论文部分内容阅读
每年火灾都会造成严重的人员伤亡和财产损失,快速有效的火灾检测对争取火灾救援时间,减轻火灾损失具有重要意义。火灾检测技术发展至今,方法上主要有温感探测、烟感探测和视觉探测三种,而视觉探测技术是基于计算机数字图像处理和模式识别发展而来的一种新型火灾探测技术,可以实现非接触式探测,具有高智能性,不易受到空间高度、有毒、易爆等外在工作环境条件的限制,因此具有广阔的应用前景。楼宇等高大空间视界开阔,可能的干扰较多,传统温感、烟感火灾探测器难以有效覆盖,人工提取特征的图像型火灾检测在多干扰的情况下准确率有限。针对此问题,本文首先提出基于Dense-SIFT字典学习的传统完整火焰检测算法,其后创新性地将深度学习的方法应用到火灾火焰检测,并在此基础上对比了传统方法和深度学习火灾火焰检测效果。实验结果显示,本文提出的基于Dense-SIFT字典学习的算法显著提高了检测准确率,减少了冗余判决,检测的实时性、有效性和稳定性有较大提高,而所用深度学习算法在隐层并不多的情况下,也达到甚至超过了传统算法的效果。具体如下：(1)基于Dense-SIFT字典学习法检测火灾分为运动目标提取、可能火焰目标识别和火焰特征分析等三个部分。首先,结合像素的空间分布相关性和SILTP特征,利用改进的背景减除法对视频流进行运动检测,获取运动像素。其次,对前面获得的运动像素基于HSI颜色判别,获得具有火焰特征颜色的二次目标。最后,采用Dense-SIFT字典学习的方法,对二次目标的梯度特征和闪烁特征等进行最终的判决。(2)开创性的将深度学习用于火灾检测,采用适合图像处理的卷积神经网络CNN检测火焰。为做以对比,在CNN自动提取特征的基础上,分别采用逻辑回归LR和SVM分类器对图像进行分类,从而实现对火焰的检测。(3)对传统模式识别、机器学习和深度学习的方法进行比较。对比Dense-SIFT字典学习和深度学习方法对楼宇等高大空间火灾火焰检测效果,结果表明,深度学习算法在隐层并不多的情况下,检测准确率已能超过一般传统算法；而若进一步增加隐层,理论上更可以提高识别准确率。