融合多特征的视频火焰检测

合集下载

基于目标跟踪和多特征融合的火焰检测算法

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
ｆｒｅｑｕｅｎｃｙｆｅａｔｕｒｅｓｏｂｔａｉｎａｎｗｅｉｇｈｔｅｄｓｕｍｔｏｃｏｍｐａｒｅｗｉｔｈｔｈｅｌａａｒｍｔｈｒｅｓｈｏｌｄ．Ａｃｃｏｒｄｉｎｇｔｏｊｕｄｇｍｅｎｔｔｏｄｅｔｅｒｍｉｎｅｔｈｅｔｒｕｅｌｆｍｅａｒｅｇｉｏｎ，ａｔｔｈｅｓａｌｎｅ
ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｉｆｒｅ．ＡｆｔｅｒｔｈａｔｕｓｉｎｇｔｈｅＫｌｍａａｎｆｉｌｔｅｒｆｏｒｏｂｊｅｃｔｔｒａｃｋｉｎｇ，ａｎｄｃｏｍｂｉｎｉｎｇｗｉｔｈｔｈｅｓｉｍｉｌａｒｉｔｙｏｆｌｆｍｅ，ａｒｅｇｉｏｎｒｏｇｗｉｎｇｒａｔｅａｎｄｔｈｅｂｅａｔｉｎｇ
嘲秘教撼
ｉｄｅｏ匹ｎｎｉｎｔｅｒｉｎ４

基于svm的视频火焰检测算法

本文提出了一种在普通摄像头下通过多特征融合的支持向量机的火焰检测方法。该方法融合了火焰的静态特征和动态特征。实验结果表明：该算法具有较高的准确率，较低的误报率和漏报率。１基于背景减除法和火焰颜色模型的疑似火焰区域检测
运动目标检测的主流算法光流法，帧差法以及背景减除法。其中，光流法的计算量大，运行速度慢，十分耗时；帧差法虽能达到实时性的要求，但由于过于依赖物体移动的速率，但提取的运动区域不够完整。相对而言，背景减除法计算简单，提取目标完整，因此本文使用背景减除法进行火焰目标的运动检测。背景减除法基本思想是：建立背景统
张霞［３］采用帧差法和ＲＧＢ高斯模型得到火焰前景，通过红色分类统计分量，小波高频能量，ＬＢＰ直方图特征识别火焰，但由于帧差法只能得到火焰轮廓变换比较剧烈的区域，得到的图像容易出现空洞，故不能得到完整的火焰区域，不利于火焰特征的提取；ＣｈｅｎＴＨ等人［４］根据了ＲＧＢ
０引言火灾的准确探测与报警，能极大地减少火灾带来的损
害。传统的基于红外传感器和烟雾传感器的火灾探测系统主要是通过传感器探测到的火灾发生时生成的温度、光和烟雾等参量［１］，探测器的性能易受外界环境干扰，反应慢，识别率不高，特别在高大空间以及环境恶劣的情况下误报和漏报频发。伴随计算机视觉的蓬勃发展，视频火灾探测应运而生，基于视频图像的火焰检测技术成本低，易于安装，自动化程度高，可扩充能力强，因此在各类场合均进行了广泛的应用。其通过对监控摄像机采集到的视频图像进行分析处理等操作进行火焰检测，有着画面直观、探测范围广、实时性好等优点。
１４４传感器与微系统第３９卷
计模型，使每一时刻的背景模型更好地逼近真实的环境背

基于SVM的视频图像火焰检测

基于SVM 的视频图像火焰检测钟玲，张兴坤(沈阳工业大学信息科学与工程学院，辽宁沈阳 110870)摘要：为了提高火焰检测的准确率和鲁棒性，提出了一种基于支持向量机(SVM)的火焰检测算法。

首先根据火焰的颜色和运动特性，结合YCbCr颜色高斯模型和ViBe算法提取疑似火焰区域；为了提高检测的鲁棒性，并降低计算量，以秒为检测周期，提取疑似火焰区域的动、静态特征；最后将特征向量送入预训练好的SVM中进行最终判决。

仿真实验表明，该算法具有较高的准确率，同时满足实时性要求。

关键词：火焰检测；支持向量机；多特征融合中图分类号：TP391 文献标识码：AFlame Detection of Video Images Based on SVMZHONG Ling,ZHANG Xingkun(School of Information Science and Engineering ,Shenyang University of Technology ,Shenyang 110870,China )Abstract:In order to improve the accuracy and robustness of flame detection,the paper proposes a flame detection algorithm based on Support Vector Machine(SVM).Firstly,according to the color and motion characteristics of the flame,the algorithm extracts the suspected flame area with the YCbCr color Gauss model and the ViBe algorithm.Secondly,in order to improve the robustness of detection and reduce calculation,the algorithm extracts the dynamic and static characteristics of the suspected flame area on a one-second cycle.Finally the feature vector is put into the pre-trained SVM for detection.The simulation results show that the algorithm has high accuracy and meets the real-time requirements.Keywords:flame detection;Support Vector Machine(SVM);multi-feature fusion文章编号：2096-1472(2017)-06-01-03软件工程 SOFTWARE ENGINEERING 第20卷第6期2017年6月V ol.20 No.6Jun. 20171 引言(Introduction)火灾是常见的重大灾害之一，如何避免因火灾造成的损失一直是人们努力的方向，对如何在火灾发生初期就将其探测出来的研究也受到了广泛的关注。

烟火检测算法

烟火检测算法
传统图像处理方法：
1.颜色特征法：根据烟花的颜色特征，通过颜色空间转换将图像转换
到HSV色彩空间，然后设置相应的颜色阈值进行烟花的分割和检测。

2.运动特征法：利用烟花在图像中的运动特点，通过帧间差分或光流
法提取烟花的运动轨迹，进而判断是否为烟花。

3.形状特征法：通过提取烟花的形状特征，如边缘特征、轮廓特征等，结合形状匹配算法进行烟花的检测和识别。

基于深度学习的算法：
1. 单目标检测算法：基于深度学习的目标检测算法，如YOLO、SSD、Faster R-CNN等，在训练时将烟花作为一个类别进行标注，通过网络前
向传播和后向传播优化模型参数，实现对烟花的准确检测和识别。

2. 多目标检测算法：针对烟花检测场景中存在多个烟花的情况，采
用多目标检测算法，如Mask R-CNN、Cascade R-CNN等，实现对多个烟花
的同时检测和识别。

3. 实例分割算法：除了检测和识别烟花外，还可以通过实例分割算法，如Mask R-CNN、FCN等，将图像中的每个像素都分配给特定的烟花实例，实现对烟花的精确分割。

当前烟火检测算法的发展趋势是基于深度学习的算法，相比传统图像
处理方法，基于深度学习的算法在烟火的检测准确性和鲁棒性上更具优势。

此外，还可以通过数据增强、迁移学习和模型融合等手段进一步提升算法
的性能。

总之，烟火检测算法是利用计算机视觉技术和机器学习算法对图像或视频中的烟花进行自动识别和检测。

基于传统图像处理方法和基于深度学习的算法都能实现烟火的检测和识别，但基于深度学习的算法在准确性和鲁棒性上具有更大优势，并且有着广泛的应用前景。

火焰检测原理

火焰检测原理
火焰检测是指通过传感器或者相机等设备来识别和监测火焰的存在和状态。

火焰产生的光和热可以被特定的传感器或者相机所感知和捕捉。

火焰检测的原理主要包括以下几个方面：
1. 光谱法：火焰在不同波长的光谱范围内会产生独特的光谱。

通过光谱仪或者光谱传感器，可以分析火焰的光谱特征来判断火焰的存在与否。

这种方法可以准确地识别火焰，同时还能排除其他光源的干扰。

2. 红外辐射法：火焰产生的热量会发出红外辐射，通过红外传感器或者热像仪可以检测到火焰的热辐射。

这种方法对于火焰的检测比较敏感，可以快速准确地判断火焰的存在。

3. 感应器法：利用火焰产生的火光和火焰的热量，可以通过感应器来探测火焰的存在。

感应器一般根据火焰的亮度和热量等特征来判断火源的情况。

4. 视觉识别法：利用相机或者图像传感器来捕捉火焰的图像，并通过图像处理和识别算法来判断火焰的存在。

这种方法通常结合了颜色、形状和运动等特征来进行火焰的检测和识别。

以上是常见的火焰检测的原理，不同的原理适用于不同的场景和需求。

通过这些原理，可以进行火焰的准确监测和报警，以及采取相应的灭火措施，保障人员和财产的安全。

融合多特征图的野生动物视频目标检测方法

和合理利用野生动物资源对可持续发展有着重要意
Haar-like 特征提取器与 Adaboost 分类器完成对猫脸的
义。然而，当下对于野生动物的监测保护是通过实地
检测；刘文定等人 [3] 结合感兴趣区域 ROI 与卷积神经网
探查，或者使用昂贵的实时录像机进行不间断的定点录
络对国家级自然保护区的陆生野生动物进行自动识别；
像，需要投入大量的人力物力。因此，将目标检测的研
刘威 [4] 结合形状、运动特征以及 Adaboost 分类方法对运
[1]
基金项目：国家自然科学青年基金（No.61702063）；重庆市基础科学与前言技术研究重点专项（No.cstc2017jcyjBX0059）。
作者简介：陈建促（1994—），女，硕士研究生，主要研究方向：视频目标检测；王越（1961—），男，博士，教授，主要研究方向：机器学
1
引言
究成果运用于野生动物视频检测领域，对辅助科学研究
生物资源是人类赖以生存和发展的自然基础，是生
有重要意义。
态系统平衡与稳定的有力保障。野生动物资源是生物
近年来，国内外研究学者在野生动物领域做了一系
资源的重要组成部分，具有珍稀性和生命脆弱性，保护
Байду номын сангаас
列的分类与检测识别研究工作。谢素仪 [2] 通过结合
Wild Animal Video Object Detection Method Combining Multi-feature Map
CHEN Jiancu, WANG Yue, ZHU Xiaofei, LI Zhangyu, LIN Zhihang
Chongqing University of Technology, School of Computer Science and Engineering, Chongqing 400054, China

火灾检测算法

火灾检测算法一、引言火灾是一种常见的灾害，可以造成严重的人员伤亡和财产损失。

因此，火灾检测算法在实际应用中具有重要意义。

本文将介绍火灾检测算法的基本原理、常用方法以及未来发展方向。

二、火灾检测算法的基本原理火灾检测算法主要利用图像处理技术对场景中的火焰进行识别和分析。

其基本原理是通过对摄像头拍摄到的视频流进行处理，提取出场景中的火焰特征，并与预设模板进行匹配，从而判断是否发生了火灾。

三、常用方法1. 基于颜色特征的方法这种方法主要是利用了火焰在图像中明亮而鲜艳的颜色特征。

通过对图像进行颜色空间转换，提取出红色和黄色等明亮颜色区域，并结合形态学处理等技术，可以有效地识别出场景中的火焰。

2. 基于纹理特征的方法这种方法主要是利用了火焰在图像中呈现出不规则、多变形态的纹理特征。

通过对图像进行纹理分析和统计特征提取，可以有效地识别出场景中的火焰。

3. 基于深度学习的方法这种方法主要是利用了深度神经网络对图像进行特征学习和分类。

通过对大量的火灾图像进行训练，可以使网络具有较强的火焰识别能力，并且能够自适应地适应不同场景下的复杂光照和背景干扰等问题。

四、未来发展方向1. 多模态融合技术将多种传感器数据（如视频、红外、声音等）进行融合，可以提高火灾检测算法的准确性和鲁棒性。

2. 智能化算法设计利用人工智能技术，设计出更加智能化、自适应性更强的火灾检测算法，使其具备更好的实时性和可靠性。

3. 硬件优化通过硬件优化，如采用高速处理器、高分辨率摄像头等设备，可以提高算法的运行效率和检测精度。

五、结论综上所述，火灾检测算法在实际应用中具有重要意义。

随着科技不断发展，未来将会出现越来越多的新技术和算法，使火灾检测算法具备更高的准确性、鲁棒性和实时性。

基于视频的全天候多特征融合火焰检测算法

ｃｒｅａｉｎｆａｕｅｂｔｅａｓｉｈａｄｄｔｅｉｎｗｒｅｅｔｄｔｄｔｒｎｈｘｓｎｅｏａ．ｏｒｌｔｅｔｒｅｗｅｎｆｍｅｎｔｅｃｎｉａｅｒｇｏｅｅｄｔｃｅｏｅｅｍｉｅｔｅｅｉｔｃｆｆｍｅｏｒｅｌ
Ｔｒｄｔｏａｉｕｌａｉｎｆｅｄｔｃｉｎｔｃｎｌｇｓｂｓｃｌｙｂａｅｎａａｙｉｇｔｅｉｇｓｆｏｉｆａｅｈｅｔａｉｎｌｖｓａｉｔｒｅｅｔｅｈｏｏｙｉａｉａｌｓｄｏｎｌｚｎｈｍａｅｒｍｎｒｒｄｉｚｏｉｏｃｍｅａｒｖｓｂｅａｒｔｔｃｆａａｒｓｏｉｉｌｃｍｅａｏｄｅｅｔｌｍｅ．Ｔｈｍｅｈｄｃｎｏｍｅｔｔｅｅｕｒｍｅｔｏｏｎｔｅｃｏｋｅｔｏａｎｔｅｈｒｑｉｅｎｓｆｒｕｄ—ｈ — ｌｃｍｏｉｏｉｇｆａｉｅｇｎｅｎａｌａｉｎ．Ｅｘｒｍｅｔｓｗｔａｔｅｒｐｓｄｅｅｔｎｌｏｉｈｎｔｒｎｍｅｎｎｉｅｒｇｐｐｉｔｏｌｉｃｐｅｉｎｓｈｏｈｔｈｐｏｏｅｄｔｃｉａｇｒｔｍｃｎｏａｒｓｌｅｔｉｒｂｅ，ｄｔｃａａｔａｅｕｃｈｒｏａｅｅｏｖｈｓｐｏｌｍｅｅｔｆｍｅｆｓｎｄｒｄｅｔｅｅｒｒｔ．ｌ
李文辉，刘培勋，王莹，肖林厂，王聪

基于特征融合的视频火灾检测算法

ＡｂｓｒａｔＩｖｅｈｅｃｒｅｉｏｆｒｅｅｔｏｎａｇｏｉｈｍｓｃｎｎｏｃｅｇｅｃｎｉｉａｅｏａｅｏｌｅｄｆｃ，ｔｉｐｅｔｃ：ｎｉｗｏｆｔｕｒｎｔｖｄｅｅｄｔｃｉｌｒｔｉａｔａｈｉｖｅｈｉｈｒｏｇｔｏｎｒｔ，ｌｗｒｔｆｆｓｅｅｔｈｓｐａｒａｐｕｔｏｒａｄａｍｕｌｉｆａｕｒｕｓｏｉａｅｆｒｅｅｔｏａｇｉｔ．Ｆｒｔｙ，ｃｏｄｉｏｔｅｆａｅｃｌｒｆａｕｒｘｔａｔｏｉＧＢｐａｅＳ－ｓｆｗｒｔｅｔｅｆｉｎｍｇｅｄｔｃｉｎｌｏｒｈｍｉｉｓｌａｃｒｎｇｔｍｏｏｅｔｅｅｒｃｉｎｎＲｈｌｓｃＨＳ
为了防止火灾发生，少其带来的危害，减人们对自动火灾检测系统的需求日益增长。传统的火灾探测器如感烟型，感温型，感
光型等分别利用火灾前期的烟雾浓度，温度，以及光照等的物理特性对火灾进行探测。对于高大空间而言，它具有举架高，跨度大等特点传统的火灾探测器在实时性和准确性方面已经不能满足其要求。图像型火灾探测器能够不受环境影响，提供直观的火灾信息，并能够准确实时的对火灾进行报警。文献［提出了一种基于亮度与火焰边缘区域颜色分布的火灾火焰检测方法，３】此方法是根据活在火焰的静态特征进行识别，却缺乏对火焰动态特征的描述。本文研究了火灾火焰的颜色特征并基于ＲＢＧ颜色空间对明火火焰建立颜色模型，提取疑似火焰区域，然后根据火焰区域面积变化率，相关系数，以及圆形度等特征，对提取的各项特征进行综合分析，从而实现火灾的探测和判别。仿真实验结果证明了算法的有效性，对火灾火焰的识别率较高。

视频火焰特效在视频中添加逼真的火焰效果

视频火焰特效：在视频中添加逼真的火焰效果在现代的视频编辑中，火焰特效是非常常见和受欢迎的一种效果，它可以为视频增添动感和视觉冲击力。

Adobe Premiere Pro软件作为一款强大的视频编辑工具，也提供了多种添加火焰特效的方法。

本教程将为大家详细介绍如何在视频中添加逼真的火焰效果。

1. 导入素材首先，打开Adobe Premiere Pro软件并创建新项目。

将待编辑的视频素材导入到项目中，可以通过拖放或点击菜单栏的"文件"-"导入"来完成。

2. 在时间轴中选择要添加火焰特效的视频片段在时间轴中选择需要添加火焰特效的视频片段，将其拖放到"源监视器"面板。

3. 创建新的视频轨道在时间轴上，右键点击"视频1"轨道，在弹出菜单中选择"添加轨道"，创建新的视频轨道。

4. 导入火焰效果素材下载并导入逼真的火焰效果素材。

注意，确保火焰素材的尺寸和帧率与待编辑的视频素材相匹配。

5. 将火焰素材拖放到新的视频轨道上在资源面板中找到导入的火焰素材，将其拖放到新创建的视频轨道上。

确保火焰素材与视频片段的长度相同，并对齐时序。

6. 调整火焰素材的透明度选中火焰素材所在轨道上的剪辑，点击"效果控制"面板。

在"效果控制"面板中找到"不透明度"选项，并逐渐调低火焰素材的透明度，使其与背景视频混合。

7. 调整火焰素材的位置和大小在"效果控制"面板中找到"位置"选项。

通过调整火焰素材的位置和大小，使其与视频片段的场景相吻合。

可以借助"关键帧"功能实现火焰的移动或缩放效果，增加动感。

8. 调整火焰素材的颜色和亮度在"效果控制"面板中，点击"颜色校正"选项。

通过调整火焰素材的色彩和亮度，使其与场景的光线和环境相协调。

基于改进SSD的视频烟火检测算法

0 引言为解决目前火灾频发，消防设施和消防人员不足的问题，减少人民生命和财产安全损失，需要对火灾做出更加快速而准确的检测[1]。

目前传统的烟火检测通常借助传感器检测烟雾气体特征和火焰红外信息，这种检测方法检测精度低，响应速度慢，在智能化、抗干扰和成本等方面有待加强[2]。

基于视频的烟火检测可以很好地弥补上述不足。

视频烟火检测借助摄像头传输的视频画面，检测烟火位置并提供丰富的现场状况，便于采取相应的措施，及时解决火情[3]。

近年来，不少学者从不同的角度研究了视频烟火的检测问题。

文献[4]根据人眼视觉注意机制，提出基于显著性检测和高斯混合模型的视频烟雾分割方法，提高了检测精度和速度。

该算法过于依赖手工提取特征，算法鲁棒性较差，难以应用于复杂的烟火检测场景。

文献[5]针对视频火灾检测算法泛化能力弱等问题，提出了一种基于ViBe和机器学习的算法，该算法依靠ViBe算法以及随机森林和支持向量机组成的两级分类器，对前景信息进行选择性提取，再结合Hu矩阵训练出决策分类器，提升检测稳定性。

由于随机森林和支持向量机等算法对特征提取的能力较弱，该算法存在分类效果较差，误报率较高的问题。

文献[6]利用YCrCb颜色空间对捕获的图像进行分割，使用基于分群体融合的改进FOA算法搜索SVM最优参数和惩罚因子，提升了对火灾图像的分类效果。

该算法以参数量较大的元启发式算法（Meta-Heuristic Algorigthm）为基础，在检测速度上不能满足对视频实时检测的需求。

上述方法主要依靠人工提取特征，算法的泛化能力不强，检测精度和速度都难以满足实时稳定检测的需求。

随着深度学习的发展，使用卷积神经网络（CNN）取代人工提取特征成为趋势，众多学者展开了将CNN应用到烟火检测中的研究。

文献[7]通过CNN对火灾图像进行自动特征提取和分类，大幅提升了对烟火图像分类的精度和速度，但该算法没有深入应用到检测任务中。

文献[8]提出了一种改进YOLOv3的火灾检测方法，通过改进特征提取网络和多尺度检测网络，提高了检测效果，但该算法模型尺寸较大，计算成本较高。

一种集成了视频监控的隧道火焰探测器

专利名称：一种集成了视频监控的隧道火焰探测器专利类型：实用新型专利
发明人：王胤睿,杨明伦,李虎
申请号：CN202120919378.7
申请日：20210429
公开号：CN215871535U
公开日：
20220218
专利内容由知识产权出版社提供
摘要：本实用新型公开的属于火焰探测技术领域，具体为一种集成了视频监控的隧道火焰探测器，包括连接件、安装组件、连接架、辅助组件和探测器主体，所述安装组件包括连接端轴和旋转台，所述连接端轴顶端螺接于所述连接座端部，所述连接端轴底端安装所述旋转台，所述旋转台底端设置所述连接架，所述辅助组件由安装架和干燥风机组成，通过连接架作为防护框架对探测器主体进行辅助隔绝保护，且干燥风机的设置能够对连接架内部进行辅助干燥，防止探测器内部元件在长时间使用过程中，受湿气侵蚀失灵，引发后续隐患，同时，旋转台能够提供动力，带动连接架转动，既而带动探测组件转动进行全方位扫描探测，增加检测范围性。

申请人：辛米尔视觉科技(上海)有限公司
地址：200240 上海市闵行区剑川路955号803室
国籍：CN
代理机构：北京华际知识产权代理有限公司
代理人：曹书华
更多信息请下载全文后查看。

具有高区分度的视频火焰检测方法

具有高区分度的视频火焰检测方法谢迪;童若锋;唐敏;冯阳【期刊名称】《浙江大学学报（工学版）》【年(卷),期】2012(046)004【摘要】为了在视频监控系统中准确地判断火焰区域并预测火灾的发生,提出一种新的基于人工神经网络的视频火焰检测方法.该方法在分析火焰的运动和三维颜色特征的基础上,分别通过傅里叶变换和圆形度分析、角点检测的方法研究火焰的闪烁频率、几何形状对应的时空域特征,采用获得的各类特征构成概率向量作为人工神经网络分类模型的输入,输出表示火灾发生的概率.在保持检测准确率的同时,该方法通过实验选择最优的参数组合解决神经网络容易陷入局部极值及收敛慢的问题.该方法可以区分大空间(隧道、仓库、博物馆等建筑物)中闪烁的车灯和真实火焰,能够避免在实际的视频监控系统应用中将闪烁车灯误判为火焰,有效减少环境光对检测结果的影响,降低火灾火焰的误报率.实验结果表明,采用该方法在保持检测实时性的同时,能够达到96％的检测正确率.【总页数】7页(P698-704)【作者】谢迪;童若锋;唐敏;冯阳【作者单位】浙江大学,计算机科学与技术学院,浙江,杭州,310027;浙江大学,计算机科学与技术学院,浙江,杭州,310027;浙江大学,计算机科学与技术学院,浙江,杭州,310027;浙江警察学院,计算机科学与技术学院,浙江,杭州,310053【正文语种】中文【中图分类】TP391.41【相关文献】1.基于YOLOv2的视频火焰检测方法 [J], 杜晨锡;严云洋;刘以安;高尚兵2.基于深度学习的视频火焰烟雾检测方法 [J], 颜洵;吴正平;雷帮军3.基于多级特征融合的视频火焰检测方法 [J], 严忱;严云洋;高尚兵;朱全银4.基于神经网络的视频图像火焰检测方法 [J], 缪存可;杨炼;姜玥颖5.佳能推出具有高画质及高感光度的多功能摄像机ME200S-SH,以满足视频制作及监控等多样化需求 [J],因版权原因，仅展示原文概要，查看原文内容请购买。

基于多特征融合的视频烟雾检测

基于多特征融合的视频烟雾检测黎粤华;单磊;田仲富;朱自民【摘要】烟雾检测对火灾早期防范非常重要，传统的火灾探测技术主要利用传感器对火焰和温度进行识别，其每一个传感点只能检测到布控点周围的局部空间，对于开放空间等特殊场合难以发挥作用。

为了克服传统火灾检测存在的误报率高等缺点，文中提出一种基于烟雾多特征融合技术的图像型火灾检测方法。

该方法首先利用背景减除法获取普通 CCD 摄像机拍摄的疑似火灾烟雾区域，然后再从时域和频域着手，提取火灾烟雾的轮廓不规则特征、背景模糊度特征和纹理特征作为神经网络的输入信号，同时采用 sigmoid 函数将输出归一化，最后通过对 BP 神经网络训练完成火灾烟雾的多特征融合，并对来自网络的火灾视频进行测试。

实验结果表明：图像型火灾检测方法能够准确快速地识别火灾烟雾，达到早期预警的目的。

%The smoke detection is very important for the prevention of early fire,the traditional fire detection is a technology that uses a sensor to identify the flame and temperature,each sensor can only detect dispatched around the local space,for the open space and other special occasions,difficult to play a role. In order to overcome the defects of traditional fire detection has disadvantage of high false alarm rate,a fusion technology of image fire detection method based on multi feature of smoke was proposed. The method uses background sub-traction method to obtain the ordinary CCD camera shooting suspected fire smoke regions at first. Then from time domain and frequency domain,the fire smoke irregular contour feature,background extraction fuzzy features and texture features are extracted as the input sig-nals of neural network,also with thesigmoid function will output a normalized. Finally through the training of BP neural network,com-plete fire smoke multi feature fusion,and carry on the test of fire video network. The results show that image based fire detection method can accurately and quickly identify the fire smoke,and achieve the purpose of early warning.【期刊名称】《计算机技术与发展》【年(卷),期】2016(000)001【总页数】5页(P129-133)【关键词】烟雾检测;轮廓不规则特征;模糊度特征;纹理特征;特征融合【作者】黎粤华;单磊;田仲富;朱自民【作者单位】东北林业大学机电工程学院，黑龙江哈尔滨 150040;东北林业大学机电工程学院，黑龙江哈尔滨 150040;东北林业大学机电工程学院，黑龙江哈尔滨 150040;东北林业大学机电工程学院，黑龙江哈尔滨 150040【正文语种】中文【中图分类】TP39火灾的发生在时间和空间上表现为无规律性，是一种反人类意识的行为，传统的火灾探测方法具有一定的局限性，往往出现误报或漏报的情况。

基于改进YOLOv3融合特征的火焰目标检测方法

基于改进YOLOv3融合特征的火焰目标检测方法
杨天宇;王海瑞
【期刊名称】《农业装备与车辆工程》
【年(卷),期】2022(60)11
【摘要】针对火焰目标尺寸变化大、YOLOv3算法对小尺寸目标的检测性能有所欠缺、对火焰目标的检测效果不好的问题,提出对YOLOv3的改进策略。

充分发挥空洞卷积在不提升训练参数的同时扩大卷积核感受野的优点,构建2层空洞卷积层,对特征金字塔的融合特征进一步提取多尺度特征;在空洞卷积模块后添加通道注意力机制模块,抑制冗余的特征;使用DIOU损失函数降低对目标的漏检率。

通过在火焰目标数据集上的对比实验表明,改进后的YOLOv3训练模型在精度上达到了81.2%,相比原YOLOv3模型提升2.9%。

与SSD模型相比在精度上有所提高,相比Faster R-CNN模型在检测速度上更具有优势;对小尺寸目标的检测效果相比原YOLOv3模型有所提升。

【总页数】5页(P68-72)
【作者】杨天宇;王海瑞
【作者单位】昆明理工大学信息工程与自动化学院
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于改进YOLOv3的小目标检测方法研究
2.基于改进YOLOv3的红外目标检测方法
3.基于改进YOLOv3的桥梁底部裂缝目标检测方法
4.基于YOLOv3的车辆行人目标检测算法改进方法研究
5.基于改进YOLOv3的机场停机坪目标检测方法
因版权原因，仅展示原文概要，查看原文内容请购买。

复杂场景下基于多特征融合的视频跟踪

复杂场景下基于多特征融合的视频跟踪
丁建伟;唐云祁;田华伟;张小博
【期刊名称】《电视技术》
【年(卷),期】2016(40)10
【摘要】为了解决常见视频跟踪方法在复杂场景中难以有效跟踪运动物体的难题,研究了在粒子滤波框架下基于多特征融合的判别式视频跟踪算法.首先分析了特征提取和跟踪算法的鲁棒性和准确性的关系,指出融合多种特征能有效地提升算法在复杂场景中的跟踪效果,然后选择提取HSV颜色特征和HOG特征描述目标表观,并在线训练逻辑斯特回归分类器构造判别式目标表观模型.在公开的复杂场景视频进行测试,比较了使用单一特征和多种特征的实验效果,并且将所提算法和经典跟踪算法进行了比较,实验结果表明融合多种特征的视频跟踪更具鲁棒性和准确性.
【总页数】4页(P93-96)
【作者】丁建伟;唐云祁;田华伟;张小博
【作者单位】中国人民公安大学,北京102623;中国人民公安大学,北京102623;中国人民公安大学,北京102623;中国电子科技集团公司第三研究所,北京100015【正文语种】中文
【中图分类】TN941.1
【相关文献】
1.复杂场景下基于自适应多特征融合的跟踪算法 [J], 王恒军;赵书斌
2.改进的多特征融合粒子滤波视频跟踪算法 [J], 张钰婷;王沛;马燕;张倩
3.基于多特征融合的粒子滤波视频跟踪算法 [J], 刘一鸣;周尚波
4.多特征融合的粒子滤波视频跟踪算法研究 [J], 华建祥
5.复杂场景下基于CNN的轻量火焰检测方法 [J], 李欣健;张大胜;孙利雷;徐勇因版权原因，仅展示原文概要，查看原文内容请购买。

火眼视频图像火灾探测软件

“火眼”视频图像火灾探测软件一、“火眼”简介“火眼”视频图像火灾探测软件（以下简称“火眼”软件）是由国家消防工程技术研究中心、公安部天津消防研究所历时多年，研制成功的一款图像火灾探测报警软件。

它利用已经安装的各种室内监控摄像头的实时图像，采用独创的具有先进算法的计算机图像模式识别技术，能够实时探测监控区域可能产生的火焰和烟雾。

在现代智能视频监控系统中，计算机图像模式识别技术具有非常广泛的应用前景，各种智能算法的出现为这项技术的实际应用提供了理论保障。

在安全和交通领域，基于时评图像的人脸、车辆和车牌的识别已有了大量应用。

在消防领域，对于火焰和烟雾图像的精准识别，使得基于图像模式识别技术的火灾探测报警系统具有了实际应用价值。

随着我国智能城市和各个行业智能网络的建设，各种视频监控系统已遍布于城市的大部分公共区域，这就为视频图像火灾探测系统的普遍应用提供了硬件基础和实施条件。

利用建筑内已有视频监控系统，使用“火眼”软件进行火灾探测，能够以较低的成本大幅度提高火灾报警能力，为减少火灾危害、降低火灾损失，保障社会安全创造了极为有利的条件。

二、技术特点“火眼”软件在原理上与传统火灾探测方式完全不同。

图像火灾探测是利用计算机模式识别技术，当监控的视频图像中出现火焰或烟雾图像时，计算机通过特征识别就能快速准确的判断出火灾，并发出报警信号。

而传统的感温或感烟探测器通常要等到处于探测器位置的空气温度或烟雾浓度达到报警阈值后发出报警信号。

因此，相对于传统的火灾报警系统，图像火灾报警系统具有很多独特的优势。

1、适用性强：“火眼”软件针对目前市场上普遍使用的各种型号的视频监控系统，开发了对应的多种软件接口。

既有应用于数字模式的视频监控系统，也有适用于模拟方式的视频监控系统。

加载方式简单，操作方便，具有广泛的适用性和兼容性。

2、探测速度快：采用先进图像模式识别技术的“火眼”软件，最快可在视频火灾图像出现的十秒之内，就能在图像上发现火焰或烟雾，同时发出火灾报警信号。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

融合多特征的视频火焰检测
严云洋，，杜静，，高尚兵¨ ，周静波ｎ，刘以安）
”（淮阴工学院计算机工程学院淮安２２３００３）
。（江南大学物联网工程学院（ｙｕｎｙａｎｇ＠ｈｙｉｔ．ｅｄｕ．ｃｎ）
第２７卷第３期
２０１５年３月
计算机辅助设计与图形学学报
ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒ－ＡｉｄｅｄＤｅｓｉｇｎ＆ＣｏｍｐｕｔｅｒＧｒａｐｈｉｃｓ
Ｖｂ１．２７Ｎｏ．３Ｍａｒ ห้องสมุดไป่ตู้ ２Ｏ１５
火焰高频过零次数，得到火焰的动态特征图；最后将这４幅火焰特征图构成一个四元数，利用四元数离散余弦变换
得到最终的火焰显著图．在Ｂｉｌｋｅｎｔ大学的火焰视频库中进行实验的结果表明，该方法具有准确率高、鲁棒性强的特点，优于对比的其他视频火焰检测算法．
无锡
２１４１２２）
摘要：对于复杂的场景，人类视觉系统选择性注意机制能够不需要训练而快速地定位到图像中的显著目标上．文中结合火焰的先验信息，基于显著性的四元数离散余弦变换算法来检测视频中的火焰．首先根据火焰在ＲＧＢ空间中３个颜色分量之间的特殊关系改进了２个火焰颜色特征公式，得到２幅火焰颜色的特征图：然后通过计算疑似火焰区域的ＬＢＰ特征向量的距离得到火焰的纹理特征图；再根据火焰内部的动态纹理、火焰闪烁频率特征计算改进后的
ｓｈｉｐｂｅｔｗｅｅｎＲ，ＧｎｄａＢｏｆｔｈｅｌａｆｍｅｃｏｌｏｒｉｎｈｅｔＲＧＢｓｐａｃｅ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｔｅｘｔｕｒｅｆｅａｔｕｒｅｍａｐｗａｓｇｅｎｅｒａｔｅｄｂｙ
（ＳｃｈｏｏｌｆｌｏｎｔｅｒｎｅｔｏｆＴｈｉｎｇｓＥｎｇｉｎｅｅｒｉｎｇ，ＪｉａｎｇｎａｎＵｎｉｖｅｒｓｉｙｔ，Ｗｕｘｉ２１４１２２）
Ａｂｓｔｒａｃｔ：Ｔｈｅｓｅｌｅｃｔｉｖｅａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｏｆｈｕｍａｎｖｉｓｕａ１ｓｙｓｔｅｍｃａｌｌｑｕｉｃｋｌｙｌｏｃａｔｅｓａｌｉｅｎｔｔａｒｇｅｔｓｉｎｔｈｅｉｍ－ａｇｅｗｉｔｈｏｕｔｔｒａｉｎｉｎｇｉｎｃｏｍｐｌｅｘｓｃｅｎｅｓ．Ｃｏｍｂｉｎｅｄｗｉｈｔｔｈｅｐｉｏｒｒｉｎｆｏｒｍａｔｉｏｎｏｆｌａｆｍｅ，ｔｈｅｓａｌｉｅｎｃｙｂａｓｅｄａｌｇｏ－ｒｉｔｈｍｏｆｑｕａｔｅｒｎｉｏｎｄｉｓｃｒｅｔｅｃｏｓｉｎｅｔｒａｎｓｆｏｒｍｉｓｐｒｏｐｏｓｅｄｔｏｄｅｔｅｃｔｔｈｅｌａｆｍｅｉｎｖｉｄｅｏ．Ｆｉｒｓｔｌｙ，ｔｗｏｃｏｌｏｒｆｅａｔｕｒｅｍａｐｓｗｅｒｅｏｂｔａｉｎｅｄｂｙｉｍｐｒｏｖｉｎｇｔｈｅｐｒｏｃｅｓｓｏｆｌａｆｍｅｃｏｌｏｒｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｃｃｏｒｄｉｎｇｔｏｈｅｔｓｐｅｃｉａｌｒｅｌａｔｉｏｎ－
关键词：视觉显著性分析；离散余弦变换；四元数；视频检测；火焰检测
中图法分类号：ＴＰ３９１
ＶｉｄｅｏＦｌａｍｅＤｅｔｅｃｔｉｏｎＢａｓｅｄｏｎＦｕｓｉｏｎｏｆＭｕｌｔｉ－ｆｅａｔｕｒｅ
ＹａｎＹｕｎｙａｎｇ，，Ｄｕｌｉｎｇ，，ＧａｏＳｈａｎｇｂｉｎｇｎＺｈｏｕＪｉｎｇｂｏ ¨
，，
ａｎｄＬｉｕＹｉ ’ ａｎ２
（ＦａｃｕｌｔｙｏｆＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＨｕａｉｙｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈｕａｉａｎ２２３００３）