour whether it belongs to the cluster, where the fractal dimension (D _F ) of the surface of the cluster is determined as the slope of a line approximating the linear relationship between the logarithmically applied cluster points within the contour and the corresponding logarithmically spaced distances, the intercept (C) the line of the fractal dimension of the gray values (D _g ) and / or the fractal dimension of the surface of the cluster (D _F ) is evaluated as a further characteristic feature and an alarm is triggered if the fractal dimension of the gray values (D _g ) and / or the fractal dimension of the area of the C lusters (D _F ) and the respectively associated intercept is within a predetermined parameter space.

A method according to claim 1, characterized in that a reference image of a scene is recorded in advance, wherein the difference image is binarized from current image and reference image, to which the cluster search algorithm is applied.

Method according to one of the preceding claims, characterized in that an elliptical eccentricity and / or ellipticity of an ellipse adapted around the cluster is evaluated as a further characteristic feature.

Method according to one of the preceding claims, characterized in that a mean fractal dimension (D _g ) of the gray values and / or a middle intercept (C) is averaged from a sequence of images.

Contraption ( 1 ) for automatic forest fire detection, comprising at least one optical recording device ( 2 ), an electronic evaluation unit ( 3 ) and an alarm transmitter ( 4 ), wherein the optical recording device ( 2 ) receives at least one current image of a scene to be examined, the evaluation unit ( 3 ) generates a binarized image from the current image or an image obtained from the current image, applies a cluster search algorithm to the binarized image to find contiguous regions, classifies the clusters found based on at least one characteristic feature, classifies smoke suspect clusters if at least one or more of the characteristic Characteristics of a cluster within predetermined feature intervals and the alarm transmitter ( 4 ) issues an alarm if a suspected smoke cluster has been classified, characterized in that at least one characteristic feature has a fractal dimension (D _g ) the greyscale values of the current image and / or a fractal dimension (D _F ) of the area of a cluster of the binarized image, wherein for each pixel of a first group of pixels of a cluster in the current image a gray value difference and a distance to each pixel of a second group of pixels of the smoke suspect cluster in the current image and the fractal dimension (D _g ) of the gray values as the slope of a straight line ( 5 ), which approximates the linear relationship between the logarithmically plotted absolute gray scale differences and the corresponding logarithmically plotted intervals, and / or a centroid of the cluster around which a contour is formed, being determined for each point within the contour whether it belongs to the cluster, where the fractal dimension (D _F ) of the surface of the cluster is determined as the slope of a line approximating the linear relationship between the logarithmically applied cluster points within the contour and the corresponding logarithmically spaced distances, the intercept (C) the line of the fractal dimension of the gray values (D _g ) and / or the fractal dimension of the surface of the cluster (D _F ) is evaluated as a further characteristic feature and an alarm is triggered if the fractal dimension of the gray values (D _g ) and / or the fractal dimension of the surface of the Cl is MODEL (D _F) and the respectively associated axis portion within a predetermined parameter space.