基于视频的火焰检测算法综述
发布时间：2021-06-25 08:54
近年来,随着计算机视觉技术和数字图像处理技术的不断发展,基于视频分析的火焰检测技术获得越来越多的关注。鉴于基于视频的火焰检测对消防安全、人民生命和国家财产安全等具有重要的实际研究意义,以及其理论基础和影响因素的多样性,本文对目前已有的基于视频的火焰检测算法所涉及的关键技术进行了综述。首先介绍了目前基于视频的火焰检测技术的处理流程,即预处理、特征提取、分类识别;其次着重分析火焰的特征,包括基于单帧的静态特征和基于多帧的动态特征,同时列举了典型的火焰特征提取算法;然后重点总结多特征融合策略和用于火焰识别的常用分类器以及深度学习识别方法;最后对基于视频的火焰检测技术的研究难点和未来发展进行了较为详细的分析探讨。
【文章来源】：数据采集与处理. 2020,35(01)北大核心CSCD
【文章页数】：18 页
【部分图文】：
边缘梯度算子
图像采集是用摄像机采集信号，传输到计算机获取视频图像序列，即图像数字化的过程。基于视频的火焰检测系统大部分是利用普通的可见光摄像机[8-10],红外摄像机[11-12]，热感应摄像机[13]，或长波红外热感应摄像机[14]作为传感器。普通的可见光摄像机通常用于检测光线较好的区域的火焰，其他的摄像机可用于黑暗、烟雾和有灰尘的环境中[15]。预处理是视频火焰检测的基本阶段，由于烟雾先于火灾出现，所以常用的预处理可以先进行疑似烟雾区域的提取，但有时烟雾会迅速转变为火苗，故直接对火焰独特的特征进行分析，从而分割出候选火焰的感兴趣区域（Region of interest,ROI）。特征提取阶段是指对候选火焰区域的静态及动态特征分析，或是时间和空间维度上的分析。最后，采用多特征融合算法或将多特征输入分类器的方式进行“是火焰”或“非火焰”的分类识别。2 预处理
火焰颜色与周围环境对比特征显著，而且实际场景中火焰的颜色受诸多环境因素影响，诸如温度、燃烧物燃烧充分性、燃烧物材料等，使火焰具有特殊的颜色分布规律，大部分呈现为突出且明亮的红色和黄色，在火灾检测中起到极其重要的作用。目前多数火灾检测都应用了颜色检测模块[35]，其颜色特征的提取方法通常采用灰度直方图或彩色直方图进行分析，不同文献在RGB[36]、HSI[37-38]、HSV[39]、YUV[40]和YCbCr[41-42]等不同的颜色空间中研究火焰检测规则，对比结果如表1所示。火焰的颜色特征除可以利用上述不同颜色空间的不同规则进行提取外，还可以用颜色矩来表征颜色特征。这是一种简单、有效和低维度的颜色特征表示方法。颜色矩即分别利用火焰像素的一阶矩、二阶中心矩以及三阶中心矩来描述火焰的颜色信息[43]，颜色矩的3个计算公式如下
【参考文献】：
期刊论文
[1]基于深度混合模型评分推荐[J]. 钱付兰,李建红,赵姝,张燕平. 南京航空航天大学学报. 2019(05)
[2]基于遗传算法的混合威布尔分布参数最小二乘估计[J]. 董力,陆中,周伽. 南京航空航天大学学报. 2019(05)
[3]多特征融合视频火灾识别研究[J]. 金肖,叶锦华,杨素珍. 机械制造与自动化. 2019(04)
[4]基于多特征的火灾监控系统设计[J]. 卢鑫,曹江涛,姬晓飞,秦跃雁. 辽宁石油化工大学学报. 2019(01)
[5]基于超像素分割与闪频特征判别的视频火焰检测[J]. 张慧珍,严云洋,刘以安,周静波,高尚兵. 数据采集与处理. 2018(03)
[6]基于ViBe与机器学习的早期火灾检测算法[J]. 梅建军,张为. 光学学报. 2018(07)
[7]基于D-S证据理论的飞机火情检测方法[J]. 张长勇,吴智博,杨建忠. 消防科学与技术. 2018(01)
[8]输电线路山火可见光-红外多光源精准定位技术[J]. 何立夫,陆佳政,刘毓,李波,罗晶,章国勇. 高电压技术. 2018(08)
[9]基于小波变换的森林火灾烟雾检测算法的设计[J]. 李雪宝,黄徐胜,郑艳芳,刘永良,张其亮,卢冶,史凌祎. 信息技术. 2017(10)
[10]基于颜色特征的低照度林火图像分割方法[J]. 王媛彬,任杰英. 消防科学与技术. 2017(10)
本文编号：3248911
【文章来源】：数据采集与处理. 2020,35(01)北大核心CSCD
【文章页数】：18 页
【部分图文】：
边缘梯度算子
图像采集是用摄像机采集信号，传输到计算机获取视频图像序列，即图像数字化的过程。基于视频的火焰检测系统大部分是利用普通的可见光摄像机[8-10],红外摄像机[11-12]，热感应摄像机[13]，或长波红外热感应摄像机[14]作为传感器。普通的可见光摄像机通常用于检测光线较好的区域的火焰，其他的摄像机可用于黑暗、烟雾和有灰尘的环境中[15]。预处理是视频火焰检测的基本阶段，由于烟雾先于火灾出现，所以常用的预处理可以先进行疑似烟雾区域的提取，但有时烟雾会迅速转变为火苗，故直接对火焰独特的特征进行分析，从而分割出候选火焰的感兴趣区域（Region of interest,ROI）。特征提取阶段是指对候选火焰区域的静态及动态特征分析，或是时间和空间维度上的分析。最后，采用多特征融合算法或将多特征输入分类器的方式进行“是火焰”或“非火焰”的分类识别。2 预处理
火焰颜色与周围环境对比特征显著，而且实际场景中火焰的颜色受诸多环境因素影响，诸如温度、燃烧物燃烧充分性、燃烧物材料等，使火焰具有特殊的颜色分布规律，大部分呈现为突出且明亮的红色和黄色，在火灾检测中起到极其重要的作用。目前多数火灾检测都应用了颜色检测模块[35]，其颜色特征的提取方法通常采用灰度直方图或彩色直方图进行分析，不同文献在RGB[36]、HSI[37-38]、HSV[39]、YUV[40]和YCbCr[41-42]等不同的颜色空间中研究火焰检测规则，对比结果如表1所示。火焰的颜色特征除可以利用上述不同颜色空间的不同规则进行提取外，还可以用颜色矩来表征颜色特征。这是一种简单、有效和低维度的颜色特征表示方法。颜色矩即分别利用火焰像素的一阶矩、二阶中心矩以及三阶中心矩来描述火焰的颜色信息[43]，颜色矩的3个计算公式如下
【参考文献】：
期刊论文
[1]基于深度混合模型评分推荐[J]. 钱付兰,李建红,赵姝,张燕平. 南京航空航天大学学报. 2019(05)
[2]基于遗传算法的混合威布尔分布参数最小二乘估计[J]. 董力,陆中,周伽. 南京航空航天大学学报. 2019(05)
[3]多特征融合视频火灾识别研究[J]. 金肖,叶锦华,杨素珍. 机械制造与自动化. 2019(04)
[4]基于多特征的火灾监控系统设计[J]. 卢鑫,曹江涛,姬晓飞,秦跃雁. 辽宁石油化工大学学报. 2019(01)
[5]基于超像素分割与闪频特征判别的视频火焰检测[J]. 张慧珍,严云洋,刘以安,周静波,高尚兵. 数据采集与处理. 2018(03)
[6]基于ViBe与机器学习的早期火灾检测算法[J]. 梅建军,张为. 光学学报. 2018(07)
[7]基于D-S证据理论的飞机火情检测方法[J]. 张长勇,吴智博,杨建忠. 消防科学与技术. 2018(01)
[8]输电线路山火可见光-红外多光源精准定位技术[J]. 何立夫,陆佳政,刘毓,李波,罗晶,章国勇. 高电压技术. 2018(08)
[9]基于小波变换的森林火灾烟雾检测算法的设计[J]. 李雪宝,黄徐胜,郑艳芳,刘永良,张其亮,卢冶,史凌祎. 信息技术. 2017(10)
[10]基于颜色特征的低照度林火图像分割方法[J]. 王媛彬,任杰英. 消防科学与技术. 2017(10)
本文编号：3248911
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/3248911.html
