基于视频图像的火灾自动检测*

首先分析了火焰的基本特性,给出了火焰图像的特征描述,然后利用火焰图像序列的边缘不稳定和相似性等可识别特征以及面积大小和颜色等信息,实现了对视频序列图像中火焰的自动检测。实验证明,所实现的系统检测效果好、误判率低。     

应用GMM的快速火焰检测

基于视频图像的火焰检测是火灾预防研究的重要内容。为提高检测效率,首先使用具有自适应背景变化的 高斯混合模型(GMM)来检测场景中的运动物体。然后针对运动物体,提取颜色特征和面积变化特征。最后,根据得 到的特征来识别场景中是否有火焰发生。该方法不仅可有效检测到视频中的火焰帧,还避免了非火焰场景中对计算时 间的浪费。     

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。     

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%。     

融合多特征的视频火焰检测

对于复杂的场景,人类视觉系统选择性注意机制能够不需要训练而快速地定位到图像中的显著目标上.文中结合火焰的先验信息,基于显著性的四元数离散余弦变换算法来检测视频中的火焰.首先根据火焰在RGB空间中3个颜色分量之间的特殊关系改进了2个火焰颜色特征公式,得到2幅火焰颜色的特征图;然后通过计算疑似火焰区域的LBP特征向量的距离得到火焰的纹理特征图;再根据火焰内部的动态纹理、火焰闪烁频率特征计算改进后的火焰高频过零次数,得到火焰的动态特征图;最后将这4幅火焰特征图构成一个四元数,利用四元数离散余弦变换得到最终的火焰显著图.在Bilkent大学的火焰视频库中进行实验的结果表明,该方法具有准确率高、鲁棒性强的特点,优于对比的其他视频火焰检测算法.     

基于火焰彩色纹理复杂度特征的转炉炼钢吹炼状态识别

在基于火焰图像识别的转炉吹炼状态识别过程中,针对已有方法存在火焰彩色纹理信息利用不充分和状态识别率仍需提高的问题,提出一种基于火焰彩色纹理复杂度特征的转炉吹炼状态识别方法.首先,将火焰图像转化到HSI颜色空间下并作非均匀量化;然后,计算H分量和S分量的共生矩阵从而融入火焰图像的颜色信息;其次,利用得到的颜色共生矩阵计算火焰纹理复杂度的特征描述子;最后,应用Canberra距离作为相似度度量准则对吹炼状态进行分类和识别.实验结果表明,与已有的转炉火焰灰度共生矩阵和灰度差分统计方法相比,在满足吹炼识别实时性要求的前提下,所提方法的识别率分别提高了28.33%和3.33%.     

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。     

一种火灾报警系统中火焰区域的检测方法

对发生火灾时产生的火焰的图像信息进行了深入的研究和分析,结合火焰像素的颜色和强度变化特征对火焰像素进行检测,并且对火焰的区域进行增长性检测,通过区域生长算法精确提取的火焰区域,最后设计并实现了识别算法.实验结果表明,结合火焰像素特征和对火焰区域精确提取的检测方法具有较好的火焰识别能力.     

基于内容的回转窑火焰图像检索

为充分应用回转窑计算机看火所产生的火焰图像,提出一种基于内容的回转窑火焰图像的检索方法.分析和提取火焰图像中的纹理特征、颜色特征和形状特征,并进行了归一化.通过计算被检索图像和数据库中图像的特征值的相似度,得到一系列相近检索结果.分别对基于纹理特征、颜色和形状特征及综合特征的检索方法进行火焰图像数据库检索试验.结果表明,这些方法都有较高精度,其中综合特征检索为最高.该研究可为回转窑生产管理和监控提供有力支持.     

基于时空块协方差融合特征的火焰识别方法

提出基于视频图像的[YCrCb]和[CMYK]空间下的颜色和纹理等时空融合特征的火灾区域探测方法,将划分为时空域方块中的帧间颜色、空间纹理分布和运动属性组合成协方差描述子融合特征,通过分析矩阵中每两特征方差对应的正、负样本关联值的分布而确定特征的选择,首次提出了通过对协方差矩阵黎曼距离的变化分析来调整特征选择和组合方式。协方差特征的度量分别采用黎曼流形接地距离、对数欧式距离和用支持向量机训练的分类器进行对比实验。实验结果证明基于协方差矩阵融合特征的火灾探测系统表现出较高的识别精度和运行效率。     

视频火焰检测算法研究及MATLAB仿真

本文针对视频火焰的检测算法做了改进,从提取前景目标、颜色检测中的条件判断、火焰颜色的强度变化检测到火焰面积变化,以及火焰的灰度直方图特性都做了MA-TLAB仿真,并提出一套较简洁易行的视频火焰检测算法。     

基于多分类器融合的林火检测方法研究

为了解决现有视频火焰检测算法在环境发生变化时识别精准度低、检测结果不佳等问题,提出了一种基于DS证据理论的多分类器融合林火检测方法。该方法通过提取疑似区域,对比选取了颜色、圆形度、面积三种火焰特征,然后分别输入支持向量机(SVM)、最临近(KNN)和决策树(DT)中进行分类识别,最后利用DS证据理论进行决策级融合。通过与其他方法对比实验表明,该方法受环境变化的影响较小,当识别场景发生改变时,识别精准度变化不超过3%,仍保持较高的识别精准度,具有良好的应用前景。     

基于数字图像处理的大范围区域的火焰识别

传统的检测火焰的方法并不能发挥很好的作用,近些年,随着计算机以及基于视频图像序列处理的数字图像处理技术的发展,基于视觉火焰检测技术在大范围空间具有十分实用的价值。通过数字彩色CCD摄像机获得连续的图片,我们可以通过图像利用数字图像处理的算法来获得所感兴趣区域的形状特征,静态动态特征以及颜色信息,从而来判断是否发生了火灾。将摄像系统装配在所需检测的位置从而达到对检测区域自动防火的功能。简便的算法也可以减少对数据处理的时间。实验的结果说明了我们的方法可以准确地确认火焰。     

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。     

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.