基于视频的火焰检测技术研究

综合分析了火焰的颜色、闪烁频率及其面积增长性等静态特征和动态特征,设计了一种基于视频的火焰检测自动预警算法.利用混合高斯模型有效地表示了火焰颜色及颜色的多态性.实验表明该算法具有误报警低、识别率高、实时性强等优点,是火灾自动报警的一种可行、科学的解决方案,具有广泛的应用前景,该研究在国内外还处于发展阶段.     

基于视频的烟雾检测

一种基于视频的烟雾检测方法,检测烟雾像素的算法由两部分组成:基于烟雾颜色的静态特征和烟雾扩散性的动态特征.先建立一个混合高斯模型来检测烟雾颜色像素,然后再用烟雾的动态特征来检测上面哪些像素才是真正的烟雾像素.实验结果显示了这种改进的方法能在火焰燃烧起来前报警,并且火警错报率降低.因此,这对于军事、社会安全、商业等都具有重要的意义.     

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.     

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%。     

基于视频的火灾监控关键技术研究

本文研究的主要内容是对火焰视频进行检测,寻找出火焰区域.设计上选用RGB色彩空间和HSV色彩空间对视频进行火焰区域检测,同时针对火焰颜色、形态以及动态特性给出了图像处理和识别的算法.通过多次实验证实本文结合RGB与HSV的思路对火焰检测有一个良好的效果.     

高温低氧气氛中气体燃料的火焰特性

为确定高效低污染燃烧的条件 ,研制了火焰特性实验装置 .在此装置上研究了助燃剂预热温度及氧体积浓度对丙烷火焰特征的影响 .实验中 ,助燃剂预热温度变化范围为 380～ 1 0 0 0℃ ,氧体积浓度变化范围为 2 1 %～ 2 % .实验表明助燃剂温度及其含氧量对火焰特性有非常显著的影响 ,高温低氧条件下的火焰体积、火焰亮度与颜色、火焰形状等特性明显改变 .此外 ,还定性地说明了高温低氧燃烧方式具有高效低污染特性     

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。     

基于计算机视觉的火灾识别方法研究

本文对基于计算机视觉的火灾检测识别方法进行研究。首先采用运动检测与火焰颜色模型想结合的方法对视频疑似火灾区域进行分割,然后提取出火焰矩形度、火焰面积增长特征、火焰波动频率三个特征,将此三个特征作为火灾识别的特征向量,最后训练BP神经网络分类器,对火灾进行识别。     

基于YIQ颜色空间的火焰轮廓提取算法

为了能准确地分割图片中的火焰区域和背景区域并精准的提取火焰轮廓,本文提出基于YIQ颜色空间的火焰轮廓提取方法.该方法利用火焰的颜色和亮度特征,通过大量实验观察,在YIQ颜色空间,先获取Y、I分量的像素均值,再运用迭代法和灰度直方图法分别得到Y分量及I分量的最佳阈值,然后结合二者的均值对阈值进行取向处理,最后运用canny算子对得到的二值图进行轮廓提取.实验结果表明本文算法火焰分割精确度高,提取轮廓清晰,时间复杂度也得到很大改善.     

火焰轮廓提取与检测

在分析火焰图像特性的基础上,论述了一种基于面积阈值和集合运算轮廓提取的方法,并结合火焰的图像特性进行火焰检测。该方法首先运用迭代阈值方法选取阈值,把灰度图像转化为二值图像,然后依据集合论的知识对连通区域进行运算,再依据面积阈值去除噪声,提取物体的轮廓,最后结合火焰的色彩分布特征进行火焰检测。实验表明:该方法具有较好的准确性、可靠性和鲁棒性。     

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．     

聚类分析提取PCA变换后的火焰图像颜色特征

炉口火焰颜色特征是判断炼钢终点碳及终点温度的重要特征.为实现实时控制,通常利用PCA变换缩短图像特征提取时间,由于PCA变换存在误差,难以在变换后的图像中提取独立颜色,文中首先在原始火焰图像中选取各类颜色样本,计算颜色变换前后的类内距和类间距,发现图像变换前后颜色的聚类性能具有一致性,然后利用聚类方法确定变换后的颜色窗口大小,通过颜色窗口提取序列图像颜色像元数量随时间变换特征,采用A,B两炉冶炼同一型号钢种图像数据进行实验,实验结果表明:通过聚类分析的方法所提取的颜色特征能较好地反映转炉炼钢物理化学过程.     

基于深度迁移学习的回转窑燃烧状况智能感知

针对回转窑燃烧状况的认知问题,探索了一种基于深度迁移学习的回转窑燃烧状况智能感知机制和计算方法。首先,采用自优化调节的机制构建卷积神经网络的架构（ASCNN,adaptive structure convolutional neural networks）,建立火焰图像由全局到局部具有确定映射关系的非结构化动态特征空间。其次,基于特征可区分性测度指标和变精度粗糙集理论,从信息论的角度在不确定信息条件下,面向可区分性约束条件,建立自优化特征表征的回转窑燃烧状况认知决策信息系统,增强燃烧状况非结构化简约可分特征空间的可解释性。再次,构建具有万局逼近能力的随机配置网络分类器（SCN,stochastic configuration networks）,建立火焰图像燃烧状况的分类决策准则。最后,构建语义误差熵评测指标,实时测量火焰图像燃烧状况认知结果的不确定性,构建基于不确定认知结果测度指标约束的动态迁移学习机制,实现燃烧状况多层次差异化特征空间及其分类准则的自寻优调节和重构。实验结果表明了所构建的基于深度迁移学习的火焰图像燃烧状况智能感知模型较已有方法对水泥回转窑燃烧状况精确认知的可行性和优越性。     

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。     

基于嵌入式系统和红外图像的火焰检测算法

随着嵌入式技术的发展,把机器视觉应用于嵌入式系统是一个发展方向.目前火焰算法相对比较成熟,具有较高的准确率和抗干扰力.但算法复杂度普遍较高,主要应用于PC机系统,不能适应嵌入式系统的要求.结合已有的研究成果,提出了基于统计背景模型和火焰动态特征的火焰检测算法,成功移植到嵌入式系统上.试验证明算法抗干扰性强、检测率高,速度快.     

基于光流法和深度学习的燃气火焰稳定性

结合光流法和深度学习对燃气火焰稳定性进行了研究.采用光流法直接计算出火焰图像的光流矢量,观察火焰在二维图像中的脉动情况,并提出光流脉动评价模型,可以评估火焰的燃烧稳定性.此外,搭建基于VGG-Nets的深度卷积神经网络模型,在ImageNet预训练权重上进行微调,结合火焰静态与动态特征,实现了对五种典型燃烧状态的分类与识别.结果表明:该方法对火焰的不同燃烧状态具有很好的判断能力,对不稳定燃烧的火焰识别率很高.     

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。     

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。     

基于火焰闪烁特征的判别依据研究

火焰闪烁特征指的是火焰在燃烧过程中所表现出来的不断跳动的特点。在我们的研究课题中使用三个标准来衡量火焰的闪烁特征:火焰焰苗的抖动程度、边界像素的能量特征(傅里叶特性)和频率特征(小波特性)。