摘要：针对火焰检测算法在复杂场景下误检率高、算法适应性差、效率低等问题,设计一种轻量高效的两阶段视频火焰检测算法。第一阶段采用改进的自适应高斯混合模型(adaptive gaussian mixture model, AGMM)对视频图像序列进行快速背景建模,利用火焰的闪烁和涌动特性,提取出序列中的可疑候选区域。第二阶段使用残差深度归一化卷积神经网络(residual deep normalization and convolutional neural network, ResDN)对可疑候选区域进行判别,并引入简化的残差块替换原有的卷积层进行轻量化设计,实现对火焰的检测与定位。相比于传统分类算法,所设计的两阶段视频火焰检测算法能够有效克服复杂场景下的环境干扰,准确快速地识别火焰,具有更高的检测率和适应性。

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.

摘要：在自然场景中,天气情况、光照强度、背景干扰等问题影响火焰检测的准确性.为了实现复杂场景下实时准确的火焰检测,在目标检测网络YOLOv5的基础上,结合Focal Loss焦点损失函数、CIoU(Complete Intersection over Union)损失函数与多特征融合,提出实时高效的火焰检测方法.为了缓解正负样本不均衡问题,并充分利用困难样本的信息,引入焦点损失函数,同时结合火焰静态特征和动态特征,设计多特征融合方法,达到剔除误报火焰的目的.针对国内外缺乏火焰数据集的问题,构建大规模、高质量的十万量级火焰数据集(http://***/data ***).实验表明,文中方法在准确率、速度、精度和泛化能力等方面均有明显提升,同时降低误报率.

摘要：引入计算视觉领域中的显著性思想,结合自上而下的视觉注意模型,构建了基于时空视觉选择性注意机制的视频火焰检测模型.该模型用HSV空间的V分量表示火焰的亮度显著性,用RGB空间火焰R和B分量的关系表示火焰的颜色显著性,用局部二值模式的3种形式组合成的特征向量之间的距离表示火焰的纹理显著性;为降低模型时间、空间的复杂度,采用主成分分析对局部二值模式特征向量降维,用改进的基于火焰颜色的累积差分表示火焰的运动显著性.最后经加权线性组合各静态、动态特征图,得到当前视频帧的综合显著图.对Bilkent大学火焰视频库中全部的13段火焰视频和通过互联网获得的2段非火焰视频进行实验的结果表明,与其他流行模型相比,该模型可以更准确地检测出视频序列中的火焰区域.

摘要：为了提高火灾监控的准确性和及时性,并最大限度地利用已有硬件设备,提出一种使用日夜两用型红外摄像机的火灾自动监控方法.根据红外图像RGB空间的色彩分布特点,设计视频类型判断算法,实现视频图像类型自动切换.通过红外状态与可见光状态两类状态下的焰色模型提取火焰疑似区域.对疑似火焰区域提取不规则度、角点量、闪烁频率和帧间相关性等4个静态及动态检测特征.通过减聚类和模糊C均值聚类相融合的方式优化训练样本,并分别训练2种状态下的火焰识别神经网络分类器.实验结果表明:视频类型判别平均准确率93.07%,21段火焰或干扰视频均能正确检测,报警时间小于8s,帧处理速度达到25帧/s以上.对室内自动火灾监控的精度高、抗干扰能力强、处理速度实时和适应全天候监控等.

摘要：针对当前计算机视觉火焰检测算法无法实现高准确率和低误报率的问题,提出了一种基于颜色模型的候选火焰图像元素分类算法。该算法首先对RGB模型各通道求均值获得新的图像样本,再利用YCbCr颜色空间建立火焰图像元素分类模型,通过设计YCbCr颜色模型新规则来减少由于图像亮度发生变化而产生的干扰,火焰像素检测率得到显著提高,能够较为准确地识别火焰,有较高的实用价值。

摘要：针对现有视频图像火焰检测算法前景提取不完整、准确率低和误检率高等问题,提出一种基于改进混合高斯模型(GMM)和多特征融合的视频火焰检测算法。首先针对背景建模,提出了自适应高斯分布数和学习率的改进GMM方法,以提高前景提取效果和算法实时性;然后利用火焰颜色特征筛选出疑似火焰区域,再通过融合改进局部二值模式纹理和边缘相似度特征用于火焰检测。基于支持向量机设计火焰融合特征分类器并进行对比实验,在公开数据集上的实验结果表明,所提算法有效提高了背景建模效果,火焰检测准确率可达到92.26%,误检率低至2.43%。

摘要：燃烧会产生黑体辐射和自由基辐射。为了获取火焰燃烧时产生的紫外辐射信息,设计了一个基于火焰光谱信息检测需要的紫外光学系统。增大了紫外光学系统工作带宽,改进长焦光学系统常规视场范围,使得该系统兼具宽谱段﹑大相对孔径﹑相对大视场和高分辨率等特点,提高了紫外光学系统成像质量,以便在较大范围内获取较为精准的火焰紫外光谱信息,从而获取火焰燃料成分等火焰基本信息,提升紫外光学系统适用性。系统工作波长范围为240~390nm,工作带宽较宽,系统F数为2.5,相对孔径较大,视场角为15°,全系统共十片透镜组成,总长小于170mm,结构紧凑,满足燃烧探测的所有基本需求。像质评价结果显示,系统各个视场像点弥散斑均方根半径均小于9μm,全波长范围内系统垂轴色差小于1个像素大小,同时调制传递函数值在截止频率50(lp·mm^(-1))处优于0.5,系统畸变不超过0.5%。设计结果表明,紫外光学系统具有成像性能优良,工作带宽较宽,色差小,分辨率高,畸变小等优点,与此同时系统所有透镜均为球面透镜,便于加工与检测,满足设计要求。

摘要：目的准确快速的火焰检测技术在早期火灾预警中具有重要的实际应用价值。为了降低伪火类物体引起的误警率以及早期小火焰的漏检率,本文设计了一种结合感受野(receptive field,RF)模块与并联区域建议网络(parallel region proposal network,PRPN)的卷积神经网络(receptive field and parallel region proposal convolutional neural network,R-PRPNet)用于火焰检测。方法R-PRPNet主要由特征提取模块、并联区域建议网络和分类器3部分组成。特征提取模块在MobileNet卷积层的基础上,通过嵌入感受野RF模块扩大感受野捕获更丰富的上下文信息,从而提取更具鉴别性的火焰特征,降低伪火类物体引起的误警率;并联区域建议网络与特征提取模块后端的多尺度采样层连接,使用3×3和5×5的全卷积进一步拓宽多尺度锚点的感受野宽度,提升PRPN对不同尺度火焰的检测能力,解决火灾发生初期的小火焰漏检问题;分类器由softmax和smooth L1分别实现分类与回归。在R-PRPNet训练过程中,将伪火类物体作为负样本进行负样本微调,以更好区分伪火类物体。结果在包括室内、建筑物、森林和夜晚等场景火焰数据以及包括灯光、晚霞、火烧云和阳光等伪火类数据的自建数据集上对所提方法进行测试,在火焰检测任务中,准确度为98.07%,误警率为4.2%,漏检率为1.4%。消融实验结果表明,R-PRPNet较基线网络在漏检率和误警率上分别降低了4.9%和21.72%。与传统火焰检测方法相比,R-PRPNet在各项指标上均优于边缘梯度信息和聚类等方法。性能较几种目标检测算法有所提升,其中相较于YOLOX-L,误警率和漏检率分别降低了22.2%和5.2%。此外,本文在不同场景火焰下进行测试,都有较稳定的表现。结论本文方法有效降低了火焰检测中的误警率和漏检率,并可以满足火焰检测的实时性和准确性需求。

摘要：传统的火焰检测方法大多基于火焰的物理信号手动设计火焰特征,根据其使用模式进行识别。这类方法容易被外部环境干扰,且手动设计的火焰特征泛化性不强,当火焰形态或场景变化剧烈时,会降低识别精度。针对这一问题,提出了一种基于区域全卷积网络(R-FCN)结合残差网络(ResNet)的深度学习方法对火焰进行检测。通过特征提取网络自动提取特征,利用R-FCN确定火焰位置,并使用ResNet对该位置的火焰进行二次分类,以进一步降低误报率。该方法实现了端到端自动获取火焰特征并进行相应检测的过程,省去了传统火焰特征提取的过程。本文方法在Bilkent大学的火焰视频数据集上平均识别精度达到98.25%。