论文部分内容阅读
火灾严重威胁人们的生命财产和安全,有效的火焰检测算法可以将火灾危害降低到最小。当前模型多根据火焰的颜色、轮廓、面积等特征进行检测,而忽略了火焰区域颜色的渐变性。为此提出了反映火焰区域颜色渐变情况的梯度特征,并将应用于刚体检测的深度学习模型迁移到火焰检测领域。(1)本文提出了一种基于梯度特征的火焰检测算法。首先根据改进的k-NN和搜集的火焰像素点生成非火焰像素点,然后训练像素级分类器用于生成疑似火焰的候选区域,在此基础上定义梯度特征并设计了粗算法和采样法两种梯度特征的计算方法,最后根据候选区域的梯度特征进行分类,从而精确判断该候选区域为火焰候选区域或非火焰候选区域。该方法主要利用火焰图片的静态特征,与移动物体检测技术Visual Background extractor(ViBe)相结合,可以实现基于视频的高精度火焰检测。由于梯度特征包含火焰区域的颜色变化情况,因而取得了良好的表现效果。(2)本文的深度学习模型采用了刚体目标检测模型Single Shot MultiBox Detector(SSD)的设计方法。与刚体相比火焰具备轮廓不固定、细节特征少的特点,故而改变网络结构,并用于火焰检测当中。由于正负样本不平衡,在SSD损失函数的基础上归一化正负样本权重。相比原始模型,改进后的模型在提取候选框的Feature Map层通道更少,因而模型检测速度更快。文中详细对比了 Khatami等人的火焰检测算法、梯度特征火焰检测算法、改进的SSD火焰检测算法的优劣,相比其余方法改进的SSD模型具备更高的查准率,而梯度特征火焰检测算法具备更高的召回率。针对火焰区域独立的情况改进的SSD模型表现效果更好,而火焰区域形状极度不规则的时候梯度特征火焰检测算法表现更好。