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。     

复杂背景下火灾疑似区域快速提取算法

针对火灾场景图像容易受到噪声干扰、光照变化等干扰因素的影响,难以实时有效地提取出火灾运动区域的问题,设计了一种适合于全天候高效工作的火灾火焰运动区域的快速提取算法,该算法根据像素点灰度信息分布和序列帧相关性,从时间域对背景模型和阈值进行自适应更新,并利用投影原理的二维统计原理,在基于运动目标区域空间相关性的基础上,实现了对火焰疑似区域的快速提取。实验结果表明,在1 920×1 080分辨率下,该算法总共消耗时间为0.232 ms。该算法解决了外界光线对目标区域提取的影响,同时火灾疑似区域检测的时间消耗以及算法复杂度也比区域聚类算法大大降低,较大地提高了算法的执行效率。     

基于多维彩色向量空间的火焰图像模糊聚类分割算法

针对火灾探测过程中早期火焰的分割技术研究,提出了一种基于多维彩色向量空间的火焰图像模糊聚类分割算法,该算法以运动目标序列图像之间变化的区域作为聚类模板,提取该聚类模板的RGB多维彩色特征向量,然后将图像的像素与聚类模板通过模糊聚类的方式进行分割。这种分割算法计算简单,时间开销较小,可以较好地获取火焰图像的边缘形态特征,并且能够明显消除不同光线下分割误差,实现快速无监督自动分割。     

一种基于多维彩色向量空间的（火焰）图像模糊聚类分割算法

针对火灾探测过程中早期火焰的分割技术研究,文章提出了一种基于多维彩色向量空间的火焰图像模糊聚类分割算法,该算法以运动目标序列图像之间变化的区域作为聚类模板,提取该聚类模板的RGB多维彩色特征向量,然后将图像的像素与聚类模板通过模糊聚类的方式进行分割。这种分割算法计算简单,时间开销较小,可以较好的获取火焰图像的边缘形态特征,并且能够明显消除不同光线下分割误差,实现快速无监督自动分割。     

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。     

基于特征融合的视频火灾检测算法

针对目前视频火灾检测算法无法达到高识别率,高误报率的缺点,提出了一种多特征融合的图像型火灾检测算法.首先,依据火焰的颜色特征在RGB空间提取疑似火焰区域,其次计算疑似火焰区域面积变化率,相关系数,以及圆形度等特征对可疑图元进行特征提取,最后综合各特征值进行火灾检测.仿真实验结果表明,与利用单一特征检测火灾的算法相比能够...     

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...     

基于改进FCM聚类算法的火灾图像分割

研究火灾识别问题,火灾图像分割是火灾特征提取和识别的前提,其分割效果直接影响火灾识别的准确率.针对现有分割方法中存在的经验阈值难以确定和因彩色信息丢失导致分割不准确等问题,为了准确识别火灾图像,提出一种改进的FCM聚类的火灾图像分割方法.方法选用符合人眼视觉特性的HSI颜色空间,根据数据分布特点确定色度分量H和亮度分量Ⅰ的初始聚类中心,分别在直方图特征空间进行模糊聚类处理,并利用像素的空间信息对模糊隶属度函数做了改进,最后在由两分量的模糊隶属度组成的二维特征空间上进行火灾图像分割.实验结果表明,算法可排除高亮区域的干扰,准确分割出火焰区域,为后续的火灾识别提供重要依据.     

基于快速支持向量机的图像型火灾探测算法*

图像型火灾探测的核心问题是火焰和疑似火焰物体的分类和识别。以火灾视频和疑似火灾视频为分析对象,提取了火灾图像的面积重叠率、圆形度以及火焰尖角数目三个特征量,选择快速支持向量机进行分类器训练,最终利用训练好的分类器实现了火焰及干扰物体的分类识别问题。实验结果表明,该算法提高了火灾图像的分类精度和火灾识别的准确率,同时具有较高的检测效率。     

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.     

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。     

Recursive Bayesian fire recognition using greedy margin-maximizing clustering

Vision-based fire detection is a challenging research area, since the visual features of fire dynamically change due to several factors such as weather conditions. In this paper, we propose a novel fire detection approach in which detected fire-candidate blobs are categorized as fire or non-fire under recursive Bayesian estimation. By employing the recursive estimation, we attempt to deal with fire characteristics that are dynamic as well as spatiotemporally continuous in a hidden Markov process. More specifically, for each detected fire-candidate blob, future beliefs about hidden classes are predicted and corrected by the most recent beliefs and observations of the blob. This is repeated during the lifetime of the blob. In this framework, to reduce the Bayes error in classification, we devised the greedy margin-maximizing clustering algorithm. This algorithm learns color clusters to model the feature space while attempting to maximize the in-cluster margins within a class and between classes. To further improve the detection accuracy, we developed two methods, $\epsilon $ -time delayed decision and on-line learning of transition probability. These were invented to suppress false alarms caused by temporary fire-like instances and to determine the current class by considering the majority of previous classification results. Experiments and comparative analyses with two contemporary approaches are conducted for various fire situations. The results show that the proposed approach is superior to the previous approaches in detecting fire and reducing false alarms. Furthermore, the proposed approach is shown to be competitive in applications to real environments.     

基于模糊证据理论算法在火灾检测中的应用

在复杂多变的火灾检测环境中,针对传统火灾检测方式准确率不高,适应性较差的问题。将模糊集合和D-S证据推理有机结合,提出一种新的用于火灾检测的多传感器数据融合的方法。该方法首先利用火焰、烟雾和温度传感器感知火灾状态,然后根据给出模糊隶属函数计算各个传感器的模糊隶属度。为了增强系统的抗干扰性,引入了计算传感器可信度的方法,并根据每次测量隶属度和可信度转化为基本概率分配函数(mass函数),最后利用证据理论对一个周期内多次测量的信息进行融合。结果表明,该方法提高了火灾检测判别的准确率,克服单个传感器带来的不稳定性和不确定性,增强了火灾检测系统的鲁棒性。     

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。     

Fire flame detection in video sequences using multi-stage pattern recognition techniques

In this paper, we propose an effective technique that is used to automatically detect fire in video images. The proposed algorithm is composed of four stages: (1) an adaptive Gaussian mixture model to detect moving regions, (2) a fuzzy c-means (FCM) algorithm to segment the candidate fire regions from these moving regions based on the color of fire, (3) special parameters extracted based on the tempo-spatial characteristics of fire regions, and (4) a support vector machine (SVM) algorithm using these special parameters to distinguish between fire and non-fire. Experimental results indicate that the proposed method outperforms other fire detection algorithms, providing high reliability and a low false alarm rate.     

早期油料火灾图像检测及识别技术研究

本文提出了一种早期油料火灾图像检测及识别算法。将火焰颜色、亮度及运动特征作为火灾检测与识别的判据,在火焰颜色模型和运动图像差分模型的基础上提出利用离散分形布朗随机增量场模型对早期油料火灾图像进行进一步的判定。模拟坑道实验结果表明,该算法能够有效提高油料火灾检测与识别的准确率,降低误报、漏报率。