CN116563659A - 一种结合先验知识和特征分类的光学烟雾检测方法 - Google Patents

Abstract

本发明涉及一种结合先验知识和特征分类的光学烟雾检测方法，包括：基于烟雾灰度特征从目标图像中分割出烟雾候选区域；对烟雾候选区域进行形态学处理，结合烟雾形状信息和烟雾高度信息筛选出第一类烟雾候选区域；基于图像的灰度特征、纹理特征和梯度特征，对烟雾候选区域提取多维特征描述子，送入训练好的分类器进行判断，筛选出第二类烟雾候选区域；选取第一类烟雾候选区域和第二类烟雾候选区域的交集作为确认的烟雾候选区域；对确认的烟雾候选区域进行边缘提取、融合，获得烟雾区域的位置信息，从而获得最终的烟雾检测结果输出。该算法复杂度低，占用硬件资源少，能快速的实现烟雾检测，适用于硬件资源有限的运算平台。

Description

一种结合先验知识和特征分类的光学烟雾检测方法

技术领域

本发明属于图像处理技术领域，具体涉及一种结合先验知识和特征分类的光学烟雾检测方法。

背景技术

目前，烟雾检测和识别技术主要集中于火灾探测领域，检测烟雾的目的为更早发现火灾，为灭火赢得宝贵时间。并且应用场景多为固定背景下的视频监控场景，研究主要集中为利用烟雾的色彩、纹理、湍流、飘动等特性的视频烟雾检测与识别技术。

而，对于海天背景下，接近水面的烟雾干扰的检测则缺乏有效的检测方法，并且通常的基于色彩、纹理、湍流、飘动等特性的视频烟雾检测与识别技术，由于图像特征不同，例如，采集的图像只是灰度图像，无法使用色彩信息等原因而不能应用于海天背景下的光学烟雾检测。并且现有的烟雾识别算法中特征提取和分类方法计算复杂度高，计算时间长且需要占用较大的存储空间。而对于硬件资源有限的平台无法满足现有的烟雾识别算法运行需求。

发明内容

鉴于上述的分析，本发明旨在公开了一种结合先验知识和特征分类的光学烟雾检测方法，解决海天背景下的光学烟雾检测的技术问题。

本发明公开了一种结合先验知识和特征分类的光学烟雾检测方法，包括：

对于海天背景下的包含光学烟雾干扰的目标图像，基于烟雾灰度特征从目标图像中分割出烟雾候选区域；

对烟雾候选区域进行形态学处理，结合烟雾形状信息和烟雾高度信息筛选出第一类烟雾候选区域；

基于图像的灰度特征、纹理特征和梯度特征，对烟雾候选区域提取多维特征描述子，送入训练好的分类器进行判断，筛选出第二类烟雾候选区域；

选取第一类烟雾候选区域和第二类烟雾候选区域的交集作为确认的烟雾候选区域；

对确认的烟雾候选区域进行边缘提取、融合，获得烟雾区域的位置信息，从而获得最终的烟雾检测结果输出。

进一步地，对分割的烟雾候选区域进行形态学处理，并在水平方向上进行目标膨胀，将分割的烟雾候选区域闭合；

结合包括烟雾的形状和高度在内的先验知识，对闭合的烟雾候选区域中不满足烟雾特性的候选区域剔除；对剔除后的烟雾候选区域进行连通域标记，从而获得第一类烟雾候选区域。

进一步地，在筛选第二类烟雾候选区域时，

多维特征描述子符包含8维特征，分别是灰度均值、灰度方差、灰度最大值、灰度差分均值、对比度、熵、垂直梯度均值和垂直梯度方差。

进一步地，所述分类器采用的分类算法为树形分类算法。

进一步地，所述烟雾候选区域的分割包括：

1)根据图像的直方图信息，获得海面和天空的灰度估计值，获取海面、天空的初始种子点；

2)基于对烟雾区域的白色高亮灰度统计经验值和图像的灰度最大值，获取烟雾的初始种子点；

3)确定海面、天空、烟雾的初始种子点，基于聚类算法对图像灰度进行聚类，对属于烟雾目标的图像潜在区域进行分割提取，获得烟雾候选区域。

进一步地，对直方图进行平滑及峰值点检测，获得海面和天空的灰度估计值，获取海面、天空的初始种子点；

天空、海面初始种子点为平滑后图像的直方图的第一极值点和第二极值点；

烟雾初始种子点为其中，V_s为烟雾灰度的统计经验值，max(img)为图像的灰度最大值。

进一步地，采用Kmeans灰度聚类算法对图像的灰度进行聚类，获得属于烟雾目标的图像潜在区域，进行分割提取后，获得烟雾候选区域。

进一步地，对确认的烟雾候选区域进行边缘提取、融合的方法包括：

1)采用边缘检测算法提取烟雾的边缘图；

2)基于边缘图信息对烟雾进行确认和分割结果的补充，得到融合边缘后的分割图；

3)对融合边缘后的分割图进行形态学膨胀，获得最终的边缘特征融合图；

4)对边缘特征融合图进行连通域标记，从而获得最终的烟雾检测结果输出。

进一步地，针对每个确认的烟雾候选区域，在边缘图对应位置内进行边缘点个数的统计，确定其与烟雾候选区域的匹配度，当满足重叠率条件时，则认为二者有交集，则判定当前烟雾候选区域为烟雾目标区域；将聚类分割烟雾候选区域和与之位置对应的边缘图求取并集获得融合边缘后的分割图。

进一步地，所述融合边缘后的分割图：

式中，Seg(i,j)为聚类分割图，Edge(i,j)为边缘提取图；Match(m)为第m个烟雾候选区域对应位置的边缘图与当前第m个烟雾候选区域的匹配度；

Overlap(m)为第m个烟雾候选区域对应位置的边缘图与当前第m个烟雾候选区域的重叠率；m＝1,...,boxnum；boxnum为聚类分割图中烟雾候选区域的总数；i,j为图像的纵向、横向坐标。

具体的，匹配度的计算公式为：

重叠率的计算公式；

Overlap(m)＝box[m].w*box[m].h*β

其中，box[m]为用矩形框表示的聚类分割图中的第m个烟雾候选区域对应的坐标信息，其中box[m].bottom、box[m].top、box[m].left、box[m].right分别表示检测框的上边界、下边界、左边界、右边界的坐标，box[m].w、box[m].h表示第m个矩形框的宽和高；β为可设置的比例系数。

本发明至少可实现以下有益效果之一：

本发明设计的结合先验知识和特征分类的光学烟雾检测方法，采用灰度聚类算法实现烟雾候选区域的分割，通过结合包括烟雾的形状和高度在内的先验知识和8多维特征描述子的特征分类进行烟雾候选区域的筛选，提高了对烟雾检测的准确率。并对确认的烟雾候选区域通过结合边缘特征进行结果判定和融合，获取更加准确的烟雾目标范围。

本发明在不使用运动特征的情况下即可实现烟雾检测，解决了飞行器平台不断运动导致图像背景信息不断变化无法使用运动特征来完成烟雾检测的技术问题。

本发明采用的算法简单有效，占用硬件资源少，运行速度快，适用于资源有限的硬件平台。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例中的结合先验知识和特征分类的光学烟雾检测方法流程图。

图2为本发明实施例中的烟雾候选区域的分割方法流程图；

图3为本发明实施例中的烟雾候选区域进行边缘的提取融合方法流程图；

图4为本发明实施例中的基于特征分类的分类器的训练过程流程图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。

本发明的一个实施例公开了一种结合先验知识和特征分类的光学烟雾检测方法，如图1所示，包括：

步骤S101、对于海天背景下的包含光学烟雾干扰的目标图像，基于烟雾灰度特征从目标图像中分割出烟雾候选区域；

步骤S102、对烟雾候选区域进行形态学处理，结合烟雾形状信息和烟雾高度信息筛选出第一类烟雾候选区域；

步骤S103、基于图像的灰度特征、纹理特征和梯度特征，对烟雾候选区域提取多维特征描述子，送入训练好的分类器进行判断，筛选出第二类烟雾候选区域；

步骤S104、选取第一类烟雾候选区域和第二类烟雾候选区域的交集作为确认的烟雾候选区域；

步骤S105、对确认的烟雾候选区域进行边缘提取、融合，获得烟雾区域的位置信息，从而获得最终的烟雾检测结果输出。

在本实施例的应用场景中，海天背景下的图像内容较为单一，主要包括海面、天空和目标3部分区域，这3部分区域在灰度上具有较大的差异。为了更加准确的进行烟雾分割，可利用基于海面、天空、烟雾3分类的聚类分割算法。

为了更加快速、准确地对图像进行聚类，需要较准确地获取海面、天空及烟雾3类目标的初始分割点(即种子点)，因此需要确定海面、天空及烟雾的大致灰度范围。对于海天背景下的图像，由于图像中背景简单，直方图存在双峰特性，可通过直方图峰值点检测获取海面和天空的聚类初始分割点。

在步骤S101中采用灰度聚类算法基于烟雾的灰度高亮特征对烟雾候选区域进行分割。

如图2所示，具体的烟雾候选区域的分割包括：

步骤S201、根据图像的直方图信息，获得海面和天空的灰度估计值，获取海面、天空的初始种子点；

优选的，通过对图像的直方图进行平滑及峰值点检测，获得海面和天空的灰度估计值；天空、海面初始种子点为平滑后图像的直方图的第一极值点和第二极值点。

计算图像的直方图时，由于直方图存在毛刺(即局部峰)，需对直方图进行平滑以消除毛刺，直方图平滑方式可选高斯平滑、均值平滑等。

其中，直方图的高斯平滑计算公式其中h_i表示计算获得的图像直方图，r为平滑尺度大小，σ为标准差。

对平滑后的直方图，计算直方图的前2个极值点(即求得前2个最大峰)，极值点计算公式为H_max＝max(H_i-k,…,H_i,…,H_i+k)，i＝0,…,255；其中H_i表示平滑后的直方图，k为求取极大值的尺度区间。

根据极值点计算公式可求得2个极大值，结合海面灰度较低、天空灰度较高的先验知识，对应的灰度即为海面和天空的灰度估计值，第一极值点(即最大的极值点)为天空初始种子点val_sky，第二极值点(即次大的极值点)为海面初始种子点val_sea。

步骤S202、基于对烟雾区域的白色高亮灰度统计经验值和图像的灰度最大值，获取烟雾的初始种子点；

如果图像中存在烟雾，根据烟雾的成像特点，其肯定存在白色高亮区域，通过对烟雾区域的白色高亮灰度范围统计分析，可知其灰度值基本在V_s以上(V_s为统计值)，通过计算图像的灰度最大值，并对最大值对应的灰度级与烟雾灰度级的统计值进行比较，从而确认烟雾的种子点。结合步骤S201中计算获得的海面和天空的灰度估计值，确认海面、天空、烟雾3类的初始种子点为：

其中，V_s为烟雾灰度的统计经验值，max(img)为图像的灰度最大值。

烟雾灰度的统计经验值V_s，通过将所有待检测的烟雾图像构建烟雾图像库，计算图像库内的烟雾区域的灰度平均值V_s。

步骤S203、基于海面、天空、烟雾的初始种子点，采用聚类算法对图像灰度进行聚类，对属于烟雾目标的图像潜在区域进行分割提取，获得烟雾候选区域。

具体的，采用Kmeans灰度聚类算法对图像的灰度进行聚类，获得属于烟雾目标的图像潜在区域，进行分割提取后，获得烟雾候选区域。

在本实施例中，由于初始种子点通过计算获得，该值较为准确，因此可使用较少的迭代次数即可获得准确的聚类结果。根据聚类结果，对属于烟雾这一类别的图像潜在区域进行分割提取，获得烟雾候选区域。

具体的，步骤S102中对于第一类烟雾候选区域的筛选包括：

对分割的烟雾候选区域进行形态学处理，闭合分割的烟雾候选区域；

优选的，对分割的烟雾候选区域进行形态学处理时，为了不影响目标的高度信息，只在水平方向上进行目标膨胀实现对分割后的候选区域的闭合。

对形态学处理后的烟雾候选区域，结合包括烟雾的形状和高度在内的先验知识，对闭合的烟雾候选区域中不满足烟雾特性的候选区域剔除。例如将高度过高或过低，候选区域像素点过少，形状中存在过多烟雾所不存在的直线边等，将这些不满足烟雾特性的候选区域剔除。对剔除后的烟雾候选区域进行连通域标记，从而获得第一类烟雾候选区域。

具体的，步骤S103中对于第二类烟雾候选区域的筛选中，针对于本实施例中所处理的烟雾目标在光学图像中呈现的颜色特点为存在灰度高亮区域，灰度渐变且整体灰度值较高，形态多变，有近似椭圆的形状，也有近似团云的形状。并且，烟雾的纹理相对例如船类的其他目标较为简单，存在较强的方向性，水平边缘较弱，而船类目标的船体存在较强的水平边缘。针对上述的烟雾特性分析，可对烟雾图像的灰度特征、纹理特征和梯度特征进行提取，从而作为最终用于分类的特征，通过训练好的分类器进行判断，筛选出第二类烟雾候选区域。

具体的，基于灰度特征提取的多维特征描述子为图像的灰度均值、方差、最大值三维特征；

基于烟雾图像存在灰度高亮，且灰度渐变，而船类目标整体灰度较低的特征，本实施例在灰度特征上主要提取的是图像的均值、方差、最大值三维特征。

其中，均值是指图像灰度的平均值，方差是指图像灰度值的方差，最大值是指图像灰度的最大值。定义如下：

均值：

方差：

最大值：

其中，M、N为图像宽和高，P_ij为像素的灰度值。

具体的，基于纹理特征提取的多维特征描述子为图像的灰度差分平均值、对比度、熵三维特征；

纹理特征描述图像或图像区域所对应物体的表面性质，它对区域内部灰度级变化的特征进行量化。

基于烟雾的纹理相对船类目标较为简单，本实施例中采用基于灰度差分法提取纹理特征。

具体为，设图像中某个像素点(m,n)，该点和它邻域点的灰度差值为：

其中，称为灰度差分。设灰度差分值的所有可能取值共有m级，求取/>的直方图。通过直方图可以计算/>取值的概率p(k)，k为灰度差值。p(k)越大说明纹理越粗糙，越小说明纹理越细致。

本实施例在的纹理特征上主要提取的是灰度差分平均值、对比度、熵三个特征。定义如下：

灰度差分均值：

对比度：

熵：

基于梯度特征提取的多维特征描述子为图像的垂直梯度均值和垂直梯度方差的二维梯度特征；

基于烟雾图像存在较强的方向性，水平边缘较弱，而船类目标的船体存在较强的水平边缘这一特点，本实施例梯度特征采用图像的垂直梯度特征。对图像的垂直梯度均值和垂直梯度方差进行计算，作为提取的2维梯度特征。

求取垂直梯度的模板采用sobel算子，如公式所示。

求取获得垂直梯度G_y，并对图像的垂直梯度求取垂直梯度均值和方差，公式如下：

垂直梯度均值：

式中，G_y(i,j)为坐标点(i,j)的垂直梯度；N为图像宽；

垂直梯度方差：

将垂直梯度均值和方差这二维特征作为梯度特征。

最终提取的多维特征描述子符包含8维特征，分别是灰度均值、灰度方差、灰度最大值、灰度差分均值、对比度、熵、垂直梯度均值和垂直梯度方差。

针对每个烟雾疑似目标区域块，分别提取所述8多维特征描述子，送入训练好的分类器,获得分类器的判别结果，所述判别方法为是目标输出1，非目标输出0，将识别为烟雾的目标区域作为第二类烟雾候选区域。

在步骤S104中选取第一类烟雾候选区域和第二类烟雾候选区域的交集作为确认的烟雾候选区域。

在本步骤中，通过结合包括烟雾的形状和高度在内的先验知识和8多维特征描述子的特征分类，进一步提高了烟雾候选区域的准确性，提高了对烟雾检测的准确率。

在本实施例中，基于灰度聚类的烟雾分割方法由于未考虑到目标的边界和对比度等信息，因此当相机过渡曝光天空背景偏亮时可能出现虚警。同时，由于烟雾呈现的形态不一，烟雾区域的灰度不均匀变化，呈现部分区域高亮部分灰度低的现象，单纯使用聚类分割算法将会导致同一目标被分割成多个子块的情况。基于以上原因，本实施例的步骤S105对聚类分割后的结果进行确认和分割结果的进一步补充和连通。

具体的，如图3所示，步骤S105中对确认的烟雾候选区域进行边缘提取、融合的方法包括：

步骤S301、采用边缘检测算法提取烟雾的边缘图；

由于起干扰作用的光学烟雾通常只会出现在天空和海天线附近，烟雾与背景的对比度较高，存在边缘信息。因此，采用边缘检测算法(如Canny边缘提取方法)对图像提取边缘得到烟雾的边缘图。

具体的，在对图像提取边缘时，采用hough变换提取海天线，将提取的海天线去除后，利用剩余的边缘作为烟雾的边缘图。

步骤S302、基于边缘图信息对烟雾进行确认和分割结果的补充，得到融合边缘后的分割图；

针对每个烟雾候选区域，在边缘图对应位置内进行边缘点个数的统计，确定其与烟雾候选区域的匹配度，当满足重叠率条件时，则认为二者有交集，则判定当前烟雾候选区域为烟雾目标区域；将聚类分割烟雾候选区域和与之位置对应的边缘图求取并集获得融合边缘后的分割图。

具体的，所述融合边缘后的分割图：

式中，Seg(i,j)为聚类分割图，Edge(i,j)为边缘提取图；Match(m)为第m个烟雾候选区域对应位置的边缘图与当前第m个烟雾候选区域的匹配度；

Overlay(m)为第m个烟雾候选区域对应位置的边缘图与当前第m个烟雾候选区域的重叠率；m＝1,...,boxnum；boxnum为聚类分割图中烟雾候选区域的总数；i,j为图像的纵向、横向坐标。

具体的，匹配度的计算公式为：

重叠率的计算公式；

Overlay(m)＝box[m].w*box[m].h*β

其中，bos[m]为用矩形框表示的聚类分割图中的第m个烟雾候选区域对应的坐标信息，其中box[m].bottom、box[m].top、box[m].left、box[m].right分别表示检测框的上边界、下边界、左边界、右边界的坐标，box[m].w、box[n].h表示第m个矩形框的宽和高；β为可设置的比例系数。

步骤S303、对融合边缘后的分割图进行形态学膨胀，获得最终的边缘特征融合图；

步骤S304、对边缘特征融合图进行连通域标记，从而获得最终的烟雾检测结果输出。

优选的，本实施例还公开了基于特征分类的分类器的训练过程；如图4包括

步骤S401、建立用于分类器学习的烟雾目标、其他目标和背景目标的样本库；

针对所有包含烟雾的训练图像，抠取烟雾图像块构建烟雾图像作为正样本库，抠取其他目标(如船类等)和背景目标作为负样本库。

具体的，本实施例中所处理的烟雾目标在光学图像中呈现的颜色特点为存在灰度高亮区域，灰度渐变且整体灰度值较高。形态多变，有近似椭圆的形状，也有近似团云的形状。并且，烟雾的纹理相对例如船类的其他目标较为简单，存在较强的方向性，水平边缘较弱，而船类目标的船体存在较强的水平边缘。针对上述的烟雾特性分析，可对烟雾图像的灰度特征、纹理特征和梯度特征的进行提取，从而作为最终用于分类的特征。

步骤S402、基于图像的灰度特征、纹理特征和梯度特征，对样本库中所有样本提取多维特征描述子；

对样本库中每个样本提取的多维特征描述子符包含8维特征，分别是灰度均值、灰度方差、灰度最大值、灰度差分均值、对比度、熵、垂直梯度均值和垂直梯度方差。

步骤S403、采用对所有样本提取的多维特征描述子训练分类器，使分类器能够识别烟雾目标；

分类算法可以采用树形分类算法；例如CART二叉树形分类算法等。通过树形分类算法实现快速分类，分类算法复杂度低，占用硬件资源少，运行速度快，适用于资源有限的硬件平台。训练完成即可获得烟雾目标分类器。

综上所述，本发明实施例公开的结合先验知识和特征分类的光学烟雾检测方法，采用灰度聚类算法实现烟雾候选区域的分割，通过结合包括烟雾的形状和高度在内的先验知识和8多维特征描述子的特征分类进行烟雾候选区域的筛选，提高了对烟雾检测的准确率。并对确认的烟雾候选区域通过结合边缘特征进行结果判定和融合，获取更加准确的烟雾目标范围。

本发明实施例在不使用运动特征的情况下即可实现烟雾检测，解决了飞行器平台不断运动导致图像背景信息不断变化无法使用运动特征来完成烟雾检测的技术问题。

本发明实施例采用的算法简单有效，占用硬件资源少，运行速度快，适用于资源有限的硬件平台。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种结合先验知识和特征分类的光学烟雾检测方法，其特征在于，包括：

对于海天背景下的包含光学烟雾干扰的目标图像，基于烟雾灰度特征从目标图像中分割出烟雾候选区域；

对烟雾候选区域进行形态学处理，结合烟雾形状信息和烟雾高度信息筛选出第一类烟雾候选区域；

基于图像的灰度特征、纹理特征和梯度特征，对烟雾候选区域提取多维特征描述子，送入训练好的分类器进行判断，筛选出第二类烟雾候选区域；

选取第一类烟雾候选区域和第二类烟雾候选区域的交集作为确认的烟雾候选区域；

对确认的烟雾候选区域进行边缘提取、融合，获得烟雾区域的位置信息，从而获得最终的烟雾检测结果输出。

2.根据权利要求1所述的结合先验知识和特征分类的光学烟雾检测方法，其特征在于，

对分割的烟雾候选区域进行形态学处理，并在水平方向上进行目标膨胀，将分割的烟雾候选区域闭合；

结合包括烟雾的形状和高度在内的先验知识，对闭合的烟雾候选区域中不满足烟雾特性的候选区域剔除；对剔除后的烟雾候选区域进行连通域标记，从而获得第一类烟雾候选区域。

3.根据权利要求1所述的结合先验知识和特征分类的光学烟雾检测方法，其特征在于，在筛选第二类烟雾候选区域时，

多维特征描述子包含8维特征，分别是灰度均值、灰度方差、灰度最大值、灰度差分均值、对比度、熵、垂直梯度均值和垂直梯度方差。

4.根据权利要求3所述的结合先验知识和特征分类的光学烟雾检测方法，其特征在于，

所述分类器采用的分类算法为树形分类算法。

5.根据权利要求1所述的结合先验知识和特征分类的光学烟雾检测方法，其特征在于，所述烟雾候选区域的分割包括：

1)根据图像的直方图信息，获得海面和天空的灰度估计值，获取海面、天空的初始种子点；

2)基于对烟雾区域的白色高亮灰度统计经验值和图像的灰度最大值，获取烟雾的初始种子点；

3)基于海面、天空、烟雾的初始种子点，采用聚类算法对图像灰度进行聚类，对属于烟雾目标的图像潜在区域进行分割提取，获得烟雾候选区域。

6.根据权利要求5所述的结合先验知识和特征分类的光学烟雾检测方法，其特征在于，

对直方图进行平滑及峰值点检测，获得海面和天空的灰度估计值，获取海面、天空的初始种子点；

天空、海面初始种子点为平滑后图像的直方图的第一极值点和第二极值点；

烟雾初始种子点为其中，V_s为烟雾灰度的统计经验值，max(img)为图像的灰度最大值。

7.根据权利要求6所述的结合先验知识和特征分类的光学烟雾检测方法，其特征在于，

采用Kmeans灰度聚类算法对图像的灰度进行聚类，获得属于烟雾目标的图像潜在区域，进行分割提取后，获得烟雾候选区域。

8.根据权利要求1所述的结合先验知识和特征分类的光学烟雾检测方法，其特征在于，

对确认的烟雾候选区域进行边缘提取、融合的方法包括：

1)采用边缘检测算法提取烟雾的边缘图；

2)基于边缘图信息对烟雾进行确认和分割结果的补充，得到融合边缘后的分割图；

3)对融合边缘后的分割图进行形态学膨胀，获得最终的边缘特征融合图；

4)对边缘特征融合图进行连通域标记，从而获得最终的烟雾检测结果输出。

9.根据权利要求5所述的结合先验知识和特征分类的光学烟雾检测方法，其特征在于，

针对每个确认的烟雾候选区域，在边缘图对应位置内进行边缘点个数的统计，确定其与烟雾候选区域的匹配度，当满足重叠率条件时，则认为二者有交集，则判定当前烟雾候选区域为烟雾目标区域；将聚类分割烟雾候选区域和与之位置对应的边缘图求取并集获得融合边缘后的分割图。

10.根据权利要求9所述的结合先验知识和特征分类的光学烟雾检测方法，其特征在于，

所述融合边缘后的分割图：

式中，Seg(i，j)为聚类分割图，Edge(i，j)为边缘提取图；Match(m)为第m个烟雾候选区域对应位置的边缘图与当前第m个烟雾候选区域的匹配度；

Overlap(m)为第m个烟雾候选区域对应位置的边缘图与当前第m个烟雾候选区域的重叠率；m＝1，...，boxnum；boxnum为聚类分割图中烟雾候选区域的总数；i，j为图像的纵向、横向坐标。

具体的，匹配度的计算公式为：

重叠率的计算公式；

Overlap(m)＝box[m].w*box[m].h*β

其中，box[m]为用矩形框表示的聚类分割图中的第m个烟雾候选区域对应的坐标信息，其中box[m].bottom、box[m].top、box[m].left、box[m].right分别表示检测框的上边界、下边界、左边界、右边界的坐标，box[m].w、box[m].h表示第m个矩形框的宽和高；β为可设置的比例系数。