可变视场下的火灾探测算法

针对火灾发生初期由火焰面积小、特征不够明显且易受干扰等因素所导致的火焰识别困难的问题,提出一种可变视场下小面积火焰快速探测方法.该方法利用旋转云台实现小面积火焰疑似区域的大监控范围跟踪和视野中央聚焦;通过镜头变焦处理对小面积火焰进行自动放大,提高火焰区域“多分辨”视觉识别特征的显著性;采用自适应区域增长算法对火焰图像进行识别,有效完成火焰疑似区域分割;通过建立的信任度概率模型,将疑似概率作为火焰判定的量化参数,用于火焰区域的最终确定,从而在识别算法和图像获取硬件设备两方面改善火焰探测系统的工作效率.实验结果表明,火焰成像质量得到明显改善,火焰特征识别速度得以明显加快,小火焰检测精度显著提升,可广泛应用于火灾早期以及远距离火焰检测与预警.     

一种基于颜色模型的火灾识别系统

相比较传统以温度、烟雾等传感器为主的火灾检测方法,通过对火焰的成像特征进行分析,采用视频检测火灾.针对可见光下的火焰特征,基于计算机视觉技术,设计并实现了一种基于颜色模型的火灾识别系统.本系统以火灾检测算法为核心,设计并实现了简洁、易用的可视化的界面,将多种图像处理算法融入其中,并通过实验数据测试表明该系统的火灾识别平...     

基于无人机遥感图像的森林火灾检测

为减少森林火灾造成的生态与经济损失,搭建无人机检测平台采集森林遥感图像,基于支持向量机(SVM)开发森林火灾检测系统.通过分析森林遥感图像的像素点,预提取火灾的感兴趣区域(ROI),提高火灾识别准确率.利用方向梯度提取森林火焰的边缘特征与纹理特征,采用机器学习方法进行森林火灾识别.实验结果表明,该检测方法对火灾与非火灾...     

基于颜色和纹理特征的森林火灾图像识别

为了降低火焰状干扰源存在时森林火灾的误报率,提高火灾预警的快速性,根据火焰独特的颜色和纹理特征,提出了以分块的LBP直方图特征结合LPQ直方图特征的火焰识别算法。首先利用YCbCr颜色空间的规则进行颜色检测,得到疑似火焰区域;再使用LBP、LPQ分别从空域、频域提取纹理,图像空域和频域的纹理特征结合后,得到特征向量;最后将特征向量输入SVM分类器进行测试和火焰识别。实验结果表明:此融合算法鲁棒性强、检测率高,存在火焰状干扰源时,测试集的火焰识别准确率可达94.55%;与深度学习算法对比,该算法在保证较高正确率的同时,预测耗时大幅度减少,预测耗时是DBN的1/4、是CNN的1/50,提高了火灾预警的快速性,为快速准确的林火预警提供了算法依据。     

一种新型的图像型火灾识别算法的研究

图像型火灾探测技术是一种新型的探测技术,可以有效地克服传统火灾探测技术的缺陷.针对背景复杂的火灾图像,首先利用差分技术、RGB颜色分割技术和形态特征分割技术建立3层复合分割模型,排除大部分干扰,得到火焰疑似区域;然后分析火焰疑似区域的相似性测度、面积变化值、致密度、偏心率和质心点偏移距离等特征,这些特征可以较全面地表征火灾信息;最后利用RBF神经网络建立火灾识别模型,将提取出的火焰特征作为输入量,对火灾图像进行分类识别.仿真结果表明,该算法对不同场景的火灾识别具有较高的准确率.     

基于RetinaNet深度学习模型的火焰检测研究

鉴于卷积神经网络能够自动学习和获取图像特征,提出一种基于RetinaNet模型的火焰检测算法.首先RetinaNet在残差网络之上使用特征金字塔网络作为骨干网计算和生成丰富的卷积特征金字塔,然后通过分类子网络和边框预测子网络分别对骨干网的输出进行分类和回归,通过调整训练策略和参数,最后在自建数据集上使用该算法得到的火焰检测模型实现了实时的端到端火焰识别与定位,对复杂目标背景下的小火点检测也保持较高的检测准确率,对火灾初期的检测预警有一定的实用意义.     

一种基于视频多特征融合的火焰识别算法

根据燃烧过程中火焰的物理特性，结合火焰的静态和动态特征，设计了一种多特征融合的火焰识别算法，对火灾进行快速判别．基于信任度模型建立了火焰识别的概率模型，以疑似概率反映视频图像中出现火焰的几率．实验表明，该算法识别火焰速度快，能够达到25帧／s的处理速度，与其他的火焰识别算法相比，算法在识别过程中无需人工调整即可自动完成，在复杂实际环境中，算法识别的准确性高，抗干扰能力比较强，如对车灯、路灯等干扰疑似概率始终小于10％．因此，算法在实际运用中有着广泛的应用前景．     

基于Faster R-CNN模型的火焰检测

常规的火焰检测一般是提取火焰的静态或动态特征,然后进行火焰的判别.但是传统特征无法全面描述火焰特性,会导致识别的准确率降低.本文提出一种基于Faster R-CNN模型的火焰检测算法.首先利用候选区域生成网络(Region Proposal Network,RPN)提取火焰候选区域,然后对候选区域进行卷积及池化操作,提取火焰特征,最后利用联合训练的快速区域卷积神经网络(Fast R-CNN)进行火焰识别.实验结果表明该方法能够自动提取火焰特征,有效提高复杂背景下的火焰识别的准确率,具有良好的泛化能力和鲁棒性.     

基于亮度守恒假设的火灾图像运动特征提取

论述了火灾火焰和烟雾图像特征分析及提取方法,分析了这些方法尚存在的问题,指出了火灾图像运动特征分析相对于静态特征分析的优势.针对亮度不变假设在提取火灾火焰和烟雾图像运动特征时存在的问题,提出将目前最新的光流计算方法——亮度守恒假设应用于视频火灾探测中,结合全局平滑性假设,推导了亮度守恒方程解的迭代形式,并对基于亮度守恒假设的火灾火焰和烟雾图像运动特征识别方法进行了分析和讨论,为开发更加准确可靠的视频火灾探测识别算法提供了理论支撑.     

基于数字图像处理的火警监测系统研究

提出一种基于数字图像处理及传统的火警探测器相结合的火灾报警监测系统。计算机数字图像处理系统对图像中可能存在的火焰进行识别，给出存在火焰的可能性，并与其他传统探测器的探测结果一起输入到模糊神经网络，由模糊神经网络给出最终探测结果。在火焰监测子系统中，分别根据火焰的四个特征（即颜色、扰动、火焰局部形态、颜色分布），提出了快速、实用的图像处理方法。本监测系统可以弥补传统监测系统的缺陷，扩大检测范围、缩短预报时间，大大减少误码报率。实验结果表明，本系统快速有效。     

使用日夜两用型红外摄像机进行火焰检测

为了提高火灾监控的准确性和及时性,并最大限度地利用已有硬件设备,提出一种使用日夜两用型红外摄像机的火灾自动监控方法.根据红外图像RGB空间的色彩分布特点,设计视频类型判断算法,实现视频图像类型自动切换.通过红外状态与可见光状态两类状态下的焰色模型提取火焰疑似区域.对疑似火焰区域提取不规则度、角点量、闪烁频率和帧间相关性等4个静态及动态检测特征.通过减聚类和模糊C均值聚类相融合的方式优化训练样本,并分别训练2种状态下的火焰识别神经网络分类器.实验结果表明:视频类型判别平均准确率93.07%,21段火焰或干扰视频均能正确检测,报警时间小于8s,帧处理速度达到25帧/s以上.对室内自动火灾监控的精度高、抗干扰能力强、处理速度实时和适应全天候监控等.     

基于视频的全天候多特征融合火焰检测算法

针对传统可视化火灾探测技术采用单独分析可见光摄像设备或红外摄像设备采集的图像进行火灾探测, 不能全天候监控火焰的问题, 提出一种全天候多特征融合的检测算法. 首先通过视频类型判断算法确定摄像头采集的每帧图像类型, 然后利用与图像类型相对应的算法提取疑似火焰区域, 最后对疑似区域进行基于DCT的火焰频率检测和帧间相关性检测, 判断火焰是否存在. 实验表明, 该检测算法解决了传统可视化探测技术不能全天候监控火焰的问题, 且能在保持火焰高检测率的同时降低误检率.     

嵌入DenseNet结构和空洞卷积模块的改进YOLO v3火灾检测算法

为解决现有火灾检测算法无法同时满足高检测率、低误报率以及高实时性的检测需求的问题,提出了一种基于卷积神经网络的改进YOLOv3目标检测算法,通过深度卷积神经网络自动提取火焰特征对全图进行多尺度特征图预测.首先,针对网络公开火灾数据集数量较少、场景种类受限、火焰尺度单一等问题,自建了一个包含13 573张火灾图片的火灾数据集用于对模型进行训练和测试,其中训练集图片10 014张,测试集图片3 559张.接着,为了提升网络对于多尺度目标(尤其是小尺度目标)火焰的特征提取效果,通过在原YOLOv3的特征提取网络Darknet-53中嵌入空洞卷积模块以充分利用上下文信息,扩增感受野的同时保证不丢失特征图的分辨率.此外,在特征提取网络中加入DenseNet密集型连接网络结构单元,以增强特征复用,同时缓解深度卷积神经网络在特征传播过程中的梯度消失问题.该改进的特征提取网络相比原网络层数进一步加深,网络参数量显著减少.结合火灾检测任务需求实际,简化了损失函数,加快了网络的收敛速度.实验结果表明:该算法检测速度快,检测精度高,不仅能够实时检测大尺度火焰,对于火灾发生初期的小尺度火焰也同样检测灵敏,其检测速度可达26.0帧/s,精确率可达97%,且在多种复杂光照环境下均能良好地抑制误报.     

基于图像型的煤矿早期外因火灾预测及识别方法研究

针对传统煤矿井下火灾预测易受环境影响的不足,文中提出了一种基于图像型的煤矿外因火灾预报方法。文中基于火灾图像特征根据运动检测提取出疑似火灾区域,再根据颜色决策排除掉不具有火焰颜色的物体,最后再利用离散分形布朗增量场进行识别。实验结果表明,该算法对于小样本、非线性的分类问题效果显著,该法能较好地将煤矿井下的火源与干扰源区别开来,有较高的识别率和较强的鲁棒性,可降低误报、漏报。     

早期火灾火焰识别的滑动平均计数模型

针对大空间环境下的早期火灾的探测问题,提出一种基于滑动平均计数模型的视频火灾火焰探测方法.使用自适应背景减除法提取前景中的运动目标,通过滑动平均计数模型度量运动目标的闪烁特性,结合运动目标的圆度变化和面积变化,实现早期火灾火焰的识别.实验结果表明:方法能够适应室外环境变化,快速检测火灾火焰.     

林火监测中基于视觉的火焰检测方法

基于计算机视觉的火灾监测系统中对火焰的早期检测是防止森林火灾蔓延的关键。提出一种基于运动检测和像素颜色特征相结合的新的火焰检测方法。首先根据图像序列建立背景模型,突出显示运动部分;并采用邻域平均方法对目标和噪声进行分离。其次基于边缘特性,获取序列图像的边缘变化情况,将两者融合得到感兴趣(ROI)区域。最后,将亮度与饱和度分离,产生火焰的有效颜色空间。通过对火焰像素亮度(I)分量区域与饱和度(S)分量区域进行相关性分析来确定火焰。实验结果显示,方法具有良好的快速性,在较短的检测时间下,可以保证较高的检测率和较低的误检率,对火焰序列图像的检测率达到91.78%,对伪火焰图像的误检率达到7.11%。     

基于DM642的火灾报警系统的设计与研究

该设计介绍了火焰图像的识别,提出基于DM642的火灾报警系统的设计过程,主要利用CCD摄像头采集火灾的火焰图像,再由芯片TVP5150转变为数字信号送入DM642的Vp口,并由DM642对送入的数字信号进行分析与处理,实现火灾的自动报警.     

FPGA与Nios-Ⅱ的视频式火灾监测系统

火灾是一种严重的自然灾害,对人们的生命安全与财产安全构成巨大的威胁,因此尽早获知火灾发生非常重要。以DE2-115开发板作为硬件开发平台,设计出一种基于FPGA与Nios-Ⅱ的低成本视频式火灾监测系统。利用FPGA相关技术,配合高速摄像头的传输与控制,外部存储器的缓存控制,对实时图像进行采集、图像预处理,利用基于颜色的静态识别方式与基于帧间差分法的动态识别方式,对火焰进行静态特性与动态特性的检测,该系统处理速度快,准确度高,具有较好的实时性。     

基于PCNN分割的火焰图像检测技术

基于PCNN分割的火灾探测方法,提出了基于计算机视觉和数字图像处理技术的火焰特征计算方法,根据色度学原理对火焰图像进行阈值分割、去除噪声、寻找火焰边界、计算周长和面积、找出火焰特征坐标等处理.从理论分析及实验结果中得出了该方法具有精度高、适应性强、易于计算等特点,可以抵抗常见的干扰对系统的影响,可以提高火灾探测的准确率减少漏判和误判.     

面向红外视频图像的火焰识别

针对红外图像的火焰识别,采用基于粒子群优化算法的二维最大熵阈值选取方法,选取最佳阈值对红外图像进行分割,使可疑区域从背景中分离出来.选择物体的高度作为特征量,采用标准模板序列,设计两层模糊分类器分析物体的高度变化和灰度分布,给出可疑目标隶属于火焰的评价.实验证明,这种结合火焰动、静特性的算法鲁棒性强,识别率及灵敏度较高,适用于广范围的火灾监控.