为了提高火焰特征使用效率和对光照强度变化的鲁棒性,结合MHSW(Maximal HSV and SILBP of Windows)和圆形度特征融合给出了一种基于图像的火焰检测算法。该算法对图像进行超像素分割,并采用YCbCr颜色空间对超像素进行处理,分割出疑似火...为了提高火焰特征使用效率和对光照强度变化的鲁棒性,结合MHSW(Maximal HSV and SILBP of Windows)和圆形度特征融合给出了一种基于图像的火焰检测算法。该算法对图像进行超像素分割,并采用YCbCr颜色空间对超像素进行处理,分割出疑似火焰区域;然后对疑似火焰区域图像提取MHSW和圆形度特征,其中MHSW特征是同一水平内局部窗口中两个SILBP(尺度不变的局部三元模式)统计直方图和HSV颜色直方图对应模式最大值组合而成;最后融合MHSW特征和圆形度特征,并使用交叉网络搜查法的SVM实现火焰的识别。MHSW特征减少火焰特征使用的冗余性和火焰特征训练识别的复杂性,降低火焰识别的误检率;MHSW特征对噪声和光照强度变化具有鲁棒性。实验结果证明,该算法是有效的,且具有较高的识别率和较低的误减率。展开更多
文摘为了提高火焰特征使用效率和对光照强度变化的鲁棒性,结合MHSW(Maximal HSV and SILBP of Windows)和圆形度特征融合给出了一种基于图像的火焰检测算法。该算法对图像进行超像素分割,并采用YCbCr颜色空间对超像素进行处理,分割出疑似火焰区域;然后对疑似火焰区域图像提取MHSW和圆形度特征,其中MHSW特征是同一水平内局部窗口中两个SILBP(尺度不变的局部三元模式)统计直方图和HSV颜色直方图对应模式最大值组合而成;最后融合MHSW特征和圆形度特征,并使用交叉网络搜查法的SVM实现火焰的识别。MHSW特征减少火焰特征使用的冗余性和火焰特征训练识别的复杂性,降低火焰识别的误检率;MHSW特征对噪声和光照强度变化具有鲁棒性。实验结果证明,该算法是有效的,且具有较高的识别率和较低的误减率。