基于图像分割的森林火灾早期烟检测算法研究

针对森林这样的大空间、复杂场景下的火灾检测,提出一种在单帧视频序列图像中的烟检测方法,并研究一种新的超像素合并算法,改进现有的天地线检测算法。该方法对图像进行SLIC（Simple Linear Iterative Clustering）超像素分割,并用一种新的超像素合并算法解决过分割问题;通过改进的天地线分割算法,排除天空中云对于烟检测的干扰;根据光谱特征,运用支持向量机（SVM）对超像素块进行分类。实验结果表明,超像素合并算法高效简洁,易于编程实现,基于图像分割的烟检测技术能排除云雾等噪声对烟雾检测的干扰,在森林场景下的烟雾检测正确率为77%,可以作为人工森林火灾监测的辅助手段。     

雾天条件下基于机器视觉的森林火灾监测

基于机器视觉的森林火灾监测已成为森林火灾监测的一个重要发展方向。烟雾是森林火灾监测的重要指标。然而,诸如云雾和类似烟雾的诸多干扰物降低了火灾识别精度,为此提出了一种结合去云雾和烟雾检测的基于机器视觉的森林火灾监测方法。首先,提取视频中若干帧图像作为样本图像,采用基于Haze-Line的去雾算法对样本图像进行去雾处理。然后,利用基于Horn-Schunck光流法的烟雾检测算法进行烟雾检测,并利用最大类间方差法去除相邻2帧图像间像素质量差异对烟雾检测的影响。最后,利用扩散性分析进行火灾判断。仿真实验及对比分析结果表明,本文方法能够检测出烟雾区域随时间逐渐增加的趋势,从而有效地进行雾天条件下的森林火灾监测,具有更高的准确性和鲁棒性。     

C-V模型在红外视频火灾图像分割中的应用

针对大空间中红外视频火灾图像边缘模糊,不易准确分割问题,研究了一种基于背景差分和C-V模型的分割方法。通过背景差分得到运动图像;利用形态学处理得到完整的运动区域,并获得其外接矩形;以外接矩形作为C-V模型的初始轮廓曲线进行分割,得到封闭、完整的运动目标轮廓。该算法避免了对整幅图像分割,减少了运算量。通过实验仿真并与阈值分割算法比较,证明了该算法的准确性和有效性,有利于下一步火灾特征提取与识别。     

基于单高斯模型的森林火灾烟图像目标检测

单高斯模型森林火灾烟图像目标检测方法是根据烟目标内部灰度分布不均匀,且形状和面积会随着时间不停变化等特点,首先,通过火灾烟的动态数据累积图像得到烟目标出现的大致区域,再通过构造单高斯背景统计模型,对目标区域内部进行逐帧分割,最后,统计烟目标面积的变化趋势.经过对森林火灾烟序列图像进行实验和分析,结果表明这种方法对早期火灾产生的烟能够实时检测和识别,并有效提高了火灾烟图像检测的可靠性.     

HSI和区域生长结合的火灾图像分割方法

森林火灾图像分割是火灾特征和识别的重要前提,其分割结果将直接影响到火灾识别的准确率。针对常用的图像分割方法进行了分析,在此基础上提出了HSI模型和区域生长结合的森林火灾图像分割方法。该方法首先将原图像转换到HSI空间,提取图像中H、S、I分量;然后在原图像中选取种子,并对其H、S、I分量图像进行区域生长;最后对各分量区域生长后的图像进行合并,最终得出分割图像。并与常用分割方法仿真结果进行了比较,试验结果表明：该算法对森林火灾分割精度高、抗扰性好且应用范围广泛,对森林火灾分割、识别具有重要意义。     

森林火灾识别及蔓延方向估计

利用森林早期火灾图像中火焰的特点,对火灾进行识别,主要以火焰颜色分析、火焰面积增长特性、火焰尖角特性和火焰闪烁频率作为火灾发生的四个判据。同时,对烟雾图像进行分割、提取,并结合各个方向采集到的烟雾图像进行整合,得出火灾的蔓延方向估计。火灾识别与蔓延方向估计两者相结合,可有效判断森林早期火灾的发展形势,且有较高的稳定性和可靠性,具有一定的实际意义。     

基于K-means和颜色模型的林火辨识方法研究

为了确保火灾探测结果的可靠性和准确性,从林火燃烧时火焰和烟雾特征出发,对现有的林火探测技术进行了分析,提出了一种基于K-means和颜色模型的林火辨识方法。首先使用Kmeans算法对采集到的彩色图像进行分割,根据火灾发生时火焰和烟雾的颜色特征,采取一种改进的颜色模型对分割出来的子图像进行辨识,对疑似火焰子图像和疑似烟雾子图像进行初步确认,然后从疑似子图像中提取出火焰和烟雾的特征输入到RBF神经网络,判断是否确实发生火灾。     

粗糙集与区域生长的烟雾图像分割算法研究

针对图像型火灾烟雾分割算法不能同时提取白色、灰白色和黑色烟雾的问题,提出了一种粗糙集和区域生长法相结合的烟雾图像分割算法。在RGB颜色空间提取图像的R分量,根据R分量的统计直方图构造粗糙度直方图,选取粗糙度直方图中合适的波谷值作为分割阈值,对图像进行粗分割。相对背景图像,烟雾属于运动信息,采用帧间差分法提取运动区域,排除静态干扰。烟雾具有独特的颜色特征,在RGB颜色空间建立烟雾颜色模型,去除颜色相近的运动干扰,获得疑似烟雾区域。在该区域内选择种子点,在粗糙集粗分割的结果上进行区域生长,提取出烟雾区域。实验结果表明,该算法能够同时分割出白色、灰白色和黑色烟雾,烟雾边缘不规则信息保存比较完整,与已有算法的平均分割准确率、召回率以及F值相比,分别提高了19%、21.5%、20%。     

无人机森林火灾监测中火情检测方法研究

本文将无人机遥感的高清可见光图像用于森林火灾的监测,监测过程包括森林火灾检测、火灾区域分割、特征提取、火灾识别。首先,选择RGB颜色空间进行森林火灾的检测,在大幅减少单张图像的计算量的同时,也排除了大部分无火图像。其次,选择HSV颜色空间完成图像分割,得到完整性较好的火灾区域。最后基于灰度共生矩阵和火灾区域边缘图像提取了火灾区域的多维特征,并用支持向量机完成了火灾识别过程。本文算法对森林火灾的检测率可达到87.7%,识别率达到89.2%,表明该算法用于森林火灾监测效果较好。     

基于视频的烟雾检测预警系统在森林防火系统中的应用

运用数字图像处理技术,提出利用烟雾来识别森林火灾的思想,给出森林烟雾监测预警系统的设计方法。该方法对获取到的图像进行处理,处理后再提取可疑区域并对可疑区域火灾发生时烟雾的特征进行识别,主要包括烟雾的背景模糊度特征和扩散性特征,针对烟雾的这些特征设计了相应的检测算法,实现对视频中的烟雾图像的提取、检测并自动报警。分析结果表明,结合烟雾特征设计的烟雾检测预警系统具有较好的识别效果,在森林防火预警中有很强的实用性。     

架空输电线路走廊烟火的视频检测技术研究

架空输电线路运行环境复杂,线路通道内的烟火造成的外力破坏日益增多,研究了基于视频多特征融合技术实现输电线路通道烟火预警方法,以有效消除云影、树阴、光照和背景对检测结果的影响.采用了混合高斯建模法实现运动目标检测过程中的背景建模.采用移动目标跟踪、运动目标质心运动曲线分析、运动目标轮廓变形系数分析和前景图像灰度直方图统计参数计算等得出运动目标的视频特征.设备运行和故障模拟实验表明,本方法有效实现了架空输电路线复杂背景条件下的烟火预警.     

一种基于背景动态更新与暗通道先验的火灾烟雾检测算法*

烟雾检测在现代智能消防中有着重要的应用前景,随着计算机视觉和模式识别技术的发展,基于视频图像的火灾烟雾检测算法不断被提出。针对目前检测方法适应性不强、在复杂环境下检测性能不高的问题,提出了一种基于背景动态更新和暗通道先验的烟雾检测算法。算法首先通过改进的背景动态更新算法提取运动前景;然后,结合暗通道先验知识确定前景中的疑似烟雾区域;最后,利用烟雾颜色特征、旋转不变的LBP纹理特征和HOG特征的线性融合通过最近邻分类器(KNN)进行识别。通过在多个视频场景下的实验,表明该算法受环境因素影响较小,且具有良好的烟雾检测能力。     

基于混合高斯模型定位的火灾烟雾纹理特征提取

视觉(图像型)火灾探测需要提取较高质量的目标纹理特征用于火灾识别。本文利用混合高斯模型对烟雾目标进行前景提取,并且屏蔽掉非运动的背景图像,然后根据结果图像的灰度分布,计算灰度共现距阵,提取纹理特征。     

基于视频的烟焰检测方法研究

烟焰作为火灾最为明显的标志,对于其进行实时检测,在火灾监控方面有着重要的意义.传统的离子式、光电式、吸烟式等烟雾探测器受到空间和时间的限制,不能进行实时全面的探测[1].本文提出了一种基于视频的烟焰检测算法,采用帧差法提取出差值图像,经过图像处理,获得了理想的烟焰轮廓,根据轮廓大小来确定被监测区域是否有火灾的发生.实验证明,该方法实时准确、灵敏度高、抗干扰能力强、适用范围广,具有广阔的应用前景.     

基于颜色和纹理特征的林火烟雾识别

为了实现森林火灾的智能化预警,提出了基于颜色和纹理特征的林火烟雾识别方法.首先使用颜色特征确定烟雾疑似区域,随后采用局部二值模式方差(Local Binary Pattern Variance,LBPV)提取疑似区域纹理的不规则度特征并产生LBP图像.然后利用小波变换分解LBP图像并提取模糊度、复杂度和相关度特征.最后利用支持向量机(Support Vector Machine,SVM)进行烟雾识别.结果证明,颜色结合纹理特征方法可以有效实现林火烟雾的识别,为林火烟雾识别研究提供了一种有效方案.     

基于深度卷积长短期记忆网络的森林火灾烟雾检测模型

针对采样的每帧烟雾特征具有极大的相似性，以及森林火灾烟雾数据集相对较小且单调等问题，为充分利用烟雾的静态与动态信息来达到预防森林火灾的目的，提出一种深度卷积集成式长短期记忆网络（DC-ILSTM）模型。首先，使用在ImageNet数据集上预训练好的VGG-16网络进行基于同构数据的特征迁移，以有效提取出烟雾特征；其次，基于池化层与长短期记忆网络（LSTM）提出一种集成式长短期记忆网络（ILSTM），并利用ILSTM分段融合烟雾特征；最后，搭建一种可训练的深度神经网络模型用于森林火灾烟雾检测。烟雾检测实验中，与深卷积长递归网络（DCLRN）相比，DC-ILSTM在最佳效率下以10帧的优势检测到烟雾，而且在测试准确率上提高了1.23个百分点。实验结果表明，DC-ILSTM在森林火灾烟雾检测中有很好的适用性。     

基于多特征融合的烟雾检测

针对传统火灾探测技术的应用弱点,研究基于视频的火灾烟雾探测方法。首先, 根据烟雾的颜色特征,提取视频序列中的疑烟区域。然后,在疑烟区域中提取烟雾的3 个动态 特征--扩散特征、轮廓不规则特征和使背景模糊特征。最后,利用BP 神经网络对这些动态特 征进行融合判定。实验结果表明,基于多特征融合的烟雾检测方法能够准确、实时、有效地识 别视频中的烟雾。