基于边界矩和支持向量机的火焰识别算法*

根据火焰的燃烧特性,结合火焰的空间形状特征和动态变化特征,设计了一种基于动态边界矩和支持向量机的火焰识别算法。利用相邻帧边界矩不变量的差值来描述火焰的动态特征,基于支持向量机对火焰和疑似火焰目标样本进行分类检测。实验表明,该算法具有较好的火焰目标识别性能、较低的虚警率和较强的抗干扰性能。     

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.     

基于系统调用序列的“非我”分类

针对仿生免疫系统模型（GECISM）中已识别出的“非我”入侵程序,介绍了基于系统调用序列根据入侵行为进行分类的方法。通过对训练集提取规则,建立“非我”类的特征库,从而判断出“非我”程序所属的“非我”类。实验验证了这一方法的可行性和有效性。     

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。     

新型火焰颜色空间——IFCS

针对火焰识别颜色空间模型FCS带来的错判率高问题,基于混沌理论和[k]-medoids的粒子群算法,提出了一种改进的火焰识别颜色空间--IFCS。利用IFCS颜色空间进行火焰识别,可以在保证计算的简单快捷的同时,相对FCS更加突出火焰/非火焰像素颜色属性差异特性。采用混沌序列初始化粒子、自适应调整惯性权重、动态非线性调整学习因子、混沌搜索跳出局部最优等方法,得到了IFCS火焰识别颜色空间;进一步,在IFCS火焰颜色空间中通过经典Otsu阈值方法得到二值图像,建立了基于IFCS和Otsu的火焰识别算法--IOFR算法。实验结果表明：IOFR算法有效降低了当前基于FCS颜色空间火焰识别算法的火焰错判率。     

基于卷积神经网络的火焰智能识别研究

传统方法无法描述火焰变化特点，导致识别错误率高，识别时间长，为获得更加理想的识别结果，设计基于卷积神经网络的火焰识别算法。采集火焰图像，对火焰图像进行预处理，提高火焰图像的清晰度，并提取火焰识别特征，采用卷积神经网络对特征和火焰状态之间的关系进行模拟，构建火焰智能识别模型。在相同测试平台下，与其他方法进行对照实验，结果表明，所提方法描述火焰的变化特点，大幅度提升火焰识别正确率，同时缩短火焰识别时间，识别整体性能明显优于经典方法，具有较高实际应用价值。     

基于LVQ神经网络的视频监控图像火焰检测与识别算法

针对传统火灾火焰探测技术存在不稳定、误判率高的缺点,提出了一种基于人工神经网络的火焰检测与识别算法。通过分析火焰图像的动态特性,利用火焰图像序列的离心率、放射性和整体移动等特征信息,结合学习向量量化(LVQ)神经网络进行训练仿真。实验结果表明,该算法能有效提高监控视频图像中可疑火焰的快速分类,稳定性强,具有较高的火焰识别准确率。     

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。     

脑波信号控制轨道小车系统的研制

脑波信号识别是脑机接口（BCI）技术需要解决的关键问题之一。针对脑波信号的数据处理以及特征提取,提出了采用小波变换系数计算“专心度”的特征来描述精神力集中强烈程度以及脑电波活跃状况,并结合实际测试得出不同精神状态下的检测算法。设计了一款基于ARM处理器的脑波控制轨道小车系统,将“专心度”值发送给小车系统,实现了不同精神状态下对小车车速的控制。实验结果表明,采用专心度的特征在识别效果方面要优于FFT的单一频率特征。并且该系统能够快速提取出脑波特征并实时地控制轨道小车行驶,系统性能稳定具有一定的实用价值。     

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。     

基于帧间动态和纹理特征的邮轮舱室火焰识别

火焰探测是火灾探测和监测系统中的一项重要任务.论文提出了船舶火灾探测中火焰的动态和纹理分析方法.火焰最初是根据多尺度颜色空间中的颜色强度分割的,称为候选火焰区域.从候选火焰区域中提取动态和纹理特征,通过混合纹理描述符获得混合纹理特征.结合动态特征,得到了动态混合纹理特征.最后,利用极值学习机分类器,根据提取的动态和纹理...     

基于视频的火焰检测算法综述

近年来,随着计算机视觉技术和数字图像处理技术的不断发展,基于视频分析的火焰检测技术获得越来越多的关注。鉴于基于视频的火焰检测对消防安全、人民生命和国家财产安全等具有重要的实际研究意义,以及其理论基础和影响因素的多样性,本文对目前已有的基于视频的火焰检测算法所涉及的关键技术进行了综述。首先介绍了目前基于视频的火焰检测技术的处理流程,即预处理、特征提取、分类识别;其次着重分析火焰的特征,包括基于单帧的静态特征和基于多帧的动态特征,同时列举了典型的火焰特征提取算法;然后重点总结多特征融合策略和用于火焰识别的常用分类器以及深度学习识别方法;最后对基于视频的火焰检测技术的研究难点和未来发展进行了较为详细的分析探讨。     

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.     

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。     

色彩上下文感知的火焰目标实时检测

提出一种新颖的色彩上下文感知的火焰目标实时检测算法。算法定义了两种新的火焰特征向量：火检上下文动态特征切入列,火焰特征最优区域。相对于传统火焰检测算法对火焰图像序列中每帧的所有像素逐点扫描,算法仅对每帧中的关键位置——火焰特征最优区域进行扫描,根据火焰图像序列中一系列关键位置的检测情况预测火焰目标的整体燃烧状况。实验表明,该算法对于炉膛火焰的实时检测和估算效率高。     

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。