楊文明+孫大任+李得第+謝正偉

【摘 要】 活動(dòng)板房作為施工過(guò)程中的標(biāo)志建筑，若能對(duì)其進(jìn)行準(zhǔn)確識(shí)別，將有助于提升施工智能監(jiān)控系統(tǒng)的性能。本文針對(duì)建筑工地目標(biāo)復(fù)雜，光照，遮擋等因素多的特點(diǎn)，提出一種基于目標(biāo)分塊的建筑活動(dòng)板房識(shí)別方法。算法將板房分為房頂，墻體與窗體三部分，首先在監(jiān)控場(chǎng)景圖中檢測(cè)藍(lán)色房頂區(qū)域，通過(guò)形態(tài)學(xué)操作與外接矩形計(jì)算，自適應(yīng)獲取板房墻體的候選區(qū)域。然后對(duì)候選區(qū)進(jìn)行局部閾值處理，腐蝕處理與連通域檢測(cè)，得到板房窗體中心點(diǎn)集合。再通過(guò)窗體縱坐標(biāo)直方圖統(tǒng)計(jì)與滑窗求和，判別是否為板房。實(shí)驗(yàn)表明，該法對(duì)光照，角度，尺度有一定的魯棒性，對(duì)墻體清楚的活動(dòng)板房有較高的識(shí)別率，達(dá)到了83.0%。

【關(guān)鍵詞】 板房檢測(cè) ?目標(biāo)分塊 ?形態(tài)學(xué)處理

1 引言

國(guó)土監(jiān)察對(duì)打擊違法侵占國(guó)有土地的行為，切實(shí)保障國(guó)有儲(chǔ)備土地的安全有重要的作用。然而現(xiàn)有的監(jiān)察方法多是通過(guò)人工來(lái)周期性或不定時(shí)的進(jìn)行巡查，這樣不僅會(huì)耗費(fèi)巨大的人力、財(cái)力及物力，對(duì)邊遠(yuǎn)地區(qū)的土地也難以做到實(shí)時(shí)監(jiān)管，同時(shí)還存在著監(jiān)察區(qū)域狹小等問(wèn)題。

隨著計(jì)算機(jī)視覺(jué)[1]的不斷發(fā)展，諸多使用攝像頭進(jìn)行智能監(jiān)控的嘗試也應(yīng)運(yùn)而生。目前的智能監(jiān)控多是根據(jù)施工過(guò)程的特點(diǎn)及建筑工地中標(biāo)志性物體進(jìn)行分析，Ehsan Rezazadeh Azar[2]等人通過(guò)檢測(cè)液壓挖掘機(jī)來(lái)判別施工活動(dòng)，J.Teizer， P.A.Vela[3]等人通過(guò)追蹤工地上的人員來(lái)分析施工行為，A.Peddi等人[4]通過(guò)人物姿態(tài)分析實(shí)時(shí)判定施工活動(dòng)。

以上研究中的檢測(cè)對(duì)象多是施工人員，施工工具及地表變化，關(guān)于施工過(guò)程中標(biāo)志性建筑的檢測(cè)卻很少。觀察國(guó)內(nèi)的施工過(guò)程可以發(fā)現(xiàn)，工程開(kāi)展初期，往往要先搭建起活動(dòng)板房，以供施工人員住宿使用。因此，若能準(zhǔn)確識(shí)別出監(jiān)控區(qū)域中是否存在板房，無(wú)疑對(duì)整個(gè)系統(tǒng)性能的提升有很大幫助。

但實(shí)際視頻中，由于光照，角度，尺度的劇烈變化，使用單一特征很難界定什么是板房。因此，本文針對(duì)通用活動(dòng)板房的特點(diǎn)，提出了一種基于目標(biāo)分塊的板房檢測(cè)方法。該法通過(guò)對(duì)可疑區(qū)域進(jìn)行圖像切塊，將板房分割為房頂，窗體及墻身三部分，利用顏色，結(jié)構(gòu)，方向等信息，通過(guò)分析各塊的特點(diǎn)及塊與塊間的關(guān)系，對(duì)板房進(jìn)行識(shí)別。因?yàn)檩^多的利用相對(duì)信息，此法對(duì)光照，角度，尺度有很好的魯棒性，可以實(shí)現(xiàn)板房的精確檢測(cè)，如圖1所示。

2 特征提取

由于尺度，角度的影響，不同視頻中板房呈現(xiàn)出的姿態(tài)千差萬(wàn)別，因此很難獲取普適的整體特征，對(duì)板房進(jìn)行描述。

然而，通用的板房存在著固有的結(jié)構(gòu)信息，由于結(jié)構(gòu)是相對(duì)的，不管視頻間的差異有多大，同一視頻中的板房，各部分間的關(guān)系仍保持穩(wěn)定。本文提出的算法便是基于這種特性的。

2.1 目標(biāo)切塊

算法的第一步是對(duì)可疑目標(biāo)進(jìn)行分塊，然后根據(jù)先驗(yàn)知識(shí)，利用塊與塊間的聯(lián)系，對(duì)每一塊進(jìn)行識(shí)別。

分塊的目的在于克服不同場(chǎng)景中板房尺度，角度的差異給分類器帶來(lái)的影響。

對(duì)板房來(lái)說(shuō)，房頂和墻身在色度，紋理上具有顯著的差異。但單純依據(jù)這兩者進(jìn)行識(shí)別，很難取得理想的效果。由于窗體與墻體間有穩(wěn)定的位置關(guān)系，而窗體的方向與房頂?shù)姆较蛞灿泻軓?qiáng)的相關(guān)性，因此算法將板房分割為房頂，墻面，窗體三部分，如圖2所示。

2.2 房頂檢測(cè)與板房提取

相對(duì)于場(chǎng)景中的其它物體，活動(dòng)板房的房頂區(qū)域在顏色上有顯著的特征，可以作為目標(biāo)提取的依據(jù)。

算法在HSV空間上進(jìn)行房頂檢測(cè)。HSV是一種比較直觀的顏色模型，便于選取合適的顏色閾值。對(duì)人工截取的房頂樣本進(jìn)行顏色分布統(tǒng)計(jì)[5]，得到的統(tǒng)計(jì)結(jié)果為：H空間分布在[170，240]之間，V空間分布在[0.6，1]之間。

因?yàn)樵诠庹詹皇呛軜O端的情況下，板房的房頂與墻面的顏色有很大的區(qū)別，寬泛的閾值就足以精確的區(qū)分兩者。而房頂與墻面的分界線被清楚的檢測(cè)出之后，后續(xù)的房頂角度檢測(cè)就不會(huì)受到太大的影響。

檢測(cè)到房頂候選區(qū)后，對(duì)候選區(qū)做形態(tài)學(xué)處理。具體上，先進(jìn)行連通域檢測(cè)，排除較小的連通域，以去除明顯不是房頂?shù)膮^(qū)域。之后再進(jìn)行閉運(yùn)算，以連接檢測(cè)結(jié)果中的斷點(diǎn)。

形態(tài)學(xué)處理后，得到較為完整的房頂區(qū)域。對(duì)該區(qū)域求取最小外接矩形，可以獲得板房屋頂?shù)母?，寬，屋頂最小外接矩形的中心和旋轉(zhuǎn)角度。

板房墻體的大小可以根據(jù)房頂信息進(jìn)行自適應(yīng)搜索：

（式2.2.1 ）

（式2.2.2 ）

（式2.2.3 ）

（式2.2.4 ）

（式2.2.5 ）

其中板房墻體外接矩形的中心，，為板房墻體外接矩形的高與寬，為墻體的旋轉(zhuǎn)角度，為自定義的放大尺度，如圖3，圖4所示。

獲取墻體區(qū)域后，由于實(shí)際應(yīng)用中的板房墻體大多會(huì)包含一些旋轉(zhuǎn)，這會(huì)給后續(xù)程序帶來(lái)干擾，因此需要對(duì)獲取到的墻體進(jìn)行反旋轉(zhuǎn)處理。

由于已經(jīng)獲得房頂?shù)男D(zhuǎn)角度，墻體與房頂必定是平行的，因此將ROI中的圖片按反旋轉(zhuǎn)，即可提取出正面無(wú)旋轉(zhuǎn)的墻體。

2.3 窗體檢測(cè)

2.3.1 自適應(yīng)閾值操作

對(duì)2.2中得到的墻體候選圖進(jìn)行自適應(yīng)的閾值操作，二值化公式為：

（式2.3.1.1）

為閾值化后的二值圖，為原灰度圖。為閾值，為符號(hào)函數(shù)。

通過(guò)計(jì)算鄰域內(nèi)均值得到：

（式2.3.1.2）

為以為中心的鄰域內(nèi)的像素值，N為鄰域內(nèi)像素總數(shù)。

2.3.2 腐蝕

腐蝕操作的定義為：

（式2.3.2.1）

其中為腐蝕后的圖像，為自定義的結(jié)構(gòu)元素[6]。

該處進(jìn)行腐蝕的目的是消除除窗體與墻面的粘連，以獲得獨(dú)立的窗戶，便于精確檢測(cè)其輪廓。算法使用的結(jié)構(gòu)元素為大小的矩形小塊。endprint

2.3.3 輪廓檢測(cè)與最小外接矩形

對(duì)腐蝕后的二值圖進(jìn)行輪廓檢測(cè)，得到輪廓集合，對(duì)該集合中的每一個(gè)元素計(jì)算其最小外接矩形，得到矩形集合Rect。對(duì)Rect中的元素進(jìn)行篩選，篩選的條件如下：

（式2.3.3.1）

（式2.3.3.2）

其中為集合中的元素，表示外接矩形的寬，表示外接矩形的高，表示連通域的面積，為人為設(shè)定的比例系數(shù)。最后，取篩選后的矩形中心得到最終的窗體集合，如圖5所示。

2.4 板房判定

依據(jù)房頂傾斜角度旋轉(zhuǎn)后的板房，窗戶排列近似為一條水平線。因此可以統(tǒng)計(jì)Window中元素縱坐標(biāo)的直方圖，若為板房，則直方圖中的點(diǎn)應(yīng)該會(huì)集中分布在某幾個(gè)區(qū)域，且每個(gè)區(qū)域點(diǎn)數(shù)占總點(diǎn)數(shù)的比例應(yīng)大于某一閾值。

對(duì)獲取的直方圖進(jìn)行滑窗計(jì)數(shù)，窗體寬度d決定了檢測(cè)的精度。當(dāng)滑窗內(nèi)點(diǎn)數(shù)和超過(guò)總點(diǎn)數(shù)一定比例后，即可判定存在平行的窗體，也就是判定為板房，如圖6所示。

3 實(shí)驗(yàn)結(jié)果與分析

在自建的施工工地監(jiān)控?cái)?shù)據(jù)庫(kù)上，使用本文提出的算法進(jìn)行活動(dòng)板房識(shí)別。數(shù)據(jù)庫(kù)中圖片大致可分為4類：

（1）板房墻體清晰，每個(gè)板房房頂較獨(dú)立。

（2）板房墻體清晰，但多個(gè)房頂相互粘連。

（3）墻體模糊。

（4）無(wú)板房。

識(shí)別結(jié)果如表1所示。

對(duì)多數(shù)窗體朝向正面，同一圖片中板房分布相對(duì)獨(dú)立的樣本，算法有很好的識(shí)別率，實(shí)際應(yīng)用中能達(dá)到83.0%。但對(duì)圖片中板房分布擁擠，房頂互相粘連的情況，識(shí)別率會(huì)顯著下降，同時(shí)漏警率大大上升。這是由于房頂粘連導(dǎo)致對(duì)墻體大小和位置的估計(jì)失準(zhǔn)，使算法未能工作在設(shè)想的狀態(tài)下。

實(shí)際應(yīng)用中，由于系統(tǒng)的實(shí)時(shí)監(jiān)控性以及板房建設(shè)需要有一定過(guò)程，板房大多只會(huì)以單個(gè)或兩個(gè)的形式出現(xiàn)，突然出現(xiàn)大量板房的概率很低，因此對(duì)單個(gè)板房的識(shí)別率將主導(dǎo)系統(tǒng)的性能。雖然算法在房頂粘連的情況下表現(xiàn)不佳，但在實(shí)際的監(jiān)控場(chǎng)景下仍可以正常工作。

而由于場(chǎng)景中的其它物體與活動(dòng)板房特征有較大的區(qū)別，算法虛警率很低，如圖7所示。

4 結(jié)語(yǔ)

本文提出一種基于目標(biāo)分塊的建筑活動(dòng)板房識(shí)別方法，算法依據(jù)先驗(yàn)知識(shí)將目標(biāo)切分為三塊，運(yùn)用色度分析，形態(tài)學(xué)處理，連通域分析及直方圖統(tǒng)計(jì)等方法，著重研究不同塊之間的相對(duì)信息，以提升識(shí)別率，克服不同監(jiān)控場(chǎng)景中尺度，角度的干擾。算法在自建的數(shù)據(jù)庫(kù)上，在圖片中各板房獨(dú)立分布的情況下取得了83.0%的識(shí)別率，且虛警較低，可以滿足一般監(jiān)控的需求。

對(duì)房頂粘連導(dǎo)致識(shí)別率顯著下降的情況，由于實(shí)際使用時(shí)是實(shí)時(shí)監(jiān)控，同時(shí)出現(xiàn)大量板房的幾率很小，因此不會(huì)大幅度影響系統(tǒng)的性能。該部分的改進(jìn)重點(diǎn)將落在房頂連通域檢測(cè)上面，作為日后的研究方向。

參考文獻(xiàn)：

[1]Vernon D.Machine vision-Automated visual inspection and robot vision[J].NASA STI/Recon Technical Report A，1991，92： 40499.

[2]Rezazadeh Azar E，McCabe B.Part based model and spatial–temporal reasoning to recognize hydraulic excavators in construction images and videos[J].Automation in construction， 2012，24：194-202.

[3]Teizer J，Vela P A.Personnel tracking on construction sites using video cameras[J].Advanced Engineering Informatics，2009， 23（4）：452-462.

[4] Peddi A，Huan L，Bai Y，et al.Development of human pose analyzing algorithms for the determination of construction productivity in real-time[C]//Construction Research Congress， ASCE， Seattle，WA.2009：11-20.

[5]郭煒強(qiáng).基于運(yùn)動(dòng)特征的林火煙霧圖像檢測(cè)技術(shù)研究[D].北京林業(yè)大學(xué)，2012.

[6]Gonzalez R C，Woods R E.Digital image processing[J].2002.endprint

2.3.3 輪廓檢測(cè)與最小外接矩形

對(duì)腐蝕后的二值圖進(jìn)行輪廓檢測(cè)，得到輪廓集合，對(duì)該集合中的每一個(gè)元素計(jì)算其最小外接矩形，得到矩形集合Rect。對(duì)Rect中的元素進(jìn)行篩選，篩選的條件如下：

（式2.3.3.1）

（式2.3.3.2）

其中為集合中的元素，表示外接矩形的寬，表示外接矩形的高，表示連通域的面積，為人為設(shè)定的比例系數(shù)。最后，取篩選后的矩形中心得到最終的窗體集合，如圖5所示。

2.4 板房判定

依據(jù)房頂傾斜角度旋轉(zhuǎn)后的板房，窗戶排列近似為一條水平線。因此可以統(tǒng)計(jì)Window中元素縱坐標(biāo)的直方圖，若為板房，則直方圖中的點(diǎn)應(yīng)該會(huì)集中分布在某幾個(gè)區(qū)域，且每個(gè)區(qū)域點(diǎn)數(shù)占總點(diǎn)數(shù)的比例應(yīng)大于某一閾值。

對(duì)獲取的直方圖進(jìn)行滑窗計(jì)數(shù)，窗體寬度d決定了檢測(cè)的精度。當(dāng)滑窗內(nèi)點(diǎn)數(shù)和超過(guò)總點(diǎn)數(shù)一定比例后，即可判定存在平行的窗體，也就是判定為板房，如圖6所示。

3 實(shí)驗(yàn)結(jié)果與分析

在自建的施工工地監(jiān)控?cái)?shù)據(jù)庫(kù)上，使用本文提出的算法進(jìn)行活動(dòng)板房識(shí)別。數(shù)據(jù)庫(kù)中圖片大致可分為4類：

（1）板房墻體清晰，每個(gè)板房房頂較獨(dú)立。

（2）板房墻體清晰，但多個(gè)房頂相互粘連。

（3）墻體模糊。

（4）無(wú)板房。

識(shí)別結(jié)果如表1所示。

對(duì)多數(shù)窗體朝向正面，同一圖片中板房分布相對(duì)獨(dú)立的樣本，算法有很好的識(shí)別率，實(shí)際應(yīng)用中能達(dá)到83.0%。但對(duì)圖片中板房分布擁擠，房頂互相粘連的情況，識(shí)別率會(huì)顯著下降，同時(shí)漏警率大大上升。這是由于房頂粘連導(dǎo)致對(duì)墻體大小和位置的估計(jì)失準(zhǔn)，使算法未能工作在設(shè)想的狀態(tài)下。

實(shí)際應(yīng)用中，由于系統(tǒng)的實(shí)時(shí)監(jiān)控性以及板房建設(shè)需要有一定過(guò)程，板房大多只會(huì)以單個(gè)或兩個(gè)的形式出現(xiàn)，突然出現(xiàn)大量板房的概率很低，因此對(duì)單個(gè)板房的識(shí)別率將主導(dǎo)系統(tǒng)的性能。雖然算法在房頂粘連的情況下表現(xiàn)不佳，但在實(shí)際的監(jiān)控場(chǎng)景下仍可以正常工作。

而由于場(chǎng)景中的其它物體與活動(dòng)板房特征有較大的區(qū)別，算法虛警率很低，如圖7所示。

4 結(jié)語(yǔ)

本文提出一種基于目標(biāo)分塊的建筑活動(dòng)板房識(shí)別方法，算法依據(jù)先驗(yàn)知識(shí)將目標(biāo)切分為三塊，運(yùn)用色度分析，形態(tài)學(xué)處理，連通域分析及直方圖統(tǒng)計(jì)等方法，著重研究不同塊之間的相對(duì)信息，以提升識(shí)別率，克服不同監(jiān)控場(chǎng)景中尺度，角度的干擾。算法在自建的數(shù)據(jù)庫(kù)上，在圖片中各板房獨(dú)立分布的情況下取得了83.0%的識(shí)別率，且虛警較低，可以滿足一般監(jiān)控的需求。

對(duì)房頂粘連導(dǎo)致識(shí)別率顯著下降的情況，由于實(shí)際使用時(shí)是實(shí)時(shí)監(jiān)控，同時(shí)出現(xiàn)大量板房的幾率很小，因此不會(huì)大幅度影響系統(tǒng)的性能。該部分的改進(jìn)重點(diǎn)將落在房頂連通域檢測(cè)上面，作為日后的研究方向。

參考文獻(xiàn)：

[1]Vernon D.Machine vision-Automated visual inspection and robot vision[J].NASA STI/Recon Technical Report A，1991，92： 40499.

[2]Rezazadeh Azar E，McCabe B.Part based model and spatial–temporal reasoning to recognize hydraulic excavators in construction images and videos[J].Automation in construction， 2012，24：194-202.

[3]Teizer J，Vela P A.Personnel tracking on construction sites using video cameras[J].Advanced Engineering Informatics，2009， 23（4）：452-462.

[4] Peddi A，Huan L，Bai Y，et al.Development of human pose analyzing algorithms for the determination of construction productivity in real-time[C]//Construction Research Congress， ASCE， Seattle，WA.2009：11-20.

[5]郭煒強(qiáng).基于運(yùn)動(dòng)特征的林火煙霧圖像檢測(cè)技術(shù)研究[D].北京林業(yè)大學(xué)，2012.

[6]Gonzalez R C，Woods R E.Digital image processing[J].2002.endprint

2.3.3 輪廓檢測(cè)與最小外接矩形

對(duì)腐蝕后的二值圖進(jìn)行輪廓檢測(cè)，得到輪廓集合，對(duì)該集合中的每一個(gè)元素計(jì)算其最小外接矩形，得到矩形集合Rect。對(duì)Rect中的元素進(jìn)行篩選，篩選的條件如下：

（式2.3.3.1）

（式2.3.3.2）

其中為集合中的元素，表示外接矩形的寬，表示外接矩形的高，表示連通域的面積，為人為設(shè)定的比例系數(shù)。最后，取篩選后的矩形中心得到最終的窗體集合，如圖5所示。

2.4 板房判定

依據(jù)房頂傾斜角度旋轉(zhuǎn)后的板房，窗戶排列近似為一條水平線。因此可以統(tǒng)計(jì)Window中元素縱坐標(biāo)的直方圖，若為板房，則直方圖中的點(diǎn)應(yīng)該會(huì)集中分布在某幾個(gè)區(qū)域，且每個(gè)區(qū)域點(diǎn)數(shù)占總點(diǎn)數(shù)的比例應(yīng)大于某一閾值。

對(duì)獲取的直方圖進(jìn)行滑窗計(jì)數(shù)，窗體寬度d決定了檢測(cè)的精度。當(dāng)滑窗內(nèi)點(diǎn)數(shù)和超過(guò)總點(diǎn)數(shù)一定比例后，即可判定存在平行的窗體，也就是判定為板房，如圖6所示。

3 實(shí)驗(yàn)結(jié)果與分析

在自建的施工工地監(jiān)控?cái)?shù)據(jù)庫(kù)上，使用本文提出的算法進(jìn)行活動(dòng)板房識(shí)別。數(shù)據(jù)庫(kù)中圖片大致可分為4類：

（1）板房墻體清晰，每個(gè)板房房頂較獨(dú)立。

（2）板房墻體清晰，但多個(gè)房頂相互粘連。

（3）墻體模糊。

（4）無(wú)板房。

識(shí)別結(jié)果如表1所示。

對(duì)多數(shù)窗體朝向正面，同一圖片中板房分布相對(duì)獨(dú)立的樣本，算法有很好的識(shí)別率，實(shí)際應(yīng)用中能達(dá)到83.0%。但對(duì)圖片中板房分布擁擠，房頂互相粘連的情況，識(shí)別率會(huì)顯著下降，同時(shí)漏警率大大上升。這是由于房頂粘連導(dǎo)致對(duì)墻體大小和位置的估計(jì)失準(zhǔn)，使算法未能工作在設(shè)想的狀態(tài)下。

實(shí)際應(yīng)用中，由于系統(tǒng)的實(shí)時(shí)監(jiān)控性以及板房建設(shè)需要有一定過(guò)程，板房大多只會(huì)以單個(gè)或兩個(gè)的形式出現(xiàn)，突然出現(xiàn)大量板房的概率很低，因此對(duì)單個(gè)板房的識(shí)別率將主導(dǎo)系統(tǒng)的性能。雖然算法在房頂粘連的情況下表現(xiàn)不佳，但在實(shí)際的監(jiān)控場(chǎng)景下仍可以正常工作。

而由于場(chǎng)景中的其它物體與活動(dòng)板房特征有較大的區(qū)別，算法虛警率很低，如圖7所示。

4 結(jié)語(yǔ)

本文提出一種基于目標(biāo)分塊的建筑活動(dòng)板房識(shí)別方法，算法依據(jù)先驗(yàn)知識(shí)將目標(biāo)切分為三塊，運(yùn)用色度分析，形態(tài)學(xué)處理，連通域分析及直方圖統(tǒng)計(jì)等方法，著重研究不同塊之間的相對(duì)信息，以提升識(shí)別率，克服不同監(jiān)控場(chǎng)景中尺度，角度的干擾。算法在自建的數(shù)據(jù)庫(kù)上，在圖片中各板房獨(dú)立分布的情況下取得了83.0%的識(shí)別率，且虛警較低，可以滿足一般監(jiān)控的需求。

對(duì)房頂粘連導(dǎo)致識(shí)別率顯著下降的情況，由于實(shí)際使用時(shí)是實(shí)時(shí)監(jiān)控，同時(shí)出現(xiàn)大量板房的幾率很小，因此不會(huì)大幅度影響系統(tǒng)的性能。該部分的改進(jìn)重點(diǎn)將落在房頂連通域檢測(cè)上面，作為日后的研究方向。

參考文獻(xiàn)：

[1]Vernon D.Machine vision-Automated visual inspection and robot vision[J].NASA STI/Recon Technical Report A，1991，92： 40499.

[2]Rezazadeh Azar E，McCabe B.Part based model and spatial–temporal reasoning to recognize hydraulic excavators in construction images and videos[J].Automation in construction， 2012，24：194-202.

[3]Teizer J，Vela P A.Personnel tracking on construction sites using video cameras[J].Advanced Engineering Informatics，2009， 23（4）：452-462.

[4] Peddi A，Huan L，Bai Y，et al.Development of human pose analyzing algorithms for the determination of construction productivity in real-time[C]//Construction Research Congress， ASCE， Seattle，WA.2009：11-20.

[5]郭煒強(qiáng).基于運(yùn)動(dòng)特征的林火煙霧圖像檢測(cè)技術(shù)研究[D].北京林業(yè)大學(xué)，2012.

[6]Gonzalez R C，Woods R E.Digital image processing[J].2002.endprint