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。     

博康集团推出图像火焰探测器

概述:图像火灾探测器属于智能型火灾探测设备,它具有火焰探测功能,可将采集到的红外视频图像信号传送给信息处理主机,使火灾探测和图像监控得到有机的结合。实时采集并分析现场视频,迅速识别火焰并产生火情报警,支持现场监控及录像取证,可方便地接入各类消防安防报警主机及监控平台。     

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。     

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。     

基于哈希编码的无线多媒体传感网络森林火灾图像识别算法

针对无线多媒体传感网络在森林火灾监测应用中存在的问题,提出了基于图像哈希编码技术的森林火灾识别算法。首先,建立森林火灾图像的图像库,提取火焰图像的一系列静态和动态特征, 通过哈希函数对其特征向量进行计算得到对应的哈希码,从而得到图像库对应的哈希码库。其次,计算被识别图像的哈希码,并通过计算汉明距离与哈希码库进行匹配,得出与其最相近的图像,从而得出是否有火灾发生。实验结果表明,该算法的火焰识别准确率达到94.12%,高于SVM、BP神经网络和稀疏表示的火焰识别算法,且减少了网络中因图像传输而产生的能量消耗,提高了网络带宽的使用率。     

嵌入式系统和红外图像的火焰检测算法

火焰的检测与识别是对火灾预防与控制的重要因素,目前已设计出一种嵌入式的图像采集系统,对嵌入式系统的概念进行了分析,分别探讨了火焰目标的提取、火焰特征的识别、火焰动态特征的识别以及火焰检测算法的设计,通过嵌入式系统以及红外图像的综合技术的实验分析,体现出该技术进行火焰检测算法的优势.     

基于神经网络的火灾图像特征融合算法

针对传统火灾探测技术存在的不稳定、误判率高等缺点,着重分析了室内火灾图像与常见干扰光源图像的特点,提出用火焰区域面积变化、质心位置、尖角数、圆形度等信息作为火灾判据,并用模糊神经网络对以上特征参数进行数据融合,作出火灾判断。实验结果表明,基于模糊神经网络的信息融合算法能够有效识别出火灾火焰,提高了识别的准确率。     

基于粗糙集的火灾图像特征选择与识别

针对图像型火灾探测方法检测准确度和实时性间的矛盾,提出了基于粗糙集的火灾图像特征选择和识别算法。首先通过对火焰图像特征的深入研究发现,在燃烧能量的驱动下火焰的上边缘极不规则,出现明显的震动现象,而下边缘却恰恰相反; 基于此特点,可利用上下边缘抖动投影个数比作为火焰区别于边缘形状较规则的干扰。然后,选择火焰的6个显著特征构造训练样本,在火灾分类能力不受影响的前提下,使用实验所得的特征量归类表对训练样本进行属性约简,并将约简后的信息系统属性训练支持向量机模型,实现火灾探测。最后与传统支持向量机火灾探测算法做了比较。实验结果表明:将粗糙集作为支持向量机分类器的前置系统,把粗糙集理论的属性约简引入到支持向量机中,可以大大消除样本集冗余属性,降低了火灾图像特征空间的维数,减少了分类器训练和检测数据,在保证识别精度的同时,提高了算法的速度和泛化能力。     

火灾的图像识别方法与应用

传统的火灾报警系统一般基于红外传感器和烟雾传感器，但在室外仓库和大型室内仓库等大空间场合的火灾报警中，上述方法并不能良好地适用。在火灾燃烧时火焰的红外图像序列往往具有相邻图像边缘不稳定但具有一定的相似性等可识别特征。因此图像识别的方法是大空间火灾自动报警的一种可行的解决方案。本文不仅提供了一个基于序列图像的火焰快速识别算法，也实际构成了一个使用微处理机的多通道火灾实时自动监控系统样机。