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。     

基于多特征融合的视频火焰检测方法研究

视频火焰检测对消防安全具有重要的实际意义。针对目前视频火焰检测算法检测率低、误检率高的不足,提出一种综合运动特征检测、颜色特征分析和基于层次分析法的火焰多种动态特征融合的火焰检测方法。首先利用改进的选择性背景更新模型获取视频图像中运动前景目标,然后通过火焰颜色检测识别提取出可疑的火焰目标,再分析火焰的频闪特征、尖角特征、圆形度特征、面积增长特征和整体移动特征,最后提出一种基于层次分析法的火焰多种动态特征融合的检测识别方法。通过建立的火焰视频库的实验结果表明,提出的检测方法检测准确率高,具有较好的可靠性和鲁棒性。     

基于神经网络与加权融合的火灾火焰识别研究

以室内环境为应用背景,结合火灾火焰的静态和动态特征,采用了一种神经网络与加权融合的火灾火焰识别算法,对室内火灾火焰进行实时快速判决。对视频图像进行可疑运动检测,再对颜色特征进行提取,在HIS颜色空间中建立新的颜色判据,然后获取圆形度和尖峰数;研究了火焰频闪特性,将这些特征信息作为神经网络的输入端,最终利用加权融合的算法,判定区域是否为火焰。     

基于亮度与火焰区域边缘颜色分布的火焰检测*

为改善目前的火焰检测方法对环境适应能力不强的情况,提出一种基于亮度与火焰区域边缘颜色分布的火焰检测方法。主要采用二值重构、形态学算法以及边界追踪计算火焰区域边缘颜色分布矩阵,对得到的颜色分布矩阵进行主成分分析（PCA）,并用PCA中协方差特征值分量约束BP神经网络的输入向量,从而准确进行了火焰检测。实验结果表明,此算法计算简单,能准确识别多种背景下的火焰图像。     

基于SVM的视频图像火焰检测

为了提高火焰检测的准确率和鲁棒性,提出了一种基于支持向量机(SVM)的火焰检测算法。首先根据火焰的颜色和运动特性,结合YCb Cr颜色高斯模型和Vi Be算法提取疑似火焰区域;为了提高检测的鲁棒性,并降低计算量,以秒为检测周期,提取疑似火焰区域的动、静态特征;最后将特征向量送入预训练好的SVM中进行最终判决。仿真实验表明,该算法具有较高的准确率,同时满足实时性要求。     

基于Codebook的视频火焰识别算法

为了提高视频火焰识别的准确度,提出了一种基于Codebook的火焰识别方法,创新地在YUV空间使用Codebook背景模型检测火焰区域,定期更新背景,综合火焰的动静态多特征进行火焰识别.首先,提取视频中的每一帧图像,利用原始图像中R、G、B三个分量间存在的线性关系作为颜色模型,初步提取火焰颜色区域; 然后,为了利用YUV颜色空间的有利特性,将颜色空间从RGB转化到YUV, 使用Codebook背景模型进行背景学习、背景差分,提取出具有火焰颜色的动态前景; 最后,利用火焰面积变化率、区域重叠率、质心位移这3个特征来训练反向传播(BP)神经网络,通过训练好的神经网络判断视频图像是否存在火焰.选取相机位置以及方向固定的视频进行实验,所提算法在复杂的视频场景中的识别准确度达到96%以上.实验结果表明,所提算法有效提高识别的准确度,同时降低多种干扰物场景的误判率.     

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。     

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。     

基于运动和颜色的视频烟雾检测算法

为了提高视频烟雾检测的准确性,有效排除视频中类似烟雾运动的物体,降低对环境光照变化产生的误检,提出了基于运动和颜色改进的烟雾检测算法.该算法能有效克服被检测场景光照的变化、背景混乱运动、以及运动目标阴影带来的干扰.它由两部分构成:烟雾运动检测和烟雾颜色特征的提取.该算法通过运动分割的方法检测出运动的像素,把归一化rgb空间颜色模型引入,以剔除疑似烟雾区域的干扰,并有效减小光照变化等影响.     

基于YUV颜色空间和多特征融合的视频烟雾检测

针对基于视频的烟雾检测方法在复杂环境中存在高误报、高漏报问题,提出了一种基于YUV颜色空间和多特征融 合的视频烟雾检测算法。首先通过高斯混合模型检测运动区域,然后应用YUV颜色空间烟雾像素过滤方法确定疑似烟雾区域,进一步将疑似区域块分割后使用离散小波变换和均匀局部二值模式提取烟雾纹理特征,最后多特征融合并通过Real AdaBoost分类器进行火灾识别分类。实验结果表明,高斯混合模型能够有效检测运动区域,运动区域YUV颜色空间过滤可以滤除大量非烟雾像素区域,选取的烟雾特征及分类方法具有更高的识别精度,多个场景视频测试表明所提出的视频烟雾检测算法相比同类算法具有识别准确度更高、误报率更低,从而更符合不同的应用场景。     

基于隐马尔可夫模型的火焰检测

提出一种利用隐马尔可夫模型对普通视频中的火焰进行分析的方法,除应用运动和颜色分析对火焰进行识别外,还通过隐马尔可夫模型对火焰的闪烁特性进行分析。实验结果表明,该方法能有效区分火焰和具有火焰颜色的普通运动物体,减少了火灾监测中误报警的次数,具有一定的实际意义。     

A New Fire Detection Method Using a Multi-Expert System Based on Color Dispersion,Similarity and Centroid Motion in Indoor Environment

In this paper, a video fire detection method is proposed, which demonstrated good performance in indoor environment. Three main novel ideas have been introduced. Firstly, a flame color model in RGB and HIS color space is used to extract pre-detected regions instead of traditional motion differential method, as it’s more suitable for fire detection in indoor environment. Secondly, according to the flicker characteristic of the flame, similarity and two main values of centroid motion are proposed. At the same time, a simple but effective method for tracking the same regions in consecutive frames is established. Thirdly,a multi-expert system consisting of color component dispersion,similarity and centroid motion is established to identify flames.The proposed method has been tested on a very large dataset of fire videos acquired both in real indoor environment tests and from the Internet. The experimental results show that the proposed approach achieved a balance between the false positive rate and the false negative rate, and demonstrated a better performance in terms of overall accuracy and F standard with respect to other similar fire detection methods in indoor environment.     

基于色彩和闪频特征的视频火焰检测

基于视频图像的火焰检测是火灾预防的一个重要研究方向。为了提高火焰的检测率,利用RGB和HSI色彩空间中的颜色信息,建立了一种新的火焰色彩模型,应用该模型提取疑似火焰区域。提出了一种基于累积差分RGB三通道的火焰闪频特征抽取方法,并用逻辑回归（logistic regression,LR）对火焰的闪频特征进行分析,得到了优化的权重和偏斜率,建立了火焰闪频特征值的概率模型。最后将概率模型应用于火焰检测。实验结果表明,该算法对火焰区域检测效果好,适用范围广,且能检测出较小的火焰区域。     

基于目标跟踪与深度学习的视频火焰识别方法

近年来火灾事故频发,对生态环境,社会经济都造成了严重影响,视频监控系统在火灾预防和环境监控中都有非常重要的作用。针对传统的视频火焰检测方法需要手工提取火焰特征且识别率低、误检率高的缺点,提出了一种基于特征检测,多目标跟踪和深度学习的火焰检测算法。通过高斯混合模型运动检测方法对视频中的动态目标进行提取,再经过HSI与RGB结合的颜色模型进行筛选,得到疑似火焰目标,对提取的目标进行多目标跟踪算法跟踪,最终对稳定存在的目标通过CaffeNet模型进行判别,得到火焰判别结果。实验证明,本算法实现了对视频火焰的准确检测,能对火焰进行有效识别,对火焰视频数据集上的平均识别精度达到98.79%,并能适应实时检测火灾的需求。     

运动区域提取和闪频分析并行的火焰检测算法

在火焰检测中对火焰运动区域提取和闪烁特征分析大都分开进行,本文在提取运动区域的同时分析该区域的闪频特性,即将火焰的运动特征和闪烁特征同时提取。首先基于Ohta颜色空间找出图像中具有火焰颜色的疑似区域,其次根据视频图像某个位置在一段时间内变化的程度和次数是否都达到一定程度提取具有闪烁特性的运动区域,最后根据具有火焰颜色的连通区域是否包含这种运动区域,且颜色区域与运动区域的面积比例是否达到一定比值,来判断该连通区域是否为火焰。实验结果表明该方法在提取运动区域的同时能排除不具火焰闪烁特征的前景,且能在运动区域提取不完整的情况下保持较高的火焰检测率和较低的误检率。     

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。     

基于火焰图像动态特征的火灾识别算法

提出了一种基于火焰图像动态特征的火灾识别算法.首先在HSI空间对捕捉的图像进行彩色分割,通过相邻两帧图像判断视频中是否存在可疑火焰.当有可疑火焰存在时,再连续捕捉多帧图像,进行火焰中心定位并提取火焰动态特征,最后判断是否发生火灾.实验结果表明,该算法具有比较好的鲁棒性,能够有效地提高火灾识别的准确率、降低误报漏报率.     

Early fire detection method in video for vessels

New generation vessels are equipped with fire detecting sensors; however, fire may not immediately be detected if it is far away from the sensors. The fire process therefore cannot be recorded. A video-based fire alarm system is developed to overcome the drawbacks of traditional fire detection equipment. This paper presents a video-based flame and smoke detection method for vessels. For flame detection, the dominant flame color lookup table (DFCLT) is created by using the fuzzy c-means clustering algorithm. The changed video frames are automatically selected and the changed regions deduced from these frames. An elementary, medium, or emergency flame alarm is then triggered by comparing the pixels of changed regions with the DFCLT. The changed video frames are automatically selected for smoke detection. The changed regions are deduced from these frames. If the shape of the changed region conforms to the characteristic which the top area is wider than the bottom area, a dangerous smoke alarm is sounded. The experimental results show that the proposed fire detection approach can detect dangerous flames and smoke, effectively and efficiently.