多特征融合的火焰检测算法

视频火焰检测是复杂场景下预防火灾的重要方法。为了提高火焰的检测效率和鲁棒性,基于RGB和HSI颜色空间改进了火焰的颜色特征模型,有效地提取了疑似火焰区域;实验对比分析了火焰不同的形状结构特征,及其特征组合对火焰检测有效性的影响,提出了一种融合圆形度、矩形度和重心高度系数的火焰检测算法,然后将融合后的火焰特征输入支持向量机(SVM)中进行分类。在Bilkent大学火灾视频库上的实验结果表明,该方法高效、快速,且能适用于多种场景。     

强光干扰下的火焰前景提取技术研究

火焰前景提取是视频型火灾检测算法的重要步骤,也是后续火焰特征识别算法的基础。针对现有火焰前景提取算法在强光干扰下或在背景与火焰颜色相近时无法正确提取火焰前景的问题,提出一种新的火焰前景提取算法。首先通过计算瞬时运动区域和火焰颜色区域来确定初级疑似火焰区域;然后对初级疑似区域和非疑似区域制定不同的背景建模策略来得到运动前景;最后由运动区域和高亮区域得到最终的火焰前景。与4种已有的火焰前景提取算法的对比实验表明,该算法在复杂背景下的火焰前景提取准确率为96.2%,远高于现有算法;能适应不同类型的复杂背景,并且满足实时性要求。     

一种基于多尺度局部纹理特征和CART决策树的野外火灾火焰图像识别算法

为了消除野外环境中枯草、枯树枝、枯树叶等干扰对象对野外火灾识别的影响,提高火焰识别的准确率,提出一种新的基于Gabor滤波和局部二值模式(LBP)的多尺度局部纹理特征提取方法,并构建Adaboost-SVM火焰图像分类器。利用火焰的颜色特征提取出疑似火焰区域;对疑似火焰区域进行Gabor滤波,再对Gabor滤波后不同尺度下的图像以16×16的像素邻域网格作为采样窗口,采用LBP提取其纹理特征;运用CART决策树对LBP特征向量进行降维,将分类回归树算法(CART)选择出来的特征输入到支持向量机(SVM)训练分类器,进行火灾火焰图像识别。实验结果表明,野外火灾火焰的识别准确率为96%,证明了该算法的有效性。     

结合LBP直方图和SVM的视频火焰检测

根据火焰独特的纹理特征,提出以块的LBP直方图特征为主并结合其他动、静态特征的火焰识别算法。首先用帧差法和RGB颜色高斯模型进行运动颜色检测,得到疑似火焰区域;再提取其红色分量统计特征、小波高频能量和LBP直方图特征;最后将特征向量输入SVM分类器进行火焰识别。实验证明,该算法误报率低、鲁棒性强,同时具有实时性,火焰视频检测率可达到96.2%。     

基于小波变换和支持向量机的火灾识别算法

为了提高火灾检测方法的环境适应能力,研究了一种基于小波变换和支持向量机的视频火灾识别算法。提出了火焰颜色概率模型对疑似火焰区域进行分割,经过小波变换分析疑似火焰区域高频子图能量信息,对其一维能量信息进行二次小波变换得能量变化趋势和闪烁频率。将提取火焰的能量变化趋势,闪烁频率和火焰面积变化率作为支持向量机的输入特征参数,实现了火灾识别。实验结果表明,该算法有较高的识别准确率,较强的环境适应能力。     

基于SVM的视频火焰检测算法

对于目前火灾探测方法中存在检测率低、误报率高的普遍现象,提出了一种基于融合特征与支持向量机(SVM)的视频火焰检测算法。使用一种改进自适应混合高斯建模法获得视频里的运动目标,并结合火焰颜色模型分离出火焰疑似区域;获取疑似区域的动态、几何、纹理等特征;融合特征量,利用已训练的SVM完成识别。在测试视频集上的实验结果表明,该算法检测效果好,且耗时短。     

基于改进的PSO优化SVM火灾火焰识别算法研究

针对室内复杂环境下火灾识别准确率会降低的问题,提出了一种改进的粒子群算法优化支持向量机参数进行火灾火焰识别的方法;首先在YCrCb颜色空间进行火焰图像分割,对获得的火焰图像进行预处理并提取相关特征量;其次采用PSO算法搜索SVM的最优核参数和惩罚因子,并在PSO算法中加入变异操作和非线性动态调整惯性权值的方法,加快了搜索SVM最优参数的精度和速度;然后将提取的火焰各个特征量作为训练样本输入SVM模型进行训练,并建立参数优化后的SVM分类器模型;最后将待测试样本输入SVM模型进行分类识别;算法的火灾识别准确率达到94.09%,分类效果明显优于其他分类算法;仿真结果表明,改进的PSO优化SVM算法提高了火焰识别的准确率和实时性,算法的自适应性更强,误判率更低。     

基于改进层次聚类和SVM的图像型火焰识别

为了提高大空间建筑内实时监控的火灾检出率,提出基于改进分层聚类和支持向量机(SVM)的火灾识别算法。首先建立火焰颜色模型,用像素运动累积法获取疑似目标,借助改进层次聚类法对其进行合并,形成少量疑似区域。然后提取疑似区域相邻帧间相关性、面积变化率、质心偏移距离、红绿分量比、平均亮度这五个特征量。最后将特征输入到SVM进行二分类,判断是否有火。实验结果表明该算法提高了聚类算法在实际应用中的效率,克服了已有火灾识别算法过分依赖阈值的局限性,适用于室内大空间基于视频监控的火灾探测。     

多特征融合的视频火焰检测算法研究

基于视频的火焰检测算法为解决传统感烟感温火焰检测方法受环境制约的问题提供了一条新的路径。通常的视频火焰检测算法主要利用火焰的颜色、形状、频域特征等信息来进行检测,计算较为复杂,往往不能达到实时性。文中结合火焰的颜色、运动特性以及频闪特性,提出一种简单高效的视频火焰检测方法。首先使用ViBe算法提取出视频中的运动区域作为火焰候选区域,以降低计算量,再通过火焰的颜色模型筛选出疑似火焰区域,最后根据火焰的频闪特性建立一个简单的频闪模型,进一步滤除与火焰颜色相似的非火焰运动区域。通过实验证明,该文提出的算法能够检测出不同环境下火焰的发生,且执行效果较高。     

多特征融合的视频火焰检测算法研究

基于视频的火焰检测算法为解决传统感烟感温火焰检测方法受环境制约的问题提供了一条新的路径。通常的视频火焰检测算法主要利用火焰的颜色、形状、频域特征等信息来进行检测,计算较为复杂,往往不能达到实时性。文中结合火焰的颜色、运动特性以及频闪特性,提出一种简单高效的视频火焰检测方法。首先使用ViBe算法提取出视频中的运动区域作为火焰候选区域,以降低计算量,再通过火焰的颜色模型筛选出疑似火焰区域,最后根据火焰的频闪特性建立一个简单的频闪模型,进一步滤除与火焰颜色相似的非火焰运动区域。通过实验证明,该文提出的算法能够检测出不同环境下火焰的发生,且执行效果较高。