基于图像处理的复杂场景火焰识别与火灾判定方法

为了提高复杂场景及不同火灾场景火焰识别的准确性,提出一种基于图像处理的复杂场景火焰识别与火灾判定方法。结合应用高斯低通滤波、基于HSI的分块同态滤波增强与基于Lab的K-means彩色图像分割算法实现火焰识别,并通过计算评估火焰的面积变化率和质心分散来判定是否发生火灾。结果表明,高斯低通滤波避免了“振铃”现象的产生,且峰值信噪比(PSNR)较巴特沃兹和理想低通滤波方法更高;基于HSI的分块同态滤波增强算法抑制了背景光亮度的影响,并与对比度受限的自适应直方图均衡化(CLAHE)和色彩恢复的多尺度视网膜(MSRCR)算法比较,达到了更高的对比度;基于Lab的K-means分割算法降低了光线及设备对分割结果的影响,与Otsu和区域生长方法相比,能够更准确提取不同场景火灾图像的火焰。通过对30张不同场景的火灾图像进行火焰识别测试,其平均识别准确率达96.66%,处理1张图像用时0.96 s。最后,以某餐厅和室内蔓延火灾火焰及蜡烛稳定燃烧火焰为例,判定当火焰面积变化率不低于0.22且质心分散不低于17.02时发生火灾,应及时触发火灾报警器,降低火灾事故的损失。

基于改进SqueezeNet的火焰识别算法

针对现有火焰识别算法在效率上的不足,设计1种轻量高效的深度学习模型。模型基于SqueezeNet进行优化,引入双分支注意力机制以强化对火焰特征的识别能力,提升模型分类性能;同时,加入残差连接,提高网络的训练稳定性和特征表达能力;通过使用批通道归一化技术提高网络的泛化性能;此外,通过将Fire模块中的3×3标准卷积核替换为深度可分离卷积,进一步降低参数数量和计算复杂度,并通过多个公开的火焰图像数据集来评估所提算法的性能。研究结果表明:相较于原始的SqueezeNet算法,改进后的SqueezeNet模型不仅提升检测速度,同时也获得更高的识别准确率和更好的泛化能力。研究结果可为实时火灾监测系统和智能消防设备的开发提供理论基础和技术支持。

基于改进YOLOv5的树莓派火焰识别系统

火灾会对人员与财产安全造成巨大危害,如何迅速、准确地检测火焰出现具有重要意义。为实现高大空间条件下火焰的准确识别,设计了一种具有二自由度、可全方位检测环境情况的红外摄像头,并结合深度学习对目标检测算法YOLOv5进行改进;利用K-Means聚类算法匹配出9个聚类中心宽高维度替换原网络anchor参数;考虑了目标框相对比例,对损失函数进行优化,并用于树莓派上实现火焰识别。测试结果表明:改进的YOLOv5算法在树莓派上单张检测耗时2.9 s,较无改进YOLOv5算法减少78%;系统查准率为100%,识别目标框置信度均在0.9以上,能够快速准确识别出火焰。

基于视频分析的集输站库火焰识别方法

基于视频分析的火焰识别能够克服传统火焰识别方法的局限性(辐射范围小、易受环境影响且响应速度慢)。本文融合火焰识别的静态特征和动态特征,采用卷积神经网络和长短时记忆循环神经网络相结合的网络模型,并在模型中加入对比学习,增强模型学习特征的能力。试验结果表明,本文提出的CNN-LSTM融合模型能够取得更好的识别效果。

一种基于视频多特征融合的火焰识别算法

根据燃烧过程中火焰的物理特性,结合火焰的静态和动态特征,设计了一种多特征融合的火焰识别算法,对火灾进行快速判别.基于信任度模型建立了火焰识别的概率模型,以疑似概率反映视频图像中出现火焰的几率.实验表明,该算法识别火焰速度快,能够达到25帧/s的处理速度,与其他的火焰识别算法相比,算法在识别过程中无需人工调整即可自动完成,在复杂实际环境中,算法识别的准确性高,抗干扰能力比较强,如对车灯、路灯等干扰疑似概率始终小于10%.因此,算法在实际运用中有着广泛的应用前景.

基于改进层次聚类和SVM的图像型火焰识别

为了提高大空间建筑内实时监控的火灾检出率,提出基于改进分层聚类和支持向量机(SVM)的火灾识别算法。首先建立火焰颜色模型,用像素运动累积法获取疑似目标,借助改进层次聚类法对其进行合并,形成少量疑似区域。然后提取疑似区域相邻帧间相关性、面积变化率、质心偏移距离、红绿分量比、平均亮度这五个特征量。最后将特征输入到SVM进行二分类,判断是否有火。实验结果表明该算法提高了聚类算法在实际应用中的效率,克服了已有火灾识别算法过分依赖阈值的局限性,适用于室内大空间基于视频监控的火灾探测。

基于小波神经网络的炉膛火焰识别和诊断

提出一种利用火焰图像处理和小波神经网络技术进行炉膛火焰燃烧的快速、准确识别和诊断方法;通过火焰图像处理系统获取燃烧图像,提取用于燃烧诊断的火焰图像特征参数;构造用于燃烧诊断的小波神经网络,采用最小二乘算法进行小波神经元函数的选择;将提取的火焰图像特征参数作为小波神经网络的输入,通过训练和测试,进行火焰燃烧状态的预测。基于小波神经网络的图像处理和燃烧诊断方法具有准确、快速优点。

一种基于闪烁特征的火焰识别方法

介绍了一种以火焰闪烁特征为基础的早期火灾图像识别方法,先通过颜色特征判断可疑区域,再在此基础上对可疑像素的一维信号进行频率分析,以区分火焰像素和具有火焰颜色物体的像素。闪烁判据减少了误报和漏报,提高了火焰识别的可靠性和准确性。

基于飞行时间深度图像变化率的火焰识别方法

为开发飞行时间算法在火灾探测中的应用,简化算法,提高检测速率和准确性,根据飞行时间法,结合火焰的深度图特征,设计了基于深度图像变化率的火焰识别算法。以三维深度相机为主要图像捕获设备,进行了多组火焰识别实验,包括正庚烷火焰、乙醇火焰、纸张火焰、灯光干扰、行人干扰实验,对捕获的图像进行了处理与计算,提出了识别火焰的简化算法和火焰像素估计模型。采用该方法分析了火焰深度图特征,火焰识别结果图像的频谱图特征、集中度特征以及面积变化特征。研究结果表明,采用文中提出的算法的实验识准率大于91.5%,误识率小于3.8%,能有效识别火焰。

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。

一种基于LVQ神经网络与图像处理的火焰识别算法

针对传统火灾探测技术存在的不稳定、误判率高等缺点,通过分析室内火灾图像与常见干扰光源图像的特点,提出一种基于人工神经网络的火焰图像检测技术。对火焰图像的基本特性进行分析,利用火焰图像序列的面积重叠率和中心相对移动率以及颜色等信息,结合实现学习向量量化(LVQ)神经网络融合技术,对视频序列图像中火焰的自动检测。仿真试验结果表明,基于LVQ神经网络的信息融合算法的网络收敛速度较快,有较高的火灾火焰识别准确率。

基于时空特征的林火视频火焰识别研究

由于森林火灾监控现场是野外广阔的林区,而且树叶的摇摆使得视频图像中的运动对象很多,强烈的阳光、秋季的枯叶和红枫会导致火灾识别的误报等,这些特点都使得现有室内或静止场景火灾视频监控的视频处理技术不再适用。考虑到火灾发生有一个蔓延的过程,是一个包含若干连续视频帧图像的视频片段,笔者首先将疑似火焰视频划分成时空视频块,根据颜色特征和运动特征得到疑似火焰区域,然后在视频片段大粒度下基于空间静态特征(纹理、圆形度特征)和时序动态特征(火焰面积变化、形状相似性、闪烁频率特征)提取火焰特征向量,最后使用基于Ada Boost的算法进行火焰识别,实现森林火灾的实时检测。结果表明,该方法能够准确有效地进行林火视频火焰识别。

基于图像特征的火灾火焰识别方法

针对火灾火焰识别算法复杂和对环境要求高的特点,提出了基于图像特征的火灾火焰识别方法。首先采用颜色模式预判断火灾图像,排除不具有火焰颜色的物体,然后采用图像灰度化和二维熵最大阈值法进行预分割,得到火焰疑似区域,再通过提取火焰纹理特征和形状特征等对火焰图像进行分析、决策,最终判断出是否有火焰产生。实验结果表明,该方法具有较高的探测率,能降低误报漏报率且抗干扰能力强。

基于HMM-SVM的图像型火焰识别

针对单一的隐马尔科夫模型在图像型火灾探测中误报率偏高的问题,提出了隐马尔科夫模型和支持向量机相结合的图像型火焰识别算法。对捕获到的图像进行运动区域检测和颜色分析,提取疑似火焰区域,利用隐马尔科夫模型计算疑似区域与火焰模型的相似度,并输入到训练好的支持向量机进行二次识别。实验结果表明,与传统单一隐马尔科夫模型相比,该方法可以有效地降低误报率,提高火焰识别准确性。

基于卷积神经网络的火焰识别

针对卷积神经网络在火焰识别应用中受复杂环境背景影响无法充分提取火焰特征的问题,提出一种多通道输入结合策略。在网络输入层,根据LMDB数据源制作过程中提供的火焰区域坐标获取火焰区域,对火焰区域的RGB这3个通道图像分别做灰度和二值化处理,结合形成9通道的三维数据作为网络的输入;提出一种改进的Relu激活函数,使用两个参数分别控制正负区域斜率,弥补原Relu函数负区域为0强制引入稀疏性的缺点,通过减小Relu正区域斜率,平衡特征数量,降低过拟合风险。实验中重新构建卷积神经网络模型,设置网络参数,通过实验获取最佳Relu改进参数,实验结果表明,该方法对火焰识别精度有显著提高。

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。

基于自适应混合高斯模型的火焰识别方法

为了提高早期火灾的识别准确性和快速性,基于对火焰动态特性、面积变化率等特征的分析,设计火焰识别系统。系统采用RGB模型、HSI模型对火焰图像进行分割预处理,经过二维中值滤波、形态学分析实现对真实火焰的识别,应用自适应混合高斯背景模型差值处理滤除静态火焰的干扰。实验表明,该方法可以高效的识别出动态火焰,滤除静态火焰和伪火焰,在复杂背景下仍具有好的抗干扰能力和识别效率。

不确定环境下基于SIFT算法和一类分类的火焰识别

在不确定的复杂环境下,基于图像的火焰早期检测是一个未解难题。因此,将灰度均衡化理论延伸至此领域来对疑似火焰图像进行预处理,通过引入SIFT算法发现火焰图像的多尺度特征,确定火焰极值点并进行特征匹配,有效识别火焰尖角以提高侦测的有效性。将分形理论的分数维作为火焰的特征加以使用。由于通常情况下火焰是异常值,一类分类器具有代价低、特征易获取、精度高等诸多优点,因此使用一类分类器完成火焰识别。实验证明,该研究不仅在近距离光照强的条件下具有良好的真阳性率和假阳性率,而且在光照弱的情况下具有较高的火焰发现率和较低的虚警率。

二分粒度聚类和KELM的全景图像火焰识别研究

针对现有灭火机器人视觉系统的窄视野且检测结果受光照变化干扰的问题,提出了一种应用于大视角全景图像火焰识别且抗光照变化干扰的二分粒度聚类优化的核极限学习机方法。首先,对全景图像建立抗光照变化干扰的颜色模型;然后在该颜色模型下利用经过二分和粒度思想改进的K-means聚类算法分割疑似火焰区域与非火区域;最终提取疑似火焰区域的颜色分量等特征参数作为输入向量来训练核极限学习机(KELM)分类器以提取火焰区域。经仿真研究证明,该算法能快速准确识别全景火焰图像,对光照变化具有良好的鲁棒性,且通用性强。

YCbCr颜色模式下基于L-M算法优化的火焰识别方法

传统火灾探测技术存在许多缺陷。提出了一种基于图像的火焰识别方法。首先将图像由RGB模式转换为YCbCr模式,以Cb,Cr为轴建立坐标系并绘出火焰样本的Cb,Cr值。用一个椭圆将绘出的坐标点包括起来,并创建椭圆方程和二维正态分布函数,使正态分布函数在椭圆外部的值为零,并用L-M算法对正态分布函数中的参数进行优化。对火焰的识别转换为判断正态分布函数在像素对应的Cb,Cr处的值是否大于零。该方法具有很好的实时性和识别效果。