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。     

基于独立成分分析和支持向量机的图像型火灾探测

图像型火灾探测具有非接触性、反应快等优点,可有效解决大空间火灾探测难题,是火灾探测新的研究方向,其核心问题是火焰和干扰物的分类识别。常用方法是提取火焰在图像上表现的单个或某几个特征信息作为识别依据,需要设置大量经验阈值,识别率常因特征选择不合适而受到影响。通过对火焰整体特性的研究,提出了基于独立成分分析和支持向量机的火焰探测方法。首先在RGB空间建立颜色模型对连续数帧火灾图像预处理,并进行频闪特性和模糊聚类分析提取疑似目标区域,根据独立成分分析线性变换一对一和可逆性估计出基函数描述火焰图像特征,最后用支持向量机模型实现火灾探测。实验结果表明,该方法提高了图像型火灾探测精度和速度,可适用于多种火灾探测场景。     

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。     

基于特征融合的图像型火灾探测方法

针对传统火灾探测中灵敏度不高、响应慢的问题,提出一种基于特征融合的图像型火灾探测方法.结合火焰的颜色、运动以及闪烁特征,检测出疑似火灾区域中的火焰像素,排除非火焰像素,并用支持向量机对疑似火焰像素进行验证,采用形态学方法和区域融合判断出火灾区域.实验结果表明,该方法对多种火灾和非火灾场景具有较好的适应性、较强的抗干扰能...     

基于多特征融合的烟雾检测

针对传统火灾探测技术的应用弱点,研究基于视频的火灾烟雾探测方法。首先, 根据烟雾的颜色特征,提取视频序列中的疑烟区域。然后,在疑烟区域中提取烟雾的3 个动态 特征--扩散特征、轮廓不规则特征和使背景模糊特征。最后,利用BP 神经网络对这些动态特 征进行融合判定。实验结果表明,基于多特征融合的烟雾检测方法能够准确、实时、有效地识 别视频中的烟雾。     

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K-means和颜色模型的林火辨识方法研究

为了确保火灾探测结果的可靠性和准确性,从林火燃烧时火焰和烟雾特征出发,对现有的林火探测技术进行了分析,提出了一种基于K-means和颜色模型的林火辨识方法。首先使用Kmeans算法对采集到的彩色图像进行分割,根据火灾发生时火焰和烟雾的颜色特征,采取一种改进的颜色模型对分割出来的子图像进行辨识,对疑似火焰子图像和疑似烟雾子图像进行初步确认,然后从疑似子图像中提取出火焰和烟雾的特征输入到RBF神经网络,判断是否确实发生火灾。     

基于支持向量机的火灾探测技术

针对目前火灾探测方面的不足,提出了基于支持向量机的火灾探测技术.基于HSI颜色模型提取出火灾火焰疑似区域,在图像处理技术基础上获得早期火灾火焰的五个主要特征,采用支持向量机技术进行火灾识别.Matlab仿真实验证明,基于支持向量机的火灾探测技术识别率高,克服了神经网络过学习、容易陷入局部极小点等不足.该技术的研究在火灾探测领域具有重要的理论意义和实用价值.     

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。     

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.     

维度加权模式动态纹理特征的火焰检测

对疑似火焰区域提取纹理特征时,用局部三值模式描述火焰静态纹理特征不利于区分火焰与其他纹理均匀的干扰物,用KNN算法（k-nearest neighbor algorithm）分类效率较低。针对这些问题,提出用三正交平面局部混合模式（three orthogonal planes local mixed pattern,LMP-TOP）描述火焰的静动态纹理,再输入维度加权的支持向量机进行分类识别。LMP-TOP是对第一维XY平面,采用八邻域的均匀局部二值模式（uniform local binary pattern,LBP^u2）三正交平面局部混合模式表示火焰的静态纹理特征;对第二维XT和第三维YT平面,则采用局部三值模式（local ternary patter,LTP）融入火焰在时间维度上的变化信息,这样在得到火焰的静态特征的同时也融入了其动态特征。根据3个维度单独用于识别的准确率,赋予其相应的权重,用维度加权的支持向量机进行分类识别。实验结果表明,相比Sthevanie等算法,本文所提出的方法火焰识别率和检测效率均较高。     

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。     

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.     

基于颜色和纹理的皮肤检测方法

提出一种新的基于颜色和纹理特征的皮肤检测方法,应用JSEG算法将图像分割成任意形状的相似图像区域集,然后从中提取颜色特征和纹理特征,最后应用高斯混合模型（Gaussian Mixture Model,GMM）,并根据一定的判断准则（综合考虑颜色特征和纹理特征）进行皮肤和非皮肤区域分类．     

基于HMM-SVM的图像型火焰识别

针对单一的隐马尔科夫模型在图像型火灾探测中误报率偏高的问题,提出了隐马尔科夫模型和支持向量机相结合的图像型火焰识别算法。对捕获到的图像进行运动区域检测和颜色分析,提取疑似火焰区域,利用隐马尔科夫模型计算疑似区域与火焰模型的相似度,并输入到训练好的支持向量机进行二次识别。实验结果表明,与传统单一隐马尔科夫模型相比,该方法可以有效地降低误报率,提高火焰识别准确性。