基于YCbCr颜色空间的火焰图像分割方法

视频火焰检测对消防安全具有重要的实际意义.火焰颜色信息在视频火灾检测中起着举足轻重的作用,众多学者提出了基于不同颜色空间的多种火焰颜色检测算法.针对目前视频火焰颜色检测算法检测率低、误检率高、适应性差等不足,提出基于颜色空间的火焰图像分割方法.通过研究火焰图像在颜色空间上的分布情况,分析火焰像素对应的Y,Cb和Cr分量...     

基于混合粒子滤波的运动火焰跟踪算法

提出一种基于混合粒子滤波的运动火焰跟踪算法。针对通用粒子滤波算法计算量大的问题,提出了混合粒子滤波,将Mean Shift算法嵌入到粒子滤波中,并用自适应运动模型和目标模型自动更新的策略改善算法性能。基于混合粒子滤波提出了火焰识别和火焰跟踪相结合的运动火焰自动跟踪算法,先火焰识别,再火焰跟踪,且跟踪时,如果估计目标与模型的相似度小于阈值则切换到火焰识别阶段。识别与跟踪的相互切换保证了跟踪结果的正确性。实验结果表明混合粒子滤波具有很好的跟踪效果,与粒子滤波和Mean Shift算法相比,提高了跟踪精度;基于混合粒子滤波的火焰跟踪算法能够跟踪复杂环境下的运动火焰,提供火焰的精确位置。     

基于图像特征的火焰识别与检测技术研究

提出了一种基于火焰图像特征的火灾火焰检测及识别算法。将火焰颜色、变化率作为火灾火焰检测与识别的判据,在火焰颜色模型和变化率的基础上引入火焰尖角以及圆形度对火灾火焰图像进行进一步判定。实验结果表明,该算法能有效提高火灾火焰检测与识别的准确率,排除干扰源。     

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。     

基于局部特征过滤的快速火焰图像识别方法

传统的基于物理信号的火焰识别方法易被外部环境干扰,且现有火焰图像特征提取方法对于火焰和场景的区分度较低,从而导致火焰种类或场景改变时识别精度降低。针对这一问题,提出一种基于局部特征过滤和极限学习机的快速火焰识别方法,将颜色空间信息引入尺度不变特征变换（SIFT）算法。首先,将视频文件转化成帧图像,利用SIFT算法对所有图像提取特征描述符;其次,通过火焰在颜色空间上的信息特性进一步过滤局部噪声特征点,并借助关键点词袋（BOK）方法,将特征描述符转换成对应的特征向量;最后放入极限学习机进行训练,从而快速得到火焰识别模型。在火焰公开数据集及真实火灾场景图像进行的实验结果表明：所提方法对不同场景和火焰类型均具有较高的识别率和较快的检测速度,实验识别精度达97%以上;对于包含4301张图片数据的测试集,模型识别时间仅需2.19 s;与基于信息熵、纹理特征、火焰蔓延率的支持向量机模型,基于SIFT、火焰颜色空间特性的支持向量机模型,基于SIFT的极限学习机模型三种方法相比,所提方法在测试集精度、模型构建时间上均占有优势。     

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.     

基于超像素分割与闪频特征判别的视频火焰检测

视频监控已经成为当今火灾防范的主要方法。视频火焰算法层出不穷,但多为训练各种分类器做最后的分类,这需要提前准备大量相关的视频火焰样本来做训练,在视频火焰样本不够的情况下往往不能达到很高的检测率。本文提出一种基于超像素分割并结合闪频特征进行判断识别的方法。首先在Lab颜色空间上利用超像素分割方法将待检测图像分割出近似均匀的若干个小区域,并以其形心点代表一个超像素,结合RGB颜色空间与Lab颜色空间中的静态特征,根据提出的一定规则提取出火焰候选区域,最终利用此区域内提取的闪频特征判别其是否为火焰。实验证明,该算法在样本较少的情况下检测率较高。     

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。     

多判据图像型火灾探测系统的研究

根据火灾发生时火焰的颜色、面积逐渐增大、边缘上的尖角等特性,提出了一种基于机器视觉的火灾探测系统.着重介绍了对采集到的火焰图像进行颜色分析、面积计算和火焰尖角识别,以便得到更加准确的火灾识别效果.     

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CPSO的二维Otsu图像分割法

二维Otsu方法同时考虑了图像的灰度信息和像素问的空间邻域信息,图像分割效果好但算法计算量较大。针对上述情况,提出一种基于混沌粒子群优化算法（CPSO）的策略,将其用于二维Otsu方法中,并与标准粒子群优化算法（SPSO）进行仿真实验对比。实验结果表明,该方法可以提高分割速度,克服SPSO的缺点,图像分割结果较理想。     

改进AFSA算法优化TWSVM的火焰识别方法

为了快速有效地识别火灾火焰图像,提出了一种基于改进人工鱼群算法（IAFSA）的孪生支持向量机（TWSVM）的火焰识别方法。该方法根据RGB-YCbCr混合颜色空间模型中火焰像素的分布特点对火焰图像进行分割,并在此基础上提取火焰图像的相关特征;采用人工鱼群算法（AFSA）搜索TWSVM最优惩罚参数与核参数,并在AFSA算法中利用基于聚类的鱼群初始化方法来获得均匀的初始鱼群,同时采取自适应参数来调整人工鱼群的视觉范围和移动步长,另外在原有的三种行为的基础上提出了两种新的行为：跳跃行为和淘汰重生行为,提高了鱼群算法的寻优效率和求解精度;将提取的火焰各个特征量作为训练样本输入TWSVM模型进行训练;将待测试样本输入TWSVM模型进行分类识别。实验结果表明：相对于深度卷积神经网络VGGNet模型、Fast R-CNN算法、YOLO算法、传统支持向量机（SVM）、Grid-TWSVM、GA-TWSVM、PSO-TWSVM、FOA-TWSVM、GSO-TWSVM、AFSA-TWSVM,所提出的基于改进人工鱼群算法的孪生支持向量机的方法有效地提高了火焰识别准确率和实时性,解决了TWSVM在火焰识别时参数选择困难、常用参数寻优算法寻优时间长等问题。     

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。     

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%。     

基于边界矩和支持向量机的火焰识别算法*

根据火焰的燃烧特性,结合火焰的空间形状特征和动态变化特征,设计了一种基于动态边界矩和支持向量机的火焰识别算法。利用相邻帧边界矩不变量的差值来描述火焰的动态特征,基于支持向量机对火焰和疑似火焰目标样本进行分类检测。实验表明,该算法具有较好的火焰目标识别性能、较低的虚警率和较强的抗干扰性能。     

基于多尺度LBP与GBP特征的火焰识别

为了提高大空间建筑场景中基于视频图像的火灾的识别率,提出了一种基于多尺度LBP与GBP纹理特征的火焰识别算法。首先在RGB颜色空间对连续数帧火灾图像进行预处理,并进行频闪特性分析以提取疑似火焰区域;建立疑似火焰图像高斯差分尺度空间,利用局部二值模式(LBP)和全局二值模式(GBP)提取火焰局部纹理特征和全局纹理特征;最后将多尺度的纹理特征输入到支持向量机进行识别。实验结果表明,LBP与GBP相结合的方法具有对光照不变的特性,获得了较好的火焰识别率。     

改进CPSO-SVM在人脸识别中的应用

为使粒子群优化算法初始粒子均匀分布在解空间,增强全局的搜索能力,通过对混沌运动的遍历性和粒子群优化算法中惯性权重的分析,提出了一种改进型混沌粒子群算法。该算法采用Circle映射,产生了分布均匀的混沌变量轨道点,并结合动态调整惯性权重的思想来避免粒子群算法陷入局部最优。同时,给出了应用混沌粒子群算法训练SVM的方法,并将其应用于人脸识别。仿真实验结果表明,改进CPSO-SVM方法比基本粒子群方法能获得更好的识别性能。     

基于视频图像的火焰多特征检测

根据火灾发生时火焰的颜色、面积变化和火焰的纹理特征,提出一种基于视频图像的火焰多特征检测方法.着重介绍了对采集到的视频图像中的火焰进行颜色、面积变化的分析,并通过BP神经网络进行火焰纹理相似性的识别,以便得到更准确的火焰识别效果.     

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。     

CPU与GPU并行计算的火焰模拟

采用基于粒子插值的SPH方法对火焰流体进行模拟,用GPU加速粒子状态地计算,同时用CPU并行地计算粒子邻接关系并控制粒子产生速率。在SPH模型中,较为高效地加入了漩涡场的计算,增加了粒子运动的细节。在粒子渲染过程中,采用了色度场、有向点扩散和颜色锐化技术,由离散的粒子空间分布得到了较为理想的连续火焰图像。由于该方法属于流体模拟的拉格朗日法,所以火焰具有物理真实性,又由于采用GPU为主CPU为辅的计算架构,使得模拟达到了实时。