一个基于视频图像检测火灾的算法

针对传统火灾检测技术在面对大空间结构建筑及复杂环境中的不足,提出一种基于视频图像检测早期火灾的算法。该算法首先对视频图像进行阈值分割,然后根据火焰的颜色特征获取其中的疑似火焰区域。在此基础上计算疑似火焰区域的圆形度,并将圆形度与其整体特性相结合进行火灾的早期探测和预报。     

基于元学习-FHOG的电力火灾视频火焰检测算法

火焰检测技术是电力火灾预防的关键技术之一.为了解决火焰检测算法泛化能力不足、正检率低和环境适应能力差的问题,提出了一种基于元学习和FHOG(Fused Histogram of Oriented Gradi-ent)的电力监控火焰检测算法,其融合了注意机制的元学习方法和FHOG特征.实验结果证明,该算法误检率低、泛化力...     

基于多特征匹配的视频图像火灾火焰检测方法研究

相对传统的视频图像火灾检测方法,提出一种基于多特征匹配的视频图像火灾火焰检测方法.首先,算法采用改进的混合高斯分块模型对监控画面中的动态区域划分;再利用颜色概率统计模型提取动态区域的颜色特征,并分割出疑似火灾区域;最后,通过统计疑似火灾区域圆形度特征并判断火灾火焰是否存在.实验表明：算法对火灾火焰的检测识别准确率较高,并具有较好的实时性和抗干扰性.     

视频火灾识别方法研究综述

火灾发生时,其火焰和烟雾具有特有的静态和动态特征,在分析总结火灾图像特征的基础上,以火焰和烟雾特征为线索,介绍了火灾提取和识别的典型方法,侧重于分析各种特征在火灾识别中的应用及所采用的算法,最后对未来视频火灾识别方法的发展方向作了展望。     

基于火焰图像红外动态特征的早期火灾识别算法

针对普通彩色图像对早期火灾高危点的有限检测能力,提出一套基于红外图像动态特征的早期火灾识别算法,该算法使用改进的梯度算子结合图像的动态特征来判断火焰。通过实验,该算法能够快速地识别火灾火焰和早期火灾高危点。算法结构清晰,效率较高,便于工程实现。     

基于视频图像的森林火灾识别算法研究

针对火焰的色彩特性和燃烧时的动态特性,提出一种面向视频图像序列的火灾识别算法.首先通过火焰颜色特征,在HSV模型基础上运用改进的区域增长法提取目标区域,然后根据火焰区域的重心和面积变化特性,通过设定模糊数学的隶属度函数来判定是否有火灾发生.实验结果表明,本算法实用有效,对火灾的识别率较高.     

基于3D卷积神经网络的视频火灾检测

随着高层建筑的增多,消防压力越来越大,发展高准确率、低误报率的早期火灾检测系统变得越来越紧迫.近年来,随着计算机技术尤其是机器学习技术的发展,越来越多的相关技术被广泛应用于火灾图像处理方面的研究.针对已有的图像识别技术存在准确率低、误报率高等问题,提出一种基于3D卷积神经网络的火灾视频识别方法.实验结果证明,由于充分利...     

基于改进GMM和多特征融合的视频火焰检测算法

针对现有视频图像火焰检测算法前景提取不完整、准确率低和误检率高等问题,提出一种基于改进混合高斯模型(GMM)和多特征融合的视频火焰检测算法。首先针对背景建模,提出了自适应高斯分布数和学习率的改进GMM方法,以提高前景提取效果和算法实时性;然后利用火焰颜色特征筛选出疑似火焰区域,再通过融合改进局部二值模式纹理和边缘相似度特征用于火焰检测。基于支持向量机设计火焰融合特征分类器并进行对比实验,在公开数据集上的实验结果表明,所提算法有效提高了背景建模效果,火焰检测准确率可达到92.26%,误检率低至2.43%。     

基于图像处理的火灾探测技术

基于图像处理的火灾探测技术具有准确性高、实时性好、信息丰富等优势,是火灾探测领域重点研究的内容。本文根据火焰的面积增长率、火焰尖角等作为特征提取对象,通过MATLAB仿真技术对火焰特征进行实验研究,实验证明此技术具有一定的理论参考价值。     

基于图像的火焰检测算法

本文针对颜色空间模型的误报问题,提出基于多特征融合的方式识别火焰。分析对比了多种图像灰度化、图像滤波的方式、颜色聚类方式以及边缘检测手段,结合图像的形态学处理,提取了火焰边缘,提取了火焰的矩形度、圆形度以及边界粗糙度三种特征,进行火焰识别。     

基于显著性目标检测的改进火焰检测算法

针对靶场炮弹定位方法定位精度差、实时性差且存在安全隐患等问题,提出了一种基于显著性目标检测的炮弹火焰检测算法.首先针对数据集缺失问题,构建了一个炮弹火焰数据集,用于网络模型训练和推理.其次,采用并列交叉的双分支ResNet为特征提取模块,分别学习前景和背景语义信息,并在该模块中引入空洞卷积和注意力机制网络,提高感受野的...     

基于小波变换的火焰图像检测

从火焰图像中提取燃烧信息进行燃烧诊断与控制,是目前锅炉燃烧检测领域中的一个新方向,也正成为火焰检测技术发展的主流.本文提出了利用小波变换对火焰图像进行边缘检测从而提取火焰燃烧的特征量,以实现对炉膛火焰有火、无火的判断的方法.实验证明该方法比传统的数学算子法更加高效,而且对于锅炉的安全和经济运行都非常有益.     

基于YOLOv5网络模型的火焰检测

煤炭资源在开采的过程中会伴随着产生一种名为煤层气的产物,煤层气又称为瓦斯,若将瓦斯直接排放至大气中,则会造成严重的温室效应,研究发现瓦斯可以通过燃烧用来发电,但瓦斯在发电过程中遇到明火,则会发生爆炸,给工作人员及企业会造成不可估量的损失,因此检测瓦斯发电站内的火焰情况,成为了解决瓦斯发电站爆炸事故的重要目标.基于火焰识...     

基于时序特性的视频目标检测研究

目标检测是计算机视觉领域的研究热点与难点,是图像理解与视频分析技术的基础,深度学习具有良好的特征提取与泛化推理能力是当前主流研究方向.文中介绍了目前典型的目标检测模型,结合视频的时序特性提出了特征融合、结果反馈、双模型检测三种策略,利用前序帧信息修正当前帧的检测结果,一定程度上解决了摄影失焦、运动模糊、遮挡、奇异角度等...     

融合色彩和轮廓特征的火焰检测

基于图像的火焰检测能适应大空间和恶劣环境火灾预防应用的需要,首先分析了火焰图像的色彩及轮廓信息等重要特征,然后提出了基于连通区域面积阈值化的单像素宽度目标轮廓特征的抽取方法,再应用所建立的火焰检测色彩模型,融合火焰色彩和边缘轮廓动态变化等特性,实现了在视频序列图像中火焰的自动检测.实验结果显示,该方法能实时检测火焰,误判率低.     

基于多信息融合的火焰检测

针对复杂场景下的火焰检测困难,提出了一种结合颜色信息、运动信息以及统计信息的火焰检测算法。该方法首先将视频转换到YCrCb颜色空间,利用颜色信息分割出可疑的火焰区域,接着通过时域滤波提取出视频中的运动区域,结合颜色信息与运动信息的结果进行统计分析,根据统计值的大小确定视频中是否存在火焰及火焰所处位置。实验结果表明,本方法具有较好的实时性和自适应性,能在复杂背景下对场景中是否存在火焰做出快速准确的判断,且能处理摄像机运动的情况。     

基于动态形状特征提取及增强的改进YOLOv3火焰检测算法

针对现有多目标检测网络对动态火焰特征提取及增强能力不足,检测效果不佳的问题,提出基于动态形状特征提取及增强的改进YOLOv3火焰检测算法。采用小尺寸结构的ResNet50＿vd作为YOLOv3的主干网络,减少特征信息冗余;在主干网络stage 4和stage 5中加入可变形卷积模块,控制采样网格随火焰目标形状的动态变化;引入交并比（IoU）Aware模块,增加置信度得分与IoU定位精度的相关性,提高网络的火焰特征提取能力;同时在YOLOv3 Head中加入Drop Block,引入IoU预测分量优化损失函数,提高模型学习过程中的特征增强能力。通过消融实验验证各改进部分对模型的提升效果,实验结果表明,改进模型对火焰的检测精度达94.11%,推理速度达73.52 frame/s,能够有效满足对动态形状火焰的检测要求。     

基于目标跟踪和多特征融合的火焰检测算法

针对目前视频火焰检测算法无法达到高检测率、低误检率和实时的工业需求,提出一种基于目标跟踪和多特征融合的火焰检测算法.首先利用混合高斯背景建模获取前景图像,在HSV色彩空间中根据火焰的颜色特性分离出疑似火焰区域,对火焰疑似区域采用卡尔曼滤波器实现运动目标的跟踪,再结合火焰的相似度、区域增长率和跳动频率特征用加权求和得到的值与报警阈值相比,最后根据判断比较确定真实火焰区域,并且实现对火焰的持续跟踪.实验结果证明,该算法能够对火焰区域进行有效的检测与跟踪并且具有良好的实时性和抗干扰能力.